Anda di halaman 1dari 42

BAB 3 LANDASAN TEORI

3.1

Konsep Kepuasan Konsumen Menurut Gerson, kepuasan konsumen merupakan pandangan konsumen bahwa

Kotler, kepuasan konsumen merupakan tingkat perasaan puas ataupun kecewa terhadap perbandingan antara kesan kinerja suatu produk serta jasa yang diberikan dengan harapan dari orang tersebut. Dengan demikian kepuasan konsumen

kebutuhan dan harapan konsumen dengan cepat dan tepat. Apabila konsumen merasa

Es

tidak puas terhadap suatu pelayanan yang disediakan, maka pelayanan tersebut dapat dipastikan tidak efektif dan tidak efisien. Hal ini terutama sangat penting bagi pelayanan publik. Pada kondisi persaingan sempurna, dimana konsumen mampu untuk memilih diantara beberapa alternatif pelayanan dan memiliki informasi yang memadai, kepuasan konsumen merupakan satu determinan kunci dari tingkat permintaan pelayanan dan fungsi atau operasionalisasi pemasok. Tingkat operasionalisasi dari setiap perusahaan ditekankan untuk mencapai keseimbangan antara pengadaan produk dan kebutuhan pasar. Perencanaan yang kurang baik dapat mengakibatkan ketidakpuasan konsumen, sementara itu pengadaan produk yang berlebihan akan berakibat pada kelebihan stok.

te

merupakan fungsi dari kesan kinerja dan harapan (Kotler,1995, p458).

Suatu pelayanan dinilai memuaskan bila pelayanan tersebut dapat memenuhi

la r
15

harapannya telah terpenuhi atau terlampaui (Gerson,1999,p3). Sedangkan menurut

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

17

maka stok barang juga harus ikut menurun. Jika terlalu banyak melakukan penyimpanan stok maka akan meningkatkan biaya pemeliharaan dalam jumlah yang besar. Oleh karena itu, jumlah penempatan stok harus mengikuti nilai atau turunnya permintaan (Hohenstein, 1982,p153). Biasanya perkiraan stok penjualan menggunakan laporan dari data masa lalu

menjadi sederhana jika didasarkan keputusan dari manager (kira-kira membutuhkan tiga paket setiap minggu). Penjualan atau penggunaan sebuah barang akan meningkat karena peningkatan kebutuhan. Bersamaan dengan itu permintaan akan

data masa lalu dan membuat keputusan, maka penempatan jumlah stok akan salah. Oleh karena banyaknya barang yang memiliki tren naik dan turun, maka pengelolaan

Es
dilakukan 3.3 Peramalan

stok yang efektif dapat dilakukan dengan melakukan peramalan (forecasting) stok penjualan yang menggunakan metode aritmatik untuk mendapatkan perkiraan penjualan yang lebih tepat pada periode mendatang. Hal ini lebih baik dari pada berdasarkan keputusan sepihak seorang manajer

(Hohenstein,1982,pp.142-143).

mengenai metode peramalan yang digunakan.

te

barang lain akan cenderung menurun. Bagaimana pun juga, jika hanya menggunakan

Pada bagian ini akan diberikan definisi tentang peramalan dan teori-teori

la r

sebagai informasi. Dengan kata lain barang yang dijual atau tingkat penjualan

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

19

kepada pimpinan sebagai dasar untuk membuat suatu keputusan dalam berbagai kegiatan, seperti penjualan, permintaan, persediaan keuangan dan sebagainya. Dengan demikian dapat dilihat bahwa peramalan memiliki peranan yang sangat penting, baik dalam penelitian, perencanaan maupun dalam pengambilan keputusan. Tetapi dapat diperhatikan bahwa peramalan memiliki tujuan untuk memperkecil

atau faktor data dan metode yang digunakan. 3.3.3 Jenis-Jenis Peramalan

Menurut Assauri (2002,pp. 3-4), peramalan dapat dibedakan dari berbagai segi

peramalan dapat dibedakan menjadi dua macam, yaitu : 1. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan

Es
2. relevan pada

te
tidaknya hasil ramalan tersebut. masa lalu,

tergantung dari cara melihatnya. Apabila dilihat dari cara penyusunannya, maka

atau judgement dari orang yang menyusunnya sangat menentukan baik

Peramalan yang objektif, adalah peramalan yang didasarkan atas data yang dengan menggunakan teknik-teknik dan

metode-metode dalam penganalisaan data tersebut. Dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat dibedakan atas dua macam, yaitu :

la r

kemungkinan kesalahan. Baik tidaknya suatu ramalan sangat tergantung pada unsur

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

21

2.

Peramalan kuantitatif, yaitu peramalan yang didasarkan pada data historis. Tujuan metode ini adalah mempelajari apa yang terjadi dimasa lalu untuk prediksi nilai-nilai yang akan datang.

3.3.4 Metode Peramalan Kuantitatif Menurut Makridakis, Wheelwright, dan McGee (1999,pp.19-20), metode

1.

Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu, atau time series.

Es
3. (Rosadi,2005, p16).

3.3.5 Deret Waktu (Time Series) Data time series adalah data yang dikumpulkan, dicatat atau diobservasi berdasarkan urutan waktu yang secara umum bertujuan untuk menemukan bentuk pola variasi dari data dimasa lampau dan menggunakan pengetahuan ini untuk melakukan peramalan terhadap sifat-sifat dari data dimasa yang akan datang

te
individu atau kategori.

2.

Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, yang bukan waktu atau sering disebut sebagai motede korelasi atau model regresi (causal methods).

(Rosadi,2006,p1) Panel atau Pooled data, yakni tipe data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu tertentu pada sejumlah

la r

peramalan kualitatif dapat dibagi menjadi :

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

23

pada suatu produk yang mempunyai jumlah penjualan yang tidak menaik atau menurun selama beberapa waktu atau periode, seperti terlihat pada Gambar 3.1.

Waktu/Periode Gambar 3.1 Pola Data Horizontal (Assauri,1984,p46) 2.

Pola Musiman atau seasonal, bila suatu deret waktu dipengaruhi oleh faktor musim (seperti kuartalan, bulanan, mingguan dan harian). Banyak produk yang penjualannya menunjukkan pola musiman, seperti minuman segar, ice cream,

Es
3.

te

jasa angkutan, obat-obatan tertentu, dan ban mobil. Contoh pola musiman kwartalan seperti terlihat pada Gambar 3.2.

Gambar 3.2 Pola Data Musiman (Assauri,1984,p46)

Pola siklus atau cyclical bila data observasi dipengaruhi oleh fluktuasi ekonomi jangka panjang yang berkaitan atau tergabung dengan siklus usaha (business cycle). Ada beberapa produk yang penjualannya menunjukkan pola siklus, seperti mobil sedan, besi baja, dan perkakas atau peralatan bengkel. Pola dari jenis ini seperti terdapat pada Gambar 3.3

la r

Triwulan/Tahun

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

25

Metode ini sangat efektif untuk peramalan jangka pandek dan tidak membutuhkan banyak data. 2. Metode Box Jenkins. Metode ini menggunakan dasar deret waktu dengan model matematis dan hanya cocok untuk jangka pendek.

Metode ini berdasarkan garis trend untuk suatu persamaan matematis. Cocok untuk jangka pendek maupun jangka panjang. Makin banyak data yang tersedia, hasilnya akan makin baik. 4. Metode Dekomposisi.

Es

3.3.6 Pemilihan Metode Peramalan Deret Waktu Pola atau karakteristik data mempengaruhi teknik peramalan yang dipilih.

Seringkali, pola data tersebut merupakan karakteristik inherent dari kegiatan yang

sedang diteliti. Hubungan antar data dengan jangka waktu semakin jelas dengan mengamati bahwa pola trend merupakan kecenderungan jangka panjang. Sedangkan

variasi musiman menunjukkan pola data yang berulang dalam satu tahun. Teknik regresi cocok untuk hampir semua pola yang dapat diidentifikasi. Dalam mengevalusi teknik-teknik yang dikaitkan dengan pola data, bisa saja diterapkan lebih dari satu teknik untuk data yang sama. Misalnya, teknik-teknik tertentu

te

Metode ini memisahkan tiga komponen yaitu trend, siklis, dan musiman. Metode ini cocok bagi rencana jangka pendek dan semakin banyak data yang tersedia akan semakin baik hasil peramalannya.

la r

3.

Metode Proyeksi Trend.

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

27

Peramalan Time-Series

Plot Data Time-Series Ya Trend ? Tidak

Ya

Tahunan

Model-Model Peramalan

Es
Trend Linier AR

te
Cari Indeks Musiman Trend Trend Eksponensial Metode Holt-Winters Metode Box Jenkins Kuadrat Stationer Non Stationer MA ARMA ARIMA SARIMA

Gambar 3.5 Pemilihan Metode Peramalan Deret Berkala (Rosadi,2005,pp.16-17) 3.3.7 Teknik Peramalan Data Musiman Data deret waktu yang berpola musiman didifenisikan sebagai suatu data deret waktu yang bentuknya berupa fluktuasi berulang (dan beraturan) atau naik turunnya

la r
Tidak Exponential Smoothing

Moving

Average

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

29

singkatan dari Autoregressive Integrated Moving Average. Dimana model ini, dapat diduga bahwa model terdiri atas dua aspek, yaitu aspek autoregresi dan rata-rata bergerak. Model autoregresi merupakan model yang menggambarkan hubungan antara variabel terikat Y dengan variabel bebas yang merupakan nilai Y pada waktu

menggambarkan ketergantungan variabel terikat Y terhadap nilai-nilai error pada waktu sebelumnya yang berurutan. Error ini sering juga disebut nilai kesalahan atau deviasi nilai prediksi terhadap nilai sesungguhnya. Secara umum, model ARIMA

(AR), d adalah pembedaan, dan q adalah derajat proses moving average (MA). Adanya nilai pembedaan (d) pada model ARIMA disebabkan karena aspek-aspek

Es

AR dan MA hanya dapat diterapkan pada data time series yang stasioner. Pada kenyataannya, sebagian besar time series menunjukkan perubahan dari waktu ke waktu, baik rata-rata maupun variansnya. Data time series yang mempunyai sifat demikian disebut data time series tidak stasioner. Beberapa model non stationer

menurut Rosadi (2006,p2), yakni model trend, model ARIMA, model SARIMA, model ARIMAX, model ARC/GARCH. Untuk dapat menggambarkan metode Box-Jenkins, maka George Box dan Gwilyn Jenkins telah mengembangkan suatu diagram skema yang dapat dilihat pada gambar 3.6 metode ini membagi masalah peramalan dalam tiga tahap yang didasarkan pada postulasi atas kelas yang umum dari model-model peramalan. Pada

te

dituliskan dengan notasi ARIMA (p,d,q). dimana p adalah derajat proses autoregresi

la r

sebelumnya,

sedangkan

model

moving

average

merupakan

model

yang

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

31

Seperti telah diketahui bahwa konsep korelasi di antara dua variabel menyatakan assosiasi atau hubungan diantara dua variabel. Nilai korelasi menunjukkan apa yang terjadi atas salah satu variabel, terdapat perubahan dalam variabel lainnya. Tingkat korelasi ini diukur dengan koefisien korelasi yang besarnya bervariasi di antara +1 dan -1. Suatu nilai koefisien yang mendekati +1 menunjukkan kuatnya

variabel meningkat atau bertambah, maka nilai daripada variabel lainnya juga cenderung bertambah. Demikian pula halnya dengan nilai koefisien korelasi yang mendekati -1, menunjukkan bertambahnya nilai salah satu variabel akan

koefisien korelasi nol menunjukkan bahwa kedua variabel secara statistik adalah bebas, tidak tergantung satu dengan lainnya, sehingga tidak ada perubahan dalam

Es

satu variabel, bila variabel lainnya berubah. Suatu koefisien autokorelasi adalah sama dengan suatu koefisien korelasi hanya

bedanya bahwa koefisien ini menggambarkan assosiasi atau hubungan antara nilai-nilai dari variabel yang sama, tetapi pada periode waktu yang berbeda. Autokorelasi memberikan informasi yang penting tentang susunan atau struktur

data dan polanya. Dalam suatu kumpulan data acak yang lengkap, autokorelasi di antara nilai-nilai data dari ciri yang musiman dan siklus akan mempunyai autokorelasi yang kuat. Sebagai contoh, informasi yang menunjukkan suatu hubungan yang positif di antara temperatur setiap dua belas bulan berturut-turut, merupakan informasi yang diperoleh dengan perhitungan autokorelasi yang dapat

te

mengakibatkan turunnya atau kurangnya nilai dari variabel lainnya. Suatu nilai

la r

hubungan positif diantara dua variabel itu. Ini berarti bahwa bila nilai dari salah satu

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

33

membantu menetapkan model ARIMA yang tepat untuk peramalan, kenyataannya, ACF dan PACF memang dibentuk hanya untuk tujuan ini. Koefisien autokorelasi parsial berorde m didefinisikan sebagai koefisien autoregresi terakhir dari model AR(m). Sebagai contoh, persamaan-persamaan 3.2 sampai 3.6 masing-masing digunakan untuk menetapkan AR(1), AR(2),

merupakan koefisien autokorelasi parsial. Ini berarti notasi 1 , 2 , 3 , m 1 , dan

m adalah m buah koefisien autokorelasi parsial yang pertama untuk deret waktu
tersebut.

X t = 1 X t 1 + 2 X t 2 + et ,

te

X t = 1 X t 1 + et ,

X t = 1 X t 1 + 2 X t 2 + 3 X t 3 + et ,

Es
ini.

X t = 1 X t 1 + 2 X t 2 + ... + m 1 X t m +1 + et , X t = 1 X t 1 + 2 X t 2 + ... + m 1 X t m +1 + m X t m + et

Dari persamaan-persamaan ini dapat dicari nilai 1 , 2 , 3 , m 1 , dan m perhitungan yang diperlukan akan memakan banyak waktu. Oleh karena itu lebih memuaskan untuk memperoleh taksiran 1 , 2 , 3 , m 1 , m berdasarkan pada koefisien autokorelasi. Penaksiran tersebut dapat dilakukan dengan metode di bawah

Apabila ruas kiri dan kanan persamaan 3.2 dikalikan dengan Xt-1, hasilnya adalah

X t 1 X t = 1 X t 1 X t 1+ X t 1et

la r

AR(3),..AR(m). Koefisien X yang terakhir pada masing-masing persamaan

Persamaan (3.2)
Persamaan (3.3) Persamaan (3.4)

Persamaan (3.5) Persamaan (3.6)

Persamaan (3.7)

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

35

kj = k 1, j kk k 1,k j k = 2,..., j = 1,2,..., k 1


kk = rk k 1, j rk j 1 k 1, j r j , k = 3,.... j =1 j =1

Persamaan (3.13)
Persamaan (3.14)

k 1

k 1

Selanjutnya autokorelasi parsial akan digunakan untuk menetapkan model ARIMA yang tepat. Apabila proses yang mendasari diperolehnya rangkaian (series) adalah

berbeda dari nol, sedangkan 2 , 3 , m 1 , m tidak akan berbeda nyata secara statistika. Apabila proses pembangkit yang sebenarnya adalah AR(2), maka hanya
1 dan 2 yang akan berbeda nyata, sedangkan nilai-nilai taksiran lainnya tidak

koefisien yang akan berbeda nyata dari nol hanya sampai pada orde proses AR yang

Es

digunakan untuk membangkitkan data. Di dalam identifikasi model, kemudian diasumsikan bahwa apabila hanya terdapat dua autokorelasi parsial yang berbeda nyata dari nol, maka generating prosesnya berorde dua dan orde dari model peramalannya adalah AR(2). Apabila ada p autokorelasi parsial yang signifikan,

maka orde yang diambil AR(p). Apabila proses pembentukan datanya adalah MA bukannya AR, maka autokorelasi parsial tidak akan menunjukkan orde proses MA tersebut, karena nilai tersebut dibentuk untuk mencocokkan proses AR. Kenyataannya, nilai tersebut menunjukkan suatu ketergantungan dari satu lag ke lag berikutnya yang membuatnya menyerupai cara autokorelasi untuk proses AR. Autokorelasi parsial

te

akan signifikan. Hal ini berlaku untuk proses-proses AR yang berorde lebih tinggi. Dengan kata lain, karena cara pembentukan 1 , 2 , 3 , m 1 , m , maka

la r

model AR(1), maka harus dimengerti bahwa hanya 1 yang secara nyata akan

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

37

Dimana Yt adalah variabel yang diramalkan atau variabel terikat, misalnya volume penjualan dan Yt 1 , Yt 2 ,..., Yt p adalah variabel yang menentukan atau variabel bebas. Dalam kasus ini variabel bebasnya adalah varibel yang sama (auto variable), yaitu volume penjualan tetapi pada periode-periode sebelumnya (t-1,t-2,t-3,...,t-p). Sedangkan t adalah unsur kesalahan atau residual yang

dijelaskan oleh model.

Model autoregresi (AR) pada persamaan 3.15 adalah sama dengan persamaan regresi (y=a+b1X1+b2X2+b3X3+...+bpXp+ t ). perbedaan antara persamaan

autoregresi, variabel bebas atau yang menentukan adalah nilai yang lalu dari variabel yang diramalkan (dependent variable). Perbedaan-perbedaan tersebut terletak pada

Es

X1=Yt-1, X2=Yt-2, X3=Yt-3,...,Xp=Yt-p, sehingga variabel bebas yang menentukan

adalah nilai-nilai lag dari variabel yang diramalkan dengan lag waktu 1,2,3,..., p

periode. Perbedaan yang lain adalah parameter regresi, diestimasikan dengan menggunakan metode least square yang linear, sedangkan parameter autoregresi diperoleh dengan menggunakan metode least squares yang nonlinear. Metode autoregresi (AR) yang umum dari persamaan 3.15 terdapat dalam

beberapa bentuk, tergantung pada derajat susunan (order) dari p. Bila p=1, bentuknya menjadi model autoregresi dengan susunan (order) pertama atau AR(1) atau ARIMA(1,0,0). Dalam bentuk umum, model ini dituliskan sebagai AR(p). Seharusnya sebelum suatu model AR dapat dipergunakan untuk susunan (order) p

te

autoregresi (AR) model dengan persamaan regresi adalah bahwa pada model

la r

menunjukkan peristiwa acakan atau random events yang tidak dapat diuraikan atau

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

39 koefisien 1 . ARIMA(0,0,2) atau MA(2) dituliskan: Yt = et 1et 1 2 et 2 atau Yt = (1 1 B 2 B 2 )et dimana et adalah kesalahan (error) atau residual dan et 1 , et 2 ,... et q adalah nilai terdahulu dari kesalahan (error). Persamaan umum dari AR dan MA merupakan persamaan yang hampir sama, sedangkan perbedaannya adalah bahwa persamaan MA mencantumkan variabel tidak

kesalahan (error term), yaitu et 1 , et 2 ,... et q , dan bukan dipengaruhi oleh variabel itu sendiri.

Dengan perkataan lain, dalam model ini harus diperhatikan autokorelasi

penjualan pada masa yang akan datang dapat diramalkan dengan menggunakan pertimbangan kesalahan dari masing-masing variabel pada beberapa periode yang

Es

lalu.

tidak dapat diisolasikan dengan menggunakan model AR dengan susunan p atau AR(p), dimana p sangat kecil. Model MA memberikan hasil ramalan Yt berdasarkan

atas kombinasi linear dari kesalahan-kesalahan yang lalu. Hal ini berbeda dengan model AR yang menyatakan bahwa Yt pada masa-masa sebelumnya.
3.4.5 Metode ARIMA

dilakukan penganalisaan trend dan musiman dari deret waktu, dengan penyusunan tabel dua arah. Walaupun tabel yang demikian membutuhkan estimasi koefisien

te

diantara nilai berturut-turut dari residual atau kesalahan (error). Sebagai contoh,

Model MA dalam pendekatan Box-Jenkins penting karena beberapa pola data

(Assauri,1984,pp.158-168) Dalam melakukan peramalan, terlebih dahulu

la r

bebas yang diramalkan Y tergantung pada nilai-nilai sebelumnya dari unsur

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

41

Backshift operator B adalah suatu alat notasi yang mudah untuk menyatakan model ARIMA dalam bentuk yang kompak (compact form). Bentuk ini dirumuskan untuk operasi B dalam indek Y, sehingga BY menghasilkan Yt-1 yang nilai Yt dirubah kembali dalam waktu satu unit, misalnya satu bulan. Oleh karena itu diperoleh

Operasi B2 merubah tanda dari t dari Yt dengan unit waktu. Demikian pula halnya untuk: BkYt = Yt-k

Yt-Yt-1 = Yt-BYt = (1-B)Yt.

te

Dalam notasi B, suatu selisih atau pengurangan nilai yang pertama adalah: Persamaan (3.18)

Hasilnya berupa suatu model polynomial dalam B operating pada Yt. Dimana

Es
(1 1 B )Yt = + t
Yt = t / (1 1 B )

model AR(1) menjadi:

Dimana t merupakan kesalahan yang sangat kecil dan tidak berarti. Didalam model ARIMA, dirumuskan Yt dengan memasukkan , sehingga

menjadi ( Yt - ). Dalam kenyataannya proses ini dapat diselesaikan dengan menggunakan model Yt-Y, dimana Y adalah rata-rata dari deret waktu (time series).

Model AR (1) dapat dituliskan sebagai (1 1 B )Yt = t , yang bila dibagi dengan

(1 1 B ) , menghasilkan Yt dalam bentuk:


Persamaan (3.20)

Bila dilanjutkan dengan 1 / (1 1 B ) = 1 + 1 B + 2 B 2 + ..., maka akan diperoleh

la r

B2Y = B(BYt) = BYt-1 = Yt-2

Persamaan (3.17)

Persamaan (3.19)

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

43

Adalah stationary. Untuk suatu model ARIMA(p,d,q) teratur, bentuk umum diasumsikan sebagai :

(1 B
1

B 2 ... p B p )(1 B ) Yt = (1 1 B 2 B 2 ... q B q ) t


d

Persamaan (3.25) Di mana t adalah bilangan yang dapat diabaikan atau sangat kecil, yang

secara identik. Untuk pemecahannya maka perlu dicari hasil-hasil akar dari kedua persamaan polynomial dalam B , dan katakanlah akar-akar tersebut adalah (B ) = 0 dan (B ) = 0 , Kondisi pertama menjamin stationary dari Wt, yaitu keseimbangan

sebagai invertability untuk menjamin keunikan dari penggambaran bobot timbangan yang dipergunakan untuk data historis yang lalu dari Wt, guna dapat

Es
(

menghasilkan suatu ramalan.

Notasi tersebut sering disederhanakan menjadi

p (B )(1 B )d Yt = (B ) t

te
)

statistik

disekitar

rata-rata

la r
yang tetap. Kondisi yang kedua

merupakan suatu urutan dari kesalahan yang tidak berkorelasi dan didistribusikan

diketahui

Persamaan (3.26)

Dimana unsur AR(p) dinyatakan dalam bentuk polynomial.

p (B ) = (1 1 B 2 B 2 ... p B p )

Persamaan (3.27)

Dan unsur MA(q) adalah


q (B ) = 1 1 B 2 B 2 ... q B q

Persamaan (3.28)

Sehingga model ARIMA(1,1,1) adalah menjadi bentuk

(1 1 B )(1 B )Yt = (1 1 B ) t

Persamaan (3.29)

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

45

q (B ) = 1 1 (B ) 2 (B 2 ) ... q (B q ) merupakan MA non seasonal yang sama


seperti model ARIMA. Notasi untuk model Seasonal ARIMA adalah : SARIMA(p,d,q)x(P,D,Q)s Dimana: Persamaan (3.31)

P merupakan jumlah lag pada seasonal AR.

Q merupakan jumlah lag pada seasonal MA. D merupakan jumlah perbedaan seasonal.

Jika s bernilai 1 maka model akan menjadi model ARIMA non seasonal. Proses pemilihan model SARIMA yang tepat terdiri atas tiga tahap seperti yang

Es
antara waktu dan nilai.

telah di uraikan sebelumnya pada model Box-Jenkins, yaitu identifikasi model, estimasi parameter, dan pengecekan diagnostik.
1. Tahap Identifikasi :

musiman yaitu antara lain dengan memeriksa koefisien autokorelasi pada lag time 12 yang memiliki nilai positif. Setelah itu perlu ditentukan pula apakah deret tersebut stasioner, yaitu apakah deret waktu muncul beragam disekitar tingkat tertentu. Teknik yang paling mudah untuk melihat kestasioneran data adalah membuat plot

te

s merupakan seasonal (misalnya untuk data bulanan maka s=12, kwartil maka s=4).

(Makridakis,1999,p469) Pada tahap identifikasi, perlu mengenali adanya faktor

la r

p,d,q masing-masing merupakan orde AR, pembeda, dan MA seperti pada ARIMA.

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

47

dan rata-rata bergerak terindikasi. Sedangkan untuk model seasonal, dapat diidentifikasi dengan cara yang sama tetapi dengan melihat pola potongan yang berulang setiap tahunnya. Jika dalam satu model terdapat bentuk autoregresi dan rata-rata, maka terdapat beberapa alat bantu statistik seperti Akaike Information Criterion (Akaike, 1974) dan

memilih model yang terbaik dari beberapa model yang mungkin dari kombinasi model seasonal dan non seasonal. Model AIC dan BIC dapat dituliskan sebagai berikut: AIC = ln 2 +

Es
BIC = ln 2 +

te
Dimana Ln = logaritma natural. n = jumlah pengamatan (residual).
ln .n.r n sample dan autokorelasi parsial.

2r n

2 = jumlah kuadrat residu dibagi jumlah pengamatan.

r = jumlah total parameter (termasuk bentuk konstanta) dalam model SARIMA.


Persamaan (3.33)

Penggunaan AIC dan BIC untuk pemilihan model akan menghasilkan hasil

model yang jumlah parameternya hampir sama. AIC dan BIC hendaknya dilihat sebagai tambahan prosedur dalam membantu pemilihan model. Kriteria tersebut hendaknya tidak digunakan sebagai pengganti penelaahan cermat dari autokorelasi

la r

Schwartzs Bayesian Criterion (Schwartz, 1987), yang dapat digunakan untuk

Persamaan (3.32)

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

49

gk

(0)

= k( 0) merupakan koefisien regresi yang menyatakan selisih perbedaan

koefisien.

f ( xi , g ( 0 ) ) = f i

(0)

merupakan peramalan dengan xi dan parameter iterasi ke-0.


f ( X i , ) (0) = Dik k = g ( 0 ) merupakan turunan pertama

f ( xi , ) atau k = g ( 0 ) k =0
p 1

terhadap parameter ke-k. Penjabaran Taylor persamaan 3.34 untuk respon rata-rata untuk xi menjadi :
(0) f ( xi , ) f i + Dik . k( 0 ) (0)

p 1

k =0

Dan sebuah perkiraan untuk model nonlinear adalah :

Maka dengan subsitusi persamaan 3.35 pada persamaan 3.36 menjadi : Yi = f i


(0)

te
(0) + Dik . k( 0) + i k =0 p 1 p 1 ( 0) k =0 (0)

Yi = f ( X i , ) + i

Es
Menjadi :
Yi
( 0)

= Yi - f i

(0) = Dik . k( 0 ) + i untuk I = 1,2,...,n

Dari model diatas Yi merupakan residual, di daerah persamaan nonlinear

dengan memakai parameter pada perkiraan awal. Pendekatan model linear dapat dituliskan dalam model matrik sebagai berikut :

Y ( 0) D ( 0) ( 0) +
Dan untuk itu dapat diestimasi parameter

persamaan umum metode kuadrat terkecil sebagai berikut:

b ( 0 ) = ( D ( 0)' D ( 0 ) ) 1 D ( 0 )'Y ( 0 )

la r

Persamaan (3.35)

Persamaan (3.36)

Persamaan (3.37)

Persamaan (3.38)

Persamaan (3.39)

( 0 ) dengan menggunakan

Persamaan (3.40)

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

51

Dimana : rk (e) = residual autokorelasi pada selang k N = jumlah residual U = sD + d D = pembedaan seasonal

m = jumlah selang waktu yang disertakan dalam pengujian.

Apabila nilai chi-square (X2) dengan derajat bebas M-p-q-P-Q terkait dengan statistik Qm kecil maka model dipertimbangkan tidak memadai. Analisis model baru

3.5

Es

dalam banyak hal, kata ketepatan (accuracy), menunjuk ke kebaikan suai, yang pada akhirnya penunjukkan seberapa jauh model peramalan tersebut mampu mereproduksi data yang telah diketahui. Dalam pemodelan deret berkala, sebagian data yang diketahui dapat digunakan untuk meramalkan sisa data berikutnya sehingga memungkinkan orang untuk mempelajari ketepatan ramalan secara lebih langsung. Bagi pemakai ramalan, ketepatan ramalan yang akan datang adalah yang paling penting. Bagi pembuat model, kebaikan suai model untuk fakta yang diketahui harus diperhatikan. Berikut akan dijelaskan mengenai beberapa metode yang digunakan untuk mengetahui ketepatan sebuah metode peramalan.

te
Ketepatan Metode Peramalan

dipertimbangkan dan melanjutkan analisis sampai model yang memuaskan didapat.

Makridakis, Wheelwright, dan McGee (1999, pp.57-58) menyatakan bahwa

la r

d = pembedaan non seasonal

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

53

mengenai aspek kontrol dari perangkat lunak diisikan dalam control specification (CSPEC).

3.7 Microsoft .Net


Microsoft .NET ialah istilah umum yang mencakup sejumlah teknologi yang baru dikeluarkan oleh Microsoft (Duthie, 2003, p3). Sebagai suatu kesatuan,

sejak pergeseran dari 16 bit ke 32 bit. Microsoft .NET mencakup teknologi berikut ini:

1. .NET Framework

3.7.1 .Net Framework

Es
1. policy.

digunakan untuk building, deploying, dan running XML Web services serta aplikasi.

.NET Framework terdiri dari 3 bagian antara lain (Duthie., 2002, p3): Common Language Runtime Runtime melakukan pengaturan terhadap component runtime dan waktu pengerjaannya. Sewaktu component bekerja, runtime mengatur alokasi memory, starting up dan stopping threads dan proses, dan menjalankan security

te

2. .NET Enterprise Servers

3. Bahasa-Bahasa dan tool-tool bahasa. .NET

.NET Framework adalah dasar dari pengembangan beberapa bahasa yang

la r

teknologi ini ialah perubahan paling penting pada platform pengembangan Microsoft

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.

55

3.7.2 ASP.Net
ASP.NET tidak sekedar upgrade dari ASP. ASP.NET menyediakan platform pengembangan Web terdepan yang diciptakan dewasa ini. Yang membuat ASP.NET menjadi sebuah revolusi ialah pembuatannya yang didasarkan pada platform baru Microsoft .NET, atau lebih tepatnya .NET Framework.

antara lain : 1.

Kemudahan mengakses berbagai library .NET Framework secara konsisten dan powerfull, yang mempercepat pengembangan aplikasi.

Es

Code Behind, artinya kode-kode pemrograman

te

2.

Penggunaan berbagai macam bahasa pemrograman secara penuh misalnya VB.NET, C#, J# dan visual C++. Selain itu tersedia berbagai Web Control yang dapat digunakan membangun aplikasi secara cepat. yang menjadi logic aplikasi

ditempatkan terpisah dengan kode user interface yang berbentuk HTML. Ini sangat

memudahkan dalam debugging, karena kode untuk presentation layer tidak

tercampur dengan kode application logic.

3.7.3 Sistem Basis Data


Menurut Subekti (1997, p1), sistem basis data adalah sistem penyimpanan

record secara komputer (elektronis) sedangkan pengertian basis data sendiri menurut Subekti (1997, p8), adalah tempat penyimpanan sekumpulan data yang telah diorganisasi, yang dapat diakses, diatur dan diupdate dengan mudah. Basis data yang paling lazim adalah relational database, sebuah basis data yang berupa tabel dimana

la r

ASP.NET memiliki beberapa kelebihan dibandingkan teknologi terdahulu,

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files without any watermarks.