FORECASTING1
Peramalan merupakan bagian awal dari suatu proses pengambilan suatu
Metode Delphi
Tahapan yang dilakukan adalah:
Riset Pasar
Metode ini mengumpulkan dan menganalisa fakta secara sistematis pada
bidang yang berhubungan dengan pemasaran. Salah satu teknik utama adalah
survei pasar yang akan memberikan informasi mengenai selera yang
diharapkan konsumen, dimana informasi tersenut diperoleh dengan cara
kuesioner.
4.
5.
Analogi Historis
Metode ini berdasarkan pada data masa lalu dari produk-produk yang dapat
disamakan secara analogi. Analogi historis cenderung akan menjadi terbaik
untuk penggantian produk di pasar dan apabila terdapat hubungan substitusi
langsung dari produk dalam pasar itu.
Peramalan Kuantitatif
Data historis masa lalu digunakan untuk meramalkan permintaan masa
depan. Ada dua kelompok besar metode kuantitatif, yaitu:
Metode time series
Metode time series adalah metode yang digunakan untuk menganalisis
serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan
beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola
dasarnya dapat diidentifikasikan semata-mata atas dasar data historis serial itu.
Ada empat komponen utama yang mempengaruhi yaitu:
a. Pola siklis (cycle)
Penjualan produk dapat memiliki siklus yang berulang secara periodik.
Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang
terkadang memiliki kecenderungan periodik. Komponen siklis ini sangat
berguna dalam peramalan jangka menengah.
c. Pola horizontal
Pola data ini terjadi apabila data berfluktuasi di sekitar nilai rata-rata.
B.
3)
4)
1)
e. Siklis
Metode Dekomposisi
Peramalan yang ditentukan dengan kombinasi dari fungsi yang ada
sehingga tidak dapat diramalkan secara biasa. Model tersebut didekati dengan
fungsi linier atau siklis, kemudian bagi t atas kwartalan sementara berdasarkan
pola data yang ada. Metode dekomposisi merupakan pendekatan peramalan yang
tertua. Terdapat beberapa pendekatan alternatif umtuk mendekomposisikan suatu
derat berkala yang semuanya bertujuan memisahkan setiap komponen deret data
seteliti mungkin.
Metode Kausal
Peramalan dengan metode kausal mendasarkan hasil ramalan yang disusun
atas pola hubungan antara variabel yang dicari atau diramalkan dengan variabelvariabel yang mempengaruhinya yang bukan waktu. Dalam analisa ini,
diasumsikan bahwa faktor atau variabel yang menunjukkan suatu hubungan
pengaruh sebab akibat dengan satu atau lebih variabel bebas. Sebagai contoh,
permintaan akan baju baru mungkin berhubungan dengan banyaknya populasi
pendapatan masyarakat, jenis kelamin, budaya daerah, dan bulan-bulan khusus.
Jadi, maksud dari analisa metode kausal adalah untuk menemukan bentuk
pola hubungan yang saling mempengaruhi antara variabel yang dicari dan
variabel-variabel yang mempengaruhinya, serta menggunakajaringan neuralya
untuk meramalkan nilai-nilai dari variabel pada masa yang akan datang. Metode
kausal dapat dipergunakan dalam peramalan dengan keberhasilan yang lebih
besar, sehingga sering dipergunakan untuk pengambilan keputusan.
Metode kausal terdiri dari:
1. Metode regresi dan korelasi
Metode regresi dan korelasi didasarkan pada penetapan suatu persamaan
estimasi menggunakan teknik least squares. Ketepatan peramalan dengan
metode ini sangat baik untuk peramalan jangka pendek, sedangkan untuk
peramalan jangka panjang ternyata ketepatajaringan neuralya kurang begitu
baik.
2. Model Ekonometri
Metode ini didasarkan atas peramalan pada sistem persamaan regresi yang
diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun
untuk jangka panjang, ketepatan peramalan dengan metode ini sangat baik.
Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data
kuartalan beberapa tahun.
3.
Model Output-Input
Metode ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka
panjang. Model ini kurang baik ketepatajaringan neuralya untuk peramalan
jangka pendek, dan sangat baik ketepatajaringan neuralya untuk peramalan
jangka panjang. Data yang digunakan untuk metode ini adalah data tahunan
selama sekitar sepuluh sampai lima belas tahun.
2.
3.
persamaan reduksi.
Mendapatkan nilai estimasi dari koefisien struktural asli dari
koefisien reduksi yang ditaksir dari langkah kedua.
2.
Data diatas diurutkan (dari terkecil sampai terbesar atau sebaliknya) menjadi :
180, 171, 170, 167, 166, 165, 164, 160, 147, 145
Jumlah individu dalam kelompok tersebut adalah genap, maka nilai tengahnya
adalah dua angka yang ditengah dibagi dua, atau rata-rata dari dua angka yang
tengah. Nilai tengah dari kelompok tersebut adalah, nilai ke 5 dan ke 6. Mediannya = 166 + 165 : 2 = 165,5. Dengan demikian dapat dijelaskan rata-rata median
tinggi badan kelompok mahasiswa itu adalah 165, 5 cm.
Modus (Nilai Yang Paling Banyak Muncul)
Pengertian modus adalah teknik penjelasan kelompok yang didasarkan atas
nilai yang sedang populer (yang sedang menjadi mode) atau nilai yang sering
muncul dalam kelompok tersebut.
Contoh Modus Pada Data Kualitatif :
Tahun 2000 di Medan, banyak mahasiswa yang naik sepeda. Sehingga dapat
menjelaskan dengan modus, bahwa kelompok mahasiswa di Medan masih banyak
yang naik sepeda.
Contoh Modus Pada Data Kuantitatif :
Umur pegawai kantor X adalah :
20, 45, 60, 56, 45, 45, 20, 19, 57, 45, 45, 51, 35
Dari data diatas, dapat dilihat bahwa yang paling banyak muncul adalah umur 45.
Munculnya sebanyak 5 kali, jadi dapat dijelaskan bahwa kelompok pegawai
kantor Y sebagian besar berumur 45 tahun.
Kurtosis (Keruncingan)4
2.
3.
Jika data memiliki nilai Z-Kurtosis < -1,96, berarti data memiliki
keruncingan Leptokurtik.
2.
Jika data memiliki nilai Z-Kurtosis > +1,96, berarti data memiliki
keruncingan Platikurtik.
3.
Jika data memiliki nilai Z-Kurtosis antara -1,96 dan +1,96, berarti data
memiliki keruncingan Mesokurtik.
DISTRIBUSI DISKRIT
Jenis-jenis Distribusi Diskrit5
5 Ronald E. Walpole, Pengantar Statistika Edisi Ketiga, (Jakarta: PT Gramedia Pustaka
Utama, 2005), hlm. 116
Pada peubah acak diskrit, setiap nilainya dikaitkan dengan peluang tertentu.
Misalnya, dalam pelemparan uang logam sebanyak tiga kali, peubah acak X, yaitu
banyaknya sisi gambar, mengaitkan peluang sebesar 3/8 pada nilai peubah acak 2,
karena 3 diantara 8 titik contoh mempunyai kemungkinan yang sama untuk
menghasilkan 2 sisi gambar dan 1 sisi angka. Dengan mengasumsikan peluang
yang sama untuk setiap kejadian sederhana, maka peluang M bernilai 0 adalah 1/3.
Semua kemungkinan nilai m berikut peluangnya dicantumkan dalam tabel
berikut :
Tabel 1. Asumsi Peluang
m
P(M = m)
0
1
/3
1
1
/2
3
1
/6
Distribusi Seragam6
Diantara semua sebaran peluang diskrit, yang paling sederhana adalah sebaran
seragam diskrit. Dalam sebaran ini, setiap niali peubah acak mempunyai peluang
terjadi yang sama. Parameter pengujian distribusi seragam adalah lower and
upper endpoint.
Bila peubah acak X mempunyai nilai-nilai x1, x2,,xk, dengan peluang
yang sama, maka sebaran seragam diskritnya diberikan oleh
1
f ( x , k )= ,untuk x=x 1 , x 2 , , x k
k
Distribusi Binomial
Suatu percobaan sering kali terdiri atas ulangan-ulangan, dan masingmasing mempunyai dua kemungkinan hasil yang dapat diberi nama berhasil atau
gagal. Misalnya saja dalam pelemparan sekeping uang logam sebanyak 5 kali,
hasil setiap ulangan mungkin muncul sisi gambar atau sisi angka. Kemudian dapat
ditentukan salah satu diantara keduanya sebagai berhasil. Begitu pula bila 5 kartu
6 Ibid., hlm. 152-174
diambil berturut-turut, kita dapat memberi label berhasil bila yang terambil adalah
kartu merah atau gagal bila yang terambil adalah kartu hitam. Bila setiap kali
kartu dikembalikan sebelum pengambilan berikutnya, maka kedua percobaan
yang disebutkan diatas mempunya ciri-ciri yang sama, yaitu bahwa ulanganulangan tersebut bersifat bebas dan peluang keberhasilan setiap ulangan tetap
sama yaitu sebesar
Parameter pengujian dari distribusi binomial adalah event probability dan number
of trials.
Percobaan binom adalah percobaan yang memiliki ciri-ciri berikut :
1. Percobaannya terdiri atas n ulangan.
2. Dalam setiap ulangan, hasilnya dapat digolongkan sebagai berhasil atau
gagal.
3. Peluang berhasil, yang dilambangkan dengan p, untuk setiap ulangan adalah
sama, tidak berubah-ubah.
4. Ulangan-ulangan itu bersifat bebas satu sama lain.
Bila suatu ulangan binom mempunyai peluang keberhasilan p dan peluang
kegagalan q = 1 p, maka sebagai peluang bagi peubah acak binom X, yaitu
banyaknya keberhasilan dalam n ulangan yang bebas, adalah
()
b ( x ; n )= n p x qn x untuk x=0,1,2, , n
x
Distribusi Hypergeometric
Cara sederhana untuk membedakan distribusi Hypergeometric dengan
2. Sebanyak k benda dapat diberi nama sukses sedangkan sisanya, N-k, diberi
nama gagal, sehingga distribusi peluang peubah acak Hypergeometric X
(banyaknya sukses dalam sampel acak ukuran n yang diambil dari N benda
yang mengandung k bernama sukses dan N-k bernama gagal adalah :
k N k
n nx
h ( x ; N , n , K )=
untuk x =1,2, . , n
N
n
( )( )
()
( )
Distribusi Geometric
Bila tindakan yang bebas dan berulang-ulang dapat menghasilkan
keberhasilan dengan peluang p dan kegagalan dengan peluang q = 1- p, maka
sebaran peluang bagi peubah acak X, yaitu banyaknya ulangan sampai munculnya
keberhasilan yang pertama, diberikan menurut rumus
g ( x ; p )= pq x1 , untuk x=1,2,3,
Parameter dari pengujian distribusi geometric adalah event probability.
Distribusi Poisson
Percobaan yang menghasilkan nilai-nilai bagi suatu peubah acak X, yaitu
banyaknya hasil percobaan yang terjadi selama suatu selang waktu tertentu atau di
suatu daerah tertentu, sering disebut dengan percobaan Poisson. Selang waktu
tersebut dapat berapa saja panjangnya, misalnya semenit, sehari, seminggu,
sebulan, atau bahkan setahun. Dengan demikia suatu percobaan Poisson dapat
saja membangkitkan pengamatan-pengamatan bagi peubah acak X yang
menyatakan banyaknya dering tilpu per jam di suatu kantor, jumlah hari sekolah
ditutup karena turunnya salju dimusin dingin, atau banyaknya pertandingan yang
tertunda karena hujan selama satu musin kompetisi sepakbola. Daerah tertentu
yang dimaksudkan diatas dapat saja berupa suatu ruas garis, suatu luasan, suatu
volume, atau mungkin sepotong bahan. Dalam hal demikian ini, X mungkin saja
menyatakan banyaknya tikus sawah per hektar, banyaknya bakteri dalam suatu
kultur biakan, atau banyaknya kesalahan ketik per halaman. Parameter dari
pengujian distribusi poisson adalah mean.
Sebaran peluang bagi peubah acak Poisson X yang menyatakan banyaknya
hasil percobaan yang terjadi selama suatu selang waktu atau daerah tertentu,
adalah
x
p ( x ; ) =
e
,untuk x=1,2,
x!
Sedangkan dalam hal ini adalah rata-rata banyaknya hasil percobaan yang
terjadi selama selang waktu atau dalam daerah yang dinyatakan, dan e = 2.71828..
Distribusi Bernoulli
Proses Bernoulli adalah proses untuk menghasilkan peluang pada
distribusi Binomial. Peluang terambilnya kartu As di setiap pengambilan satu
kotak kartu merupakan salah satu contoh percobaan Bernoulli. Parameter
pengujian distribusi Bernoulli adalah event probability.
Jenis-jenis Distribusi Kontinu7
7 http://industri.ums.ac.id/sites/default/files/materi/Praktikum%20statistik%20MODUL%20II.pdf
(diakses pada : Jumat, 31 Maret 2016, pukul 18:27 WIB)
Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua
nilai pada skala kontinu. Ruang sampel kontinu adalah bila ruang sampel
mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi
kontinu adalah apabila fungsi f(x) adalah fungsi padat peluang peubah acak
kontinu X yang mendefinisikan atas himpunan semua bilanga riil R bila :
1. F(x) 0 untuk semua x R
2.
f ( x ) dx=1
3.
P ( a< X <b )= f ( x ) dx
Distribusi Normal8
Distribusi peluang kontinu yang terpenting dalam seluruh bidang statistika adalah
distribusi normal. Grafiknya, disebut kurva normal, berbentuk lonceng seperti
pada gambar 1.1. yang menggambarkan dengan cukup baik banyak gejala yang
muncul di alam, industrim dan penelitian. Pengukuran fisik dibidang seperti
percobaan meteorologi, penelitian curah hujan, dan pengukuran suku cadang yang
diproduksi sering dengan baik dan diterangkan menggunakan distribusi normal.
Disamping itu dalat dalam pengukuran ilmiah dapat dihampiri dengan sangat baik
oleh distribusi normal. Pada tahun 1733, Abraham DeMoivre menemukan
persamaan matematika kurva normal. Ini merupakan dasar bagi banyak teori
statistika induktif. Distribusi normal sering pula disebut dengan Distribusi Gauss
untuk menghormati Karl Friedrich Gauss (1777-1855), yang juga menemukan
persamaannya waktu meneliti galat dalam pengukuran yang berulang-ulang
mengenai bahan yang sama. Parameter dari pengujian distribusi normal adalah
mean dan standard deviation.
Fungsi padat peubah acak normal X, dengan rataan dan variansi adalah:
1
( )[(x)/ ]
1
n ( x ; , )=
e 2
,< x<
2
2
Dengan
Distribusi T
Jarang sekali orang begitu beruntung mengetahui variansi populasi yang
sampel acaknya ingin diambil. Untuk sampel ukuran n 30, taksiran
yang
baik dapat menghitung niali S2. Parameter dari pengujian distribusi T adalah
degrees of freedom.
Misalkan Z peubah acak normal baku dan V peubah acak khi-kuadrat
dengan derajat kebebasan v. bila Z dan v bebas, maka distribusi peubah acak T,
bila
T=
z
,
V / v
Diberikan oleh
t
1+ v
( v +1)/2
h (t)=
v
( ) v
2
2
v1
dan
v2
U /v 1
U /v 2
Diberikan oleh
v1
dan
v2
( 1+ v 2 )/2
2
v1 / v v
1/2
v1
1
2
v2
v
v 1 /2
(1+ 1 ) (v + v )/ 2,
2
v2
h ( f ) =
( )
v1
dan
v2
mengambil
v
= dan =2,
2
1
v
2
v
2 ( )
2
v
1
2
x
2
dan
x 1 e x , x> 0
f ( x )=
0
untuk x lainnya
Dengan
1
e[ ln ( t ) ] /(2 )
f ln ( x ; , ) = 2 t
x 0
0
2
10 http://informatika.stei.itb.ac.id/~rinaldi.munir/Probstat/20102011/Beberapa
%20Distribusi%20Pel uang%20Kontinu.pdf (diakses pada 30 Maret 2016 pukul 18.33
WIB)
fxk(x)=
k x k ex
( k1 ) !
0
K= 1,2,3,...; X0
11 http://lontar.ui.ac.id/file?file=digital/20284595-S1138-Christian%20Tulus.pdf
(diakses pada 30 Maret 2016, pukul 18.35 WIB)
fxk ( t ) dt
Fxk(x) = P[Xkx] =
0
k1
( x ) j e(x)
= 1-
j!
j=0
E[Xk]
xf x k ( x ) dx =
=
0
x
0
k x k ex
dx
( k1 ) !
1
k x k ex dx
( k1 ) ! 0
Distribusi Eksponensial12
Distribusi Eksponensial memiliki pertalian erat dengan distribusi Poisson. Jika
pada Poisson, peubah acak Poisson X menggambarkan jumlah keluaran yang
terjadi pada suatu selang waktu atau luas daerah tertentu, maka peubah acak
Eksponensial X menggambarkan panjang rentang waktu antara suatu kejadian
dengan kejadian lainnya. Parameter dari pengujian distribusi eksponensial adalah
scale dan threshold.
dan
1
x 1 e x/ , x >0
f ( x )= ( )
0
untuk x lainnya
Distribusi Triangular
Digunakan dalam situasi ketiadaan data, terutama jika minimum (a),
maximum (b) dan mode (m) dapat diperkirakan. Parameter dari pengujian
distribusi triangular adalah lower endpoint, mode dan upper endpoint.
Mean
: (a + m + b) / 3
Varians
14 http://repository.usu.ac.id/bitstream/123456789/25085/3/Chapter%20II.pdf (diakses
pada 30 Maret 2016 pukul 18.38 WIB)
Distribusi Cauchy15
Distribusi Cauchy atau yang sering diketahui adalah distribusi Lorentz,
fungsi Lorentz atau distribusi Breit-Wigner.
distribusi yang tidak memiliki rata-rata, varian atau lebih tinggi dari yang
didefinisikan. Modus dan mean didefinisikan dengan baik dan keduanya sama
dengan X0. Parameter dari pengujian distribusi chauchy adalah location dan
scale.
Distribusi Cauchy merupakan distribusi probabilitas dibagi tak terhingga.
Ini juga merupakan sangat stabil. Distribusi Cauchy standar bertepatan dengan
distribusi t-Students dengan satu derajat kebebasan. Seperti semua distiribusi
stabil, skala keluarga lokasi yang distribusi Cauchy adalah univariat distribusi saja
yang tertutup dibawah transformasi fraksional linear dengan koefisien nyata.
Distribusi Cauchy memiliki fungsi kepadatan probabilitas:
f ( ; 0 , )=
[
[ ( )]
1
1+
(0 )2 + 2
15 http://lontar.ui.ac.id/file?file=digital/20284595-S1138-Christian%20Tulus.pdf
(diakses pada 30 Maret 2016 pukul 18.39 WIB)
Pengujian Distribusi16
Sering permasalahan yang dihadapi oleh peneliti atau insinyur tidak banyak
menyangkut penafsiran parameter suatu populasi, tetapi menyangkut cara
pengambilan keputusan berdasarkan data mengenai suatu sistem ilmu. Dalam
setiap kasus, peneliti akan membuat dugaan mengenai suatu sistem.
Bidang statistika berurusan dengan penarikan inferensi tentang populasi
dan
sifat
populasi.
Percobaan
yang
dilakukan
memberi
hasil
yang
dapat diturunkan dengan membuat penyesuaian dalam nilai kritis. Mungkin saja
perlu menaikkan ukuran sampel untuk mengimbangi penurunan dalam kuasa uji
yang terjadi secara otomatis.
Dalam beberapa angkatan analisis statistika, sudah merupakan kebiasaan
memilih
sebesar 0,05 atau 0,01 dan kemudian memilih daerah kritis yang
dipilih pada taraf keberartian 0,05 dan uji statistic mengenai distribusi
normal baku mislanya makan niali z ditentukan dari data dan daerah kritisnya,
yaitu
z > 1,96; z < -1,96 dan nilai 1,96 diperoleh dari z 0,025 pada tabel. Niali z jatuh pada
daerah kritis akan memunculkan kesimpulan: nilai uji statistic tersebut berarti.
Pernyataan ini dapat diterjemahkan ke bahasa pengguna. Sebagai contoh, bila
16 Walpole, Edisi ketiga, Op.Cit., hlm. 114
17 Walpole, Edisi Keempat. Op.Cit., hlm 341
hipotesisnya berbentuk H0
= 10 dan H1 :
PREDIKTIF (ANTISIPASI)
Penelitian prediktif adalah suatu penelitian yang digunakan untuk
meramalkan gejala yang mungkin terjadi pada masa yang akan datang,
berdasarkan proteksi dari hasil penelaahan terhadap gejala yang diamati melalui
evaluasi atau penyelidikan saat ini. Penelitian deskriptif dilakukan secara
koreksional dan kecenderungan melalui penelitian koreksional, selain dapat dicari
ada korelasi yang dicari variabelnya dan dapat dihitung regesinya. Penelitian
prediktif dilakukan menurut kecenderungan, dalam perkembangan selama jangka
waktu tertentu. Prediksi tentang jumlah penduduk lima atau sepuluh tahun yang
akan datang bisa dihitung berdasarkan perkembangan penduduk.18
D E PAR T E M E N T E K N I K I N D U S T R I
F A K U L T A S
T E K N I K