Naïve Method & Total Historical Average Sigit Setyowibowo, St., MMSI

Naive Method (Naive Approach / Pendekatan Naif) Menurut Heizer dan Render yang diterjemahkan oleh Sungkono, C. (2009:170) adalah teknik peramalan yang mengasumsikan permintaan periode berikutnya sama dengan permintaan pada periode terakhir, sehingga dapat dirumuskan sebagai berikut: Keterangan: Yt = permintaan aktual periode sebelumnya, Yt+1 = peramalan permintaan periode berikutnya.

Naive

Naive

Naive

Naive

Total Historical Average Fi+1 =(1/n)(Ai) Dimana Fi+1 = perkiraan untuk periode berikutnya n = jumlah periode Ai = jumlah hasil aktual untuk masing – masing periode

Total Historical Average

Total Historical Average

Total Historical Average

Total Historical Average Kerugian Menggunakan Total Historical Average • Benar-benar ketinggalan tren! karena - Menggunakan semua data historis - Menempatkan bobot yang sama pada setiap bagian informasi

Menghitung Kesalahan Peramalan = Permintaan aktual – Nilai peramalan = At – Ft Terdapat beberapa cara perhitungan yang digunakan untuk menghitung kesalahan peramalan total. Menurut Heizer dan Render yang diterjemahkan oleh Sungkono, C. (2009:177) perhitungan ini dapat digunakan untuk membandingkan model-model peramalan yang berbeda, mengawasi peramalan, dan untuk memastikan peramalan berjalan dengan baik. Tiga dari perhitungan yang paling terkenal menurut Heizer dan Render yang diterjemahkan oleh Sungkono, C. (2009: 177), yaitu: a. Deviasi Mutlak Rerata (Mean Absolute Deviation – MAD) b. Kesalahan Kuadrat Rerata (Mean Squared Error – MSE) c. Kesalahan Persen Mutlak Rerata (Mean Absolute Percent Error – MAPE)

a. Deviasi Mutlak Rerata (Mean Absolute Deviation – MAD) MAD merupakan rata-rata kesalahan mutlak selama perioda tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut : Di mana: A = Permintaan Aktual pada perioda – t Ft= Peramalan Permintaan pada perioda – t n = Jumlah Perioda Peramalan yang terlibat t = Periode

b. Kesalahan Kuadrat Rerata (Mean Squared Error – MSE) MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah perioda peramalan. Secara matematis, MSE dirumuskan sebagai berikut : Keterangan: MSE = Mean Squared Error At= Permintaan actual periode ke-t Ft= Permintaan peramalan periode ke-t n = jumlah periode t = Periode

c. Kesalahan Persen Mutlak Rerata (Mean Absolute Percent Error – MAPE) Masalah yang terjadi dengan MAD dan MSE adalah bahwa nilai kesalahan tergantung pada besarnya unsur yang diramal, jika unsurnya dalam satuan ribuan, maka nilai kesalahan bias menjadi sangat besar. MAPE digunakan untuk menghindari masalah tersebut, yang dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramal dan aktual, yang dinyatakan dalam persentase nilai aktual.

MAPE Keterangan: At= Permintaan actual periode ke-t Menggunakan persamaan berikut: Keterangan: At= Permintaan actual periode ke-t Ft= Permintaan peramalan periode ke-t n = jumlah periode t = Periode

Contoh MAD Year Actual Naive error A F A-F 10 1 12 =12-10=2 2 14   A F A-F 10 1 12 =12-10=2 2 14 =14-12=2 3 15 =15-15=1 4 16 =16-15=1 5 17 =17-16=1 6 19 =19-17=2 7 21 =21-19=2 8 23 =23-21=2 Jumlah 13

Contoh MAD MAD= 13/8= 1.625

Contoh MSE Year Actual Naive error A F (A-F)^2 10 1 12 =(12-10)^2=4 2   A F (A-F)^2 10 1 12 =(12-10)^2=4 2 14 =(14-12)^2=4 3 15 =(15-15)^2=1 4 16 =(16-15)^2=1 5 17 =(17-16)^2=1 6 19 =(19-17)^2=4 7 21 =(21-19)^2=4 8 23 =(23-21)^2=4 Jumlah

Contoh MSE MSE=23/8 = 2.875

Absolute Persentase error Contoh MAPE Year Actual Naive Absolute Persentase error   A F 100*(e absolute/A) 10 1 12 `=100*ABS(C39-D39)/C39 = 16.67 2 14 `=100*ABS(C40-D40)/C40 = 14.29 3 15 `=100*ABS(C41-D41)/C41 = 6.67 4 16 `=100*ABS(C42-D42)/C42 = 6.25 5 17 `=100*ABS(C43-D43)/C43 = 5.88 6 19 `=100*ABS(C44-D44)/C44 =10.53 7 21 `=100*ABS(C45-D45)/C45 = 9.52 8 23 `=100*ABS(C46-D46)/C46 = 8.70 Jumlah 78.50

Contoh MAPE MAPE = 78.50/8 = 9.81

TERIMA KASIH