BAB VI PERAMALAN (FORECASTING

)

Salah satu keputusan penting dalam perusahaan yang dilakukan oleh manajemen adalah menentukan tingkat produksi dari barang atau jasa yang perlu disiapkan untuk masa datang. Penentuan tingkat produksi, yang merupakan tingkat penawaran yang dipengaruhi oleh jumlah permintaan pasar yang dapat dipenuhi oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan pasar dapat mengakibatkan terjadinya pemborosan biaya, seperti biaya penyimpanan, biaya modal, dan biaya kerusakan barang. Tingkat penawaran yang lebih rendah dibandingkan dengan kemampuan pangsa pasar yang dapat diraih mengakibatkan hilangnya kesempatan untuk memperoleh keuntungan, bahkan mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Untuk membantu tercapainya suatu keputusan yang optimal diperlukan adanya suatu cara yang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan oleh manajemen dan merupakan bagian dari proses pengambilan keputusan adalah metode Peramalan (Forecasting). Metode peramalan digunakan untuk mengukur atau menaksir keadaan di masa datang. Peramalan tidak saja dilakukan untuk menentukan jumlah produk yang perlu dibuat atau kapasitas jasa yang perlu disediakan, tetapi juga diperlukan untuk berbagai bidang lain (seperti dalam pengadaan, penjualan, personalia, termasuk peramalan teknologi, ekonomi ataupun perubahan sosial-budaya). Dalam setiap perusahaan, bagian yang satu selalu mempunyai keterkaitan dengan bagian lain sehingga suatu peramalan yang baik atau buruk akan mempengaruhi perusahaan secara keseluruhan. Kebutuhan akan peramalan semakin bertambah sejalan dengan keinginan manajemen untuk memberikan respon yang cepat dan tepat terhadap kesempatan di masa datang, serta menjadi lebih ilmiah dalam menghadapi lingkungan. Oleh karena itu, penguasaan terhadap metode peramalan menjadi signifikan bagi seorang manajer operasi.

186

6.1 Pengertian Umum Peramalan dapat dilakukan secara kuantitatif ataupun kualitatif.

Pengukuran kuantitatif menggunakan metode statistik, sedangkan pengukuran kualitatif berdasarkan pendapat (judgment) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal istilah prakiraan dan prediksi. Peramalan didefinisikan sebagai proses peramalan suatu variabel (kejadian) di masa datang dengan berdasarkan data variabel yang bersangkutan pada masa sebelumnya. Data masa lampau itu secara sistematik digabungkan dengan menggunakan suatu metode tertentu dan diolah untuk memperoleh prakiraan keadaan pada masa datang. Prediksi adalah proses peramalan suatu variabel di masa datang dengan lebih mendasarkan pada pertimbangan subjektif/intuisi daripada data kejadian pada masa lampau. Meskipun lebih menekankan pada intuisi, dalam prediksi juga sering terdapat data kuantitatif yang dipakai sebagai masukan dalam melakukan peramalan. Dalam prediksi, peramalan yang baik/tepat sangat tergantung dari kemampuan, pengalaman dan kepekaan dari orang yang bersangkutan. Perbedaan antara prakiraan dan prediksi dapat digambarkan sebagai berikut. Suatu perusahaan ingin meramalkan berapa permintaan pasar atas produknya pada periode yang akan datang, maka perusahaan itu dapat melakukan prakiraan dengan menggunakan data penjualan periode sebelumnya untuk mengetahui taksiran permintaan pasar. Namun, jika akan mengeluarkan produk baru, perusahaan yang bersangkutan melakukan prediksi untuk mengetahui berapa jumlah yang dapat diserap pasar karena belum mempunyai data penjualan masa lampau. Dalam hal ini, perusahaan menggunakan data kuantitatif–seperti data penjualan produk sejenis dari perusahaan lain–sebagai masukan dalam melakukan prediksi. Berdasarkan horizon waktu, Jenis-jenis peramalan dapat dibagi dalam tiga bagian, yaitu peramalan jangka panjang, menengah, dan jangka pendek. 1. Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 24 bulan, misalnya peramalan yang diperlukan dalam kaitannya dengan

187

penanaman modal, perencanaan fasilitas, dan perencanaan untuk kegiatan litbang. 2. Peramalan jangka menengah, yaitu antara 3-24 bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi. 3. Peramalan jangka pendek, yaitu untuk jangka waktu kurang dari 3 bulan, misalnya peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja, dan penugasan. Peramalan jangka panjang banyak menggunakan pendekatan kualitatif, sedangkan peramalan jangka menengah dan pendek menggunakan pendekatan kuantitatif. 6.2 Metode Peramalan Kuantitatif Pada dasarnya, metode kuantitatif yang digunakan dalam prakiraan dapat dikelompokkan dalam dua jenis, yaitu metode serial waktu dan metode kausal. Metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan bahwa beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasar dapat diidentifikasi semata-mata atas dasar data historis dari serial itu. Tujuan analisis ini untuk menemukan pola deret variabel yang bersangkutan berdasarkan nilai-nilai variabel pada masa sebelumnya, dan mengekstrapolasikan pola itu untuk membuat peramalan nilai variabel tersebut pada masa datang. Metode kausal (causal/explanatory model) mengasumsikan bahwa faktor yang diprakirakan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independen). Misalnya, permintaan printer berhubungan dengan jumlah penjualan komputer, atau jumlah pendapatan berhubungan dengan faktor-faktor, seperti jumlah penjualan, harga jual, dan tingkat promosi. Kegunaan metode kausal untuk menemukan bentuk hubungan antara variabel-variabel dan menggunakannya untuk meramalkan nilai dari variabel tidak bebas (dependen).

188

6.2.1

Metode Serial Waktu Analisis serial waktu dimulai dengan memplot data pada suatu skala

waktu, mempelajari plot tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data. Pola dari serangkaian data dalam serial waktu dapat dikelompokkan dalam pola dasar sebagai berikut (lihat gambar 4.1).

Gambar 6.1 Pola dalam Serial Waktu 1. Konstan, yaitu apabila data berfluktuasi di sekitar rata-rata secara stabil. Polanya berupa garis lurus horizontal. Pola seperti ini terdapat dalam jangka pendek atau menengah, jarang sekali suatu variabel memiliki pola konstan dalam jangka panjang. 2. Kecenderungan (trend), yaitu apabila data dalam jangka panjang mempunyai kecenderungan, baik yang arahnya meningkat dari waktu ke waktu maupun menurun. Pola ini disebabkan antara lain oleh bertambahnya populasi, perubahan pendapatan, dan pengaruh budaya. 3. Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau mingguan. Pola ini berhubungan dengan faktor iklim/cuaca atau faktor yang dibuat oleh manusia, seperti liburan dan hari besar. 4. Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti daur hidup bisnis. Perbedaan utama antara pola musiman dan siklus adalah pola musiman mempunyai panjang gelombang yang tetap dan

189

Residu atau variasi acak. Metode dasar itu telah dikembangkan lagi menjadi berbagai derivasi/ turunannya. Ratarata yang baru ini kemudian dipakai sebagai prakiraan untuk periode yang akan datang. dekomposisi. Pengolahan data kuantitatif dari serial waktu dapat dilakukan dengan metode dasar. selanjutnya dipakai sebagai prakiraan untuk periode berikutnya. pemulusan eksponensial. Metode Rata-Rata Bergerak Metode Rata-Rata Bergerak Sederhana (Simple Moving Average) Prakiraan didasarkan pada proyeksi serial data yang dimuluskan dengan rata-rata bergerak. rata-rata bergerak.. Satu set data (N periode terakhir) dicari rata-ratanya. t − N +1 Ft+1 = ΣXi i=t N = X t + X t − 1 + . 6. 5. b.terjadi pada jarak waktu yang tetap. Istilah rata-rata bergerak digunakan karena setiap diperoleh observasi (data aktual) baru maka rata-rata yang baru dapat dihitung dengan mengeluarkan/meninggalkan data periode yang terlama dan memasukkan data periode yang terbaru/terakhir. rumus prakiraan dengan metode rata-rata bergerak sederhana sebagai berikut. sedangkan pola siklus memiliki durasi yang lebih panjang dan bervariasi dari satu siklus ke siklus yang lain.2 1. Data yang bersifat residu tidak dapat digambarkan. c. Serial data yang digunakan jumlahnya selalu tetap termasuk data periode terakhir. dan seterusnya. yaitu apabila data tidak teratur sama sekali.. Dalam buku ini hanya akan dibahas sebagian dari derivasi metode dasar tersebut. + X t − N + 1 N 190 . sebagai berikut: a. Secara matematika.2.

Untuk N = 3 N=5 F11 = (40 + 43 + 42) / 3 = 41.0 41.4 41.6 191 .3 41. Tabel 6.4 41. sebagai berikut.8 41.3 41.0 41.1 memberikan contoh perhitungan peramalan menggunakan metode rata-rata bergerak sederhana dengan deret waktu (N) 3 periode dan 5 periode.7 41.6 Gambar 6.2 Grafik Peramalan Metode Rata-Rata Bergerak Sederhana Prakiraan permintaan pada periode ke-11 dapat dihitung.0 41.6 41.Dimana : Xt N Ft+1 = data pengamatan periode t = jumlah deret waktu yang digunakan = nilai prakiraan periode t + 1 Tabel 6.7 42.4 41.0 42.1 Prakiraan dengan Metode Rata-Rata Bergerak Sederhana Periode (t) 1 2 3 4 5 6 7 8 9 10 11 Nilai pengamatan (Xt) 41 40 42 43 41 42 41 40 43 42 - Nilai peramalan (F) (N = 3) (N = 5) 41.7 F11 = (42 + 41 + 40 + 43 + 42) / 5 = 41.

. Ft+1 = W.Xt + Wt-1. periode yang diramalkan (periode t + 1) banyak memiliki keadaan yang sama dengan periode t dibandingkan periode yang lain.. periode terakhir seyogianya mendapat bobot yang lebih besar dibandingkan dengan periode sebelumnya (di sini menyiratkan adanya bentuk prakiraan yang non linier). + Wt . Dalam banyak hal.. Serial waktu yang digunakan dipilih secara trial and error sampai diperoleh kesalahan prakiraan yang terkecil. rumus nilai prakiraan untuk periode t+1 dapat disederhanakan menjadi: 192 .X t . tetapi setiap periode mendapat bobot yang berbeda... + Wt-N+1 = 1..X t -1 + .Xt-N+1 Dimana : Wt = persentase bobot yang diberikan periode t Apabila Wt + Wt-1 + .Semakin panjang/banyak serial waktu yang digunakan. 2. Oleh karena itu.2). Rumus metode rata-rata bergerak tertimbang sebagai berikut.N +1 Wt + Wt -1 + .Xt-1 + . Metode Rata-Rata Bergerak Tertimbang Metode rata-rata bergerak sederhana menggunakan bobot yang sama pada setiap periode.N +1 Ft+1 = W. Metode rata-rata bergerak tertimbang (weighted moving average) juga menggunakan data N periode terakhir sebagai data historis untuk melakukan prakiraan.. grafik prakiraannya akan semakin halus (pengisolasian faktor random makin halus) tetapi semakin kurang responsif terhadap data aktualnya (lilhat gambar 4. Metode rata-rata tertimbang dikembangkan untuk dapat memenuhi keinginan itu.N +1 ..X t + Wt -1 . Hal ini menunjukkan bentuk prakiraannya linier. misalnya t-1 atau t-2. Pengukuran ketelitian prakiraan diterangkan pada bagian akhir bab ini. + Wt-N+1. + Wt .

t-2 dan seterusnya. t-1.Ft+1 = Wt. 20.3 Metode Pemulusan Eksponensial 1. t-2. Ft Dimana: 193 . Xt + (1 .7 40. t-2 (dalam persen) ** Perbandingan bobot X pada periode t.6 42.. Metode Pemulusan Eksponensial Tunggal Metode pemulusan eksponensial tunggal (single exponential smoothing) menambahkan parameter a dalam modelnya untuk mengurangi faktor kerandoman.Xt + Wt-1.6 40. dan secara berurutan untuk periode t-1.8 41.8 41. Xt-N+1 Contoh prakiraan dengan menggunakan metode rata-rata bergerak tertimbang dapat dilihat pada tabel 4.7 * Perbandingan bobot X pada periode t. 30.3 41.9 40. Ft+1 = α . t-3 (dalam persen) 6.2.. Pada tabel itu diberikan dua contoh.3 41.5 42. Tabel 6. pertama menggunakan 3 periode dengan pembobotan 50:30:20 (kolom 3). 30. 20)* (40. Nilai prakiraan dapat dicari dengan menggunakan rumus berikut ini.2 Peramalan dengan Metode Rata-Rata Bergerak Tertimbang Periode (t) 1 2 3 4 5 6 7 8 9 10 11 Nilai pengamatan (Xt) 41 40 42 43 41 42 41 40 43 42 Nilai peramalan (F) (50. 10)* 41.9 42.9 42.8 41.Xt-1 + .3 41. + Wt-N+1.aα ) .2 40. t-1.2. Bobot terbesar berarti untuk periode t. sedangkan kedua menggunakan 4 periode dengan pembobotan 40:30:20:10 (kolom 4).

.+ α(1 . 0. Xt-n+1 berturut-turut adalah 0. Xt-3.2 maka koefisien dari Xt. 0.. metode pemulusan eksponensial tunggal mengikutsertakan data dari semua periode. dalam perhitungannya cukup diwakili oleh data pengamatan dan hasil prakiraan periode terakhir.α) Xt-1 + (1 .8)3. Ft+1 = α Xt + (1 -α) Ft = α Xt + α (1 . . Contoh perhitungan pralikaan dengan menggunakan metode pemulusan eksponensial tunggal dapat dilihat pada Tabel 6. . untuk α = 0.8) 2. 0. 0.2 (0.α)Xt-1 + α(1 . Xt-2. Xt-1.8)n+1. Setiap data pengamatan mempunyai kontribusi dalam penentuan nilai prakiraan periode sesudahnya...2 (0. Istilah eksponensial dalam metode ini berasal dari pembobotan (faktor pemulusan) dari periode sebelumnya yang berbentuk eksponensial. Tabel 6..α)2Xt-2 +.2 (0.Xt α Ft+1 = data permintaan pada periode t = faktor/konstanta pemulusan = prakiraan untuk periode t Berbeda dengan metode rata-rata bergerak yang hanya menggunakan N data periode terakhir dalam melakukan prakiraan. Namun..8). Misalnya.α)nFt-(n-1) Di sini terlihat bahwa koefisien X dari waktu ke waktu membentuk hubungan eksponensial.. karena nilai prakiraan metode sebelumnya sudah mengandung nilai-nilai pengamatan sebelumnya.α)n-1Xt-(n-1) + (1 .3.α)2 Ft-1 = αXt + α(1 .2 (0..3 194 . sebagaimana dijabarkan berikut ini.2.

3 41. Untuk konstanta pemulusan (α). atau rata-rata dari beberapa periode.St-1) + (1 .3 41.4 41.1 41.0 41.Peramalan dengan Metode Pemulusan Eksponensial Tunggal Periode (t) 1 2 3 4 5 6 7 8 9 10 11 Nilai pengamatan (X) 41 40 42 43 41 42 41 40 43 42 Nilai prakiraan (F) α = 0. m 195 .0 41.2 41.3 41.0 40. yang menggunakan persamaan sebagai berikut. Salah satu metode yang digunakan adalah metode pemulusan eksponensial linier dari Holt.0 41.2 41. Xt + (1 .2 41. 2.4 41. Metode Pemulusan Eksponensial Linier Metode pemulusan eksponensial tunggal hanya akan efektif apabila serial data yang diamati memiliki pola horizontal (stationer).5 41. Jika metode itu digunakan untuk serial data yang memiliki unsur trend (kecenderungan) yang konsisten. St Tt Ft+m = α .6 Nilai prakiraan pada periode t = 1 berupa nilai inisial (asumsi). nilai-nilai prakiraannya akan selalu berada di belakang nilai aktualnya (terjadi lagging yang terus-menerus).2 41. (St .0 41. Metode yang tepat untuk melakukan prakiraan serial data yang memiliki unsur trend adalah metode pemulusan eksponensial linier.1 41.α ) (St-1 + Tt-1) = β . Nilai ini bisa diperoleh dengan cara menganggap nilai prakiraan pada periode itu sama dengan nilai sebenarnya (dalam contoh ini = 41).1 α = 0. dapat menggunakan setiap nilai diantara 0 sampai dengan 1. Tt-1 = S t + Tt .β ) .9 40.4 41. Nilai konstanta pemulusan terbaik adalah yang dapat memberikan ketelitian prakiraan tertinggi.8 41.0 41.5 41.

2 (m = 3) 196 .8 544. Contoh penggunaan metode ini dalam suatu serial data yang memiliki unsur kecenderungan (trend) ditunjukkan dalam Tabel 6.0 510.6 536.0 18.3 7.5 559.1 7.Pemulusan eksponensial linier dari Holt menambahkan persamaan Tt untuk memperoleh pemulusan trend dan menggabungkan trend ini dengan persamaan pemulusan standar sehingga menghasilkan persaman F t.4 7. Metode dari Holt ini menggunakan dua parameter.2 500. Nilai S1 dapat disamakan dengan nilai aktual (pengamatan) atau rata-rata dari beberapa nilai pengamatan pada periode awal. akan dibahas kemudian) atau menggunakan rata-rata kenaikan dari beberapa periode.1 8.9 527. Kedua parameter itu dapat mempunyai nilai yang sama atau berbeda besarnya. α dan β. sedangkan nilai T1 menggunakan taksiran kemiringan dari serial data tersebut (menggunakan persamaan regresi linier.7 536.5 581. misalnya: ( X 2 − X1 ) + ( X 3 + X 2 + ( X 4 − X 3 ) 3 T1 = Tabel 6.4 158.4 8.8 562.3 (m =1) 588.0 8.4 8. yang masing-masing nilainya dapat dipilih dari setiap angka antara 0 sampai dengan 1.6 566.8 (m = 2) 596.2 518.4.4 545.3 527. Proses inisialisasi untuk pemulusan eksponensial linier dari Holt memerlukan dua taksiran.0 507.0 8.5 553.5 573.4 Peramalan dengan Metode Pemulusan Eksponensial Linier dari Holt Periode (t) 1 2 3 4 5 6 7 8 9 10 11 12 13 Nilai pengamatan (X) 500 524 521 530 540 542 555 550 561 575 S α = 0.1 573. yaitu untuk nilai S1 dan T1.0 7.4 567.8 Nilai peramalan T F β = 0.7 553.

2 dan γ = 0. yang dirumuskan sebagai berikut: St Tt It Ft+m Dimana : L= jumlah periode dalam satu siklus musim I = faktor penyesuaian musiman (indeks musiman) Tabel 6. bentuk persamaan yang lebih tinggi dapat digunakan jika pola dasar serial datanya musiman. Nilai St. Dalam contoh itu. yaitu unsur stationer. trend dan musiman. Salah satu metode prakiraan yang khusus untuk data yang berpola musiman adalah metode pemulusan eksponensial linier dan musiman dan Winter.β ) Tt-1 = γ ((Xt/St) + (1 .St-1) + (1 . 1  ( X L +1 − X 1 ) ( X L + 2 − X 2 ) X − X L ) + + . + L + L   L L L L  = α (Xt/It-L) + (1 .α ) (St-1 + Tt-1) = β (St . Metode Pemulusan Eksponensial Musiman Sebagaimana halnya dengan persamaan pemulusan eksponensial linier yang dapat digunakan untuk memprakirakan serial data yang memiliki pola trend. panjang musiman (L) 4 triwulan (periode) atau satu tahun. sedangkan nilai parameter α = 0.5 memberikan contoh perhitungan prakiraan dari suatu serial data yang memiliki unsur musiman. β = 0. Sebagaimana dalam perhitungan pemulusan eksponensial tunggal. Metode ini didasarkan atas tiga persamaan. Tt dan It yang pertama berupa nilai inisial (diasumsikan).. sedangkan nilai inisial T dicari dengan menggunakan rumus.m) It-L+m TL = 197 .5.3.6.γ ) It-L = (St + Tt. sebagai berikut.. nilai inisial St dapat disamakan dengan nilai aktualnya atau berupa rata-rata dari beberapa nilai pada musim yang sama.

8 830. Nilai inisial T dicari dengan rumus di atas.Tabel 6.7 921.4 615.00 14.92 0.2 703.011.2 527.7 504. pada satu siklus musim pertama (empat periode pertama.6) T (β =0.5 546.45 16.92 0.2 638.5 635.55 17.2 605.1 535.09 0.03 17.7 751.33 18.11 0. TL = 1  492 − 4601 509 − 484 588 − 530 490 − 441 + + +   = 10.37 14.7 545.96 1.09 0.48 16.13 21.25 4 4 4 4 4  Perhitungan nilai inisial It. nilai inisial untuk S L disamakan dengan nilai aktualnya (XL).3 737.25 14.41 26. 1991) dilakukan dengan membagi setiap data pengamatan (X) dengan rata-rata pengamatan pada siklus itu.4 10.3 855.11 0.2 616.7 Dalam contoh di Tabel 6.2) I (γ =0.98 1.98 1.35 1996 510.98 1. 0 890.3 741.5 557. 198 .6 753.3 777.03 1.28 17.6 661.5 Peramalan Metode Pemulusan Eksponensial Linier & Musiman dari Winter Tahu n 1991 Kuarta l 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Periode t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Nilai observasi X 460 484 530 441 492 509 588 490 533 560 632 560 604 675 701 607 708 787 850 782 Nilai prakiraan S (α = 0.82 15.11 0.02 1.9 600.93 F 1992 1993 1994 1995 441.01 1.3 569.5) 0.3 537.92 0.4 502.92 0.0 487.01 1.7 853.05 31.01 1.8 655.89 20.5 649.61 26. yaitu 441.7 660.9 567.25 17.8 577.4 1.99 1.5.

pola itu dapat dipisahkan dari faktor random dengan memuluskan (merata-ratakan) nilai dalam data. sehingga pola dapat diproyeksikan ke masa datang dan digunakan untuk membuat peramalan. β dan γ. metode dekomposisi mengidentifikasi tiga komponen pola dasar yang terdapat dalam suatu serial data. yaitu komponen trend.5. Salah satu masalah yang timbul dalam penggunaan model Winter untuk prakiraan adalah penentuan nilai-nilai α. Prakiraan untuk periode selanjutnya diperoleh dengan menggunakan data periode ke-20 yang merupakan periode terakhir yang memiliki data aktual.96 = 484/478. dan It (seperti dalam persamaan di atas) dan prakiraan F t+m dapat dicari.3 Metode Dekomposisi Metode peramalan yang telah dibahas di atas didasari pada konsep bahwa ketika terdapat sebuah pola dasar dalam suatu serial data. nilai prakiraan sampai periode ke-21 diperoleh berdasarkan data satu periode sebelumnya (m = 1).75 = 0. dapat dilakukan perhitungan S t.92 Setelah nilai inisial S.01 = 530/478. kesulitan seperti ini dapat lebih mudah teratasi. Berbeda dengan konsep peramalan itu. Tt.75 = 1.75 = 0.75 sehingga nilai inisial indeks musimannya: I1 I2 I3 I4 = 460/478. T dan I diperoleh.11 = 441/478.Rata-rata permintaan tahun 1991: X1991 = (460 + 484 + 530 + 441)/4 = 478. dan siklus. Pendekatan yang biasa dipakai adalah dengan trial and error sampai diperoleh nilai-nilai parameter yang meminimalkan kesalahan prakiraan (MAD atau MSE). Dengan tersedianya komputer dan perangkat lunak prakiraan (statistik). 199 .75 = 1. 6. musiman. Dalam contoh pada Tabel 4. Nilai prakiraan dihitung berdasarkan data yang paling baru (akhir).

Untuk memperjelas bagaimana proses dekomposisi suatu serial data dilakukan. atau dalam beberapa situasi tertentu dapat berupa garis eksponensial atau bentuk jangka panjang lain. misalnya produk nasional bruto. Xt = f (St. Faktor siklus mewakili kemajuan atau kemunduran yang disebabkan oleh kondisi perekonomiann atau kondisi industri tertentu. atau dalam bentuk matematikanya. akan dijelaskan dengan menggunakan Tabel 6.6. menurun atau mendatar. yang dapat disebabkan oleh faktor temperatur. dapat berupa garis lurus yang menaik. Metode dekomposisi mengasumsikan suatu data terdiri atas pola dasar dan kesalahan. Tt.7). yaitu: Xt = St x Tt x Ct x Rt Dengan mengetahui masing-masing komponen. yang mewakili perilaku dalam jangka panjang. Dekomposisi mempermudah peramalan dan membantu dalam memahami perilaku serial data ybs. sebagai berikut. Faktor musiman berkaitan dengan fluktuasi berkala dengan panjang yang konstan dan kedalaman yang proporsional. hujan. Rt) Dimana : St = komponen musiman pada periode t Tt = komponen trend pada periode t Ct = komponen siklus pada periode t Rt= komponen random (kesalahan) pada periode t Hubungan fungsionalnya dapat berupa penjumlahan atau perkalian. atau indeks permintaan suatu industri alat berat. 200 . taksiran nilai X diketahui. yang berupa serial data triwulanan dari suatu penjualan produk ekspor. hari libur besar. Langkah-langkah dalam dekomposisi dapat diuraikan sebagai berikut (lihat Tabel 6. Bentuk fungsional yang paling umum dipakai adalah bentuk perkalian. dan sebagainya. suku bunga. Ct.Faktor trend.

Misalnya.6 Data Serial Waktu dari Suatu Produk Ekspor Tahun 1981 Kuartal 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Periode t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Data X 301 304 209 280 327 316 211 302 332 349 243 349 368 366 237 345 384 370 264 358 Tahun 1986 Kuartal 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Periode t 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 Data X 407 390 282 408 433 414 291 408 424 399 288 402 436 436 317 422 471 445 336 466 1982 1987 1983 1988 1984 1989 1985 1990 (a). Oleh karena itu. CMA) dari N periode sesuai dengan panjang musimnya (kolom 3).Tabel 6. Nilai CMA2x4 (kolom 4) kini berada tepat sejajar dengan garis periode. jika N = 4 maka nilai CMA4 (rata-rata bergerak terpusat dari 4 periode) akan berada diantara dua periode. Untuk membuat nilai CMA ini berada tepat pada suatu garis periode perlu dilakukan perata-rataan bergerak terpusat yang kedua. untuk CMA yang kedua dipilih N = 2.masing-masing pada awal dan akhir periode perlu dipilih N yang kecil sehingga tidak terjadi kehilangan data yang banyak. Dalam contoh ini rata-rata bergerak terpusat kedua menjadi CMA2x4 (artinya CMA 2 periode dari CMA 4 periode). nilai CMA akan berada diantara dua data. Apabila N berjumlah genap. Tetapkan faktor musiman (S) Hitung rata-rata bergerak terpusat (centered moving average. Karena CMA ini menyebabkan hilangnya N/2 data . 201 .

6 108.0 100.5 289.0 334.7 295.9 472.3 401.8 281.0 279.8 378.4 75.0 322.8 359.9 396.7 338.6 108.2 103.8 108.0 381.5 381.1 428.0 410.5 306.7 111.3 298.8 378.6 104.5 375.5 331.5 97.6 108.2 103.6 342.8 377.7 75.3 106.2 103.6 100.1 366.5 386.8 96.4 110.2 103.8 344.2 103.Tabel 6.9 99.8 371.1 372.1 281.4 75.0 330.8 329.1 409.4 100.2 98.3 113.9 112.3 357.3 384.1 424.5 99.2 75.6 294.1 412.6 242.0 98.1 260.6 103.2 103.8 104.3 311.5 432.5 384.1 76.0 290.5 319.0 100.1 99.4 113.4 322.5 413.0 412.5 283.3 98.4 103.4 75.6 97.4 75.8 100.9 416.3 380.2 103.4 75.4 75.1 319.5 99.2 217.7 97.6 108.2 315.6 338.4 350.0 369.0 340.9 433.9 112.8 398.1 394.8 420.0 F=Sx TxC 9 208.1 75. 342.8 401.6 114.0 100.0 100.1 380.6 428.4 75.5 280.3 397.9 283.6 385.1 71.3 286.4 346.5 312.8 329.6 108.2 Cx100 8 97.6 108.8 97.0 100.6 108.0 386.8 102.9 310.5 459.9 T=a+bt 7 276.3 111.3 289.5 468.6 108.1 101.2 107.8 287.9 77.4 110.4 107.1 428.2 98.4 382.9 352.1 486.5 329.0 Sx100 6 112.1 103.2 358.9 102.0 349.0 100.4 407.6 299.5 CMA2 x4 4 276.7 305.5 303.1 96.4 75.7 397.5 105.5 390.0 112.4 379.3 386.7 Peramalan dengan Metode Dekomposisi t 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 X 2 301 304 209 280 327 316 211 302 332 349 243 349 368 366 237 345 384 370 264 358 407 390 282 408 433 414 291 408 424 399 288 403 436 436 317 422 471 445 336 466 CMA4 3 273.6 108.7 340.0 433.8 354.9 306.0 461.7 75.2 103.5 346.8 418.9 331.1 248.3 371.6 97.5 385.4 75.0 365.9 112.5 106.9 112.7 381.7 401.3 318.4 96.9 112.3 331.2 103.2 104.2 103.8 365.2 102.3 354.8 111.3 202 .2 445.4 302.9 102.6 109.0 333.8 100.5 436.0 444.0 SxRx 100 5 75.0 111.4 380.9 330.2 105.1 379.9 112.9 418.3 327.4 400.6 108.4 440.7 424.2 103.6 108.6 100.0 402.9 326.9 112.5 429.4 102.8 346.4 100.4 75.9 289.6 342.1 362.9 285.9 112.4 357.5 15.8 411.6 99.2 405.5 379.3 444.4 102.0 100.0 283.6 108.4 330.9 395.6 416.4 72.4 307.8 99.91 112.0 283.5 318.5 337.9 112.1 100.8 100.8 334.5 330.4 75.0 106.1 292.4 386.4 393.5 389.2 103.9 373.3 385.7 291.

Nilai-nilai yang hilang di akhir periode sangat penting kaarena diperlukkan dalam melakukan prakiraan.1 dan 3. yang tersisa adalah trend dan siklus.Karena rata-rata bergerak menghilangkan faktor musiman dan sekaligus kerandoman. atau bentuk lainnya) hitung nilainya untuk setiap periode. yaitu dengan merata-ratakan semua nilai pada setiap musim yang sama. (b).9.7). Tetapkan faktor trend (T) Identifikasi bentuk trend yang tepat (linier. perhitungan CMA yang dilakukan pada kolom 3 dan kolom 4 mengakibatkan hilangnya beberapa nilai di awal dan di akhir serial data. Faktor siklus dapat diperoleh dengan membagi nilai CMA dengan nilai trend untuk setiap data pengamatan. eksponensial. Dengan menghitung rasio antara Xt terhadap CMAt diperoleh faktor musiman dan kerandoman (kolom 5). Tetapkan faktor siklus (C) Karena CMA menghapus pola musiman dan random. Tabel 6. Faktor musiman bisa diperoleh dengan menghilangkan unsur random. kurva S. Perata-rataan ini dapat dilakukan dengan beberapa cara. 203 . yang dalam contoh ini masing-masing bernilai 272. Khusus dalam contoh ini (Tabel 6. seperti pada kolom 8. Koefisien a dan b diperoleh dari serial data dengan metode regresi linier sederhana. yang selanjutnya disesuaikan untuk mendapatkan indeks musiman (kolom 6). unsur yang ada dalam kolom 4 ini terdiri dari trend dan siklus. Namun. nilai siklus pada periode ke-39 sampai 44 dianggap sama dengan 100. perlu dilakukan taksiran untuk nilai siklus yang berada di akhir periode. Dalam contoh ini diasumsikan trend berbentuk linier sehingga faktor trend untuk setiap periode bisa dicari dengan menggunakan persamaan T = a + bt. antara lain rata-rata sederhana (lihat Tabel 6. Oleh karena itu.9 memberikan contoh penaksiran nilai trend siklus dari data yang hilang karena perata-rataan bergerak terpusat di atas. (c).8) dan rata-rata medial.

T dan C pada periode yang sama.8 111.9 75.6 113.0 Karena jumlah rata-rata keempat musim/kuartal tidak sama dengan 400 (4 kuartal dengan rata-rata 100).8 77. yang berlaku bagi seluruh serial data yang ada dan untuk keperluan peramalan.7 104.2 108.1 75.7 111. Tabel 6. Komponen R dalam hal ini diabaikan karena menurut definisi kesalahan atau kerandoman R tidak dapat diprediksi.6 106.2 112. perlu dilakukan penyesuaian agar jumlahnya menjadi 400.2 75.0 106.3 113.4 109.4 101.6 107.7).1 105.5 102.8 114.8 Jumlah 399.6 76.2 108.3 103.1 106.6 2 1110. Mengisolasi faktor ini juga tidak memberi manfaat langsung untuk prakiraan.4 400.5 75.7 107.8.4 111. Lakukan peramalan untuk periode waktu yang diinginkan Nilai peramalan F dapat dicari dengan mengalikan komponen-komponen S.3 71.(d).9 75.4 111. Rata-rata yang telah disesuaikan itu merupakan indeks untuk masing-masing musim. sehingga hubungan untuk peramalan cukup F = S x T x C.4 112.4 102.2 4 99.5 72.1 108.0 112. 204 .4 3 75.1 75. Faktor musiman selanjutnya dapat dicari dengan memisahkan dari faktor random dengan cara merata-ratakan semua nilai pada musim yang sama pada kolom 5.0 103.9 105. Pemisahan Indeks Musiman dari Faktor Random Rasio antara data pengamatan X dengan CMA menghasilkan nilai faktor musiman dan kerandoman (kolom 5 Tabel 4.8 Pemisahan Indeks Musiman dari Faktor Random Tahun 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Rata-rata penyesuaian Kuartal 1 115. seperti terlihat pada Tabel 6.7 103.5 110.0 108.

4 CMA3x3 6 276.0 .5 424.5 278.9 TxCxR 4 267. 402. dapat dicari rata-rata dari 7 nilai yang tersisa. yang terjadi karena adanya peristiwa yang tidak biasa. Hasilnya berupa rata-rata medial. kemudian rata-ratakan.2 103.4 283. 402. . dan pergantian manajemen.2 103.1 275.4 288. digunakan untuk memisahkan data ekstrem dari serial data.6 286.9 Perhitungan Taksiran Nilai Trend Siklus Periode 1 1 2 3 4 5 6 7 .6 286.4.2 435. Dengan cara yang sama dapat dicari rata-rata medial dari ketiga kuartal lainnya.3 276. Tabel 6.9 448.4 410.4 75. 402.8 425. Dengan meninggalkan kedua nilai itu.6 280.0 279.1 415. . 108.8. . .5 424. Misalnya.3 435. .9 merupakan suatu cara menaksir nilai trend siklus bagi data di akhir periode yang terpusat. Perhitungan Taksiran Nilai Trend Siklus Faktor siklus adalah aspek yang paling sulit. . atau dengan mempertimbangkan faktor trend-siklus bersama-sama.9 287.0 .4 280. 34 35 36 37 38 39 40 X 2 301 304 209 280 327 316 211 .4 dan yang terkecil 109.4 417. Dalam banyak hal.0 269.4 417.Perhitungan pada Tabel 6.9 279.5 411.4 288.8 412.7 .7 .3 421.9 112. 436 317 422 471 445 336 466 Sx100 3 112.7 406. hilangkan angka yang terbesar dan terkecil.9 112.8 412. seperti gejolak politik.4 75.8 283.7 410.1 409.8 283. Faktor siklus dapat diperoleh melalui penilaian gambar pola siklus.6 290. promosi besar-besaran.6 287. Dari setiap musim. .6 108.4 75.6 446.3 418. Tabel 6.2 TxC 7 273.2 103.2 .8 berupa perhitungan rata-rata sederhana.3 276.4 75. yaitu sebesar 112. Nilai ini merupakan rata-rata medial dari kuartal 1. rata-rata medial. 403.6 108.6 108.5 hilang karena perata-rataan bergerak 205 .9 279.7 CMA3 5 275.5 453. nilai musim-random terbesar pada kuartal 1 sebesar 115.5 291.1 409.

TC40 = 0. harga. 6. dapat diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila perubahan pada variabel bebasnya. atau keuntungan perusahaan dipengaruhi oleh tingkat penjualan. pengeluaran pemerintah. biaya pemasaran.7) + 0. Dengan mengetahui model hubungan antara variabel yang bersangkutan.Dengan menggunakan rata-rata bergerak terpusat 3 periode (CMA3) dan kemudian CMA3x3 diperoleh data seperti pada kolom 5 dan kolom 6.9 + 448.5 (435. dan biaya produksi. 206 . pendapatan nasional dipengaruhi oleh konsumsi. Misalnya.2) = 453. atau dalam bentuk lain antara input dan output dari suatu sistem. Berikut ini dibahas secara singkat teknik yang biasa digunakan dalam metode kausal. Nilai trend siklus pada periode ke-40 berasal dari rata-rata bergerak 2 perioddde terakhir kolom (4) ditambah setengah dari selisih antara nilai trend siklus periode ke 39 dan 38. kecuali pada data yang hilang. ekspor dan impor.4 Pola trend siklus ini selanjutnya bersama-sama dengan pola data pengamatan aktual dan pola musiman dianalisis untuk menaksir kecenderungan gerakan siklus pada periode berikutnya. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga). yaitu metode regresi linier sederhana dan metode regresi linier berganda. Nilai trend siklus pada periode ke-39 disamakan dengan nilai CMA3 pada periode yang sama.4 + 424. Metode kausal bertujuan untuk meramalkan keadaan di masa datang dengan menemukan dan mengukur beberapa variabel bebas (independen) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang diamati. Nilai trend siklus (TC) pada kolom (7) sama dengan nilai pada kolom (6).4 Metode Kausal Metode kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya.5 (446. investasi. 2. yaitu pada periode 1. 39 dan 40.

atau jumlah permintaan makanan bayi berhubungan dengan jumlah kelahiran bayi. Apabila kecenderungan titik-titik koordinat dari variabel bebas dan variabel tidak bebas membentuk suatu garis linier (garis lurus). misalnya jumlah peserta kursus komputer berhubungan dengan jumlah lulusan SLTA yang tidak melanjutkan ke perguruan tinggi. Sebaliknya. jika terdapat lebih dari satu variabel bebas disebut regresi linier berganda. apabila hubungannya berbentuk kuadrat. Namun. Meskipun hubungan fungsional yang sesungguhnya tidak selalu dapat diketahui. Model Bentuk umum persamaan regresi linier sederhana sebagai berikut.6. Σ Y = n. Ŷ=a+bX Dimana : Ŷ Y X a b = nilai variabel Y hasil peramalan = variabel tidak bebeas (yang diramalkan) = variabel bebas = nilai daripada Ŷ jika X = 0 = perubahan rata-rata Y terhadap perubahan per unit X Nilai a dan b yang meminimalkan jumlah kesalahan kuadrat dapat dicari dengan menggunakan persamaan berikut ini.b Σ XY = (Σ X). 1.a + (Σ X).b atau 207 .a + (Σ X2). model yang disusun setidaknya memberikan pendekatan terhadap pengaruh yang terjadi atas perubahan salah satu variabel yang bersangkutan. modelnya dinamakan regresi linier. modelnya disebut regresi linier sederhana. Jika hubungan itu hanya melibatkan satu variabel bebas. eksponensial atau sejenisnya disebut regresi non-linier.1 Regresi Linier Sederhana Dalam banyak hal terdapat dua variabel atau lebih yang saling berhubungan dan mempengaruhi. Untuk mengetahui sejauh mana hubungan antara dua variabel atau antara satu variabel dengan beberapa variabel lain perlu dibuat model.4.

8 122.302.234.5 7.6 y 169 181 211 230 228 258 288 387 404 430 2.8 8.900 51.1 11.761 44.6) = 85.561 32.29 207.75 (10) (1.871.1 23.6) ( 2.3) − (122.01 566.5 1.10 Jumlah Uang beredar di Indonesia dan Harga Eceran di Pasar Bebas Jakarta.6 8.769 163.6) 2 a= 2.0 2.786) = 15.b= n( ΣXY ) − ( ΣX )(ΣY ) n( ΣX 2 ) − ( ΣX ) 2 ΣY − ( ΣX ).216 184.0 38.018.120 Keterangan : X = Jumlah uang beredar di Indonesia (triliun rupiah) Y = Harga eceran beras di pasar bebas Jakarta (rupiah/liter) Nilai a dan b dapat dicari sebagai berikut.4 X2 42.41 57.802.b n a= Berikut ini merupakan suatu contoh perhitungan regresi linier sederhana antara jumlah uang beredar di Indonesia dengan harga eceran beras di pasar bebas Jakarta selama periode 1981 .1 7.984 66.564 82.802.521 52.76 73.89 161.36 404.285.871.6 5.7 12.4 20.38) − (122.6 1.25 50.6 10.657.01 136.603.786 − (15.7 14.572.120.57) (122.6 3.44 1.978.1990.098.50 10 208 .96 102.900 858. Periode 1981 – 1990 Tahun 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Jumlah x 6.786 XY 1.1 1.4 10. Tabel 6.8 3. b= (10) (38.944 149.38 Y2 28.

5) 2 . Jika r negatif. Gambar 4.3 menunjukkan berbagai hubungan korelasi antara dua variabel.75 (25) = 479. Dalam contoh Tabel 6. Sebaliknya. kenaikan nilai Y terjadi bersama-sama dengan penurunan nilai X.785) 2 Dari data ini diperkirakan pada periode 1981-1990 jumlah uang beredar di Indonesia dengan harga eceran beras di pasar bebas Jakarta mempunyai hubungan 209 .50 + 15.50 + 15. Jika r mendekati atau sama dengan 1. korelasi diantara kedua variabel yang bersangkutan bersifat searah.75 X Dari model yang diperoleh.802.785) 10 (1.1) −( 2. Dengan kata lain. Jika r = 0 berarti kedua variabel yang bersangkutan tidak mempunyai korelasi. jika r mendekati atau sama dengan -1.0 2.0 maka Ŷ = 85. r= n ( ΣXY ) − (ΣX ) ( ΣY ) n (ΣX 2 ) − ( ΣX ) 2 . misalnya jika: X = 25. Koefisien Korelasi Koefisien korelasi dipakai untuk mengetahui ukuran relatif tingkat hubungan yang terdapat diantara dua variabel.5) ( 2.75 (26) = 495.Model persamaan regresinya: Ŷ = 85. artinya korelasinya sangat kuat tetapi berlawanan arah.1) −(122. X 846. 10 (857. kenaikan/penurunan nilai Y terjadi jika bersama-sama dengan kenaikan/penurunan nilai X. atau sebaliknya.10. Koefisien korelasi antara dua variabel X dan Y (dilambangkan dengan rxy atau r saja) dapat dihitung dengan rumus sebagai berikut.437. artinya korelasi antara dua variabel yang bersangkutan dikatakan sangat kuat dan positif.7) −(122. koefisien korelasi kedua variabel sebagai berikut. n ( ΣY 2 ) − ( ΣY ) 2 Koefisien korelasi r terletak diantara -1 dan 1. r = (10) (38.0 X = 26. Jika nilai r positif. dapat diprakirakan secara kasar perubahan harga eceran beras apabila terjadi perubahan jumlah uang beredar.25 maka Ŷ = 85.50 + 15.

tidak berarti bahwa perubahan harga eceran beras disebabkan perubahan jumlah uang beredar. tetapi hubungan disini tidak selalu berarti kausalsif (sebab akibat).yang sangat kuat dan searah. Meskipun regresi linier merupakan metode kausal. tetapi tidak selalu hubungan sebab akibat.3 Hubungan Korelasi antara Dua Variabel 3. Gambar 6. Kenaikan harga eceran beras mempunyai kecenderungan sejalan dengan penambahan uang beredar. yaitu bersifat menjelaskan hubungan antara satu variabel dengan berbagai variabel lain. Misalnya korelasi yang sangat kuat dan positif antara jumlah uang beredar di Indonesia dan harga eceran beras di pasar bebas Jakarta. metode ini juga sering disebut sebagai metode eksplanatori. Selain merupakan kuadrat dari 210 . Koefisien korelasi disini menggambarkan adanya hubungan yang erat. Koefisien Determinasi Ukuran yang biasa digunakan untuk mengukur ketepatan suatu model (goodness of fit) adalah koefisien determinasi. Oleh karena itu.

10. koefisien determinasinya (r2) = 0. r2 sampel cenderung merupakan suatu estimasi yang optimistik terhadap bagaimana baiknya ketetapan suatu model terhadap populasi. Dalam tabel 6.4 Deviasi dalam Prakiraan X Koefisien determinasi menunjukkan persentase dari total variasi yang dapat dijelaskan oleh garis regresi yang bersangkutan. koefisien determinasi dapat juga dihitung dengan rumus berikut ini.koefisien korelasi. Nilai koefisien determinasi berkisar antara 0 sampai dengan 1. r2 = 0 tidak berarti tidak ada hubungan diantara variabel. Meskipun r2 merupakan ukuran goodness of fit. Angka ini menunjukkan bahwa 90. adjusted r2 = r2 - p (1 − r 2 ) N − P −1 Dimana p merupakan jumlah variabel bebas dalam persamaan.9025. tetapi memunjukkan tidak adanya hubungan yang linier. r = 2 Σ( Y − Y )2 Σ(Yi − Y )2 _ ^ _ = varians yang dapat diterangkan varians total Y Y1 Ŷ1 Ŷ Gambar 6. Untuk mengoreksi r2 agar lebih merefleksikan goodness of fit suatu model terhadap populasinya digunakan koefisien determinasi yang disesuaikan (adjusted r2) dengan rumus sebagai berikut.25% dari total variasi ke-10 data dijelaskan oleh garis regresi Ŷ = 85.50 + 15. 211 .75 X.

diharapkan prakiraan dapat dilakukan dengan nilai kesalahan sekecil mungkin. atau dalam bantuk rumus: et = Xt . Kesalahan prakiraan tidak semata-mata disebabkan kesalahan dalam pemilihan metode. Kesalahan peramalan adalah perbedaan antara nilai variabel yang sesungguhnya dan nilai prakiraan pada periode yang sama.5 Pengukuran Ketelitian Peramalan Suatu peramalan sempurna jika nilai variabel diramalkan sama dengan nilai sebenarnya.6. 6.4 Kesalahan dalam Peramalan Berikut ini beberapa ukuran yang dipakai untuk menghitung kesalahan prakiraan.4.Ft seperti terlihat pada Gambar 6. 212 .1 Kesalahan Rata-Rata Kesalahan rata-rata (AE. average error atau bias) merupakan rata-rata perbedaan antara nilai sebenarnya dan nilai prakiraan. yang dirumuskan sebagai berikut. Oleh karena itu. Untuk melakukan prakiraan yang selalu tepat sangat sukar. X X2 F1 X1 F F2 e1 e2 t Gambar 6. tetapi dapat juga disebabkan jumlah data yang diamati terlalu sedikit sehingga tidak menggambarkan perilaku/pola yang sebenarnya dari variabel yang bersangkutan.5. bahkan dapat dikatakan tidak mungkin.

5. yang diukur hanya besar kesalahan secara absolut.AE = Σe1 n Kesalahan rata-rata suatu prakiraan seharusnya mendekati angka nol jika data yang diamati berjumlah besar. mean squared error) memperkuat pengaruh angka-angka kesalahan besar. MAPE = 213 . Apabila tidak. tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit. mean absolute percentage error) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktual. yaitu prakiraan cenderung menyimpang di atas rata-rata (overestimate) atau dibawah rata-rata (underestimate) dari nilai sebenarnya.2 Rata-Rata Penyimpangan Absolut Rata-rata penyimpangan absolut (MAD. 6. kesalahan dengan arah positif atau negatif akan diberlakukan sama. MAD = Σ  e1  n Dalam MAD.5. MSE = 6.4 2 Σ e1 n Rata-Rata Persentase Kesalahan Absolut Pengukuran ketelitian dengan cara rata-rata persentase kesalahan absolut (MAPE. 6.5. berarti model yang digunakan mempunyai kecenderungan bias. yang dirumuskan sebagai berikut. mean absolute deviation) merupakan penjumlahan kesalahan prakiraan tanpa menghiraukan tanda aljabarnya dibagi dengan banyaknya data yang diamati.3 Rata-Rata Kesalahan Kuadrat Model rata-rata kesalahan kuadrat (MSE.

22 2.36%.52 1.72 0.82 9.00 1.08 0. Tabel 6.37 3.100 Xt 1.12 0.28 1.31 0. Meskipun demikian.21 1.22 2.31 0.10 0. pendidikan.25 1.18 et 0. MSE = 1. dan MAPE = 2.98.50 2.88 1. e  Σ 100 Xi n Contoh Pengukuran Ketelitian Tabel 6.08 0.50 1. melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan judgment (pendapat. 214 . MAD = 0.02 0.97 1.00 40.52 1.76 0.88 -1. MSE dan MAPE dari suatu data penjualan barang konsumsi.15  et .95 23.98 et2 0.67 11.50 41.10 -1.31 4.31 41.00 1.57 2. hasil peramalan dari satu orang dengan orang lain dapat berbeda. peramalan kualitatif bersifat subjektif.53 0.91 40.92 41.03 41.12 41.11 Contoh Pengukuran Ketelitian Xt 41 40 42 40 41 42 42 43 40 42 Jumlah Rata-rata 6.6 Ft 40. Dari perhitungan diperoleh AE = 0.82 3.17 0.01 0.90 41.09 1.62 2. keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok. Oleh karena itu. MAD. peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi.31  et 0.09 1.11 menunjukkan contoh perhitungan ketelitian dengan menggunakan AE.10 1. dan pengalaman seseorang.00 1.95 3.01 1.97 1. dipengaruhi oleh intuisi.31.15. emosi.57 2.36 Metode Peramalan Kualitatif Pada umumnya.50 -1.01 40.

Gabungan Tenaga dan Penjualan Metode ini cukup banyak digunakan. Metode Delphi Dalam metode ini. Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya. Keuntungan metode ini. ketepatan peramalan sangat tergantung dari masukan individu. mengirim. a. metode Delphi. dan logistik. dan survei pasar. serangkaian kuesioner disebarkan kepada responden. karena tenaga penjualan (sales force) merupakan sumber informasi yang baik mengenai permintaan konsumen. dan merangkum hasilnya untuk dipakai pada ahli dalam menganalisis. yaitu juri opini eksekutif. para staf yang membuat kuesioner. Juri Opini Eksekutif Pendekatan ini merupakan pendekatan peramalan yang paling sederhana dan banyak digunakan dalam peramalan bisnis. mendiskusikan dan memutuskan ramalan suatu variabel pada masa datang. dan dapat bias apabila pandangan dari seseorang (misalnya manajer senior) mempengaruhi juri lain. dapat memperoleh gambaran keadaan masa datang lebih akurat dan lebih profesional sehingga hasil peramalan diharapkan mendekati aktual. Metode ini sangat memerlukan waktu dan keterlibatan banyak pihak. keuangan. produksi.tidak hanya satu orang sehingga hasilnya diharapkan lebih akurat. keputusan dibuat berdasarkan masukan dari berbagai eksekutif . Pendekatan ini mendasarkan pada pendapat dari sekelompok kecil eksekutif tingkat atas. serta para ahli sendiri. kemudian digabung 215 . c. gabungan tenaga penjualan. teknik. yang duduk bersama. kemudian jawabannya diringkas dan diberikan ke panel ahli untuk dibuat prakiraan. b. misalnya mmanajer dari bagian pemasaran. Kelebihan metode Delphi. Namun.Dalam peramalan kualitatif dikenal empat metode yang umum dipakai.

Survei Pasar Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian di masa datang. tetapi juga dalam meningkatkan desain produk dan perencanaan untuk suatu produk baru. para tenaga penjualan sering bersikap optimistik (menargetkan penjualan di atas kemampuan normal) sehingga terjadi overestimate. d. telepon atau wawancara langsung. Survei dapat dilakukan dengan kuesioner. Pendekatan ini membantu tidak saja dalam menyiapkan peramalan. dapat juga terjadi underestimate (untuk memudahkan mereka mencapai target) dan sangat dipengaruhi oleh pengalaman terbarunya. Soal latihan 216 . metode ini juga mahal dan sulit.pada tingkat provinsi dan seterusnya sampai ke tingkat nasional untuk mencapai peramalan menyeluruh. Selain memerlukan waktu. Namun. Kelemahan metode ini.

Bulan Januari Februari Maret April Mei Juni Penjualan 683. rata-rata bergerak tertimbang 3 bulanan dengan perbandingan bobot antara periode t.8 920. 5.2.5 777. Jelaskan secara singkat peran dan pentingnya kegiatan peramalan dalam perusahaan. Data penjualan (dalam juta rupiah) selama 1995 sebagai berikut.0 965. rata-rata bergerak sederhana dengan serial waktu 4 bulanan. t-1. b. 30% untuk bulan sebelumnya.2 Bulan Juli Agustus September Oktober November Desember Penjualan 960. t-2 adalah 5 : 3 : 2.0 873. Jelaskan secara singkat jenis metode peramalan secara kuantitatif.2 961. 20% untuk tiga bulan sebelumnya. Bulan Besar penjualan 217 . Carilah prakiraan penjualan pada Januari 1996 dengan menggunakan metode: a. Data penjualannya sebagai berikut. Sebutkan pula metode peramalan kuantitatif yang digunakan pada saat ini. 3. 3. dan 10% untuk empat bulan sebelumnya. Berdasarkan data pada data soal No. hitung prakiraan penjualan pada Januari 1996 dengan menggunakan metode: a. 2. pemulusan eksponensial linier Holt.2 819.0 919. manajemen ingin mengetahui taksiran penjualan pada periode akan datang. dengan α = 0.3. dan sebutkan masing-masing keunggulan dan kekurangannya. b.8 892. 4. ramalan terbaik dicapai dengan menggunakan bobot 40% untuk penjualan nyata bulan paling akhir. Dalam suatu periode empat bulanan.5 Dalam rangka perencanaan produksinya.1.2 902. dan inisial prakiraan pada Januari 1995 sebesar 700 juta rupiah.1. pemulusan eksponensial tunggal dengan α = 0.5 829. Dan β = 0. Panca Aksesori merupakan suatu perusahaan yang bergerak di bidang pembuatan aksesori pakaian dari logam.

14.7. Dengan menggunakan serial waktu tanpa kerandoman 2. Gunakan nilai inisial pemulusan eksponensial dan faktor trend pada musim gugur 1993 masing-masing sebesar 33 dan 2.75 serta α = 0. Data peserta tur ke negara itu selama 3 tahun terakhir terlihat dalam tabel. 4. 20. 18. d. hitung nilai prakiraan pada 1995 dengan menggunakan metode dekomposisi. Berdasarkan data produksi berikut ini. Dalam persamaan trend T = a + b Tahun 1993 218 . 6. berikan penjelasan. pemulusan eksponensial tunggal. mana yang lebihtepat diantara kedua metode itu.1.1 2 3 4 Berapa ramalan untuk bulan ke-5? 100 105 95 90 6. Manajer itu ingin mengetahui apakah dengan menggunakan strategi yang selama ini dilakukan dapat mencapai target atau tidak. 12. mengapa? 7. 10. Berikan pendapat Saudara tentang prakiraan jumlah wisatawan pada 1999 dengan menggunakan metode musiman dari Winter. c.3 dan γ = 0. berapakah nilai α dan β yang akan Saudara gunakan. Manajer perusahaan biro perjalanan Casper Tour untuk daerah Amerika Utara mendapat target untuk mendapatkan wisatawan ke Kanada sejumlah 400 orang pada 1999. hitung ramalan pada periode ke-11 dengan metode: a. b. pemulusan eksponensial linier dari Holt. Musim Jumlah Tahun Musim Jumlah Dingin 50 1996 Dingin 75 Semi 37 Semi 53 Panas 29 Panas 40 Gugur 33 Gugur 45 1994 Dingin 60 1997 Dingin 85 Semi 45 Semi 62 Panas 38 Panas 53 Gugur 50 Gugur 71 1995 Dingin 66 1998 Dingin 99 Semi 54 Semi 81 Panas 43 Panas 66 Gugur 53 Gugur 88 8. 16. β = 0. 8.

888 18.280 28. Tahun 1991 Kuartal 1 2 3 4 1 2 3 4 Data 330 300 210 280 330 320 210 300 Tahun 1993 Kuartal 1 2 3 4 1 2 3 4 Data 330 340 250 360 370 340 250 380 1992 1994 9.587 14. gunakan nilai a = 270 dan b = 4. masing-masing untuk memprakirakan nilai ekspor dan impor.159 25.805 17.675 29.328 21. 10. 219 .t. Asumsikan pula siklus untuk setiap kwartal pada 1995 sama dengan 100.053 45.418 Impor 16. tentukan konstanta pemulusan α yang paling tepat agar rata-rata persentase kesalahan absolutnya (MAPE) paling rendah.352 13.629 Apabila metode prakiraan yang akan digunakan model pemulusan eksponensial tunggal. dengan nilai inisial prakiraan sama dengan nilai aktualnya.781 12.136 19.259 10.860 27.837 25.370 13.146 21.823 40.859 16. Dari bagian deposito Bank Milik Rakyat diperoleh data jumlah nasabah selama 12 bulan (lihat tabel).360 21. ekspor impor Indonesia selama 1983 sampai dengan 1992 (dalam jutaan USD.142 33. Tahun 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 Ekspor 22.882 10.967 36. Berdasarkan data Biro Pusat Statistik diketahui.219 22. termasuk minyak dan gas) terlihat dalam tabel berikut ini.249 16.328 31. Manajemen ingin mengetahui bagaimana perkembangan jumlah nasabah pada masa datang.984 40.

Hitung kesalahan prakiraan dengan menggunakan MAD dan MSE. Berdasarkan catatan diperoleh data biaya pemeliharaan (dalam rupiah) dan jumlah jam-mesin selama 12 bulan terakhir sebagai berikut. jawablah pertanyaan berikut 220 .000 17.000 10.000 750. Dengan menggunakan metode regresi linier sederhana. ini. Manajer operasi PT.000 12.000 610.000 625.000 725.000 700.000 16. Dari hasil pengamatan sementara.000 650.000 650. 11.Bulan 1 2 3 4 5 6 Jumlah nasabah 360 392 353 407 425 447 Bulan 7 8 9 10 11 12 Jumlah nasabah 503 456 538 495 503 520 a. b.000 a.000 20. 11.000 550.000 15. diperkirakan hal itu disebabkan jumlah jam kerja mesin yang bervariasi dari satu periode ke periode lain. berapa taksiran biaya pemeliharaannya? 12.000 14. Bulan 1 2 3 4 5 6 7 8 9 10 11 12 Jam-mesin 14.000 23.000 Biaya pemeliharaan 600.000 640. b.000 18.000 750. Dengan menggunakan data pada soal No. Hitung prakiraan jumlah nasabah selama 3 bulan yang akan datang dengan menggunakan model regresi linier sederhana.000 jam. tentukan model yang menggambarkan hubungan diantara kedua variabel itu.000 16. Proklamasi sering mengalami kesulitan dalam menyusun rencana dan anggaran produksi karena biaya pemeliharaan yang selalu berfluktuasi.000 700.000 22. Apabila mesin-jam terpakai sebesar 25.

a.584 35.318 1. Tahun 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Jumlah kredit (miliar rupiah) 539 813 1.726 45.283 7.033 39.729 40.097 2. c. metode mana yang sebaiknya digunakan? Periode 1 Nilai aktual 35 Nilai prakiraan Metode I 34. Berapa prakiraan produksi padi jika kredit yang dikeluarkan untuk sektor pertanian sebesar 8 triliun rupiah.078 41.179 a. tahun 1980-1990. Lakukan uji signifikansi untuk mengetahui apakah model itu layak digunakan atau tidak (gunakan tingkat kepercayaan sebesar 95%).656 3. b.5 221 .226 1. Tabel berikut menunjukkan data kredit perbankan untuk sektor pertanian dan produksi padi di Indonesia. 14.303 38.656 2.025 1.652 32.774 33. Berapakah koefisien korelasi dan koefisien determinasi dari kedua variabel itu? Kesimpulan apa yang dapat Saudara ambil mengenai hubungan diantara kedua variabel itu.176 Produksi padi (ribu ton) 29.5 Metode II 36. Hitung koefisien korelasinya. 13. Tabel berikut menunjukkan hasil prakiraan dengan menggunakan dua metode yang berbeda.136 39.676 44. Tentukan persamaan regresi linier. b.610 5. Apabila manajemen menghendaki rata-rata hasil prakiraan yang lebih akurat.

7 110.2 3 4 5 6 15.0 205.7 114.6 126. diperoleh prakiraan atas hasil penjualan (unit per triwulan) seperti dalam tabel.0 36.8 206.4 81.4 185.0 Tahun Musim Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Jumlah 174.5 34. Tentukan metode mana yang memberikan ketelitian prakiraan lebih baik.0 35.3 139.0 35.0 35.5 35. Tahun 1993 Musim Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret Jumlah 91. Perkembangan nilai ekspor hasil industri elektronika Indonesia sejak Januari 1993 sampai dengan Desember 1995 (dalam US juta dolar) terlihat dalam tabel berikut ini.6 178. Triwulan 1 2 3 4 5 6 7 8 9 10 Nilai aktual 210 212 219 215 213 200 206 211 217 220 Nilai prakiraan Metode I 211 217 217 214 206 203 208 210 218 Metode II 215 216 221 220 208 205 212 209 218 217 16.1 155.5 36.9 171.4 182.5 150.0 Dengan menggunakan dua metode yang berbeda.9 204.8 80.9 211.3 222. 33 37 35 36 34 34.0 193.7 75.0 127.8 95.2 133.8 94.5 95.5 1995 1994 222 .0 133.9 229.0 36.0 35.1 79.3 243.

Pendidikan dan Penerangan Ekonomi dan Sosial. X2.6 170. Y Merupakan suatu variabel yang dapat mempunyai hubungan fungsional dengan variabel X1. Pengantar Metode Statistik Jilid II.1 Oktober November Desember 223. Periode 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Y 336 383 335 327 456 355 364 320 361 362 408 433 359 476 415 420 536 432 436 415 X1 236 224 145 135 278 241 201 217 193 145 231 224 156 338 318 276 351 282 283 219 X2 60 52 53 52 75 65 64 62 60 57 70 73 69 80 65 70 80 53 55 55 X3 180 210 180 110 220 240 140 150 220 230 230 200 170 180 175 200 270 210 220 200 X4 70 131 98 86 144 113 128 129 125 117 120 172 61 145 78 60 228 50 70 180 X5 400 320 120 680 520 770 960 480 270 730 620 250 740 630 290 910 740 160 430 410 X6 213 201 176 175 253 208 196 154 181 220 235 259 196 279 207 213 296 245 276 211 Carilah suatu bentuk persamaan regresi linier berganda yang terbaik yang dapat dipakai untuk peramalan. dan berapa prakiraan penjualan untuk Januari 1996. dan X6. (Catatan: gunakan beberapa model prakiraan dan bandingkan nilai MAD atau MSE). Data observasi dari seluruh variabel itu selama 20 periode dituangkan dalam tabel berikut ini. 17. X4. X5. X3.8 254.8 250. Jakarta: Lembaga Penelitian.7 Tentukan model prakiraan yang Saudara anggap paling tepat untuk digunakan dalam prakiraan nilai ekspor komoditas ini. 1991.April Mei Juni 149. Daftar Pustaka Anto Dajan.6 163. 223 .

Business Statistics for Quality and Productivity. Koutsoyiannis. 1992. Englewood Cliffs. NY: Barnes & Noble. and Applications. suatu variabel tidak hanya dipengaruhi oleh suatu variabel lain melainkan oleh beberapa variabel. Ramsey. Jay. M. Makridakis. Englewood Cliffs. Laforge. 5th ed.Gujarati. E. Forecasting. 3rd ed. 2nd ed. dan Barry Render. dan Steven C.. NJ: Prentice Hall International. Englewood Cliffs. A. 1977. Production and Operations Management: Strategic and Tactics. 3rd ed. The Manager’s Guide to Statistics and Quantitative Methods. John Wiley & Sons. Model Bentuk umum regresi linier berganda sebagai berikut. 1978. Spyros. Wheelwright. NJ: Prentice Hall. 1983. 1993.. melainkan juga dipengaruhi oleh variabel lain (seperti harga pupuk. Michael D. 1. L. Forecasting Methods for Management. dan S. Makridakis. P. dan M. harga eceran beras tidak hanya dipengaruhi oleh jumlah uang beredar. Basic Econometrics. 1984. McGee. 2nd ed. 1980. Wheelwright. Untuk kasus seperti ini digunakan model regresi linier berganda. McGraw Hill. John Wiley & Sons. Spyros. Design and Analysis of Experiments. 1995. L. Montgomery. C. NJ: Prentica Hall. Misalnya. Econometric: Models. dan V. Heizer. D. Damonar N. 141-167. Berenson. dan R. Regresi Linier Berganda Dalam banyak kasus. Business Forecasting. 1992. 2nd ed. Douglas C. Kroeber. Reith. Hlm. Techniques. 224 . Donald W. P. John Wiley & Sons. harga palawija. Ghanke. Levine. Theory of Econometrics: An Introduction Exposition of Econometric Methods. dan Arthur G. Intrigator. 4th Allyn & Bacon. atau perubahan indeks harga konsumen). John E. Grolier Incorporated. 1995..

. koefisien korelasi dapat dihitung untuk setiap pasang variabel dengan menggunakan rumus seperti dalam regresi sederhana.. parameter a. Koefisien determinasi dalam regresi berganda dinyatakan dalam R 2. R2 = Σ (Y 1 − Y ) Σ (Yi − Y ) 2 _ ^ _ Nilai R2.. Misalnya.. dan Xk. dan b3 bisa diperoleh. b1. .. Koefisien korelasi dari semua pasangan variabel biasanya disusun dalam suatu matriks korelasi dan digunakan untuk melihat hubungan diantara variabel dalam regresi itu.. berkisar antara 0 sampai dengan 1. b1.. a n + b1ΣX1 + b2ΣX2 + b3ΣX3 =ΣY . (1) a ΣX1 + b1ΣX12 + b2ΣX1X2 + b3ΣX1X3 = ΣX1Y a ΣX2 + b1ΣX1X2 + b2ΣX22 + b3ΣX2X3= ΣX2Y a ΣX3 + b1ΣX1X3 + b2ΣX2X3 + b3ΣX32 = ΣX3Y Dengan saling mensubstitusikan empat persamaan di atas. b2.. (4) .Ŷ = a + b1X1 + b2X2 + . Pola yang sama dapat digunakan untuk jumlah variabel yang berbeda. 225 . bk dapat dihitung dengan pendekatan matriks. b2. menyatakan situasi varians Y yang dapat diterangkan oleh varians total X1. . 2. (3) ... .... (2) . Koefisien Korelasi dan Koefisien Determinasi Dalam regresi berganda.. untuk persamaan regresi: Ŷ = a + b 1X1 + b2X2 + b3X3 digunakan persamaan sebagai berikut. + bkXk Nilai a. atau perhitungan substitusi. mempunyai rumus yang sama seperti dalam regresi sederhana. .

yaitu uji signifikansi setiap koefisien dalam persamaan regresi. Nilai statistik t dapat dihitung dari rumus berikut ini: t = s tan dar kesalahan nilai koefisien 226 . yaitu uji signifikansi keseluruhan dalam persamaan regresi. Apabila hasil ujinya signifikan berarti paling tidak satu koefisien dalam persamaan regresi yang bersangkutan secara signifikan berbeda dengan nol. n-k) dapat diperoleh dari Lampiran B b. Apabila dari hasil uji diketahui bahwa suatu koefisien tidak secara signifikan berbeda dengan nol (artinya nilai itu bisa sama dengan nol. k-1.3. Pada dasarnya. Uji statistik t. k-1. variabel yang bersangkutan tidak layak digunakan dan harus dikeluarkan dari persamaan regresi. n-k) berarti signifikan Dimana: k n (1-α) = jumlah parameter (termasuk konstanta α) = jumlah observasi = menunjukkan tingkat keyakinan terhadap uji statistik itu Nilai F(α. Terdapat dua jenis uji statistik yang harus diperhatikan. sebaiknya dilakukan uji signifikansi untuk mengetahui hasil regresi tersebut layak digunakan untuk peramalan atau tidak. Uji Signifikansi Sebelum hasil peramalan regresi (baik sederhana maupun berganda) dipakai. model itu secara keseluruhan tidak layak digunakan untuk peramalan. uji ini untuk membuktikan apakah nilai setiap koefisien secara signifikan tidak sama dengan nol atau tidak. apabila diperoleh hasil tidak signifikan. ^ _ F= Σ (Y 1 − Y ) 2 /(k − 1) R 2 /(k − 1) = _ 2 ( 1 − R ) /(n − k ) 2 Σ (Yi − Y ) /(n − k ) Jika F > F(γ. a. Nilai statistik F dapat dihitung dengan rumus sebagai berikut. Sebaliknya. Uji statistik F.

model ekonometrika juga sering digunakan untuk memahami atau menganalisis kebijakan dalam suatu sistem perekonomian. sedangkan untuk hubungan yang lebih kompleks digunakan metode regresi linier berganda. Kelebihan model ekonometrika adalah kemampuannya untuk meramalkan hubungan saling ketergantungan antara beberapa variabel endogen (variabel tidak bebas) dan beberapa variabel eksogen (variabel bebas). Untuk suatu hubungan yang sederhana digunakan metode regresi linier sederhana. Model ini dapat digambarkan sebagai suatu sistem persamaan regeresi berganda. 227 . yaitu kumpulan dari beberapa persamaan regresi berganda yang mempunyai hubungan saling ketergantungan. secara signifikan tidak sama = jumlah parameter (termasuk konstanta α) = jumlah observasi = probabilitas nilai koefisien yang dihtung sama dengan nol Nilai t(p. n-k) dapat diperoleh dari Lampiran C 5 Model Ekonometrik Pada dua metode kausal sebelumnya telah dibahas peramalan perubahan suatu variabel yang disebabkan oleh perubahan suatu variabel atau beberapa variabel lain. misalnya dipakai untuk meramal kebutuhan kendaraan angkutan penumpang atau untuk meramal perubahan faktor ekonomi terhadap perubahan harga bahan konsumsi primer. Kedua metode tadi merepresentasikan hubungan antarvariabel dalam satu persamaan. Selain untuk peramalan. Model ekonometrika banyak digunakan untuk peramalan dalam industri ataupun makro.Jika t> t(p. Dimana: k n p n-k) maka koefisien yang diuji. Dengan mengatur atau mengetahui perubahan dalam variabel eksogen. dengan nol. Model ekonometrika merupakan suatu model yang lebih kompleks dari metode regresi berganda. dapat diramalkan perubahan yang terjadi pada variabel yang diamati.

Biaya produksi dipengaruhi oleh beberapa variabel biaya lain. biaya material. biaya pengembangan Biaya penjualan = f (promosi. Penjualan merupakan fungsi dari harga barang. dan harga pesaing. Misalnya. Dengan demikian. Gambar 4. untuk memperkirakan laba harus diketahui biaya produksi dan biaya lainnya. promosi. Jadi. tentunya harus diperkirakan bagaimana keadaan variabel-variabel tadi pada masa datang. biaya penjualan lainnya) Kelompok persamaan di atas disebut sebagai persamaan simultan. seperti tenaga kerja. biaya penjualan. terdapat hubungan saling ketergantungan diantara variabel-variabel tadi. biaya persediaan) Biaya administrasi dan umum = f (biaya administrasi. dan harga barang pesaing. Hubungan-hubungan itu dapat diekspresikan ke dalam suatu sistem persamaan sebagai berikut. berikut ini diambil contoh perilaku ekonomi dalam perusahaan. promosi. biaya administrasi dan umum. Laba = f (penjualan) Penjualan = f (harga. laba diasumsikan sebagai fungsi penjualan. laba) Biaya produksi = f (biaya tenaga kerja. insentif agen. dan dapat digambarkan dalam skema sebagai berikut. Harga jual sangat dipengaruhi oleh biaya produksi. biaya utiliti. biaya administrasi dan umum.5 228 .Untuk memahami konsep peramalan ekonometrika. harga pesaing) Harga = f (biaya produksi. material dan persediaan. biaya penjualan. Untuk meramalkan bagaimana laba perusahaan pada masa datang.

Jika sistem persamaan exactly identified. dan apabila mempunyai solusi. seperti biaya produksi dan harga jual. Model ekonometrika mensyaratkan semua persamaan di dalamnya adalah identified. Identifikasi merupakan langkah awal untuk menentukan apakah model yang dibangun mempunyai solusi.Contoh Model Ekonometrika Sederhana Biaya tenaga kerja Laba Penjualan Harga pesaing Biaya material Biaya produksi Harga Promosi Biaya persediaan Biaya adm & umum Biaya penjualan Insentif agen Biaya administrasi Keterangan: Biaya utiliti Biaya pengembangan Biaya penjualan lain Variabel endogen Variabel eksogen Variabel yang tidak dipengaruhi oleh variabel lainnya dalam sistem disebut sebagai variabel eksogen. Sementara variabel yang nilainya dipengaruhi oleh variabel eksogen disebut sebagai variabel endogen. 229 . metode pendugaan apakah yang sesuai agar diperoleh hasil pendugaan yang konsisten dan tidak bias. sedangkan jika overidentified metode yang sesuai antara lain Two-stage least squares (2SLS). Three-stage least squares (3SLS). Pemecahan model ekonometrika jauh lebih sulit daripada pemecahan untuk model regresi linier berganda. Pembuatan model dan estimasi suatu model ekonometrika mensyaratkan adanya identifikasi. seperti biaya material dan biaya tenaga kerja. metode pendugaan yang paling sesuai adalah indirect least square (ILS).

maka penggunaan metode ekonometrika juga semakin luas. Buku ini membatasi hanya memberikan ilustrasi tentang metode ekonometrika sebagai suatu bentuk analisis kausal.Limited informatian maximum likelihood (LIML). Dengan semakin banyaknya perangkat lunak statistik yang beredar di pasaran. dan SPSS. atau Full information maximum likelihood (FIML) (Koutsoyiannis. 230 . antara lain SAS. 1977). Shazam. namun tidak menguraikan secara rinci teknis pembuatan model dan penyelesaian masalah.

Sign up to vote on this title
UsefulNot useful