Panduan Lengkap dan Latihan Soal Forecasting Time Series: Moving Average, Exponential Smoothing, dan Regresi

Dalam dunia bisnis yang bergerak cepat, kemampuan untuk memprediksi masa depan bukan lagi sekadar keuntungan, melainkan kebutuhan. Forecasting atau peramalan merupakan alat vital bagi manajemen untuk mengambil keputusan terkait inventori, perencanaan produksi, hingga strategi keuangan. Artikel ini akan membahas secara tuntas tiga metode fundamental dalam time series forecasting: Moving Average (Rata-rata Bergerak), Exponential Smoothing (Penghalusan Eksponensial), dan Analisis Regresi.

Baca Juga : Memahami Kedalaman Niat: Kumpulan Contoh Soal Tentang Niat dan Pembahasannya

Memahami Pentingnya Forecasting dalam Bisnis

Forecasting adalah proses estimasi mengenai peristiwa di masa depan berdasarkan data historis. Dengan menggunakan data masa lalu, organisasi dapat meminimalkan ketidakpastian. Secara umum, metode peramalan dibagi menjadi dua: kualitatif dan kuantitatif. Fokus kita kali ini adalah metode kuantitatif yang mengandalkan data numerik dan model matematis.

1. Metode Moving Average (Rata-rata Bergerak)

Metode Moving Average (MA) sangat berguna jika Anda memiliki data yang relatif stabil tanpa tren atau pola musiman yang kuat. Tujuannya adalah untuk “menghaluskan” fluktuasi jangka pendek agar pola dasarnya terlihat lebih jelas.

A. Simple Moving Average (SMA)

Rumus dasar SMA adalah:

$$SMA = \frac{\sum_{i=1}^{n} D_i}{n}$$

Di mana $D_i$ adalah data pada periode $i$ dan $n$ adalah jumlah periode yang digunakan.

B. Weighted Moving Average (WMA)

WMA memberikan bobot lebih besar pada data terbaru karena data terbaru dianggap lebih relevan untuk memprediksi masa depan.

2. Metode Exponential Smoothing

Exponential Smoothing adalah teknik peramalan rata-rata bergerak yang memberikan bobot menurun secara eksponensial pada data yang lebih lama. Metode ini sangat populer karena hanya membutuhkan sedikit penyimpanan data historis.

Single Exponential Smoothing (SES)

Rumus utamanya adalah:

$$F_{t+1} = \alpha A_t + (1 – \alpha) F_t$$

Keterangan:

• $F_{t+1}$ = Ramalan untuk periode berikutnya
• $\alpha$ = Konstanta pemulusan ($0 \leq \alpha \leq 1$)
• $A_t$ = Data aktual pada periode $t$
• $F_t$ = Ramalan pada periode $t$

3. Metode Analisis Regresi (Trend Line)

Analisis regresi linier digunakan untuk meramalkan hubungan antara variabel dependen (biasanya permintaan atau penjualan) dengan variabel independen (waktu).

Persamaan garis trend:

$$Y = a + bX$$

Di mana:

• $Y$ = Variabel dependen (Hasil ramalan)
• $X$ = Variabel independen (Waktu)
• $a$ = Intersep (Nilai $Y$ saat $X=0$)
• $b$ = Kemiringan garis (Slope)

Kumpulan Latihan Soal dan Pembahasan

Berikut adalah latihan soal untuk menguji pemahaman Anda terhadap ketiga metode di atas.

Soal 1: Simple Moving Average (SMA)

Sebuah toko elektronik mencatat penjualan laptop selama 6 bulan terakhir:

• Januari: 40 unit
• Februari: 45 unit
• Maret: 38 unit
• April: 50 unit
• Mei: 48 unit
• Juni: 52 unit

Pertanyaan: Hitunglah ramalan penjualan untuk bulan Juli menggunakan 3-Month Moving Average!

Jawaban:

1. Ambil data 3 bulan terakhir (April, Mei, Juni).
2. $\frac{50 + 48 + 52}{3} = \frac{150}{3} = 50$ unit.Jadi, ramalan untuk bulan Juli adalah 50 unit.

Soal 2: Weighted Moving Average (WMA)

Menggunakan data yang sama dengan Soal 1, hitunglah ramalan bulan Juli menggunakan 3-Month WMA dengan bobot 0,5 untuk bulan terakhir, 0,3 untuk bulan sebelumnya, dan 0,2 untuk bulan tertua.

Jawaban:

1. April (0,2): $50 \times 0,2 = 10$
2. Mei (0,3): $48 \times 0,3 = 14,4$
3. Juni (0,5): $52 \times 0,5 = 26$
4. Total: $10 + 14,4 + 26 = 50,4$ unit.Jadi, ramalan untuk bulan Juli adalah 50,4 unit.

Soal 3: Single Exponential Smoothing

Penjualan aktual bulan Januari adalah 100 unit, dan ramalan untuk bulan Januari adalah 95 unit. Gunakan konstanta pemulusan $\alpha = 0,2$ untuk menghitung ramalan bulan Februari.

Jawaban:

1. $F_{Feb} = 0,2(100) + (1 – 0,2)(95)$
2. $F_{Feb} = 20 + (0,8 \times 95)$
3. $F_{Feb} = 20 + 76 = 96$ unit.

Soal 4: Regresi Linier Sederhana

Data penjualan sebuah UMKM dalam 3 tahun terakhir (dalam juta rupiah):

• Tahun 1 (X=1): 150
• Tahun 2 (X=2): 170
• Tahun 3 (X=3): 190

Pertanyaan: Tentukan persamaan regresi dan ramalan untuk tahun ke-4!

Jawaban:

Melihat pola data, setiap tahun naik secara konstan sebesar 20.

• $b = 20$
• Jika $X=1, Y=150$, maka $150 = a + 20(1) \rightarrow a = 130$.
• Persamaan: $Y = 130 + 20X$
• Ramalan Tahun 4: $Y = 130 + 20(4) = 210$.

Tabel Perbandingan Metode Forecasting

Tips Mengoptimalkan Hasil Forecasting

1. Evaluasi Akurasi: Gunakan Mean Absolute Deviation (MAD) atau Mean Squared Error (MSE) untuk mengetahui metode mana yang paling akurat bagi data Anda.
2. Gunakan Software: Untuk data skala besar, gunakan Excel (Data Analysis Toolpak), Python (Pandas/Statsmodels), atau R.
3. Pahami Konteks: Angka hasil ramalan hanyalah angka jika tidak dibarengi dengan pemahaman situasi pasar (seperti adanya pandemi atau perubahan regulasi).

Baca Juga : Universitas Teknokrat Indonesia Pamerkan Cookies Premium Bonava Karya Mahasiswa FEB di Teknokrat Academic Expo 2026

Kesimpulan

Menguasai Moving Average, Exponential Smoothing, dan Regresi memberikan fondasi yang kuat bagi siapa saja yang ingin mendalami analisis data. Tidak ada satu metode yang sempurna untuk segala kondisi; kuncinya adalah mencoba berbagai metode dan memilih yang memiliki tingkat kesalahan terkecil.

Apakah Anda tertarik untuk mempelajari cara menghitung MAD dan MSE guna menguji akurasi soal-soal di atas?

Penulis : Nabila