Teknik-teknik peramalan data deret berkala (skripsi dan tesis)

         Penyelesaian peramalan memiliki beberapa metode yang umum seperti metode weight moving average, exponential smoothing, dan regresi linier. Berikut ini adalah penjelasan dari metode tersebut (Gaspersz, 2004).:

a.       Metode Weight Moving Average (WMA)

Model rata-rata begerak terbobot lebih responsif terhadap perubahan, karena data dari periode yang baru biasanya diberi bobot lebih besar. Suatu model rata-rata bergerak n-periode terbobot, weighted MA(n), dinyatakan sebagai berikut:

Selanjutnya untuk mengetahui sejauh mana keandalan dari model peramalan weighted moving average (WMA), maka diharuskan untuk membuat peta kontrol tracking signal. Cara untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu nilai MAD yang didapat dari rumus matematis adalah sebagai berikut (Gaspersz, 2004).

b.      Metode Exponential Smoothing (ES)

Metode peramalan dengan pemulusan eksponensial biasanya digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. Metode permalan ini bekerja hampir serupa dengan alat thermostat. Apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya, apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A – F < 0), maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah mencapai nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula seperti di bawah ini (Gaspersz, 2004).

Cara yang digunakan untuk mengetahui sejauh mana keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari data aktual permintaan (Gaspersz, 2004).

c.        Metode Regresi Linier

Metode regresi linier sering sekali dipakai untuk memecahkan masalah-masalah dalam penaksiran tentunya hal ini berlaku juga dalam peramalan sehingga metode regresi linier menjadi suatu metode yang mempunyai taksiran terbaik diantara metode-metode yang lain. Metode regresi linier dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu. Istilah regresi linier berarti, bahwa rataan (µy|x) berkaitan linier dengan x dalam bentuk persamaan linier populasi (Hasan, 1999).

µy|x = α + βx,

Koefisien regresi α dan β merupakan dua parameter yang akan ditaksir dari data sampel. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan b maka µy|x dapat ditaksir dengan ŷ dari bentuk garis regresi berdasarkan sampel atau garis kecocokan regresi (Hasan, 2005).

ŷ = a + bx

Keterangan

Ŷ : nilai ramalan permintaan pada peiode ke-t

a : intersept

b :slope dari garis kecenderungan,merupakan tingkat perubahan dalam permintaan.

x : indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode waktu

Dengan taksiran a dan b masing-masing menyatakan perpotongan dengan sumbu y dan kenaikannya. Lambang ŷ digunakan di sini untuk membedakan antara taksiran atau nilai prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang sesungguhnya untuk suatu nilai x. Slope dan intersept dari persamaan regresi linier dihitung dengan menggunakan formula berikut (Hasan, Hasan, 2005):