metode pengukuran dan peramalan permintaan pasarFull description
Makalah Perancangan dan pengendalian Produksi Gunadarma
Makalah Perancangan dan pengendalian Produksi GunadarmaFull description
Full description
...Full description
Anggaran _Peramalan penjualan
Peramalan (Forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya kemasa yang a…Full description
Full description
blajar evaluasi..Deskripsi lengkap
penelitian operasional tambangDeskripsi lengkap
evaluasi
Audit IFull description
blajar evaluasi..Deskripsi lengkap
Anggaran _Peramalan penjualanDeskripsi lengkap
Full description
vlan
manual book minitab untuk aplikasi analisis ARIMA
Full description
Metode Mengevaluasi Peramalan
Hasil proyeksi yang akurat adalah forecast yang bisa meminimalkan kesalahan meramal ( forecast error ). ). Besarnya forecast error dihitung dengan mengurangi data riil dengan besarnya ramalan. Error (E) = Xt - Ft Keterangan : Xt = data riil periode ke-t Ft = ramalan periode ke-t Dalam menghitung forecast error digunakan. 1. Mea Mean Erro Errorr : (ME) ME)
Rumusnya adalah :
Mean Error = (At-Ft) n
2. Mean Mean Absol Absolut utee Erro Errorr : (MAE (MAE))
Mean absolute error (MAE) : Mengukur ketepatan peramalan oleh pengukuran rata-rata dari peramalan yang erro (nilai absolute pada setiap error). MAE paling banyak banyak digunakan ketika analisis ingin mengukur peramalan yang error dalam unit yang sama sebagai seri yang asli. Persama Persamaan an 4.5 menunjukk menunjukkan an bagaimana bagaimana menghi menghitung tung MAE :
n
(4.5)
3. Mean Mean Perc Percen enta tage ge Err Error or : (MPE (MPE))
Terkadang sangat perlu untuk menentukan metode apa untuk meramalkan kecondongan (peramalan terus menerus tinggi-rendah). The mean percentage error (MPE) digunakan dalam beberapa kasus. Penghitungan dengan menemukan error disetiap periode, pembagian ini oleh actual value untuk setiap periode, dan lalu rata-rata percentage error. Jika peramalan tidak bercondong, persamaan 4.8 akan menampilkan percentage secara dekat dari nol. Jika hasil
percentage lebih besar, teknik peramalan terus menerus melebih-lebihkan. Jika hasik percentage positif, teknik peramalan terus menerus diremehkan.
n
(4.8)
4. Mean Absolute Percentage Error : (MAPE)
Terkadang penggunaan untuk menghitung pada peramalan error dalam percentage lebih banyak jumlahnya. The mean absolute percentage error (MAPE) menghitung dengan absolute error dalam setiap periode, dibagi ini oleh pengamatan nilai actual selama periode, dan lalu dirata-rata dengan absolute percentage error. Pendekatan ini digunakan ketika ukuran atau besaran ukurannya dari variable peramalan penting dalam evaluasi ketepatan peramalan. MAPE memberikan indikasi bagaimana besarnya peramalan error dalam perbandingan actual value of series. MAPE dapat juga digunakan untuk membandingkan keakuratan yang sama atau teknik yang berbeda dalam 2 pemasukan yang berbeda. Persamaan 4.7 menunjukkan bagaimana menghitung MAPE :
n
(4.7)
5. Mean Squared Error : (MSE)
Metode alternative untuk mengevaluasi dengan teknik peramalan. Setiap error atau sisa adalah kuadrat; terdapat penjumlahan dan pembagian oleh angka dari pengamatan. Pendekatan ini memberikan sebuah hasil akhir untuk peramalan error yang besar karena itu merupakan setiap kuadrat. Ini merupakan sangat penting sejak tehnik memproduksi moderat error yang mana lebih baik untuk satu yang mana biasanya error yang kecil tetapi kadangkadang menghasilkan satu yang besar. Persamaan 4. 6 menunjukkkan bagaimana menghitung MSE :
n
(4.6)
Metode ini mudah menghitungnya dan sederhana, tetapi mempunyai kelemahan-kelemahan antara lain : (1) perlu data histories yang cukup (2) data tiap periode diberi weight (bobot) sama (3) kalau fluktuasi data tidak random, tidak menghasilkan forecasting yang baik.
6. Root Mean Squared Error : (RMSE)
Dalam statistik, RMSE adalah akar kuadrat dari varians, yang dikenal sebagai standar deviasi. Rumusnya adalah :
7. Theil’s U :
Metode theil’s U ini intinya, membandingkan antara metode native pertama dengan model yang lainnya. Rumunya adalah :
8.
Naive Model (model sederhana) :
a. Naive model : digunakan untuk membuat model-model sederhana yang menganggap bahwa periode yang baru saja berlalu (misalnya tahun lalu) adalah alat peramalan yang paling baik.
b. Beberapa rumus dalam naive model : 1. Rumus yang biasanya digunakan jika pola datanya stasioner. Rumusnya : Ft= At-1 Di mana : Ft adalah ramalan yang dibuat pada waktu t At-1 adalah data actual periode t-1 Kelemahan utama dari model sederhana yang pertama ini adalah diabaikan segala sesuatu yang terjadi selama setahun dan mengabaikan adanya pola tren. 2.
Rumus yang digunakan ketiak datanya berpola musiman. Ft = At-m Di mana : m adalah periode musiman
3.
Rumus yang digunakan ketika datanya memiliki pola tren. Ada 2 rumus yang dapat digunakan : Ft = At-1 + (At-1- At-2) atau Ft= 2At-1- At-2 Di mana : (At-1-At-2) adalah selisih yang dicari untuk melihat adanya peningkatan atau penurunan.
Ft = At-1 (At-1) atau (At-1)² ( At-2)
At-2
Jika nilainya 1 artinya polanya stasioner Jika nilai At-1> At-2 artinya ada kenaikan dari data sebelumnya Jika nilai At-1 < artinya ada penurunan dari data sebelumnya
4. Rumus yang digunakan jika data berpola musiman dan tren. Ft = At-m + (At-1-A- A (t-1) – m) m Dalam peramalan naive methods ini kita juuga akan mengenal adanya error yaitu selisih antara data actual dengan peramalan yang kita gunakan. Error = data actual – data Naive hanya digunakan untuk meramal 1 periode ke depan atau sepanjang pola musiman yang berlaku, metode naive tidak dapat digunakan untuk peramalan jangka panjang.
Daftar Pustaka :
- www.google.com th
- Hanke, John E. and Reitsch, Arthur G (1992), Business Forecasting, 4 edition, Allyn and Bacon.