Forecasting:
Moving Average &
Exponential Smoothing
Memahami peramalan bisnis, data deret waktu, Moving Average, Exponential Smoothing, evaluasi akurasi, dan penerapannya di Power BI.
🎯 Tujuan Pembelajaran
Setelah mempelajari materi ini, mahasiswa diharapkan mampu:
Menjelaskan konsep peramalan dan manfaatnya untuk keputusan bisnis.
Mengenali trend, seasonality, cyclic, dan irregular.
Memahami logika Moving Average dan Exponential Smoothing.
Mengenal MAE, RMSE, dan MAPE sebagai ukuran kesalahan.
Mengikuti langkah forecasting pada Line Chart dan Analytics pane.
Menghubungkan forecast dengan target penjualan, promosi, stok, dan kapasitas.
1. Memahami Peramalan Bisnis
Forecasting adalah proses memperkirakan nilai masa depan berdasarkan pola data historis. Dalam bisnis, forecasting digunakan untuk membantu proyeksi penjualan, produksi, dan permintaan.
Membantu pengambilan keputusan strategis dan mengantisipasi perubahan tren pasar atau operasional.
Kualitatif berbasis opini ahli dan kuantitatif berbasis model statistik serta data.
Ilustrasi visual peramalan dari materi sumber yang Anda berikan.
2. Komponen Data Deret Waktu
Data time series dapat diuraikan menjadi beberapa komponen. Mengenali komponen ini membantu kita memahami pola sebelum melakukan forecasting.
📈 Trend (T)
Arah pergerakan jangka panjang data: naik, turun, atau relatif datar.
🔁 Seasonality (S)
Pola yang berulang pada interval waktu yang tetap, misalnya harian, mingguan, atau tahunan.
〰️ Cyclic (C)
Fluktuasi jangka menengah yang biasanya berkaitan dengan siklus ekonomi dan dapat berlangsung lebih dari satu tahun.
🎲 Irregular (I)
Variasi acak atau noise yang tersisa setelah komponen pola lainnya diperhitungkan.
3. Moving Average (MA)
Moving Average menghitung rata-rata sejumlah periode terakhir sebanyak k periode untuk memperkirakan periode berikutnya.
4. Contoh Perhitungan MA 3-Periode
Gunakan data historis penjualan berikut.
| Periode | Nilai Aktual (Yt) | Peramalan MA 3-Periode |
|---|---|---|
| 1 | 200 | — |
| 2 | 210 | — |
| 3 | 220 | (200 + 210 + 220) / 3 = 210 |
| 4 | 230 | (210 + 220 + 230) / 3 = 220 |
| 5 | 240 | (220 + 230 + 240) / 3 = 230 |
🧮 Mini Kalkulator MA 3-Periode
Masukkan tiga nilai aktual terakhir untuk menghitung forecast periode berikutnya.
5. Exponential Smoothing
⚖️ Bobot Eksponensial
Observasi yang lebih baru diberi bobot lebih besar, sedangkan bobot data lama menurun secara eksponensial.
α sebagai parameter smoothing
Dengan 0 < α < 1.
Jenis Model Utama
Simple ES (SES)
Untuk data tanpa tren atau musiman.
ETS(A,N,N)
Double ES (Holt)
Mengandung level dan tren.
ETS(A,A,N)
Triple ES (Holt–Winters)
Mengandung level, tren, dan musiman.
ETS(A,A,A)
🧮 Mini Kalkulator Exponential Smoothing
Masukkan α, nilai aktual saat ini (Yt), dan forecast saat ini (Ŷt).
6. Implementasi ETS dalam Power BI
Materi sumber menjelaskan bahwa Power BI menggunakan pendekatan Exponential Triple Smoothing (Holt–Winters ETS) untuk forecasting dan menampilkan hasil peramalan secara visual.
FORECAST.ETS(target_y, timeline, [seasonality], [data_completion], [aggregation])Tentukan apakah data memiliki tren atau pola musiman.
Materi menjelaskan pemilihan model ETS seperti SES, Holt, atau Holt–Winters.
Parameter pemulusan α, β, dan γ dioptimalkan dengan meminimalkan RMSE.
Forecast ditampilkan bersama interval kepercayaan (confidence interval).
7. Evaluasi Akurasi Forecast
Forecast tidak cukup hanya menghasilkan angka. Kita juga perlu menilai seberapa besar kesalahan antara hasil peramalan dan data aktual.
MAE
Mean Absolute Error
Rata-rata besarnya selisih absolut antara forecast dan nilai aktual.
RMSE
Root Mean Square Error
Memberi bobot lebih besar pada error yang besar karena error dikuadratkan.
MAPE
Mean Absolute Percentage Error
Mengukur error dalam bentuk persentase sehingga relatif mudah diinterpretasikan.
8. Langkah Praktis Forecasting di Power BI
Pastikan kolom tanggal bertipe Date dan kolom nilai, misalnya money_USD, bertipe Decimal Number.
Gunakan Line Chart; letakkan date pada Axis dan money_USD pada Values.
Buka panel Analytics dan aktifkan opsi Forecast.
Sesuaikan Length, Confidence Interval, dan Seasonality.
Perhatikan garis forecast dan rentang bayangan yang menunjukkan interval kepercayaan.
9. R atau Python di Power BI
Materi juga menunjukkan bahwa integrasi R/Python dapat memperluas kemampuan analitik dan menggabungkan visualisasi interaktif dengan analisis prediktif.
Contoh R
library(forecast) ts_data <- ts(dataset$sales, frequency=12) plot(forecast(auto.arima(ts_data), h=12))
Contoh Python
from statsmodels.tsa.arima.model import ARIMA
import matplotlib.pyplot as plt
ts = dataset.set_index('date')['sales']
fit = ARIMA(ts, order=(1,1,1)).fit()
plt.plot(ts)
plt.plot(fit.forecast(12))
10. Studi Kasus: Kopi Gagak
Kopi Gagak adalah perusahaan distribusi kopi yang menggunakan Power BI untuk memantau data penjualan bulanan tahun 2022–2024.
Tim bisnis menambahkan fitur forecasting untuk memperkirakan tren penjualan enam bulan ke depan. Dashboard menampilkan data historis dan garis forecast.
Pertanyaan Studi Kasus
Mengapa forecasting penting bagi perusahaan seperti Kopi Gagak dalam membuat keputusan bisnis?
Bagaimana forecast dapat membantu manajemen menentukan strategi pemasaran dan perencanaan stok?
Jika forecast menunjukkan penurunan penjualan dalam tiga bulan ke depan, data atau indikator apa yang perlu diperiksa manajer sebelum mengambil tindakan?
11. Glosarium Istilah
Peramalan nilai masa depan berdasarkan pola data historis.
Data yang dicatat berdasarkan urutan waktu.
Arah pergerakan jangka panjang suatu data.
Pola yang berulang pada interval waktu tertentu.
Rata-rata beberapa periode terakhir untuk memperkirakan periode berikutnya.
Metode smoothing yang memberi bobot lebih besar pada data terbaru.
Exponential Triple Smoothing; pada materi dikaitkan dengan level, tren, dan musiman.
Ukuran error yang memberi penalti lebih besar pada error besar.
Ukuran error dalam bentuk persentase.
Rentang yang ditampilkan bersama hasil forecast untuk menunjukkan ketidakpastian.
Panel Power BI yang pada materi digunakan untuk mengaktifkan Forecast.
Visual berbentuk garis untuk melihat perubahan nilai sepanjang waktu.
12. Cek Pemahaman — 10 Soal
Pilih satu jawaban yang paling tepat. Kerjakan terlebih dahulu, kemudian klik Periksa Semua Jawaban.
13. Ringkasan
Memperkirakan nilai masa depan dari pola data historis.
Menggunakan rata-rata beberapa periode terakhir dengan bobot sama.
Memberi bobot lebih besar pada observasi yang lebih baru.
MAE, RMSE, dan MAPE digunakan untuk memahami error forecast.
Forecast dapat ditampilkan secara visual melalui Line Chart dan Analytics.
Forecast perlu diterjemahkan menjadi target, promosi, stok, dan kapasitas.
.png)
0 Komentar