Metode Evaluasi Peramalan

Menggambarkan 9 tahap proses peramalan:

1. Penentuan tujuan peramalan Tujuan peramalan harus dibuat secara tertulis, formal dan eksplisit Tujuan peramalan mempengaruhi panjang periode peramalan dan menentukan frekuensi revisi2. Pemilihan teori yang relevan Menentukan hubungan teoritis yang menentukan perubahan-perubahan variable yang diramalkan. Faktor internal: factor yang dapat dikendalikan oleh manajemen. Contoh harga jual. Factor eksternal: factor yang berada diluar kendali manajemen. Misalnya tingkat inflasi, tingkat pengangguran dll3. Pengumpulan Data Meyakinkan data bahwa data yang diperoleh cukup akurat 4. Analisis data Pada tahap ini dilakukan penyeleksian data karena dalam proses peramalan seringkali kita mempunyai data berlebihan atau terlalu sedikit5. Pengestimasian model sementara Tahap dimana kita menguji kesesuaian data yang telah kita kumpulkan ke dalam model peramalan dalam arti meminimumkan kesalahan peramalan 6. Evaluasi model dan revisi model7. Penyajian ramalan sementara kepada manajer 8. Pembuatan revisi final9. Pendistribusian hasil peramalan dan pemantauanPenentuan Pola Data

Menurut Makridakis, Wheelwright dan McGee (1992), langkah penting dalam memilih suatu metode deret waktu (time series) yang tepat adalah dengan mempertimbangkan jenis pola datanya. Pola data dapat dibedakan menjadi empat, yaitu ::

Pola horisontal (H) terjadi bilamana data berfluktuasi disekitar nilai rata-rata yg konstan. Suatu produk yg penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Pola khas dari data horizontal atau stasioner seperti ini dapat dilihat dalam Gambar 1.1.

Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar pemanas ruang semuanya menunjukkan jenis pola ini. Untuk pola musiman kuartalan dapat dilihat Gambar 1.2.

Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama lainnya. Jenis pola ini dapat dilihat pada Gambar 1.3.

Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai indikator bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat pada Gambar 1.4.

Metode Mengevaluasi Peramalan1. Mean Error : metode ini didapat dengan cara menjumlahkan nilai error lalu membaginya dengan banyak data

ME=(At Ft)/n

2. Mean Absolute Error atau Mean Absolute Deviation : Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan mean squared error semakin kecil. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut:

3. Mean Percentage Error : Dalam statistik, Mean Percentage Error (MPE) adalah rata-rata yang dihitung dari kesalahan persentase di mana peramalan model yang berbeda dari nilai yang sebenarnya dari kuantitas menjadi peramalan.

Rumus untuk mean percentage error adalah

Dimana at adalah nilai sebenarnya dari kuantitas diramalkan, ft adalah peramalan, dan n adalah sebarapa banyak untuk variabel diramalkan.

Karena sebenarnya bukan nilai absolut dari kesalahan peramalan yang digunakan dalam rumus, kesalahan peramalan positif dan negatif dapat saling mengimbangi, sebagai akibatnya rumus dapat digunakan sebagai ukuran bias dalam perkiraan.

Kelemahan dari pengukuran ini adalah tidak terdefinisinya setiap kali nilai aktual tunggal adalah nol.

4. Mean Absolute Percentage Error (MAPE) : pengukuran akurasi dari metode untuk membangun nilai-nilai time series dipasang dalam statistik, khususnya di estimasi trend. Ini biasanya mengekspresikan akurasi sebagai persentase, dan didefinisikan dengan rumus:

Dimana at adalah nilai sebenarnya dari kuantitas diramalkan, ft adalah nilai peramalan,

Meskipun konsep MAPE terdengar sangat sederhana dan meyakinkan, ia memiliki dua kelemahan utama dalam aplikasi praktis: Jika ada nilai nol (yang kadang-kadang terjadi dalam seri demand) akan ada pembagian dengan nol

Ketika memiliki kecocokan sempurna, MAPE adalah nol. Tapi dalam hal tingkat atasnya dengan MAPE tidak memiliki batasan

Ketika menghitung MAPE rata-rata untuk sejumlah rangkaian waktu mungkin ada masalah: beberapa seri yang memiliki MAPE yang sangat tinggi mungkin mendistorsi perbandingan antara MAPE rata-rata rangkaian waktu dilengkapi dengan satu metode dibandingkan dengan MAPE rata-rata ketika menggunakan metode lain5. Mean Squared Error : Dalam statistik, Mean Squared Error (MSE) sebuah estimator adalah nilai yang diharapkan dari kuadrat error. Error yang ada menunjukkan seberapa besar perbedaan hasil estimasi dengan nilai yang akan diestimasi. Perbedaan itu terjadi karena adanya keacakan pada data atau karena estimator tidak mengandung informasi yang dapat menghasilkan estimasi yang lebih akurat

Dimana : MSE = Mean Squared Error

N= Jumlah Sampel

yt= Nilai Aktual Indeks

= Nilai Prediksi IndeksKomparasi Hasil Peramalan

Setelah nilai Mean Squared Error dari kedua metode didapatkan, maka akan dilakukan komparasi terhadap nilai MSE yang didapatkan pada periode testing (out-sample)

Jika nilai MSEARIMA < MSEANN maka metode ARIMA memiliki performa lebih baik dibandingkan metode ANN karena memiliki tingkat kesalahan yang dihasilkan oleh ARIMA relatif lebih kecil.

Sebaliknya, jika MSEARIMA > MSEANN maka metode ARIMA memilki performa lebih buruk dibandingkan metode ANN karena tingkat kesalahan yang dihasilkan oleh metode ARIMA relatif lebih besar.

6. Root Mean Squared Error (RMSE): The Root Mean Squared Error (RMSE) (juga disebut root mean square deviation, RMSD) adalah ukuran yang sering digunakan dari perbedaan antara nilai-nilai yang diprediksi oleh model dan nilai-nilai benar-benar diamati dari lingkungan yang sedang dimodelkan. Perbedaan-perbedaan individual juga disebut residu, dan RMSE berfungsi untuk agregat mereka menjadi ukuran tunggal daya prediksi.

The RMSE dari model prediksi sehubungan dengan estimasi variabel Xmodel didefinisikan sebagai akar kuadrat dari rata-rata kuadrat error:

Dimana Xobs diamati nilai-nilai dan Xmodel dimodelkan nilai pada waktu / tempat i. Nilai RMSE yang dihitung akan memiliki unit, dan RMSE untuk konsentrasi fosfor dapat untuk alasan ini tidak dapat langsung dibandingkan dengan nilai RMSE untuk klorofil konsentrasi dll. Namun, nilai RMSE dapat digunakan untuk membedakan kinerja model dalam periode kalibrasi dengan yang dari periode validasi serta untuk membandingkan kinerja model individual dengan model prediksi lainnya.7. Theils U adalah suatu metode evaluasi ketepatan ramalan yang membandingkan antara metode peramalan formal dengan pendekatan naif dan juga mengkuadratkan kesalahan yang terjadi sehingga kesalahan yang besar diberikan lebih banyak bobot daripada kesalahan yang kecil. Karakteristik positif yang ditimbulkan dalam menggunakan statistik u dari Theil sebagai ukuran ketepatan adalah mengenai interpretasi yang intuitif.

StatistikU dari Theil dapat lebih dimengerti dengan memeriksa interpretasinya, yaitu:

U = 1 : Metode Naif sama baiknya dengan teknik peramalan formal yang dievaluasi.

U < 1 : Teknik peramalan formal yang digunakan adalah lebih baik daripada metode

Naif. Makin kecil nilai statistik U, makin baik teknik peramalan formal dibanding metode naif secara relatif.

U > 1 : Tidak ada gunanya menggunakan metode naif akan menghasilkan ramalan

yang lebih baik.

Contoh Kasus :

Suatu Perusahaan membuat laporan penjualan sepatu kulit selama setahun (selama tahun 2011). Perusahaan tersebut ingin memperkirakan berapa penjualan sepatu kulit pada bulan pertama tahun 2012? Gunakan Metode Naive Model.

Jawablah.. dengan Metode Naive, angka pada tanda tanya tersebut

Jawab:1. Uraikan Dahulu Rumus Metode Naive mulai dari 1-62. Terus Kerjakan Pada Lembar Excel Seperti Gambar di Bawah ini..

Metode Naive

Jawaban Untuk tanda tanya di atas ( Penjualan pada Bulan Pertama tahun 2012) adalah antara:

95; 100; 93; 95,98; 85; 95,5

Lalu mencari tingkat error yang paling rendah : ME (Mean Error)

MAE (Mean Absolute Error)

MPE (Mean Persentage Error)

MAPE (Mean Absolute Persentage Error)

MSE (Mean Square Error)

RMSE (Root Mean Square Error)

Theils UContoh tingkat error dengan nave satu dengan ME dan MSE

Nilai Error itu didapatkan dengan cara mengurangi A-Nave. Setelah itu kita melakukan evaluasi peramalan dengan rumus yang telah dijelaskan diatas. _1456511433.unknown

_1456511781.unknown

_1456511432.unknown