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

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

0 41.4 41. sebagai berikut.2 Grafik Peramalan Metode Rata-Rata Bergerak Sederhana Prakiraan permintaan pada periode ke-11 dapat dihitung.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) 41.8 41.6 41.7 F11 = (42 + 41 + 40 + 43 + 42) / 5 = 41.4 41.6 191 . Tabel 6.6 Gambar 6.0 41.3 41.3 41.0 41.0 42.Dimana : Xt N Ft+1 = data pengamatan periode t = jumlah deret waktu yang digunakan = nilai prakiraan periode t + 1 Tabel 6. Untuk N = 3 N=5 F11 = (40 + 43 + 42) / 3 = 41.7 41.7 42.1 memberikan contoh perhitungan peramalan menggunakan metode rata-rata bergerak sederhana dengan deret waktu (N) 3 periode dan 5 periode.4 41.

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

t-1..3 41. Ft+1 = α .8 41.6 42. t-1.5 42. Tabel 6. Bobot terbesar berarti untuk periode t. + Wt-N+1. Nilai prakiraan dapat dicari dengan menggunakan rumus berikut ini.3 Metode Pemulusan Eksponensial 1.aα ) . Xt + (1 . dan secara berurutan untuk periode t-1.6 40. 10)* 41.2. pertama menggunakan 3 periode dengan pembobotan 50:30:20 (kolom 3). 30.7 * Perbandingan bobot X pada periode t. Metode Pemulusan Eksponensial Tunggal Metode pemulusan eksponensial tunggal (single exponential smoothing) menambahkan parameter a dalam modelnya untuk mengurangi faktor kerandoman.9 40. t-2. Ft Dimana: 193 . 20)* (40.2 40.Xt-1 + .8 41.9 42.Xt + Wt-1. t-2 dan seterusnya.3 41. t-3 (dalam persen) 6. Xt-N+1 Contoh prakiraan dengan menggunakan metode rata-rata bergerak tertimbang dapat dilihat pada tabel 4.2. 30.7 40. Pada tabel itu diberikan dua contoh.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) (50.8 41. t-2 (dalam persen) ** Perbandingan bobot X pada periode t.3 41. sedangkan kedua menggunakan 4 periode dengan pembobotan 40:30:20:10 (kolom 4).9 42.. 20.

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

Metode Pemulusan Eksponensial Linier Metode pemulusan eksponensial tunggal hanya akan efektif apabila serial data yang diamati memiliki pola horizontal (stationer). Xt + (1 . Nilai ini bisa diperoleh dengan cara menganggap nilai prakiraan pada periode itu sama dengan nilai sebenarnya (dalam contoh ini = 41).β ) . nilai-nilai prakiraannya akan selalu berada di belakang nilai aktualnya (terjadi lagging yang terus-menerus). m 195 . St Tt Ft+m = α .0 40.0 41. Untuk konstanta pemulusan (α).4 41.0 41.St-1) + (1 .1 41.6 Nilai prakiraan pada periode t = 1 berupa nilai inisial (asumsi).0 41.8 41.3 41.1 41.0 41.5 41.5 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 = 0.0 41. Metode yang tepat untuk melakukan prakiraan serial data yang memiliki unsur trend adalah metode pemulusan eksponensial linier.2 41. yang menggunakan persamaan sebagai berikut.1 α = 0.4 41.3 41.9 40. dapat menggunakan setiap nilai diantara 0 sampai dengan 1.3 41. Salah satu metode yang digunakan adalah metode pemulusan eksponensial linier dari Holt.2 41. Tt-1 = S t + Tt . atau rata-rata dari beberapa periode.4 41. Nilai konstanta pemulusan terbaik adalah yang dapat memberikan ketelitian prakiraan tertinggi. Jika metode itu digunakan untuk serial data yang memiliki unsur trend (kecenderungan) yang konsisten. (St .2 41.2 41.α ) (St-1 + Tt-1) = β . 2.

0 507.1 573.5 581. Nilai S1 dapat disamakan dengan nilai aktual (pengamatan) atau rata-rata dari beberapa nilai pengamatan pada periode awal.6 566.Pemulusan eksponensial linier dari Holt menambahkan persamaan Tt untuk memperoleh pemulusan trend dan menggabungkan trend ini dengan persamaan pemulusan standar sehingga menghasilkan persaman F t.4 8.4 545.4 7. α dan β.4 567. misalnya: ( X 2 − X1 ) + ( X 3 + X 2 + ( X 4 − X 3 ) 3 T1 = Tabel 6.7 553.1 8. Kedua parameter itu dapat mempunyai nilai yang sama atau berbeda besarnya.8 562.4.8 544. yaitu untuk nilai S1 dan T1.2 500. Metode dari Holt ini menggunakan dua parameter.4 158.0 8.8 (m = 2) 596.4 8. Contoh penggunaan metode ini dalam suatu serial data yang memiliki unsur kecenderungan (trend) ditunjukkan dalam Tabel 6.0 18. sedangkan nilai T1 menggunakan taksiran kemiringan dari serial data tersebut (menggunakan persamaan regresi linier.7 536.0 7.3 7.0 8.5 573.8 Nilai peramalan T F β = 0.3 (m =1) 588. Proses inisialisasi untuk pemulusan eksponensial linier dari Holt memerlukan dua taksiran.1 7.2 518.2 (m = 3) 196 .5 553.0 510.5 559. akan dibahas kemudian) atau menggunakan rata-rata kenaikan dari beberapa periode.6 536.4 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 = 0.9 527. yang masing-masing nilainya dapat dipilih dari setiap angka antara 0 sampai dengan 1.3 527.

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

96 1.2) I (γ =0.4 10.3 741.2 638.93 F 1992 1993 1994 1995 441.82 15.3 569.99 1. Nilai inisial T dicari dengan rumus di atas.92 0.25 4 4 4 4 4  Perhitungan nilai inisial It.01 1. nilai inisial untuk S L disamakan dengan nilai aktualnya (XL).8 655.92 0.03 17.3 855.33 18.01 1.89 20.02 1.4 615.00 14.3 777.8 830.45 16.Tabel 6.5 635.48 16.37 14.4 502. 1991) dilakukan dengan membagi setiap data pengamatan (X) dengan rata-rata pengamatan pada siklus itu.8 577. 0 890.2 703.09 0.7 Dalam contoh di Tabel 6.7 853.13 21.7 921.1 535.41 26.7 660.98 1.0 487.7 504.5 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. yaitu 441.61 26.011.5 557.5 546.11 0.4 1.03 1.9 567.3 737.35 1996 510. 198 .6 753.5 649.09 0.25 14.3 537.98 1.98 1.5) 0.2 616.6 661.11 0.6) T (β =0.92 0.2 605.7 751.28 17.25 17. pada satu siklus musim pertama (empat periode pertama.92 0.11 0.55 17. TL = 1  492 − 4601 509 − 484 588 − 530 490 − 441 + + +   = 10.5.2 527.9 600.01 1.05 31.7 545.

Dalam contoh pada Tabel 4.5.3 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. Prakiraan untuk periode selanjutnya diperoleh dengan menggunakan data periode ke-20 yang merupakan periode terakhir yang memiliki data aktual. Tt. metode dekomposisi mengidentifikasi tiga komponen pola dasar yang terdapat dalam suatu serial data.75 = 1. Pendekatan yang biasa dipakai adalah dengan trial and error sampai diperoleh nilai-nilai parameter yang meminimalkan kesalahan prakiraan (MAD atau MSE). yaitu komponen trend.01 = 530/478.96 = 484/478. 199 . dapat dilakukan perhitungan S t.75 = 0. kesulitan seperti ini dapat lebih mudah teratasi. Berbeda dengan konsep peramalan itu. musiman. dan siklus. nilai prakiraan sampai periode ke-21 diperoleh berdasarkan data satu periode sebelumnya (m = 1).92 Setelah nilai inisial S. Nilai prakiraan dihitung berdasarkan data yang paling baru (akhir).75 sehingga nilai inisial indeks musimannya: I1 I2 I3 I4 = 460/478. Dengan tersedianya komputer dan perangkat lunak prakiraan (statistik). β dan γ. Salah satu masalah yang timbul dalam penggunaan model Winter untuk prakiraan adalah penentuan nilai-nilai α.75 = 1. 6. T dan I diperoleh.11 = 441/478. dan It (seperti dalam persamaan di atas) dan prakiraan F t+m dapat dicari. sehingga pola dapat diproyeksikan ke masa datang dan digunakan untuk membuat peramalan. pola itu dapat dipisahkan dari faktor random dengan memuluskan (merata-ratakan) nilai dalam data.

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

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

4 302.2 103.6 428.0 100.2 103.3 113.2 103.0 106.1 372.1 362.9 418.8 378.8 359.4 110.4 322.8 411.2 Cx100 8 97.2 105.6 100.5 303.9 112.4 407.5 375.5 389.0 100.2 103.8 108.5 331.5 459.6 108.0 SxRx 100 5 75.6 97. 342.4 75.5 97.8 287.2 103.5 337.3 202 .2 107.7 75.4 393.1 76.0 365.6 108.7 97.5 CMA2 x4 4 276.3 98.6 242.4 107.1 428.6 114.3 327.8 344.2 103.5 384.7 338.1 281.2 103.9 395.9 416.4 102.4 357.1 486.5 385.4 113.8 97.0 433.9 331.5 289.6 294.7 401.0 100.4 346.1 96.1 409.9 472.2 103.6 416.1 71.5 429.3 397.7 381.5 329.5 99.5 346.1 380.9 285.9 112.2 104.9 T=a+bt 7 276.3 386.4 75.5 379.6 108.3 289.8 281.0 112.1 260.0 334.3 286.2 98.6 108.2 103.5 283.7 397.2 405.6 385.4 100.6 100.9 289.9 310.4 110.0 461.4 400.7 75.6 108.6 299.3 380.9 112.9 326.4 103.6 108.4 75.8 371.2 75.9 373.1 319.9 112.9 433.7 111.3 354.5 390.5 468.1 99.7 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 3 273.2 358.1 75.0 111.9 283.0 412.6 109.0 279.8 100.1 424.8 99.4 75.4 96.8 329.Tabel 6.2 102.1 101.6 338.5 306.0 369.9 99.1 412.1 394.1 103.8 100.4 307.6 108.5 312.9 102.2 103.8 378.6 104.5 15.8 334.4 102.0 Sx100 6 112.4 386.5 381.0 386.1 248.0 444.5 106.0 340.91 112.4 100.6 97.0 100.5 319.9 112.0 100.4 75.9 102.8 104.6 108.3 111.8 420.9 112.7 291.0 349.6 99.0 290.6 342.3 444.0 381.0 322.9 112.0 100.5 99.3 311.8 401.4 75.8 102.5 386.4 72.5 318.6 108.0 410.4 382.0 333.5 436.4 350.7 340.1 379.4 440.8 96.0 F=Sx TxC 9 208.2 103.7 295.9 330.4 380.3 298.9 396.7 305.8 346.9 352.3 106.3 401.7 424.4 75.8 365.1 292.8 377.4 75.3 371.3 318.6 103.0 98.0 402.4 75.6 108.0 100.2 315.2 217.3 331.1 366.9 306.1 428.4 379.3 357.9 77.0 283.8 354.8 329.2 103.4 330.6 108.3 385.5 105.3 384.0 330.8 100.9 112.5 280.2 445.4 75.8 398.0 283.1 100.6 108.5 330.4 75.8 111.5 432.8 418.9 112.6 342.2 98.5 413.

Oleh karena itu. Perata-rataan ini dapat dilakukan dengan beberapa cara. perlu dilakukan taksiran untuk nilai siklus yang berada di akhir periode. Faktor musiman bisa diperoleh dengan menghilangkan unsur random. Tetapkan faktor siklus (C) Karena CMA menghapus pola musiman dan random. unsur yang ada dalam kolom 4 ini terdiri dari trend dan siklus. Dengan menghitung rasio antara Xt terhadap CMAt diperoleh faktor musiman dan kerandoman (kolom 5). (c). Tabel 6.1 dan 3. Koefisien a dan b diperoleh dari serial data dengan metode regresi linier sederhana. kurva S.7). Tetapkan faktor trend (T) Identifikasi bentuk trend yang tepat (linier. Nilai-nilai yang hilang di akhir periode sangat penting kaarena diperlukkan dalam melakukan prakiraan. seperti pada kolom 8.Karena rata-rata bergerak menghilangkan faktor musiman dan sekaligus kerandoman. eksponensial.9. Khusus dalam contoh ini (Tabel 6. Faktor siklus dapat diperoleh dengan membagi nilai CMA dengan nilai trend untuk setiap data pengamatan.9 memberikan contoh penaksiran nilai trend siklus dari data yang hilang karena perata-rataan bergerak terpusat di atas. 203 . yang tersisa adalah trend dan siklus. (b). antara lain rata-rata sederhana (lihat Tabel 6.8) dan rata-rata medial. yang dalam contoh ini masing-masing bernilai 272. yang selanjutnya disesuaikan untuk mendapatkan indeks musiman (kolom 6). yaitu dengan merata-ratakan semua nilai pada setiap musim yang sama. atau bentuk lainnya) hitung nilainya untuk setiap periode. Namun. perhitungan CMA yang dilakukan pada kolom 3 dan kolom 4 mengakibatkan hilangnya beberapa nilai di awal dan di akhir serial data. nilai siklus pada periode ke-39 sampai 44 dianggap sama dengan 100. Dalam contoh ini diasumsikan trend berbentuk linier sehingga faktor trend untuk setiap periode bisa dicari dengan menggunakan persamaan T = a + bt.

Lakukan peramalan untuk periode waktu yang diinginkan Nilai peramalan F dapat dicari dengan mengalikan komponen-komponen S.7 104.(d).8.1 108.4 400.1 75.0 108.1 75.4 3 75.6 107.9 75.8 111.9 75.5 72. Faktor musiman selanjutnya dapat dicari dengan memisahkan dari faktor random dengan cara merata-ratakan semua nilai pada musim yang sama pada kolom 5.4 101.2 108.4 102.0 103.7 107.9 105.5 75.0 112. T dan C pada periode yang sama.6 76.7).7 111.8 114. Tabel 6.5 110.1 106.7 103. Pemisahan Indeks Musiman dari Faktor Random Rasio antara data pengamatan X dengan CMA menghasilkan nilai faktor musiman dan kerandoman (kolom 5 Tabel 4.4 111.4 109. 204 .0 106. sehingga hubungan untuk peramalan cukup F = S x T x C.6 113. Mengisolasi faktor ini juga tidak memberi manfaat langsung untuk prakiraan.3 71.5 102.6 106. Komponen R dalam hal ini diabaikan karena menurut definisi kesalahan atau kerandoman R tidak dapat diprediksi.8 77.4 111.2 4 99.3 103.1 105.6 2 1110.2 75.0 Karena jumlah rata-rata keempat musim/kuartal tidak sama dengan 400 (4 kuartal dengan rata-rata 100).4 112.8 Pemisahan Indeks Musiman dari Faktor Random Tahun 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Rata-rata penyesuaian Kuartal 1 115.3 113. seperti terlihat pada Tabel 6.8 Jumlah 399. Rata-rata yang telah disesuaikan itu merupakan indeks untuk masing-masing musim. yang berlaku bagi seluruh serial data yang ada dan untuk keperluan peramalan. perlu dilakukan penyesuaian agar jumlahnya menjadi 400.2 108.2 112.

5 hilang karena perata-rataan bergerak 205 .9 112.1 409.4 75. digunakan untuk memisahkan data ekstrem dari serial data.3 418.7 406. promosi besar-besaran. .4 75.6 108. nilai musim-random terbesar pada kuartal 1 sebesar 115.8. Tabel 6.5 411.1 275.6 280.7 .7 410. . yaitu sebesar 112.9 279.2 . .3 276.4. 402. Nilai ini merupakan rata-rata medial dari kuartal 1.5 291.6 446.8 412.0 269.1 415.7 CMA3 5 275.5 424. kemudian rata-ratakan.8 412.4 288.6 108.2 103. 402. rata-rata medial.2 103.4 417. .9 112. . Perhitungan Taksiran Nilai Trend Siklus Faktor siklus adalah aspek yang paling sulit. Dengan meninggalkan kedua nilai itu.0 279. seperti gejolak politik.9 merupakan suatu cara menaksir nilai trend siklus bagi data di akhir periode yang terpusat.1 409. 34 35 36 37 38 39 40 X 2 301 304 209 280 327 316 211 .6 286.9 448.8 283.8 283.8 berupa perhitungan rata-rata sederhana.5 424. 402.9 287.4 CMA3x3 6 276. Tabel 6. Faktor siklus dapat diperoleh melalui penilaian gambar pola siklus.3 421.5 453.5 278. Dari setiap musim. dan pergantian manajemen.7 . Dengan cara yang sama dapat dicari rata-rata medial dari ketiga kuartal lainnya.9 TxCxR 4 267.4 280.6 287.0 . 436 317 422 471 445 336 466 Sx100 3 112.2 435. 403. Hasilnya berupa rata-rata medial.0 . .9 Perhitungan Taksiran Nilai Trend Siklus Periode 1 1 2 3 4 5 6 7 .4 75.4 288.4 dan yang terkecil 109. 108.2 TxC 7 273.9 279.8 425.4 283.2 103.3 435. Dalam banyak hal. Misalnya. yang terjadi karena adanya peristiwa yang tidak biasa. hilangkan angka yang terbesar dan terkecil.6 108.3 276.4 410. atau dengan mempertimbangkan faktor trend-siklus bersama-sama.6 286.4 75.Perhitungan pada Tabel 6. dapat dicari rata-rata dari 7 nilai yang tersisa.6 290.4 417. .

atau dalam bentuk lain antara input dan output dari suatu sistem. 39 dan 40. atau keuntungan perusahaan dipengaruhi oleh tingkat penjualan. TC40 = 0. dan biaya produksi. dapat diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila perubahan pada variabel bebasnya.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. Nilai trend siklus (TC) pada kolom (7) sama dengan nilai pada kolom (6). kecuali pada data yang hilang. pendapatan nasional dipengaruhi oleh konsumsi. pengeluaran pemerintah.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. Misalnya. 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. investasi.2) = 453.5 (446. harga. Dengan mengetahui model hubungan antara variabel yang bersangkutan.9 + 448. yaitu pada periode 1. Berikut ini dibahas secara singkat teknik yang biasa digunakan dalam metode kausal.4 + 424. yaitu metode regresi linier sederhana dan metode regresi linier berganda. ekspor dan impor.7) + 0. 6. Nilai trend siklus pada periode ke-39 disamakan dengan nilai CMA3 pada periode yang sama. 2.Dengan menggunakan rata-rata bergerak terpusat 3 periode (CMA3) dan kemudian CMA3x3 diperoleh data seperti pada kolom 5 dan kolom 6. 206 .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. biaya pemasaran. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga).

Untuk mengetahui sejauh mana hubungan antara dua variabel atau antara satu variabel dengan beberapa variabel lain perlu dibuat model. eksponensial atau sejenisnya disebut regresi non-linier. Apabila kecenderungan titik-titik koordinat dari variabel bebas dan variabel tidak bebas membentuk suatu garis linier (garis lurus). misalnya jumlah peserta kursus komputer berhubungan dengan jumlah lulusan SLTA yang tidak melanjutkan ke perguruan tinggi. jika terdapat lebih dari satu variabel bebas disebut regresi linier berganda.6. Namun. modelnya disebut regresi linier sederhana. modelnya dinamakan regresi linier. Model Bentuk umum persamaan regresi linier sederhana sebagai berikut. model yang disusun setidaknya memberikan pendekatan terhadap pengaruh yang terjadi atas perubahan salah satu variabel yang bersangkutan.b atau 207 . Meskipun hubungan fungsional yang sesungguhnya tidak selalu dapat diketahui. Σ Y = n. Sebaliknya.b Σ XY = (Σ X).4.a + (Σ X). 1.1 Regresi Linier Sederhana Dalam banyak hal terdapat dua variabel atau lebih yang saling berhubungan dan mempengaruhi. 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. Jika hubungan itu hanya melibatkan satu variabel bebas. atau jumlah permintaan makanan bayi berhubungan dengan jumlah kelahiran bayi. apabila hubungannya berbentuk kuadrat.a + (Σ X2).

Tabel 6.6 1.4 10.4 20.285.657.216 184.978.25 50.561 32.761 44.786) = 15.50 10 208 .1 23.786 XY 1.1 11.1 1.098.302.8 3.603.6) ( 2.01 566.01 136.57) (122.120 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.96 102.802.1 7.8 122.120.7 14.3) − (122.769 163.6 10.871.75 (10) (1.564 82.018.10 Jumlah Uang beredar di Indonesia dan Harga Eceran di Pasar Bebas Jakarta.6 5.b= n( ΣXY ) − ( ΣX )(ΣY ) n( ΣX 2 ) − ( ΣX ) 2 ΣY − ( ΣX ). Periode 1981 – 1990 Tahun 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Jumlah x 6.900 858.802.5 1.89 161.572.234.36 404.29 207.900 51.786 − (15.871.6 8.0 2.4 X2 42.8 8.6 3.944 149.5 7.521 52.6) 2 a= 2.984 66.41 57.7 12.6) = 85.38) − (122.38 Y2 28.1990.44 1.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 .76 73. b= (10) (38.0 38.6 y 169 181 211 230 228 258 288 387 404 430 2.

Sebaliknya. artinya korelasinya sangat kuat tetapi berlawanan arah. jika r mendekati atau sama dengan -1. X 846. Jika nilai r positif.10. korelasi diantara kedua variabel yang bersangkutan bersifat searah.0 X = 26.802. Jika r mendekati atau sama dengan 1. Dalam contoh Tabel 6. Jika r negatif.3 menunjukkan berbagai hubungan korelasi antara dua variabel. Koefisien korelasi antara dua variabel X dan Y (dilambangkan dengan rxy atau r saja) dapat dihitung dengan rumus sebagai berikut.75 X Dari model yang diperoleh.50 + 15.50 + 15. koefisien korelasi kedua variabel sebagai berikut.50 + 15. Jika r = 0 berarti kedua variabel yang bersangkutan tidak mempunyai korelasi.5) ( 2. kenaikan nilai Y terjadi bersama-sama dengan penurunan nilai X. r = (10) (38. misalnya jika: X = 25.0 maka Ŷ = 85. artinya korelasi antara dua variabel yang bersangkutan dikatakan sangat kuat dan positif.437. Koefisien Korelasi Koefisien korelasi dipakai untuk mengetahui ukuran relatif tingkat hubungan yang terdapat diantara dua variabel.7) −(122. dapat diprakirakan secara kasar perubahan harga eceran beras apabila terjadi perubahan jumlah uang beredar. kenaikan/penurunan nilai Y terjadi jika bersama-sama dengan kenaikan/penurunan nilai X.1) −( 2.785) 10 (1.5) 2 .75 (26) = 495.75 (25) = 479.Model persamaan regresinya: Ŷ = 85. atau sebaliknya.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 = 85.0 2. 10 (857. Gambar 4. r= n ( ΣXY ) − (ΣX ) ( ΣY ) n (ΣX 2 ) − ( ΣX ) 2 . Dengan kata lain.1) −(122. n ( ΣY 2 ) − ( ΣY ) 2 Koefisien korelasi r terletak diantara -1 dan 1.

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

50 + 15. Meskipun r2 merupakan ukuran goodness of fit. r2 sampel cenderung merupakan suatu estimasi yang optimistik terhadap bagaimana baiknya ketetapan suatu model terhadap populasi.9025. Untuk mengoreksi r2 agar lebih merefleksikan goodness of fit suatu model terhadap populasinya digunakan koefisien determinasi yang disesuaikan (adjusted r2) dengan rumus sebagai berikut. Nilai koefisien determinasi berkisar antara 0 sampai dengan 1. Angka ini menunjukkan bahwa 90. tetapi memunjukkan tidak adanya hubungan yang linier. Dalam tabel 6.75 X. r2 = 0 tidak berarti tidak ada hubungan diantara variabel. 211 .4 Deviasi dalam Prakiraan X Koefisien determinasi menunjukkan persentase dari total variasi yang dapat dijelaskan oleh garis regresi yang bersangkutan. r = 2 Σ( Y − Y )2 Σ(Yi − Y )2 _ ^ _ = varians yang dapat diterangkan varians total Y Y1 Ŷ1 Ŷ Gambar 6. koefisien determinasinya (r2) = 0.25% dari total variasi ke-10 data dijelaskan oleh garis regresi Ŷ = 85.10. koefisien determinasi dapat juga dihitung dengan rumus berikut ini.koefisien korelasi. adjusted r2 = r2 - p (1 − r 2 ) N − P −1 Dimana p merupakan jumlah variabel bebas dalam persamaan.

Kesalahan prakiraan tidak semata-mata disebabkan kesalahan dalam pemilihan metode. X X2 F1 X1 F F2 e1 e2 t Gambar 6.6. yang dirumuskan sebagai berikut. atau dalam bantuk rumus: et = Xt . Oleh karena itu. 6. bahkan dapat dikatakan tidak mungkin. Untuk melakukan prakiraan yang selalu tepat sangat sukar.5. 212 . diharapkan prakiraan dapat dilakukan dengan nilai kesalahan sekecil mungkin.Ft seperti terlihat pada Gambar 6. Kesalahan peramalan adalah perbedaan antara nilai variabel yang sesungguhnya dan nilai prakiraan pada periode yang sama.5 Pengukuran Ketelitian Peramalan Suatu peramalan sempurna jika nilai variabel diramalkan sama dengan nilai sebenarnya.4 Kesalahan dalam Peramalan Berikut ini beberapa ukuran yang dipakai untuk menghitung kesalahan prakiraan. average error atau bias) merupakan rata-rata perbedaan antara nilai sebenarnya dan nilai prakiraan.1 Kesalahan Rata-Rata Kesalahan rata-rata (AE.4. tetapi dapat juga disebabkan jumlah data yang diamati terlalu sedikit sehingga tidak menggambarkan perilaku/pola yang sebenarnya dari variabel yang bersangkutan.

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

peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi. emosi.91 40.82 9.97 1.88 1.22 2.6 Ft 40.15  et .09 1.50 -1.17 0.11 Contoh Pengukuran Ketelitian Xt 41 40 42 40 41 42 42 43 40 42 Jumlah Rata-rata 6.31 4.09 1.22 2.50 1. Meskipun demikian.62 2. Dari perhitungan diperoleh AE = 0.53 0. pendidikan.76 0.00 40.08 0. keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok.28 1.00 1.15.01 0.12 0.18 et 0.25 1.08 0.00 1.100 Xt 1.57 2.02 0.31 41.12 41.01 1.50 2. MAD = 0.31 0.31. MSE dan MAPE dari suatu data penjualan barang konsumsi.52 1.36%.11 menunjukkan contoh perhitungan ketelitian dengan menggunakan AE.10 1.36 Metode Peramalan Kualitatif Pada umumnya.52 1.95 23.31 0.97 1. Tabel 6. dan MAPE = 2.57 2. Oleh karena itu.67 11.37 3. dipengaruhi oleh intuisi.01 40.82 3.88 -1.90 41. dan pengalaman seseorang.00 1.10 0.95 3.50 41.72 0.21 1. peramalan kualitatif bersifat subjektif. MAD.31  et 0. MSE = 1.92 41. melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan judgment (pendapat.98 et2 0.03 41.10 -1. 214 . e  Σ 100 Xi n Contoh Pengukuran Ketelitian Tabel 6.98. hasil peramalan dari satu orang dengan orang lain dapat berbeda.

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

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

b. ramalan terbaik dicapai dengan menggunakan bobot 40% untuk penjualan nyata bulan paling akhir. Bulan Besar penjualan 217 . dan inisial prakiraan pada Januari 1995 sebesar 700 juta rupiah. Berdasarkan data pada data soal No.2 Bulan Juli Agustus September Oktober November Desember Penjualan 960. Jelaskan secara singkat peran dan pentingnya kegiatan peramalan dalam perusahaan.2 819. rata-rata bergerak tertimbang 3 bulanan dengan perbandingan bobot antara periode t.0 873.0 919.1. b. t-2 adalah 5 : 3 : 2.0 965. pemulusan eksponensial tunggal dengan α = 0. dan 10% untuk empat bulan sebelumnya.5 Dalam rangka perencanaan produksinya. 20% untuk tiga bulan sebelumnya.2. rata-rata bergerak sederhana dengan serial waktu 4 bulanan. Panca Aksesori merupakan suatu perusahaan yang bergerak di bidang pembuatan aksesori pakaian dari logam. dan sebutkan masing-masing keunggulan dan kekurangannya. 2.8 892.1.5 829.5 777. 30% untuk bulan sebelumnya.8 920. 3. 5. Jelaskan secara singkat jenis metode peramalan secara kuantitatif. 4. Bulan Januari Februari Maret April Mei Juni Penjualan 683. Dan β = 0. Data penjualan (dalam juta rupiah) selama 1995 sebagai berikut. Dalam suatu periode empat bulanan. Data penjualannya sebagai berikut. Sebutkan pula metode peramalan kuantitatif yang digunakan pada saat ini. pemulusan eksponensial linier Holt. t-1.2 961. 3.2 902. dengan α = 0. Carilah prakiraan penjualan pada Januari 1996 dengan menggunakan metode: a.3. hitung prakiraan penjualan pada Januari 1996 dengan menggunakan metode: a. manajemen ingin mengetahui taksiran penjualan pada periode akan datang.

8. mengapa? 7. 10. 14. Gunakan nilai inisial pemulusan eksponensial dan faktor trend pada musim gugur 1993 masing-masing sebesar 33 dan 2. Data peserta tur ke negara itu selama 3 tahun terakhir terlihat dalam tabel. hitung nilai prakiraan pada 1995 dengan menggunakan metode dekomposisi. Berikan pendapat Saudara tentang prakiraan jumlah wisatawan pada 1999 dengan menggunakan metode musiman dari Winter. 12. 4.1 2 3 4 Berapa ramalan untuk bulan ke-5? 100 105 95 90 6. pemulusan eksponensial linier dari Holt. berapakah nilai α dan β yang akan Saudara gunakan. berikan penjelasan. 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. Dengan menggunakan serial waktu tanpa kerandoman 2.1.7. mana yang lebihtepat diantara kedua metode itu. 18.75 serta α = 0. d. pemulusan eksponensial tunggal. Berdasarkan data produksi berikut ini. hitung ramalan pada periode ke-11 dengan metode: a.3 dan γ = 0. 20. Manajer perusahaan biro perjalanan Casper Tour untuk daerah Amerika Utara mendapat target untuk mendapatkan wisatawan ke Kanada sejumlah 400 orang pada 1999. Manajer itu ingin mengetahui apakah dengan menggunakan strategi yang selama ini dilakukan dapat mencapai target atau tidak. 6. c. Dalam persamaan trend T = a + b Tahun 1993 218 . β = 0. 16. b.

859 16.823 40. 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 9.629 Apabila metode prakiraan yang akan digunakan model pemulusan eksponensial tunggal. termasuk minyak dan gas) terlihat dalam tabel berikut ini.860 27. Asumsikan pula siklus untuk setiap kwartal pada 1995 sama dengan 100. tentukan konstanta pemulusan α yang paling tepat agar rata-rata persentase kesalahan absolutnya (MAPE) paling rendah. Berdasarkan data Biro Pusat Statistik diketahui. gunakan nilai a = 270 dan b = 4.219 22. 10.259 10.142 33.837 25. masing-masing untuk memprakirakan nilai ekspor dan impor.328 21.t.352 13. dengan nilai inisial prakiraan sama dengan nilai aktualnya. Tahun 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 Ekspor 22.249 16. 219 .146 21.280 28.967 36.159 25.360 21. Dari bagian deposito Bank Milik Rakyat diperoleh data jumlah nasabah selama 12 bulan (lihat tabel).984 40.053 45.370 13.418 Impor 16.587 14.882 10.675 29.328 31. ekspor impor Indonesia selama 1983 sampai dengan 1992 (dalam jutaan USD.888 18. Manajemen ingin mengetahui bagaimana perkembangan jumlah nasabah pada masa datang.136 19.781 12.805 17.

000 jam. Dengan menggunakan metode regresi linier sederhana.000 700.000 625.000 20. Dengan menggunakan data pada soal No.000 16.000 16.000 a. tentukan model yang menggambarkan hubungan diantara kedua variabel itu.000 550.000 14. Proklamasi sering mengalami kesulitan dalam menyusun rencana dan anggaran produksi karena biaya pemeliharaan yang selalu berfluktuasi. 11.000 700.000 23. Manajer operasi PT. Bulan 1 2 3 4 5 6 7 8 9 10 11 12 Jam-mesin 14.000 10.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.000 640.000 650.000 610.000 750. ini.000 12. Apabila mesin-jam terpakai sebesar 25.000 750. b.000 17. Berdasarkan catatan diperoleh data biaya pemeliharaan (dalam rupiah) dan jumlah jam-mesin selama 12 bulan terakhir sebagai berikut.000 725. berapa taksiran biaya pemeliharaannya? 12. jawablah pertanyaan berikut 220 . Hitung prakiraan jumlah nasabah selama 3 bulan yang akan datang dengan menggunakan model regresi linier sederhana.000 Biaya pemeliharaan 600. diperkirakan hal itu disebabkan jumlah jam kerja mesin yang bervariasi dari satu periode ke periode lain.000 22.000 18.000 15. b. Hitung kesalahan prakiraan dengan menggunakan MAD dan MSE. 11.000 650.

025 1.a.676 44.097 2.179 a. Tabel berikut menunjukkan hasil prakiraan dengan menggunakan dua metode yang berbeda.283 7.033 39. Tentukan persamaan regresi linier. Tabel berikut menunjukkan data kredit perbankan untuk sektor pertanian dan produksi padi di Indonesia. Lakukan uji signifikansi untuk mengetahui apakah model itu layak digunakan atau tidak (gunakan tingkat kepercayaan sebesar 95%). Hitung koefisien korelasinya. Tahun 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Jumlah kredit (miliar rupiah) 539 813 1.774 33.226 1.5 221 . 13.656 3. Berapa prakiraan produksi padi jika kredit yang dikeluarkan untuk sektor pertanian sebesar 8 triliun rupiah. metode mana yang sebaiknya digunakan? Periode 1 Nilai aktual 35 Nilai prakiraan Metode I 34. tahun 1980-1990.078 41. b.726 45.136 39. Apabila manajemen menghendaki rata-rata hasil prakiraan yang lebih akurat.5 Metode II 36.303 38. Berapakah koefisien korelasi dan koefisien determinasi dari kedua variabel itu? Kesimpulan apa yang dapat Saudara ambil mengenai hubungan diantara kedua variabel itu.610 5.652 32. 14.176 Produksi padi (ribu ton) 29. b.318 1. c.656 2.729 40.584 35.

6 126.2 3 4 5 6 15.5 35.2 133.0 193.0 205.9 211. Tentukan metode mana yang memberikan ketelitian prakiraan lebih baik. 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 16.9 204.8 206. 33 37 35 36 34 34.7 114.4 185.7 75.7 110.3 222.0 35.0 127.1 155.0 36.4 81.5 95.0 35.8 94.9 171.8 95.0 36.0 35.0 Dengan menggunakan dua metode yang berbeda.0 133. Tahun 1993 Musim Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret Jumlah 91.1 79.4 182.5 1995 1994 222 . Perkembangan nilai ekspor hasil industri elektronika Indonesia sejak Januari 1993 sampai dengan Desember 1995 (dalam US juta dolar) terlihat dalam tabel berikut ini.9 229. diperoleh prakiraan atas hasil penjualan (unit per triwulan) seperti dalam tabel.8 80.3 139.5 150.6 178.0 Tahun Musim Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Jumlah 174.5 36.0 35.5 34.3 243.

X4. 1991. X5. (Catatan: gunakan beberapa model prakiraan dan bandingkan nilai MAD atau MSE). Daftar Pustaka Anto Dajan.6 170. Pengantar Metode Statistik Jilid II. Data observasi dari seluruh variabel itu selama 20 periode dituangkan dalam tabel berikut ini.April Mei Juni 149.8 254.8 250. dan berapa prakiraan penjualan untuk Januari 1996. X3. 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. X2. 17.7 Tentukan model prakiraan yang Saudara anggap paling tepat untuk digunakan dalam prakiraan nilai ekspor komoditas ini.6 163. Y Merupakan suatu variabel yang dapat mempunyai hubungan fungsional dengan variabel X1. Pendidikan dan Penerangan Ekonomi dan Sosial. dan X6.1 Oktober November Desember 223. 223 . Jakarta: Lembaga Penelitian.

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

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

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

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

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

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

antara lain SAS. Shazam.Limited informatian maximum likelihood (LIML). Dengan semakin banyaknya perangkat lunak statistik yang beredar di pasaran. dan SPSS. atau Full information maximum likelihood (FIML) (Koutsoyiannis. 230 . 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. 1977). maka penggunaan metode ekonometrika juga semakin luas.

Sign up to vote on this title
UsefulNot useful