Pronúncia de Pengertian, Kegunaan dan sifat-sifat (peramalan) DEFINISI, PREVISÃO SIFAT-SIFAT (RAMALAN), PENGERTIAN REGRESI DAN KORELASI peramalan (previsão) Pengertian Peramalan PeramalanPerkiraan (Previsão) Prevalência adalah meramalkan, memproyeksikan, atau mengadakan perkiraaan taksiran terhadap berbagai kemungkinan yang akan Terjadi sebelum suatu rancana yang lebih pasti dapat dilakukan. Peramalan (previsão) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan dados historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk modelo matematis. Hal ini bisa juga merupakan pediksi intuisi yang bersifat subjektif. Hal ini chatice dapat dilakukan dengan menggunakan kombinasi modelo matematis yang disesuakan dengan pertimbangan yang baik dari seorang gerente. Setelah mengenal beberapa teknik peramalan, anda akan melihat bahwa tidak ada satu metode tunggal yang paling unggul. Sesuatu yan berjalan dengan baik di suatu perusahaan pada suatu set kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan pada departemen yang berada di perusahaan yang sama. Selain itu, anda akan melihat keterbatasan dari apa yang dapat anda harapkan dari suatu peramalan. Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun pendek bergantung pada peramalan permintaan untuk produk perusahaan. Peramalan (Previsão), merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Terdapat dua macam metode yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif hanya menggunakan intuisi saja, tanpa menggunakan pendekatan matematis maupun statistik. Situasi, kondisi, dan pengalaman peramal sangat mempengaruhi hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode kausal dan metode séries temporais. Metode kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh dari banyak variabel yang lain. Sedangkan metode séries temporais hanya meninjau nilai sebuah variabel sebagai fungsi waktu. Kegunaan Peramalan Data ramalan dipergunakan sebagai perkiraan, bukan merupakan suatu angka atau bilangan yang harus dipergunakan begitu saja. Penggunaannya masih memerlukan pertimbangan dari para pemakai. Hal ini disebabkan oleh karena hasil ramalan biasanya didasarkan atas dasar asumsi-asumsi, kalau keadaan tidak berubah seperti waktu sebelumnya. Peramalan Deret Waktu Deret waktu didasarkan pada urutan dari titik 8211 titik dados yang berjarak sama dalam waktu (mingguan, bulanan, kuartalan, dan lain 8211 lain). Meramalkan deret data waktu berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan variável lain diabaikan walaupun variabel 8211 variabel tersebut mungkin sangat bermanfaat. Menganalisis deret waktu berarti membagi dados masa lalu menjadi komponen 8211 komponen 8211 komponen, kemudian memproyeksikannya ke masa depan. Deret waktu mempunyai empat komponen yaitu: 1. Pola tren merupakan pergerakan dados sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren. 2.Pola dados musiman adalah pola dados yang berulang pada kurun waktu tertentu, seperti hari, mingguan, bulanan, atau kuartal. 3.Pola dados Siklus adalah pola dalam dados yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis 4.Pola dados variasi acak Merupakan satu titik khusus dalam dados yang disebabkan oleh peluang dan situasi yang tidak lazim. Variasi acak tidak memiliki pola khusus sehingga tidak dapat di prediksi. Metode Pemulusan Eksponensial Penghalusan Eksponensial merupakan metode peramalan rata 8211 rata bergerak dengan pembobotan yang canggih, tetapi masih mudah digunakan. Metode ini menggunakan pencatatan dan masa lalu yang sangat sedikit. Bentuk umum dari metode pemulusan eksponensial: Ft Ft - 1 a (A 8211 1 Ft82111) Ft peramalan baru Ft-1 peramalan sebelumnya a Konstanta penghalusan (pembobotan) (0 a 1) Período de Permintaan Período real lalu. Konsepnya tidak rumit. Prediksi terakhir untuk permintaan sama dengan prediksi lama, disesuaikan dengan sebagian deferensiasi permintaan aktual periode lalu dengan prediksi lama. 1.Alinhamento Eksponensial único Metode penghalusan eksponential orde satu sebenarnya merupakan perkembangan dari metode rata-rata bergerak (média móvel) sederhana. Metode ini dipengaruhi secara luas di dalam peramalan (previsão) karena sederhana, efisian di dalam perhitungan dan perubahan ramalan, mudah disesuaikan dengan perubahan dados, dan ketelitian metode ini cukup besar. 2.Double Epsponensial smoothing Metode ini akan menyesuaikan factor tendência yang ada pada pola dados. Dipopulerkan oleh C. C. Holt (1957), modelo ini menambahkan factor pertumbuhan (fator de crescimento) atau faktor tendência (fator de tendência) pada persamaan dasar dari suavização. 3.Triple Suavização exponencial Metodo ini merupakan perluasan dari metode holt. Dipopulerkan oleh inverno, modelo ini menambahkan fator sazonal pada persamaan dasar dari suavização. Hanya berbeda dengan dua metode Suavização exponencial yang lalu, pada metode inverno ada dua cara perhitungan forecasting, yakni secara additive atau secara multiplikatif, disini akan digunakan cara multiplikatif. 2.3.2. Menghitung Kesalahan Peramalan Seorang perencana tentu menginginkan hasil perkiraan ramalan yang tepat atau paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian inilah yang menjadi kriteria desempenho suatu metode peramalan. Ketepatan atau ketelitian tersebut dapat dinyatakan sebagai kesalahan dalam peramalan. Kesalahan yang kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil peramalan tinggi, begitu pula sebaliknya. Ada beberapa perhitungan yang biasa digunakan untuk membandingkan modelo peramalan yang berbeda, mengawasi peramalan, dan untuk memastikan peramalan dengan baik. Tiga dari perhitungan yang paling terkenal adalah: 1.1. Deviasi Mutlak Rerata (Desvio Médio Absoluto 8211 MAD) 2.2. Kesalahan Kuadrat Rerata (erro quadrado médio 8211 MSE) 3.3. Kesalahan Persen Mutlak Rerata (erro médio de porcentagem absoluta - MAPE) Sifat-Sifat Peramalan sifat-sifat peramalan Peramalan yang Subyektif: Peramalan yang didasarkan atas perasaan (instuisi) dari orang yang menyusunnya. Peramalan yang Obyektif: Peramalan yang didasarkan atas data 8211 dados pada masa lalu dengan menggunakan metode 8211 metode dalam penganalisaan data tersebut. Peramalan Kualitatif: Peramalan yang didasarkan atas dados kualitatif pada masa lalu, hasil peramalan tergantung pada orang yang menyusunnya. Peramalan Kuantitatif: Peramalan yang didasarkan atas dados kuantitatif pada masa lalu, hasilnya tergantung pada metode yang digunakan. REGRESI DAN KORELASI Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya korelasi antarvariabel. SEDANGKAN Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi hubungan (medidas de associação).Peramalan Sederhana (Single Moving Average vs Single Exponential Suavização) Mungkin sebagian besar diantara kita pernah mendengar tentang teknik peramalan. Tentunya bukan dukun peramal, melainkan tekni untuk meramalkan previsão suatu dados deret waktu série temporal. Peramalan merupakan suatu teknik yang penting bagi perusahaan atau pemerintah dalam mengambil kebijakan. Dalam meramal suatu nilai pada masa yang akan datang bukan berarti hasil yang didapatkan ialah sama persis, melainkan merupakan suatu pendekatan alternatif yang lumrah dalam ilmu statistik. Pada tulisan ini akan dibahas contoh kasus peramalan menggunakan teknik Média móvel do Suavização exponencial. Kedua teknik ini merupakan tekni previsão yang sangat sederhana karena tidak melibatkan asumsi yang kompleks seperti pada tekni previsão ARIMA, ARCHGARCH, ECM, VECM, VAR, dsb. Meskipun demikian, asumsi data stasioner haruslah terpenuhi untuk meramal. Moving average merupakan teknik peramalan berdasarkan rata-rata bergerak dari nilai-nilai masa lalu, misalkan rata-rata bergerak 3 tahunan, 4 bulanan, 5 mingguan, dll. Akan tetapi teknik ini tidak desirankan untuk data time series yang menunjukkan adanya pengaruh tendência dan musiman. Mover média média terbagi menjadi média móvel em vez de média móvel dupla. Suavização exponencial. Hampir sama dengan média móvel yaitu merupakan teknik previsão yang sederhana, tetapi telah menggunakan suatu penimbang dengan besaran antara 0 hingga 1. Jika nilai w mendekati nilai 1 maka hasil previsão cenderung mendekati nilai obseervasi, sedangkan jika nilai w mendekati nilai 0, maka hasil forecasting mengarah Ke nilai ramalan sebelumnya. Suavização exponencial de terbagi menjadi único alisamento exponencial e suavização exponencial dupla. Kali ini, akan dibahas perbandingan metode single moving average dengan single exponential lmothing. Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada Januari 2013. Ia meminta cantou manajer untuk mengestimasi nilai tersebut dengan dados omzet bulanan dari bulan Juni 2011 sampai Desember 2012. Berbekal pengetahuan di bidang statistik, cantou manajer melakukan forcast dengan metode single moving average 3 bulanan dan Suavização exponencial única (w0,4). Média de Movimento Único Pada tabel di atas previsão ramalan bulan setembro de 2011 yaitu 128,667 juta rupiah diperoleh dari penjumlahan omzet bulan Juni, Juli, Agustus 2011 dibagi dengan angka média móvel (m3). Angka previsão pada bulan Oktober 2011 yaitu 127 juta rupiah diperoleh dari penjumlah omzet bulan Juli, Agustus, setembro de 2011 dibagi dengan angka média móvel tiga bulanan (m3). Perhitungan serupa dilakukan hingga ditemukan hasil previsão bulan Januari 2013 sebesar 150.667 juta rupiah. Dapat diinterpretasikan bahwa omzet bulan Januari 2013 diperkirakan senilai 150, 667 juta rupiah atau mengalami penurunan sebesar 1.333 juta rupiah dibanding dengan omzet Desembramo 2012 sebesar 152 juta rupiah. Perhatikan baris pada bulan Juni-Agustus 2011 kolom Previsão hingga erro tidak memiliki nilai, karena peramalan pada bulan-bulan tersebut tidak tersedia dados média móvel 3 bulanan, bulan sebelumnya. Selandutnya untuk melihat kebaikan hasil ramalan digunaka RMSE (erro quadrático médio quadrado) Untuk perhitungan RMSE, mula-mula dicari nilai erro atau selisih antara nilai aktual dan ramalan (previsão de omzet), kemudian kuadrat nilai-nilai tersebut untuk masing-masing bulanan de dados. Lalu, jumlahkan seluruh nilai error yang telah dikuadratkan. Terakhir hitung nilai RMSE dengan rumus di atas atau lebih gambangnya, bagi nilai penjumlahan erro yang telah dikuadratkan dengan banyaknya observa a hasilnya lalu di akarkan. Pada tabel di atas, banyaknya observasi yaitu 16 (mulai dari setembro 2011-dezembro 2012). Suavização Exponencial Única. Selanjutnya kita akan melakukan peramalan dengan metode Single Suavização exponencial. Metode ini menggunak nilai penimbang yang dapat diperoleh dari operasi statistik tertentu (bisa proporsi tertentu), namun dapat juga ditentukan oleh peneliti. Kali ini akan digunakan nilai w 4. Previsão W0,4 Ycap (t1) (juta rp.) Nilai ramalan pada bulan Juni 2011 yaitu 137,368 juta rupiah diperoleh dari rata-rata omzet dari bulan Juni 2011 hingga bulan Desember 2012. Nilai ramalan pada bulan Juli 2011 yaitu 134,821 juta rupiah diperoleh dari perhitungan dengan rumus di atas, dengan kata lain nilai ramalan bulan Juli 2011 diperoleh dari hasil kali w0,4 dan nilai aktual omzet bulan Juli 2011 dijumlahkan dengan hasil kali (1-0,4) serta nila ramalan Bulan Juni 2011 sebesar 134,821 juta rupiah. Lakukan perhitungan tersebut hingga mendapatkan angka ramalan untuk bulan Januari 2013. Hasil ramalan omzet untuk bulan Januari 2013 yaitu 149,224 juta rupiah atau turun sebesar 2,776 juta rupiah. Kemudian hitung nilai RMSE dengan rumus seperti pada perhitungan RMSE média móvel. Hanya saja jumlah observasi berbeda. Pada tabel di atas jumlah obervasi (m) yaitu 19 lebih banyak dibanding dengan metode simples média móvel 3 bulanan (16) karena pada metode eksponensial perhitungan ramalan dapat dimulai dari data pada periode awal. RMSE metode único suavização exponencial sebesar 1,073. Selanjutnya dari kedua metode di atas akan dibandingkan mana hasil yang terbaik. Untuk hal tersebut maka, bandingkan nilai RMSE dari kedua metode. Metode dengan RMSE terkecil dapat dinyatakan sebagai metode terbaik untuk meramal. RMSE mov. average 0,946, RMSE exp. smoothing 1,073. RMSE mov. average lt RMSE exp. smoothing. Kesimpulanya bahwa metodo movendo a média lebih baik dalam melakukan peramalan, sehingga omzet pada bulan Januari 2013 diperkirakan sebesar 150,667 juta rupiah (meskipun memiliki nilai yang lebih rendah daripada bulan sebelumnya). (Untuk materi yang lebih jelas, silakan dicari di buku-buku referensi Analisis Time Series, misalnya. Enders, Walter. 2004. Applied Econometric Time Series Segunda edição. New Jersey: Willey. Kalo contoh soal dalam tulisan ini, saya kutip dari buku modul Kuliah. I.1 Latar Belakang Time series pada dasarnya digunakan untuk melakukan analisis dados yang mempertimbangkan pengaruh waktu. Data-data yang dikumpulkan secara periodik berdasarkan urutan waktu, bisa dalam jam, hari, minggu, bulan, kuartal dan tahun. Selain itu analisis time Série bisa digunakan untuk peramalan dados beberapa periode ke depan yang sangat membantu dalam menyusun perencanaan ke depan. Data série temporal terdapat dalam berbagai bidang, misalnya bidang ekonomi misalnya dados penjualan setiap hari, keuntungan perusahaan dalam setiap tahun dan total nilai ekspor dalam setiap bulan. Dados Série de tempo pada bidang fisika misalnya data curah hujan bulanan, temperatur udara harian, gerak partikel, sedangkan pada bidang demografi Dados maldosos pertumbuhan penduduk, mortalitas dan natalitas. Di bidang pengontrolan kualitas, data time series dados misalnya proses pengontrolan kualitas produk, pengontrolan proses produksi, dan untuk bidang biomedis misalnya dados denyut nadi, proses penyembuhan, pertumbuhan mikroba. Metode yang sering digunakan dalam analisis runtun waktu adalah Semi Média, Média em Movimento, e Menos Quadrado. Di makalah ini penulis akan menghitung tendência jumlah penduduk selama waktu periode tertentu dengan metode Semi Average, Moving Average, dan Least Square. I.2 Perumusan Masalah 1. Apa série de tempo de definisi 2. série de tempo de Apa ciri-ciri 3. Metode 8211 metodo apa saja yang digunakan série de tempo de dalam 4. Bagaimana cara menghitung tendência jumlah angka penduduk di kota Depok série de tempo Dengan Adapun tujuan dari penyusunan Makalah ini adalah untuk mengetahui. 1. Série de tempo de Definisi, série de tempo de Ciri-Ciri 2. Metode 8211 metode yang digunakan série de tempo de dalam 3. Tendência de Menhungung jumlah angka penduduk di kota Depok Saya mengharapkan agar makalah ini dapat dimengerti dan para pembaca dapat memahami definisi, ciri-ciri serta teknik Dados de menganalisis dengan menggunakan Análise Deret Berkala atau Time Series dengan berbagai metode. II.1. Analisis Time Series dalam Statistika Deskriptif Croxton dan Cowden memperkenalkan metode statistik tahun 1955 yaitu dengan metode Estabelecida: Perfil: Definição Estatística estatística Estatística estatística Estatística estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Dalam metode Statistik Deskriptif terdapat berbagi jenis metode statistik salah satunya adalah Analisisi Deret Berkala. II.2. Série de tempo de análise de Pengertian (Deret Berkala) Deret berkala atau runtut waktu adalah serangkaian pengamatan terhadap peristiwa, kejadian atau variabel yang diambil dari waktu ke waktu, dicatat secar teliti menurut urut-urutan waktu terjadinya, kemudian disusun sebagai data statistik. Dari suatu runtut waktu akan dapat diketahui pola perkembangan suatu peristiwa, kejadian atau variabel. Jika perkembangan suatu peristiwa mengikuti suatu pola yang teratur, maka berdasarkan pola perkembangan tersebut akan dapat diramalkan peristiwa yang bakal terjadi dimasa yang akan datang. Jika nilai variabel atau besarnya gejala (peristiwa) dalam runtut waktu (serangkaian waktu) diberi simbol Y1, Y2. Yn dan waktu-waktu pencatatan nilai variabel (peristiwa) diberi simbol X1, X2. Xn maka rutut waktu dari nilai variabel Y dapat ditunjukan oleh persamaan Y f (X) yaitu besarnya nilai variabel Y tergantung pada waktu terjadinya peristiwa itu. II.3. Komponen Time Series (Deret Berkala) Pola gerakan runtut waktu atau deret berkala dapat dikelompokan kedalam 4 (empat) pola pokok. Pola ini bisanya disebut sebagai komponen dari deret berkala (runtut waktu). Empat komponen deret berkala itu adalah: 1. Tendência, yaitu gerakan yang berjangka panjang yang menunjukkan adanya kecenderungan menuju ke satu arah kenaikan dan penurunan secara keseluruhan dan bertahan dalam jangka waktu yang digunakan sebagai ukuran adalah 10 tahun keatas. 2. Variasi Musim, yaitu ayunan sekitar trend yang bersifat musiman serta kurang lebih teratur. 3. Variasi Siklus, yaitu ayunan trend yang berjangka lebih panjang dan agak lebih teratur. 4. Variasi Yang Tidak Tetap (Irregulador), yaitu gerakan yang tidak teratur sama sekali. Gerakan atau variasi dari data berkala juga terdiri dari empat komponen, yaitu: a. Tendência de Gerakanvariasi jangka panjang atau movimentos de longo prazo ou tendência de estipulação yaitu suatu gerakan yang menunjukan arah perkembangan secara umum (kecenderungan menaik atau menurun) dan bertahan dalam jangka waktu yang digunakan sebagai ukuran adalah 10 tahun ke atas. B. Gerakanvariasi siklis atau movimentos cíclicos ou variação adalah gerakanvariasi jangka panjang disekitar garis tendência. C. Gerakanvariasi musim atau movimentos sazonais ou variação adalah gerakan yang berayun naik dan turun, secara periodik disekitar garis tendência dan memiliki waktu gerak yang kurang dari 1 (satu) tahun, dapat dalam kwartal, minggu atau hari. D. Gerakan variasi yang tidak teratur (movimentos irregulares ou aleatórios) yaitu gerakan atau variasi yang sporadis sifatnya. Faktor yang dominan dalam gerakan ini adalah faktor-faktor yang bersifat kebetulan misalnya perang, pemogokan, bencana alam dll. Jika dikaitkan dengan kegiatan bisnis dan ekonomi, analisis deret berkala atau analisis série temporal seringkali digunakan untuk memprediksi nilai dimasa yang akan datang. Dengan diketahuinya nilai dimasa mendatang, maka pihak manajemen perusahaan akan dapat mengambil keputusan dengan lebih efektif. Nilai dimasa mendatang itu pada dasarnya merupakan nilai série de tempo dimasa mendatang, yaitu nilai-nilai yang diharapkan dapat terjadi dimasa mendatang, dengan dasar faktor-faktor (nilai-nilai) yang telah diterjadi dimasa lalu. II.4 Ciri-ciri Trend Sekuler Trend (T) atau Trend Sekuler ialah gerakan dalam deret berkala yang berjangka panjang, lamban dan berkecenderungan menuju ke satu arah, arah menaik atau menurun. Umumnya meliputi gerakan yang lamanya 10 tahun atau lebih. Trend sekuler dapat disajikan dalam bentuk. 1. Persamaan trend, baik persamaan linear maupun persamaan non linear 2. Gambargrafik yang dikenal dengan gariskurva tendência, baik garis lurus maupun garis melengkung. Trend juga sangat berguna untuk membuat ramalan yang sangat diperlukan bagi perencanaan, misalnya. 1. Menggambarkan hasil penjualan 2. Jumlah peserta KB 3. Perkembangan produksi harga 4. Volume penjualan dari waktu ke waktu 5. Jumlah Penduduk, dll Trend digunakan dalam melakukan peramalan (previsão). Metode yang biasanya dipakai, antara lain adalah Metodo semi-média, média móvel do menos quadrado. III.2 Metode Moving Average Dengan menghitung beberapa angka rata-rata de série de tempo suatu. Dimana dengan metode ini dados asli yang naik turun dapat kita buat lebih rata. Menghitung trend dengan metode angka rata-rata bergerak dapat dilaksanakan bila jumlah data ganjil minimal 3 periode. Langkah - langkah menggunakan metode média móvel yaitu sebagai berikut. uma. Angka-angka dari periode dados dijumlahkan dan dihitung angka rata-ratanya, hasilnya diletakkan pada periode dados yang terakhir b. Untuk menghitung tendência tahun berikutnya, prosesnya sama dengan cara menghilangkan periode tahun yang berakhir dan menambahkan dados angka periode selanjutnya. Selanjutnya diletakkan pada periode yang terakhir Dari pembahasan di atas, bisa dilihat dari definisi, ciri-ciri serta metode-metode série temporal série de tempos de bahwa sangat berguna dalam menghitung perkembangan tendência dari suatu dados yang ada yang di makalah ini saya mengambil dados jumlah penduduk di kota Depok. Dari pembahasan di atas, kita mempunyai data jumlah penduduk sampai tahun 2011. Dengan perhitungan série temporária ini kita bisa menghitung perkembangan jumlah penduduk di tahun selanjutnya dimana di data ini yang kita cari adalah tahun 2012 dengan berbagai metode yang ada di time series. Untuk menghitung tendência de dados suatu, saya sarankan agar berhati-hati dan juga teliti dalam menentukan patokan tendência atau tahun dasar agar tidak terjadi kesalahan dalam menghitung Y atau nilai trend waktu yang dihitung. Listiawati Rodiana, Aminah, Murtiningsih. Statistik Bisnis, Lembaga Penerbit Jurusan Akuntansi Politeknik Negeri Jakarta, Jacarta. Publicar um comentário tentang Gua Popular post Total de Páginas Ahmad Nurharish. Desenvolvido pelo Blogger.
No comments:
Post a Comment