Metode Moving Average Adalah

Perhitungan Pencatatan Dengan Metode Rata-Rata (Moving Avarage) Metode Rata-Rata (Moving Avarage). Cara ini beranggapan, apakah setiap barang berubah jumlah barang barang, baik karena pembelian maupun karena adanya penjualan yang dilakukan oleh perusahaan, sisa barang barang yang masih ada. Nilai rata-rata barang yang masih ada dengan jumlah barang yang masih ada dengan jumlah satuan barang yang bersangkutan. Dengan demikian, harga pokok barang yang dijual, harga menurut harga rata-rata barang itu. 1. Persediaan Awal. 100 satuan Rp 9, - 2. Pembelian. 100 satuan Rp12, - 3. Pembelian. 100 satuan Rp11,25 4. Penjualandipakai. 100 satuan 5. Penjualandipakai. 100 satuan Penghitungan harga pokok penjualan dengan menggunakan cara yang rata-rata seperti berikut: Moving Average Moving Averages (rata-rata bergerak) adalah metode peramalan dengan mengambil alih nilai yang kemudian dicari rata-ratanya, lalu gunakan rata - Rata ini sebagai ramalan untuk periode berikutnya. Istilah rata-rata bergerak digunakan, karena setiap kali data observasi baru tersedia, maka angka rata-rata yang baru dihitung dan digunakan sebagi ramalan. Single Moving Average Rata-rata bergerak tunggal (Single Moving Average) adalah suatu metode peramalan yang dilakukan dengan mengambil alih nilai, mencari nilai rata-rata ini sebagai ramalan untuk periode yang akan datang. Metode Single Moving Average memiliki karakteristik khusus untuk menentukan ramalan pada periode yang akan datang membutuhkan data historis selama jangka waktu tertentu. Misalnya, dengan 3 bulan moving average, maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4 selesaiberakhir. Jika bulan moving averages bulan ke 7 baru bisa terbentuk setelah bulan ke 6 berakhir. Semakin panjang jangka waktu moving average. Efek pelicinan semakin terlihat dalam ramalan atau menghasilakan moving average yang semakin halus. Persamaan matematis single moving averages adalah sebagai berikut Mt Moving Average untuk periode t F t1 Ramalan Untuk Periode t 1 Yt Nilai Riil periode ke tn Jumlah batas dalam moving average Pengukuran Kesalahan Peramalan Dalam pemodelan deret berkala, sebagian data yang diketahui dapat digunakan untuk meramalkan sisa data Berikut bisa dilakukan perhitungan ketepatan peramalan secara lebih baik. Ketepatan peramalan pada masa yang akan datang adalah yang sangat penting. Jika Yt merupakan data riil untuk periode t dan Ft adalah ramalan untuk periode yang sama, maka kesalahannya dapat dituliskan sebagai berikut (Spyros, 1999). Et kesalahan pada periode t Yt data aktual pada periode t Ft peramalan periode t Jika ada nilai dan peramalan untuk n periode waktu, maka akan ada n buah kesalahan dan ukuran standar standar yang dapat dijabarkan sebagai berikut (Spyros, 1999): Mean Absolute Error (MAE) Mean Absolute Error atau nilai tengah kesalahan obsess adalah rata-rata dari kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif. Rata-rata kuadrat kesalahan (Mean Squared Error MSE) MSE merupakan metode alterntif untuk teknik teknik peramalan masing-masing kesalahan (contoh data dari data peramalan) dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah data. MSE dihitung dengan rumus: Tinggalkan Balasan Batalkan balasan Recent PostsPeramalan Sederhana (Single Moving Average vs Single Exponential Smoothing) Mungkin sebagian besar dari kita pernah mendengar tentang teknik peramalan. Tentunya bukan dukun peramal, tekni untuk meramalkan meramalkan meramalkan data deret waktu deret waktu. Peramalan merupakan suatu teknik yang penting bagi perusahaan atau pemerintah dalam mengambil kebijakan. Dalam meramal suatu nilai pada yang akan datang bukan berarti hasil yang menghasilkan sama persis, pelan merupakan suatu alternatif alternatif yang lumrah dalam ilmu statistik. Pada tulisan ini akan membahas contoh kasus peramalan menggunakan teknik Moving Average dan Exponential Smoothing. Kedua teknik ini merupakan ramalan tekni yang sangat sederhana karena tidak terkait dengan yang tinggi seperti pada tekni ramalan ARIMA, ARCHGARCH, ECM, VECM, VAR, dsb. Meski demikian, sayang data stasioner terpenuhi untuk meramal. Moving average adalah teknik peramalan berdasarkan rata-rata bergerak dari nilai-masa lalu, misalkan rata-rata bergerak 3 tahunan, 4 bulanan, 5 minggu, dll. Akankah teknik ini tidak disarankan untuk data time series yang menunjukkan adanya pengaruh tren dan musiman. Moving average terbagi menjadi single moving average dan double moving average. Pemulusan eksponensial Hampir sama dengan moving average yaitu teknik peramalan yang sederhana, dan telah menggunakan suatu penimbang dengan besaran antara 0 sampai 1. Jika nilai itu 1 maka hasil forecasting terlihat dari obseervasi, sedangkan jika terjadi wcca 0, maka hasil forecasting lead Ke ramalan sebelumnya Eksponensial smoothing terbagi menjadi single exponential smoothing dan double exponential smoothing. Kali ini, akan membahas metode perhitungan single moving average dengan single eksponensial smoothing. Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada Januari 2013. Ia meminta sang manajer untuk mengestimasi hal tersebut dengan data omzet bulanan dari bulan Juni 2011 sampai Desember 2012. Berbekal pengetahuan di bidang statistik, sang manajer melakukan forcast dengan metode single moving average 3 bulanan dan Smoothing eksponensial tunggal (w0,4). Single Moving Average Pada tabel di atas ramalan bulan September 2011 yaitu 128,667 juta rupiah dari penjumlahan omzet bulan Juni, Juli, Agustus 2011 dibagi dengan angka moving average (m3). Angka ramalan pada bulan Oktober 2011 yaitu 127 juta rupiah dari penjumlah omzet bulan Juli, Agustus, September 2011 dibagi dengan angka moving average tiga bulanan (m3). Perhitungan serupa dilakukan hingga ditemukan hasil ramalan bulan Januari 2013 sebesar 150,667 juta rupiah. Bisa diinterpretasikan itu omzet bulan Januari 2013 diperkirakan 150, 667 juta rupiah atau diakumulasi sebesar 1.333 juta rupiah dibandingkan dengan omzet Desember 2012 sebesar 152 juta rupiah. Info baris bulan bulan Juni-Agustus 2011 kolom Forecast hingga error tidak memiliki nilai, karena peramalan pada bulan-bulan ini tidak tersedia data moving average 3 bulanan, bulan sebelumnya. Selanjutnya untuk melihat kebaikan hasil ramalan digunaka RMSE (root mean square error) Untuk perhitungan RMSE, mula-mula dicari kesalahan atau selisih antara ramalan aktual dan ramalan (ramalan omzet), maka kuadrat nilai untuk masing-masing data bulanan. Lalu, jumlahkan seluruh kesalahan yang telah dikuadratkan. Terakhir hitung nilai RMSE dengan rumus di atas atau lebih gambangnya, untuk penjumlahan kesalahan yang telah dikuadratkan dengan banyaknya pengamatan dan hasil lalu di akarkan. Pada tabel di atas, jumlah observasi yaitu 16 (mulai dari September 2011-Desember 2012). Ekspansi Eksponensial tunggal. Selanjutnya kita akan melakukan peramalan dengan metode Single Exponential Smoothing. Cara ini menggunak penimbang yang bisa diperoleh dari operasi tertentu (tertentu), namun bisa juga ditentukan oleh para peneliti. Kali ini akan digunakan dengan w 4. Prakiraan W0,4 Ycap (t1) (juta rp.) Nilai ramalan pada bulan Juni 2011 yaitu 137.368 juta rupiah dari rata-rata omzet dari bulan Juni 2011 sampai bulan Desember 2012. Nilai ramalan pada bulan Juli 2011 yaitu 134,821 juta rupiah dari perhitungan dengan rumus di atas, dengan kata lain ramalan bulan Juli 2011 hasil dari hasil kali w0,4 dan nilai aktual omzet bulan Juli 2011 dijumlahkan dengan hasil kali (1-0,4) dan nila ramalan Bulan Juni 2011 sebesar 134,821 juta rupiah. Buat perhitungannya begini r bulan ramalan untuk bulan Januari 2013. Hasil ramalan omzet untuk bulan Januari 2013 yaitu 149.224 juta rupiah atau turun 2,776 juta rupiah. Kemudian hitung dengan RMSE moving average. Hanya saja jumlah observasi berbeda. Pada tabel di atas jumlah obervasi (m) yaitu 19 lebih banyak dibandingkan dengan metode simple moving average 3 bulanan (16) karena pada metode eksponensial perhitungan ramalan dapat dimulai dari data pada periode awal. Smoothing eksponensial tunggal RMSE sebesar 1.073. Selanjutnya dari kedua metode di atas akan mana hasil yang terbaik. Untuk hal tersebut maka, bandingkan nilai RMSE dari metode yang dulu. Metode dengan RMSE bisa dapat diandalkan sebagai metode terbaik untuk meramal. RMSE mov. average 0,946, RMSE exp. smoothing 1.073. RMSE mov. average lms RMSE exp. smoothing. Kesimpulanya dengan metode moving average lebih baik dalam melakukan peramalan, jadi omzet pada bulan Januari 2013 diperkirakan sebesar 150,667 juta rupiah (kurang memiliki nilai yang lebih rendah dari bulan sebelumnya). (Untuk materi yang lebih jelas, silakan dicari di buku-buku referensi Analisis Time Series, misalnya, Enders, Walter 2004. 2004. Econometric Time Series Edisi Kedua New Jersey: Willey. Kalo contoh soal dalam tulisan ini, saya kutipan dari buku modul Kuliah.