Média em Movimento atau yang lebih dikenal dengan MA merupakan indikator yang paling sering digunakan dan paling standar. Meskipun sangat sederhana, tetapi Mudando média sendiri memiliki aplikasi yang sangat luas. Dikatakan sederhana karena pada dasarnya metode ini hanyalah pengembangan dari metodo rata-rata yang biasa kita kenal. Misalnya kita memiliki nilai 2,3,4,5,6 maka rata-rata dari nilai-nilai tersebut adalah (23456) 5 4. Sebagaimana namanya Mudança média indicador adalah yang menghitung rata-rata bergerak dados dari sebuah. Mengapa dikatakan menghitung rata-rata bergerak karena MA ini menghitung nilai dari setiap dados yang bergerak berubah. Jadi MA ini akan selalu menghitung setiap dados atau nilai yang baru terbentuk. Dalam kancah trading forex, secara umum Mudança média dikenal dengan tiga varian yang berbeda yaitu Simple Moving Average. Média móvel ponderada da média móvel exponencial. Masing-masing varian tersebut sesungguhnya adalah sama-sama menghitung rata-rata bergerak tetapi dengan metode yang berbeda dalam penghitunganya. A. Média de Movimento Simples (SMA) Média de Movimento Simples atau yang sering disingkat SMA adalah varian paling sederhana dari indicador Média de Movimento. Dikatakan paling sederhana karena SMA ini menggunakan metodo paling simples dalam menghitung rata-rata dados bergerak. Sebagai contoh: dados de Jika kita mempunyai 2, 3, 4, 5, 6, 7, 9 dan 10. Dan kemudian kita akan mencari nilai rata-rata dados dados tersebut maka kita jumlahkan semua dados tersebut dan kemudian hasilnya kita bagi dengan banyaknya dados pembagi Agar lebih mudah mari kita terapkan penghitunganya. Dados: 2, 3, 4, 5, 6, 7, 9,10 Bilangan pembagi. 8 Rata-rata jumlah dados dibagi bilangan pembagi Maka nilai rata-ratanya adalah 448 5,5 2. Média móvel exponencial (XMA) Exponencial Motivo médio atau yang sering disingkat XMA merupakan penyempurnaan dari metode SMA. Dikatakan sebagai penyempurnaan karena XMA menghitung rata-rata bergerak dengan pembobotan yang berbeda pada masing-masing dados yang telah terbentuk pada blok dados. Pada XMA terjadi sebaliknya yaitu semakin panjangperiode yang kita pakai maka semakin kecil pembobotan nilai terakhir yang kita pakai. Secara matematis XMA kita tuliskan dalam bentuk sebagai berikut: Ok, mari kita lihat contoh perhitungannya. Dibawah ini adalah perhitungan XMA 6 periode: Beberapa dari Anda yang memperhatikan dados-dados yang membosankan ini pastilah bertanya-tanya dari mana nilai anterior XMA pada data nomor 6 karena bukankah kita belum sama sekali memiliki nilai XMA pada bagian sebelumnya Jawabannya, nilai anterior XMA tersebut Adalah nilai SMA. Jadi, nilai XMA untuk dados pertama adalah sama persis dengan nilai SMA. Dalam contoh diatas besarnya adalah 25,666667. Diperoleh dari (252428242627) 6 25,666667. Sama persis dengan cara menghitung SMA bukan (ayo lihat kembali pada bab sebelumnya). XMA pada nomor 6 diperoleh dari rumus diatas yaitu. Perhitungan terus dilakukan seperti cara diatas untuk memperoleh nilai XMA berikutnya. Tapi sudahlah, Anda tidak perlu melakukan perhitungan seperti saya karena semuanya sudah tersedia secara otomatis pada masa sekarang. Namun jika Anda tertarik untuk melakukan cheque cruzado dengan apa yang saya berikan, silakan saja. Tidak ada yang menghalangi Anda. 3. Média móvel ponderada (WMA) Média móvel ponderada atau yang lebih dikenal dengan WMA adalah salah satu varian MA yang menghitung rata-rata dados bergerak dengan pembobotan pada beberapa dados terakhir yang terbentuk. Pada SMA, dados de repetição de bobot yang telah terbentuk pada beberapa periode sebelumnya atau yang baru saja terbentuk memiliki bobot penilaian yang sama. Sementara pada WMA pada masing-masing dados yang telah terbentuk memiliki pembobotan yang berbeda. Data yang baru saja terbentuk pada blok dados memiliki pembobotan yang lebih ketimbang dados yang telah terbentuk pada blok dados sebelumnya. Pembobotan nilai pada WMA akan tergantung pada panjang periode yang kita tetapkan. Semakin panjang periode yang ditetapkan, maka semakin besar pula pembobotan yang diberikan pada data terbaru. Perhatikan tabel sederhana dibawah: Dalam Chart forex, penggunaan MA ini adalah untuk menghitung rata-rata bergerak dari blok dados atau yang lebih dikenal dengan istilah vela. Aplikasi MA memiliki beberapa metode dengan penghitungan yang berbeda: aberto. Menghitung rata-rata nilai aberto dari blok dados Jika kita menerapkan MA dengan aplicar Abrir maka MA ini hanya menghitung rata-rata dari setiap nilai abrir yang terbentuk dari masing-masing blok dados pada chart Fechar. Menghitung rata-rata nilai fechar dados dados blok Jika kita menerapkan MA dengan aplicar Close maka MA ini hanya menghitung rata-rata dari setiap nilai Fechar yang terbentuk dari masing-masing blok dados pada gráfico Alto. Menghitung rata-rata nilai High dari blok dados Jika kita menerapkan MA dengan aplicar Alto maka MA ini hanya menghitung rata-rata dari setiap nilai Alto yang terbentuk dari masing-masing blok dados pada gráfico Baixo. Menghitung rata-rata nilai Dados de dados baixos de dados Jika kita menerapkan MA dengan aplicar Baixa maka MA ini hanya menghitung rata-rata dari setiap nilai Baixa yang terbentuk dari masing-masing blok dados pada gráfico Preço médio (HL2): menghitung rata-rata nilai median Dari blok dados Jika kita menerapkan MA dengan aplicar Tengah maka MA ini hanya menghitung rata-rata dari setiap nilai Tengah yaitu (nilai HighLow) 3 yang terbentuk dari masing-masing blok dados pada gráfico Preço típico (HLC3): menghitung rata-rata nilai karakter Dari blok dados Jika kita menerapkan MA dengan aplicar Preço típico maka MA ini hanya menghitung rata-rata dari setiap nilai Preço típico yaitu (nilai HighLowClose) 3 yang terbentuk dari masing-masing blok dados pada gráfico Weighted Close (HLCC4): menghitung rata-rata Nilai karakter dari blok dados Jika kita menerapkan MA dengan aplicar Weighted Close maka MA ini hanya menghitung rata-rata dari setiap nilai Weighted Close yaitu (nilai HighLowCloseClose) 4 yang terbentuk dari masing-masin G blok data pada chart Obrigado por ler a média móvel nos Otopips Se aceito, compartilhe-o via FB, Twitter e escreva seus comentários para este artigo2.1 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 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 0,50Peramalan Sederhana (Single Moving Average vs Single Exponential Suavização) Mungkin sebagian besar diantara kita pernah mendengar tentang teknik peramalan. Tentunya bukan dukun peramal, melainkan tekni untuk meramalkan previsão suatu dados deret waktu série temporal. Peramalan merupakan suatu 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 Média móvel do Suavização exponencial. Kedua teknik ini merupakan tekni previsão yang sangat sederhana karena tidak melibatkan asumsi yang kompleks seperti pada tekni previsão ARIMA, ARCHGARCH, ECM, VECM, VAR, dsb. Meskipun demikian, asumsi data stasioner haruslah terpenuhi untuk meramal. Moving average 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 desirankan untuk data time series yang menunjukkan adanya pengaruh tendência dan musiman. Mover média média terbagi menjadi média móvel em vez de média móvel dupla. Suavização exponencial. Hampir sama dengan média móvel yaitu merupakan teknik previsão yang sederhana, tetapi telah menggunakan suatu penimbang dengan besaran antara 0 hingga 1. Jika nilai w mendekati nilai 1 maka hasil previsão cenderung mendekati nilai obseervasi, sedangkan jika nilai w mendekati nilai 0, maka hasil forecasting mengarah Ke nilai ramalan sebelumnya. Suavização exponencial de terbagi menjadi único alisamento exponencial e suavização exponencial dupla. Kali ini, akan dibahas perbandingan metode single moving average dengan single exponential lmothing. Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada Januari 2013. Ia meminta cantou manajer untuk mengestimasi nilai tersebut dengan dados omzet bulanan dari bulan Juni 2011 sampai Desember 2012. Berbekal pengetahuan di bidang statistik, cantou manajer melakukan forcast dengan metode single moving average 3 bulanan dan Suavização exponencial única (w0,4). Média de Movimento Único Pada tabel di atas previsão ramalan bulan setembro de 2011 yaitu 128,667 juta rupiah diperoleh dari penjumlahan omzet bulan Juni, Juli, Agustus 2011 dibagi dengan angka média móvel (m3). Angka previsão pada bulan Oktober 2011 yaitu 127 juta rupiah diperoleh dari penjumlah omzet bulan Juli, Agustus, setembro de 2011 dibagi dengan angka média móvel tiga bulanan (m3). Perhitungan serupa dilakukan hingga ditemukan hasil previsão bulan Januari 2013 sebesar 150.667 juta rupiah. Dapat diinterpretasikan bahwa omzet bulan Januari 2013 diperkirakan senilai 150, 667 juta rupiah atau mengalami penurunan sebesar 1.333 juta rupiah dibanding dengan omzet Desembramo 2012 sebesar 152 juta rupiah. Perhatikan baris pada bulan Juni-Agustus 2011 kolom Previsão hingga erro tidak memiliki nilai, karena peramalan pada bulan-bulan tersebut tidak tersedia dados média móvel 3 bulanan, bulan sebelumnya. Selandutnya untuk melihat kebaikan hasil ramalan digunaka RMSE (erro quadrático médio quadrado) Untuk perhitungan RMSE, mula-mula dicari nilai erro atau selisih antara nilai aktual dan ramalan (previsão de omzet), kemudian kuadrat nilai-nilai tersebut untuk masing-masing bulanan de dados. Lalu, jumlahkan seluruh nilai error yang telah dikuadratkan. Terakhir hitung nilai RMSE dengan rumus di atas atau lebih gambangnya, bagi nilai penjumlahan erro yang telah dikuadratkan dengan banyaknya observa a hasilnya lalu di akarkan. Pada tabel di atas, banyaknya observasi yaitu 16 (mulai dari setembro 2011-dezembro 2012). Suavização Exponencial Única. Selanjutnya kita akan melakukan peramalan dengan metode Single Suavização exponencial. 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. Previsão W0,4 Ycap (t1) (juta rp.) Nilai ramalan pada bulan Juni 2011 yaitu 137,368 juta rupiah diperoleh dari rata-rata omzet dari bulan Juni 2011 hingga bulan Desember 2012. Nilai ramalan pada bulan Juli 2011 yaitu 134,821 juta rupiah diperoleh dari perhitungan dengan rumus di atas, dengan kata lain nilai ramalan bulan Juli 2011 diperoleh dari hasil kali w0,4 dan nilai aktual omzet bulan Juli 2011 dijumlahkan dengan hasil kali (1-0,4) serta nila ramalan Bulan Juni 2011 sebesar 134,821 juta rupiah. Lakukan perhitungan tersebut hingga mendapatkan angka ramalan untuk bulan Januari 2013. Hasil ramalan omzet untuk bulan Januari 2013 yaitu 149,224 juta rupiah atau turun sebesar 2,776 juta rupiah. Kemudian hitung nilai RMSE dengan rumus seperti pada perhitungan RMSE média móvel. Hanya saja jumlah observasi berbeda. Pada tabel di atas jumlah obervasi (m) yaitu 19 lebih banyak dibanding dengan metode simples média móvel 3 bulanan (16) karena pada metode eksponensial perhitungan ramalan dapat dimulai dari data pada periode awal. RMSE metode único suavização exponencial sebesar 1,073. Selanjutnya dari kedua metodo di atas akan dibandingkan mana hasil yang terbaik. Untuk hal tersebut maka, bandingkan nilai RMSE dari kedua metode. Metode dengan RMSE terkecil dapat dinyatakan sebagai metode terbaik untuk meramal. RMSE mov. average 0,946, RMSE exp. smoothing 1,073. RMSE mov. average lt RMSE exp. smoothing. Kesimpulanya bahwa metodo movendo a média lebih baik dalam melakukan peramalan, sehingga omzet pada bulan Januari 2013 diperkirakan sebesar 150,667 juta rupiah (meskipun memiliki nilai yang lebih rendah daripada bulan sebelumnya). (Untuk materi yang lebih jelas, silakan dicari di buku-buku referensi Analisis Time Series, misalnya. Enders, Walter. 2004. Applied Econometric Time Series Segunda edição. New Jersey: Willey. Kalo contoh soal dalam tulisan ini, saya kutip dari buku modul Kuliah.
No comments:
Post a Comment