28
Langkah 2 –
Deseasonalize data asli. Untuk menghilangkan efek seasonal dalam
data, kita harus membagi data asli dengan faktor seasonal.
Langkah 3 –
Mengmbangkan garis least square regression untuk data yang telah di
Deseasonalize. Tujuannya adalah untuk mengembangkan persamaan
untuk garis Y, yang kemudian kita modifikasi dengan faktor seasonal.
Langkah 4 – Memproyeksikan garis regresi melalui periode yang akan diramal.
Langkah 5 –
Membuat peramalan akhir dengan menyesuaikan garis regresi dengan
faktor seasonal.
2.3.4 Menghitung Kesalahan Peramalan
Mengukur akurasi dari model peramalan dapat dilakukan dengna
membandingkan nilai yang diramal dengan nilai aktual.
Forecast error = Aktual demand – Forecast value
Ada beberapa cara yang dapat digunakan untuk mengukur kesalahan peramalan.
Pengukuran ini dapat digunakan untuk membandingkan beberapa metode peramalan.
Menurut Heizer dan Render (2009:145) metode perhitungan kesalahan yang sering
digunakan yaitu:
Mean Absolute Deviation – MAD
MAD adalah ukuran pertama kesalahan peramalan keseluruhan untuk sebuah
model. Nilai ini dihitung dengan menjumlah nilai absolute dari masing-
masing kesalahan forecast (deviasi) dan membaginya dengan jumlah periode
data:
Mean Squared Error – MSE
MSE merupakan rata-rata selisih yang dikuadratkan antara nilai yang diramal
dan nilai aktual.
Gaspersz (2005:
80) menyatakan bahwa akurasi peramalan akan
semakin
tinggi jika apabila nilai-nilai MAD
dan MSE semakin kecil.
Hal ini dikuatkan
juga oleh Rangkuti (2005: 70) yang menyatakan keharusan untuk membandingkan
 |