Metode Peramalan

1. 2. 3. 4. 5. 6. 7. 8.

Pendahuluan Naïve Models dan Moving Average Methods Exponential Smoothing Methods Regresi dan Trend Analysis  Regresi Berganda dan Time Series Regresi  Metode Dekomposisi Model ARIMA Box-Jenkins Studi Kasus : Model ARIMAX (Analisis Intervensi, Fungsi Transfer dan Neural Networks)

Kaitan Pola Data dan Metode Regresi (Trend Analysis)

Time Series Patterns
Stationer Trend Effect Seasonal Effect Cyclic Effect 

Regresi untuk Trend Linear 

Regresi untuk Seasonal Data 

Regresi untuk Cyclic Effect

Jumlah Outlet. Kondisi Ekonomi Nasional (inflasi dll) dan faktor lain yang tidak dapat dikontrol dalam kondisi TETAP . Fq Biaya Iklan. Selera Konsumen. . F2. Area Pemasaran dan faktor lain yang dapat dikontrol dalam kondisi TETAP Input (X) Process (Model Regresi) Output (Y) Harga Produk Z 1. Z 2. . Zq Sales Produk Uncontrollable Factors Harga Pesaing.Problem 1: Regresi Linear Sederhana Bagaimana pengaruh harga terhadap sales suatu produk ? Dapatkah meramal sales suatu produk berdasarkan harganya ? Controllable Factors F1.

Plot data identifikasi bentuk hubungan secara grafik 2. -1 e rxy e 1 § ( xi i !1  x)2 § ( yi i !1  y) 2 3.Tahap-tahap dalam Analisis Regresi 1. Pendugaan (estimasi) model regresi 4. Evaluasi (diagnostic check) kesesuain model regresi 5. Prediksi (forecast) suatu nilai Y pada suatu X tertentu . Koefisien Korelasi identifikasi hubungan linear dengan suatu angka n § ( xi rxy ! i !1 n  x )( y i  y ) n .

Problem 1: Data hasil pengamatan (continued) Minggu 1.2 1.6 1. 2. 10.3 2. Sales (ribu unit) 10 6 5 12 10 15 5 12 17 20 Harga (ribu rupiah) 1. 3. 9.5 1. 4. 8. 6. 7.0 1.7 1.4 1.1 Plot antara Harga dan Sales Pengamatan dilakukan dengan mengambil secara random data 10 minggu penjualan .6 1. 5.0 1.

18 59.409 3.84 P 0.1 ± 14.18 7. Pearson correlation of Harga and Sales = -0.43 F 23.001 R-Sq = 74.Problem 1: MINITAB output (continued) MTB > Correlation 'Harga' 'Sales'.60 MS 174.136 -14.4% Analysis of Variance Source Regression Residual Error Total DF 1 8 9 SS 174.45 P 0.002 T 7.001 .539 SE Coef 4.6% R-Sq(adj) = 71.001 MTB > Regress 'Sales' 1 'Harga' The regression equation is Sales = 32.725 Coef 32.000 0.863 P-Value = 0.42 233.29 -4.5 Harga Predictor Constant Harga S = 2.

Problem 1: MINITAB output (continued) Plot data. garis regresi dan ramalan Sales dari Harga .

Z 2. Selera Konsumen. Kondisi Ekonomi Nasional (inflasi dll) dan faktor lain yang tidak dapat dikontrol dalam kondisi TETAP . . Fq Jumlah Outlet. Area Pemasaran dan faktor faktor lain yang dapat dikontrol dalam kondisi TETAP Input (X) Process (Model Regresi) Output (Y) Harga Produk Biaya Iklan Z 1. . Zq Sales Produk Uncontrollable Factors Harga Pesaing. F2.Problem 2: Regresi Linear Berganda Bagaimana pengaruh harga dan biaya iklan terhadap sales suatu produk ? Lebih baikkah ketepatan ramalannya ? Controllable Factors F1.

Sales (ribu unit) Harga (ribu rupiah) Biaya Iklan (juta rupiah) 10 6 5 12 10 15 5 12 17 20 1. 2. 3.1 9 7 5 14 15 12 6 10 15 21 Pengamatan dilakukan dengan mengambil secara random data 10 minggu penjualan Plot antara Harga. Iklan dg Sales .Problem 2: Data hasil pengamatan (continued) Minggu 1.7 1.3 2.2 1. 5.5 1. 6. 9.6 1. 8. 4.6 1.4 1.0 1.0 1. 7. 10.

003 Harga R-Sq = 93. Iklan Sales -0.863 0.76 4.001 0.90 233.248 0.007 0.5851 SE Coef 4.000 Cell Contents: Pearson correlation P-Value .007 0.040 Analysis of Variance Source DF Regression 2 Residual 7 Total 9 SS 217.343 2. Harga.2% Iklan -0.78 -3.1337 T 3.4 .70 15.891 0.38 P 0.406 -8.60 MS 108.654 0. Correlations: Sales.Problem 2: MINITAB output (continued) MTB > Correlation 'Sales''Iklan'.8.196 0.507 Coef 16.92 0.25 Harga + 0.585 Iklan Predictor Constant Harga Iklan S = 1.27 F P 47.85 2.001 Harga MTB > Regress 'Sales' 2 'Harga' 'Iklan' The regression equation is Sales = 16.2% R-Sq(adj) = 91.

6% R2 = 79.2% .5% R2 = 93.Problem 2: MINITAB output (continued) R2 = 74.

Z 2. Pendidikan. . Ruang kerja. F2. Fq Usia. Zq Produktifitas pekerja Uncontrollable Factors Emosi (suasana hati) pekerja dan faktor lain yang tidak dapat dikontrol dalam kondisi TETAP .Problem 3: Regresi dengan Variabel Dummy Bagaimana pengaruh TES BAKAT dan GENDER thd produktifitas ? Dapatkah produktifitas pekerja diramal dari tes bakat dan jenis kelaminnya? Controllable Factors F1. . Mesin dan faktor faktor lain yang dapat dikontrol dalam kondisi TETAP Input (X) Process (Model Regresi) Output (Y) Nilai TES BAKAT pekerja JENIS KELAMIN pekerja Z 1.

Problem 2: Data hasil pengamatan (continued) Pengamatan dilakukan dengan mengambil secara random data 15 pekerja Plot antara Tes Bakat dan Produktifitas. antara pekerja PRIA dan WANITA .

000 R-Sq = 92.1372 0.000 Dummy -0.876 0.4503 T -4.001 0.8936 0.18 Dummy Predictor Constant Tes Bakat Dummy S = 0.940 MTB > Regress 'Produktifitas' 2 'Tes Bakat' 'Dummy' The regression equation is Produktifitas = .12041 2.4.021 0.7863 Coef -4.000 0.Problem 3: MINITAB output (continued) MTB > Correlation Produktifitas 'Tes Bakat' 'Dummy' 'Produktifitas'.1% R-Sq(adj) = 90.01015 0.1807 SE Coef 0.86 4. Tes Bakat 0.84 P 0.8% .63 11.14 + 0.120 Tes Bakat + 2.

Problem 3: MINITAB output (continued) .

Problem 3: Plot hasil regresi (continued) WANITA PRIA .

DS-1 adalah dummy waktu dalam satu periode seasonal. . .t + c1 D1 + + cS-1 DS-1 + error Gabungan model 1 dan 2. Model Regresi untuk Data dengan LINEAR TREND dan SEASONAL (variasi konstan) Yt = a + b. Model Regresi untuk LINEAR TREND Yt = a + b.t + error t = 1.Model-model Time Series Regression 1. 3. Model Regresi untuk Data SEASONAL (variasi konstan) Yt = a + b 1 D 1 + + bS-1 DS-1 + error dengan : D1. 2. D2. (dummy waktu) 2.

Problem 4: Regresi Trend Linear (Video Store case) Time Series Plot data Sales .

Problem 4: Hasil Regresi Trend dg MINITAB (continued) .

Problem 4: Hasil Regresi Trend dg MINITAB (continued) .

Problem 5: Regresi Data Seasonal (Data Electrical Usage) Time Series Plot (Data seasonal) .

3 Predictor Constant Kuartal.42 -4.000 0.99 -10.79 19.202 Kuartal.51 19.37 P 0.000 R-Sq = 97.4 Kuartal.84 Coef 721.20 -97.000 .32 14.51 T 52.40 -202.60 281.51 19.65 P 0.1 Kuartal.7% R-Sq(adj) = 97.000 0.000 0.3% Analysis of Variance Source DF Regression 3 Residual Error 16 Total 19 SS 646802 15220 662022 MS 215601 951 F 226.2 Kuartal.2 .1 .97.20 SE Coef 13.3 S = 30.Problem 5: Hasil regresi dengan MINITAB MTB > Regress 'Kilowatts' 3 'Kuartal-1'-'Kuartal-3' The regression equation is Kilowatts = 722 + 281 Kuartal.

Problem 5: Struktur dummy dan hasil regresinya Dummy Variable .

Problem 5: Hasil regresi dengan MINITAB Forecast Time Series Plot (Data dan Ramalannya) .

Problem 6: Regresi Data Trend Linear dan Seasonal Time Series Plot (Data trend dan seasonal) .

Problem 6: Hasil regresi dengan MINITAB Dummy Variable .

108 Kuartal.719 130.81 19.000 0.Problem 6: Hasil regresi dengan MINITAB MTB > Regress 'Sales' 4 't' 'Kuartal.78 SE Coef 26.7 t + 130 Kuartal.0% Analysis of Variance Source Regression Residual Error Total DF 4 11 15 SS 371967 14243 386211 MS 92992 1295 F 71.80 4.19 -8.92 P 0.228 Kuartal.99 -4.000 0.000 R-Sq = 96.3 16 cases used 4 cases contain missing values Predictor Constant t Kuartal.001 0.3' The regression equation is Sales = 413 + 19.000 0.2 .41 -108.15 25.000 .1 Kuartal.3% R-Sq(adj) = 95.1'-'Kuartal.06 -227.30 9.1 .52 T 15.82 P 0.2 Kuartal.3 S = 35.98 Coef 412.76 25.012 26.99 2.

Problem 6: Hasil regresi dengan MINITAB Forecast Time Series Plot (Data dan Ramalannya) .

3 .Perbandingan ketepatan ramalan antar metode Kasus Sales Video Store Kriteria kesalahan ramalan MSE 66.6829 MAD 6.202284 Gamma (trend): 0.9557 0.3122 Holt s Method : Alpha (level): 0.6382 0.67 890.2969 4.215 23.7083 21. Holt s Method Regresi Trend Model Winter s Method Regresi Trend & Seasonal Kriteria kesalahan ramalan MSE 4372.4 Gamma (trend): 0.4236 3.6963 28.5382 Kasus Sales Data Kuartalan Model Double M.68889 4.A.69 MAD 52.29 MAPE 9.1 Delta (seasonal): 0.73048 MAPE 0.234940 Winter s Method : Alpha (level): 0.