METODA PERAMALAN KUANTITATIF

Slides:



Advertisements
Presentasi serupa
Moving Average dan Exponential Smoothing
Advertisements

Abstraksi Suatu perencanaan yang tepat di segala bidang sangat diperlukan oleh suatu perusahaan agar mampu bersaing dan dapat berkembang di era global.
Peramalan.
Peramalan STIE PUTRA BANGSA.
Metode Peramalan (Forecasting Method)
METODE PERAMALAN KUANTITATIF
KONSEP DAN PEMODELAN ARIMA (AUTOREGRESSIVE INTEGRATED MOVING AVERAGE)
PEMULUSAN/SMOOTHING DATA
BAB. 3. KONSEP POKOK DALAM ASPEK PASAR DAN PEMASARAN
PERAMALAN PENGELOLAAN DEMAND
PERAMALAN Memprediksi peristiwa masa depan
Pertemuan 5-6 Metode pemulusan eksponential tunggal
Metode Peramalan (Forecasting Method)
Pertemuan 3-4 Rata-rata bergerak (moving average)
Pertemuan 9-10 Metode pemulusan eksponensial triple
Pertemuan VIII Peramalan Produk
PENGUKURAN KESALAHAN PERAMALAN
Metode Peramalan (Forecasting Method)
PERAMALAN (FORECASTING)
DERET BERKALA (TIME SERIES) (1)
Pertemuan 3 PERAMALAN (1)
Apakah Peramalan itu ? Peramalan : seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan denganmelibatkan pengambilan data.
METODE PENGHALUSAN EKSPONENSIAL
PERENCANAAN PERMINTAAN DALAM Supply Chain
FORECASTING -PERAMALAN-
SUPPLY CHAIN MANAGEMENT (SCM)
Pertemuan Metode Peramalan (Forecasting Method)
Metode Pemulusan Rataan Bergerak Sederhana (RBS) dan Rataan Bergerak Ganda (RBG) Pembahasan meliputi lag-time, time-horizon, auto-correlation, cross-correlation,
METODE-METODE PERAMALAN BISNIS
PROYEKSI BISNIS MENGGUNAKAN METODE KUANTITATIF
PERAMALAN Oleh: Sri Hermawati.
TAHAP-TAHAP PERAMALAN
  At Ft2 At Ft MODUL 04 PERAMALAN (2/2)
MOVING AVERAGES.
Magister Management Program UNIVERSITAS KOMPUTER INDONESIA
Program Studi Statistika, semester Ganjil 2015/2016
PERAMALAN DENGAN METODE SMOOTHING
Peramalan “Penghalusan Eksponensial”
kelompok ahli. Disini ada proses “learning”.
Peramalan Data Time Series
PERAMALAN (3) Metoda Siklis Metoda Musiman
MANAJEMEN OPERASIONAL
Exponential Smoothing
Manajemen Operasional (Peramalan Permintaan)
STATISTIK 1 Pertemuan 11: Deret Berkala dan Peramalan (Analisis Trend)
Peramalan .Manajemen Produksi #3
M. Double Moving Average
KRITERIA MEMILIH TREND
ANGKA INDEKS Cakupan: Harga Relatif (Price Relatives)
PERAMALAN (FORECASTING)
Pertemuan 7-8 Metode pemulusan eksponensial ganda
Disusun Oleh : Iphov Kumala Sriwana
BAB 7 TIME SERIES ANALYSIS Dalam peramalan, biasanya orang akan mendasarkan diri pada pola atau tingkah laku data pada masa-masa lampau. Data yang dikumpulkan.
Naïve Method & Total Historical Average
STATISTIK BISNIS Pertemuan 6: Deret Berkala dan Peramalan (Analisis Trend) Dosen Pengampu MK: Evellin Lusiana, S.Si, M.Si.
PERAMALAN (Forecasting)
Sigit Setyowibowo, ST., MMSI
FORECASTING.
DERET BERKALA (TIME SERIES) (1)
SI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS)
Ukuran Ketepatan Peramalan Data Time Series
06 Analisis Trend Analisis deret berkala dan peramalan
Analisis Deret Waktu Wahyu Dwi Lesmono Mungkin Terakhir.
Perencanaan dan Pengendalian Produksi Minggu 2
ANGKA INDEKS Cakupan: Harga Relatif (Price Relatives)
STATISTIK 1 Pertemuan 13: Deret Berkala dan Peramalan (Analisis Trend)
Peramalan (forecasting) Perancangan Sistem Produksi Widjajani Risris Nurjaman.
SI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS)
Metode Box Jenkins.
METODE PERAMALAN.
Transcript presentasi:

METODA PERAMALAN KUANTITATIF PPC-3 METODA PERAMALAN KUANTITATIF

METODA TIME SERIES Metoda Average 1. Simple Average (rata rata sederhana) 2. Single Moving Average (rata rata bergerak tunggal) 3. Double Moving Average (rata rata bergerak ganda)

Metoda Eksponensial 1. Single Eksponensial 2. Double Eksponensial 1 parameter dari Brown 3. Double Eksponensial 2 parameter dari Holt

Metoda Eksponensial 4. Triple Eksponensial kuadratik dari Brown 5. Triple Eksponensial tiga parameter untuk kecenderungan dan musiman dari Winter

Ketepatan metoda ramalan Untuk mengetahui ketepatan ramalan digunakan metoda statistik Univariat dan statistik Bivariat Statistik Univariat : Melibatkan satu jenis data Statistik Bivariat : Melibatkan dua jenis data

Metoda Time Series menggunakan data Univariat karena melibatkan satu jenis data Metoda Kausal menggunakan data Bivariat karena melibatkan dua jenis data

Data Univariat. Mean Mean Absolute Deviation Sum of Squared Deviation

Data Univariat. Mean Squared Deviation Root Mean Squared

Data Univariat. Variance Standard Deviation

Data Bivariat Covariance

Data Bivariat Koefisien Korelasi

Rumus Error Error = et = Xt – Ft dimana : et = error periode ke-t Xt = data aktual periode ke-t Ft = ramalan periode ke-t

Ukuran Statistik Standard : Mean Error = ME =  ei / n Mean Absolute Error = MAE =  ei / n Sum of Squared Error = SSE =  e2i

Ukuran Statistik Standard : Mean Squared Error = MSE (sering digunakan) =  e2i / n Standard Deviation Error = SDE =  ( e2i / (n-1))

Ukuran Statistik Relatif Percentage Error (PEi) = ((Xt – Ft) / Xt) 100 Mean Percentage Error (MPE) =  PEi / n Mean Absolute Percentage Error = MAPE =  PEi / n (sering digunakan)

Langkah Peramalan Time Series Ambil data time series dan bagi kedalam Initialisasi set (data yang masih relevan dengan pola saat ini). Test Set (Data yang akan diramalkan). Langkah 2. Plot data initial.

Langkah Peramalan Time Series Langkah 3. Pilih metoda time series yang sesuai dengan plot data dan kondisi yang ada. Langkah 4. Hitung hasil ramalan.

Langkah Peramalan Time Series Langkah 5. Hitung error. Langkah 6. Jika ada beberapa model yang sesuai, lakukan langkah 4 dan 5, pilih yang model terbaik atas dasar error terkecil.

Metoda Moving Average (rata rata bergerak ). Dipakai untuk kondisi dimana setiap data pada waktu yang berbeda mempunyai bobot yang sama sehingga fluktuasi random data dapat diredam dengan rata-ratanya.

Metoda Moving Average (rata rata bergerak ). Apabila tidak semua data masa lalu dapat mewakili asumsi pola data berlanjut terus dimasa yang akan datang, maka dapat dipilih sejumlah N data pada periode tertentu saja.

Metoda Moving Average (rata rata bergerak ). Simbol metoda Single Moving Average adalah MA (N)

Metoda Moving Average (rata rata bergerak ). Apabila datanya stationer, Single Moving Average cukup baik untuk meramalkan keadaan. Jika ternyata data tidak stationer, mengandung pola trend, maka dilakukan Moving Average pada hasil Single Moving Average, yang dinamakan Double Moving Average.

M. Simple Moving Average Mengambil rata-rata dari semua data dalam kelompok inisialisasi.

M. Single Moving Average Digunakan untuk peramalan jangka pendek. Tentukan sejak awal berapa jumlah data masa lalu yang akan digunakan menghitung nilai rata-rata, nyatakan sebagai N. Simbol metoda Single Moving Average adalah MA (N) arti : Moving Average N periode

Rumus Waktu Moving Average Ramalan

Contoh: Lakukan peramaln pada bulan ke 12 untuk 11 data masa lalu ini dengan menggunakan MA (3) dan MA (5) mana metoda yang terbaik ?

Periode Demand Rata-Rata MA (3) bergerak 3 bulanan MA(5) 1 200 - 2 135 3 195 4 197.5 176.7 5 310 175.8 6 175 234.2 207.5 7 155 227.5 202.5 8 130 213.3 206.5 9 220 153.3 193.5 10 277 168.3 198.0 11 235 209.2 191.4 12 244.2 203.5

MA(3) MA(5) MAE = 71.46 51.00 MSE = 6395.66 3013.25 MAPE = 34.89 27.88