Dalam dunia bisnis, perkiraan atau prediksi menjadi hal yang sangat penting untuk dilakukan. Salah satu cara untuk melakukan prediksi adalah menggunakan metode forecasting atau peramalan. Dalam melakukan peramalan terdapat beberapa metode yang dapat digunakan, salah satunya adalah metode regresi linier. Namun, penting untuk juga mengevaluasi hasil prediksi yang telah dilakukan, salah satunya adalah dengan menggunakan metode MAD, MSE, dan MAPE. Dalam artikel ini, kita akan membahas tentang pengertian dan cara menghitung insurable value, contoh soal forecasting dengan metode MAD, MSE, dan MAPE, serta penggunaan metode regresi linier dalam forecasting.
Cara Menghitung Insurable Value
Sebelum kita membahas tentang peramalan dan evaluasi, kita akan membahas terlebih dahulu tentang insurable value. Insurable value adalah nilai maksimum yang terdapat pada suatu objek atau properti yang dapat diasuransikan. Cara menghitung insurable value sangatlah mudah, yaitu:
Insurable Value = Harga wajar properti + Biaya renovasi dan perbaikan
Di mana harga wajar properti adalah harga yang dapat dijual pada pasar yang adil. Sedangkan biaya renovasi dan perbaikan meliputi biaya untuk memperbaiki kerusakan dan memperbaharui properti agar tetap berada dalam keadaan yang baik.
Contoh Soal Menghitung MAD, MSE dan MAPE
Setelah mengetahui cara menghitung insurable value, kita akan membahas pengukuran dalam melakukan forecasting. Dalam melakukan prediksi, kita tidak selalu mendapatkan hasil yang akurat dan sesuai dengan kenyataan yang terjadi. Oleh karena itu, kita perlu mengukur seberapa jauh perbedaan hasil prediksi dengan kenyataan yang terjadi. Pengukuran tersebut dilakukan dengan menggunakan MAD, MSE, dan MAPE. Mari kita lihat contoh soal berikut:
Suppose we have the following data:
| Month | Actual | Predicted |
|---|---|---|
| 1 | 10 | 12 |
| 2 | 12 | 14 |
| 3 | 14 | 16 |
| 4 | 16 | 18 |
| 5 | 18 | 20 |
1. Hitunglah MAD, MSE, dan MAPE dari data di atas!
Untuk menghitung MAD, kita menggunakan rumus:
MAD = (|actual – predicted|) / n
Sehingga, berdasarkan data di atas, kita dapat menghitung MAD setiap bulan:
| Month | Actual | Predicted | |Actual – Predicted| | MAD |
|---|---|---|---|---|
| 1 | 10 | 12 | 2 | 0.4 |
| 2 | 12 | 14 | 2 | 0.4 |
| 3 | 14 | 16 | 2 | 0.4 |
| 4 | 16 | 18 | 2 | 0.4 |
| 5 | 18 | 20 | 2 | 0.4 |
| Total | 2 |
Jadi, MAD dari data di atas adalah 0.4.
Untuk menghitung MSE, kita menggunakan rumus:
MSE = ((actual – predicted)^2) / n
Sehingga, berdasarkan data di atas, kita dapat menghitung MSE setiap bulan:
| Month | Actual | Predicted | Actual – Predicted | (Actual – Predicted)^2 | MSE |
|---|---|---|---|---|---|
| 1 | 10 | 12 | -2 | 4 | 0.8 |
| 2 | 12 | 14 | -2 | 4 | 0.8 |
| 3 | 14 | 16 | -2 | 4 | 0.8 |
| 4 | 16 | 18 | -2 | 4 | 0.8 |
| 5 | 18 | 20 | -2 | 4 | 0.8 |
| Total | 20 | 4 |
Jadi, MSE dari data di atas adalah 0.8.
Untuk menghitung MAPE, kita menggunakan rumus:
MAPE = (|actual – predicted| / actual) x 100
Sehingga, berdasarkan data di atas, kita dapat menghitung MAPE setiap bulan:
| Month | Actual | Predicted | |Actual – Predicted| | (Actual – Predicted) / Actual | (Actual – Predicted) / Actual x 100 | MAPE |
|---|---|---|---|---|---|---|
| 1 | 10 | 12 | 2 | 0.2 | 20 | 4 |
| 2 | 12 | 14 | 2 | 0.1667 | 16.67 | 3.33 |
| 3 | 14 | 16 | 2 | 0.1429 | 14.29 | 2.86 |
| 4 | 16 | 18 | 2 | 0.125 | 12.5 | 2.5 |
| 5 | 18 | 20 | 2 | 0.1111 | 11.11 | 2.22 |
| Average | 0.1493 | 14.93 | 3.15 |
Jadi, MAPE dari data di atas adalah 3.15.
Metode Forecasting Regresi Linier
Sekarang, kita akan membahas metode forecasting yang menggunakan regresi linier. Metode regresi linier dapat digunakan untuk memprediksi variabel dependen (y) berdasarkan satu atau lebih variabel independen (x). Sebagai contoh, di dalam bisnis, regresi linier dapat digunakan untuk memprediksi penjualan suatu produk berdasarkan variabel-variabel lain seperti harga, promosi, dll.
Untuk melakukan forecasting dengan menggunakan metode regresi linier, langkah-langkah yang perlu dilakukan adalah:
- Memilih variabel dependen dan variabel independen yang akan digunakan dalam analisis.
- Menguji hubungan antara variabel dependen dan variabel independen dengan menggunakan uji korelasi.
- Jika hubungan antara variabel dependen dan variabel independen cukup kuat, maka dapat dilakukan analisis regresi linier.
- Menentukan persamaan regresi linier yang menghubungkan variabel dependen dan variabel independen.
- Memasukkan nilai-nilai variabel independen ke dalam persamaan regresi linier untuk memprediksi nilai variabel dependen.
Berikut adalah contoh penggunaan metode regresi linier dalam forecasting:
Suppose Sebuah toko bunga sedang merencanakan untuk memperluas bisnisnya. Untuk itu, mereka memutuskan untuk melakukan analisis untuk memprediksi pendapatan toko di masa depan. Berikut adalah data yang diperoleh:
| Bulan | Pendapatan (Million IDR) | Harga Rata-Rata Bunga |
|---|---|---|
| 1 | 100 | 50 |
| 2 | 120 | 60 |
| 3 | 130 | 65 |
| 4 | 140 | 70 |
| 5 | 150 | 75 |
Langkah pertama adalah menguji hubungan antara variabel dependen (pendapatan) dan variabel independen (harga rata-rata bunga) dengan menggunakan uji korelasi. Berdasarkan uji korelasi yang dilakukan, diperoleh nilai korelasi sebesar 0.99, yang menunjukkan bahwa hubungan antara pendapatan dan harga rata-rata bunga sangat erat. Oleh karena itu, dapat dilakukan analisis regresi linier.
Untuk menentukan persamaan regresi linier yang menghubungkan pendapatan dan harga rata-rata bunga, dapat digunakan rumus:
y = a + bx
di mana:
- y = variabel dependen (pendapatan)
- x = variabel independen (harga rata-rata bunga)
- a = intercept (nilai pendapatan ketika harga bunga sama dengan 0)
- b = slope (perubahan pendapatan yang terjadi ketika harga bunga naik 1 satuan)
Untuk menghitung nilai a dan b, dapat digunakan rumus:
b = (n∑xy – (∑x)(∑y)) / (n∑x^2 – (∑x)^2)
a = (1/n)(∑y – b(∑x))
Berdasarkan data di atas, diperoleh:
n = 5
∑x = 320
∑y = 640
∑x^2 = 14,000
∑xy = 70,000
Sehingga:
b = ((5)(70,000) – (320)(640)) / ((5)(14,000) – (320)^2) = 2.5
a = (1/5)(640 – (2.5)(320)) = 40
Maka, persamaan regresi linier yang menghubungkan pendapatan dan harga rata-rata bunga adalah:
pendapatan = 40 + 2.5(harga rata-rata bunga)
Selanjutnya, dapat digunakan persamaan tersebut untuk memperkirakan pendapatan pada bulan selanjutnya. Misalnya, jika harga rata-rata bunga untuk bulan selanjutnya adalah 80, maka:
pendapatan (y) = 40 + 2.5(80) = 240 (juta rupiah)
FAQ
Apa itu Peramalan atau Forecasting?
Peramalan atau forecasting adalah proses yang dilakukan untuk memprediksi atau memperkirakan nilai dari suatu variabel di masa depan. Peramalan dapat dilakukan dengan menggunakan berbagai metode seperti metode statistika, teori ekonomi, dan metode kualitatif. Tujuan dari peramalan adalah untuk membantu pengambilan keputusan dan perencanaan di masa depan.
Apa saja Metode yang Digunakan dalam Peramalan?
Ada berbagai metode yang dapat digunakan dalam peramalan, di antaranya adalah
