Anda di halaman 1dari 52

PEMAKAIAN MINITAB UNTUK PERAMALAN BISNIS

BAHAN KULIAH

Oleh :
Prof. Dr. Abdullah M. Jaubah, S.E., M.M.

KATA PENGANTAR

Banyak teknik peramalan bisnis telah dikembangkan akan tetapi baru sebagian kecil saja
dipakai dalam praktik. Banyak pula organisasi yang melakukan peramalan tanpa berdasar
atas teknik-teknik statistik akan tetapi berdasar atas intuisi. Banyak orang masih percaya pada
informasi yang dikemukakan oleh para dukun bukan saja orang-orang awam akan tetapi juga
orang-orang yang mempunyai gelar akademik yang tinggi dan mempunyai jabatan yang
tinggi.
Peramalan bisnis atau peramalan organisasi bermanfaat untuk perencanaan pada tingkat
strategis, pada tingkat pengawasan manajemen, dan pada tingkat pengawasan operasional.
Hasil kegiatan perencanaan pada tingkat perencanaan strategis dinamakan rencana strategis.
Salah satu perangkat dalam perencanaan strategis adalah analisis SWOT yaitu analisis atas
faktor-faktor internal dan faktor-faktor eksternal. Faktor-faktor internal mencakup kekuatankekuatan dan kelemahan-kelemahan yang dialami dalam suatu organisasi. Faktor-faktor
eksternal mencakup peluang-peluang yang terbuka pada organisasi tersebut dan ancamanancaman terhadap organisasi bersangkutan. Analisis kekuatan dan kelemahan sering
dilakukan secara tidak lengkap dengan cara menyembunyikan kelemahan-kelemahan tertentu
dan menonjolkan kekuatan-kekuatan. Analisis SWOT dapat dipakai untuk merumuskan
empat strategi berdasar data internal dan data eksternal yang tersedia yaitu strategi KekuatanPeluang (Strength-Opportunity), strategi Kekuatan-Ancaman (Strength-Threat), strategi
Kelemahan-Peluang

(Weaknesses-Opportunity),

dan

strategi

Kelemahan-Ancaman

(Weaknesses-Threat). Suatu organisasi atau unit dalam suatu organisasi yang tergolong
dalam strategi Kelemahan-Ancaman biasanya akan mengalami kebangkrutan atau
membutuhkan langkah likuidasi.
Pembahasan di sini akan mencakup pembahasan atas data deret berkala, misalkan data
Penerimaan Mahasiswa Baru pada suatu Universitas, pada suatu Fakultas, atau pada suatu
Program Studi selama empat puluh tahun yang lalu. Data ini dapat dipakai untuk melakukan
atau memakai teknik-teknik peramalan melalui Time Series Plot, Trend Analysis,
Decomposition, Moving Average, Single Exponential Smoothing, Double Exponential
Smoothing, Winters Method, Differences, Lag, Autocorrelation, Partial Correlation, Cross
Correlation, dan Arima. Teknik-teknik ini mungkin tidak terjamah karena penyusun rencana
strategis itu tidak mengenal teknik-teknik tersebut.
2

DAFTAR ISI
Kata Pengantar
Daftar Isi
Deret Berkala Dalam Minitab
Pendahuluan
Data Deret Berkala
Tingkat Akurasi
Time Series Plot
Trend Analysis
Decomposition
Moving Average
Single Exponential Smoothing
Double Exponential Smooting
Winter Method
Differences
Lag
Autocorrelation
Partial Correlation
Cross Correlation
Arima
Rangkuman
Daftar Kepustakaan

Hal.
2
3
4
4
6
7
8
11
18
24
28
34
37
40
41
42
43
45
46
48
49

DERET BERKALA DALAM MINITAB

Pendahuluan
Buku wajib dalam mengikuti matakuliah Peramalan Bisnis atau Prakiraan Bisnis adalah buku
yang ditulis oleh John E. Hanke dan Arthur G. Reitsch (1989) berjudul Business Forecasting.
Pembahasan dalam buku ini mencakup pembahasan mengenai Pengantar Peramalan,
Peninjauan atas Konsep-konsep Dasar dari Statistik, Sumber Data, Penggalian Pola-pola Data
dan Pemilihan Suatu Teknik Peramalan, Rata-rata Bergerak dan Metode Penghalusan,
Analisis Regresi, Regresi Jamak, Analisis Deret Berkala, Regres dari Data Deret Berkala,
Metodologi Box Jenkin (Arima), dan pembahasan mengenai Unsur-unsur Pertimbangan
dalam Peramalan.
Pembahasan mengenai Pengantar Peramalan mencakup pembahasan mengenai Sejarah
Peramalan, Kebutuhan akan Peramalan, Jenis-jenis Peramalan, Peramalan Ekonomi Makro,
Pemilihan Metode Peramalan, Langkah-langkah Peramalan, Pengelolaan Proses Peramalan,
Perangkat Lunak Komputer untuk Peramalan, dan Ringkasan.
Pembahasan mengenai Peninjauan atas Konsep-konsep Dasar dari Statistik mencakup
pembahasan mengenai Statistik Deskriptif, Distribusi Probabilitas, Distribus Sampling,
Estimasi, Pengujian Hipotesis, Pengujian Kecocokan, Analisis Korelasi, dan pembahasan
mengenai Aplikasi pada Manajemen.
Pembahasan mengenai Sumber Data mencakup pembahasan mengenai Pengantar, Jenis-jenis
Data, Sumber-sumber Data yang terdiri dari Sumber Data Sekunder, Sumber Data Eksternal,
Data Pribadi, dan Sumber Data Primer, dan pembahasan mengenai Aplikasi pada
Manajemen.
Pembahasan mengenai Penggalian Pola-pola Data dan Pemilihan Suatu Teknik Peramalan
mencakup pembahasan mengenai Komponen-komponen Deret Berkala, Penggalian Pola
Data dengan Analisis Otokorelasi, Pemilihan suatu Teknik Peramalan untuk Data Stationary,
untuk Data dengan suatu Trend, untuk Data dengan Musiman, untuk Data dengan Siklikal,
Faktor-faktor Lain untuk Dipertimbangkan tatkala Memilih suatu Teknik Peramalan,
Pengukuran Kesalahan Peramalan, Penentuan Kecukupan dari suatu Teknik Peramalan, dan
pembahasan mengenai Aplikasi pada Manajemen.

Pembahasan mengenai Rata-rata Bergerak dan Metode Penghalusan mencakup pembahasan


mengenai Model-model Nave, Beberapa Metode Rata-rata yaitu Rata-rata Sederhana, Ratarata Bergerak, dan Rata-rata Bergerak Ganda, Metode-metode Penghalusan Eksponensial,
Penghalusan Eksponensial Disesuaikan untuk Metode Holt tentang Trend, Penghalusan
Eksponensial Disesuaikan untuk Trend dan Variasi Musiman menurut Metode Winter, dan
pembahasan mengenai Aplikasi pada Manajemen.
Pembahasan mengenai Analisis Regresi mencakup pembahasan mengenai Garis Regresi,
Kesalahan Standar dari Estimasi, Prediksi Y, Koefisien Determinasi, Residual, Pengujian
Hipotesis, Hasil Komputer, Transformasi Variabel, dan pembahasan mengenai Aplikasi pada
Manajemen.
Pembahasan mengenai Regresi Jamak mencakup pembahasan mengenai Variabel-variabel
Prediktor, Matriks Korelasi, Persamaan Regresi Jamak, Koefisien-koefisien Regresi, Statistik
Induktif dalam Regresi Jamak, Residual, Kesalahan Standar dari Estimasi, Hasil Komputer,
Variabel-variabel Semu (Dummy Variables), Validasi Model yaitu Heterosedastisitas dan
Kolinieritas, Pemilihan Persamaan Regresi Terbaik yaitu Semua Regresi yang mungkin,
Stepwise Regression, dan Catatan Akhir dari Stepwise Regresion, Pemakaian Regresi untuk
Meramalkan Data Musiman, Peramalan Ekonomi, Kecocokan Berlebihan, dan pembahasan
mengenai Aplikasi pada Manajemen.
Pembahasan

mengenai

Analisis

Deret

Berkala

mencakup

pembahasan

mengenai

Dekomposisi, Indeks Harga, Trend, Kurva Trend, Variasi Siklikal, Variasi Musimman, Data
Disesuaikan Musiman, Komponen-komponen Jangka Pendek yaitu Trend Musiman dan
Variasi-variasi Siklikal dan Irregular, Peramalan Musiman, Metode Dekomposisi Sensus II,
dan pembahasan mengenai Aplikasi pada Manajemen.
Pembahasan mengenai Regres dari Data Deret Berkala mencakup pembahasan mengenai
Masalah Heterosedastisitas jika Memakai Regresi atas Data Deret Berkala, Masalah Korelasi
Serial jika Memakai Regresi Data Deret Berkala, Pengujian Durbin-Watson untuk Korelasi
Serial atau Otokorelasi, Pemecahan pada Masalah Korelasi Serial melalui Spesifikasi
Kesalahan Model, Regresi atas Perubahan Persentasi, Model-model Otoregresive,
Generalized Least Squares, Perbedaan-perbedaan Pertama, dan Pendekatan Iterasi, dan
pembahasan mengenai Aplikasi pada Manajemen.
5

Pembahasan mengenai Metodologi Box Jenkin (Arima) mencakup pembahasan mengenai


Teknik Box-Jenkin, Asosiasi Parsial yaitu Model Autoregressive, Model Rata-rata Bergerak,
dan Model Rata-rata Bergerak Autoregressive, Penerapan Metodologi yaitu Tahap Kesatu
adalah tahap Identifikasi Model, Tahap Kedua adalah tahap Estimasi Model dan Pengujian
Kecukupan Model, dan Tahap Ketiga adalah tahap Peramalan dengan Model, Analisis
Musiman, Penghalusan Eksponensial, Kebaikan dan Keburukan, dan pembahasan mengenai
Aplikasi pada Manajemen.
Pembahasan mengenai Unsur-unsur Pertimbangan dalam Peramalan mencakup pembahasan
mengenai Peramalan Bersifat Pertimbangan yaitu Kurva Pertumbuhan, Metode Delphi, dan
Penulisan Skenario, Ramalan Kombinasi, Peramalan dan Jaringan Saraf, Ringkasan dari
Peramalan

Bersifat

Pertimbangan,

Unsur-unsur

Lain

dalam

Peramalan

Bersifat

Pertimbangan, Pengelolaan Proses Peramalan, Pemantauan Ramalan, Peninjauan Kembali


Langkah-langkah Peramalan, Tanggungjawab Peramalan, Biaya Peramalan, Manajemen
Penjualan atas Peramalan, Peramalan dan Sistem Informasi Manajemen, dan pembahasan
mengenai Peramalan Pada Masa yang Akan Datang.
Mereka memakai paket program Minitab dalam pembahasan mereka mengenai Peramalan
Bisnis.
Peramalan yang tepat akan memberikan informasi strategis yang lebih baik, informasi
pemasaran yang lebih baik, informasi keuangan yang lebih baik,informasi operasi yang lebih
baik, pelayanan kepada para pelanggan dapat ditingkatkan, alokasi sumberdaya akan lebih
baik, meningkatkan efisiensi organisasi, meningkatkan produktivitas, stabilitas dalam
perencanaan, menekan pemborosan, meningkatkan manfaat, meningkatkan kepuasan kerja
para karyawan, dan meningkatkan kualitas pertanggungjawaban keuangan melalui audit
secara independen, dan meningkatkan transparansi keuangan organisasi. Masalah
pertanggungjawaban keuangan menjadi tidak jelas jika organisasi itu tanpa melakukan
peramalan keuangan. Keadaan ini dapat menimbulkan konflik dan konflik ini akan tersebar
dalam masyarakat jika informasi tentang penghindaran atas laporan audit direkam dalam
internet dari hasil wawancara antara pihak-pihak yang sedang konflik itu.
Peramalan bisnis atau peramalan organisasi sering dilakukan berdasar atas intuisi atau
pemikiran tanpa didukung data. Data yang dipakai mungkin merupakan data deret berkala
(time series data) sehingga teknik yang dipakai perlu disesuaikan dengan jenis data tersebut.

Mereka menjelaskan secara tidak langsung bahwa peramalan dapat dikelompokkan ke dalam
peramalan berjenis kuantitatif, peramalan berjenis kualitatif, dan peramalan berjenis
kombinasi antara peramalan berjenis kuantitatif dan kualitatif.
Peramalan bisnis berdasar atas data deret berkala dapat mencakup teknik-teknik Time Series
Plot, Trend Analysis, Decomposition, Moving Average, Single Exponential Smoothing,
Double Exponential Smoothing, Winters Method, Differences, Lag, Autocorrelation, Partial
Correlation, Cross Correlation, dan Arima. Pembahasan ini akan mencakup pembahasan
mengenai peramalan atas data deret berkala. Peramalan berdasar atas data deret berkala
jarang dipakai dalam penelitian untuk menyusun skripsi, tesis, atau disertasi. Penelitian
berdasar atas teknik-teknik peramalan di atas juga termasuk dalam penelitian ilmiah.
Pembahasan ini terarah pada pembahasan secara bertahap dan rinci mengenai teknik-teknik
peramalan menurut Time Series Plot, Trend Analysis, Decomposition, Moving Average,
Single Exponential Smoothing, Double Exponential Smoothing, Winters Method,
Differences, Lag, Autocorrelation, Partial Correlation, Cross Correlation, dan Arima.
Data Deret Berkala
Data deret berkala adalah data yang disusun berdasar atas waktu. Waktu yang dipakai dapat
mencakup jam, hari, minggu, bulan, triwulan, tahun, dan sebagainya. Data hasil penjualan
yang dipakai di sini berdasar atas data hasil penjualan bulanan. Data yang dikumpulkan
terdiri dari 42 bulan. Data ini akan dipakai dalam Time Series Plot, Trend Analysis,
Decomposition, Moving Average, Single Exponential Smoothing, Double Exponential
Smoothing, Winters Method, Differences, Lag, Autocorrelation, Partial Correlation, Cross
Correlation, dan Arima. Hal ini dilakukan untuk mengungkap bahwa data yang sama dapat
dipakai dalam beberapa teknik peramalan. Hasil dari pemakaian teknik-teknik peramalan
berbeda dapat dipakai sebagai dasar analisis perbedaan hasil.
Skripsi, Tesis, dan Disertasi jarang memakai teknik-teknik peramalan yang tercakup dalam
teknik deret berkala. Data deret berkala dan teknik-teknik peramalan atas data deret berkala
dapat dipakai dalam penelitian untuk menyusun Skripsi, Tesis, atau Disertasi namun teknikteknik ini masih sangat jarang dimanfaatkan.
Data deret berkala yang dipakai di sini adalah data hasil penjualan bulanan. Data yang
dikumpulkan mencakup jangka waktu 42 bulan. Data ini adalah sebaga berikut :

Time

Time

378

22

435

480

23

441

396

24

516

399

25

522

405

26

468

435

27

468

435

28

483

522

29

486

420

30

486

10

441

31

435

11

450

32

435

12

450

33

441

13

414

34

465

14

486

35

468

15

495

36

504

16

408

37

522

17

471

38

360

18

504

39

399

19

540

40

504

20

522

41

540

21

429

42

420

Pembahasan akan dilakukan langkah demi langkah dengan menyajikan kotak dialog sehingga
studi dan penghayatan mengenai peramalan bisnis menurut teknik-teknik deret berkala
mudah dikuasai melalui latihan secara bertahap.
Tingkat Akurasi
Minitab mengandung beberapa tingkat akurasi dari persamaan regresi. Minitab dapat dipakai
untuk menghitung tiga ukuran akurasi dari persamaan regresi yaitu MAPE, MAD, dan MSD
untuk tiap peramalan-peramalan sederhana dan metode-metode penghalusan. Nilai yang
makin kecil mencerminkan bahwa persamaan regresi adalah makin baik. Ketiga ukuran ini
dipakai untuk membandingkan keserasian persamaan regresi dari metode-metode berbeda.
MAPE adalah Mean Absolute Percentage Error. Ukuran akurasi ini dipakai untuk mengukur
akurasi dari nilai-nilai kecocokan dari deret berkala. Rumus ini mencerminkan ukuran akurasi
sebagai suatu persentase dan rumus yang dipakai di sini adalah sebagai berikut :

dengan ketentuan bahwa yt sama dengan nilai aktual,

sama dengan nilai yang dicocokkan,

dan n adalah sama dengan jumlah observasi.


MAD adalah Mean Absolute Deviation. Ukuran akurasi dari nilai-nilai deret berkala yang
telah dicocokkan. Hal ini mencerminkan akurasi dalam unit-unit yang sama sebagai data
yang dapat menkonseptualisasikan jumlah kesalahan berdasar atas rumus sebagai berikut :

dengan ketentuan bahwa yt sama dengan nilai aktual,

sama dengan nilai yang dicocokkan,

dan n adalah sama dengan jumlah observasi.


MSD adalah Mean Squared Deviation. Ukuran akurasi ini selalu dihitung dengan cara
memakai denominator yang sama, n, tanpa mempertimbangkan model sehingga nilai-nilai
MSD dapat dihitung untuk model-model. MSD adalah ukuran akurasi yang lebih peka atas
kesalahan-kesalahan peramalan daripada ukuran akurasi MAD berdasar atas rumus sebagai
berikut :

dengan ketentuan bahwa yt sama dengan nilai aktual,

sama dengan nilai yang

dicocokkan, dan n adalah sama dengan jumlah observasi.


Time Series Plot
Time series plot dipakai untuk mengevaluasi trend dalam data dalam waktu tertent. Minitab
melakukan plots data deret erkala pada sumbu y dan waktu pada sumbu x. Plots data Minitab
dalah urutan lembar kerja elektronik dalam

interval waktu yang sama. Data harus

mencerminkan satu kolom atau lebih dari data deret waktu.

Minitab diaktifkan dan data dimasukkan dengan cara memakai perintah Copy pada data yang
disimpan dalam paket program Microsoft Excel dan perintah Paste dipakai dalam paket
program Minitab. Langkah ini akan menyajikan kotak dialog sebagai berikut :

Perintah Stat>Time Series>Time Series Plots dipakai. Langkah ini akan menyajikan kotak
dialog Time Series Plots sebagai berikut :

10

Simple dipilih dan tombol OK ditekan. Langkah ini akan menyajikan kotak dialog Time
Series Plots Simple sebagai berikut :

Y dipilih dan tombol Select ditekan. Langkah ini akan mengalihkan Y ke dalam kotak Series.
Tombol OK ditekan sehingga hasil dapat disajikan sebagai berikut :

11

Sumbu X adalah Index mewakili variabel Time dan sumbu Y mewakili nilai penjualan.
Grafik di atas mencerminkan gejolak naik dan turun.
Trend Analysis
Trend analysis dipakai untuk mencocokkan suatu jenis trend tertentu pada suatu deret berkala
atau pada suatu detrend (SCI). Empat model tersedia untuk mencocokan trend tertentu yaitu
model linear, kuadratik, kurva pertumbuhan, dan kurva S (Pearl-Reed logistic).

Trend

mencipta suatu plot deret berkala yang menunjukkan data asli, garis trend, dan ramalanramalan. Persamaan trend disajikan juga dan tiga ukuran

disajikan untuk membantu

penentuan akurasi dari nilai-nilai persamaan trend yaitu Mape, Mad, dan Msd.
Jenis model dipakai untuk mencocokkan kuadratik, .kurva pertumbuhan eksponensial, atau
model kurva. Interpretasi secara hati-hati harus dilakukan atas koefisien-koefisien dari
model-model berbeda, yaitu model linear, kuadratik, kurva pertumbuhan, atau kurva S karena
tiap model ini mengandung makna berbeda.
Langkah-langkah pemakaian analisis trend atas jenis model Linear dapat dijelaskan sebagai
berikut :
Perintah Stat>Time Series>Trend Analysis dipakai. Langkah ini akan menyajikan kotak
dialog sebagai berikut :

12

Variabel Y dipilih dan tombol Select ditekan. Langkah ini akan mengalihkan variabel Y ke
dalam kotak Variable. Model Type adalah Linear. Tombol Result ditekan. Langkah ini akan
menyajikan kotak dialog Trend Analysis Results sebagai berikut :

Lingkaran di depan Summary tabel and results table dipilih dan tombol OK ditekan. Tombol
OK ditekan sehingga hasil disajikan sebagai berikut :
Fitted Trend Equation
Yt = 438.429 + 0.956811*t
Accuracy Measures
MAPE
MAD
MSD

7.95
35.89
1919.64

Time

Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

378
480
396
399
405
435
435
522
420
441
450
450
414
486
495
408
471
504
540
522
429

Trend
439.385
440.342
441.299
442.256
443.213
444.169
445.126
446.083
447.04
447.997
448.953
449.91
450.867
451.824
452.781
453.738
454.694
455.651
456.608
457.565
458.522

Detrend
-61.385
39.658
-45.299
-43.256
-38.213
-9.169
-10.126
75.917
-27.04
-6.997
1.047
0.090
-36.867
34.176
42.219
-45.738
16.306
48.349
83.392
64.435
-29.522

13

Time

Y
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

435
441
516
522
468
468
483
486
486
435
435
441
465
468
504
522
360
399
504
540
420

Trend
459.478
460.435
461.392
462.349
463.306
464.262
465.219
466.176
467.133
468.09
469.047
470.003
470.96
471.917
472.874
473.831
474.787
475.744
476.701
477.658
478.615

Detrend
-24.478
-19.435
54.608
59.651
4.694
3.738
17.781
19.824
18.867
-33.09
-34.047
-29.003
-5.96
-3.917
31.126
48.169
-114.787
-76.744
27.299
62.342
-58.61

Persamaan regresi adalah Yt = 438.429 + 0.956811*t dengan ukuran akurasi adalah :


MAPE
MAD
MSD

7.95
35.89
1919.64

Trend dan detrend disajikan dalam tabel di atas.


Trend Analysis Plot for Y
Linear Trend Model
Yt = 438.429 + 0.956811* t

550

Variable
A ctual
F its
A ccuracy Measures
MA PE
7.95
MA D
35.89
MSD
1919.64

500

450

400

350
4

12

16

20
24
Index

28

32

36

40

Persamaan regresi mencerminkan bahwa hasil penjualan mengalami peningkatan sejalan


dengan peningkatan waktu yang diwakili oleh Index.
Langkah-langkah pemakaian analisis trend atas jenis model Quadratic dapat dijelaskan
sebagai berikut :

14

Perintah Stat>Time Series>Trend Analysis dipakai lagi sehingga disajikan kotak dialog
Trend Analysis sebagai berikut :

Quadratic dipilih dan Generate Forecast dipilih, 4 dimasukkan, dan 42 dimasukkan juga.
Tombol OK ditekan sehingga dihasilkan informasi sebagai berikut :
Fitted Trend Equation
Yt = 403.526 + 5.71623*t - 0.110684*t**2
Accuracy Measures
MAPE
MAD
MSD

7.29
33.21
1708.46

Time

Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

378
480
396
399
405
435
435
522
420
441
450
450
414
486
495

Trend
409.132
414.516
419.679
424.62
429.34
433.839
438.116
442.172
446.007
449.62
453.012
456.182
459.132
461.859
464.366

Detrend
-31.132
65.484
-23.679
-25.62
-24.34
1.161
-3.116
79.828
-26.007
-8.62
-3.012
-6.182
-45.132
24.141
30.634

15

Time

Y
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

Period
43
44
45
46

408
471
504
540
522
429
435
441
516
522
468
468
483
486
486
435
435
441
465
468
504
522
360
399
504
540
420

Trend
466.651
468.714
470.557
472.178
473.577
474.755
475.712
476.448
476.962
477.254
477.326
477.176
476.804
476.211
475.397
474.362
473.105
471.627
469.927
468.006
465.864
463.5
460.915
458.108
455.081
451.831
448.361

Detrend
-58.651
2.286
33.443
67.822
48.423
-45.755
-40.712
-35.448
39.038
44.746
-9.326
-9.176
6.196
9.789
10.603
-39.362
-38.105
-30.627
-4.927
-0.006
38.136
58.5
-100.915
-59.108
48.919
88.169
-28.361

Forecast
444.669
440.756
436.621
432.265

16

Trend Analysis Plot for Y

Quadratic Trend Model


Yt = 403.526 + 5.71623*t - 0.110684*t**2
550

Variable
Actual
Fits
Forecasts

500

Accuracy Measures
MAPE
7.29
MAD
33.21
MSD
1708.46

450

400

350
1

10

15

20

25
Index

30

35

40

45

Langkah-langkah pemakaian analisis trend atas jenis model Exponential Growth dapat
dijelaskan sebagai berikut :
Perintah Stat>Time Series>Trend Analysis dipakai lagi sehingga disajikan kotak dialog
Trend Analysis disajikan. Model Exponential Growth dipilih dan tombol OK ditekan
sehingga disajikan hasil sebagai berikut :
Fitted Trend Equation
Yt = 436.894 * (1.00207**t)
Accuracy Measures
MAPE
MAD
MSD

7.93
35.94
1927.89

Time

Y
1
2
3
4
5
6
7
8
9

378
480
396
399
405
435
435
522
420

Trend
437.798
438.703
439.611
440.52
441.431
442.344
443.259
444.175
445.094

Detrend
-59.798
41.297
-43.611
-41.52
-36.431
-7.344
-8.259
77.825
-25.094

17

Time

Y
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

441
450
450
414
486
495
408
471
504
540
522
429
435
441
516
522
468
468
483
486
486
435
435
441
465
468
504
522
360
399
504
540
420

Trend
446.014
446.937
447.861
448.787
449.715
450.646
451.578
452.511
453.447
454.385
455.325
456.266
457.21
458.156
459.103
460.053
461.004
461.957
462.913
463.87
464.829
465.791
466.754
467.719
468.687
469.656
470.627
471.601
472.576
473.553
474.533
475.514
476.497

Detrend
-5.014
3.063
2.139
-34.787
36.285
44.354
-43.578
18.489
50.553
85.615
66.675
-27.266
-22.210
-17.156
56.897
61.947
6.996
6.043
20.087
22.13
21.171
-30.791
-31.754
-26.719
-3.687
-1.656
33.373
50.399
-112.576
-74.553
29.467
64.486
-56.497

Period
Forecast
43 477.483
44
478.47
45
479.46
46 480.451

18

Trend Analysis Plot for Y


Growth Curve Model
Yt = 436.894 * (1.00207**t)

550

Variable
Actual
Fits
Forecasts

500

Accuracy Measures
MAPE
7.93
MAD
35.94
MSD
1927.89

450

400

350
1

10

15

20

25
Index

30

35

40

45

Apakah yang akan dialami jika variabel Y dipakai dan model S-Curve dipilih!
Decomposition
Decomposition dipapakai untuk melaksanakan dekomposisi klasik. Dekomposisi klasik
dipakai untuk memecah data deret berkala ke dalam komponen-komponen trend, seasonal,
cyclical, dan irregular.
Dua model terkandung dalam Minitab yaitu model multiplicative dan model additive.
Pemakaian dekomposisi akan menyajikan suatu tabel ringkasan dan serangkaian plot. Tabel
ringkasan mencakup persamaan trend, indeks musiman, dan tiga ukuran untuk menentukan
akurasi dari nilai-nilai yang diramalkan yaitu MAPE, MAD, dan MSD.
Dekomposisi akan mencipta tiga plots yaitu plot deret berkala yang menunjukkan data asli,
garis trend, Trend ditambah nilai-nilai musiman, dan ramalan-ramalan, analisis komponen
yaitu serangkaian plot yang mengilustrasikan penyesuian deret berkala untuk komponenkomponen berbeda yang mempengaruhi hasil-hasil dan analisis musiman yaitu serangkaian
plot yang mengilustrasikan bagaimana pola musiman itu mempengaruhi data.

19

Pemakaian

Decomposition

dilakukan

dengan

cara

memakai

perintah

Stat>Time

Series>Decomposition. Langkah ini akan menyajikan kotak dialog Decomposition sebagai


berikut :

Variabel Y dipilih dan tombol Select ditekan sehingga variabel Y dialihkan ke dalam kotak
Variable. Kolom Seasonal Length diisi dengan 4. Kotak di depan Generate forecast
diaktifkan dan nilai 4 dan 42 diisi ke dalam kotak kosong Tombol Results ditekan sehingga
kotak dialog Decomposition Results disajikan sebagaimaka tertera di bawah ini. Tombol OK
ditekan sehingga pelaksanaan dialihkan kembali ke tahap kotak dialog Decomposition.
Tombol OK ditekan sehingga hasil-hasil dan grafik-grafik dapat disajikan,

20

Penyajikan hasil dan grafik adalah sebagai berikut :


Time

Y
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

378
480
396
399
405
435
435
522
420
441
450
450
414
486
495
408
471
504
540
522
429
435
441
516
522
468
468
483
486
486
435
435
441
465
468
504
522
360
399
504
540
420

Trend
440.148
441.077
442.006
442.934
443.863
444.792
445.72
446.649
447.578
448.506
449.435
450.364
451.293
452.221
453.15
454.079
455.007
455.936
456.865
457.793
458.722
459.651
460.579
461.508
462.437
463.366
464.294
465.223
466.152
467.08
468.009
468.938
469.866
470.795
471.724
472.653
473.581
474.51
475.439
476.367
477.296
478.225

Seasonal
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495

Detrend
0.8588
1.08825
0.89592
0.90081
0.91244
0.97799
0.97595
1.1687
0.93838
0.98326
1.00126
0.99919
0.91737
1.0747
1.09235
0.89852
1.03515
1.10542
1.18197
1.14025
0.93521
0.94637
0.95749
1.11807
1.1288
1.01
1.00798
1.03821
1.04258
1.04051
0.92947
0.92763
0.93856
0.98769
0.99211
1.06632
1.10224
0.75868
0.83923
1.05801
1.13137
0.87825

Deseason
383.205
477.634
407.765
384.585
410.577
432.856
447.924
503.141
425.784
438.827
463.369
433.742
419.701
483.605
509.706
393.26
477.486
501.516
556.043
503.141
434.907
432.856
454.102
497.358
529.188
465.694
481.904
465.55
492.692
483.605
447.924
419.284
447.073
462.708
481.904
485.791
529.188
358.226
410.854
485.791
547.436
417.93

Predict
434.17
443.261
429.253
459.537
437.834
446.995
432.86
463.391
441.498
450.728
436.468
467.245
445.162
454.461
440.076
471.099
448.827
458.194
443.683
474.953
452.491
461.927
447.291
478.807
456.155
465.66
450.898
482.661
459.82
469.394
454.506
486.515
463.484
473.127
458.114
490.369
467.148
476.86
461.721
494.223
470.813
480.593

Error
-56.17
36.739
-33.253
-60.537
-32.834
-11.995
2.14
58.609
-21.498
-9.728
13.532
-17.245
-31.162
31.539
54.924
-63.099
22.173
45.806
96.317
47.047
-23.491
-26.927
-6.291
37.193
65.845
2.34
17.102
0.339
26.18
16.606
-19.506
-51.515
-22.484
-8.127
9.886
13.631
54.852
-116.86
-62.721
9.777
69.187
-60.593

Multiplicative Model

Data
Y
Length 42
NMissing 0

Fitted Trend Equation


Yt = 439.220 + 0.928693*t

21

Persamaan regresi ini mencerminkan bahwa konstanta adalah 439.22 dan koefisien regresi
adalah 0.928693. Hal ini berarti bahwa perubahan 1 skor pada waktu akan mengakibatkan
perubahan sebesar 0.928693 pada variabel Y.
Seasonal Indices
Period Index
1 0.98642
2 1.00495
3 0.97115
4 1.03748
Informasi ini mencerminkan indeks dari komponen Seasonal. Hal ini dapat dicocokkan
dengan kolom Seasonal.
Accuracy Measures
MAPE 7.76
MAD 34.95
MSD 1889.41
Ukuran-ukuran akurasi disajikan di atas.
Tabel yang dihasilkan mencakup Time, Y, Trend, Seasonal, Detrent (SCI), Seseason (TCI),
Predict, dan Error. Tabel tersebut belum menyajikan komponen C dan komponen I. Langkah
untuk menghitung komponen Cyclical dan Irregular adalah membuat judul kolom CI, C, dan
I pada Microsoft Excel.
Rumus =B2/(C2*D2) dimasukkan ke dalam kolom I2. Hasil yang diperoleh kemudian diblok.
Perintah Copy dan Paste dilakukan atas sisa kolom I. Rumus =B3/(C3*D3) dimasukkan ke
dalam kolom I dan tombol Enter ditekan. Rumus =(I2+I3+I4+I5)/3 dipakai dalam kolom I3
dan tombol Enter ditekan. Rumus =I3/J3 dimasukkan ke dalam kolom J dan tombol Enter
ditekan. Rumus-rumus ini dan perintah Copy dan Paste yang dipakai akan menghasilkan nilai
untuk CI, C, dan nilai-nilai untuk I. Hasil langkah ini adalah sebagai berikut :
Time
1
2
3
4
5
6
7
8
9

Y
378
480
396
399
405
435
435
522
420

Trend
440.148
441.077
442.006
442.934
443.863
444.792
445.720
446.649
447.578

Seasonal
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642

Detrend
0.85880
1.08825
0.89592
0.90081
0.91244
0.97799
0.97595
1.16870
0.93838

Deseason
383.205
477.634
407.765
384.585
410.577
432.856
447.924
503.141
425.784

Predict
434.170
443.261
429.253
459.537
437.834
446.995
432.860
463.391
441.498

Error
-56.17
36.739
-33.253
-60.537
-32.834
-11.995
2.1400
58.609
-21.498

CI
0.8706251
1.0828851
0.9225304
0.8682687
0.9250053
0.973168
1.0049416
1.1264824
0.9513026

C
*
1.2481
1.2662
1.2297
1.2571
1.3432
1.3520
1.3537
1.3624

I
*
0.86762
0.72856
0.70611
0.73581
0.72452
0.74332
0.83214
0.69825

22

Time
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

Y
441
450
450
414
486
495
408
471
504
540
522
429
435
441
516
522
468
468
483
486
486
435
435
441
465
468
504
522
360
399
504
540
420

Trend
448.506
449.435
450.364
451.293
452.221
453.150
454.079
455.007
455.936
456.865
457.793
458.722
459.651
460.579
461.508
462.437
463.366
464.294
465.223
466.152
467.08
468.009
468.938
469.866
470.795
471.724
472.653
473.581
474.51
475.439
476.367
477.296
478.225

Seasonal
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495
0.97115
1.03748
0.98642
1.00495

Detrend
0.98326
1.00126
0.99919
0.91737
1.07470
1.09235
0.89852
1.03515
1.10542
1.18197
1.14025
0.93521
0.94637
0.95749
1.11807
1.12880
1.01000
1.00798
1.03821
1.04258
1.04051
0.92947
0.92763
0.93856
0.98769
0.99211
1.06632
1.10224
0.75868
0.83923
1.05801
1.13137
0.87825

Deseason
438.827
463.369
433.742
419.701
483.605
509.706
393.260
477.486
501.516
556.043
503.141
434.907
432.856
454.102
497.358
529.188
465.694
481.904
465.550
492.692
483.605
447.924
419.284
447.073
462.708
481.904
485.791
529.188
358.226
410.854
485.791
547.436
417.930

Predict
450.728
436.468
467.245
445.162
454.461
440.076
471.099
448.827
458.194
443.683
474.953
452.491
461.927
447.291
478.807
456.155
465.660
450.898
482.661
459.82
469.394
454.506
486.515
463.484
473.127
458.114
490.369
467.148
476.86
461.721
494.223
470.813
480.593

Error
-9.728
13.532
-17.245
-31.162
31.539
54.924
-63.099
22.173
45.806
96.317
47.047
-23.491
-26.927
-6.291
37.193
65.845
2.340
17.102
0.339
26.180
16.606
-19.506
-51.515
-22.484
-8.127
9.886
13.631
54.852
-116.86
-62.721
9.777
69.187
-60.593

CI

C
0.9784213
1.0310015
0.9630950
0.9299934
1.0694022
1.1248041
0.8660621
1.0493998
1.0999734
1.2170812
1.0990606
0.9480819
0.9417087
0.9859347
1.0776823
1.1443426
1.0050259
1.0379262
1.0007053
1.0569315
1.0353818
0.9570811
0.8941165
0.9514867
0.982826
1.0215781
1.0277995
1.1174147
0.7549404
0.8641553
1.0197862
1.146949
0.8739218

I
1.3079
1.3008
1.3312
1.3624
1.3301
1.3699
1.3801
1.4108
1.4885
1.4547
1.4020
1.3249
1.3178
1.3832
1.4043
1.4217
1.3960
1.3669
1.3770
1.3500
1.3145
1.2794
1.2618
1.2833
1.3279
1.3832
1.3072
1.2548
1.2521
1.2619
1.3016
1.0136
0.6736

0.74806
0.79257
0.72350
0.68260
0.80401
0.82109
0.62754
0.74381
0.73898
0.83664
0.78394
0.71557
0.71461
0.71278
0.7674
0.80493
0.71993
0.75935
0.72674
0.78289
0.78766
0.74810
0.70858
0.74142
0.74014
0.73856
0.78623
0.89053
0.60294
0.68478
0.78348
1.13161
1.29734

Hasil dekomposisi di atas mencakup hasil berbentuk trend, seasonal, detrend (SCI), Deseason
(TCI), Prediksi, Kesalahan, Cyclical-Irregular, Cyclical, dan Irregural. Hal ini sejalan dengan
rumus bahwa Y = T x S x C x I untuk metode dekomposisi multiplicative.
Period Forecast
43
465.329
44
498.077
45
474.477
46
484.326
Hasil peramalan penjualan untuk periode ke 43, 44, 45, dan 46 disajikan di atas.
Tiga macam grafik disajikan di bawah ini.

23

Seasonal Analysis for Y


Multiplicative Model

Seasonal Indices

Detrended Data, by Seasonal Period


1.2

1.04
1.02

1.0
1.00
0.98

0.8
1

Percent Variation, by Seasonal Period

Residuals, by Seasonal Period


100

20
0
10
-100
0

Component Analysis for Y


Multiplicative Model

Original Data

Detrended Data
1.2

Detr. Data

Data

560
480
400

1.0

0.8
8

16

24
Index

32

40

Seasonally Adjusted Data


Seas. A dj. Data

560
480
400
1

16

24
Index

32

40

Seas. A dj. and Detr. Data

16

24
Index

32

40

Seasonally Adj. and Detrended Data


100

-100
1

16

24
Index

32

40

24

Time Series Decomposition Plot for Y


Multiplicative Model

550

Variable
Actual
Fits
Trend
Forecasts

500

Accuracy Measures
MAPE
7.76
MAD
34.95
MSD
1889.41

450

400

350
1

10

15

20

25
Index

30

35

40

45

Grafik di atas mencerminkan bahwa penjualan mengalami kenaikan sejalan dengan kenaikan
waktu. Grafik ini menggambarkan data asli, grafik hasil kesesuaian, grafik trend, dan grafik
ramalan.
Langkah-langkah di atas dapat dipakai untuk melakukan dekomposisi menurut model
Additive dengan langkah memilih Additive dari langkah-langkah di atas dan tombol OK
kemudian ditekan. Langkah ini akan menghasilkan informasi dan grafik menurut model
Additive.
Moving Averages
Pemakaian moving averages adalah untuk menghaluskan data deret berkala dan meramalkan
nilai-nilai dari deret berkala untuk masa yang akan datang. Minitab dapat dipakai untuk
menghitung suatu rata-rata bergerak (moving average) melalui rata-rata kelompok observasi
secara berkelanjutan dalam suatu deret berkala. Contoh nilai 4, 5, 9, 10, dan 12 dan panjang
rata-rata bergerak yang dipakai adalah 3. Hal ini berarti bahwa (4 + 5 + 9)/3 = 18/3 = 6.
Langkah kedua adalah (5 + 9 + 10)/3 = 24/3 = 8. Hal ini berarti bahwa hasil dari rata-rata
bergerak itu adalah 6 dan 8. Metode Linear moving average dapat dipakai untuk melakukan
peramalan suatu deret berkala dengan trend. Hal ini dapat juga dilakukan melalui peramalan
nave dengan rata-rata bergerak.
25

Data di atas sekarang akan dipakai untuk melakukan peramalan berdasar atas rata-rata
bergerak.
Perintah Stat>Time Series>Moving Average dipakai. Langkah ini akan menyajikan kotak
dialog Moving Average sebagai berikut :

Kotak dialog Moving Average di atas telah menampung langkah memilih variabel Y dan
tombol Select ditekan, memasukkan nilai 4 dalam kotak MA Length, mengaktifkan kotak
Center for Moving Average, mengaktifkan kotak Generate forecasts, mengisi 4 dan 42.
Tombol Results ditekan sehingga kotak dialog Moving Average Results sebagai berikut :

26

Lingkaran di depan Summary table and results tabel dipilih. Tombol OK ditekan sehingga
pelaksanaan dialihkan ke tahap kotak dialog Moving Average. Tombol OK ditekan sehingga
hasil dan grafik disajikan sebagai berikut :
Moving Average for Y
Data
Y
Length 42
NMissing 0

Moving Average
Length 4

Accuracy Measures
MAPE 8.77
MAD 40.50
MSD 2523.45

Time
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Y
378
480
396
399
405
435
435
522
420
441
450
450
414
486
495
408
471
504
540
522
429
435
441
516

MA
*
*
416.625
414.375
413.625
433.875
451.125
453.75
456.375
449.250
439.500
444.375
455.625
456.000
457.875
467.250
475.125
495.000
504.000
490.125
469.125
456.000
466.875
482.625

Predict
*
*
*
*
*
416.625
414.375
413.625
433.875
451.125
453.750
456.375
449.250
439.500
444.375
455.625
456.000
457.875
467.25
475.125
495.000
504.000
490.125
469.125

Error
*
*
*
*
*
18.375
20.625
108.375
-13.875
-10.125
-3.750
-6.375
-35.250
46.500
50.625
-47.625
15.000
46.125
72.750
46.875
-66.000
-69.000
-49.125
46.875
27

Time
Y
MA
Predict Error
25
522 490.125 456.000 66.000
26
468 489.375 466.875
1.125
27
468 480.750 482.625 -14.625
28
483 478.500 490.125
-7.125
29
486 476.625 489.375
-3.375
30
486 466.500 480.750
5.250
31
435 454.875 478.500 -43.500
32
435 446.625 476.625 -41.625
33
441 448.125 466.500 -25.500
34
465 460.875 454.875 10.125
35
468 479.625 446.625 21.375
36
504 476.625 448.125 55.875
37
522 454.875 460.875 61.125
38
360 446.250 479.625 -119.63
39
399 448.500 476.625 -77.625
40
504 458.250 454.875 49.125
41
540 *
446.250 93.750
42
420 *
448.500 -28.500

Forecasts
Period
43
44
45
46

Forecast
458.25
458.25
458.25
458.25

Lower
359.793
359.793
359.793
359.793

Upper
556.707
556.707
556.707
556.707

Hasil di atas mencerminkan Data Y, panjang 42, dan jumlah data kosong adalah 0. Panjang
moving average adalah 4. Ukuran-ukuran akurasi mencakup nilai-nilai untuk MAPE, MAD.
dan MSD. Hasil selanjutnya disajikan dalam kolom MA, Predict, dan kolom Error. Hasil lain
adalah ramalan-ramalah untuk waktu 43, 44, 45, dan 46, nilai-nilai Forecast atau ramalan,
ramalan rendah dan ramalan tinggi. Hal ini mencerminkan hasil ramalan tinggi, ramalan
sedang, dan ramalan rendah.
Hasil lain berbentuk grafik sebagaimana disajikan di bawah ini.

28

Moving Average Plot for Y


Variable
Actual
Fits
Forecasts
95.0% PI

550

500

Moving Av erage
Length 4
Accuracy Measures
MAPE
8.77
MAD
40.50
MSD
2523.45

450

400

350
1

10

15

20

25
Index

30

35

40

45

Grafik tersebut mencerminkan variabel actual, fits, forecasts, dan 95% PI, Moving Average
Length adalah 4, dan informasi mengenai Accuracy Measures mengenai MAPE, MAD, dan
MSD. Grafik berwarna merah adalah lebih halus daripada grafik berwarna hitam. Grafik
forecasts disajikan dengan warna biru.
Single Exponential Smoothing
Pemakaian single exponential smoothing dipakai untuk menghaluskan gangguan-ganguan
dalam suatu data deret berkala dan meramalkan nilai-nilai pada masa yang akan datang dari
data deret berkala tersebut. Metode ini memakai rata-rata tertimbang secara eksponensial
untuk semua nilai pada masa lalu dari suatu deret berkala untuk menghitung nilai dihalskan
pada tiap periode. Suatu rata-rata tertimbang secara eksponensial dengan bobot serupa
dengan rata-rata bergerak tidak tertimbang dengan panjang (2-a)/a.
Bobot yang dipakai dalam penghalusan eksponensial tunggal ini dapat berbentuk optimal
Arima atau pemakaian nilai alpha. Kedua cara pembobotan ini akan dipakai sehingga
perbedaan hasil dapat diperbandingkan.

29

Perintah Stat>Time Series>Single Exponential Smoothing dipakai. Langkah ini akan


menyajikan kotak dialog Single Exponential Smoothing disajikan sebagai berikut :

Variabel Y dipilih dan tombol Select ditekan sehingga variabel Y dialihkan ke dalam kotak
variable. Weight to Use in Smoothing adalah Optimal Arima. Kotak Generate forecasts
diaktifkan. Kotak Number of forecasts diisi dengan 4. Kotak Starting from origin diisi dengan
42. Tombol Results ditekan sehingga kotak dialog Single Exponential Smoothing Results
disajikan sebagai berikut setelah lingkaran Summary table and results table dipilih.

30

Tombol OK ditekan agar pelaksanaan dialihkan ke dalam tahap kotak dialog Single
Exponential Smoothing dan tombol OK ditekan sehingga informasi dan grafik disajikan
sebagai berikut :
Single Exponential Smoothing for Y
Data Y
Length 42
Smoothing Constant
Alpha 0.0954163
Accuracy Measures
MAPE 8.13
MAD 37.14
MSD 2086.31

Time

Smooth

Predict

Error

378

436.131

442.263

480

440.317

436.131

-64.263
43.869

396

436.088

440.317

-44.317

399

432.549

436.088

-37.088

405

429.921

432.549

-27.549

435

430.405

429.921

5.079

435

430.844

430.405

4.595

522

439.542

430.844

91.156
-19.542

420

437.677

439.542

10

441

437.994

437.677

3.323

11

450

439.140

437.994

12.006

12

450

440.176

439.140

10.860

13

414

437.678

440.176

-26.176

14

486

442.289

437.678

48.322

15

495

447.318

442.289

52.711

16

408

443.567

447.318

-39.318

17

471

446.184

443.567

27.433

18

504

451.701

446.184

57.816

19

540

460.126

451.701

88.299

20

522

466.030

460.126

61.874

21

429

462.497

466.030

-37.030

22

435

459.873

462.497

-27.497

23

441

458.072

459.873

-18.873

24

516

463.599

458.072

57.928

25

522

469.172

463.599

58.401

26

468

469.060

469.172

-1.172

27

468

468.959

469.060

-1.060

28

483

470.299

468.959

14.041

29

486

471.797

470.299

15.701

30

486

473.152

471.797

14.203

31

435

469.512

473.152

-38.152

32

435

466.219

469.512

-34.512

33

441

463.812

466.219

-25.219

34

465

463.926

463.812

1.188

31

Time

Smooth

Predict

Error

35

468

464.315

463.926

4.074

36

504

468.101

464.315

39.685

37

522

473.244

468.101

53.899

38

360

462.439

473.244

-113.244

39

399

456.386

462.439

-63.439

40

504

460.929

456.386

47.614

41

540

468.473

460.929

79.071

42

420

463.848

468.473

-48.473

Hasil penghalusan eksponensial tunggal ini tercermin dalam kolom Smooth, Predict, dan
kolom Error.

Single Exponential Smoothing Plot for Y


Variable
Actual
Fits
Forecasts
95.0% PI

550

500

Smoothing C onstant
Alpha
0.0954163
Accuracy Measures
MAPE
8.13
MAD
37.14
MSD
2086.31

450

400

350
1

10

15

20

25
Index

30

35

40

45

Grafik di atas mencerminkan bahwa variabel tercermin dalam actual, fits, forecasts, dan 95%
PI. Grafik ini juga mencerminkan smoothing constant dan Alpha sebesar 0.0954163. Nilainilai Accuracy Measures dari MAPE, MAD, dan MSD disajikan pula. Grafik berwarna hitam
mencerminkan gejolak atau kenaikan dan penurunan lebih tajam jika dibanding dengan grafik
fits berwarna merah yang kurang mencerminkan gejolak kenaikan dan penurunan penjualan
secalan dengan kenaikan waktu. Grafik berwarna biru merupakan hasil peramalan untuk
empat bulan yang akan datang.
Pemakaian Use dengan alpa 0.2 dapat dilakukan dengan cara mengaktifkan lingkaran di
depan Use. Perintah Stat>Time Series >Single Exponential Smoothing dipakai. Langkah ini
32

akan menyajikan kotak dialog Single Exponential Smoothing disajikan. Tombol OK ditekan
sehingga hasil dan grafik disajikan sebagai berikut :
Single Exponential Smoothing for Y
Data Y
Length 42

Smoothing Constant
Alpha 0.2

Accuracy Measures
MAPE 8.25
MAD 37.78
MSD 2146.13

Time

Y
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

378
480
396
399
405
435
435
522
420
441
450
450
414
486
495
408
471
504
540
522
429
435
441
516
522
468
468
483
486
486
435
435
441
465
468
504
522

Smooth
408.000
422.400
417.120
413.496
411.797
416.437
420.150
440.520
436.416
437.333
439.866
441.893
436.314
446.252
456.001
446.401
451.321
461.857
477.485
486.388
474.911
466.928
461.743
472.594
482.475
479.580
477.264
478.411
479.929
481.143
471.915
464.532
459.825
460.860
462.288
470.631
480.904

Predict
415.500
408.000
422.400
417.120
413.496
411.797
416.437
420.150
440.520
436.416
437.333
439.866
441.893
436.314
446.252
456.001
446.401
451.321
461.857
477.485
486.388
474.911
466.928
461.743
472.594
482.475
479.580
477.264
478.411
479.929
481.143
471.915
464.532
459.825
460.860
462.288
470.631

Error
-37.500
72.000
-26.400
-18.120
-8.496
23.203
18.563
101.850
-20.520
4.584
12.667
10.134
-27.893
49.686
48.748
-48.001
24.599
52.679
78.143
44.515
-57.388
-39.911
-25.928
54.257
49.406
-14.475
-11.580
5.736
7.589
6.071
-46.143
-36.915
-23.532
5.175
7.140
41.712
51.369

33

Time

Y
38
39
40
41
42

360
399
504
540
420

Smooth
456.724
445.179
456.943
473.554
462.844

Predict
480.904
456.724
445.179
456.943
473.554

Error
-120.904
-57.724
58.821
83.057
-53.554

Hasil peramalan adalah sebagai berikut :


Period
43
44
45
46

Forecast
462.844
462.844
462.844
462.844

Lower
370.288
370.288
370.288
370.288

Upper
555.399
555.399
555.399
555.399

Grafik yang dihasilkan adalah sebagai berikut :

Single Exponential Smoothing Plot for Y


Variable
Actual
Fits
Forecasts
95.0% PI

550

500

Smoothing C onstant
Alpha 0.2
Accuracy Measures
MAPE
8.25
MAD
37.78
MSD
2146.13

450

400

350
1

10

15

20

25
Index

30

35

40

45

Grafik di atas mencerminkan bahwa variabel tercermin dalam actual, fits, forecasts, dan 95%
PI. Grafik ini juga mencerminkan smoothing constant dan Alpha sebesar 0.2. Nilai-nilai
Accuracy Measures dari MAPE, MAD, dan MSD disajikan pula. Grafik berwarna hitam
mencerminkan gejolak atau kenaikan dan penurunan lebih tajam jika dibanding dengan grafik
fits berwarna merah yang kurang mencerminkan gejolak kenaikan dan penurunan penjualan
secalan dengan kenaikan waktu. Grafik berwarna biru merupakan hasil peramalan untuk
empat bulan yang akan datang.

34

Nilai alpha yang dipakai dapat diubah dan akan memberikan hasil berbeda misalkan 0.5, 0.6,
dan sebagainya.
Double Exponential Smoothing
Holt double exponential smoothing untuk deret berkala dapat dipakai untuk menghaluskan
data dari gangguan-gangguan dan untuk meramalkan data yang mengandung komponen
trend. Metode-metode Holt dan Brown dipakai untuk menghitung suatu tingkat komponen
dan suatu komponen trend pada tiap periode. Metode Holt memakai dua parameter
penghalusan untuk meremajakan komponen-komponen ini. Double exponential smoothing
memakai tingkat dan komponen-komponen trend untuk mencipta ramalan-ramalan. Nilainilai awal untuk komponen-komponen ini dapat diperoleh dari analisis regresi garis lurus atas
data deret berkala jika memakai bobot dan melalui backcasting jika bobot itu tidak dipakai.
Perintah Stat>Time Series>Double Exp. Smoothing dipakai. Langkah ini akan menyajikan
kotak dialog Double Exponential Smoothing sebagai berikut :

Variabel Y dipilih dan tombol Select ditekan sehingga variabel Y dialihkan ke dalam kotak
dibelakang Variable. Optimal Arima dipilih. Kotak di depan Generate forecasts diaktifkan.
35

Kotak dibelakang Number of forecasts diisi dengan nilai 4. Kotak di belakang Starting from
origin diisi dengan nilai 42. Tombol Results ditekan sehingga kotak dialog Double
Exponential Smoothing Results disajikan sebagai berikut :

Lingkaran di depan Summary table and results table diaktifkan dan tombol OK ditekan
sehingga pelaksanaan dialihkan ke tahap kotak dialog Double Exponential Smoothing.
Tombol OK ditekan sehingga hasil dan grafik disajikan sebagai berikut :
Double Exponential Smoothing for Y
Data
Length

Y
42

Smoothing Constants
Alpha (level)
Gamma (trend)

0.738665
0.066337

Accuracy Measures
MAPE
MAD
MSD

9.49
41.60
3485.70

Forecasts
Period
43
44
45
46

Forecast
448.113
447.812
447.511
447.210

Lower
346.199
316.141
283.636
249.878

Upper
550.027
579.483
611.386
644.543

36

Double Exponential Smoothing Plot for Y


700

Variable
Actual
Fits
Forecasts
95.0% PI

600

Smoothing Constants
Alpha (level)
0.738665
Gamma (trend)
0.066337

500

Accuracy Measures
MAPE
9.49
MAD
41.60
MSD
3485.70

400

300

200
1

10

15

20
25
Index

30

35

40

45

Perintah Stat>Time Series>Double Exp Smoothing dipakai. Langkah ini akan menyajikan
kotak dialog Double Exponential Smoothing sebagai berikut :

37

Lingkaran di depan Use diaktifkan. Kotak di depan for level diisi dengan nilai 4 dan kotak di
depan for trend diisi dengan 0.4. Tombol OK ditekan sehingga hasil dan grafik disajikan
sebagai berikut :

Double Exponential Smoothing Plot for Y


650

Variable
Actual
Fits
Forecasts
95.0% PI

600
550

Smoothing Constants
Alpha (lev el)
0.4
Gamma (trend)
0.4

500

Accuracy Measures
MAPE
9.90
MAD
44.58
MSD
3084.95

450
400
350
300
1

10

15

20

25
Index

30

35

40

45

Winters Method
Holt-Winters seasonal exponential smoothing memakai suatu model multiplicative atau
model additive untuk menghaluskan dan meramal data yang mengandung dan pola musiman.
Metode ini memakai komponen tinkat, komponen trend, dan komponen seasonal pada tiap
periode. Metode ini memakai tiga bobot atau tiga parameter penghalusan untuk meremajakan
komponen-komponen pada tiap periode. Nilai-nilai awal untuk komponen tingkat dan
komponen trend diperoleh dari suatu regresi garis lurus menurut waktu. Nilai-nilai awal
untuk komponen musiman diperoleh dari variabel dummy memakai data detrended.
Perintah Stat>Time Series, Winters Method dipakai. Langkah ini akan menyajikan kotak
dialog Winters Method. Variable Y dipilih dan tombol Select ditekan. Langkah ini akan
mengalihkan variabel Y ke dalam kolom Variable. Kotak di belakang Seasonal length diisi
dengan nilai 4. Multiplicative dipilih. Bobot yang akan dipakai dalam penghalusan tidak
mengalami perubahan. Kotak di depan Generate forecasts diaktifkan. Nilai 4 dan nilai 42
diisi ke dalam kedua kolom bersangkutan. Hal ini dapat disajikan sebagai berikut :
38

Tombol Results ditekan sehingga kotak dialog Winters Method Results disajikan sebagai
berikut :

Lingkaran di depan Summary table dan results table diaktifkan. Tombol OK ditekan Tombol
OK ditekan sehingga hasil dan grafik dapat disajikan sebagai berikut :
Multiplicative Method
Data
Length

Y
42

Smoothing Constants
Alpha (level)

0.2

39

Gamma (trend)
Delta (seasonal)

0.2
0.2

Accuracy Measures
MAPE
MAD
MSD

8.94
40.72
2413.52

Time

Y
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

378
480
396
399
405
435
435
522
420
441
450
450
414
486
495
408
471
504
540
522
429
435
441
516
522
468
468
483
486
486
435
435
441
465
468
504
522
360
399
504
540
420

Smooth
416.479
403.375
415.986
431.055
402.558
415.755
402.379
425.307
428.308
448.067
434.953
468.843
433.621
450.54
447.868
483.589
437.549
474.337
472.716
493.252
485.634
509.803
494.206
482.235
457.32
497.892
493.977
502.398
472.282
486.481
487.067
490.085
457.05
459.528
449.567
462.405
454.198
479.426
451.173
453.309
449.002
446.541

Predict
414.39
399.862
415.678
429.909
400.294
413.605
401.132
425.42
432.138
451.553
437.918
472.516
436.189
452.294
450.895
488.628
439.229
477.479
476.83
499.945
492.928
514.832
496.024
481.855
458.243
501.563
496.302
503.619
472.656
487.41
487.94
488.807
453.77
455.668
446.141
459.787
453.373
481.398
448.326
448.326
446.309
447.554

Error
-36.39
80.138
-19.678
-30.909
4.706
21.395
33.868
96.58
-12.138
-10.553
12.082
-22.516
-22.189
33.706
44.105
-80.628
31.771
26.521
63.17
22.055
-63.928
-79.832
-55.024
34.145
63.757
-33.563
-28.302
-20.619
13.344
-1.41
-52.94
-53.807
-12.77
9.332
21.859
44.213
68.627
-121.398
-49.326
55.674
93.691
-27.554

Forecasts
Period
43
44
45
46

Forecast
447.362
480.024
474.912
437.279

Lower
347.602
378.700
371.846
332.299

Upper
547.123
581.347
577.978
542.258

40

Winters' Method Plot for Y


Multiplicative Method

600

Variable
A ctual
Fits
Forecasts
95.0% PI

550

Smoothing C onstants
A lpha (lev el)
0.2
Gamma (trend)
0.2
Delta (seasonal)
0.2

500
450

A ccuracy Measures
MA PE
8.94
MA D
40.72
MSD
2413.52

400
350
300
1

10

15

20

25
Index

30

35

40

45

Differences
Differences dipakai untuk menghitung perbedaan-perbedaan antara nilai-nilai data dari suatu
deret berkala. Hal ini berarti menghitung perbedaan antara unsur-unsur dari suatu kolom.
Peritah Stat>Time Series>Differences dipakai. Langkah ini akan menyajikan kotak dialog
Differences disajikan sebagai berikut :

41

Variabel Y dipilih dan tombol Select ditekan. Langkah ini akan mengalihkan variabel Y ke
dalam kotak Variable. Kolom Store differences in diisi dengan A. Tombol OK ditekan
sehingga menghasilkan perbedaan-perbedaan ditampung dalam kolom A sebagai berikut :

Lag
Lag dipakai untuk menghitung ketinggalan dari suatu kolom dan menyimpan dalam suatu
kolom baru yaitu kolom B. Perintah Stat>Time Series>Lag dipakai. Langkah ini akan
menyajikan kotak dialog Lag sebagai berikut :

42

Variabel Y dipilih dan tombol Select ditekan. Kotak Store Lags in B dimasukkan. Kotak Lag
diisi dengan 4. Tombok OK ditekan. Langkah ini akan menghasilkan kolom B sebagai
berikut :

Autocorrelation
Otokorelas dipakai untuk menghitung dan memplot otokorelasi dari suatu deret berkala. ACF
mempunyai beberapa subperintah dan mencipta fungsi otokorelasi dengan suatu resolusi
tinggi, termasuk batas-batas kepercayaan untuk korelasi, dalam suatu jendela grafik.
Otokorelasi dapat disimpan, dihubungkan dengan statistik Ljung-Box Q dan tratistik t hingga
75 ketinggalan pertama. Minitab memakai jumlah ketinggalan sesuai dengan ketentuan jik
jumlah ketinggalan itu tidak dispesifikasikan, yaitu n/4 untuk suatu deret dengan kurang dari
atau sama dengan 240 observasi atau + 45 untuk suatu deret dengan lebih daripada 240
observasi di mana n adalah jumlah observasi dalam deret berkala.

43

Autocorrelation Function: Y
Lag
1
2
3
4

ACF
0.173274
-0.179220
-0.100876
0.157834

T
1.12
-1.13
-0.62
0.96

LBQ
1.35
2.84
3.32
4.53
Autocorrelation

1.0
0.8

Autocorrelation

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

Lag

Partial Correlation
Korelasi parsial dipakai untuk menghitung dan memplot otokorelasi parsial dari suatu deret
berkala. PACF mempunyai beberapa subperintah dan mencipta fungsi otokorelasi parsial
dengan suatu resolusi tinggi, termasuk batas-batas kepercayaan (confidence limits) untuk
korelasi dalam suatu jendela grafik. Otokorelasi parsial dapat disimpan dan dihubungkan
44

dengan statistik-t hingga 75 ketinggalan pertama (first 75 lags). Minitab memakai jumlah
ketinggalan sesuai dengan ketentuan jik jumlah ketinggalan itu tidak dispesifikasikan, yaitu
n/4 untuk suatu deret dengan kurang dari atau sama dengan 240 observasi atau + 45 untuk
suatu deret dengan lebih daripada 240 observasi di mana n adalah jumlah observasi dalam
deret berkala.

Partial Autocorrelation Function: Y


Lag
1
2
3
4

PACF
0.173274
-0.215720
-0.027837
0.157654

T
1.12
-1.40
-0.18
1.02

45

Partial Correlation
1.0

Partial Autocorrelation

0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

Lag

Cross Correlation
Cross correlation dipakai untuk menghitung dan memplot cross correlation antara dua deret
berkala. CCF tidak menyimpan cross corelations. Jumlah ketinggalan, jika dispesifikasikan,
maka panjang deret berkala dihitung.

46

ACF1
TSTA1
0.17327 1.12294
-0.1792 -1.1281
-0.1009 -0.6166
0.15783 0.95607

LBQ1
PACF2 TSTA2
1.35326 0.17327 1.12294
2.83719 -0.2157
-1.398
3.31938 -0.0278 -0.1804
4.53088 0.15765 1.02171

Arima
Perintah Arima dipakai untuk mencocokkan model-model nonmusiman dan model-model
musiman dari suatu deret berkala.

ARIMA Model: Y
Estimates at each iteration
Iteration
0
1
2
3
4
5
6
7
8
9
10
11

SSE
2055997
1746490
1483393
1260544
1071430
911105
778561
667105
638762
637414
598396
581108

0.100
0.250
0.400
0.550
0.700
0.850
1.000
1.150
1.188
1.208
1.248
1.275

0.100
0.173
0.220
0.242
0.233
0.201
0.157
0.093
0.063
0.006
-0.017
-0.026

Parameters
0.100
0.100
0.113
0.089
0.100
0.064
0.065
0.029
0.009 -0.017
-0.061 -0.073
-0.119 -0.113
-0.164 -0.131
-0.157 -0.122
-0.140 -0.137
-0.147 -0.146
-0.148 -0.147

-9.374
-7.775
-5.863
-4.266
-3.269
-2.676
-1.977
-1.263
-0.918
1.059
0.213
-0.177

47

12

580667

1.285

-0.027

-0.149

-0.148

-0.221

Unable to reduce sum of squares any further


Final Estimates of Parameters
Type
MA
1
MA
2
MA
3
MA
4
Constant

Coef
1.2854
-0.0267
-0.1487
-0.1477
-0.221

SE Coef
0.0647
0.1836
0.2181
0.1974
1.197

T
19.88
-0.15
-0.68
-0.75
-0.18

P
0.000
0.885
0.500
0.460
0.855

Differencing: 4 regular differences


Number of observations: Original series 42, after differencing 38
Residuals:
SS = 521425 (backforecasts excluded)
MS = 15801 DF = 33
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

RESI1
*
*
*
*
-42.173
55.649
-32.657
99.185
-266.46
239.702
-141.47
-25.065
-54.503
87.465
-176.28
-78.898
177.559
-182.15
12.106
-84.097
-71.344
130.86

12
19.4
7
0.007

FITS1
*
*
*
*
447.173
379.351
467.657
422.815
686.459
201.298
591.472
475.065
468.503
398.535
671.277
486.898
293.441
686.148
527.894
606.097
500.344
304.14

24
34.6
19
0.016

36
61.9
31
0.001

48
*
*
*

COEF1
1.2854
-0.0267
-0.1487
-0.1477
-0.221

48

RESI1
-91.951
69.557
-123.83
-19.467
86.744
-32.621
-10.845
13.131
-47.572
95.151
-23.551
29.54
-19.299
57.074
-31.814
-154.69
339.597
-78.828
-82.481
-83.334

FITS1
COEF1
532.951
446.443
645.832
487.467
381.256
515.621
496.845
472.869
482.572
339.849
464.551
435.46
487.299
446.926
553.814
514.691
59.403
582.828
622.481
503.334

Rangkuman

Pembahasan ini mencakup pembahasan mengenai unsur-unsur yang terkandung dalam suatu
data deret berkala yaitu data yang disusun atas dasar urutan waktu. Pembahasan mencakup
Time Series Plot, Trend Analysis, Decomposition, Moving Average, Single Exponential
Smoothing,

Double

Exponential

Smoothing,

Winter

Method,

Differences,

Lag,

Autocorrelation, Partial Correlation, Cross Correlation, dan Arima.


Time Series Plot dipakai untuk memplot atau menyajikan grafik dari suatu deret berkala.
Trend Analysis dipakai untuk menarik suatu garis trend memakai model linear, model
kuadratik, model pertumbuhan, atau model kurva S. Dekomposisi dipakai untuk
melaksanakan dekomposisi klasik atas suatu deret berkala dengan cara memakai model
multiplicative atau model additive. Moving Average dipakai untuk menghitung rata-rata
bergerak, yang dapat dipakai untuk menghaluskan suatu deret berkala atau mencipta ramalanramalan. Single Exponential Smoothing dipakai untuk menghaluskan gangguan (noise) dalam
49

suatu deret berkalan dan meramalkan nilai-nilai pada masa yangakan datang dari deret
berkala. Double Exponential Smoothing dipakai untuk menghaluskan gangguan dalam suatu
deret berkala dan meramalkan data dengan cara memakai metode penghalusan eksponensial
dari Holt atau Brown. Winters Method dipakai untuk melakukan penghalusan eksponensial
musiman dari Holt-Winters dengan cara memakai model multiplicative atau model additive
untuk menghaluskan dan meramalkan data yang mengandung pola-pola trend dan musiman.
Differences dipakai untuk menghitung perbedaan-perbedaan dalam suatu deret berkala. Lag
dipakai untuk menentukan ketinggalan dalam suatu deret berkala. Autocorrelation dipakai
untuk menghitung suatu fungsi otokorelasi. Partial Autocorrelation dipakai untuk menghitung
fungsi dari otokorelasi parsial. Cross correlation dipakai untuk menghitung suatu fungsi dari
korelasi silang. Arima dipakai untuk mencocokkan model arima dari Box-Jenkins.
Data yang dipakai adalah data deret berkala dari hasil penjualan selama 42 bulan. Data ini
dipakai untuk melaksanakan Time Series Plot, Trend Analysis, Decomposition, Moving
Average, Single Exponential Smoothing, Double Exponential Smoothing, Winter Method,
Differences, Lag, Autocorrelation, Partial Correlation, Cross Correlation, dan Arima.
Daftar Kepustakaan
Armstrong, J. Scott (ed.). 2001. Principles of forecasting: a handbook for researchers and
practitioners. Norwell, Massachusetts: Kluwer Academic Publishers.
J. Hanke, D. Wichern, dan A. Reitsch. 2001. Business Forecasting, 7th Edition ed: Prentice
Hall Inc
Kress, George J. dan John Snyder. 1994. Forecasting and market analysis techniques: a
practical approach. Westport, Connecticut, London: Quorum Books.
Makridakis, Spyros G.; StevenWheelwright, dan Rob J. Hyndman. 1998. Forecasting:
methods and applications. New York: John Wiley & Sons.

50

51

52