Contoh Kasus Metode Moving Average

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 oleh penjual untuk mengajak orang 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: Menurut Gunawan Adi Saputro dan Marwan Asri (1996: 148). 8220Peramalan adalah suatu cara untuk mengukur dan menaksir kondisi bisnis dimasa mendatang8221. Menurut Suad Husnan dan Suwarsono (1994: 40). 8220Peramalan adalah usaha untuk mengetahui permintaan jumlah produk8221. Dengan uraian di atas dapat diperoleh kesimpulan bahwa Peramalan merupakan suatu usaha untuk melihat situaçao kondisi dengan memperkirakan kondisi yang berlaku terhadap perkembangan dimasa yang akan datang. 2.3 Tujuan Peramalan Tujuan dari peramalan adalah: a. Untuk menetukan kebijaksanaan dalam persoalan penyusunan anggaran. B. Untuk pengawasan dalam persediaan. C. Untuk membantu kegiatan perencanaan dan pengawasan produksi. D. Untuk pengawasan pembelanjaan. E. Untuk 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 dados yang relevan pada masa yang lalu, dengan menggunakan tehnik-tehnik dan modelo dalam menganalisa data tersebut. Desarmando 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 untuk menyusun hasil ramalan, yang jangka waktunya lebih diário setengah tahun atau tiga semestre. 2. Peramalan jangka Pendek Yaitu peramalan yang dilakukan untuk 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 dados 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. Dengan metode yang bebeda akan diperoleh hasil peramalan yang berbeda, adapun 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 dados. C. 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 (Time Horizon) Periode waktu selama suatu keputusan atau analisa akan mempunyai pengaruh, dan waktu itu manajer harus merencanakan dan memperhitungkan pengaruh-pengaruh pemilihan tehnik dan metode yang tepat. Horizon waktu umumnya dapat dibagi dalam jangka pendek, jangka menengah dan jangka panjang. 2. Tingkat perincian (Nível de Detalhe). Tugas-tugas dalam pengambilan keputusan pada umumnya dibagi-bagi (untuk memudahkan penanganannya menurut tingkat perincian yang dibutuhkan) 3. Jumlah Produk. Dalam keadaan dimana keputusan atau analisa yang dibuat mengenai berbagai produk perusahaan, hendaklah ada usaha pengembangan. Secara efektif atas aturan-aturan pengambilan keputusan yang sederhana, eang dapat diaplikasikan secara mekanisme untuk masing-masing produk. Umumnya ada empat unsur biaya yang mencakup suatu prosedur peramalan, yaitu biaya-biaya pengembangan, dados penyimpangan, operasi pelaksanaan dan kesempatan dalam penggunaan tehnik dan metode lain. Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat perinciaan yang dibutuhkan oleh suatu peramalan. Untuk beberapa pengambilan keputusan mengharapkan variasi-variasi atau penyimpangan atas ramalan yang dilakukan antara 10 sampai dengan 15 bagi maksud-maksud yang mereka harapkan. 2.6 Tehnik Perkiraan Dengan Mengunakan Metode Deret Waktu Metode Deret Waktu biasanya dipakai untuk menganalisis pola permintaan masa lalu dan memproyeksikannya untuk masa depan. Dasar perhitungan prakiraan deret waktu ini ialah menghitung besar setiap komponen berdasarkan dados massa lalu. Asumsi dasar yang dipakai dalam metode ini ialah bahwa pola permintaan dapat dibagi menjadi beberapa komponen yaitu tingkat rata-rata (nível médio), kecenderungan (tendência), musiman (sazonalidade), siklus (Ciclo) dan kesalahan (erro). 2.7 Metode Rata-Rata Bergerak Metodo ini merupakan metodo yang termudah dalam teknik peramalan deret waktu kita mengasumsikan bahwa komponen acak tidak terdapat pola musiman, tendência, atau komponen siklus pada dados permintaan pada saat ini. Mover média ialah suatu titik peramalan dengan mengkonsumsikan dados dari beberapa periode terbaru atau terakhir dados dados tersebut dijadikan dados peramalan untuk periode yang akan datang. uma. Rumus rata-rata bergerak (média móvel) Jumlah Permintaan Pada N Periode Terakhir 1 / Temp / msohtmlclip1 / 01 / clipimage001.gif / MA Diketahui nilai peramalan 210 nilai nyata 195 N 1 MAD 210 8211 195 15 b. Rata-rata Bergerak Tertimbang / Terbobot (Peso Médio) Desodorante metodo rata-rata bergerak sederhana kita mengenal metodo rata-rata tertimbang (Weight Moving Average) dimana pada setiap elemen data kita dapat memberikan bobot. Dengan cara ini nilai-nilai yang akhir dapat diberikan bobot lebih keras. Rumus Rata-rata Bergerak Tertimbang / Terbobot (Weight Moving Average) WMA (dados penjualan terakhir x bobot ke 82111) (Data x sampai bobot terakhir). Diketahui WI 40, W2 30, W3 20, W4 10 Dados penjualan nyata untuk bulan 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 (Emsponensial Smoothing). Pemulusan eksponensial adalah suatu tehnik peramalan rata-rata bergerak yang melakukan pertimbangan terhadap dados masa lalu dengan cara eksponensial sehingga dados paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak. Dengan pemulusan eksponensial sederhana previsão dilakukan dengan cara ramalan periode terakhir ditambah porsi perbedaan (disebut Alpha) antara permintaan periode terakhir dengan peramalan periode terakhir. Rumus Pemulusan Eksponensial (Sujeição Eksponensial) Ft Ramalan untuk periode sekarang (t) Ft 1 Ramalan yang dibujo untuk periode terakhir (t-1) a Constante de suavização A 1 Permintaan nyata peeriode teakhir 1 / Temp / msohtmlclip1 / 01 / clipimage005.gif / a Nilai a yang terendah terutama cocok bila permintaan produk 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 unidade A 1 1000 unidade a 0,50Portal - Statistik Bertemu lagi dengan postingan kali ini, setelah sekian lama offline dari dunia blogger, tidak pernah lagi mengurusi blog, nah pada kesempatan kali ini saya mau berbagi kembali kepada semua sahabat yang membutuhkan Tutorial atau pengetahuan tentang forecasting / peramalan, mungkin beberapa hari kedepan saya akan banyak que contém as previsões de tulisan tentang. Semoga tulisan ini dapat berguna bagi kita semua. Pada postingan pertama tentang analisis runtun waktu kali ini, saya akan berbagi tentang analisis runtun waktu yang paling sederhana yaitu metode Moving Average. Analisis runtun waktu merupakan suatu metodo kuantitatif untuk menentukan pola dados masa lalu yang telah dikumpulkan secara teratur. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observa pada suatu variabel dipandang sebagai realisasi dari variabel aleatório berdistribusi bersama. Gerakan musiman adalah gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang sama yang selalu menunjukkan pola yang identik. Contohnya: harga saham, inflasi. Gerakan aleatório adalah gerakan naik turun waktu yang tidak dapat diduga sebelumnya dan terjadi secara acak contohnya: gempa bumi, kematian dan sebagainya. Asumsi yang penting yang harus dipenuhi dalam memodelkan runtun waktu adalah asumsi kestasioneran artinya sifat-sifat yang mendasari proses tidak dipengaruhi oleh waktu atau proses dalam keseimbangan. Apabila asumsi stasioner belum dipenuhi maka deret belum dapat dimodelkan. Namun, deret yang nonstasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Data Runtun Waktu Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai dados dados runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola dados. Ada empat tipe umum. Horizontal, tendência, sazonal e dan cíclica. Ketika data observasi berubah-ubah di sekitar tingkatan atau rata-rata yang konstan disebut pola horizontal. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal. Ketika data observasi naik atau menurun pada perluasan periode suatu waktu disebut pola tendência. Pola cíclico ditandai dengan adanya fluktuasi bergelombang dados yang terjadi di sekitar garis tendência. Ketika observasi dipengaruhi oleh faktor musiman disebut pola sazonal yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen sazonal runtun tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Média de Movimento Único Rata-rata bergerak tunggal (média em movimento) untuk periode t adalah nilai rata-rata untuk n jumlah data terbaru. Dengan munculnya data baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan dados yang terlama dan menambahkan dados yang terbaru. Mudança média ini digunakan untuk memprediksi nilai pada periode berikutnya. Modelo ini sangat cocok digunakan pada dados yang stasioner atau dados yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan dados yang mengandung unsur tendência atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan dados terakhir (Ft), dan menggunakannya untuk memprediksi dados pada periode selanjutnya. Metode ini sering digunakan pada dados kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (suavização). Dibanding dengan rata-rata sederhana (dari satu data masa lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari data yang diketahui. Jumlah titik dados dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini memerlukan penyimpanan yang lebih banyak karena semua T pengamatan terakhir harus disimpan, tidak hanya nilai rata-rata. Metode ini tidak dapat menanggulangi dengan baik adanya tendência atau musiman, walaupun metode ini lebih baik dibanding rata-rata total. Diberikan N titik dados de diputuskan untuk menggunakan T pengamatan pada setiap rata-rata (yang disebut dengan rata-rata bergerak orde (T) atau MA (T), sehingga keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2013 sampai dengan Abril de 2014, dados de menghasilkan dados de penguimais: dados de mão-de-obra meramalkan hasil penjualan menggunakan metode peramalan yang cocok dados de dengano tersebut. Bandingkan metode MA tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA ganda ordo 3x5 dengan aplikasi Excel, manakah metode yang paling tepat untuk Datação de dados para berikan alasannya. Baiklah sekarang kita mulai, kita mulai dari Média de Movimento Único. Adaptar a linguagem de langkah-Langkah Melakukan forcasting dados de terhadap Penjualan Pakaian Sequota de bola de Adalah: Membuka aplikasi Minitab dengan melakukan clique duas vezes em pada icon desktop. Setelah aplikasi Minitab terbuka dan siap Digunakan, Buat nama variabel Bulan dan Data dados de maskkan kemudian sesuai studi kasus. Sebelu M memulai untuk melakukan previsão, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran dados runtun waktunya, klik menu Gráfico 8211 Série de tempo Plot 8211 Simples, masukkan variabel Dados ke kotak Series, sehingga didapatkan output seperti gambar. Selanjutnya untuk melakukan pronostica dengan metode Moving Average single orde 3, klik menu Stat 8211 Série temporal 8211 Moving Average. . Sehingga muncul tampilan seperti gambar dibawag, pada kotak Variável: masukkan variabel Dados, pada kotak MA comprimento: masukkan angka 3, selanjutnya berikan centang pada Gerar previsões dan isi kotak Número de previsões: dengan 1. Klik button Opção dan berikan judul dengan MA3 dan klik ESTÁ BEM. Selanjutnya klik button Armazenamento dan berikan centang pada Médias móveis, Ajustes (previsões de um período antecipadamente), Residuals, dan Previsões, klik OK. Kemudian klik Gráficos de pilih Plot predito vs. real dan OK. Sehingga muncul saída seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari dados da previsão tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, e MSD seperti pada gambar diatas. Cara peramalan dengan metode Média de Movimento Duplo Dapat Dilihat DISINI. Ganti saja langsung angka-angkanya dengan dados sobat, hehhe. Maaf yaa saya tidak jelaskan, lagi laperr soalnya: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya.