Peramalan (Forecasting) — Moving Average, Exponential Smoothing, Trend dari Nol

Pemilik sebuah roastery kecil di Bandung mencatat penjualan bulanannya selama dua tahun. Angkanya naik-turun: melonjak tiap menjelang akhir tahun, turun sedikit di awal tahun, lalu menanjak lagi. Sekarang ia dihadapkan pertanyaan yang dialami hampir semua pelaku usaha: berapa penjualan yang harus ia siapkan bulan depan? Stok biji kopi yang berlebihan membusuk; stok yang kurang membuat pelanggan pergi. Tebakan saja tidak cukup — ia butuh ramalan yang berakar pada pola dua tahun datanya.

Inilah pekerjaan peramalan (forecasting): memproyeksikan nilai masa depan sebuah deret berdasarkan pola masa lalunya. Berbeda dengan regresi linear sederhana yang mencari hubungan antara dua variabel berbeda (jam belajar → nilai), peramalan deret waktu hanya memegang satu kolom angka berurutan menurut waktu — penjualan, permintaan, harga — dan bertanya: dari bentuk deret itu, ke mana arahnya berikutnya?

Artikel ini membawa Anda dari nol. Kita urai dulu apa saja komponen yang membentuk sebuah deret waktu, lalu kerjakan lima metode peramalan paling dasar satu per satu — simple moving average, weighted moving average, exponential smoothing, garis tren linear, dan FORECAST.ETS Excel — dengan hitung manual pada data 24 bulan UMKM yang sama. Di akhir, kita bandingkan kelimanya dengan tiga metrik akurasi dan lihat siapa pemenangnya.

Empat Komponen Deret Waktu

Sebelum memilih metode, kita perlu tahu apa yang menyusun sebuah deret. Setiap deret waktu, secara klasik, diurai menjadi empat komponen:

• Tren (trend) — gerakan jangka panjang, naik atau turun, yang bertahan tahunan. Roastery kami, misalnya, secara umum menanjak karena basis pelanggan tumbuh. Tren adalah arah “pasar” yang mendasar.
• Musiman (seasonal) — pola berulang dengan periode tetap, biasanya dalam setahun. Penjualan kopi melonjak tiap Desember (kado akhir tahun) dan Juni (Ramadan-Lebaran). Pola ini bisa diprediksi karena siklusnya tetap.
• Siklis (cyclical) — naik-turun yang lebih lambat dan tidak berperiode tetap, biasanya terkait siklus ekonomi (resesi, booming). Berbeda dengan musiman: siklus tidak punya kalender yang pasti.
• Ireguler (irregular / noise) — sisa fluktuasi acak yang tidak dijelaskan tiga komponen di atas: hujan deras sehari membuat pengunjung turun, mesin penggiling rusak tiga hari, atau satu pesanan korporat besar tiba-tiba.

[ilustrasi «timeseries-components» belum tersedia]

Mengapa penguraian ini penting? Karena tiap metode peramalan dirancang untuk komponen tertentu. Moving average dan exponential smoothing sederhana menghaluskan noise — cocok bila tidak ada tren jelas. Garis tren linear menangkap tren — cocok bila musiman lemah. FORECAST.ETS menangkap tren dan musiman sekaligus — tapi butuh minimal satu siklus penuh data untuk mendeteksi pola musiman.

Untuk roastery kami, deret 24 bulan menunjukkan tren naik jelas dan puncak Desember/Juni yang berulang. Dua komponen aktif sekaligus. Lihat bagaimana ini memengaruhi pilihan metode di akhir artikel.

Data Latih: 24 Bulan Penjualan UMKM

Kita pakai data yang sama sepanjang artikel — penjualan bulanan (Rp juta) Kopi Sumber Rejeki, Januari 2024 sampai Desember 2025. Ini data yang ada di lembar DATA_PERAMALAN berkas Excel pendamping.

Perhatikan dua hal sebelum menghitung apa pun. Pertama, tren naik: dari rata-rata sekitar 125 di tahun pertama ke sekitar 160 di tahun kedua. Kedua, dua puncak jelas: Desember 2024 (168) dan Desember 2025 (198), serta Juni di kedua tahun (142 dan 168). Inilah komponen musiman dengan periode 12. Dengan dua komponen aktif, kita bisa menduga garis tren linear akan kalah oleh metode yang mengenali musiman — duga yang akan kita uji secara empiris.

Konvensi penting yang dipakai di seluruh artikel: ramalan untuk periode $t$ dibuat hanya dengan informasi sampai periode $t-1$ (satu langkah ke depan, one-step-ahead). Ini adil — kita tidak “curang” dengan memakai nilai aktual bulan yang sedang diramal.

Metode 1: Simple Moving Average (SMA)

Ide paling sederhana: ramalan bulan depan adalah rata-rata $k$ nilai terakhir. Tidak ada tren, tidak ada musiman — hanya rata-rata yang bergeser (moving). Rumusnya:

$$F_t = \frac{A_{t-1} + A_{t-2} + \dots + A_{t-k}}{k} = \frac{1}{k}\sum_{i=1}^{k} A_{t-i}$$

Tiap lambang:

• $F_t$ = ramalan (forecast) untuk periode ke-$t$.
• $A_{t-i}$ = nilai aktual $i$ periode sebelum $t$.
• $k$ = jumlah periode yang dirata-ratakan — “jendela”.

SMA-3 memakai $k=3$ (tiga bulan terakhir), SMA-5 memakai $k=5$. Konsekuensi langsung dari $k$: makin besar $k$, makin halus ramalannya (karena lebih banyak nilai dirata-rata), tetapi makin lambat merespons perubahan. Trade-off klasik antara halus dan responsif.

Contoh hitung SMA-3 dari nol

Ramalkan periode $t=4$ (April 2024). Nilai aktual tiga periode sebelumnya: $A_3=126$, $A_2=122$, $A_1=118$.

$$F_4 = \frac{126 + 122 + 118}{3} = \frac{366}{3} = 122{,}0$$

Ramalkan $t=6$ (Juni 2024, puncak musiman pertama):

$$F_6 = \frac{A_5 + A_4 + A_3}{3} = \frac{128 + 124 + 126}{3} = \frac{378}{3} = 126{,}0$$

Perhatikan: aktual $A_6 = 142$, tetapi ramalan SMA-3 hanya $126{,}0$ — meleset $16$. Ini kelemahan mendasar SMA di hadapan musiman: rata-rata tiga bulan terakhir “tidak tahu” bahwa Juni biasanya tinggi. SMA hanya menghaluskan; ia tidak mengingat pola tahun lalu.

SMA-5: jendela lebih lebar, lebih halus

SMA-5 butuh lima nilai, jadi ramalan pertama muncul di $t=6$:

$$F_6 = \frac{128 + 124 + 126 + 122 + 118}{5} = \frac{618}{5} = 123{,}6$$

Lebih halus dibanding SMA-3 ($123{,}6$ vs $126{,}0$), tetapi juga lebih jauh dari aktual ($142$): meleset $18{,}4$. Jendela lebih lebar merata-rata lebih banyak noise, tetapi juga “mencairkan” sinyal terkini.

Aturan praktis jendela: kalau data berfluktuasi acak di sekitar rata-rata tetap (tidak ada tren/musiman), pakai $k$ yang lebih besar agar halus. Kalau data berubah cepat, pakai $k$ kecil agar responsif. Untuk data dengan tren atau musiman jelas, SMA hampir selalu kalah oleh metode yang dirancang untuk komponen tersebut.

Metode 2: Weighted Moving Average (WMA)

SMA memberi bobot sama ke semua periode dalam jendela — bulan lalu sama persis bobotnya dengan bulan tiga bulan lalu. Padahal, informasi terbaru biasanya lebih relevan. WMA memperbaiki ini: bulan terbaru dapat bobot lebih besar. Rumusnya:

$$F_t = w_1 A_{t-1} + w_2 A_{t-2} + \dots + w_k A_{t-k}, \qquad \sum_{i=1}^{k} w_i = 1$$

Bobot $w_1 > w_2 > \dots > w_k$, berjumlah 1. Untuk WMA-3, bobot yang umum: $w_1 = 0{,}5$, $w_2 = 0{,}3$, $w_3 = 0{,}2$ (bulan terbaru setengah, terlama seperlima).

Contoh hitung WMA-3

Ramalkan $t=6$ (Juni 2024) dengan bobot 0,5/0,3/0,2:

$$F_6 = 0{,}5 \cdot A_5 + 0{,}3 \cdot A_4 + 0{,}2 \cdot A_3 = 0{,}5(128) + 0{,}3(124) + 0{,}2(126)$$

$$= 64 + 37{,}2 + 25{,}2 = 126{,}4$$

Sedikit lebih tinggi dari SMA-3 ($126{,}0$) karena bulan terbaru ($A_5=128$, yang lebih tinggi) mendapat bobot besar. Selisihnya kecil di sini, tetapi pada titik balik (data mulai naik/ turun tajam), WMA lebih cepat menangkap arah baru. Inilah inti bobot: responsivitas terhadap perubahan terkini.

Bagaimana memilih bobot? Tidak ada rumus baku. Praktik umum: bobot menurun linear (5-3-2 untuk $k=3$, atau 4-3-2-1/10 untuk $k=4$), atau menurun eksponensial. Kalau ingin optimasi penuh, minimalkan MAPE (lihat bagian metrik) dengan mencoba beberapa set bobot dan memilih yang terbaik.

Metode 3: Exponential Smoothing

WMA memberi bobot berbeda, tetapi tetap membuang data di luar jendela $k$. Exponential smoothing melangkah lebih jauh: semua data masa lalu dipakai, tetapi bobotnya menurun eksponensial — data terbaru bobot besar, data lama bobotnya hampir nol, tetapi tidak pernah benar-benar hilang. Keajaibannya: semua itu dirangkum dalam satu rumus rekursif yang elegan:

$$F_t = F_{t-1} + \alpha\,(A_{t-1} - F_{t-1})$$

Tiap lambang:

• $F_t$ = ramalan periode $t$.
• $F_{t-1}$ = ramalan periode sebelumnya (yang sudah dihitung).
• $A_{t-1}$ = aktual periode sebelumnya (baru saja teramati).
• $\alpha$ (alpha) = parameter smoothing, antara 0 dan 1.

Bacalah polos: ramalan baru = ramalan lama + sebagian dari kesalahan terakhir. Jika ramalan lalu meremehkan ($A_{t-1} > F_{t-1}$), ramalan ini dinaikkan. Jika melebih-lebihkan, diturunkan. Besarnya penyesuaian dikendalikan oleh $\alpha$.

Peran parameter α

$\alpha$ adalah “tuas kecepatan belajar”:

• $\alpha$ kecil (0,1) → ramalan berubah lambat, sangat halus. Cocok bila banyak noise dan kita percaya pola dasarnya stabil.
• $\alpha$ besar (0,5) → ramalan cepat mengikuti aktual, sangat responsif. Cocok bila pola berubah cepat, tetapi juga ikut noise.
• $\alpha = 1$ → ramalan = aktual periode lalu (ramalan naif, $F_t = A_{t-1}$).

Contoh hitung exponential smoothing dari nol

Pakai $\alpha = 0{,}3$ (nilai sedang, default di berkas Excel). Ada dua hal yang perlu ditetapkan dulu: seed dan rumus rekursif.

Seed: untuk memulai, pakai konvensi $F_2 = A_1$ (ramalan periode 2 = aktual periode 1). Jadi $F_2 = 118$.

Periode $t=3$:

$$F_3 = F_2 + \alpha(A_2 - F_2) = 118 + 0{,}3(122 - 118) = 118 + 1{,}2 = 119{,}2$$

Periode $t=4$:

$$F_4 = F_3 + \alpha(A_3 - F_3) = 119{,}2 + 0{,}3(126 - 119{,}2) = 119{,}2 + 2{,}04 = 121{,}24$$

Periode $t=5$:

$$F_5 = 121{,}24 + 0{,}3(124 - 121{,}24) = 121{,}24 + 0{,}828 \approx 122{,}07$$

Perhatikan pola: setiap ramalan bergerak ke arah aktual terbaru, tetapi dengan langkah yang diatur $\alpha$. Kalau $\alpha=0{,}3$ dirasa terlalu halus (terlambat menangkap puncak), naikkan ke 0,5; kalau terlalu ikut noise, turunkan ke 0,1. Lembar METODE_DETAIL berkas Excel membandingkan ketiganya secara berdampingan — lihat bagaimana garis α=0,5 menempel lebih erat pada aktual dibanding α=0,1.

Mengapa “eksponensial”? Bila rumus rekursif itu diuraikan, bobot yang diterapkan pada $A_{t-1}, A_{t-2}, A_{t-3}, \dots$ ternyata $\alpha, \alpha(1-\alpha), \alpha(1-\alpha)^2, \dots$ — deret geometri yang menurun eksponensial. Maka seluruh sejarah data “tertimbang” tanpa harus menyimpan semuanya: cukup satu angka ramalan sebelumnya. Inilah yang membuat exponential smoothing begitu hemat dan populer di sistem peramalan inventaris berskala besar.

Keterbatasan smoothing sederhana

Exponential smoothing bentuk dasar ini (sering disebut SES, simple exponential smoothing) tidak menangkap tren maupun musiman. Ramalannya akan selalu datar (flat) begitu data aktual habis. Untuk deret yang menanjak seperti roastery kami, SES akan sistematis meremehkan. Varian lanjutannya — Holt’s (tren) dan Holt-Winters (tren + musiman, dasar FORECAST.ETS) — mengatasi ini, tetapi melampaui cakupan artikel tingkat dasar. Yang penting Anda pahami dulu: α mengatur halus-responsif, dan SES cocok untuk deret datar tanpa tren/musiman jelas.

Metode 4: Garis Tren Linear (Regresi terhadap Waktu)

Berbeda dengan tiga metode sebelumnya yang “menghaluskan”, garis tren linear secara eksplisit memodelkan tren. Idenya: pasang satu garis lurus pada seluruh data, dengan sumbu-x adalah indeks waktu $t = 1, 2, \dots, n$ dan sumbu-y adalah nilai aktual. Persis regresi linear sederhana dari materi sebelumnya, hanya variabel bebasnya kini adalah waktu.

$$\hat{y}_t = b_0 + b_1\,t$$

Slope $b_1$ dan intercept $b_0$ dicari dengan kuadrat terkecil — rumus yang sama:

$$b_1 = \frac{\sum_{i=1}^{n}(t_i - \bar{t})(A_i - \bar{A})}{\sum_{i=1}^{n}(t_i - \bar{t})^2}, \qquad b_0 = \bar{A} - b_1 \bar{t}$$

Hitung slope dan intercept dari 24 bulan

Kolom bantu: $t - \bar{t}$, $A - \bar{A}$, hasil kalinya $(t-\bar{t})(A-\bar{A})$, dan kuadratnya $(t-\bar{t})^2$. Dengan $n=24$, $\bar{t} = 12{,}5$ dan $\bar{A} = 3488/24 \approx 145{,}33$. (Lembar METODE_DETAIL menampilkan keempat kolom bantu ini untuk semua 24 baris dengan formula hidup.)

Jumlahkan dua kolom kunci:

$$\sum(t_i - \bar{t})(A_i - \bar{A}) = 1150{,}0, \qquad \sum(t_i - \bar{t})^2 = 500{,}0$$

Maka:

$$b_1 = \frac{1150{,}0}{500{,}0} = 2{,}30, \qquad b_0 = 145{,}33 - 2{,}30 \times 12{,}5 = 145{,}33 - 28{,}73 = 116{,}6$$

Persamaan tren:

$$\hat{y}_t = 116{,}6 + 2{,}3\,t$$

Tafsir polos: penjualan dimulai dari sekitar $\hat{y}_1 = 116{,}6 + 2{,}3(1) \approx 118{,}9$ juta di bulan pertama, dan naik rata-rata 2,3 juta per bulan. Dalam dua tahun, akumulasi trennya $2{,}3 \times 23 \approx 53$ juta — sesuai dengan naiknya penjualan dari sekitar 125 ke 178 (rata-rata tahun kedua). Koefisien determinasi $R^2 = 0{,}73$: garis linear ini menjelaskan 73% variasi penjualan. Sisanya 27% — sebagian besar adalah musiman (puncak Desember/Juni) yang garis lurus tidak bisa tangkap.

Ramalan ke masa depan dengan tren

Inilah keunggulan utama garis tren: sekali persamaan ketemu, ekstrapolasi ke masa depan trivial. Ramalkan Januari 2026 ($t=25$):

$$\hat{y}_{25} = 116{,}6 + 2{,}3 \times 25 = 116{,}6 + 57{,}5 = 174{,}1$$

Februari 2026 ($t=26$): $\hat{y}_{26} = 176{,}4$. Maret 2026 ($t=27$): $\hat{y}_{27} = 178{,}7$.

Tetapi perhatikan apa yang tidak ditangkap: garis ini meramalkan Januari 2026 sebesar 174, padahal Januari historis selalu di bawah tren (132 di 2025, 132 vs tren ~145). Garis linear tidak tahu Januari itu bulan “rendah”. Inilah sebabnya, meskipun $R^2$-nya 0,73, garis tren akan kalah oleh metode musiman dalam akurasi satu-langkah.

Metode 5: FORECAST.ETS (Excel Otomatis)

Empat metode di atas Anda hitung dengan tangan. Sekarang, Excel menyediakan jalan pintas yang jauh lebih canggih: fungsi =FORECAST.ETS. Di baliknya adalah algoritma triple exponential smoothing (Holt-Winters) yang secara otomatis mendekomposisi deret menjadi level, tren, dan pola musiman — lalu meramalkan ketiganya bersama.

Sintaksnya:

=FORECAST.ETS(target_date, values, timeline, [seasonality], [data_completion], [aggregation])

• target_date = titik waktu yang diramal (di sini, indeks $t$).
• values = rentang nilai aktual (kolom penjualan).
• timeline = rentang waktu sejajar dengan values (kolom $t$).
• seasonality = panjang siklus musiman (0 = deteksi otomatis; 12 = pola tahunan bulanan).

Dengan seasonality=12, FORECAST.ETS mendeteksi puncak Desember dan Juni dari data historis dan membawanya ke ramalan. Inilah yang tidak mampu dilakukan keempat metode sebelumnya.

Mengapa butuh minimal dua siklus?

FORECAST.ETS memerlukan setidaknya satu siklus musiman penuh (12 bulan) untuk mulai memperkirakan pola, dan idealnya dua siklus (24 bulan) agar estimasi musiman stabil. Itulah sebabnya data 24 bulan kami pas — cukup. Dengan hanya 12 bulan, estimasi musiman masih sangat tidak pasti. Inilah trade-off: model yang lebih kaya butuh lebih banyak data.

Metrik Akurasi: MAE, MAPE, RMSE

Lima metode, lima ramalan berbeda. Mana yang “terbaik”? Kita perlu mengukur seberapa jauh ramalan dari aktual — secara objektif, dengan angka. Tiga metrik baku:

MAE — Mean Absolute Error. Rata-rata selisih mutlak antara aktual dan ramalan.

$$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n} |A_i - F_i|$$

Satuannya sama dengan data (Rp juta), sehingga gampang dibaca: “rata-rata meleset sekian juta.” Tetapi tidak bisa dibandingkan antar produk dengan skala berbeda.

MAPE — Mean Absolute Percentage Error. Rata-rata selisih mutlak dalam persen.

$$\text{MAPE} = \frac{1}{n}\sum_{i=1}^{n} \left|\frac{A_i - F_i}{A_i}\right|$$

Skala persen membuatnya bisa dibandingkan antar produk, pasar, atau periode. MAPE 5% berarti rata-rata ramalan meleset 5% dari aktual. Inilah metrik yang paling sering dipakai untuk membandingkan metode.

RMSE — Root Mean Square Error. Akar dari rata-rata error dikuadratkan.

$$\text{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(A_i - F_i)^2}$$

Karena error dikuadratkan sebelum dirata-rata, error besar dihukum lebih berat (kuadrat dari 10 = 100, kuadrat dari 2 = 4). RMSE cocok bila Anda sangat ingin menghindari ramalan yang sesekali meleset jauh, meski rata-ratanya kecil.

Jendela evaluasi yang adil

Untuk membandingkan kelima metode secara adil, kita hitung metrik hanya pada periode di mana semua metode sudah punya ramalan. SMA-5 baru menghasilkan ramalan mulai $t=6$, FORECAST.ETS paling akurat mulai $t=13$ (butuh satu siklus). Kita pakai jendela $t=6$ sampai $t=24$ — 19 periode yang komparabel. Hasilnya, dari lembar DATA_PERAMALAN:

[ilustrasi «forecast-methods-comparison» belum tersedia]

Tiga pelajaran dari tabel ini:

1. FORECAST.ETS menang telak (MAPE 2,9% — hampir setengah dari yang kedua). Sebabnya jelas: ia satu-satunya yang menangkap musiman. Di puncak Desember 2025, aktual=198 dan ETS meramalkan 197,4 — meleset hanya 0,3%. Linear Trend di bulan yang sama meramalkan 171,8 — meleset 13%.

2. Linear Trend mengalahkan moving average (5,4% vs 6,1–6,7%). Sebabnya: data memiliki tren naik yang jelas, dan garis linear menangkapnya. Moving average “tertinggal” di belakang tren — mereka merata-rata nilai lama yang lebih rendah.

3. SMA-3, SMA-5, WMA, dan SES berdekatan (6,1–6,7%). Untuk data dengan tren dan musiman, keempat metode ini sama-sama kurang cocok — mereka dirancang untuk deret datar. Selisih antar mereka lebih disebabkan noise ketidakberuntungan daripada keunggulan mendasar.

Tidak ada metode “terbaik” mutlak. Pemenang ditentukan oleh pola data. Data datar → SES cukup. Data menanjak → Linear Trend. Data bermusiman → Holt-Winters / FORECAST.ETS. Inilah mengapa mengenali komponen deret (lihat kembali bagian awal) adalah langkah pertama yang menentukan.

Bereksperimen Sendiri

Ubah parameter α, bobot WMA, atau data aktual di berkas Excel — semua ramalan dan metrik akan menghitung ulang otomatis. Lihat bagaimana α besar membuat exponential smoothing lebih responsif, atau bagaimana menghapus puncak Desember meratakan skor FORECAST.ETS.

Rumus di Excel

Setelah paham asal-usulnya, di Excel cukup pakai fungsi bawaan. Semua rumus di bawah ini hidup di berkas pendamping.

' Simple Moving Average (k=3)
=AVERAGE(D2:D4)                              ' rata-rata 3 sel aktual terakhir

' Weighted Moving Average (bobot di sel terpisah)
=SUMPRODUCT(D2:D4, {0.2;0.3;0.5})            ' array bobot, terbaru terbesar
' atau eksplisit:
=D2*0.2 + D3*0.3 + D4*0.5

' Exponential Smoothing (rekursif, sel per sel)
' F_t di sel E3 = E2 + alpha*(D2 - E2), dengan alpha di sel bernama
=E2 + alpha*(D2 - E2)

' Garis Tren Linear (slope & intercept dari seluruh data)
=SLOPE(D2:D25, A2:A25)                       ' slope b1
=INTERCEPT(D2:D25, A2:A25)                   ' intercept b0
=RSQ(D2:D25, A2:A25)                         ' R^2
=TREND(D2:D25, A2:A25, A26)                  ' ramalan satu titik

' FORECAST.ETS (Excel 2016+)
=FORECAST.ETS(A26, D2:D25, A2:A25, 12, 1, 1) ' seasonality=12 untuk bulanan

' Metrik error
=SUMPRODUCT(ABS(Aktual-Ramalan))/COUNT(...)  ' MAE
=SUMPRODUCT(ABS((Aktual-Ramalan)/Aktual))/COUNT(...)  ' MAPE
=SQRT(SUMPRODUCT((Aktual-Ramalan)^2)/COUNT(...))      ' RMSE

Tip penting untuk FORECAST.ETS: kalau Anda membuat berkas dengan Python (openpyxl) dan menemukan FORECAST.ETS mengembalikan #N/A saat dibuka, tulis rumusnya dengan awalan _xlfn. — yaitu =_xlfn.FORECAST.ETS(...). Excel menyimpan fungsi modern dengan awalan ini secara internal; tanpa awalan, fungsi tak dikenali. Pada saat ditampilkan di Excel, awalan ini disembunyikan dan rumus terlihat normal. Berkas pendamping artikel ini sudah ditulis dengan benar.

⬇ Unduh forecasting-template.xlsx

Berkas pendamping berisi empat lembar: PETUNJUK (legenda warna dan ringkasan metode), DATA_PERAMALAN (24 bulan + kelima metode side-by-side + metrik error + chart + ramalan 3 bulan ke depan), METODE_DETAIL (kalkulasi manual langkah-demi-langkah untuk SMA-3, WMA-3, perbandingan α, dan regresi linear dengan kolom bantu), serta FORECAST_ETS (lembar khusus FORECAST.ETS dengan deteksi musiman dan error kumulatif). Semua sel hitam adalah formula hidup — ubah sel biru (data aktual, α, bobot) dan seluruh ramalan menghitung ulang.

Cek Pemahaman

1. Diberikan aktual empat bulan: $A_1=100$, $A_2=110$, $A_3=105$, $A_4=120$. Hitung (a) ramalan SMA-3 untuk periode 5, (b) ramalan WMA-3 untuk periode 5 dengan bobot 0,5/0,3/0,2, (c) ramalan exponential smoothing periode 5 dengan $\alpha=0{,}4$ dan seed $F_2=A_1$, lalu $F_3=109$ dan $F_4=107{,}4$ sudah dihitung sebelumnya.

Lihat jawaban

(a) $F_5^{\text{SMA-3}} = (A_4 + A_3 + A_2)/3 = (120 + 105 + 110)/3 = 335/3 \approx 111{,}7$.

(b) $F_5^{\text{WMA-3}} = 0{,}5(120) + 0{,}3(105) + 0{,}2(110) = 60 + 31{,}5 + 22 = 113{,}5$.

(c) $F_5 = F_4 + \alpha(A_4 - F_4) = 107{,}4 + 0{,}4(120 - 107{,}4) = 107{,}4 + 5{,}04 = 112{,}44$.

2. (Soal transfer.) Seorang manajer inventaris bahan baku memiliki data permintaan mingguan 8 minggu: 50, 55, 48, 52, 60, 58, 65, 70. (a) Hitung slope dan intercept garis tren linear dari nol. (b) Ramalkan minggu ke-9 dan ke-10. (c) Berdasarkan $R^2$ saja, bisakah Anda menyimpulkan garis linear “terbaik” untuk data ini? Jelaskan.

Lihat jawaban

(a) $\bar{t} = 4{,}5$, $\bar{A} = 458/8 = 57{,}25$. Dengan kolom bantu: $\sum(t-\bar{t})(A-\bar{A}) = 105{,}0$, $\sum(t-\bar{t})^2 = 42{,}0$. Maka $b_1 = 105/42 = 2{,}5$, $b_0 = 57{,}25 - 2{,}5 \times 4{,}5 = 57{,}25 - 11{,}25 = 46{,}0$. Persamaan: $\hat{y}_t = 46{,}0 + 2{,}5\,t$.

(b) Minggu 9: $\hat{y}_9 = 46 + 2{,}5(9) = 68{,}5$. Minggu 10: $\hat{y}_{10} = 46 + 2{,}5(10) = 71{,}0$.

(c) Tidak. $R^2$ tinggi hanya mengatakan garis lurus cocok dengan data yang diamati — tetapi tidak memberi tahu apakah model linear adalah struktur yang benar. Mungkin ada musiman mingguan (permintaan naik akhir minggu), atau pola melengkung, yang linear tidak tangkap. Selalu plot data dan periksa residual. Aturan: $R^2$ tinggi adalah syarat perlu, bukan syarat cukup.

Kesalahan Umum

Menganggap satu metode selalu terbaik. Banyak buku teks menyatakan “exponential smoothing lebih baik dari moving average” tanpa konteks. Salah. SES hanya unggul untuk deret datar; untuk deret dengan tren, ia kalah oleh Linear Trend; untuk deret bermusiman, keduanya kalah oleh Holt-Winters. Pilihan metode harus didasarkan pada komponen yang dominan dalam deret Anda, bukan pada preferensi.

Mengabaikan jendela evaluasi. Membandingkan MAPE metode A pada periode 1–24 dengan metode B pada periode 6–24 adalah perbandingan curang — metode yang punya lebih banyak “warm-up” terlihat lebih buruk. Selalu evaluasi semua metode pada periode yang sama, di mana semuanya sudah punya ramalan. Di berkas Excel, jendela $t=6$–$24$ dipakai untuk alasan ini.

Hanya percaya satu metrik. MAPE menyembunyikan error besar di nilai aktual kecil (penyebut kecil membuat persen melonjak). RMSE sensitif terhadap pencilan tetapi satuan tidak intuitif. MAE mudah dibaca tetapi mengabaikan arah. Praktik terbaik: laporkan minimal dua metrik (biasanya MAE dan MAPE), dan selalu visualkan deret aktual vs ramalan.

Ekstrapolasi tren terlalu jauh. Garis linear $\hat{y}_t = 116{,}6 + 2{,}3\,t$ tampaknya meramalkan $t=60$ (lima tahun ke depan) sebesar $116{,}6 + 138 = 254{,}6$. Tetapi tren pertumbuhan tidak akan linear selamanya — pasar jenuh, kompetitor masuk, kapasitas terbatas. Ramalan tren paling tepercaya untuk 3–6 periode ke depan; melampauinya, gunakan skenario (optimis/pesimis) bukan satu angka.

Dipakai di Dunia Nyata

• Manajemen persediaan (inventory). Peramalan permintaan adalah input utama penentuan reorder point dan safety stock. RAMALAN + lead time + variabilitas → kapan dan berapa banyak pesan ulang. Negara e-commerce besar menghitung ulang ribuan SKU tiap malam dengan Holt-Winters.
• Anggaran dan perencanaan kas. departemen keuangan meramalkan pendapatan bulanan untuk menyusun anggaran kas, memproyeksikan kebutuhan modal kerja, dan menjadwalkan investasi. Metode yang dipakai biasanya kombinasi tren linear (dasar) + penyesuaian musiman manual.
• SDM dan tenaga kerja. Peramalan volume permintaan → kebutuhan staf → rekrutmen dan penjadwalan shift. Call center meramalkan volume panggilan per jam untuk menempatkan agen.
• Energi dan utilitas. Permintaan listrik sangat bermusiman (harian: jam puncak sore; tahunan: musim panas AC). Operator grid memakai peramalan jangka pendek untuk menjaga keseimbangan suplai-pasok secara real-time.
• Ekonomi makro. Peramalan PDB, inflasi, dan tingkat pengangguran menggerakkan kebijakan moneter dan fiskal. Bank sentral memakai model deret waktu yang jauh lebih rumit (VAR, ARIMA), tetapi fondasinya sama: dekomposisi komponen + ekstrapolasi pola.

Lanjutan

Peramalan dasar di artikel ini adalah pintu masuk ke seluruh dunia analisis deret waktu (time series analysis). Begitu lima metode ini Anda kuasai dari nol, lompatan ke model yang lebih kaya akan terasa wajar.

• Sebelumnya: Regresi Linear Sederhana — kuadrat terkecil, slope, intercept, $R^2$; fondasi langsung untuk Metode 4 (garis tren).
• Pilar 2 — Ekonometrika: untuk deret waktu yang lebih formal, pelajari stasioneritas & unit root, autokorelasi, dan model ARIMA yang merangkum autoregresif + differencing + moving average kejutan.
• Berikutnya: regresi linear berganda — banyak variabel bebas sekaligus — yang memperluas regresi tunggal ke dunia kausalitas multivariat.