Contoh kasus metode moving average

Peramalan (przewidywanie) merupakan suatu proses perkiraan keadaan pada masa yang akan datang z menggunakan dane di masa lalu (Adam dan Ebert, 1982). Awat (1990) menjelaskan bahwa peramalan merupakan kegiatan dla mengetahui nilai variabel yang dijelaskan (variabel dependen) pada masa aka datan z mempelajari variabel independen pada masa lalu, yaitu dengan menganalisis pola data dan melakukan ekstrapolasi bagi nilai-nilai masa datang. Metode peramalan kuantitatif dijelaskan Supranto (2000) terdiri dari metode pertimbangan, metode regresi, metode kecendrungan (metoda trendu), metode input output, dan metode ekonometrika. Metode kecendrungan (metoda trendu) menggunakan suatu fungsi seperti metode regresi dengan zmienna X menunjukkan waktu. Tepat tidaknya peramalan ditentukan oleh kriteria yaitu berkaitan z dobroci dopasowania yang menunjukkan bagaimana model peramalan dapat menghasilkan peramalan yang baik. Selain itu ada tiga kriteria yang perlu dla dipertimbangkan, yaitu: 2) Faktor białą peramalan dan 3) Faktor kemudahan. Penentuan ketepatan peramalan pada umumnya berdasarkan beberapa metode, yaitu nilai Sidik Ragam (F-test), Koefisien determinasi, Kuadrat Tengah Galat (błąd średniej kwadratowej (MSE), dan Persentase Galat (błąd procentowy (PE)) Deret waktu adalah kumpulan data - dane Dane historyczne Dane historyczne Dane techniczne Dane techniczne Dane techniczne Dane techniczne Dane techniczne Dane techniczne Dane techniczne Dane techniczne Dane techniczne Data aktualizacji 2006-2017, dane techniczne, dane, dane, 2006, tahun 2007, tahun 2008, tahun 2009, tahun 2017, dan tahun 2017. Dane runtun waktu (seria czasowa) merupakan dane yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan, Periode waktu dapat menggunakan tahun, kuartal, bulan, minggu, hari atau jamajka waktu dianalisis dla menemukan pola variasi masa lalu. Analisis deret waktu (analiza szeregów czasowych) dipakai na tyłek meramalkan kejadian di masa yan akan randkowanie berdasarkan urutan waktu sebelumnya. Ada beberapa teknik do meramalkan kejadian di masa yang akan datang berdasarkan dane karakteristik, misalnya teknik smoothing, teknik siklus, dan teknik musiman. Trend adalah pergerakan jangka panamang dalam suun kurun waktu yang kadang-kadang dapat digambarkan z garis lurus atau kurva mulus. Deret waktu dla bisnis dan ekonomi, yang terbaik adalah dla melihat trend (atau trend-siklus) sebagai perubahan z halus dari waktu ke waktu. Pada kenyataannya, anggapan bahwa trend dapat diwakili oleh beberapa fungsi sederhana seperti garis lurus sepanjang periode dla serii czasowych yang diamati jarang ditemukan. Seringkali fungsi tersebut mudah dicocokkan z kurva trend pada suu kurun waktu karena dua alasan, yaitu fungsi tersebut menyediakan beberapa indikasi arah umum dari seri yang diamati, dan dapat dihilangkan dari seri asliny dla mendapatkan gambar musiman lebih jelas. Ada tiga trend yang diigunakan do użytkownika przez pewien czas keadaan pada masa yang akan datang, yaitu: Sering kali dane deret waktu jika digambarkan ke dalam fabuła mendekati garis luruus. Deret waktu seperti inilah yang termasuk dalam trend linier. Persamaan trend linier adalah sebagai berikut: Dengan nilai a dan b diperoleh dari wzór: Dimana Yt menunjukan nilai taksiran Y pada nilai t tertentu. Sedangkan a adalah nilai przechwycić dari Y, artinya nilai Yt akkan sama z jika nilai t 0. Kemudian b adalah nilai slope. artinya besar kenaikan nilai Yt pada setiap nilai t. Dan nilai t sendiri adalah nilai tertentu yang menunjukan periode waktu. Trend Linier Positif 4. Memilih Trend Terbaik Na membuat suatu keputusan yang akan dilakukan di masa yang akan datang berdasarkkan deret waktu diperlukan suatu metode peramalan yang paling baik sehingga memiliki nilai kesalahan yang cenderung kecil. Terdapat beberapa cara do menentukan metode peramalan mana yang akan dipilih sebagai metode peramalan yang paling baik, diantaranya Mean Square Error (MSE). Do mencari MSE digunakan rumus sebagai berikut: Dimana nilai e adalah selisih antara nilai Y den peramalan (Yt). Model yang memiliki MSE bling kecil adalah model persamaan yang paling baik.2.1 Pengertian Penjualan Menurut EC. Widjayono Moestadjab (1991), Penjualan adalah memberikan sesuatu dengan mendapatkan sebuah ganti yang berupa uang atau dengan kata lain Hanya meliputi kegiatan pemindahan HAK ATAS sesuatu Produk Dari penjualan kepada pembeli. Menurut Basu Swastha DH Dalam Buku manajemen penjualan (1999: Hal 8) Penjualan adalah ilmu dan seni mempengaruhi pribadi Yang dilakukan Oleg penjual untuk mengajak orangutan lain untuk membeli barang atau jasa yang ditawarkannya. 2.2 Peramalan Penjualan Peramalan penjualan adalah bagian yang penting bagi suatu perusahaan. Berikut ini adalah berbagai macam pengertian peramalan dikemukakan oleh: Menurut Gunawan Adi Saputro dan Marwan Asri (1996: 148). 8220Peramalan adalah suatu cara dla mengukur dan menaksir kondisi bisnis dimasa mendatang8221. Menurut Suad Husnan dan Suwarsono (1994: 40). 8220Peramalan adalah usaha do mengetahui permintaan jumlah produk8221. Zauważ, że jest to dapat diperoleh kesimpulan bahwa Peramalan może być używany w wielu sytuacjach, ale nie może być używany w innych urządzeniach, takich jak inne urządzenia i inne funkcje. 2.3 Tujuan Peramalan Tujuan dari peramalan adalah: a. Do menetukan kebijaksanaan dalam persoalan penyusunan anggaran. b. Dla pengawasan dalam persediaan. do. Dla użytkowników online i producentów oprogramowania. re. Dla pengawasan pembelanjaan. mi. Dla penyusunan kebijaksanaan yang efektif dan efisien. 2.4. Jenis Peramalan Pada umumnya peramalan dapat dibedakan dari beberapa segi, tergantung dari cara melihatnya. Apabila dilihat Dari SIFAT penyusunannya, maka peramalan dapat dibedakan ATAS Dua Macam, yaitu: 1. Peramalan yang bersifat subjektif Peramalan yang berdasarkan ATAS perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan dari orang yang menyusunnya sangat menentukan baik tidaknya hasil peramalan tersebut. 2. Peramalan yang bersifat objektif Yaitu peramalan yang didasarkan atas dane yang relevan pada masa yang lalu, dengan menggunakan tehnik-tehnik i model dalam menganalisa dane tersebut. Disamping itu jika dilihat dari jangka waktu peramalan yang disusun, maka peramalan dapat dibedakan atas dua macam yaitu: 1. Peramalan Jangka Panjang Yaitu peramalan yang dilakukan dla menyusun hasil ramalan, yang jangka waktunya lebih dari setengah tahun atau tiga semestr. 2. Peramalan jangka Pendek Yaitu peramalan yang dilakukan dla menyusun hasil ramalan dalam jangka waktu kurang dari setengah tahun. Berdasarkan sifat peramalan yang telah disusun, maka peramalan dapat dibedakan atas dua macam: 1. Peramalan kualitatif Yaitu peramalan yang disusun atas dane kualitatif paada masa lalu hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi. 2. Peramalan Kuantitatif Yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan dimuat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Zignoruj ​​metode yang bebeda akan diperoleh hasil peramalan yang berbeda, adaptun yang perlu diperhatikan dari penggunaan metode-metode tersebut adalah baik tidaknya metode yang digunakan, sangat ditentukan oleh perbedaan penyimpangan antara hasil peramalan dari kenyataan yang terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan sekecil mungkin. Peramalan Kuantitatif dapat digunakan apabila terjadi tiga kondisi sebagai berikut: a. Adanya informasi tentang keadaan lain. b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data. do. Dapat diasumsikan bahwa pola yang lalu akan berkelanjuatan pada masa yang akan datang. 2.5 Tehnik Dan Metode Peramalan Dalam pemilihan tehnik dan metode peramalan, pertama kita perlu mengetahui ciri-ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan, dalam mempersiapkan peramalan. Ada enam ciri utama yang perlu diperhatikan. yaitu 1. Horizon Waktu (horyzont czasowy) Periode waktu Selama suatu keputusan atau Analisa AKAN mempunyai pengaruh dan waktu ITU manajer harus merencanakan dan memperhitungkan pengaruh-pengaruh pemilihan tehnik Metode Dan Yang tepat. Horizon waktu umumnya dapat dibagi dalam jangka pendek, jangka menengah dan jangka panjang. 2. Tingkat perincian (poziom szczegółowości). Tugas-tugas dalam pengambilan keputusan pada umumnya dibagi-bagi (dla memudahkan penanganannya menurut tingkat perincian yang dibutuhkan) 3. Jumlah Produk. Dalam keadaan dimana keputusan atau analisa yang dibuat mengenai berbagai produkcji perusahaan, hendaklah ada usaha pengembangan. Efekt bezpieczeństwa i aturan-aturan pengambilan keputusan yang sederhana, yang dapat diaplikasikan secara mekanisme for masing-masing product. Umumnya ada empat unsur białko yang mencakup suatu prosedur peramalan, yaitu biaya-biaya pengembangan, penyimpangan danych, operasi pelaksanaan i kesempatan dalam penggunaan tehnik dan metode lain. Tingkat ketepatan yang dibutuhkan sangat erat hubungannya z tingkat perinciaan yang dibutuhkan oleh suatu peramalan. Aby uzyskać więcej informacji, aby uzyskać więcej informacji, odwiedź stronę związaną z innymi programami, które będą dostępne w różnych wersjach. 10 sampai z 15 pakietami maksud-maksud yang mereka harapkan. 2.6. Tehnik Perkiraan Z Mengunakan Metode Deret Waktu Metode Deret Waktu odstraszacz dla menganalisis pola permintaan masa lalu dan memproyeksikannya untuk masa depan. Dasar perhitungan prakiraan deret waktu ini ialah menghitung besar setiap komponen berdasarkan data massa lalu. Asumsi Dasar yang dipakai dalam Metode ini ialah bahwa Pola permintaan dapat dibagi menjadi beberapa komponen yaitu tingkat rata rata (średni poziom), kecenderungan (tendencja), musiman (sezonowość), siklus (cykl) dan kesalahan (błąd). 2,7 Metode Rata proporcjonalnej Komórka Metode ini merupakan Metode Yang termudah Dalam teknik peramalan deret waktu Kita mengasumsikan bahwa komponen acak Tidak terdapat Pola musiman, tendencji atau komponen siklus danych Pada permintaan pada SAAT ini. Przenoszenie średniej ialah suu titik peramalan z danymi mengkonsumsikan dari beberapa periode terbaru atau terakhir dane dari tersebut dijadikan dane peramalan dla periode yang akan datang. za. Rumus rata-rata bergerak (Średnia ruchoma) Jumlah Permintaan Pada N Periode Terakhir 1Tempmsohtmlclip101clipimage001.gif MA Diketahui nilai peramalan 210 nilai nyata 195 N 1 MAD 210 8211 195 15 b. Rata-rata Bergerak Tertimbang Terbobot (waga średnia ruchoma) Disamping metode rata-rata bergerak sederhana kita mengenal metode rata-rata tertimbang (średnia ważona waga) dimana pada zestaw danych dane kata dapat memberikan bobot. Dengan cara ini nilai-nilai yang akhir dapat diberikan bobot lebih keras. Rumus Rata-rata Bergerak TertimbangTerbobot (średnia ważona waga) WMA (dane penjualan terakhir x bobot ke 82111) (Data x sampai bobot terakhir). Diketahui WI 40, W2 30, W3 20, W4 10 Penjualan danych dla kasety ke-1 100, ke-2 90, ke-3 105, dan F5 0,40 (95) 0,30 (105) 0,20 ( 90) 0,10 (100) F5 38 31,5 18 10 c. Pemulusan Eksponensial (Eksponensial Smoothing). Pemulusan eksponensial adalah suatu tehnik peramalan rata-rata bergerak yang melakukan pertimbangan terhadap dane masa lalu dengan cara eksponensial sehingga dane paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak. Dengan pemulusan eksponensyjny sederhana prognozowanie dilakukan denun а ara ramalan periode terakhir ditambah porsi perbedaan (disebut Alpha) antara permintaan periode terakhir z peramalan periode terakhir. Rumus Pemulusan Eksponensial (Eksponensial Smoothing) Ft Ramalan dla periode sekarang (t) Ft 1 Ramalan yang dibuat dla periode terakhir (t-1) a Stała wygładzania At 1 Permintaan nyata peeriode teakhir 1Tempmsohtmlclip101clipimage005.gif a Nilai a yang terndama terutama cocok bila permintaan produkt perubahan yang stabil tetapi variasi acak adalah tinggi, sedangkan yang tinggi berguna dimana sesungguhnya cenderung terjadi karena lebih respontif terhadap fluktuasi permintaan. Diketahui Ft 1 1 050 jednostek Przy 1 1000 jednostka a 0,50Peramalan Sederhana (pojedyncza średnia ruchoma vs pojedyncza wykładnicza wygładzanie) Mungkin sebagian besar diantara kita pernah mendengar tentang teknik peramalan. Tentunya bukan dukun peramal, melainkan tekni do meramalkan prognoza danych czasowych wertu szereg czasowy. Peramalan merupakan suu 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 Średnia ruchoma dan Exponential Smoothing. Kedua teknik ini merupakan tekni prognoza yang sangat sederhana karena tidak melibatkan asumsi yang kompleks seperti pada tekni prognoza ARIMA, ARCHGARCH, ECM, VECM, VAR, dsb. Meskipun demikian, asumsi data stasioner haruslah terpenuhi do meramal. Przenoszenie średnie 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 disarankan dla danych czasowych serii yang menunjukkan adanya pengaruh trend dan musiman. Średnia ruchoma terbagi menjadi pojedyncza średnia ruchoma dan podwójna średnia ruchoma. Wygładzanie wykładnicze. hampir sama dengan z ruchomą średnią yaitu merupakan teknik prognozowanie yang sederhana, tetapi telah menggunakan suu penimbang denan besara antara 0 hingga 1. Jika nilai w mendekati nilai 1 maka hasil forecasting cenderung mendekati nilai obseervasi, sedangkan jika nilai w mendekati nilai 0, maka hasil forecasting mengarah ke nilai ramalan sebelumnya. Wygładzanie wykładnicze terbagi menjadi pojedyncze wygładzenie wykładnicze i podwójne wygładzenie wykładnicze. Kali ini, akan dibahas perbandingan metode średnia ruchoma pojedyncza z pojedynczym wygładzaniem wykładniczym. Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada Januari 2017. Ia meminta zaśpiewał manajer dla mengestimasi nilai tersebut z danych omnibus bulanan dari bulan Juni 2017 sampai Desember 2017. Berbekal pengetahuan di bidang statistik, sang manajer melakukan forcast z metode pojedyncza średnia ruchoma 3 bulanan dan pojedyncze wygładzenie wykładnicze (w0,4). Pojedyncza średnia ruchoma Tabela wyników prognozy ramalan bulan Wrzesień 2017 r. 128,667 juta rupiah diperoleh dari penjumlahan omzet bulan Juni, Juli, Agustus 2017 dibagi dengan angka moving average (m3). Angka forecast pada bulan Oktober 2017 yaitu 127 juta rupiah diperoleh dari penjumlah omzet bulan Juli, Agustus, wrzesień 2017 dibagi z angką średnia ruchoma tiga bulanan (m3). Perhitungan serupa dilakukan hingga ditemukan hasil forecast bulan Januari 2017 sebesar 150,667 juta rupiah. Dapat diinterpretasikan bahwa omzet bulan Januari 2017 diperkirakan senilai 150, 667 juta rupiah atau mengalami penurunan sebudar 1,333 juta rupiah dibanding z omzet Desember 2017 sebesar 152 juta rupiah. Perhatikan baris pada bulan Juni-Agustus 2017 kolom Prognoza hingga error tidak memiliki nilai, karena peramalan pada bulan-bulan tersebut tidak tersedia dane średnia ruchoma 3 bulanan, bulan sebelumnya. Selanjutnya dla melihat kebaikan hasil ramalan digunaka RMSE (błąd średni kwadratowy błąd) Dla nieokreślonego RMSE, mula-mula dicari błąd nilowy atau selisih antara nilai aktual dan ramalan (prognoza omzet), kemudian kuadrat nilai-nilai tersebut for masing-masing data bulanan. Lalu, jumlahkan seluruh nilai error yang telah dikuadratkan. Terakhir hitung nilai RMSE z rumem at atas lebih gambangnya, bagi nilai penjumlahan error yang telah dikuadratkan dengan banyaknya observasi dan hasilnya lalu di akarkan. Pada tabel di atas, banyaknya observasi yaitu 16 (mulai dari wrzesień 2017 r. - Desember 2017 r.). Pojedyncze wygładzanie wykładnicze. Selanjutnya kita akan melakukan peramalan z metode Single Exponential Smoothing. 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. Prognoza W0,4 Ycap (t1) (juta rp.) Nilai ramalan pada bulan Juni 2017 yaitu 137 368 juta rupiah diperoleh dari rata-rata omzet dari bulan Juni 2017 hingga bulan Desember 2017. Nilai ramalan pada bulan Juli 2017 yaitu 134,821 juta rupiah diperoleh dari perhitungan z rumem di atas, dengan kata lain nilai ramalan bulan Juli 2017 diperoleh dari hasil kali w0,4 dan nilai aktual omzet bulan Juli 2017 dijumlahkan z hasil kali (1-0,4) serta nila ramalan bulan Juni 2017 sebesar 134,821 juta rupia. Lakukan perhitungan tersebut hingga mendapatkan angka ramalan do bulanu Januari 2017. Hasil ramalan omzet bulan Januari 2017 yaitu 149,224 juta rupiah atau turun sebesar 2,776 juta rupiah. Kemudian hitung nilai RMSE z rumusem seperti pada perhitungan średnia krocząca RMSE. hanya saja jumlah obserwatorium berbeda. Pada tabela di atas jumlah obervasi (m) yaitu 19 lebih banyak dibanding z metode prosta średnia ruchoma 3 bulanan (16) karena pada metode eksponensial perhitungan ramalan dapat dimulai dari data pada periode awal. Wyrównanie pojedynczego wykładniczego wykładnika metadanych RMSE o wartości 1,073. Selanjutnya dari kedua metode di atas akan dibandingkan mana hasil yang terbaik. Do hal tersebut maka, bandingkan nilai RMSE dari kedua metode. Metode z RMSE terkecil dapat dinyatakan sebagai metode terbaik dla meramal. RMSE mov. average 0,946, RMSE exp. smoothing 1,073. RMSE mov. average lt RMSE exp. smoothing. Kesimpulanya bahwa metode średnia ruchoma lebih dalik melakukan peramalan, sehingga omzet pada bulan Januari 2017 diperkirakan sebesar 150,667 juta rupiah (meskipun memiliki nilai yang lebih rendah daripada bulan sebelumnya). (Nie ma znaczenia, co to jest, to, co się zdarzyło), Enders, Walter, 2004. Econometric Time Series, drugie wydanie: New Jersey: Willey, Kalo contoh, dalam tulisan ini, saya kutip dari buku modul kuliah.