P. 1
@ VI PERAMALAN.doc

@ VI PERAMALAN.doc

|Views: 146|Likes:
forecasting
forecasting

More info:

Published by: Novie Tyas Noegroho Ningroem on Oct 25, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

05/27/2014

pdf

text

original

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

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

Dimana : Xt N Ft+1 = data pengamatan periode t = jumlah deret waktu yang digunakan = nilai prakiraan periode t + 1 Tabel 6.4 41.6 191 .7 F11 = (42 + 41 + 40 + 43 + 42) / 5 = 41.3 41.6 41.8 41.0 41. Untuk N = 3 N=5 F11 = (40 + 43 + 42) / 3 = 41.1 memberikan contoh perhitungan peramalan menggunakan metode rata-rata bergerak sederhana dengan deret waktu (N) 3 periode dan 5 periode. Tabel 6.0 42.0 41.7 42.0 41.4 41.6 Gambar 6.4 41.2 Grafik Peramalan Metode Rata-Rata Bergerak Sederhana Prakiraan permintaan pada periode ke-11 dapat dihitung.3 41. sebagai berikut.7 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.

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

t-3 (dalam persen) 6.8 41. 10)* 41.2..2 40.Xt-1 + .7 * Perbandingan bobot X pada periode t.9 42.3 41. 20. Pada tabel itu diberikan dua contoh.8 41. 30. t-2 dan seterusnya.6 42.2.9 42. 30. Xt + (1 .3 Metode Pemulusan Eksponensial 1. Tabel 6.8 41.3 41. Ft Dimana: 193 . dan secara berurutan untuk periode t-1. 20)* (40. sedangkan kedua menggunakan 4 periode dengan pembobotan 40:30:20:10 (kolom 4). + Wt-N+1.Ft+1 = Wt.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.aα ) . Bobot terbesar berarti untuk periode t. Xt-N+1 Contoh prakiraan dengan menggunakan metode rata-rata bergerak tertimbang dapat dilihat pada tabel 4. t-1.3 41. t-2. pertama menggunakan 3 periode dengan pembobotan 50:30:20 (kolom 3).Xt + Wt-1. Metode Pemulusan Eksponensial Tunggal Metode pemulusan eksponensial tunggal (single exponential smoothing) menambahkan parameter a dalam modelnya untuk mengurangi faktor kerandoman. t-2 (dalam persen) ** Perbandingan bobot X pada periode t.6 40.9 40.. t-1.7 40. Nilai prakiraan dapat dicari dengan menggunakan rumus berikut ini.5 42. Ft+1 = α .

0.8)3.8). Contoh perhitungan pralikaan dengan menggunakan metode pemulusan eksponensial tunggal dapat dilihat pada Tabel 6.2 (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. Xt-2.8)n+1.3.2 (0. 0. Misalnya.3 194 .α)n-1Xt-(n-1) + (1 .2 (0. untuk α = 0.. sebagaimana dijabarkan berikut ini. Namun..+ α(1 . Ft+1 = α Xt + (1 -α) Ft = α Xt + α (1 .2..2 (0. Xt-n+1 berturut-turut adalah 0. .α) Xt-1 + (1 . Setiap data pengamatan mempunyai kontribusi dalam penentuan nilai prakiraan periode sesudahnya..α)2Xt-2 +.α)Xt-1 + α(1 . 0.2 maka koefisien dari Xt. Istilah eksponensial dalam metode ini berasal dari pembobotan (faktor pemulusan) dari periode sebelumnya yang berbentuk eksponensial. . .. dalam perhitungannya cukup diwakili oleh data pengamatan dan hasil prakiraan periode terakhir. 0.α)nFt-(n-1) Di sini terlihat bahwa koefisien X dari waktu ke waktu membentuk hubungan eksponensial. Xt-3..α)2 Ft-1 = αXt + α(1 . Xt-1.8) 2. karena nilai prakiraan metode sebelumnya sudah mengandung nilai-nilai pengamatan sebelumnya.. metode pemulusan eksponensial tunggal mengikutsertakan data dari semua periode. Tabel 6.

1 41.0 41. Salah satu metode yang digunakan adalah metode pemulusan eksponensial linier dari Holt.4 41.3 41.6 Nilai prakiraan pada periode t = 1 berupa nilai inisial (asumsi). Nilai konstanta pemulusan terbaik adalah yang dapat memberikan ketelitian prakiraan tertinggi. nilai-nilai prakiraannya akan selalu berada di belakang nilai aktualnya (terjadi lagging yang terus-menerus). Jika metode itu digunakan untuk serial data yang memiliki unsur trend (kecenderungan) yang konsisten.0 41. (St .2 41.α ) (St-1 + Tt-1) = β . St Tt Ft+m = α .2 41. Nilai ini bisa diperoleh dengan cara menganggap nilai prakiraan pada periode itu sama dengan nilai sebenarnya (dalam contoh ini = 41). atau rata-rata dari beberapa periode.1 41.β ) .8 41.9 40. yang menggunakan persamaan sebagai berikut.3 41. Metode yang tepat untuk melakukan prakiraan serial data yang memiliki unsur trend adalah metode pemulusan eksponensial linier.2 41.0 41.1 α = 0. dapat menggunakan setiap nilai diantara 0 sampai dengan 1. Metode Pemulusan Eksponensial Linier Metode pemulusan eksponensial tunggal hanya akan efektif apabila serial data yang diamati memiliki pola horizontal (stationer).5 41. m 195 .0 41.4 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 = 0.4 41.2 41. Tt-1 = S t + Tt .0 40.St-1) + (1 .5 41. Untuk konstanta pemulusan (α). Xt + (1 . 2.3 41.0 41.

3 7.4.1 7.2 518.7 536. yaitu untuk nilai S1 dan T1.0 7.8 Nilai peramalan T F β = 0.0 8.2 500.1 573.2 (m = 3) 196 .0 507.8 544.5 559. Nilai S1 dapat disamakan dengan nilai aktual (pengamatan) atau rata-rata dari beberapa nilai pengamatan pada periode awal.4 158.4 7.0 510.4 567.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. akan dibahas kemudian) atau menggunakan rata-rata kenaikan dari beberapa periode.8 (m = 2) 596.0 8.4 8.8 562.4 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. α dan β.3 (m =1) 588.1 8.5 581. yang masing-masing nilainya dapat dipilih dari setiap angka antara 0 sampai dengan 1. Proses inisialisasi untuk pemulusan eksponensial linier dari Holt memerlukan dua taksiran. Metode dari Holt ini menggunakan dua parameter.6 566. sedangkan nilai T1 menggunakan taksiran kemiringan dari serial data tersebut (menggunakan persamaan regresi linier.7 553.5 573.4 545.6 536.9 527.0 18.4 8. Kedua parameter itu dapat mempunyai nilai yang sama atau berbeda besarnya.3 527. Contoh penggunaan metode ini dalam suatu serial data yang memiliki unsur kecenderungan (trend) ditunjukkan dalam Tabel 6.5 553. misalnya: ( X 2 − X1 ) + ( X 3 + X 2 + ( X 4 − X 3 ) 3 T1 = Tabel 6.

Metode Pemulusan Eksponensial Musiman Sebagaimana halnya dengan persamaan pemulusan eksponensial linier yang dapat digunakan untuk memprakirakan serial data yang memiliki pola trend.2 dan γ = 0. sedangkan nilai parameter α = 0.γ ) It-L = (St + Tt.. 1  ( X L +1 − X 1 ) ( X L + 2 − X 2 ) X − X L ) + + . Nilai St.m) It-L+m TL = 197 . bentuk persamaan yang lebih tinggi dapat digunakan jika pola dasar serial datanya musiman. sebagai berikut.St-1) + (1 . Metode ini didasarkan atas tiga persamaan.β ) Tt-1 = γ ((Xt/St) + (1 .3. Salah satu metode prakiraan yang khusus untuk data yang berpola musiman adalah metode pemulusan eksponensial linier dan musiman dan Winter.. Tt dan It yang pertama berupa nilai inisial (diasumsikan).5 memberikan contoh perhitungan prakiraan dari suatu serial data yang memiliki unsur musiman. yaitu unsur stationer. trend dan musiman. + L + L   L L L L  = α (Xt/It-L) + (1 .α ) (St-1 + Tt-1) = β (St . nilai inisial St dapat disamakan dengan nilai aktualnya atau berupa rata-rata dari beberapa nilai pada musim yang sama.5.6. Sebagaimana dalam perhitungan pemulusan eksponensial tunggal. Dalam contoh itu. β = 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. sedangkan nilai inisial T dicari dengan menggunakan rumus. panjang musiman (L) 4 triwulan (periode) atau satu tahun.

01 1.5.2 638.99 1.6) T (β =0.03 1.93 F 1992 1993 1994 1995 441.48 16.41 26.5 557.3 737.3 741.09 0. Nilai inisial T dicari dengan rumus di atas.4 1.3 569.5 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 = 0.7 Dalam contoh di Tabel 6.5 635.9 567.2 703. yaitu 441.82 15.92 0.0 487.25 14.61 26.92 0.98 1.8 830. pada satu siklus musim pertama (empat periode pertama.25 17.4 502.1 535.92 0.011.3 777.7 660.11 0. 198 .02 1.96 1. 1991) dilakukan dengan membagi setiap data pengamatan (X) dengan rata-rata pengamatan pada siklus itu.25 4 4 4 4 4  Perhitungan nilai inisial It.8 655.37 14.5 546.2 616.92 0.03 17.3 855.98 1.98 1.89 20. 0 890.7 853.13 21.01 1.7 504.6 753.28 17.4 10.55 17.3 537.09 0.4 615.6 661.05 31.2 527.7 545.45 16.11 0.5 649.7 751.11 0.5) 0.9 600. TL = 1  492 − 4601 509 − 484 588 − 530 490 − 441 + + +   = 10.35 1996 510.Tabel 6.00 14. nilai inisial untuk S L disamakan dengan nilai aktualnya (XL).8 577.7 921.2 605.33 18.01 1.2) I (γ =0.

Pendekatan yang biasa dipakai adalah dengan trial and error sampai diperoleh nilai-nilai parameter yang meminimalkan kesalahan prakiraan (MAD atau MSE).75 = 1. Dalam contoh pada Tabel 4.96 = 484/478. nilai prakiraan sampai periode ke-21 diperoleh berdasarkan data satu periode sebelumnya (m = 1).92 Setelah nilai inisial S.75 sehingga nilai inisial indeks musimannya: I1 I2 I3 I4 = 460/478.11 = 441/478. Nilai prakiraan dihitung berdasarkan data yang paling baru (akhir). β dan γ. kesulitan seperti ini dapat lebih mudah teratasi. Dengan tersedianya komputer dan perangkat lunak prakiraan (statistik). metode dekomposisi mengidentifikasi tiga komponen pola dasar yang terdapat dalam suatu serial data. Tt.01 = 530/478. Prakiraan untuk periode selanjutnya diperoleh dengan menggunakan data periode ke-20 yang merupakan periode terakhir yang memiliki data aktual.75 = 0. sehingga pola dapat diproyeksikan ke masa datang dan digunakan untuk membuat peramalan. Berbeda dengan konsep peramalan itu. dapat dilakukan perhitungan S t. 6. pola itu dapat dipisahkan dari faktor random dengan memuluskan (merata-ratakan) nilai dalam data. musiman.3 Metode Dekomposisi Metode peramalan yang telah dibahas di atas didasari pada konsep bahwa ketika terdapat sebuah pola dasar dalam suatu serial data.Rata-rata permintaan tahun 1991: X1991 = (460 + 484 + 530 + 441)/4 = 478.75 = 0. dan It (seperti dalam persamaan di atas) dan prakiraan F t+m dapat dicari. dan siklus. T dan I diperoleh.5.75 = 1. 199 . Salah satu masalah yang timbul dalam penggunaan model Winter untuk prakiraan adalah penentuan nilai-nilai α. yaitu komponen trend.

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

nilai CMA akan berada diantara dua data. Karena CMA ini menyebabkan hilangnya N/2 data . Misalnya.masing-masing pada awal dan akhir periode perlu dipilih N yang kecil sehingga tidak terjadi kehilangan data yang banyak. Nilai CMA2x4 (kolom 4) kini berada tepat sejajar dengan garis periode. Untuk membuat nilai CMA ini berada tepat pada suatu garis periode perlu dilakukan perata-rataan bergerak terpusat yang kedua. Tetapkan faktor musiman (S) Hitung rata-rata bergerak terpusat (centered moving average. jika N = 4 maka nilai CMA4 (rata-rata bergerak terpusat dari 4 periode) akan berada diantara dua periode. Oleh karena itu. Apabila N berjumlah genap. CMA) dari N periode sesuai dengan panjang musimnya (kolom 3). untuk CMA yang kedua dipilih N = 2.6 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).Tabel 6. Dalam contoh ini rata-rata bergerak terpusat kedua menjadi CMA2x4 (artinya CMA 2 periode dari CMA 4 periode). 201 .

9 326.1 319.2 103.9 373.1 71.0 100.3 380.9 102.8 371.8 354.6 108.1 366.9 306.0 106.4 96.1 409.1 372.5 99.9 433.2 315.1 76.8 398.5 385.6 242.7 401.7 397.2 98.7 424.3 371.3 385.4 103.6 103.7 381.8 329.1 394.6 342.5 346.1 100.2 103.4 75.0 330.1 486.5 329.3 111.0 Sx100 6 112.8 104.4 75.8 96.1 281.1 248.1 260.2 445.8 365.6 338.0 F=Sx TxC 9 208.5 319.2 103.7 305.8 102.5 337.9 102.4 110.1 380.3 384.5 384.8 97.4 302.6 108.0 349.2 103.7 340.0 333.0 369.3 397.0 100.0 290.4 330.9 112.1 428.6 108.6 342.3 106.8 344.3 202 .4 346.0 98.5 280.4 100.5 389.9 112.91 112.6 108.5 379.0 100.2 103.7 111.6 97.7 291.3 289.8 378.9 112.6 108.2 98.0 100.6 108.1 424.5 432.2 358.0 SxRx 100 5 75.4 75.5 283.9 99.0 433.5 CMA2 x4 4 276.1 362.5 436.4 75.0 100.Tabel 6.8 420.0 340.8 100.0 283.0 322.0 100.6 416.3 327.8 401.9 112.2 103.8 100.3 318.0 444.6 97.9 331.2 103.9 396. 342.4 393.4 107.6 299.2 103.3 331.0 283.0 112.3 113.6 109.4 72.4 386.0 365.8 100.0 381.9 395.7 97.4 407.1 99.1 379.7 75.5 331.2 103.2 75.0 461.9 416.4 322.2 405.6 100.6 294.0 334.7 75.5 106.4 379.4 102.4 357.9 310.4 380.8 411.6 108.8 329.6 108.3 311.5 468.0 412.9 418.4 350.7 338.1 428.0 111.0 386.4 102.6 100.7 295.2 104.3 98.3 386.5 390.8 108.6 385.6 114.4 75.4 440.5 99.5 15.5 303.0 410.9 330.9 112.1 292.2 105.8 359.3 298.4 400.5 289.2 Cx100 8 97.2 103.1 103.4 75.8 346.4 382.5 330.5 459.5 312.0 100.9 112.9 T=a+bt 7 276.1 412.4 75.9 283.2 102.9 77.5 381.6 108.3 354.1 101.9 285.6 108.5 105.1 96.8 111.2 103.6 428.1 75.8 334.9 112.4 75.5 413.2 107.9 112.8 378.0 279.5 375.3 286.4 100.3 401.4 113.5 318.8 99.0 402.9 352.5 306.9 289.5 97.4 75.4 75.5 429.4 75.7 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 3 273.9 472.3 444.6 108.2 103.4 110.9 112.8 418.6 99.8 287.8 377.6 104.8 281.2 217.4 307.5 386.6 108.3 357.

Karena rata-rata bergerak menghilangkan faktor musiman dan sekaligus kerandoman. 203 . Tabel 6. Tetapkan faktor trend (T) Identifikasi bentuk trend yang tepat (linier. nilai siklus pada periode ke-39 sampai 44 dianggap sama dengan 100. Faktor siklus dapat diperoleh dengan membagi nilai CMA dengan nilai trend untuk setiap data pengamatan. yang tersisa adalah trend dan siklus. atau bentuk lainnya) hitung nilainya untuk setiap periode. (c). Tetapkan faktor siklus (C) Karena CMA menghapus pola musiman dan random. kurva S.9 memberikan contoh penaksiran nilai trend siklus dari data yang hilang karena perata-rataan bergerak terpusat di atas. yang dalam contoh ini masing-masing bernilai 272. perhitungan CMA yang dilakukan pada kolom 3 dan kolom 4 mengakibatkan hilangnya beberapa nilai di awal dan di akhir serial data.9. Koefisien a dan b diperoleh dari serial data dengan metode regresi linier sederhana. yang selanjutnya disesuaikan untuk mendapatkan indeks musiman (kolom 6). (b). Namun. Khusus dalam contoh ini (Tabel 6. perlu dilakukan taksiran untuk nilai siklus yang berada di akhir periode.8) dan rata-rata medial. unsur yang ada dalam kolom 4 ini terdiri dari trend dan siklus.1 dan 3. Dengan menghitung rasio antara Xt terhadap CMAt diperoleh faktor musiman dan kerandoman (kolom 5). Faktor musiman bisa diperoleh dengan menghilangkan unsur random. yaitu dengan merata-ratakan semua nilai pada setiap musim yang sama. Perata-rataan ini dapat dilakukan dengan beberapa cara. antara lain rata-rata sederhana (lihat Tabel 6. eksponensial. seperti pada kolom 8. Dalam contoh ini diasumsikan trend berbentuk linier sehingga faktor trend untuk setiap periode bisa dicari dengan menggunakan persamaan T = a + bt. Oleh karena itu.7). Nilai-nilai yang hilang di akhir periode sangat penting kaarena diperlukkan dalam melakukan prakiraan.

2 4 99.9 105.4 101.2 112.8 Jumlah 399. Mengisolasi faktor ini juga tidak memberi manfaat langsung untuk prakiraan. perlu dilakukan penyesuaian agar jumlahnya menjadi 400.5 75.8 77.1 75.4 3 75.0 Karena jumlah rata-rata keempat musim/kuartal tidak sama dengan 400 (4 kuartal dengan rata-rata 100).8.7 107.6 2 1110.2 75.3 71.8 Pemisahan Indeks Musiman dari Faktor Random Tahun 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Rata-rata penyesuaian Kuartal 1 115.0 112.5 72.4 102. Tabel 6.6 113.5 110. Pemisahan Indeks Musiman dari Faktor Random Rasio antara data pengamatan X dengan CMA menghasilkan nilai faktor musiman dan kerandoman (kolom 5 Tabel 4.7 104.0 103.1 75.4 111.0 106.1 108.6 107.5 102.8 114. T dan C pada periode yang sama. Rata-rata yang telah disesuaikan itu merupakan indeks untuk masing-masing musim.3 103.6 106.(d). 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.4 400. sehingga hubungan untuk peramalan cukup F = S x T x C. 204 .7 103.6 76.1 106.2 108.4 109.8 111.9 75.7 111.9 75.3 113.7).4 112.2 108. Lakukan peramalan untuk periode waktu yang diinginkan Nilai peramalan F dapat dicari dengan mengalikan komponen-komponen S.0 108.1 105.4 111. Faktor musiman selanjutnya dapat dicari dengan memisahkan dari faktor random dengan cara merata-ratakan semua nilai pada musim yang sama pada kolom 5. seperti terlihat pada Tabel 6.

3 276.6 108.4. dapat dicari rata-rata dari 7 nilai yang tersisa.4 75. .2 TxC 7 273.9 112. Tabel 6. .6 287. 402.6 286.4 417.4 75.2 103.6 286. Dari setiap musim. 402. Dengan meninggalkan kedua nilai itu.2 . Nilai ini merupakan rata-rata medial dari kuartal 1.1 409. hilangkan angka yang terbesar dan terkecil.2 103. atau dengan mempertimbangkan faktor trend-siklus bersama-sama.0 .7 406.7 .3 421.8 412.4 dan yang terkecil 109. . Faktor siklus dapat diperoleh melalui penilaian gambar pola siklus.6 108.8 283.9 TxCxR 4 267.1 409.6 280. .2 103.0 279.9 Perhitungan Taksiran Nilai Trend Siklus Periode 1 1 2 3 4 5 6 7 .7 . 34 35 36 37 38 39 40 X 2 301 304 209 280 327 316 211 .5 291. promosi besar-besaran.3 418.4 75.3 435.9 112.1 415. Dengan cara yang sama dapat dicari rata-rata medial dari ketiga kuartal lainnya.5 424.4 280.5 424. Dalam banyak hal.6 446.5 453.Perhitungan pada Tabel 6.3 276.0 269.9 287.4 417. nilai musim-random terbesar pada kuartal 1 sebesar 115. Perhitungan Taksiran Nilai Trend Siklus Faktor siklus adalah aspek yang paling sulit. yang terjadi karena adanya peristiwa yang tidak biasa. kemudian rata-ratakan. rata-rata medial.9 279.7 410.5 hilang karena perata-rataan bergerak 205 .7 CMA3 5 275.5 278.4 283.8 berupa perhitungan rata-rata sederhana. dan pergantian manajemen.1 275.9 merupakan suatu cara menaksir nilai trend siklus bagi data di akhir periode yang terpusat.4 410.2 435. yaitu sebesar 112.4 75.6 108.5 411. 436 317 422 471 445 336 466 Sx100 3 112.9 448.4 288. seperti gejolak politik.8 283.6 290. 403. 108. digunakan untuk memisahkan data ekstrem dari serial data.8. .4 CMA3x3 6 276. Misalnya. 402.9 279. .4 288. Hasilnya berupa rata-rata medial.8 412.8 425.0 . . Tabel 6.

atau keuntungan perusahaan dipengaruhi oleh tingkat penjualan.5 (435. 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. dapat diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila perubahan pada variabel bebasnya.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. yaitu metode regresi linier sederhana dan metode regresi linier berganda. TC40 = 0. Berikut ini dibahas secara singkat teknik yang biasa digunakan dalam metode kausal.5 (446. harga. Dengan mengetahui model hubungan antara variabel yang bersangkutan. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga).4 + 424. pengeluaran pemerintah. 206 . pendapatan nasional dipengaruhi oleh konsumsi. investasi. atau dalam bentuk lain antara input dan output dari suatu sistem.7) + 0.9 + 448.Dengan menggunakan rata-rata bergerak terpusat 3 periode (CMA3) dan kemudian CMA3x3 diperoleh data seperti pada kolom 5 dan kolom 6. Misalnya. Nilai trend siklus pada periode ke-39 disamakan dengan nilai CMA3 pada periode yang sama. Nilai trend siklus (TC) pada kolom (7) sama dengan nilai pada kolom (6). 2.2) = 453. 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. biaya pemasaran. dan biaya produksi. 39 dan 40. 6. yaitu pada periode 1.4 Pola trend siklus ini selanjutnya bersama-sama dengan pola data pengamatan aktual dan pola musiman dianalisis untuk menaksir kecenderungan gerakan siklus pada periode berikutnya. kecuali pada data yang hilang. ekspor dan impor.

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

01 566.57) (122.44 1.5 1.0 2.285.018.01 136.89 161.786 − (15.75 (10) (1.871.6) ( 2.41 57.802.6 3.521 52.36 404.6 8.6) = 85.786) = 15.572.25 50.10 Jumlah Uang beredar di Indonesia dan Harga Eceran di Pasar Bebas Jakarta.984 66.76 73.098.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 .6 y 169 181 211 230 228 258 288 387 404 430 2.603.1 23.4 X2 42.1 1.1 11.96 102.7 14.38 Y2 28.8 3. b= (10) (38.657.4 10.6 5.b= n( ΣXY ) − ( ΣX )(ΣY ) n( ΣX 2 ) − ( ΣX ) 2 ΣY − ( ΣX ).8 122.29 207.50 10 208 .7 12. Periode 1981 – 1990 Tahun 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Jumlah x 6.769 163.38) − (122.216 184.900 858.786 XY 1.1 7.0 38.302.871.978.120 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.761 44.6 10.6 1.6) 2 a= 2.900 51.120.3) − (122.564 82. Tabel 6.4 20.5 7.1990.234.561 32.944 149.8 8.802.

Gambar 4.50 + 15.5) 2 . korelasi diantara kedua variabel yang bersangkutan bersifat searah. Jika r mendekati atau sama dengan 1. dapat diprakirakan secara kasar perubahan harga eceran beras apabila terjadi perubahan jumlah uang beredar.0 maka Ŷ = 85.75 X Dari model yang diperoleh.10.Model persamaan regresinya: Ŷ = 85.802. Jika r negatif. misalnya jika: X = 25. artinya korelasinya sangat kuat tetapi berlawanan arah. Dengan kata lain. Koefisien korelasi antara dua variabel X dan Y (dilambangkan dengan rxy atau r saja) dapat dihitung dengan rumus sebagai berikut. Jika r = 0 berarti kedua variabel yang bersangkutan tidak mempunyai korelasi.75 (26) = 495. r = (10) (38.7) −(122. Dalam contoh Tabel 6. Sebaliknya.1) −( 2. n ( ΣY 2 ) − ( ΣY ) 2 Koefisien korelasi r terletak diantara -1 dan 1.1) −(122. X 846.50 + 15.0 X = 26.3 menunjukkan berbagai hubungan korelasi antara dua variabel.5) ( 2.785) 10 (1.50 + 15. Jika nilai r positif.437. kenaikan nilai Y terjadi bersama-sama dengan penurunan nilai X. koefisien korelasi kedua variabel sebagai berikut. artinya korelasi antara dua variabel yang bersangkutan dikatakan sangat kuat dan positif. kenaikan/penurunan nilai Y terjadi jika bersama-sama dengan kenaikan/penurunan nilai X. atau sebaliknya. r= n ( ΣXY ) − (ΣX ) ( ΣY ) n (ΣX 2 ) − ( ΣX ) 2 .0 2. 10 (857. jika r mendekati atau sama dengan -1. Koefisien Korelasi Koefisien korelasi dipakai untuk mengetahui ukuran relatif tingkat hubungan yang terdapat diantara dua variabel.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 .25 maka Ŷ = 85.75 (25) = 479.

3 Hubungan Korelasi antara Dua Variabel 3. tidak berarti bahwa perubahan harga eceran beras disebabkan perubahan jumlah uang beredar. yaitu bersifat menjelaskan hubungan antara satu variabel dengan berbagai variabel lain. Selain merupakan kuadrat dari 210 . 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. Gambar 6. Koefisien korelasi disini menggambarkan adanya hubungan yang erat. Kenaikan harga eceran beras mempunyai kecenderungan sejalan dengan penambahan uang beredar.yang sangat kuat dan searah. metode ini juga sering disebut sebagai metode eksplanatori. Meskipun regresi linier merupakan metode kausal. tetapi tidak selalu hubungan sebab akibat. tetapi hubungan disini tidak selalu berarti kausalsif (sebab akibat). Oleh karena itu.

Untuk mengoreksi r2 agar lebih merefleksikan goodness of fit suatu model terhadap populasinya digunakan koefisien determinasi yang disesuaikan (adjusted r2) dengan rumus sebagai berikut. koefisien determinasi dapat juga dihitung dengan rumus berikut ini.4 Deviasi dalam Prakiraan X Koefisien determinasi menunjukkan persentase dari total variasi yang dapat dijelaskan oleh garis regresi yang bersangkutan.50 + 15. Nilai koefisien determinasi berkisar antara 0 sampai dengan 1. r2 sampel cenderung merupakan suatu estimasi yang optimistik terhadap bagaimana baiknya ketetapan suatu model terhadap populasi. Meskipun r2 merupakan ukuran goodness of fit. 211 .koefisien korelasi. tetapi memunjukkan tidak adanya hubungan yang linier. Dalam tabel 6. adjusted r2 = r2 - p (1 − r 2 ) N − P −1 Dimana p merupakan jumlah variabel bebas dalam persamaan. koefisien determinasinya (r2) = 0. Angka ini menunjukkan bahwa 90.10.25% dari total variasi ke-10 data dijelaskan oleh garis regresi Ŷ = 85. r = 2 Σ( Y − Y )2 Σ(Yi − Y )2 _ ^ _ = varians yang dapat diterangkan varians total Y Y1 Ŷ1 Ŷ Gambar 6.9025.75 X. r2 = 0 tidak berarti tidak ada hubungan diantara variabel.

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

6.5. mean absolute percentage error) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktual. yang diukur hanya besar kesalahan secara absolut. kesalahan dengan arah positif atau negatif akan diberlakukan sama.5. yaitu prakiraan cenderung menyimpang di atas rata-rata (overestimate) atau dibawah rata-rata (underestimate) dari nilai sebenarnya. MAD = Σ  e1  n Dalam MAD. MSE = 6.5. MAPE = 213 . yang dirumuskan sebagai berikut. tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.4 2 Σ e1 n Rata-Rata Persentase Kesalahan Absolut Pengukuran ketelitian dengan cara rata-rata persentase kesalahan absolut (MAPE.2 Rata-Rata Penyimpangan Absolut Rata-rata penyimpangan absolut (MAD. Apabila tidak. mean squared error) memperkuat pengaruh angka-angka kesalahan besar. berarti model yang digunakan mempunyai kecenderungan bias.3 Rata-Rata Kesalahan Kuadrat Model rata-rata kesalahan kuadrat (MSE.AE = Σe1 n Kesalahan rata-rata suatu prakiraan seharusnya mendekati angka nol jika data yang diamati berjumlah besar. mean absolute deviation) merupakan penjumlahan kesalahan prakiraan tanpa menghiraukan tanda aljabarnya dibagi dengan banyaknya data yang diamati. 6.

88 -1.100 Xt 1.57 2.92 41.90 41.12 41.67 11.95 3.97 1.08 0. dipengaruhi oleh intuisi.62 2.52 1.10 -1. MSE dan MAPE dari suatu data penjualan barang konsumsi. pendidikan. Meskipun demikian.00 1. dan pengalaman seseorang.97 1. dan MAPE = 2.31 0.01 40.17 0.76 0.10 0. hasil peramalan dari satu orang dengan orang lain dapat berbeda.36%. keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok.00 1.22 2.15.15  et . Tabel 6. emosi.09 1.31  et 0.09 1.00 40.01 0.10 1. Dari perhitungan diperoleh AE = 0.11 Contoh Pengukuran Ketelitian Xt 41 40 42 40 41 42 42 43 40 42 Jumlah Rata-rata 6.02 0.91 40. MAD. MSE = 1.98 et2 0.50 2. MAD = 0.25 1.57 2. peramalan kualitatif bersifat subjektif.28 1.95 23.00 1.31 0.82 3.22 2.88 1.21 1.6 Ft 40.50 1.82 9.03 41.37 3. melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan judgment (pendapat. Oleh karena itu. 214 .01 1.31 41.53 0.12 0.31.08 0.18 et 0.50 -1.36 Metode Peramalan Kualitatif Pada umumnya.11 menunjukkan contoh perhitungan ketelitian dengan menggunakan AE.50 41. e  Σ 100 Xi n Contoh Pengukuran Ketelitian Tabel 6. peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi.98.52 1.72 0.31 4.

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

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

b. dan inisial prakiraan pada Januari 1995 sebesar 700 juta rupiah. 2. rata-rata bergerak sederhana dengan serial waktu 4 bulanan. Sebutkan pula metode peramalan kuantitatif yang digunakan pada saat ini. 3. Bulan Januari Februari Maret April Mei Juni Penjualan 683. Data penjualannya sebagai berikut.0 873. Berdasarkan data pada data soal No. pemulusan eksponensial linier Holt. 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. dengan α = 0. Carilah prakiraan penjualan pada Januari 1996 dengan menggunakan metode: a.2.0 965.3.2 902.8 892. 20% untuk tiga bulan sebelumnya. 4. b. dan 10% untuk empat bulan sebelumnya. t-1. Jelaskan secara singkat peran dan pentingnya kegiatan peramalan dalam perusahaan. 30% untuk bulan sebelumnya.1. pemulusan eksponensial tunggal dengan α = 0. Panca Aksesori merupakan suatu perusahaan yang bergerak di bidang pembuatan aksesori pakaian dari logam. t-2 adalah 5 : 3 : 2.5 829.8 920. Dan β = 0.0 919.2 819. 3. Bulan Besar penjualan 217 . Dalam suatu periode empat bulanan.5 777. hitung prakiraan penjualan pada Januari 1996 dengan menggunakan metode: a. Data penjualan (dalam juta rupiah) selama 1995 sebagai berikut. rata-rata bergerak tertimbang 3 bulanan dengan perbandingan bobot antara periode t. Jelaskan secara singkat jenis metode peramalan secara kuantitatif.2 961. manajemen ingin mengetahui taksiran penjualan pada periode akan datang.5 Dalam rangka perencanaan produksinya. 5.1.

Dengan menggunakan serial waktu tanpa kerandoman 2.75 serta α = 0. 20. pemulusan eksponensial linier dari Holt. Data peserta tur ke negara itu selama 3 tahun terakhir terlihat dalam tabel. hitung ramalan pada periode ke-11 dengan metode: a. 14. mengapa? 7.1 2 3 4 Berapa ramalan untuk bulan ke-5? 100 105 95 90 6. hitung nilai prakiraan pada 1995 dengan menggunakan metode dekomposisi. 18. berapakah nilai α dan β yang akan Saudara gunakan. 4.7. 8. Berdasarkan data produksi berikut ini. berikan penjelasan. 16.3 dan γ = 0. d. 10. Manajer itu ingin mengetahui apakah dengan menggunakan strategi yang selama ini dilakukan dapat mencapai target atau tidak. 12. mana yang lebihtepat diantara kedua metode itu. Dalam persamaan trend T = a + b Tahun 1993 218 . 6. 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. b. β = 0.1. c. Manajer perusahaan biro perjalanan Casper Tour untuk daerah Amerika Utara mendapat target untuk mendapatkan wisatawan ke Kanada sejumlah 400 orang pada 1999. pemulusan eksponensial tunggal. Berikan pendapat Saudara tentang prakiraan jumlah wisatawan pada 1999 dengan menggunakan metode musiman dari Winter. Gunakan nilai inisial pemulusan eksponensial dan faktor trend pada musim gugur 1993 masing-masing sebesar 33 dan 2.

418 Impor 16.805 17. Asumsikan pula siklus untuk setiap kwartal pada 1995 sama dengan 100. Tahun 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 Ekspor 22.823 40.328 31.360 21. 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 28.781 12. 219 .352 13.142 33.249 16.859 16. gunakan nilai a = 270 dan b = 4. Manajemen ingin mengetahui bagaimana perkembangan jumlah nasabah pada masa datang.259 10.328 21. Berdasarkan data Biro Pusat Statistik diketahui. Dari bagian deposito Bank Milik Rakyat diperoleh data jumlah nasabah selama 12 bulan (lihat tabel).860 27. dengan nilai inisial prakiraan sama dengan nilai aktualnya.t.136 19.888 18.967 36. ekspor impor Indonesia selama 1983 sampai dengan 1992 (dalam jutaan USD.587 14.370 13. 10. tentukan konstanta pemulusan α yang paling tepat agar rata-rata persentase kesalahan absolutnya (MAPE) paling rendah.984 40.629 Apabila metode prakiraan yang akan digunakan model pemulusan eksponensial tunggal.159 25.837 25.675 29.219 22.146 21. masing-masing untuk memprakirakan nilai ekspor dan impor.882 10.053 45. termasuk minyak dan gas) terlihat dalam tabel berikut ini.

000 550.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.000 22. Apabila mesin-jam terpakai sebesar 25. Proklamasi sering mengalami kesulitan dalam menyusun rencana dan anggaran produksi karena biaya pemeliharaan yang selalu berfluktuasi. Bulan 1 2 3 4 5 6 7 8 9 10 11 12 Jam-mesin 14. 11.000 14.000 700.000 17. Dengan menggunakan data pada soal No.000 a.000 725. jawablah pertanyaan berikut 220 .000 640.000 12.000 23.000 750.000 15.000 625. diperkirakan hal itu disebabkan jumlah jam kerja mesin yang bervariasi dari satu periode ke periode lain. Dengan menggunakan metode regresi linier sederhana. b.000 610.000 16. Dari hasil pengamatan sementara.000 16.000 20. Hitung kesalahan prakiraan dengan menggunakan MAD dan MSE.000 jam. Manajer operasi PT. ini. Berdasarkan catatan diperoleh data biaya pemeliharaan (dalam rupiah) dan jumlah jam-mesin selama 12 bulan terakhir sebagai berikut.000 650. Hitung prakiraan jumlah nasabah selama 3 bulan yang akan datang dengan menggunakan model regresi linier sederhana.000 18.000 650. b.000 Biaya pemeliharaan 600. tentukan model yang menggambarkan hubungan diantara kedua variabel itu. 11.000 750.000 10.000 700. berapa taksiran biaya pemeliharaannya? 12.

676 44. Hitung koefisien korelasinya.136 39. c. metode mana yang sebaiknya digunakan? Periode 1 Nilai aktual 35 Nilai prakiraan Metode I 34.176 Produksi padi (ribu ton) 29.584 35.5 Metode II 36.318 1.652 32. 14.303 38. Tabel berikut menunjukkan hasil prakiraan dengan menggunakan dua metode yang berbeda.a.656 3. Lakukan uji signifikansi untuk mengetahui apakah model itu layak digunakan atau tidak (gunakan tingkat kepercayaan sebesar 95%). Berapa prakiraan produksi padi jika kredit yang dikeluarkan untuk sektor pertanian sebesar 8 triliun rupiah.774 33.283 7.179 a.078 41.226 1.656 2. b.610 5. Berapakah koefisien korelasi dan koefisien determinasi dari kedua variabel itu? Kesimpulan apa yang dapat Saudara ambil mengenai hubungan diantara kedua variabel itu. tahun 1980-1990.033 39. Tentukan persamaan regresi linier. 13.097 2. Tahun 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Jumlah kredit (miliar rupiah) 539 813 1. b.5 221 .726 45.025 1. Apabila manajemen menghendaki rata-rata hasil prakiraan yang lebih akurat.729 40. Tabel berikut menunjukkan data kredit perbankan untuk sektor pertanian dan produksi padi di Indonesia.

0 Tahun Musim Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Jumlah 174.0 193.7 114. 33 37 35 36 34 34.2 133. 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. 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 16.5 36.5 35.6 126.7 75.7 110.0 35.0 36.0 36.8 95.0 35.5 150.8 94.4 182.5 34.2 3 4 5 6 15. Tentukan metode mana yang memberikan ketelitian prakiraan lebih baik.9 229.5 95.0 35.8 206.6 178.3 139.9 171.4 185.1 155.3 222. Tahun 1993 Musim Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret Jumlah 91.0 35.3 243.8 80.0 133.9 204.0 Dengan menggunakan dua metode yang berbeda.0 205.1 79.5 1995 1994 222 .4 81. diperoleh prakiraan atas hasil penjualan (unit per triwulan) seperti dalam tabel.0 127.

223 .6 170. 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. 1991. X3. Y Merupakan suatu variabel yang dapat mempunyai hubungan fungsional dengan variabel X1.8 250. 17. (Catatan: gunakan beberapa model prakiraan dan bandingkan nilai MAD atau MSE). Pendidikan dan Penerangan Ekonomi dan Sosial. X2.April Mei Juni 149. dan X6.6 163.7 Tentukan model prakiraan yang Saudara anggap paling tepat untuk digunakan dalam prakiraan nilai ekspor komoditas ini. X5. Data observasi dari seluruh variabel itu selama 20 periode dituangkan dalam tabel berikut ini. Daftar Pustaka Anto Dajan. X4.8 254. Pengantar Metode Statistik Jilid II. Jakarta: Lembaga Penelitian.1 Oktober November Desember 223.

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

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

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

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

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

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->