Makalah

Metode peramalan
Contoh Terapan Metode Peramalan dalam bidang Ilmu
Ekonomi dan Jasa

Kelompok 16
Fenny Okmaliarni / 1109406
Suci Riani Yunas / 1109394

Prodi statistika
Jurusan matemetika
Fakultas matemetika dan ilmu pengetahuan alam
Universitas Negeri Padang
2013

Contoh Terapan Metode Peramalan

dalam bidang Ilmu Ekonomi dan Jasa

1.) Peramalan dalam bidang ekonomi

Peramalan ekonomi adalah siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan
uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya.
Dalam melakukan analisis ekonomi disebuah perusahaan, harus diperkirakan apa yang akan
terjadi dalam bidang ekonomi / dunia usaha dimasa yang akan datang karena berbagai bidang
semua berorientasi ke waktu yang akan datang yang keberadaannya tidak dapat diketahui secara
pasti. Dalam bidang ekonomi, peramalan digunakan sebagai pedoman pengambilan keputusan
agar kebijakan yang digunakan tepat.
Data penjualan sepeda motor Yamaha pada CV. Tjahaja Baru Sumatera Barat dari Januari
2005 sampai Desember 2009. Data ini diproses dengan menggunakan metode peramalan yaitu
ARIMA. Deskripsi data penjualan sepeda motor Yamaha dari januari 2005 sampai desembar
2009.
Bulan
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Total
Minimum
Maksimu
m
Rata-Rata

2005
1462
1560
1165
1676
2487
1574
2014
1683
2169
2123
1480
1685
21078
1165

2006
1691
1662
1639
1470
1816
2131
2453
3088
2543
2731
2162
2391
25777
1470

Tahun
2007
2515
2590
2811
3299
3082
3093
3447
3900
4020
2976
3164
3380
38277
2515

2487
1757

3088
2148

4020
3190

2008
3391
3734
3742
4840
5412
4767
4512
4734
5157
3049
3001
2401
48740
2401

2009
3077
2892
3307
3219
4065
3934
4500
5011
4491
3860
4190
5210
47756
2892

5412
4062

5210
3980

Langkah-langkah yang dilakuakan pada data :

1. Identifikasi Model
a. Membat plot data terhadap waktu sebagai alat bantu untuk menetapkan prilaku pola data.
Plot data pada minitab, sebelumnya data dari tahun 2005 sampai 2009 di
masukkan kedalam minitab pada satu kolom. Caranya: klik menu stat > time series >
time series plot > c1

b. Melakukan pemeriksaan kestasioneran data dalam nilai tengah.

Untuk menentukan nilai rata-rata penjualan sepeda motor Yamaha digunakan
persamaan:
N

Yt
t =1

181628
60

= 3027,13

Data tidak berfluktuasi disekitar 3027,13 hal ini menunjukkan bahwa data nonstsioner dalam nilai tengah, karena terjadi perbedaan yang sangat signifikan antara data
dan nilai tengah. Setelah itu pemeriksaan kestasioneran dan non-kestasioneran dapat
dilakukan dengan menganalisa plot ACF dan PACF dari data. Jumlah maksimum nilai
taksiran ACF dan PACF sebanyak 60/4 =15. Dengan menggunakan minitab , dapat
diperoleh nilai taksiran ACF sampai lag 15 dengan memplot data:

Untuk menentukan nilai taksiran ACF digunakan persamaan:

( Y t +k )
rk =

nk
t =1

( Y t )

r1=

( 14623027,13 )( 15603027,13 ) (15603027,13 ) ( 11653027,13 )+ + ( 41903027,13 ) (52103027,13)

(14623027,13)2 +(15603027,13)2 + +(52103027,13)2
= 0,839023
r2=

( 14623027,13 )2 + ( 15603027,13 )2 + + ( 52103027,13 )2

( 14623027,13 )( 11653027,13 ) ( 15603027,13 )( 16763027,13 )+ + ( 38603027,13 ) (52103027,13)

= 0,741529
Dengan minitab dapat diperoleh nilai taksiran PACF sampai lag-15, plot yang di
dapat adalah:

Untuk menentukan nilai taksiran PACF tersebut adalah:

11

22

= r1 = 0,839023
=

r 2r 21
1r 21

0,741529(0,839023)
=
1(0,839023)2

= 0,126904

Pada gambar ACF terlihat bahwa garis nilai autokorelasi turun eksponensial
setelah lag ke 4, sedangkan pada gambar PACF terlihat bahwa garis nilai autokorelasi
parsial turun setelah lag 1 dan garis pada lag 1 tersebut sangat jauh dari garis batas
signifikansi. Dari analisa dapat disimpulkan bahwa data bersifat non-stasioner.
c. Proses pembedaan pertama (differencing) terhadap data.
Dalam praktek banyak ditemukan bahwa data ekonomi bersifat non-stasioner
sehingga perlu dilakukan modifikasi, dengan melakukan pembedaan(differencing), untuk
menghasilkan data yang stasioner. Pembedaan dilakukan dengan mengurangi nilai pada
suatu periode dengan nilai pada periode sebelumnya.
Untuk mengatasi data nonstasioner data maka dilakukan proses differencing
pertama pada data yaitu:
t Y t1
'
Y t =Y
Untuk t=2,3,4,.60 diperoleh hasil sebagai berikut:
2 Y 21
'
Y 2=Y
2 Y 1
'
Y 2=Y = 1560-1462=98

3Y 3 1
'
Y 3=Y
3Y 2
'
Y 3=Y = 1165-1560=-395

60Y 59
'
Y 60=Y = 5210-4190=1020

Setelah dilakukan proses differencing pertama, maka dapat dibuat plot dari data
hasil proses differencing pertama dengan hasi sebagai berikut:

Dari data diatas dapat dihitung nilai rata-ratanya, yaitu:

N

'
t

Y 't
t =2

N1

3748
59

= 63,53

Dari hasil pengolahan proses differencing pertama terhadap data menunjukkan

kestasioneran pada nilai tengah. Pada plot data proses differencing pertama terlihat
fluktuasi data berada di sekitar 63,53 serta hilangnya plot trend meningkat yang terdapat
pada data.
d. Menentukan model sementara dengan membuat dan menganalisa plot ACF dab PACF
dari data yang telah stasioner.

Karena kestasioneran dalam nilai tengah telah terpenuhi pada tahap sebelumnya,
maka langkah selanjutnya adalah menentukan nilai taksiran ACF dan PACF. Jumlah
maksimum taksiran ACF dn PACF adalah:
59/4 = 14,75= 15
Untuk menentukan nilai taksiran ACF data differencing pertama digunakan
persamaan dan nilai taksiran ACF dat differencing pertama adalah :
r1=

(102063,53)

+ +
( 9863,53)2 +(39563,53)2
( 9863,53 ) (39563,53 ) (35963,53 ) ( 51163,53 )+ + ( 33063,53 ) (102063,53)

= -0,153645
r2=

(102063,53)

++
2
2
(9863,53) +(39563,53)
( 9863,53 ) ( 51163,53 )(35963,53 )( 81163,53 ) + + (63163,53 ) (102063,53)

= -0,041108
Dengan menggunakan minitab dapat diperoleh nilai taksiran ACF sampai lag-15 .
dan diperoleh plot:

Berdasarkan gambar dapat terlihat bahwa garis autokorelasi turun eksponensial

dengan fluktuasi positif dan negatif. Dari gambar terlihat bahwa semua garis nilai
autokorelasi sudah berada di dalam garis batas signifikansinya.
Nilai taksiran PACF data differencing pertama adalah

11

= r1 = -0,153645
2

22

r 2r 1
2
1r 1

0,041108(0,153645)2
=
1(0,153645)2

=-0,066279

Dengan menggunakan minitab dapat diperoleh nilai taksiran PACF data

differencing pertama sampai lag 15 , dan plot data hasil proses differencingnya dapat
dilihat sebagai berikut:

Berdasarkan gambar terlihat bahwa garis nilai autokorelasi turun eksponensial

dengan fluktuasi positif dan negatif. Dan terlihat juga bahwa garis nilai autokorelasi
sudah berada didalam garis batas signifikansinya. Berdasarkan hasil analisa plot ACF dan
PACF dari dat hasil proses differencing pertama disimpulkan bahwa data sudah bersifat
stasioner dan dapat di tentukan model sementara yaitu ARIMA (1,1,1).
AR(1), karena pada grafik ACF menurun secara eksponesial atau berganti tanda (positif
dan negatif) untuk beberapa lag dan ada satu PACF yang berbeda nyata dari nol.dan

MA(1), karena ada satu ACF yang berbeda nyata dari nol dan pada grafik PACF menurun
secara eksponensial atau berganti tanda(positif dan negative)untuk beberapa lag.
e. Melakukan overfitting terhadap model sementara.
Berdasarkan plot ACF dan PACF data hasil proses differencing pertama diperoleh
model sementara yaitu ARIMA (1,1,1). Untuk mendapatkan model yang dianggap paling
sesuai dilakukan overfitting terhadap model sementara dengan cara mengubah orde AR
dan MA pada model ARIMA(1,1,1) sehingga diperoleh ARIMA(1,1,0) dan
ARIMA(0,1,1)

2. Penaksiran dan Pengujian Parameter

Setelah diperoleh model-model pada tahap identifikasi, maka selanjutnya
dilakukan penaksiran parameter untuk model ARIMA(1,1,1), ARIMA(1,1,0) dan
ARIMA(0,1,1). Dengan menggunakan minitab dapat diperoleh nilai taksiran parameter
masing-masing modelnya.
ARIMA(1,1,1)
Final Estimates of Parameters
Type
AR
1
MA
1
Constant

Coef
0.6553
0.9592
19.035

SE Coef
0.1363
0.0979
4.935

T
4.81
9.80
3.86

P
0.000
0.000
0.000

ARIMA(1,1,0)
Final Estimates of Parameters
Type
AR
1
Constant

Coef
-0.1626
71.11

SE Coef
0.1345
70.19

T
-1.21
1.01

P
0.232
0.315

ARIMA(0,1,1)
Final Estimates of Parameters
Type
MA
1
Constant

Coef
0.2019
60.27

3. Tahap diagnostik

SE Coef
0.1337
55.91

T
1.51
1.08

P
0.137
0.286

Selanjutnya dilakukan uji kesesuaian model dengan menggunakan kriteria MSE.

Model yang mempunyai nilai MSE minimum merupakan model yang terbaik.
ARIMA(1,1,1)
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals:
SS = 14690670 (backforecasts excluded)
MS = 262333 DF = 56

ARIMA(1,1,0)
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals:
SS = 16558337 (backforecasts excluded)
MS = 290497 DF = 57

ARIMA(0,1,1)
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals:
SS = 16469112 (backforecasts excluded)
MS = 288932 DF = 57

4. Tahap peramalan
Pada tahap ini menggunakan model ARIMA yang terbaik untuk peramalan.
Berdasarkan uraian dan setelah melalui tahap identifikasi, tahap penaksiran dan pengujian
serta tahap diagnostik maka diperoleh model peramalan dengan MSE minimum yaitu model
ARIMA (1,1,1) dengan persamaan berikut:
Y
(1-B)(1- 1 B ) t

BB+ 1 1 B2
Y
(1 ) t

'
+ (1- 1B ) e t

' + e t - 1B e t

1B 2= '
BY t B+ 1 Y t + e t - 1B e t
Y t Y t
'
Y t = +(1+ 1 ) Y t1 - 1 Y t2 - e t - 1 e t1 + e t

Y t =19,035

+ 1,6553 Yt-1 0,6553 Yt-2 0,9592

e t1

et

Dengan menggunakan minitab dapat diperoleh hasil ramalan penjualan sepeda

motor Yamaha pada CV.Tjahaja Baru 12 bulan mendatang, seperti berikut:
Forecasts from period 60

Period
61
62
63
64
65
66
67
68
69
70
71
72

Forecast
5071.46
4999.72
4971.74
4972.44
4991.93
5023.74
5063.62
5108.79
5157.42
5208.32
5260.71
5314.07

95 Percent
Limits
Lower
Upper
4067.38 6075.55
3776.32 6223.12
3650.49 6292.99
3600.91 6343.97
3591.69 6392.18
3605.40 6442.09
3632.74 6494.50
3668.45 6549.13
3709.39 6605.45
3753.67 6662.97
3800.10 6721.32
3847.92 6780.23

Actual

2.) Peramalan dalam bidang Jasa

Deskripsi data pemakaian energi listrik di PT PLN (Persero) Cabang
Bukittinggi Januari 2007-Desember 2009 (dalam KWh).
Bulan

Tahun
2007
2008
Januari
28.948.472
30.441.774
Februari
26.316.584
29.260.296
Maret
23.795.900
27.638.097
April
21.609.858
29.807.590
Mei
25.058.056
29.555.077
Juni
25.324.861
29.862.703
Juli
26.386.354
29.399.690
Agustus
27.174.899
28.193.626
September
28.761.040
28.297.175
Oktober
27.883.942
29.670.813
November
29.797.722
29.322.268
Desember
28.654.505
29.766.489
Jumlah
319.712.193
351.215.598
Maksimum
29.797.722
30.441.774
Minimum
21.609.858
27.638.097
Rata-rata
26.642.682,75
29.267.966,5
Sumber: PT PLN (Persero) cabang Bukittinggi

2009
33.200.274
31.694.095
29.262.667
31.515.718
29.945.547
28.590.724
30.992.220
31.329.327
31.426.446
32.604.983
33.292.656
32.397.694
376.252.351
33.292.656
28.590.724
31.354.362,58

Berdasarkan data di atas, terlihat bahwa pemakaian energi listrik per

bulan tertinggi terjadi pada bulan November 2009 dan terendah pada bulan April
2007. Sedangkan total pemakaian energi listrik per tahun tertinggi adalah pada
tahun 2009 dan yang terendah sebesar yaitu pada tahun 2007.
Plot Data Pemakaian Energi Listrik di PT PLN (Persero) Cabang
Bukittinggi periode Januari 2007-Desember 2009 dengan satuan KWh.

Time Series Plot of jumlah pemakaian energi listrik

jumlah pemakaian energi listrik

34000000
32000000
30000000
28000000
26000000
24000000
22000000
20000000
4

12

16

20
Index

24

28

32

36

Pada grafik terlihat adanya pola trend meningkat. Selanjutnya

dilakukan analisis trend pada data menggunakan minitab yang ditaksis
secara linear, kuadratis, eksponensial, dan logistik. Hasil analisis masingmasing trend tersebut adalah sebagai berikut :
Trend Analysis Plot for jumlah pemakaian energi listrik
Linear Trend Model
Yt = 25547468 + 191398* t

jumlah pemakaian energi listrik

34000000

Variable
Actual
Fits

32000000

Accuracy Measures
MAPE
4,23978E+00
MAD
1,18227E+06
MSD
2,39793E+12

30000000
28000000
26000000
24000000
22000000
20000000
4

12

16
20
Index

24

28

32

36

Trend Analysis Plot for jumlah pemakaian energi listrik

Quadratic Trend Model
Yt = 24995585 + 278538* t - 2355,12* t* * 2

jumlah pemakaian energi listrik

34000000

Variable
Actual
Fits

32000000

Accuracy Measures
MAPE
4,20763E+00
MAD
1,17774E+06
MSD
2,34637E+12

30000000
28000000
26000000
24000000
22000000
20000000
4

12

16
20
Index

24

28

32

36

Trend Analysis Plot for jumlah pemakaian energi listrik

Growth Curve Model
Yt = 25566032 * (1,00678* * t)

jumlah pemakaian energi listrik

34000000

Variable
Actual
Fits

32000000

Accuracy Measures
MAPE
4,29392E+00
MAD
1,20011E+06
MSD
2,43491E+12

30000000
28000000
26000000
24000000
22000000
20000000
4

12

16
20
Index

24

28

32

36

Trend Analysis Plot for jumlah pemakaian energi listrik

S-Curve Trend Model
Yt = (10* * 9) / (28,4340 + 12,1399* (0,959966* *t))

jumlah pemakaian energi listrik

34000000

Variable
Actual
Fits

32000000

Curve Parameters
Intercept
24646378
Asymptote
35169131
Asym. Rate
1

30000000
28000000

Accuracy Measures
MAPE
4,21885E+00
MAD
1,18644E+06
MSD
2,35955E+12

26000000
24000000
22000000
20000000
4

12

16 20
Index

24

28

32

36

Data memiliki satu pola dasar, sehingga metode eksponensial tripel

tipe brown sangat cocok digunakan.
Dari hasil analisis trend di atas, diperoleh :
1. Linear
MAPE
MAD
MSD

4,23978
1,18227E+06
2,39793E+12

2. Kuadratis
MAPE
MAD
MSD

4,20763
1,17774E+06
2,34637E+12

3. Eksponensial
MAPE
MAD
MSD

4,29392
1,20011E+06
2,43491E+12

4. Logistik
MAPE
MAD

4,21885E+00
1,18644E+06

MSD

2,35955E+12

Dari hasil analisis di atas penaksiran secara kuadratis memberikan nilai

MAPE, MSD, dan MAD minimum.jadi data jumlah energi listrik mengikuti pola
trend kuadratis.
Nilai rata-rata pemakaian energi listrik:
N

Xt

Xt = t =1 =
N

10.471.801 .42
=29.008 .337,28
36

Data
tidak
berfruktuasi
disekitar
rata-rata.
Hal
tersebut
mengindikasikan bahwa data tidak stasioner terhadap nilai tengah. Dalam
melakukan pengolahan data di atas , digunakan Metode Pemulusan
Eksponensial Tripel.
Secara teori nilai yang diperoleh adalah 0,027778 dengan N=36
yang merupakan patokan awal mencoba nilai berikutnya. Menurut
Markidarkis nilai yang optimum terletak dalam kisaran 0,1 dan 0,2 maka
kemungkinan lain yang akan dicoba adalah 0,10; 0,14; 0,17; 0,20. Nilai
parameter pemulusan yang menghasilkan nilai MSE terkecil merupakan nilai
yang cocok digunakan pada metode ini.
Pada tahap awal, untuk =0,027778 dapat dihitung ramalan untuk m
periode ke depan dengan :
1. Menentukan nilai pemulusan eksponensial tunggal, eksponensial ganda,
dan eksponensial tripel dengan:

s ' t =s ' ' t =s ' ' ' t =X 1

Maka diperoleh hasil :

'

''

'' '

s t=s t =s t=28.948 .472,0

Selanjutnya diperoleh:
'
'
s 2= X 2+ (1 ) s 1

= (0,027778 x 26.316.584) + (0,972222

x 28.948.472)
= 28.875.363,4

s ' '2= s ' 2+ (1 ) s' ' 1

(0,027778x28.881.095,67)+(0,972222x

28.948.472)
= 28.496.441,2

s ' '' 2= s '' 2 + ( 1 ) s' ' '1

=(0,027778x

28.946.441,2)

(0,972222

28.948.472)
=28.948.415,6
2. Menentukan nilai rata-rata yang disesuaikan pada waktu t

a2=3 s ' 23 s ' ' 2+ s ' ' ' 2

3. Menentukan nilai trend pemulusan ganda

b2=

( 65 ) s ' 2( 108 ) s '' 2 + ( 43 ) s ' ' ' 2 ]

2[
2 ( 1 )

= -6.007,8
4. Menentukan trend nilai pemulusan tripel

2
'
''
' ''
c 2=
s 2 s 2 + s 2 )
2( 2
( 1 )
= -56,4
5. Menghitung nilai ramalan periode ke depan

1
Ft +m =at + bt m+ c t m 2
2

Dilakukan sampai periode 36 dengan m=1. Dengan cara yang sama

lakukan perhitungan dengan = 0,10; 0,14; 0,17; 0,2.
Berdasarkan hasil ramalan periode ke 36 dengan =0,027778
didapatkan nilai

a36

= 30.621.931,5;

b36

= 53.263,0; dan

c 36

=514,7. Maka model peramalan jumlah pemakaian energi listrik di PT PN

(Persero) Cabang Bukittinggi untuk m periode ke depan dengan
=0,027778 adalah sebagai berikut :

1
Ft +m =at + bt m+ c t m2 = 30.621.931,5 + 53.263,0 m
2

+ 514,7 m

Dengan cara yang sama dapat juga ditentukan model peramalan untuk
m periode ke depan dengan =0,10; 0,14; 0,17; 0,20 seperti langkah di
atas.

6. Periksa MSE

MSE

0,027778
4,7739

0,1
4,6208

0,14
4,60775

0,17
4,6008

0,20
4,59543

Nilai MSE minimum dihasilkan pada =0,20. Oleh karena ituparameter

yang digunakan dalam pemulusan eksponensial tripel untuk data ini
adalah =020.
7. Menentukan model untuk meramalkan kebutuhan energi listrik untuk m
periode ke depan
Berdasarkan hasil ramalan pada periode ke 36, dapat ditentukan
ramalan jumlah pemakaian energi listrik di PT PLN (Persero) Cabang
Bukittinggi untuk beberapa bulan mendatang. Ramalan untuk periode ke
37 adalah :

1
F37=a36 +b36 (1)+ c 36(1)2
2
= 32.788.969,9 + 352.626,2(1) + 15.081,2
2

(1)

= 33.149.136,7

Dengan bantuan Mc. Excel, didapat hasil ramalan jumlah pemakaian

energi listrik di PT PLN (Persero) Cabang Bukittinggi untuk beberapa tahun
mendatang. Hasil ramalan kebutuhan energi listrik di PT PLN (Persero)
Cabang Bukittinggi tahun 2010 dengan Metode Eksponensial Tripel Brown
adalah :
Tahun
2010

Bulan
Januari
Ferbruari
Maret
April
Mei
Juni
Juli

Periode
37
38
39
40
41
42
43

hasil
ramalan
33149136,7
33524384,7
33914713,8
34320124,1
34740615,6
35176188,2
35626842,0

Agustus
Septembe
r
Oktober
November
Desember

44

36092577,0

45
46
47
48

36573393,1
37069290,4
37580268,9
38106328,5

Daftar Putaka

Zamahsary, M. (2010). Peramalan Penjualan Sepeda Motor pada CV. Tjahaja Baru
Sumatera Barat, (pp. 19-35). Padang.

(2010). Peramalan pemakaian energi listrik di PT PLN (Persero) cabang Bukittinggi

Januari 2007-Desember 2009 (dalam KWh). Padang.