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

pemulusan eksponensial. dan seterusnya. dekomposisi. Metode dasar itu telah dikembangkan lagi menjadi berbagai derivasi/ turunannya. Dalam buku ini hanya akan dibahas sebagian dari derivasi metode dasar tersebut.. t − N +1 Ft+1 = ΣXi i=t N = X t + X t − 1 + . Pengolahan data kuantitatif dari serial waktu dapat dilakukan dengan metode dasar. Serial data yang digunakan jumlahnya selalu tetap termasuk data periode terakhir.. Data yang bersifat residu tidak dapat digambarkan.terjadi pada jarak waktu yang tetap.2 1. rata-rata bergerak. 5.2. c. Metode Rata-Rata Bergerak Metode Rata-Rata Bergerak Sederhana (Simple Moving Average) Prakiraan didasarkan pada proyeksi serial data yang dimuluskan dengan rata-rata bergerak. + X t − N + 1 N 190 . Secara matematika. Residu atau variasi acak. sedangkan pola siklus memiliki durasi yang lebih panjang dan bervariasi dari satu siklus ke siklus yang lain. yaitu apabila data tidak teratur sama sekali. sebagai berikut: a. b. 6. selanjutnya dipakai sebagai prakiraan untuk periode berikutnya. rumus prakiraan dengan metode rata-rata bergerak sederhana sebagai berikut. Satu set data (N periode terakhir) dicari rata-ratanya. 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. Ratarata yang baru ini kemudian dipakai sebagai prakiraan untuk periode yang akan datang.

0 41.1 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) 41.0 42.4 41.7 42.6 41.6 Gambar 6.7 41.1 memberikan contoh perhitungan peramalan menggunakan metode rata-rata bergerak sederhana dengan deret waktu (N) 3 periode dan 5 periode.4 41.6 191 . Untuk N = 3 N=5 F11 = (40 + 43 + 42) / 3 = 41.4 41.8 41.7 F11 = (42 + 41 + 40 + 43 + 42) / 5 = 41.Dimana : Xt N Ft+1 = data pengamatan periode t = jumlah deret waktu yang digunakan = nilai prakiraan periode t + 1 Tabel 6.3 41.0 41.0 41.3 41. sebagai berikut. Tabel 6.2 Grafik Peramalan Metode Rata-Rata Bergerak Sederhana Prakiraan permintaan pada periode ke-11 dapat dihitung.

Metode rata-rata bergerak tertimbang (weighted moving average) juga menggunakan data N periode terakhir sebagai data historis untuk melakukan prakiraan.. rumus nilai prakiraan untuk periode t+1 dapat disederhanakan menjadi: 192 . misalnya t-1 atau t-2. Metode rata-rata tertimbang dikembangkan untuk dapat memenuhi keinginan itu. Ft+1 = W. + Wt . Serial waktu yang digunakan dipilih secara trial and error sampai diperoleh kesalahan prakiraan yang terkecil. + Wt-N+1 = 1.2)..Xt-N+1 Dimana : Wt = persentase bobot yang diberikan periode t Apabila Wt + Wt-1 + . Oleh karena itu.Semakin panjang/banyak serial waktu yang digunakan. + Wt . tetapi setiap periode mendapat bobot yang berbeda..N +1 . Rumus metode rata-rata bergerak tertimbang sebagai berikut.Xt-1 + . Hal ini menunjukkan bentuk prakiraannya linier. 2.X t -1 + .. grafik prakiraannya akan semakin halus (pengisolasian faktor random makin halus) tetapi semakin kurang responsif terhadap data aktualnya (lilhat gambar 4. + Wt-N+1.. Metode Rata-Rata Bergerak Tertimbang Metode rata-rata bergerak sederhana menggunakan bobot yang sama pada setiap periode.X t ..X t + Wt -1 ..N +1 Ft+1 = W. periode terakhir seyogianya mendapat bobot yang lebih besar dibandingkan dengan periode sebelumnya (di sini menyiratkan adanya bentuk prakiraan yang non linier).N +1 Wt + Wt -1 + . periode yang diramalkan (periode t + 1) banyak memiliki keadaan yang sama dengan periode t dibandingkan periode yang lain.. Pengukuran ketelitian prakiraan diterangkan pada bagian akhir bab ini.Xt + Wt-1. Dalam banyak hal.

7 40. dan secara berurutan untuk periode t-1. sedangkan kedua menggunakan 4 periode dengan pembobotan 40:30:20:10 (kolom 4).3 41.3 Metode Pemulusan Eksponensial 1. t-2 (dalam persen) ** Perbandingan bobot X pada periode t. Bobot terbesar berarti untuk periode t.5 42. Xt-N+1 Contoh prakiraan dengan menggunakan metode rata-rata bergerak tertimbang dapat dilihat pada tabel 4.7 * Perbandingan bobot X pada periode t. t-3 (dalam persen) 6.9 40.3 41.. 20. 30.8 41. Pada tabel itu diberikan dua contoh.2 40. t-1. Xt + (1 . Tabel 6.Xt + Wt-1.aα ) . 20)* (40. 10)* 41. t-2 dan seterusnya.Ft+1 = Wt.2.8 41. t-2. pertama menggunakan 3 periode dengan pembobotan 50:30:20 (kolom 3).9 42. Metode Pemulusan Eksponensial Tunggal Metode pemulusan eksponensial tunggal (single exponential smoothing) menambahkan parameter a dalam modelnya untuk mengurangi faktor kerandoman.6 40.9 42. Nilai prakiraan dapat dicari dengan menggunakan rumus berikut ini. t-1. Ft Dimana: 193 . Ft+1 = α .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) (50.3 41.Xt-1 + .2. 30. + Wt-N+1.8 41..6 42.

0. karena nilai prakiraan metode sebelumnya sudah mengandung nilai-nilai pengamatan sebelumnya. Tabel 6..α)2 Ft-1 = αXt + α(1 .8) 2. sebagaimana dijabarkan berikut ini. metode pemulusan eksponensial tunggal mengikutsertakan data dari semua periode. Istilah eksponensial dalam metode ini berasal dari pembobotan (faktor pemulusan) dari periode sebelumnya yang berbentuk eksponensial.8)n+1. Xt-2.2 maka koefisien dari Xt. ..3 194 . 0.+ α(1 .α) Xt-1 + (1 .α)n-1Xt-(n-1) + (1 .8)3.2. Namun.2 (0. untuk α = 0..8). Xt-3. 0. Misalnya.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.α)Xt-1 + α(1 .2 (0. .α)nFt-(n-1) Di sini terlihat bahwa koefisien X dari waktu ke waktu membentuk hubungan eksponensial. 0. . Xt-n+1 berturut-turut adalah 0.2 (0.2 (0. Setiap data pengamatan mempunyai kontribusi dalam penentuan nilai prakiraan periode sesudahnya.. Xt-1.. Contoh perhitungan pralikaan dengan menggunakan metode pemulusan eksponensial tunggal dapat dilihat pada Tabel 6. dalam perhitungannya cukup diwakili oleh data pengamatan dan hasil prakiraan periode terakhir.3. Ft+1 = α Xt + (1 -α) Ft = α Xt + α (1 ...α)2Xt-2 +.

4 41.6 Nilai prakiraan pada periode t = 1 berupa nilai inisial (asumsi).2 41. (St . Nilai konstanta pemulusan terbaik adalah yang dapat memberikan ketelitian prakiraan tertinggi. St Tt Ft+m = α . Metode Pemulusan Eksponensial Linier Metode pemulusan eksponensial tunggal hanya akan efektif apabila serial data yang diamati memiliki pola horizontal (stationer).β ) . nilai-nilai prakiraannya akan selalu berada di belakang nilai aktualnya (terjadi lagging yang terus-menerus). Tt-1 = S t + Tt .1 41.3 41. atau rata-rata dari beberapa periode.0 41. Untuk konstanta pemulusan (α).4 41.St-1) + (1 .1 α = 0.9 40. m 195 . yang menggunakan persamaan sebagai berikut.0 41. Metode yang tepat untuk melakukan prakiraan serial data yang memiliki unsur trend adalah metode pemulusan eksponensial linier.2 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. Nilai ini bisa diperoleh dengan cara menganggap nilai prakiraan pada periode itu sama dengan nilai sebenarnya (dalam contoh ini = 41).5 41.0 40. Xt + (1 .α ) (St-1 + Tt-1) = β . dapat menggunakan setiap nilai diantara 0 sampai dengan 1.0 41.0 41.4 41.2 41. Salah satu metode yang digunakan adalah metode pemulusan eksponensial linier dari Holt. 2.3 41.8 41.0 41.5 41.2 41.1 41. Jika metode itu digunakan untuk serial data yang memiliki unsur trend (kecenderungan) yang konsisten.3 41.

Metode dari Holt ini menggunakan dua parameter.7 536.5 553.7 553.8 562. misalnya: ( X 2 − X1 ) + ( X 3 + X 2 + ( X 4 − X 3 ) 3 T1 = Tabel 6.4 567.4 7.3 (m =1) 588. α dan β.8 Nilai peramalan T F β = 0.6 536. Proses inisialisasi untuk pemulusan eksponensial linier dari Holt memerlukan dua taksiran. yang masing-masing nilainya dapat dipilih dari setiap angka antara 0 sampai dengan 1. yaitu untuk nilai S1 dan T1.0 8.0 507.9 527.4 158.4 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. sedangkan nilai T1 menggunakan taksiran kemiringan dari serial data tersebut (menggunakan persamaan regresi linier.8 (m = 2) 596.0 510.3 7.0 18.3 527.1 7.4 8.5 559. Contoh penggunaan metode ini dalam suatu serial data yang memiliki unsur kecenderungan (trend) ditunjukkan dalam Tabel 6.4 545.1 8.0 7.5 573.6 566.2 500.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.0 8. Nilai S1 dapat disamakan dengan nilai aktual (pengamatan) atau rata-rata dari beberapa nilai pengamatan pada periode awal.4.2 518.4 8.1 573. akan dibahas kemudian) atau menggunakan rata-rata kenaikan dari beberapa periode.8 544. Kedua parameter itu dapat mempunyai nilai yang sama atau berbeda besarnya.2 (m = 3) 196 .5 581.

Dalam contoh itu. yaitu unsur stationer. Tt dan It yang pertama berupa nilai inisial (diasumsikan). Metode Pemulusan Eksponensial Musiman Sebagaimana halnya dengan persamaan pemulusan eksponensial linier yang dapat digunakan untuk memprakirakan serial data yang memiliki pola trend..6. Metode ini didasarkan atas tiga persamaan.γ ) It-L = (St + Tt. sedangkan nilai parameter α = 0. panjang musiman (L) 4 triwulan (periode) atau satu tahun. + L + L   L L L L  = α (Xt/It-L) + (1 .α ) (St-1 + Tt-1) = β (St .. Nilai St.St-1) + (1 . β = 0. sedangkan nilai inisial T dicari dengan menggunakan rumus. trend dan musiman.5 memberikan contoh perhitungan prakiraan dari suatu serial data yang memiliki unsur musiman.β ) Tt-1 = γ ((Xt/St) + (1 . bentuk persamaan yang lebih tinggi dapat digunakan jika pola dasar serial datanya musiman.3. Salah satu metode prakiraan yang khusus untuk data yang berpola musiman adalah metode pemulusan eksponensial linier dan musiman dan Winter.m) It-L+m TL = 197 . sebagai berikut. 1  ( X L +1 − X 1 ) ( X L + 2 − X 2 ) X − X L ) + + .2 dan γ = 0.5. 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. nilai inisial St dapat disamakan dengan nilai aktualnya atau berupa rata-rata dari beberapa nilai pada musim yang sama. Sebagaimana dalam perhitungan pemulusan eksponensial tunggal.

3 777.11 0.05 31. yaitu 441.5 635.4 1.2 527.3 569.3 537.9 600.7 Dalam contoh di Tabel 6.4 502.Tabel 6.5) 0.00 14.6) T (β =0.6 753.93 F 1992 1993 1994 1995 441. 198 .5 546.3 737.011.25 14.7 751.82 15.45 16.48 16.01 1. pada satu siklus musim pertama (empat periode pertama.92 0.28 17.2 605.5.2 703.6 661.03 1.96 1.13 21.01 1.98 1.09 0.92 0.4 10.1 535.41 26.7 921.89 20.35 1996 510. nilai inisial untuk S L disamakan dengan nilai aktualnya (XL).2 616.8 830.09 0.11 0. 0 890.7 545.2 638.25 4 4 4 4 4  Perhitungan nilai inisial It.7 504.4 615.55 17.03 17.5 557.92 0.8 577.5 649.02 1.61 26.37 14.11 0.7 660.01 1.8 655.5 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 = 0.3 855. Nilai inisial T dicari dengan rumus di atas. TL = 1  492 − 4601 509 − 484 588 − 530 490 − 441 + + +   = 10.25 17.33 18. 1991) dilakukan dengan membagi setiap data pengamatan (X) dengan rata-rata pengamatan pada siklus itu.98 1.3 741.98 1.9 567.7 853.99 1.0 487.2) I (γ =0.92 0.

dan It (seperti dalam persamaan di atas) dan prakiraan F t+m dapat dicari.92 Setelah nilai inisial S. kesulitan seperti ini dapat lebih mudah teratasi.5.75 = 0.75 = 1.Rata-rata permintaan tahun 1991: X1991 = (460 + 484 + 530 + 441)/4 = 478. musiman. β dan γ.75 sehingga nilai inisial indeks musimannya: I1 I2 I3 I4 = 460/478. Dalam contoh pada Tabel 4. T dan I diperoleh. nilai prakiraan sampai periode ke-21 diperoleh berdasarkan data satu periode sebelumnya (m = 1). yaitu komponen trend.11 = 441/478. Dengan tersedianya komputer dan perangkat lunak prakiraan (statistik).3 Metode Dekomposisi Metode peramalan yang telah dibahas di atas didasari pada konsep bahwa ketika terdapat sebuah pola dasar dalam suatu serial data. 199 .75 = 1.01 = 530/478. pola itu dapat dipisahkan dari faktor random dengan memuluskan (merata-ratakan) nilai dalam data. metode dekomposisi mengidentifikasi tiga komponen pola dasar yang terdapat dalam suatu serial data. 6. dapat dilakukan perhitungan S t. sehingga pola dapat diproyeksikan ke masa datang dan digunakan untuk membuat peramalan. Pendekatan yang biasa dipakai adalah dengan trial and error sampai diperoleh nilai-nilai parameter yang meminimalkan kesalahan prakiraan (MAD atau MSE). Salah satu masalah yang timbul dalam penggunaan model Winter untuk prakiraan adalah penentuan nilai-nilai α. dan siklus. Prakiraan untuk periode selanjutnya diperoleh dengan menggunakan data periode ke-20 yang merupakan periode terakhir yang memiliki data aktual. Nilai prakiraan dihitung berdasarkan data yang paling baru (akhir). Berbeda dengan konsep peramalan itu.96 = 484/478.75 = 0. Tt.

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

201 .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). Karena CMA ini menyebabkan hilangnya N/2 data . Untuk membuat nilai CMA ini berada tepat pada suatu garis periode perlu dilakukan perata-rataan bergerak terpusat yang kedua.Tabel 6.masing-masing pada awal dan akhir periode perlu dipilih N yang kecil sehingga tidak terjadi kehilangan data yang banyak. Oleh karena itu. CMA) dari N periode sesuai dengan panjang musimnya (kolom 3). Tetapkan faktor musiman (S) Hitung rata-rata bergerak terpusat (centered moving average. Apabila N berjumlah genap. Misalnya. nilai CMA akan berada diantara dua data. jika N = 4 maka nilai CMA4 (rata-rata bergerak terpusat dari 4 periode) akan berada diantara dua periode. Dalam contoh ini rata-rata bergerak terpusat kedua menjadi CMA2x4 (artinya CMA 2 periode dari CMA 4 periode). untuk CMA yang kedua dipilih N = 2. Nilai CMA2x4 (kolom 4) kini berada tepat sejajar dengan garis periode.

4 330.2 103.8 329.3 357.6 114.0 100.5 384.4 75.9 433.5 432.5 385.5 CMA2 x4 4 276.0 340.5 318.4 307.3 354.3 386.3 298.7 291.0 98.1 319.5 390.5 379.0 106.0 461.6 416.4 110.0 349.5 331.9 112.5 413.8 100.6 108.7 340.2 103.2 217.4 75.3 385.6 242.2 358.0 100.8 418.2 315.8 346.5 15.5 303.3 401.4 107.8 371.5 319.7 381.9 416.9 352.8 378.4 407.0 330.3 318.0 322.5 389.6 108.1 292.4 440.9 99.7 338.3 444.4 75.8 334.5 280.9 102.4 302.9 77.0 100.4 75.1 76.8 420.4 393.5 459.6 294.9 395.5 283.4 346.8 329.3 331.9 330.0 100.4 102.5 306.9 112.7 424.1 380.4 357.0 100.6 97.8 96.5 312.2 107.6 97.1 248.9 285.6 385.3 202 .2 105.6 108.7 75.2 103.0 Sx100 6 112.4 350.7 401.2 103.9 112.1 281.9 310.5 468.6 108.0 334.1 99.5 346.0 283.6 108.1 366.8 378.9 396.5 106. 342.1 100.0 F=Sx TxC 9 208.0 381.9 112.1 409.7 75.6 108.2 102.2 103.6 104.0 279.7 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 3 273.1 424.3 397.8 344.2 405.8 398.4 75.4 386.1 428.6 103.3 113.3 98.5 436.0 369.2 103.8 365.2 Cx100 8 97.8 99.6 342.0 386.5 381.8 377.0 444.9 112.8 111.7 111.1 75.5 105.1 96.8 287.9 326.0 100.4 382.2 98.6 108.1 362.0 SxRx 100 5 75.3 111.6 108.1 71.9 112.4 75.3 106.2 103.3 327.3 311.4 103.4 400.4 75.6 108.0 283.8 102.4 113.9 418.8 411.4 72.6 342.2 103.6 108.6 109.5 289.6 338.9 331.1 394.0 433.6 108.1 260.5 329.9 472.91 112.1 412.1 379.1 486.1 372.0 333.4 100.6 299.8 401.1 103.5 97.4 75.8 359.8 100.7 295.2 103.8 104.9 112.6 100.0 402.5 99.6 99.4 75.0 410.6 108.9 289.Tabel 6.1 101.4 102.1 428.4 96.9 283.3 371.9 112.0 365.4 379.8 354.2 103.8 97.5 330.5 386.0 111.7 305.8 100.4 75.4 75.4 110.9 373.9 306.6 100.8 108.8 281.4 100.2 445.0 112.2 75.4 380.5 375.7 97.0 412.5 99.4 322.0 290.5 429.2 98.3 286.9 112.2 104.3 380.7 397.9 T=a+bt 7 276.9 102.5 337.2 103.6 428.0 100.3 289.3 384.2 103.

Dengan menghitung rasio antara Xt terhadap CMAt diperoleh faktor musiman dan kerandoman (kolom 5). antara lain rata-rata sederhana (lihat Tabel 6. Dalam contoh ini diasumsikan trend berbentuk linier sehingga faktor trend untuk setiap periode bisa dicari dengan menggunakan persamaan T = a + bt. Perata-rataan ini dapat dilakukan dengan beberapa cara. perhitungan CMA yang dilakukan pada kolom 3 dan kolom 4 mengakibatkan hilangnya beberapa nilai di awal dan di akhir serial data. Faktor musiman bisa diperoleh dengan menghilangkan unsur random. Faktor siklus dapat diperoleh dengan membagi nilai CMA dengan nilai trend untuk setiap data pengamatan. yaitu dengan merata-ratakan semua nilai pada setiap musim yang sama.9.1 dan 3. (b).8) dan rata-rata medial. Khusus dalam contoh ini (Tabel 6. Oleh karena itu. yang tersisa adalah trend dan siklus. seperti pada kolom 8. Tetapkan faktor trend (T) Identifikasi bentuk trend yang tepat (linier. atau bentuk lainnya) hitung nilainya untuk setiap periode. yang dalam contoh ini masing-masing bernilai 272. Namun. 203 . unsur yang ada dalam kolom 4 ini terdiri dari trend dan siklus. (c). yang selanjutnya disesuaikan untuk mendapatkan indeks musiman (kolom 6).7). Tabel 6. Koefisien a dan b diperoleh dari serial data dengan metode regresi linier sederhana. Tetapkan faktor siklus (C) Karena CMA menghapus pola musiman dan random. nilai siklus pada periode ke-39 sampai 44 dianggap sama dengan 100. eksponensial. perlu dilakukan taksiran untuk nilai siklus yang berada di akhir periode. kurva S. Nilai-nilai yang hilang di akhir periode sangat penting kaarena diperlukkan dalam melakukan prakiraan.9 memberikan contoh penaksiran nilai trend siklus dari data yang hilang karena perata-rataan bergerak terpusat di atas.Karena rata-rata bergerak menghilangkan faktor musiman dan sekaligus kerandoman.

0 106.7 107.7).5 110.9 105.4 102.4 400.6 2 1110.4 111.1 106.0 Karena jumlah rata-rata keempat musim/kuartal tidak sama dengan 400 (4 kuartal dengan rata-rata 100).2 75. T dan C pada periode yang sama. Lakukan peramalan untuk periode waktu yang diinginkan Nilai peramalan F dapat dicari dengan mengalikan komponen-komponen S.1 75. Faktor musiman selanjutnya dapat dicari dengan memisahkan dari faktor random dengan cara merata-ratakan semua nilai pada musim yang sama pada kolom 5.8 111.5 75.2 112.2 108. 204 .6 113.1 105.4 3 75.8 114.1 75. perlu dilakukan penyesuaian agar jumlahnya menjadi 400.(d).8 77.8 Pemisahan Indeks Musiman dari Faktor Random Tahun 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Rata-rata penyesuaian Kuartal 1 115.3 103.4 101.7 104. Tabel 6.4 109.4 112.7 111. Pemisahan Indeks Musiman dari Faktor Random Rasio antara data pengamatan X dengan CMA menghasilkan nilai faktor musiman dan kerandoman (kolom 5 Tabel 4.3 71. Mengisolasi faktor ini juga tidak memberi manfaat langsung untuk prakiraan.8.9 75.9 75. Rata-rata yang telah disesuaikan itu merupakan indeks untuk masing-masing musim.5 102.6 76.2 108. yang berlaku bagi seluruh serial data yang ada dan untuk keperluan peramalan. Komponen R dalam hal ini diabaikan karena menurut definisi kesalahan atau kerandoman R tidak dapat diprediksi. sehingga hubungan untuk peramalan cukup F = S x T x C. seperti terlihat pada Tabel 6.0 112.8 Jumlah 399.3 113.7 103.0 103.6 107.0 108.2 4 99.6 106.1 108.4 111.5 72.

hilangkan angka yang terbesar dan terkecil. seperti gejolak politik. Dalam banyak hal. rata-rata medial.4 dan yang terkecil 109.8 425.6 287.4 75.8 412.3 435.2 103.4 75. 402. nilai musim-random terbesar pada kuartal 1 sebesar 115.6 108.2 103.0 279.7 410.4 75.3 421.2 103.4 75. Dari setiap musim.5 411.3 418. Perhitungan Taksiran Nilai Trend Siklus Faktor siklus adalah aspek yang paling sulit. atau dengan mempertimbangkan faktor trend-siklus bersama-sama.7 406.0 269. Tabel 6.5 hilang karena perata-rataan bergerak 205 .4 280. kemudian rata-ratakan.5 453.9 112. Nilai ini merupakan rata-rata medial dari kuartal 1. yaitu sebesar 112. .1 409.6 286.9 TxCxR 4 267.6 108.2 .9 287.3 276.6 286.8 412. . promosi besar-besaran.4 288.1 415.5 291. 402.2 435. yang terjadi karena adanya peristiwa yang tidak biasa. .5 424.9 448.1 409. 108. Faktor siklus dapat diperoleh melalui penilaian gambar pola siklus.2 TxC 7 273. Hasilnya berupa rata-rata medial. dan pergantian manajemen.9 Perhitungan Taksiran Nilai Trend Siklus Periode 1 1 2 3 4 5 6 7 .9 279. 436 317 422 471 445 336 466 Sx100 3 112.8.9 279.5 424.4 283.6 446. Misalnya.0 . Dengan meninggalkan kedua nilai itu.4 288. .6 108.7 CMA3 5 275.7 .7 .0 .4 417. 34 35 36 37 38 39 40 X 2 301 304 209 280 327 316 211 .4 CMA3x3 6 276. Dengan cara yang sama dapat dicari rata-rata medial dari ketiga kuartal lainnya.6 280.4.8 283.9 112. digunakan untuk memisahkan data ekstrem dari serial data.9 merupakan suatu cara menaksir nilai trend siklus bagi data di akhir periode yang terpusat.6 290.4 410. . Tabel 6.3 276.4 417.5 278.Perhitungan pada Tabel 6. dapat dicari rata-rata dari 7 nilai yang tersisa.8 283. . 402. 403.8 berupa perhitungan rata-rata sederhana.1 275. .

pendapatan nasional dipengaruhi oleh konsumsi. 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. 2. dan biaya produksi.7) + 0. harga.2) = 453.9 + 448. Nilai trend siklus pada periode ke-39 disamakan dengan nilai CMA3 pada periode yang sama. dapat diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila perubahan pada variabel bebasnya. atau keuntungan perusahaan dipengaruhi oleh tingkat penjualan. 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. Dengan mengetahui model hubungan antara variabel yang bersangkutan. 39 dan 40. TC40 = 0. yaitu pada periode 1. 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. biaya pemasaran. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga). atau dalam bentuk lain antara input dan output dari suatu sistem. Berikut ini dibahas secara singkat teknik yang biasa digunakan dalam metode kausal. 6.Dengan menggunakan rata-rata bergerak terpusat 3 periode (CMA3) dan kemudian CMA3x3 diperoleh data seperti pada kolom 5 dan kolom 6. pengeluaran pemerintah.5 (446.4 + 424. investasi. Misalnya.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. 206 . ekspor dan impor.5 (435. yaitu metode regresi linier sederhana dan metode regresi linier berganda.

modelnya disebut regresi linier sederhana. modelnya dinamakan regresi linier.a + (Σ X).6.4. Meskipun hubungan fungsional yang sesungguhnya tidak selalu dapat diketahui. 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. 1. Apabila kecenderungan titik-titik koordinat dari variabel bebas dan variabel tidak bebas membentuk suatu garis linier (garis lurus).b Σ XY = (Σ X). apabila hubungannya berbentuk kuadrat. jika terdapat lebih dari satu variabel bebas disebut regresi linier berganda. Jika hubungan itu hanya melibatkan satu variabel bebas. model yang disusun setidaknya memberikan pendekatan terhadap pengaruh yang terjadi atas perubahan salah satu variabel yang bersangkutan. Namun. misalnya jumlah peserta kursus komputer berhubungan dengan jumlah lulusan SLTA yang tidak melanjutkan ke perguruan tinggi. Model Bentuk umum persamaan regresi linier sederhana sebagai berikut.1 Regresi Linier Sederhana Dalam banyak hal terdapat dua variabel atau lebih yang saling berhubungan dan mempengaruhi. eksponensial atau sejenisnya disebut regresi non-linier.b atau 207 . Sebaliknya. Σ Y = n. atau jumlah permintaan makanan bayi berhubungan dengan jumlah kelahiran bayi.a + (Σ X2). Untuk mengetahui sejauh mana hubungan antara dua variabel atau antara satu variabel dengan beberapa variabel lain perlu dibuat model.

3) − (122.561 32.603.984 66.786) = 15.36 404.1 7.89 161.50 10 208 .25 50.900 51.120. b= (10) (38.802.521 52.76 73.234.802.120 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.8 3.6 1.6) = 85.96 102.29 207.786 − (15. Tabel 6.6) ( 2.7 14.0 2.b= n( ΣXY ) − ( ΣX )(ΣY ) n( ΣX 2 ) − ( ΣX ) 2 ΣY − ( ΣX ).5 7.4 10.4 20.572.01 566.761 44.098.6 y 169 181 211 230 228 258 288 387 404 430 2.769 163.6 8.900 858.1 11.018.57) (122.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 .41 57.657.8 122.216 184.564 82.0 38.871.1990. Periode 1981 – 1990 Tahun 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Jumlah x 6.6 10.6 5.5 1.944 149.1 1.10 Jumlah Uang beredar di Indonesia dan Harga Eceran di Pasar Bebas Jakarta.38) − (122.786 XY 1.285.01 136.4 X2 42.75 (10) (1.8 8.302.7 12.6) 2 a= 2.871.38 Y2 28.6 3.44 1.1 23.978.

75 (25) = 479. n ( ΣY 2 ) − ( ΣY ) 2 Koefisien korelasi r terletak diantara -1 dan 1.785) 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 . Jika r mendekati atau sama dengan 1.0 X = 26. r = (10) (38.785) 10 (1. Jika r = 0 berarti kedua variabel yang bersangkutan tidak mempunyai korelasi. r= n ( ΣXY ) − (ΣX ) ( ΣY ) n (ΣX 2 ) − ( ΣX ) 2 .75 X Dari model yang diperoleh. artinya korelasi antara dua variabel yang bersangkutan dikatakan sangat kuat dan positif.Model persamaan regresinya: Ŷ = 85. Sebaliknya.7) −(122. Koefisien Korelasi Koefisien korelasi dipakai untuk mengetahui ukuran relatif tingkat hubungan yang terdapat diantara dua variabel. Jika r negatif. dapat diprakirakan secara kasar perubahan harga eceran beras apabila terjadi perubahan jumlah uang beredar.50 + 15.1) −(122. jika r mendekati atau sama dengan -1.3 menunjukkan berbagai hubungan korelasi antara dua variabel.25 maka Ŷ = 85.5) 2 . atau sebaliknya. Koefisien korelasi antara dua variabel X dan Y (dilambangkan dengan rxy atau r saja) dapat dihitung dengan rumus sebagai berikut. artinya korelasinya sangat kuat tetapi berlawanan arah.437.75 (26) = 495. Gambar 4.50 + 15. misalnya jika: X = 25. kenaikan/penurunan nilai Y terjadi jika bersama-sama dengan kenaikan/penurunan nilai X.5) ( 2. kenaikan nilai Y terjadi bersama-sama dengan penurunan nilai X.0 2.802. X 846.0 maka Ŷ = 85. korelasi diantara kedua variabel yang bersangkutan bersifat searah. Dengan kata lain.50 + 15.10. koefisien korelasi kedua variabel sebagai berikut. Jika nilai r positif. 10 (857. Dalam contoh Tabel 6.1) −( 2.

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

Angka ini menunjukkan bahwa 90.50 + 15. Nilai koefisien determinasi berkisar antara 0 sampai dengan 1. koefisien determinasinya (r2) = 0. 211 . tetapi memunjukkan tidak adanya hubungan yang linier. adjusted r2 = r2 - p (1 − r 2 ) N − P −1 Dimana p merupakan jumlah variabel bebas dalam persamaan. r = 2 Σ( Y − Y )2 Σ(Yi − Y )2 _ ^ _ = varians yang dapat diterangkan varians total Y Y1 Ŷ1 Ŷ Gambar 6.koefisien korelasi.25% dari total variasi ke-10 data dijelaskan oleh garis regresi Ŷ = 85. Untuk mengoreksi r2 agar lebih merefleksikan goodness of fit suatu model terhadap populasinya digunakan koefisien determinasi yang disesuaikan (adjusted r2) dengan rumus sebagai berikut. Meskipun r2 merupakan ukuran goodness of fit. koefisien determinasi dapat juga dihitung dengan rumus berikut ini. r2 = 0 tidak berarti tidak ada hubungan diantara variabel. Dalam tabel 6.10.4 Deviasi dalam Prakiraan X Koefisien determinasi menunjukkan persentase dari total variasi yang dapat dijelaskan oleh garis regresi yang bersangkutan.9025. r2 sampel cenderung merupakan suatu estimasi yang optimistik terhadap bagaimana baiknya ketetapan suatu model terhadap populasi.75 X.

6. tetapi dapat juga disebabkan jumlah data yang diamati terlalu sedikit sehingga tidak menggambarkan perilaku/pola yang sebenarnya dari variabel yang bersangkutan. Kesalahan prakiraan tidak semata-mata disebabkan kesalahan dalam pemilihan metode.1 Kesalahan Rata-Rata Kesalahan rata-rata (AE.6. atau dalam bantuk rumus: et = Xt .5 Pengukuran Ketelitian Peramalan Suatu peramalan sempurna jika nilai variabel diramalkan sama dengan nilai sebenarnya. average error atau bias) merupakan rata-rata perbedaan antara nilai sebenarnya dan nilai prakiraan. Untuk melakukan prakiraan yang selalu tepat sangat sukar. X X2 F1 X1 F F2 e1 e2 t Gambar 6. yang dirumuskan sebagai berikut. Oleh karena itu. diharapkan prakiraan dapat dilakukan dengan nilai kesalahan sekecil mungkin.4 Kesalahan dalam Peramalan Berikut ini beberapa ukuran yang dipakai untuk menghitung kesalahan prakiraan. Kesalahan peramalan adalah perbedaan antara nilai variabel yang sesungguhnya dan nilai prakiraan pada periode yang sama.Ft seperti terlihat pada Gambar 6.4.5. 212 . bahkan dapat dikatakan tidak mungkin.

6.AE = Σe1 n Kesalahan rata-rata suatu prakiraan seharusnya mendekati angka nol jika data yang diamati berjumlah besar. yaitu prakiraan cenderung menyimpang di atas rata-rata (overestimate) atau dibawah rata-rata (underestimate) dari nilai sebenarnya. mean squared error) memperkuat pengaruh angka-angka kesalahan besar.5. mean absolute percentage error) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktual.2 Rata-Rata Penyimpangan Absolut Rata-rata penyimpangan absolut (MAD.5.5. yang dirumuskan sebagai berikut. kesalahan dengan arah positif atau negatif akan diberlakukan sama. MAD = Σ  e1  n Dalam MAD.4 2 Σ e1 n Rata-Rata Persentase Kesalahan Absolut Pengukuran ketelitian dengan cara rata-rata persentase kesalahan absolut (MAPE. tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit. Apabila tidak. yang diukur hanya besar kesalahan secara absolut. MSE = 6. berarti model yang digunakan mempunyai kecenderungan bias. MAPE = 213 . 6. 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.

00 1.31 0.98 et2 0.82 3.11 menunjukkan contoh perhitungan ketelitian dengan menggunakan AE. MSE dan MAPE dari suatu data penjualan barang konsumsi.36 Metode Peramalan Kualitatif Pada umumnya. peramalan kualitatif bersifat subjektif.22 2.18 et 0.67 11.12 0.76 0. keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok.21 1.08 0. MAD = 0.01 40.50 2.31 0.09 1.10 1. hasil peramalan dari satu orang dengan orang lain dapat berbeda.00 40.50 41. Tabel 6.50 1.97 1. dan pengalaman seseorang.6 Ft 40.31 4.01 0.72 0.88 -1.00 1.22 2.03 41.95 3.10 0.100 Xt 1.31  et 0.97 1.62 2.88 1.95 23.31 41. 214 .17 0.82 9.53 0.92 41.15.36%.52 1.12 41. pendidikan.91 40.90 41.11 Contoh Pengukuran Ketelitian Xt 41 40 42 40 41 42 42 43 40 42 Jumlah Rata-rata 6.10 -1. melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan judgment (pendapat.09 1.01 1.02 0.57 2.57 2. MSE = 1.28 1. dipengaruhi oleh intuisi. emosi.31.98. Oleh karena itu. Meskipun demikian.08 0.15  et .37 3. MAD.00 1.50 -1. peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi. e  Σ 100 Xi n Contoh Pengukuran Ketelitian Tabel 6.25 1. dan MAPE = 2.52 1. Dari perhitungan diperoleh AE = 0.

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

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

5 777. Carilah prakiraan penjualan pada Januari 1996 dengan menggunakan metode: a.0 919.2. 30% untuk bulan sebelumnya. t-1.2 819. Bulan Januari Februari Maret April Mei Juni Penjualan 683. Jelaskan secara singkat peran dan pentingnya kegiatan peramalan dalam perusahaan. Panca Aksesori merupakan suatu perusahaan yang bergerak di bidang pembuatan aksesori pakaian dari logam.0 965. Dalam suatu periode empat bulanan. t-2 adalah 5 : 3 : 2.8 892. Dan β = 0. 3. rata-rata bergerak tertimbang 3 bulanan dengan perbandingan bobot antara periode t. 20% untuk tiga bulan sebelumnya. Berdasarkan data pada data soal No. dan 10% untuk empat bulan sebelumnya. Sebutkan pula metode peramalan kuantitatif yang digunakan pada saat ini. Data penjualan (dalam juta rupiah) selama 1995 sebagai berikut.3.5 Dalam rangka perencanaan produksinya. hitung prakiraan penjualan pada Januari 1996 dengan menggunakan metode: a. b. dengan α = 0. 4. pemulusan eksponensial linier Holt. dan inisial prakiraan pada Januari 1995 sebesar 700 juta rupiah.2 961. 2.8 920.1. 3. pemulusan eksponensial tunggal dengan α = 0. Jelaskan secara singkat jenis metode peramalan secara kuantitatif. b.1. Bulan Besar penjualan 217 . manajemen ingin mengetahui taksiran penjualan pada periode akan datang. rata-rata bergerak sederhana dengan serial waktu 4 bulanan.5 829. 5. Data penjualannya sebagai berikut.2 902.0 873. dan sebutkan masing-masing keunggulan dan kekurangannya.2 Bulan Juli Agustus September Oktober November Desember Penjualan 960. ramalan terbaik dicapai dengan menggunakan bobot 40% untuk penjualan nyata bulan paling akhir.

4. 16. Berdasarkan data produksi berikut ini.3 dan γ = 0. berapakah nilai α dan β yang akan Saudara gunakan.1 2 3 4 Berapa ramalan untuk bulan ke-5? 100 105 95 90 6. mana yang lebihtepat diantara kedua metode itu. Gunakan nilai inisial pemulusan eksponensial dan faktor trend pada musim gugur 1993 masing-masing sebesar 33 dan 2.75 serta α = 0. d. hitung ramalan pada periode ke-11 dengan metode: a. c. hitung nilai prakiraan pada 1995 dengan menggunakan metode dekomposisi. 8. pemulusan eksponensial tunggal. mengapa? 7. 6. 14. 18. 10. Dengan menggunakan serial waktu tanpa kerandoman 2. Dalam persamaan trend T = a + b Tahun 1993 218 . b. Manajer perusahaan biro perjalanan Casper Tour untuk daerah Amerika Utara mendapat target untuk mendapatkan wisatawan ke Kanada sejumlah 400 orang pada 1999. 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 8.7. Data peserta tur ke negara itu selama 3 tahun terakhir terlihat dalam tabel. β = 0. pemulusan eksponensial linier dari Holt. 20. Berikan pendapat Saudara tentang prakiraan jumlah wisatawan pada 1999 dengan menggunakan metode musiman dari Winter. 12.1. berikan penjelasan. Manajer itu ingin mengetahui apakah dengan menggunakan strategi yang selama ini dilakukan dapat mencapai target atau tidak.

tentukan konstanta pemulusan α yang paling tepat agar rata-rata persentase kesalahan absolutnya (MAPE) paling rendah.159 25.328 21. Tahun 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 Ekspor 22. 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 9.280 28.146 21.t. termasuk minyak dan gas) terlihat dalam tabel berikut ini.249 16.629 Apabila metode prakiraan yang akan digunakan model pemulusan eksponensial tunggal. Berdasarkan data Biro Pusat Statistik diketahui. Dari bagian deposito Bank Milik Rakyat diperoleh data jumlah nasabah selama 12 bulan (lihat tabel).823 40.984 40.675 29. 10.352 13.259 10. gunakan nilai a = 270 dan b = 4.328 31. Manajemen ingin mengetahui bagaimana perkembangan jumlah nasabah pada masa datang.219 22. 219 .360 21.142 33.837 25. masing-masing untuk memprakirakan nilai ekspor dan impor.418 Impor 16. Asumsikan pula siklus untuk setiap kwartal pada 1995 sama dengan 100.053 45. ekspor impor Indonesia selama 1983 sampai dengan 1992 (dalam jutaan USD.136 19.781 12.967 36. dengan nilai inisial prakiraan sama dengan nilai aktualnya.882 10.860 27.587 14.888 18.859 16.370 13.805 17.

Hitung kesalahan prakiraan dengan menggunakan MAD dan MSE. Manajer operasi PT.000 jam. diperkirakan hal itu disebabkan jumlah jam kerja mesin yang bervariasi dari satu periode ke periode lain.000 17.000 640. Berdasarkan catatan diperoleh data biaya pemeliharaan (dalam rupiah) dan jumlah jam-mesin selama 12 bulan terakhir sebagai berikut.000 750. jawablah pertanyaan berikut 220 .000 a.000 650. ini. b.000 20.000 700.000 650.000 Biaya pemeliharaan 600.000 14.000 16.000 725.000 22.000 15.000 23.000 10.000 16.000 12.000 550. tentukan model yang menggambarkan hubungan diantara kedua variabel itu. berapa taksiran biaya pemeliharaannya? 12.000 610.000 18. 11. Hitung prakiraan jumlah nasabah selama 3 bulan yang akan datang dengan menggunakan model regresi linier sederhana. Bulan 1 2 3 4 5 6 7 8 9 10 11 12 Jam-mesin 14. Apabila mesin-jam terpakai sebesar 25. Proklamasi sering mengalami kesulitan dalam menyusun rencana dan anggaran produksi karena biaya pemeliharaan yang selalu berfluktuasi.000 700. 11.000 750. b. Dengan menggunakan metode regresi linier sederhana.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. Dari hasil pengamatan sementara.000 625. Dengan menggunakan data pada soal No.

13.226 1.097 2. c. Hitung koefisien korelasinya.656 2. Tabel berikut menunjukkan hasil prakiraan dengan menggunakan dua metode yang berbeda.318 1.283 7.a.676 44. Lakukan uji signifikansi untuk mengetahui apakah model itu layak digunakan atau tidak (gunakan tingkat kepercayaan sebesar 95%).610 5. metode mana yang sebaiknya digunakan? Periode 1 Nilai aktual 35 Nilai prakiraan Metode I 34.726 45. Tabel berikut menunjukkan data kredit perbankan untuk sektor pertanian dan produksi padi di Indonesia.774 33. b. tahun 1980-1990.5 Metode II 36.5 221 .136 39. 14. Tentukan persamaan regresi linier.656 3.303 38. Apabila manajemen menghendaki rata-rata hasil prakiraan yang lebih akurat.025 1.652 32.033 39. Berapakah koefisien korelasi dan koefisien determinasi dari kedua variabel itu? Kesimpulan apa yang dapat Saudara ambil mengenai hubungan diantara kedua variabel itu. b.176 Produksi padi (ribu ton) 29.179 a.584 35.078 41. Tahun 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Jumlah kredit (miliar rupiah) 539 813 1. Berapa prakiraan produksi padi jika kredit yang dikeluarkan untuk sektor pertanian sebesar 8 triliun rupiah.729 40.

8 95.6 178.9 229.5 34.0 205.7 114.7 75.0 133.5 35.9 204.3 139.6 126.0 35.2 133.8 80.0 36.2 3 4 5 6 15. diperoleh prakiraan atas hasil penjualan (unit per triwulan) seperti dalam tabel.5 95.9 171.4 182. 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 16.0 127.8 206. Perkembangan nilai ekspor hasil industri elektronika Indonesia sejak Januari 1993 sampai dengan Desember 1995 (dalam US juta dolar) terlihat dalam tabel berikut ini.9 211.3 243.0 Dengan menggunakan dua metode yang berbeda.7 110.0 193. Tentukan metode mana yang memberikan ketelitian prakiraan lebih baik.4 185.0 35. Tahun 1993 Musim Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret Jumlah 91.4 81.8 94.0 Tahun Musim Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Jumlah 174.1 155.1 79.0 36.3 222.5 1995 1994 222 . 33 37 35 36 34 34.0 35.0 35.5 36.5 150.

(Catatan: gunakan beberapa model prakiraan dan bandingkan nilai MAD atau MSE). X4. Jakarta: Lembaga Penelitian.7 Tentukan model prakiraan yang Saudara anggap paling tepat untuk digunakan dalam prakiraan nilai ekspor komoditas ini. dan berapa prakiraan penjualan untuk Januari 1996. Daftar Pustaka Anto Dajan. 1991. X5.April Mei Juni 149. X2. X3.8 254.8 250.6 170. Y Merupakan suatu variabel yang dapat mempunyai hubungan fungsional dengan variabel X1.6 163. Data observasi dari seluruh variabel itu selama 20 periode dituangkan dalam tabel berikut ini. 223 . 17. dan X6. Pendidikan dan Penerangan Ekonomi dan Sosial. Pengantar Metode Statistik Jilid II. 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.1 Oktober November Desember 223.

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

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

k-1. k-1. a. Apabila hasil ujinya signifikan berarti paling tidak satu koefisien dalam persamaan regresi yang bersangkutan secara signifikan berbeda dengan nol. Sebaliknya. model itu secara keseluruhan tidak layak digunakan untuk peramalan. 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 . apabila diperoleh hasil tidak signifikan. Uji statistik F. Terdapat dua jenis uji statistik yang harus diperhatikan. n-k) dapat diperoleh dari Lampiran B b. Uji statistik t. sebaiknya dilakukan uji signifikansi untuk mengetahui hasil regresi tersebut layak digunakan untuk peramalan atau tidak. Pada dasarnya. variabel yang bersangkutan tidak layak digunakan dan harus dikeluarkan dari persamaan regresi. ^ _ 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. Apabila dari hasil uji diketahui bahwa suatu koefisien tidak secara signifikan berbeda dengan nol (artinya nilai itu bisa sama dengan nol. 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. Uji Signifikansi Sebelum hasil peramalan regresi (baik sederhana maupun berganda) dipakai. uji ini untuk membuktikan apakah nilai setiap koefisien secara signifikan tidak sama dengan nol atau tidak. Nilai statistik F dapat dihitung dengan rumus sebagai berikut.3. yaitu uji signifikansi keseluruhan dalam persamaan regresi.

dapat diramalkan perubahan yang terjadi pada variabel yang diamati. yaitu kumpulan dari beberapa persamaan regresi berganda yang mempunyai hubungan saling ketergantungan. Model ekonometrika banyak digunakan untuk peramalan dalam industri ataupun makro. 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. Selain untuk peramalan. dengan nol. secara signifikan tidak sama = jumlah parameter (termasuk konstanta α) = jumlah observasi = probabilitas nilai koefisien yang dihtung sama dengan nol Nilai t(p. Model ini dapat digambarkan sebagai suatu sistem persamaan regeresi berganda. Dengan mengatur atau mengetahui perubahan dalam variabel eksogen. Dimana: k n p n-k) maka koefisien yang diuji. sedangkan untuk hubungan yang lebih kompleks digunakan metode regresi linier berganda. 227 . Kelebihan model ekonometrika adalah kemampuannya untuk meramalkan hubungan saling ketergantungan antara beberapa variabel endogen (variabel tidak bebas) dan beberapa variabel eksogen (variabel bebas). Model ekonometrika merupakan suatu model yang lebih kompleks dari metode regresi berganda. Untuk suatu hubungan yang sederhana digunakan metode regresi linier sederhana. Kedua metode tadi merepresentasikan hubungan antarvariabel dalam satu persamaan.Jika t> t(p. model ekonometrika juga sering digunakan untuk memahami atau menganalisis kebijakan dalam suatu sistem perekonomian.

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

Jika sistem persamaan exactly identified. Pemecahan model ekonometrika jauh lebih sulit daripada pemecahan untuk model regresi linier berganda. 229 .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. metode pendugaan apakah yang sesuai agar diperoleh hasil pendugaan yang konsisten dan tidak bias. Identifikasi merupakan langkah awal untuk menentukan apakah model yang dibangun mempunyai solusi. Sementara variabel yang nilainya dipengaruhi oleh variabel eksogen disebut sebagai variabel endogen. metode pendugaan yang paling sesuai adalah indirect least square (ILS). Pembuatan model dan estimasi suatu model ekonometrika mensyaratkan adanya identifikasi. dan apabila mempunyai solusi. seperti biaya material dan biaya tenaga kerja. Model ekonometrika mensyaratkan semua persamaan di dalamnya adalah identified. Three-stage least squares (3SLS). sedangkan jika overidentified metode yang sesuai antara lain Two-stage least squares (2SLS). seperti biaya produksi dan harga jual.

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

Sign up to vote on this title
UsefulNot useful