Manfaat metode moving average

2.1 Penger 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 dari setengah tahun atau tiga semester. 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 dari dados tersebut dijadikan dados peramalan untuk periode yang akan datang. uma. Rumus rata-rata bergerak (Média em movimento) 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 (Weight Moving Average) Desodorante metode rata-rata bergerak sederhana kita mengenal metode 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 TertimbangTerbobot (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 forecasting dilakukan dengan cara ramalan periode terakhir ditambah porsi perbedaan (disebut Alpha) antara permintaan periode terakhir dengan peramalan periode terakhir. Rumus Pemulusan Eksponensial (Suavização Eksponensial) Ft Ramalan untuk periode sekarang (t) 1 1 Ramalan yang dibujo untuk periode terakhir (t-1) a Suavidade constante A 1 Permintaan nyata peeriode teakhir 1Tempmsopptmlclip101clipimage005.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 0,50Forecasting Metode Ponderada em Movimento Médio Metodo Smoothing merupakan salah satu jenis teknik yang digunakan dalam analisis série de tempo (runtun waktu) untuk memberikan peramalan jangka pendek. Dalam melakukan suavizando (penghalusan) terhadap data, nilai masa lalu digunakan untuk mendapatkan nilai yang dihaluskan untuk série de tempo. Nilai yang telah dihaluskan ini kemudian diekstrapolasikan untuk meramal nilai masa depan. Tehnik yang kita kenal dalam metode smoothing yaitu Média móvel simples do alisamento exponencial. Pada halaman ini, saya hanya akan membahas tentang Average Moving Simple. Simples dados médios em movimento série temporária seringkali mengandung ketidakteraturan yang akan menyebabkan prediksi yang beragam. Untuk menghilangkan efek yang tidak diinginkan dari ketidak-teraturan ini, metodo simples, móvel, médio, mengambil, beberapa, nilai, yang, sedang, diamati, memberikan, rataan, dan menggunakannya untuk memprediksi nilai untuk periode waktu yang akan datang. Semakin tinggi jumlah pengamatan yang dilakukan, maka pengaruh metode média móvel akan lebih baik. Meningkatkan jumlah observasi akan menghasilkan nilai peramalan yang lebih baik karena ia cenderung meminimalkan efek-efek pergerakan yang tidak biasa yang muncul pada dados. Moving average juga mempunyai dua kelemahan yaitu memerlukan dados masa lalu dalam jumlah besar untuk ketepatan prediksi, dan masing-masing observasi diberikan bobot yang sama, ini melanggar bukti empiris bahwa semakin observa terbaru seharusnya lebih dekat dengan nilai masa depan maka kepentingan bobotnya akan meningkat pula. Aplikasi Metode Moving Average software Dengan IBM SPSS 23 dapat dilihat pada contoh berikut ini: Berikut kita memiliki dados kunjungan ke Bali para Januari 2008 hingga Juni 2017 dalam format excel, dados diambil dari website Dinas Pariwisata Provinsi Bali: 1. Langkah pertama adalah memasukkan dados ke Folha de cálculo do DALAM SPSS 23 sebagai berikut: Data View. (Bagi yang belum jelas tentang cara import data dari excel ke SPSS 23 lihat di step bahasan ini ampgtampgtampgt) 2. Kemudian pada menu SPSS 23 pilih Transformar Criar Série Temporal Seperti Gambar: 3. Setelah itu akan muncul kotak diálogo berikut, pilih Visita dan klik Panah sehingga variabel visita berpindah ke kolom variabel Novo Variabel di sebelah kanan. 4. Setelah itu pilih pada kotak função pilih Cented Moving Average, atau bisa juga Prior Moving Average. 5. Kemudian isikan span dengan 3, dan klik change. Span diisi dengan angka 3 artinya mengalami proses 3 kali suavizando yang biasa kita kenal juga dengan Média móvel ponderada. Adapun proses 1 dan 2 kali suavizando kita sebut Single Moving Average do Double Moving Average. Jangan lupa untuk klik change ágar variabel visit1 berubah menjadi visi3, kemudian ok. 6. Saída yang didapat dari metode Centrada na média móvel Média média ponderada adalah sebagai berikut: Dari output diatas, dapat diketahui bahwa Kunjungan pada bulan-bulan berikutnya dapat kita lihat dari variabel baru yang dihasilkan dari análise de séries de tempo metodo centrado média móvel 8211 média móvel ponderada . Demikian juga jika kita memilih média prévia anterior, keduanya merupakan metode simples média móvel 3, maka hasil peramalannya akan sama. (Yoz) Aplikasi Metode Exponencial Suavização dengan SPSS akan dibahas pada bahasan selanjutnyaI.1 Latar Belakang Série de tempo pada dasarnya digunakan untuk melakukan Analisis dados yang mempertimbangkan pengaruh waktu. Data-data yang dikumpulkan secara periodik berdasarkan urutan waktu, bisa dalam jam, hari, minggu, bulan, kuartal dan tahun. Selain itu analisis série temporal bisa digunakan untuk peramalan dados beberapa periode ke depan yang sangat membantu dalam menyusun perencanaan ke depan. Data time series terdapat dalam berbagai bidang, misalnya bidang ekonomi misalnya dados penjualan setiap hari, keuntungan perusahaan dalam setiap tahun dan total nilai ekspor dalam setiap bulan. Data time series pada bidang fisika misalnya data curah hujan bulanan, temperatur udara harian, gerak partikel, sedangkan pada bidang demografi dados misalnya pertumbuhan penduduk, mortalitas dan natalitas. Di bidang pengontrolan kualitas, data time series dados misalnya proses pengontrolan kualitas produk, pengontrolan proses produksi, dan untuk bidang biomedis misalnya dados denyut nadi, proses penyembuhan, pertumbuhan mikroba. Metode yang sering digunakan dalam analisis runtun waktu adalah Semi Média, Média em Movimento, e Menos Quadrado. Di makalah ini penulis akan menghitung tendência jumlah penduduk selama waktu periode tertentu dengan metode Semi Average, Moving Average, dan Least Square. I.2 Perumusan Masalah 1. Apa série de tempo de definisi 2. série de tempo de Apa ciri-ciri 3. Metode 8211 metodo apa saja yang digunakan série de tempo de dalam 4. Bagaimana cara menghitung tendência jumlah angka penduduk di kota Depok série de tempo Dengan Adapun tujuan dari penyusunan Makalah ini adalah untuk mengetahui. 1. Série de tempo de Definisi, série de tempo de Ciri-Ciri 2. Metode 8211 metode yang digunakan série de tempo de dalam 3. Tendência de Menhungung jumlah angka penduduk di kota Depok Saya mengharapkan agar makalah ini dapat dimengerti dan para pembaca dapat memahami definisi, ciri-ciri serta teknik Dados de menganalisis dengan menggunakan Análise Deret Berkala atau Time Series dengan berbagai metode. II.1. Analisis Time Series dalam Statistika Deskriptif Croxton dan Cowden memperkenalkan metode statistik tahun 1955 yaitu dengan metode Estabelecida: Perfil: Definição Estatística estatística Estatística estatística Estatística estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Estatística Dalam metode Statistik Deskriptif terdapat berbagi jenis metode statistik salah satunya adalah Analisisi Deret Berkala. II.2. Série de tempo de análise de Pengertian (Deret Berkala) Deret berkala atau runtut waktu adalah serangkaian pengamatan terhadap peristiwa, kejadian atau variabel yang diambil dari waktu ke waktu, dicatat secar teliti menurut urut-urutan waktu terjadinya, kemudian disusun sebagai data statistik. Dari suatu runtut waktu akan dapat diketahui pola perkembangan suatu peristiwa, kejadian atau variabel. Jika perkembangan suatu peristiwa mengikuti suatu pola yang teratur, maka berdasarkan pola perkembangan tersebut akan dapat diramalkan peristiwa yang bakal terjadi dimasa yang akan datang. Jika nilai variabel atau besarnya gejala (peristiwa) dalam runtut waktu (serangkaian waktu) diberi simbol Y1, Y2. Yn dan waktu-waktu pencatatan nilai variabel (peristiwa) diberi simbol X1, X2. Xn maka rutut waktu dari nilai variabel Y dapat ditunjukan oleh persamaan Y f (X) yaitu besarnya nilai variabel Y tergantung pada waktu terjadinya peristiwa itu. II.3. Komponen Time Series (Deret Berkala) Pola gerakan runtut waktu atau deret berkala dapat dikelompokan kedalam 4 (empat) pola pokok. Pola ini bisanya disebut sebagai komponen dari deret berkala (runtut waktu). Empat komponen deret berkala itu adalah: 1. Tendência, yaitu gerakan yang berjangka panjang yang menunjukkan adanya kecenderungan menuju ke satu arah kenaikan dan penurunan secara keseluruhan dan bertahan dalam jangka waktu yang digunakan sebagai ukuran adalah 10 tahun keatas. 2. Variasi Musim, yaitu ayunan sekitar trend yang bersifat musiman serta kurang lebih teratur. 3. Variasi Siklus, yaitu ayunan trend yang berjangka lebih panjang dan agak lebih teratur. 4. Variasi Yang Tidak Tetap (Irregulador), yaitu gerakan yang tidak teratur sama sekali. Gerakan atau variasi dari data berkala juga terdiri dari empat komponen, yaitu: a. Tendência de Gerakanvariasi jangka panjang atau movimentos de longo prazo ou tendência de estipulação yaitu suatu gerakan yang menunjukan arah perkembangan secara umum (kecenderungan menaik atau menurun) dan bertahan dalam jangka waktu yang digunakan sebagai ukuran adalah 10 tahun ke atas. B. Gerakanvariasi siklis atau movimentos cíclicos ou variação adalah gerakanvariasi jangka panjang disekitar garis tendência. C. Gerakanvariasi musim atau movimentos sazonais ou variação adalah gerakan yang berayun naik dan turun, secara periodik disekitar garis tendência dan memiliki waktu gerak yang kurang dari 1 (satu) tahun, dapat dalam kwartal, minggu atau hari. D. Gerakan variasi yang tidak teratur (movimentos irregulares ou aleatórios) yaitu gerakan atau variasi yang sporadis sifatnya. Faktor yang dominan dalam gerakan ini adalah faktor-faktor yang bersifat kebetulan misalnya perang, pemogokan, bencana alam dll. Jika dikaitkan dengan kegiatan bisnis dan ekonomi, analisis deret berkala atau analisis série temporal seringkali digunakan untuk memprediksi nilai dimasa yang akan datang. Dengan diketahuinya nilai dimasa mendatang, maka pihak manajemen perusahaan akan dapat mengambil keputusan dengan lebih efektif. Nilai dimasa mendatang itu pada dasarnya merupakan nilai série de tempo dimasa mendatang, yaitu nilai-nilai yang diharapkan dapat terjadi dimasa mendatang, dengan dasar faktor-faktor (nilai-nilai) yang telah diterjadi dimasa lalu. II.4 Ciri-ciri Trend Sekuler Trend (T) atau Trend Sekuler ialah gerakan dalam deret berkala yang berjangka panjang, lamban dan berkecenderungan menuju ke satu arah, arah menaik atau menurun. Umumnya meliputi gerakan yang lamanya 10 tahun atau lebih. Trend sekuler dapat disajikan dalam bentuk. 1. Persamaan trend, baik persamaan linear maupun persamaan non linear 2. Gambargrafik yang dikenal dengan gariskurva tendência, baik garis lurus maupun garis melengkung. Trend juga sangat berguna untuk membuat ramalan yang sangat diperlukan bagi perencanaan, misalnya. 1. Menggambarkan hasil penjualan 2. Jumlah peserta KB 3. Perkembangan produksi harga 4. Volume penjualan dari waktu ke waktu 5. Jumlah Penduduk, dll Trend digunakan dalam melakukan peramalan (previsão). Metode yang biasanya dipakai, antara lain adalah Metodo semi-média, média móvel do menos quadrado. III.2 Metode Moving Average Dengan menghitung beberapa angka rata-rata de série de tempo suatu. Dimana dengan metode ini dados asli yang naik turun dapat kita buat lebih rata. Menghitung trend dengan metode angka rata-rata bergerak dapat dilaksanakan bila jumlah data ganjil minimal 3 periode. Langkah - langkah menggunakan metode média móvel yaitu sebagai berikut. uma. Angka-angka dari periode dados dijumlahkan dan dihitung angka rata-ratanya, hasilnya diletakkan pada periode dados yang terakhir b. Untuk menghitung tendência tahun berikutnya, prosesnya sama dengan cara menghilangkan periode tahun yang berakhir dan menambahkan dados angka periode selanjutnya. Selanjutnya diletakkan pada periode yang terakhir Dari pembahasan di atas, bisa dilihat dari definisi, ciri-ciri serta metode-metode série temporal série de tempos de bahwa sangat berguna dalam menghitung perkembangan tendência dari suatu dados yang ada yang di makalah ini saya mengambil dados jumlah penduduk di kota Depok. Dari pembahasan di atas, kita mempunyai data jumlah penduduk sampai tahun 2017. Dengan perhitungan série temporária ini kita bisa menghitung perkembangan jumlah penduduk di tahun selanjutnya dimana di data ini yang kita cari adalah tahun 2017 dengan berbagai metode yang ada di time series. Untuk menghitung tendência de dados suatu, saya sarankan agar berhati-hati dan juga teliti dalam menentukan patokan tendência atau tahun dasar agar tidak terjadi kesalahan dalam menghitung Y atau nilai trend waktu yang dihitung. Listiawati Rodiana, Aminah, Murtiningsih. Statistik Bisnis, Lembaga Penerbit Jurusan Akuntansi Politeknik Negeri Jakarta, Jacarta. Publicar um comentário tentang Gua Popular post Total de Páginas Ahmad Nurharish. Desenvolvido pelo Blogger.