Anda di halaman 1dari 63

ANALISIS DERET BERKALA

STATISTIK (DESKRIPTIF)
Analisis Deret Berkala

PERTEMUAN 6
MANAJEMEN INFORMATIKA

BINA SARANA INFORMATIKA


PONTIANAK
2010/2011
Analisis Deret Berkala

Pengertian Analisa Deret Berkala


Data yang dikumpulkan dari waktu ke waktu untuk menggambarkan
perkembangan

suatu

kegiatan

(perkembangan

produksi,

harga,

hasil

penjaulan, jumlah penduduk, jumlah kecelakaan, jumlah kejahatan, dsb).


Serangkaian

nilai-nilai

variabel

yang

disusun

berdasarkan

waktu.

Serangkaian data yang terdiri dari variabel Yi yang merupakan serangkaian


hasil observasidan fungsi dari
variabel Xi yang merupakan variabel waktu yang bergerak secara seragam
dan ke arah yang sama, dari waktu yang lampau ke waktu yang mendatang.

Komponen Deret Berkala


Empat Komponen Deret Berkala :

1. TREND SEKULER, yaitu gerakan yang berjangka panjang, lamban seolah-olah alun
ombak dan berkecenderungan menuju ke satu arah, arah menaik atau menurun.

2. VARIASI MUSIM, yaitu ayunan sekitar trend yang bersifat musiman serta kurang
lebih teratur.
3. VARIASI SIKLI, yaitu ayunan trend yang berjangka lebih panjang dan agak lebih
tidak teratur.
4. VARIASI RANDOM/RESIDU, yaitu gerakan yang tidak teratur sama sekali

PENGOLAHAN DERET BERKALA


Data kuantitatif deret berkala merupakan bahan analisis trend sekuler, variasi musim (seasonal),
dan variasi siklikal. Pada hakekatnya, pengolahan dan penyesuaian data harus dilakukan sebelum
data tersebut digunakan untuk tujuan analisis. Berkaitan dengan hal tersebut, pengguna data
harus memperhatikan beberapa permasalahan tentang 1) variasi penaggalan, 2) perubahan harga,
3) perubahan penduduk, dan 4) perbandingan data.
12-3-1. Variasi penanggalan
Pada umumnya, setahun dianggap memiliki 365 hari. Meskipun satu tahun terdiri dari 12 bulan,
setiap bulann dapat memiliki jumlah hari yang berbeda yang bervariasi antara 28 sampai dengan
31 hari.
Sebelum data time series digunakan untuk tujuan analisis, pengguna data wajib mengadakan
penyesuaian terhadap jumlah hari dalam bulan atau jumlah hari kerja dalam bulan. Data tentang
konsumsi, penjualan, dan sebagainya umumnya disesuaikan atas dasar jumlah hari dalam 1
bulan.
Penyesuaian tersebut dapat dilakukan dengan cara membagi angka konsumsi bulanan atau angka
penjualan bulanan dengan jumlah hari dalam 1 bulan yang bersangkutan agar diperoleh angka
konsumsi atau penjualan per hari. Sebaliknya, jika kita ingin angka-angka konsumsi bulanan
tersebut tidak berubah, maka angka konsumsi harian yang diperoleh harus dikalikan dengan
jumlah hari rata-rata per bulan sebanyak 365/12 = 30,4167 hari.
12-3-2. Perubahan harga-harga
Dalam banyak kasus, data deret berkala terdiri dari angka-angka nilai produksi. Jika kita akan
menggunakan deret berkala untuk menganalisis perubahan fisik yang bebas dari pengaruh
fluktuasi harga, data kuantitatif tersebut harus dideflasikan dengan indeks harga yang sesuai
sebelum dapat digunakan untuk tujuan analisis. Deret berkala tentang penjualan, pendapatan,
ongkos bahan mentah dan sebagainya,
harus dideflasikan agar fluktuasinya bebas dari perubahan harga-harganya. Prose deflasi penting
sekali mengingat angka-angka nilai produksi yang meningkat kemungkinan disebabkan oleh
kenaikan harga, sedangkan jumlah fisiknya mungkin saja konstan bahkan menurun.
12-3-3. Perubahan penduduk

Ada kalanya, kita ingin mengetahui fluktuasi produksi per kapita atau konsumsi per kapita.
Dalam hal demikian, angka-angka produksi atau konsumsi harus dibagi dengan jumlah
penduduk. Angka per kapita sedemikian itu sebenarnya telah memasukkan unsur perubahan
penduduk di dalamnya. Perhitungan per kapita tersebut penting sekali karena produksi bisa saja
menunjukkan gerekan meningkat (naik), tetapi per kapitanya menurun jika kenaikan jumlah
penduduk lebih cepat disbanding kenaikan produksinya.
12-3-4. Syarat perbandingan data
Semua data deret berkala yang digunakan sebagai dasar analisis, seharusnya betul-betul
sebanding. Jika sumber data berbeda, maka perlu dilakukan penelitian terhadap perumusan
istilah-istilah oleh beberapa sumber yang berbeda. Perumusan yang berbeda tentang suatu istilah
yang sama oleh beberapa sumber, perlu disesuaikan sebelum data tersebut digunakan. Sebagai
contoh, terdapat dua sumber yang berbeda dimana keduanya merumuskan suatu istilah yang
sama yaitu produksi sikat. Sumber yang pertama merumuskan istilah sikat sebagai gabungan
perusahaan atau industri yang memproduksi sikat gigi, sikat lantai, dan sebagainya. Sedangkan
sumber yang kedua merumuskan istilah sikat sebagai gabungan dari perusahaan atau industri
sikat gigi saja.

Penggolongan Deret berkala Sebagai Gerakan-Gerakan


Runtut Waktu :
Pola ini bisanya disebut sebagai komponen dari deret berkala (runtut waktu). Empat
komponen deret berkala itu adalah :
1.Gerakan trend jangka panjang atau trend sekuler(long term
movements or seculer trend (T), yaitu suatu gerakan yang menunjukan arah
perkembangan secara umum (kecenderungan menaik atau menurun) dan bertahan
dalam jangka waktu yang digunakan sebagai ukuran adalah 10 tahun ke atas.
1. Gerakan siklis atau cyclical movements or variation adalah gerakan/variasi
jangka panjang disekitar garis trend.

2. Gerakan/variasi musim atau seasonal movements or variation adalah


gerakan yang berayun naik dan turun, secara periodik disekitar garis trend dan memiliki waktu

gerak yang kurang dari 1 (satu) tahun, dapat dalam kwartal, minggu atau hari.
3. Gerakan variasi yang tidak teratur (irregular or random movements)
yaitu gerakan atau variasi yang sporadis sifatnya. Faktor yang dominan dalam gerakan
ini adalah faktor-faktor yang bersifat kebetulan misalnya perang, pemogokan, bencana
alam dll.

Berdasarkan model klasik, nilai deret berkala atau time series (Y) merupakan gabungan
perkalian dari nilai-nilai komponennya, dan dapat dinyatakan dalam persamaan berikut :

Y=TxCxSxI
Jadi suatu data runtut waktu merupakan hasil kali dari 4 komponen yaitu trend (T),

cyclus (C), seasonal (S) dan irregular (I).

Dari gerakan siklis diperoleh titik tertinggi (puncak) dan titik terendah (lembah). Pergerakan dari
puncak ke lembah dinamakan kontraksi dan pergerakan dari puncak ke lembah berikutnya
dinamakan ekspansi.

3. Variasi Musim
Y
Pola musiman juga menunjukan puncak dan lembah seperti pada siklus, tetapi lamanya
variasi musim selalu satu tahun atau kurang.

4. Fluktuasi Tak Teratur


Jika dikaitkan dengan kegiatan bisnis dan ekonomi, analisis deret berkala atau analisis time
series seringkali digunakan untuk memprediksi nilai dimasa yang akan datang. Dengan
diketahuinya nilai dimasa mendatang, maka pihak manajemen perusahaan akan dapat
mengambil keputusan dengan lebih efektif.
Nilai dimasa mendatang itu pada dasarnya merupakan nilai time series dimasa mendatang,
yaitu nilai-nilai yang diharapkan dapat terjadi dimasa mendatang, dengan dasar faktor-faktor
(nilai-nilai) yang telah diterjadi dimasa lalu.
Agar dapat menentukan nilai runtut waktu/deret berkala, maka masing-masing komponennya
harus dicari terlebih dahulu. Untuk selanjutnya dibahas sebagai berikut :

Trend Sekuler
Perkembangan suatu kejadian, gejala atau variabel yang mengikuti gerakan trend sekuler
dapat disajikan dalam bentuk :

1. Persamaan trend, baik persamaan linear maupun persamaan non linear.


2. Gambar/grafik yang dikenal dengan garis/kurva trend, baik garis lurus maupun
lengkung.

Trend Linear
Penentuan persamaan dan garis trend linear dapat dilakukan dengan metodemetode berikut :

1. Metoda tangan bebas (freehand method)


2. Metoda setengah rata-rata (semi average method)
3. Metoda matematis
4. Metoda kuadrat terkecil (least square method)

Metoda Tangan Bebas


Penentuan garis linear secara bebas adalah penentuan garias linear yang dilakukan tanpa
menggunakan rumus matematis, dan garis trend yang dibuat secara bebas demikian ini sangat
subyektif dan kurang memenuhi persyaratan ilmiah, sehingga jarang sekali digunakan.
Dalam tabel 1, berikut ini disajikan data tentang harga rata-rata perdagangan besar karet RSS I
di pasar Jakarta selama 1967-1978.

Tabel 1. Harga rata-rata perdagangan besar karet RSS I di Pasar Jakarta,


1967-1978

Tahun
1967

Harga dalam rupiah/100 kg


3.179

1968

9.311

1969

14.809

1970

12.257

1971

10.238

1972

11.143

1973

23.732

1974

23.986

1975

18.164

1976

26.670

1977

28.464

1978
37.061
Sumber : Pengantar Metode Statistik I, Anto Dajan
LP3ES, 1984.
Tabel 1 diatas bila disajikan grafiknya dan garis trend linearnya secara bebas dapat dilihat pada
gambar 1 di bawah ini.
Gb. Trend harga rata-rata perdagangan besar karet RSS I
di pasar Jakarta,1967-1978
Y = harga rata-rata dlm rupiah/100kg

X = tahun

Metode Setengah Rata-Rata (Semi Average)


1. Jumlah data genap dan komponen kelompok genap
Untuk mencari nilai trend data genap dan komponen kelompok genap dapat diikuti prosedur
berikut ini :
Tabel 2. Prosedur pencarian nilai trend harga rata-rata perdagangan besar karet RSS
I di Pasar Jakarta, 1967-1978.
Tahun
Harga rata-rata
Semi
Setengah
Trend awal
perdagangan besar
Total
Rata-rata
Tahun

dalam rupiah/100 kg

(1)
1967

(2)
3.179

(3)

(4)

(5)
2.061,17

1968

9.311

1969

14.809

1970

12.257

10.156,17

1971

10.238

12.854,50

1972

11.143

15.552,83

1973

23.732

18.251,17

1974

23.986

20.949,50

1975

18.164

1976

26.670

26.346,17

1977

28.464

29.044,50

1978
37.061
Sumber : Data Tabel 1

31.742,83

4.759,50
60.937

158.077

10.156,167

26.346,167

7.457,83

23.647,83

Caranya adalah sebagai berikut :


1. Data deret berkala dalam tabel 1, dibagi menjadi 2 kelompok yang sama.
2. Nilai-nilai pada masing-masing kelompok dijumlahkan untuk mendapatkan semi total.

3. Menghitung nilai setengah rata-rata tiap kelompok dengan jalan mencari rata-rata hitungnya,
seperti dalam (4).
Pada dasarnya, nilai setengah rata-rata 10.156,167 merupakan nilai trend harga rata-rata
periode dasar 1 Januari 1970 atau 31 Desember 1969 sedangkan setengah rata-rata
26.346,167 periode dasar 1 Januari 1976 atau 31 Desember 1975.

Nilai trend linear untuk tahun-tahun tertentu dapat dirumuskan, sebagai berikut :

Y = a + bx

Y = nilai trend periode tertentu


a0 = nilai trend periode dasar
b = pertambahan trend tahunan secara rata-rata (tingkat
perubahan variabel per periode waktu)
x = jumlah unit tahun yang dihitung dari tahun dasar.
Tingkat perubahan nilai variabel per periode waktu atau (b) dapat dicari dengan rumus :

Selisih nilai variabel rata2 ( X2 X1)


b=
=
Selisih waktu
( t2 t1 )
(26.346,167 10.156,166)
b=
1976 1970

16.190,001
=
6

= 2.698,33

Jadi nilai trend awal 1973, dengan nilai a0 = 10.156,166


adalah = Y = 10.156,166 + 2.698,333 (3) = 18.251,165

Dengan cara yang sama, nilai trend 1973 dapat juga dicari dengan nilai periode dasar 1976
sebagai berikut :

Y = 26.346,166 + 2.698,333 (-3) = 18.251,167


Jumlah data genap dan komponen kelompok ganjil
Cara mencari nilai trend untuk jumlah data genap dan komponen kelompok ganjil adalah : Data
deret berkala dalam tabel 1 dibagi menjadi 2 kelompok dengan jumlah komponen yang gajil
bagi tiap kelompok.
Sedangkan semi total dan setengah rata-ratanya cara menghitungnya tidak berbeda dengan
cara menghitung untuk kasus jumlah data genap dan komponen kelompok ganjil.

Tabel 3. Prosedur pencarian nilai trend harga rata-rata perdagangan besar karet RSS
I dipasar Jakarta, 1967-1976.
Tahun
Harga rata-rata
Semi
Setengah
Trend awal
perdagangan besar
Total
Rata-rata
Tahun
dalam rupiah/100 kg
(1)
(2)
(3)
(4)
(5)
1967
3.179
4.568,70
1968

9.311

6.724,74

1969

14.809

1970

12.257

11.036,82

1971

10.238

13.192,86

1972

11.143

15.348,90

1973

23.732

17.504,94

1974

23.986

1975

18.164

49.794

103.65

9.958,8

20.739,0

1976
26.670
Sumber : Data Tabel 1

8.880,78

19.660,98
21.817,02
23.973,06

Nilai setengah rata-rata = 9.958,8 adalah nilai trend harga rata-rata periode dasar
30 Juni 1969, dan setengah rata-rata 20.739,0 merupakan nilai trend harga rata-rata
periode dasar 30 Juni 1974.

20.739,0 9.958,8
b=
1974 1969

10.780,2
=

= 2.150,04
5

Jika digunakan a 1969 = 9.958,8 maka nilai trend awal tahun 1969 adalah :

Y = 9.958 + 2.156,04 (- )
= 8.880,78
Nilai trend awal tahun 1972 menjadi :

Y = 9.958 + 2.156,04 (2 )
= 15.348,9
Jika a0 = 1974 = 20.739,0 maka nilai trend awal tahun 1972 menjadi :

Y = 20.739,0 + 2156,04 (-2 )


= 15.348,9
Jumlah nilai deret berkala jumlah yang ganjil

Untuk mencari trend bagi jumlah data yang ganjil maka pengelompokan datanya dapat
dilakukan dengan dua cara :

1. Data yang berada pada urutan tengah dimasukan pada masing-masing


kelompok, jadi data tersebut digunakan 2 kali.
Tabel 4, berikut ini menyajikan cara mencari trend dengan pengelompokan yang demikian ini.
Tabel 4. Prosedur pencarian nilai trend jumlah karet yang dimuat dari pelabuhan
Tanjung Priok, 1972-1978.
Tahun
Jumlah Karet
Semi total
Setengah
Trend awal
dalam ton
rata-rata
tahun
(1)
(2)
(3)
(4)
(5)
1972
42.117
46.820,50
1973
43.808
43.351,50
159.530
39.882,52
1974
40.508
39.882,50
1975
33.097
36.413,50

1975
33.097
1976
32.576
117.902
29.475,50
1977
24.995
1978
27.234
Sumber : Pengantar Metode Statistik I, Anto Dajan, 1984, hal 295
LP3ES, Jakarta.

36.413,50
32.944,50
29.475,50
26.006,50

Tahun 1975 dan nilai deret tahun 1975 yaitu 33.097 harus dimasukan kedalam tiap kelompok,
agar diperoleh komponen yang sama jumlahnya.
Nilai setengah rata-rata sebesar 39.882,50 merupakan nilai trend periode dasar 1 Januari 1974
atau 31 Desember 1973 dan nilai setengah rata-rata = 29.475,50 merupakan nilai trend
periode dasar 1 Januari 1977 atau 31 Desember 1976.

Cara menghitung trend tiap tahunnya adalah sama seperti contoh


terdahulu :
(29.475,5 39.882,50)
b=

= -3.496
3

Jika yang digunakan trend periode dasar (a0) = a1974 =


39.882,50 maka nilai trend awal 1975 adalah :

Y = 39.883,50 + (-3.496) (1)


= 36.413,50
Nilai trend awal 1972 menjadi :

Y = 39.883,50 + (-3.496) (-2)


= 46.520,50

Jika a0 = a1997 = 29.475,50, maka nilai trend awal 1972 :

Y = 29.475,50 + (-3.496) (-5)


= 46.820,50
2. Data yang berada pada urutan tengah dapat diabaikan, sehingga kelompok data yang
pertama adalah data yang berada sebelumnya dan kelompok data yang kedua adalah data
yang berada sesudahnya.

Tabel 5. Prosedur pencarian nilai trend jumlah karet yang dimuat dari Pelabuhan
Tanjung Priok, 1972-1978.
Tahun
Jumlah Karet
Semi total
Setengah
Trend awal
dalam ton
rata-rata
tahun
(1)
(2)
(3)
(4)
(5)
1972
1973
1974

42.117
43.808
40.508

1976
1977
1978

32.576
24.995
27.234

126.433

84.805

42.144,333

47.347,83
43.878,83
40.409,83

28.268,333

33.471,83
30.002,83
26.533,83

Nilai setengah rata-rata = 42.144,333 merupakan nilai trend periode dasar 30 Juni 1973,
dan nilai setengah rata-rata sebesar 28.268,333 merupakan nilai trend 30 Januari 1977.

(28.268,333 42.144,333)

b=

= -3.469
4

Jika a0 = a1993 = 42.144,33 maka nilai trend awal 1972 :

Y = 42.144,333 + (-3.469) (-1 )


= 47.347,833
Trend awal 1973 adalah :

Y = 42.144,333 + (-3.469) (- )
= 43.878,833

makalah analisa data berkala dengan moving average

MAKALAH

STATISTIKA DESKRIPTIF
(ANALISA DATA BERKALA DENGAN METODE MOVING AVERAGE)

DISUSUN OLEH : KELOMPOK 9 (SEMBILAN)

1)
2)
3)
4)
5)
6)
7)
8)

LEONARD YULIO SITOMPUL


CAHYA RAMA DHANI
AULIA RAHMAH
INAYATURROHMAH
M.AGHIS FALUTFI
DEVY KUSUMA DEWI
RYONALDI YUDHA P
DEVI TRISNOWATI

(18110451)
(18110620)
(18111407)
(18111478)
(18111504)
(18111512)
(18111854)
(18111925)

Kelas 12.3B.04

MANAJEMEN INFORMATIKA

BINA SARANA INFORMATIKA BEKASI

2012

BAB I
PENDAHULUAN
1.1 Latar Belakang
Analisa data deret berkala dengan metode moving average dalam pokok
bahasan mata kuliah statistika deskriptif , merupakan salah satu materi pokok yang
harus dipelajari oleh mahasiswa semester 3 jurusan Manajemen Informatika di
Akademi Bina Sarana Informatika. Di dalam materi moving average ini mahasiswa
diajarkan cara menghitung dengan metode rata rata bergerak sederhana dan rata

rata bergerak tertimbang.Untuk melakukan perhitungan dengan metode moving


average ini bisa dilakukan secara manual (rumus moving average) atau dengan
menggunakan Microsoft Excel dan SPSS.
Dalam pengimplementasiannya metode moving average ini banyak digunakan oleh
industry industry untuk mengurangi variasi dari data berkala aslinya. Dengan
mengurangi variasi tersebut, maka rata rata bergerak dapat menghilangkan
fluktuasi fluktuasi yang tidak diinginkan. Karena apabila system dalam suatu
industri yang ada masih menggunakan system manual (pembukuan/ buku biasa),
sehingga penyediaan dokumen inventory bagi industry ini untuk proses pelayanan
terhadap produksi masih belum maksimal.

1.2 Rumusan Masalah


1. Bagaimana cara menentukan rata rata bergerak dan rata rata bergerak
2.

tertimbang.
Bagaimana penggunaan metode peramalan dengan rata-rata bergerak sederhana

3.

(simple moving average) dan rata rata bergerak tertimbang.


Bagaimana cara penggunaan metode peramalan dengan rata rata bergerak

(moving average) menggunakan Microsoft Excel.


1.3 Batasan Masalah
Agar pembahasan tidak terlalu melebar, maka batasan masalah yang terkait
antara lain :
a. Rata rata bergerak sederhana.
b. Rata rata bergerak tertimbang.
1.4 Tujuan Penulisan

Tujuan penelitian dalam makalah ini adalah :


1.
2.
3.
4.

Mampu menganalisa data berkala dari waktu ke waktu.


Agar mahasiswa memahami data berkala dengan metode moving average.
Mampu mengerjakan soal-soal tentang metode moving average.
Dapat menguasai materi rata rata bergerak sederhana dan rata rata bergerak

5.

tertimbang.
Mampu menerapkan metode moving average dalam data sekunder dengan
menggunakan Microsoft Excel atau SPSS.

1.5 Manfaat Penelitian


Manfaat metode rata-rata bergerak adalah untuk menentukan trend dari suatu
deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala
dari data asli diubah menjadi deret rata-rata bergerak yang lebih mulus. Metode ini
digunakan untuk data yang perubahannya tidak cepat, dan tidak mempunyai
karakteristik musiman atau seasonal. Model rata-rata bergerak mengestimasi
permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n
periode terakhir.
1.6 Metodologi
Adapun metode penelitian yang dilakukan, yaitu menggunakan langkah
a.

langkah sebagai berikut :


Mencari literatur dan buku buku yang berkaitan dengan tema tugas ujian akhir
semester atau tugas makalah ini, yang di gunakan untuk mendukung dan
membantu dalam materi materi yang dibutuhkan dalam mengerjakan tugas akhir

b.

semester ini.
Mencari sumber informasi lainnya yakni internet, dan catatan-catatan kuliah

c.

penulis yang berhubungan masalah dengan yang dibahas.


Melakukan uji coba dan evaluasi perangkat lunak yang sesuai dengan tujuan.

1.7 Sistematika Penulisan


Pembahasan dalam tugas ujian akhir semester ini akan dibagi menjadi beberapa
bab sebagai berikut :
BAB I

PENDAHULUAN

Berisi penjelasan latar belakang, rumusan makalah, batasan masalah, tujuan,


manfaat,

metodologi,

serta

sistematika

penulisan

yang

digunakan

dalam

pengerjaan makalah tugas akhir semester.


BAB II

TINJAUAN PUSTAKA

Berisi teori penunjang yang dapat mendukung pemahaman terhadap system, yaitu
mengenai prinsip dan konsep serta teknologi yang diterapkan dalam system.
BAB III

PEMBAHASAN

Berisi uraian yang relevan dengan ruang lingkup masalah, yang meliputi :

Membahas singkat teori pendukung berdasarkan kajian pustaka atau bahan


referensi yang resmi.
Pada dasarnya uraian adalah untuk membahas permasalahan dengan alternative
pemecahan masalah yang dikaji yang dapat dibantu dengan factor pendukung atau

penghambat.
Serta pembahasan soal soal

analisa data berkala dengan metode moving

average. Selain itu, penulis memberikan contoh cara menerapkannya dalam data
sekunder dengan menggunakan Microsoft Excel.

BAB IV

PENUTUP

Berisi kesimpulan yang berisi jawaban dan permasalahan dalam bentuk ikhtisar
permasalahan serta saran yang merupakan usul atau pendapat dari penulis yang
mengacu pada materi pembahasan.
DAFTAR PUSTAKA
Pada bagian ini akan dipaparkan tentang sumber sumber literature yang
digunakan dalam pembuatan makalah ini.
LAMPIRAN
Berisi dokumen tambahan yang ditambahkan (dilampirkan) ke dokumen utama.

BAB II
TINJAUAN PUSTAKA

2.1 Analisa Data Deret Berkala (Time Series)


Data Berkala (Data Deret waktu) adalah data yang dikumpulkan dari waktu ke waktu
untuk menggambarkan perkembangan suatu kegiatan atau sekumpulan hasil
observasi yang diatur dan didapat menurut urutan kronologis waktu, misalnya
perkembangan produksi, harga barang, hasil penjualan, jumlah penduduk, dll.

Analisis data berkala memungkinkan kita untuk mengetahui perkembangan


suatu/beberapa kejadian serta pengaruhnya/hubunganya terhadap kejadian lain.

Dengan data berkala kita dapat membuat ramalan berdasarkan garis regresi atau
garis trend.

Data berkala terdiri dari komponen-komponen, sehingga dengan analisis data


berkala

kita

dapat

mengetahui

masing-masing

komponen

atau

bahkan

menghilangkan suatu/beberapa komponen.

Karena ada pengaruh dari komponen, data berkala selalu mengalami perubahanperubahan, sehingga apabila dibuat grafik akan menunjukkan adanya fluktuasi.

2.2 Komponen Data Berkala


Ada empat komponen gerak/variasi data berkala, yaitu :
1. Gerak Jangka Panjang atau Trend

Suatu gerakan yang menunjukan arah perkembangan atau kecenderungan secara


umum, arahnya bisa menaik atau menurun. Garis trend ini juga sangat berguna
untuk membuat ramalan (forecasting). Trend sekuler umumnya meliputi gerakan
yang lamanya sekitar 10 tahun atau lebih[1].
Gambar 1.1
Grafik Trend Jangka Panjang

Trend dibedakan menjadi dua jenis, yakni :

a.

Trend Linier mengikuti pola garis lurus ( Y = a + b t ).

b.

Trend Non Linier mengikuti pola lengkung (parabola, eksponensial, logaritma,


dll).
2. Gerak Siklis

Gerakan atau variasi jangka panjang di sekitar garis trend (berlaku untuk data
tahunan). Gerakan sikli bisa terulang setelah jangka waktu tertentu (setiap 3 tahun,
5 tahun atau bisa lebih).

Gerak siklis melukiskan terjadinya empat fase kejadian dalam jangka waktu
tertentu, yakni kemajuan, kemunduran, depresi dan pemulihan.[2]

Gerak siklis (sekitar trend)

Garis Trend

(1)

(1)

(4)

(2)

(2)

(3)

(3)

(4)

Keterangan :

(1) Kemajuan
(2) Kemunduran
(3) Depresi
(4) Pemulihan

t (waktu)

Y (nilai/kuota)

Gambar 1.2 Tahap tahap Siklis


3. Gerak Musiman
Gerak musiman terjadi lebih teratur dibandingkan garak siklis dan bersifat lengkap,
biasanya selama satu tahun kalender. Gerak ini berpola tetap dari waktu ke waktu.
Factor utama yang menyebabkan gerak ini adalah iklim dan kebiasaan.
4. Gerak Ireguler atau Faktor Residu (Gerak Tak Teratur)

Gerak ini bersifat sporadis/tidak teratur dan sulit dikuasai.


Perang, bencana alam, mogok dan kekacauan adalah beberapa faktor yang
terkenal yang bisa menyebabkan gerak ini terjadi.

Dengan adanya pengaruh tersebut, maka gerak ireguler sulit untuk dilukiskan
dalam suatu model.

2.3 Analisis Trend Linier


Persamaan trend linier adalah

Y=a+bt

Berikut adalah beberapa cara untuk menentukan persamaan trend linier :

1. Metode Tangan Bebas


Langkah-langkah :
1.

Buat sumbu datar t dan sumbu tegak Y, dimana t menyatakan variabel waktu
(tahun, bulan, dll) dan Y menyatakan variabel yang akan dianalisis (nilai data
berkalanya). Buat diagram pencar dari koordinat (t, Y).

2.

Tarik garis yang dapat mewakili atau paling tidak mendekati semua titik koordinat
yang membentuk diagram pencar tersebut.

3.

Jika garis yang terbentuk bergerak di sekitar garis lurus, maka cukup alasan untuk
menentukan bahwa trend yang terbentuk adalah trend linier. Sedangkan apabila
garis yang terbentuk cenderung lengkung, maka trend yang terbentuk adalah trend
non linier.

2.4 Peramalan
Pada dasarnya peramalan adalah merupakkan suatu dugaan atau perkiraan
tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakkan
metode metode tertentu

maka peramalan akan menjadi lebih dari sekedar

perkiraan. Peramalan dilakukkan dengan memanfaatkan informasi terbaik yang ada


pada masa itu, untuk menimbang kegiatan dimasa yang akan dating agar tujuan
yang diinginkan dapat tercapai.
Adapun manfaat dari peramalan adalah sebagai berikut :
1.

Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan secara

2.

tepat.
Merupakan suatu pedoman dalam menentukan tingkat persediaan perencanaan
dapat sebagai masukan untuk penentuan jumlah investasi.

3.

Membantu

menentukan

pengembangan

suatu

pekerjaan

untuk

periode

selanjutnya.
2.5 Tekhnik dan Jenis jenis Peramalan
Situasi peramalan sangat beragam dalam horizon waktu peramalan, factor yang
menentukan hasil sebenarnya, tipe pola data berbagai aspek lainnya. Untuk
menghadapi
1.

penggunaan

yang

luas

seperti

itu,

beberapa

tekhnik

telah

dikembangkan. Tekhnik tersebut dibagi kedalam dua kategori utama yaitu :


Metode Kualitatif yaitu peramalan yang didasarkan atas kwalitas pada masa lalu.
Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya.
Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran
yang bersifat intuisi, judgement atau pendapat dan pengetahuan serta pengalaman
dari penyusunnya. Biasanya peramalan secara kwalitatif ini didasarkan atas hasil
penyelidikan, seperti Delphi,

S-curve,

analogis dan penelitian

bentuk atau

morphological atau decisions trees. Metode peramalan secara kwalitatif dapat


1)

dibagi menjadi kedalam 5 bagian yaitu :


Metode Delphi, sekelompok pakar mengisi kuesioner, moderator menyimpulkan
hasilnya dan memfokuskan menjadi suatu kuesioner baru yang diisi kembali oleh

2)

kelompok tersebut, demikian seterusnya.


Dugaan manajemen (management estimate) atau Panel Consensus, dimana
peramalan semata mata berdasarkan pertimbangan manajemen, umumnya oleh

3)

manajemen senior.
Riset Pasar (market research), merupakan metode peramalan berdasarkan hasil
hasil dari survey pasar yang dilakukan oleh tenaga tenaga pemasar produk atau

4)

yang mewakilinya.
Metode kelompok terstruktur (structured group methods), seperti metode Delph
dan lain lain. Metode Delphi merupakan tekhnik peramalan berdasarkan pada
proses konvergensi dari opini beberapa orang atau ahli secara interaktif tanpa
menyebutkan identitasnya.

5)

Analogi historis (Historical Analogy), merupakan tekhnik peramalan berdasarkan

pola data masa lalu dari produk produk yang dapat disamakan secara analogi.
2. Metode Kuantitaif adalah peramalan yang dapat didasarkan atas data yang dapat
dikuantitatifkan pada masa yang lalu. Tekhnik peramalan kuantitatif sangat
beragam, dapat dikembangkan dari berbagai disiplin dan untuk berbagai maksud.
Prosedur peramalan kuantitatif terletak diantara dua rangkaian kesatuan, yaitu
metode naf atau instuitif dan metode kuantitatif formal yang didasarkan

atas

prinsip prinsip statitistika. Jenis yang pertama menggunakan ekstrapolasi


horizontal, musiman dan kecenderungan (trend).Metode peramalan kuantitatif
dapat dibagi kedalam 2 bagian yaitu :
1) Analisa deret berkala (time series) adalah suatu analisis yang berdasrkan hasil
ramalan yang mempengaruhinya. Pendugaan masa depan dilakukkan berdasarkan
nilai masa lalu dari

suatu variable atau kesalahan masa lalu. Tujuan metode

peramalan deret berkala adalah menemukan pola dalam deret data historis dan
mengeksploitasikan pola dalam deret data historis daan mengeksploitasikan pola
2)

tersebut ke masa depan.


Metode kasual adalah suatu metode yang menggunakan pendekatan sebab akibat,
dan bertujuan untuk meramalkan keadaan di masa yang akan datang dengan
menemukan dan mengukur beberapa variable tidak bebas yang akan diramalkan.
Tujuan dari metode kausal adalah menemukan bentuk hubungan tersebut dan

menggunakannya untuk meramalkan nilai mendatang dari variable tidak bebas.


2.6 Metode Rata rata Bergerak (Moving Average)
Metode rata rata bergerak banyak di gunakan untuk menentukan trend dari
suatu deret waktu. Dengan menggunakan metode rata rata bergerak ini, deret
berkala dari data asli diubah menjadi deret rata rata bergerak yang lebih mulus.
Metode ini digunakan untuk data yang perubahannya tidak cepat, dan tidak
mempunyai karakteristik musiman atau seasonal. Metode rata rata bergerak
mengestimasi permintaan periode berikutnya sebagai rata rata data permintaan

actual dari n- periode terakhir. Terdapat taiga macam model rata rata bergerak,
yaitu :
1) Simple Moving Average

Simple Moving Average (SMAt)=

Ilustrasi 1
Diberikan data harga penutupan akhir minggu surat-surat berharga perusahaan
Mandala yang bergerak dalam bidang maskapai penerbangan.

10

11

12

46

56

54

43

57

56

67

62

50

56

47

56

Maka Moving Average 3 mingguan (SMA3) terhadap harga penutupan akhir minggu
saham diperoleh dari perhitungan berikut:
Tabel 1.1 Harga Penutupan Akhir Minggu Saham PT. ABC
Simple Moving
Minggu (t)

Permintaan (Y)

Average 3
mingguan

46

56

54

52

43

51

57

51.33

56

52

67

60

62

61.17

50

59.17

10

56

56

11

47

51

12

56

53

Berdasarkan data di atas, maka ramalan untuk minggu-minggu mendatang (13)


dengan t = 1,2,3
2)

Centered Moving Average


Perbedaan utama antara Simple Moving Average dan Centered Moving Average
terletak pada pemilihan observasi yang digunakan. Simple Moving Average
menggunakan data yang sedang diobservasi tambah data sebelum observasi.
Misalnya, menggunakan 5 periode moving average, maka untuk SMA menggunakan
data periode ke-5 dan 4 data periode sebelumnya.
Sebaliknya untuk CMA, Center berarti rataan antara data sekarang dengan
menggunakan data sebelumnya dan data sesudahnya. Misalnya untuk periode

moving average, maka SMa menggunakan data periode 3 ditambah data


sebelumnya dan data sesudahnya. Didefinisikan sebagai berikut :

Dimana Yt adalah nilai tengah dari interval L data observasi. (L-1)/2 observasi
merupakan data sebelum dan sesudahnya. Misalnya CMA 5 periode, maka Y t = Y5
maka intervalnya dimulai dari Y3 sampai Y7.

Ilustrasi 2
Bulan (t)

Permintaan (Y)
5

8
(CMA

(CMA

Januari

46

Februari

56

Maret

54

April

43

55.13

57

55.4

55.63

56

57

55.63

67

58.4

54.75

62

58.2

Mei

Juni

Juli

Agustus

56.38

September

50

56.4

Oktober

56

54.2

November

47

Desember

56

Contoh perhitungan:

3)

Weighted Moving Average


Rumus untuk Weighted Moving Average (WMAt)
dan

Ilustrasi 3
Diketahui data penjualan suatu departement store 4 bulan periode. Kemudian ingin
meramalkan penjualan bulan ke-5 dengan moving average dimana menggunakan
bobot 40% actual sales untuk bulan saat ini (4), 30% untuk 2 bulan sebelumnya,
20% untuk 3 bulan sebelumnya, dan 10% untuk 4 bulan sebelumnya. Data
penjualannya sebagai berikut :
Bula

Bulan

Bulan

Bulan

Bulan

n1

100

90

105

95

Peramalan weighted moving average dengan N = 4 adalah :


Maka ramalan bulan ke (5 + t) dengan t =1,2,3 adalah :

BAB III
PEMBAHASAN
3.1 Rata rata Bergerak dalam Statistika
Dalam statistika rata rata bergerak, juga disebut bergulir rata, berati bergulir
atau menjalankan rata rata, adalah jenis filter yang respon impulse yang terbatas
digunakan

untuk

menganalisis

satu

set

poin

datum

dengan

menciptakan

serangkaian rata rata dari himpunan bagian yang berbeda dari kumpulan data
lengkap.
Deret berkala adalah data yang dikumpulkan dari waktu ke waktu untuk
menggambarkan perkembangan suatu kegiatan (perkembangan produksi, harga,
hasil penjualan, jumlah penduduk, jumlah kecelakaan, jumlah kejahatan, dsb).
Salah satu manfaat penting dari rata rata bergerak adalah mengurangi variasi
dari data berkala aslinya. Dengan mengurangi variasi tersebut, maka rata rata
bergerak dapat menghilangkan fluktuasi fluktuasi yang tidak diinginkan.
Sebuah rata-rata bergerak umumnya digunakan dengan time series data
untuk kelancaran keluar fluktuasi jangka pendek dan jangka panjang menyoroti
trend atau siklus. Ambang batas antara jangka pendek dan jangka panjang
tergantung pada aplikasi, dan parameter moving average akan ditetapkan

sesuai. Sebagai contoh, sering digunakan dalam analisis teknis dari data keuangan,
seperti saham harga , kembali atau volume perdagangan. Hal ini juga digunakan
dalam bidang ekonomi untuk memeriksa produk domestik bruto, pekerjaan atau
deret waktu lainnya makroekonomi. Secara matematis, rata-rata bergerak adalah
jenis konvolusi dan sehingga dapat dilihat sebagai contoh dari low-pass filter yang
digunakan dalam pemrosesan sinyal . Ketika digunakan dengan non-data time
series, sebuah filter moving average komponen frekuensi yang lebih tinggi tanpa
sambungan khusus untuk waktu, meskipun biasanya beberapa jenis memesan
tersirat. Dilihat simplistically dapat dianggap sebagai merapikan data.
3.2 Komponen Deret Berkala
Empat Komponen Deret Berkala :
1.

Trend Sekuler, yaitu gerakan yang berjangka panjang, lamban seolah seolah alun

ombak dan berkecenderungan menuju ke satu arah, arah menaik atau menurun.
Ciri ciri Trend Sekuler :
Umumnya meliputi gerakan yang lamanya 10 tahun atau lebih.
Trend digunakan dalam melakukan peramalan (forecasting). Metode yang
biasanya dipakai, antara lain adalah Metode Semi Average dan Metode Least

2.

Square.
Variasi Musim, yaitu ayunan sekitar trend yang bersifat musiman serta kurang

3.

lebih teratur.
Variasi Sikli, yaitu ayunan trend yang berjangka lebih panjang dan agak lebih tidak

4.

teratur.
Variasi Random/Residu, yaitu gerakan yang tidak teratur sama sekali.

3.3 Rata rata Bergerak Sederhana

Rata rata bergerak sederhana yang sering digunakan untuk meratakan deret
berkala yang bergelombang adalah metode rata rata bergerak. Metode ini
dibedakan atas dasar jumlah tahun yang digunakkan untuk mencari rata ratanya.
Jika digunakkan 3 tahun sebagai dasar pencarian rata rata bergerak 3 tahun.
Prosedur menghitung rata rata bergerak sederhana per 3 tahun sebagai berikut :
1. Jumlahkan data selama 3 tahun berturut turut. Hasilnya diletakkan di tengah
2.
3.

tengah tahun tersebut.


Bagilah dengan banyaknya tahun tersebut (3) untuk mencari nilai rata ratanya.
Jumlahkan data berikutnya selama 3 tahun berturut turut dengan meninggalkan
tahun yang pertama. Hasilnya diletakkan di tengah tengah tahun tersebut dan

bagilah dengan banyaknya tahun tersebut (3) dan seterusnya sampai selesai.
Kelemahan dari metode ini adalah :
1.
Metode ini memerlukan penyimpanan yang lebih banyak karena semua T
2.

pengamatan terakhir harus disimpan, tidak hanya nilai rata rata.


Metode ini tidak dapat menanggulangi dengan baik adanya trend atau musiman.

3.4 Rata rata Bergerak Tertimbang


Umumnya timbangan yang digunakkan bagi rata rata bergerak ialah Koefisien
Binomial. Rata rata bergerak per3 tahun harus diberi koefisien 1, 2, 1 sebagai
timbangannya.
Prosedur menghitung rata rata bergerak tertimbang per 3 tahun sebagai berikut :
1. Jumlahkan data tersebut selama 3 tahun berturut turut secara tertimbang.
2. Bagilah hasil penjumlahan tersebut dengan factor pembagi 1+2+1=4. Hasilnya
3.

diletakkan di tengah tengah tahun tersebut.


Dan seterusnya sampai selesai.
3.5 Soal soal Moving Average

Kasus 1 (Rata rata bergerak sederhana)

Tabel 1.2
Produksi Sabun Kesehatan Tahun 1997 2003

1.

Tahun

Produksi (ribu ton)

1997

175,5

1998

194,9

1999

218,5

2000

202,9

2001

213,0

2002

207,8

2003

213,0

Buatlah nilai trend dengan metode rata rata bergerak, dengan 3 tahun dan 5
tahun rata rata bergerak ! Buatlah grafiknya juga !!
Tabel 1.3
Letak Rata rata Bergerak 3 Tahun dan 5 Tahun
Th

Produks

Jumlah

Jumlah

Rata-

Rata-rata

i (ribu

rata

bergerak 5 tahun

ton)

tahun

tahun

bergera
k3
tahun

1997

175,5

1998

194,9

1999

218,5

588,9

196,3

2000

202,9

616,3

205,4

2001

213,0

634,4

1.004,

211,5

200,96

207,9

207,42

211,3

211,04

8
2002

207,8

623,7

1.037,
1

2003

213,0

633,8

1.055,
2

Jika

ingin

prosedurnya

menghitung
hampir

sama

rata-rata
dengan

bergerak
menghitung

dengan
rata-rata

dengan n ganjil.
Kasus 2
a.
b.

Dengan menggunakan data berkala di bawah ini, tentukanlah :


Rata rata bergerak 2 tahun.
Rata rata bergerak tertimbang 3 tahun.
Tabel 1.4
Besar Pinjaman Suatu Negara (Milliaran Rupiah)
Tahun

Besar Pinjaman (Y)

2000

2.5

2001

3.8

2002

3.5

2003

2.3

2004

1.5

genap,
bergerak

a.

2005

4.5

2006

4.2

2007

1.7

2008

1.8

Rata rata Bergerak 2 Tahun

Total Bergerak
Tahun

Data Asli

Rata-rata
Bergerak 2

2 tahun

tahun

2000

2.5

2001

3.8

6.3

3.15

2002

3.5

7.3

3.65

2003

2.3

5.8

2.9

2004

1.5

3.8

1.9

2005

4.5

2006

4.2

8.7

4.35

2007

1.7

5.9

2.95

2008

1.8

3.5

1.75

Tabel 1.5
Letak Rata rata Bergerak 2 Tahun
b.

Rata rata Bergerak Tertimbang 3 tahun


Tabel 1.6
Besar Pinjaman Suatu Negara (Milliaran Rupiah)

Rata-rata
Total Bergerak
Bergerak
Tahun

Data Asli

Tertimbang 3
Tertimbang
tahun
3 tahun

2000

2.5

2001

3.8

13.6

3.4

2002

3.5

13.1

3.275

2003

2.3

9.6

2.4

2004

1.5

9.8

2.45

2005

4.5

14.7

3.675

2006

4.2

14.6

3.65

2007

1.7

9.4

2.35

2008

1.8

Rata rata bergerak tertimbang 3 tahun

Perhitungan juga dapat dilakukan dengan menggunakan Microsoft Excel,

1)
2)
3)
4)
5)

langkah langkah sebagai berikut :


Masukan data berkala (misal untuk 9 tahun).
Pilih Tools, kemudian pilih Data Analysis.
Dari kotak dialog, pilih Moving Average.
Sorot data penjualan pada sel B4 B12 pada kotak input range.
Ketik 3 pada kotak interval[3].

6)
7)
8)

Ketik C4 pada kotak output range.


Pilih Chart Output.
Pilih OK.

Dari data Tabel 1.6 maka hasilnya seperti disajikan pada Gambar 1.4[4]

BAB IV
PENUTUP
4.1 Kesimpulan
Dua jenis yang paling umum adalah Simple Moving Average dan Eksponensial
Moving Average. Simple Moving Average adalah bentuk paling sederhana moving
average, Moving Average lebih halus dibandingkan dengan Eksponensial Moving
Average. Akan tetapi Simple Moving Average rentan terhadap lonjakan (spike)

harga. Jika Menggunakan eksponensial moving average dapat membantu anda


dalam melihat sutu trend lebih cepat, akan tetapi rentan terhadap sinyal palsu.
Anda dapat menggunakkan Moving Average dalam membantu anda untuk
menentukan sebuah trend, kapan harus masuk, dan kapan ketika trend tersebut
akan segera berakhir. Moving Average dapat digunakan sebagai support dan
resistance dinamis. Salah satu cara terbaik untuk menggunakkan moving average
adalah menggunakan beberapa moving average sehingga anda bisa melihat kedua
pergerakan jangka panjang dan jangka pendek.
4.2 Saran
Diharapkan mahasiswa mampu memahami materi pembahasan dan mampu
mengerjakan soal soal analisa deret berkala dengan metode moving average.
Selain itu mampu menerapkan ke dalam data sekunder yaitu menggunakan
Microsoft Excel.

DAFTAR PUSTAKA

1.
2.
3.

Riana, Dwiza, 2012, Statistika Deskriptif itu Mudah, Tangerang, Jelajah Nusa.
Modul matakuliah statistika deskriptif
http://www.google.co.id/search?hl=id&output=search&sclient=psyab&q=MOVING+AVERAGE&btnK=

Lampiran

Lembar Penilaian Presentasi

Kelompok

: 9 (Sembilan)

Kelas

: 12.3B.04

Materi : Analisa Data Berkala dengan

Metode Moving Average

No.

NIM
181104

Leonard

51

Yulio. S

181106

Cahya Rama.

20

181114
07

Present

Penguasa

Makala

asi

an Materi

Nama

LTM

Aulia Rahmah

181114

Inayaturrohm

78

ah

181115

M. Aghis

04

Falutfi

181115

Devi Kusuma

12

Dewi

181118

Ryonaldi

54

Yudha. P

181119

Devi

25

Trisnowati

Dosen Statistika Deskriptif


Tugas Buku Kelompok =

Herlawati, S.Si, MM,


M.Kom

KATA PENGANTAR

Puji syukur Kehadirat Tuhan Yang Maha Kuasa atas segala rahmat, karunia
terutama kesempatan yang diberikan-Nya, sehingga dapat menyelesaikan
penulisan makalah

ini

secara tuntas, walaupun masih banyak terdapat

kekurangan.
Selama proses penulisan makalah ini, penulis memperoleh banyak bantuan
dari berbagai pihak, baik secara langsung maupun secara tidak langsung. Untuk
itu dari hati yang paling dalam penulis menyampaikan ucpan terima kasih
kepada semua pihak yang telah membantu penulisan makalah ini.
Sebagai manusia biasa penulis menyadari bahwa dalam penulisan makalah
ini masih banyak terdapat kekurangan dan kekeliruan, baik dari segi isi maupun
dari segi penulisannya. Segala kritikan dan masukan dari semua pihak, akan
menjadi pengalaman yang sangat berharga bagi penulis demi kesempurnaan
makalah ini.

Bekasi,
2012

November

DAFTAR ISI
Kata Pengantar
Daftar Isi
Daftar Tabel dan Gambar
BAB I PENDAHULUAN
1.1 Latar Belakang
1.2 Rumusan Masalah
1.3 Batasan Masalah
1.4 Tujuan Penulisan
1.5 Manfaat Penelitian
1.6 Metodologi
1.7 Sistematika Penulisan
BAB II TINJAUAN PUSTAKA
2.1 Analisis Data Deret Berkala
2.2 Komponen Data Berkala
2.3 Analisis Trend Linier
2.4 Peramalan
2.5 Tekhnik dan Jenis jenis Peramalan
2.6 Metode Rata rata Bergerak (Moving Average)
BAB III PEMBAHASAN

3.1

Rata rata Bergerak dalam Statistika ....

3.2

Komponen Deret Berkala

3.3

Rata rata Bergerak Sederhana

3.4

Rata rata Bergerak Tertimbang

3.5

Soal soal Moving Average

BAB IV PENUTUP
4.1 Kesimpulan

Analisis data berkala

ANALISIS DATA BERKALA


Pengertian Analisis Deret Berkala

Data

yang

dikumpulkan

dari

waktu

ke

waktu

untuk

menggambarkan

perkembangan suatu kegiatan (perkembangan produksi, harga, hasil penjualan,


jumlah penduduk, jumlah kecelakaan, jumlah kejahatan, dsb).

Serangkaian nilai-nilai variabel yang disusun berdasarkan waktu.

Serangkaian data yang terdiri dari variabel Yi yang merupakan serangkaian


hasil observasi dan fungsi dari variabel Xi yang merupakan variabel waktu yang
bergerak secara seragam dan ke arah yang sama, dari waktu yang lampau ke
waktu yang mendatang.
Deret berkala atau runtut waktu adalah serangkaian pengamatan terhadap
peristiwa, kejadian atau variabel yang diambil dari waktu ke waktu, dicatat secara
teliti menurut urut-urutan waktu terjadinya, kemudian disusun sebagai data
statistik.
Dari suatu runtut waktu akan dapat diketahui pola perkembangan suatu
peristiwa, kejadian atau variabel. Jika perkembangan suatu peristiwa mengikuti
suatu pola yang teratur, maka berdasarkan pola perkembangan tersebut akan
dapat diramalkan peristiwa yang bakal terjadi dimasa yang akan datang.
Jika nilai variabel atau besarnya gejala (peristiwa) dalam runtut waktu
(serangkaian waktu) diberi simbol Y1, Y2, ..Yn dan waktu-waktu pencatatan nilai
variabel (peristiwa) diberi simbol X1, X2, ..Xn maka rutut waktu dari nilai variabel Y
dapat ditunjukan oleh persamaan Y = f (X) yaitu besarnya nilai variabel Y
tergantung pada waktu terjadinya peristiwa itu.

Komponen Deret Berkala

Pola gerakan runtut waktu atau deret berkala dapat dikelompokan kedalam 4
(empat) pola pokok. Pola ini bisanya disebut sebagai komponen dari deret berkala
(runtut waktu). Empat komponen deret berkala itu adalah:
1.

Trend, yaitu gerakan yang berjangka panjang yang menunjukkan adanya


kecenderungan menuju ke satu arah kenaikan dan penurunan secara keseluruhan
dan bertahan dalam jangka waktu yang digunakan sebagai ukuran adalah 10
tahun keatas.

2.

Variasi Musim, yaitu ayunan sekitar trend yang bersifat musiman serta kurang
lebih teratur.

3.

Variasi Siklus, yaitu ayunan trend yang berjangka lebih panjang dan agak lebih
teratur.

4.

Variasi Yang Tidak Tetap (Irreguler), yaitu gerakan yang tidak teratur sama
sekali.
Gerakan atau variasi dari data berkala juga terdiri dari empat komponen,
yaitu:

Gerakan/variasi trend jangka panjang atau long term movements or


seculer trend yaitu suatu gerakan yang menunjukan arah perkembangan secara
umum (kecenderungan menaik atau menurun) dan bertahan dalam jangka waktu
yang digunakan sebagai ukuran adalah 10 tahun ke atas.

Gerakan/variasi siklis atau

cyclical

movements

or

variation adalah

gerakan/variasi jangka panjang disekitar garis trend.

Gerakan/variasi musim atau seasonal movements or variation adalah


gerakan yang berayun naik dan turun, secara periodik disekitar garis trend dan
memiliki waktu gerak yang kurang dari 1 (satu) tahun, dapat dalam kwartal,
minggu atau hari.

Gerakan

variasi

yang

tidak

teratur (irregular

or

random

movements) yaitu gerakan atau variasi yang sporadis sifatnya. Faktor yang
dominan dalam gerakan ini adalah faktor-faktor yang bersifat kebetulan misalnya
perang, pemogokan, bencana alam dll.

Trend

Gambar 1 Variasi Trend Jangka Panjang

Gambar 2 Variasi Siklis


Dari gerakan siklis diperoleh titik tertinggi (puncak) dan titik terendah
(lembah). Pergerakan dari puncak ke lembah dinamakan kontraksi dan
pergerakan dari puncak ke lembah berikutnya dinamakan ekspansi.
o

Variasi sikli berlangsung selama lebih dari setahun dan tidak pernah variasi
tersebut memperlihatkan pola yang tertentu mengenai gelombangnya.

Gerakan sikli yang sempurna umumnya meliputi fasefase pemulihan (recovery),


kemakmuran

(prosperity),

kemunduran

resesi

(recession)

dan

depresi

(depression).
Y

T
Gambar 3 Variasi Musim
Pola musiman juga menunjukan puncak dan lembah seperti pada siklus,
tetapi lamanya variasi musim selalu satu tahun atau kurang.
Y

T
Gambar 4 Variasi Fluktuasi Tak Teratur

Jika dikaitkan dengan kegiatan bisnis dan ekonomi, analisis deret berkala
atau analisis time series seringkali digunakan untuk memprediksi nilai dimasa
yang akan datang. Dengan diketahuinya nilai dimasa mendatang, maka pihak
manajemen perusahaan akan dapat mengambil keputusan dengan lebih efektif.
Nilai dimasa mendatang itu pada dasarnya merupakan nilai time series
dimasa mendatang, yaitu nilai-nilai yang diharapkan dapat terjadi dimasa
mendatang, dengan dasar faktor-faktor (nilai-nilai) yang telah diterjadi dimasa lalu.
Ciri-ciri Trend Sekuler
Trend (T) atau Trend Sekuler ialah gerakan dalam deret berkala yang berjangka
panjang, lamban dan berkecenderungan menuju ke satu arah, arah menaik atau
menurun. Umumnya meliputi gerakan yang lamanya 10 tahun atau lebih.
Trend sekuler dapat disajikan dalam bentuk :

Persamaan trend, baik persamaan linear maupun persamaan non linear

Gambar/grafik yang dikenal dengan garis/kurva trend, baik garis lurus


maupun garis melengkung.
Trend juga sangat berguna untuk membuat ramalan yang sangat diperlukan
bagi perencanaan, misalnya :

Menggambarkan hasil penjualan

Jumlah peserta KB

Perkembangan produksi harga

Volume penjualan dari waktu ke waktu, dll


Trend digunakan dalam melakukan peramalan (forecasting). Metode yang
biasanya dipakai, antara lain adalah Metode Semi Average dan Metode Least
Square.

Metode Least Square (Kuadrat terkecil)


Metode ini paling sering digunakan untuk meramalkan Y, karena perhitungannya
lebih teliti.

Persamaan garis trend yang akan dicari ialah


Y = a0 +bx

a = ( Y ) / n

b = ( XY ) / x2

dengan :
Y = data berkala (time series) = taksiran nilai trend.
a0 = nilai trend pada tahun dasar.
b = rata-rata pertumbuhan nilai trend tiap tahun.
x = variabel waktu (hari, minggu, bulan atau tahun).
Untuk melakukan penghitungan, maka diperlukan nilai tertentu pada variabel
waktu (x) sehingga jumlah nilai variabel waktu adalah nol atau x=0.
Untuk n ganjil maka :

Jarak antara dua waktu diberi nilai satu satuan.

Di atas 0 diberi tanda negative

Dibawahnya diberi tanda positif.


Untuk n genap maka :

Jarak antara dua waktu diberi nilai dua satuan.

Di atas 0 diberi tanda negatif

Dibawahnya diberi tanda positif.

FORECASTING ( PERAMALAN )

Pengertian peramalan (forecasting) : adalah seni dan ilmu memprediksi


peristiwa-peristiwa yang akan terjadi dengan menggunakan data historis dan
memproyeksikannya ke masa depan dengan beberapa bentuk model matematis.

Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan


penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat
dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan

yang akan datang berdasarkan pada beberapa variabel peramal, sering


berdasarkan data deret waktu historis. Peramalan menggunakan teknik-teknik
peramalan yang bersifat formal maupun informal (Gaspersz, 1998).

Dua hal pokok yang harus diperhatikan dalam proses peramalan yang
akurat dan bermanfaat (Makridakis, 1999):

Pengumpulan data yang relevan berupa informasi yang dapat


menghasilkan peramalan yang akurat.

Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi


data yang diperoleh semaksimal mungkin.

Untuk melakukan peramalan diperlukan metode tertentu dan metode mana


yang digunakan tergantung dari data dan informasi yang akan diramal serta
tujuan yang hendak dicapai. Dalam prakteknya terdapat berbagai metode
peramalan antara lain :

Peramalan berdasarkan jangka waktu :

1. Peramalan jangka pendek ( kurang satu tahun, umumnya kurang tiga bulan :
digunakan untuk rencana pembelian, penjadwalan kerja, jumlah TK, tingkat
produksi),

2. Peramalan jangka menengah ( tiga bulan hingga tiga tahun : digunakan untuk
perencanaan penjualan, perencanaan dan penganggaran produksi dan
menganalisis berbagai rencana operasi),

3. Peramalan jangka panjang ( tiga tahun atau lebih, digunakan untuk


merencanakan produk baru,penganggaran modal, lokasi fasilitas, atau ekspansi
dan penelitian serta pengembangan).

Peramalan berdasarkan rencana operasi

1. Ramalan ekonomi : membahas siklus bisnis dengan memprediksi tingkat inflasi


dan indikator perencanaan lainnya,
2. Ramalan teknologi : berkaitan dengan tingkat kemajuan teknologi dan produk
baru,
3. Ramalan permintaan : berkaitan dengan proyeksi permintaan terhadap produk
perusahaan. Ramalan ini disebut juga ramalan penjualan, yang mengarahkan
produksi, kapasitas dan siatem penjadualan perusahaan.

Peramalan berdasarkan metode / pendekatan :

Metode peramalan:
Peramalan berdasarkan metode terbagi menjadi 2 yaitu:
1. Metode Kuantitatif
menggunakan berbagai model matematis atau metode statistik dan data historis
dan atau variabel-variabel kausal untuk meramalkan permintaan,
Metode Peramalan Kuantitatif dapat dikelompokkan menjadi dua jenis, yaitu :

A. Model Seri Waktu / Metode deret berkala


Model seri waktu / metode deret berkala (time series) metode yang
dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari
waktu, terbagi menjadi :

1. Rata-rata bergerak (moving averages),

Rata-Rata Bergerak Sederhana (simple moving averages) : bermanfaat jika


diasumsikan bahwa permintaan pasar tetap stabil :

Rata-Rata Bergerak Tertimbang (weighted moving averages) : apabila ada pola


atau trend yang dapat dideteksi, timbangan bisa digunakan untuk menempatkan
lebih banyak tekanan pada nilai baru :

Model rata-rata bobot bergerak lebih responsif terhadap perubahan karena data
dari periode yang baru biasanya diberi bobot lebih besar. Rumus rata-rata bobot
bergerak yaitu sebagai berikut.

2. Penghalusan eksponensial (exponential smoothing),


Penghalusan Eksponensial : metode peramalan dengan menambahkan parameter
alpha dalam modelnya untuk mengurangi faktor kerandoman. Istilah eksponensial
dalam metode ini berasal dari pembobotan/timbangan (faktor penghalusan dari
periode-periode sebelumnya yang berbentuk eksponensial.
Peramalan menggunakan model pemulusan eksponensial rumusnya adalah
sebagai berikut
3. Proyeksi trend (trend projection)
Metode proyeksi trend dengan regresi, merupakan metode yang dignakan baik
untuk jangka pendek maupun jangka panjang. Metode ini merupakan garis trend
untuk persamaan matematis.

B. Model / metode kausal (causal/explanatory model)


Merupakan metode peramalan yang didasarkan kepada hubungan antara
variabel yang diperkirakan dengan variabel lain yang mempengaruhinya tetapi
bukan waktu melainkan sebab akibat. Dalam prakteknya jenis metode peramalan
ini terdiri dari :

Metode regresi dan kolerasi, merupakan metode yang digunakan baik untuk
jangka panjang maupun jangka pendek dan didasarkan kepada persamaan dengan
teknik least squares yang dianalisis secara statis.

Peramalan menggunakan metode regresi:

Penggunaan metode ini didasarkan kepada variabel yang ada dan yang akan
mempengaruhi hasil peramalan.

Hal- hal yang perlu diketahu sebelum melakukan peramalan dengan metode
regresi adalah mengetahui terlebih dahulu mengetahui kondisi- kondisi seperti :

Adanya informasi masa lalu


Informasi yang ada dapat dibuatkan dalam bentuk data (dikuantifikasikan)

Diasumsikan bahwa pola data yang ada dari data masa lalu akan berkelanjutan
dimasa yang akan datang.

Adapun data- data yang ada dilapangan adalah :

Musiman (Seasonal)
Horizontal (Stationary)
Siklus (Cylikal)
Trend

Dalam menyusun ramalan pada dasarnya ada 2 macam analisis yang dapat
digunakan yaitu :

AnalisiS deret waktu(Time series), merupakan analisis antaravariabel yang dicari


dengan variabel waktu.

Analisis Cross Section atau sebab akibat (Causal method), merupakan analisis
variabel yang dicari dengan variabel bebas atau yang mempengaruhi.

Ada dua pendekatan untuk melakukan peramalan dengan menggunakan analisis


deret waktu dengan metode regresi sederhana yaitu :

Analisis deret waktu untuk regresi sederhana linier

Analisis deret untuk regresi sederhana yang non linier

Untuk menjelaskan hubungan kedua metode ini kita gunakan notasi matematis
seperti:
Y = F (x)
Dimana :
Y = Dependent variable (variabel yang dicari)
X = Independent variable (variabel yang mempengaruhinya)

Notasi regresi sederhana dengan menggunakan regresi linier (garis lurus) dapat
digunakan sebagai berikut :

Y=a+bx
Dimana a dan b adalah merupakan parameter yang harus dicari. Untuk mencari
nilai a dapat digunakan dengan menggunakan rumus :

kemudian nilai b dapat dicari dengan rumus :

Model Input Output, merupakan metode yang digunakan untuk peramalan


jangka panjang yang biasa digunakan untuk menyusun trend ekonomi jangka
panjang.

Model ekonometri, merupakan peramalan yang digunakan untuk jangka


panjang dan jangka pendek.

2. Metode Kualitatif
Metode kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi, emosi,
pendidikan dan pengalaman seseorang. Oleh karena itu hasil peramalan dari satu
orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan kualitatif
dapat menggunakan teknik/metode peramalan, yaitu :

Juri dari Opini Eksekutif : metode ini mengambil opini atau pendapat
dari sekelompok kecil manajer puncak/top manager (pemasaran, produksi, teknik,
keuangan dan logistik), yang seringkali dikombinasikan dengan model-model
statistik.

Gabungan Tenaga Penjualan : setiap tenaga penjual meramalkan tingkat


penjualan di daerahnya, yang kemudian digabung pada tingkat provinsi dan
nasional untuk mencapai ramalan secara menyeluruh.

Metode Delphi : dalam metode ini serangkaian kuesioner disebarkan kepada


responden, jawabannya kemudian diringkas dan diberikan kepada para ahli untuk
dibuat peramalannya. Metode memakan waktu dan melibatkan banyak pihak,
yaitu para staf, yang membuat kuesioner, mengirim, merangkum hasilnya untuk
dipakai para ahli dalam menganalisisnya. Keuntungan metode ini hasilnya lebih

akurat dan lebih profesional sehingga hasil peramalan diharapkan mendekati


aktualnya.

Survai Pasar (market survey) : Masukan diperoleh dari konsumen atau


konsumen potensial terhadap rencana pembelian pada periode yang diamati.
Survai dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung.
MELAKUKAN PERAMALAN

Menghitung kesalahan ramalan (forecast error)

Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai hasil
peramalan terhadap nilai data yang sebenarnya. Perbedaan atau selisih antara
nilai aktual dan nilai ramalan disebut sebagai kesalahan ramalan (forecast error)
atau deviasi yang dinyatakan dalam:
et = Y(t) Y(t)

Dimana : Y(t) = Nilai data aktual pada periode t


Y(t) = Nilai hasil peramalan pada periode t
t

= Periode peramalan

Maka diperoleh Jumlah Kuadrat Kesalahan Peramalan yang disingkat SSE (Sum of
Squared Errors) dan Estimasi Standar Error (SEE Standard Error Estimated)

SSE = S e(t)2 = S[Y(t)-Y(t)]2

Memilih Metode Peramalan dengan kesalahan yang terkecil.


Apabila nilai kesalahan tersebut tidak berbeda secara signifikan pada tingkat
ketelitian tertentu (Uji statistik F), maka pilihlah secara sembarang metode-metode
tersebut.

Melakukan Verifikasi
Untuk mengevaluasi apakah pola data menggunakan metode peramalan tersebut
sesuai dengan pola data sebenarnya.

CONTH KASUS SOAL TENTANG ANALISIS DATA BERKALA


Contoh I (Untuk jumlah data ganjil) :
Ramalan Penjualan Metode Least Square
Data Penjualan (Unit) PT. GALAU Tahun 1995-1999
Tahun

Penjualan

(X)

(Y)

1995

130

1996

145

1997

150

1998

165

1999

170

No

Dari data tersebut akan dibuat forecast penjualan dengan menggunakan


Metode least Square.
Penyelesaian :
Analisis menggunakan metode Least Square
Tahun

Penjualan

(X)

(Y)

1995
1996

X2

XY

130

-2

-260

145

-1

-145

1997

150

1998

165

165

1999

170

340

Total

760

10

100

Mencari nilai a dan b


a = 760 : 5
= 152
b = 100 : 10
= 10
Setelah mengetahui nilai variabel a dan b maka persamaan trendnya dapat
diketahui yaitu :
Y = 152 + 10X
Dari persamaan fungsi Y diatas maka nilai trend dari tahun 1995 sampai
dengan 1999 dapat diketahui :

Tahun

Penjualan
(Y)

1995

132

1996

142

1997

152

1998

162

1999

172

Dari persamaan fungsi Y diatas juga dapat disusun ramalan penjualan pada
tahun berikutnya untuk dijadikan dasar pembuatan anggaran penjualan.
Y(2000) = 152 +10 (3)
= 182

Tahun

Penjualan
(Y)

2000

182

2001

192

2002

202

2003

212

2004

222

Contoh II (Untuk jumlah data genap):


Ramalan Penjualan Metode Least Square
Data Penjualan (Unit ) PT. KAMSEUPAY Tahun 1995-2000
Penjualan

No

Tahun

1995

130

1996

145

1997

150

1998

165

1999

170

2000

185

(Y)

Dari data tersebut akan dibuat ramalan penjualan dengan menggunakan


Metode least Square.

Penyelesaian :
Analisis menggunakan metode Least Square

Tahun

Penjualan
(Y)

X2

XY

1995

130

-5

25

-650

1996

145

-3

-435

1997

150

-1

-150

1998

165

165

1999

170

510

2000

185

25

925

Total

945

70

365

Mencari nilai a dan b


a = 945 : 6

= 157,5

b = 365 : 70 = 5,21
Setelah mengetahui nilai variabel a dan b maka persamaan trendnya dapat
diketahui yaitu :
Y = 157,5 + 5,21X
Dari persamaan fungsi Y diatas maka nilai trend dari tahun 1995 sampai
dengan 2000 dapat diketahui :

Tahun

Penjualan
(Y)

1995

131,45 = 131

1996

141,87 = 142

1997

152,29 = 152

1998

162,71 = 163

1999

173,13 = 173

2000

183,55 = 184

Dengan cara yang sama dapat pula diketahui ramalan penjualan untuk tahun
2001 2005 :

Tahun

Penjualan
(Y)

2001

193,97 = 193

2002

204,39 = 204

2003

214,81 = 215

2004

225,23 = 225

2005

235,65 = 236

PENUTUP

Kesimpulan
Peramalan yang diberikan oleh metode least square dalam data berkala cukup
baik, itu menunjukkan bahwa metode least square merupakan metode yang lebih
teliti sehingga sering digunakan untuk menghitung data berkala. Selain itu metode
least square juga dapat digunakan tidak hanya untuk meramalkan penjualan
tetapi

berbagai

macam

peramalan

lainnya,

seperti

perkembangan

KB,

perkembangan produksi, dll.

Saran
Pada perhitungan dengan metode least square tentunya juga diperlukan
ketelitian dan kecermatan agar tidak terjadi kesalahan, untuk memperkecil
kesalahan pada metode least square ini bisa menggunakan MS. Excel.