0

LAPORAN PRAKTIKUM

Kelas

ANALISIS RUNTUN WAKTU

MODUL : 3
DEKOMPOSISI

Nama

Nomor

Tanggal

Tanda Tangan

Praktikan

Mahasiswa

Kumpul

Praktikan

Slamet Abtohi

13611198

12 April 2016

Nama Penilai

Tanggal
Koreksi

Nilai

Tanda Tangan
Asisten

Dosen

Asriyanti Ali
Sri Siska Wirdaniyati
Arum Handini
Primandari, S.Pd.Si,
M.Sc.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2016

BAB I
PENDAHULUAN

1.1

Definisi Dekomposisi
Dekomposisi dalam peramalan merupakan metode yang menggunakan
empat komponen utama dalam meramalkan nilai masa depan, komponen
tersebut
Error atau

antara

lain Trend (Tt), Musiman (St), Siklik/siklus (Ct)

komponen

komponen-komponen

ketidakteraturan
tersebut

untuk

dan

(Et). Dekomposisi mengisolasi

kemudian

menyusun

kembali

komponen-komponen tersebut menjadi efek musiman, efek siklus, efek

trend, dan error. Metode dekomposisi klasik biasa kita kenal dengan
metode Census I.
Berikut adalah contoh data yang mengandung empat komponen
tersebut:

Gambar 1.1 Contoh data yang mengandung komponen trend,

musiman, siklus dan error
Secara umum terdapat dua jenis model dekomposisi antara lain:
1.1.1 Dekomposisi Aditif
Dekomposisi Aditif menghitung dekomposisi time series pada
komponen-komponen trend, musiman, siklus dan error. Metode ini

mengidentifikasi ramalan masa depan dan menjumlahkan proyeksi

yang hasil peramalan. Model diasumsikan bersifat aditif (semua
komponen ditambahkan untuk mendapatkan hasil peramalan)
Persamaan model ini adalah:
Xt = Tt + St + Ct + t
dimana T adalah trend, S adalah komponen musiman, C adalah
komponen siklik/siklis dan adalah error.
1.1.2 Dekomposisi Multiplikatif
Dekomposisi multiplikatif menghitung dekomposisi time series
pada komponen-komponen trend, musiman, siklus, dan error dan
kemudian memprediksi nilai masa depan. Model diasumsikan bersifat
multiplikatif (semua komponen dikalikan satu sama lain untuk
mendapatkan model peramalan).
Persamaan model ini adalah:
Xt = Tt * St * Ct * t

BAB II
DESKRIPSI KERJA

Pada bab ini praktikan akan mendeskripsikan langkah-langkah kerja dalam

melakukan

peramalan

menggunakan

metode

Dekomposisi

Musiman

(Multiplikatif) dengan menggunakan Microsoft Excel.

2.1 Studi Kasus
Berikut ini adalah data penjualan sepatu perusahaan XYZ, seorang pemilik
perusahaan ingin mengetahui perkembangan penjualannya untuk 6 bulan kedepan
guna menentukan sasaran pasar dan kebijakan yang akan diambilnya.
1.

Lakukan Forecast terhadap data penjualan sepatu tersebut untuk 6 bulan ke

depan dengan menggunakan metode Dekomposisi Musiman (Multiplikatif)
Tabel 2.1 Data penjualan sepatu

Tahun
2010

2011

Periode
(X)
Januari
1
Februari
2
Maret
3
April
4
Mei
5
Juni
6
Juli
7
Agustus
8
September
9
Oktober
10
November
11
Desember
12
Januari
13
Februari
14
Maret
15
April
16
Mei
17
Juni
18
Juli
19
Bulan

Data
(Y)
112
118
132
129
121
135
148
148
136
119
104
118
115
126
141
135
125
149
170

Tahun
2013

2014

Periode
(X)
Januari
37
Februari
38
Maret
39
April
40
Mei
41
Juni
42
Juli
43
Agustus
44
September
45
Oktober
46
November
47
Desember
48
Januari
49
Februari
50
Maret
51
April
52
Mei
53
Juni
54
Juli
55
Bulan

Data
(Y)
171
180
193
181
183
218
230
242
209
191
172
194
201
234
247
256
275
291
300

2012

Agustus
September
Oktober
November
Desember
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember

20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

170
158
133
114
140
145
150
178
163
172
178
199
199
184
162
146
166

2015

Agustus
September
Oktober
November
Desember
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember

56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72

312
267
249
232
220
230
260
295
325
354
375
390
405
365
345
320
300

2.2 Langkah Kerja

Berikut adalah langkah-langkah kerja dalam melakukan peramalan
menggunakan

metode

Dekomposisi

Musiman

(Multiplikatif)

dengan

Microsoft Excel :
1.

Berdasarkan studi kasus diatas, untuk melakukan peramalan dengan

metode dekomposisi musiman (multiplikatif), langkah pertama yang
harus dilakukan adalah menginputkan data pada studi kasus kedalam
lembar kerja Excel seperti berikut :

Gambar 2.1 Menginput data kedalam worksheet

2.

Setelah menginputkan data, praktikan akan melihat pola data

menggunakan chart dengan cara memblok semua data penjualan sepatu,
kemudian klik menu insert chart 2-D line Line with markers
seperti berikut:

Gambar 2.2 Membuat chart line

2.

Tahap selanjutnya adalah menghitung nilai CMA(t) untuk memisahkan

trend dan siklus, pada kasus diatas panjang musiman adalah genap, yakni
l=12, sehingga CMA(12) hasilnya ditempatkan pada data ke-tujuh seperti
berikut:

Gambar 2.3 Menghitung nilai CMA(t)

3.

Kemudian tarik pointer rumus CMA(12) sebelumnya hingga periode 67

tahun 2015. Selanjutnya menghitung nilai rasio dengan cara data ke-t
dibagi dengan nilai CMA(t) yang telah didapat sebelumnya kemudian
dikali dengan 100, dimana t adalah periode yaitu 7,8,9,...,67.

Gambar 2.4 Menghitung nilai rasio

4.

Kemudian tarik pointer hingga periode ke 67 tahun 2015. Selanjutnya

hitung Regresi dengan langkah sebagai berikut : Tools Data Data
Analysis

Regression

Input

Range,

yaitu

dengan

mengeblok/mensorot Data(Y) Input X Range, yaitu dengan mensorot

data periode Checklist pada Residuals dan Confidence level (isi
sebesar 95%) OK seperti gambar berikut :

Gambar 2.5 Mencari model regresi dengan Ms. Excel

5.

Kemudian, copy output regresi kedalam sheet yang sama dengan data.
Didapatkan model regresi y a bx

y 83,31612 3,291948x

Gambar 2.6 Output Regresi

6.

Kemudian hitung nilai trend pada periode ke-7 sampai ke-72 dengan cara
memasukkan data periode kedalam persamaan regresi sebagai x dengan
cara mengunci nilai a dan b pada rumus, kemudian tarik pointer hingga
periode ke-72.

Gambar 2.7 Menghitung nilai trend

7.

Selanjutnya mencari nilai siklus dengan cara CMA(t) dibagi dengan Tt

(nilai trend) yang didapatkan sebelumnya kemudian dikali dengan 100,
dimana t adalah periode yaitu 7,8,9,...,67.

Gambar 2.8 Menghitung nilai siklus

8.

Tarik pointer hingga periode ke-67. Kemudian tentukan nilai rata-rata

medial dengan cara membuat urut-urutan seperti pada gambar dibawah
ini :

Gambar 2.9 Layout menentukan rata-rata medial

9.

Langkah awal yaitu mentranspose nilai rasio dari bulan juli tahun 2010
(periode ke-7) sampai bulan juli tahun 2015. Misalkan untuk nilai rasio
bulan juli tahun 2010, salin nilai rasio tahun 2010 yaitu mulai dari bulan
juli sampai desember, perhatikan gambar berikut!

Gambar 2.10 Mencopy nilai rasio

10. Kemudian tempel di tabel rasio yang baru yang telah dibuat berdasarkan
urutan tahun dan masing-masing bulan dengan cara, klik di baris 2010
kolom juli, klik kanan paste special... pilih values centang
transpose klik OK.

Gambar 2.11 Mentranspose nilai rasio

Sehingga diperoleh hasil seperti berikut :

Gambar 2.12 Hasil mentranspose nilai rasio

11. Lakukan hal yang sama untuk mentranspose nilai rasio selanjutnya
sampai pada bulan juli tahun 2015.
12. Selanjutnya menghitung nilai rata-rata medial untuk setiap bulan, dengan
rumus perhitungan sebagai berikut:

Gambar 2.13 Menghitung nilai rata-rata medial untuk bulan januari

13. Lakukan hal yang sama untuk menghitung nilai rata-rata medial untuk
bulan februari sampai desember dengan cara menyesuaikan jumlah nilai
k (nilai pada baris). Kemudian jumlahkan nilai rata-rata medial dari bulan
januari sampai bulan desember.

10

Gambar 2.14 Menghitung jumlah nilai rata-rata medial

14. Selanjutnya adalah mencari nilai Adj dengan menggunakan rumus

Adj

100 L
, dengan jumlah l=12, maka nilai Adj dapat dihitung
Rmi

dengan rumus sebagai berikut :

Gambar 2.15 Menghitung nilai Adj

15. Langkah berikutnya adalah menghitung indeks musiman dengan cara
mengalikan nilai Rmi pada tiap bulan dengan nilai Adj seperti berikut :

Gambar 2.16 Menghitung nilai Indeks musiman

16. Lakukan langkah yang sama untuk menghitung indeks musiman pada
bulan berikutnya. Kemudian transpose nilai Indeks musiman yang telah

11

dihitung sebelumnya kedalam kolom Indeks musiman baru yang

diletakkan sejajar dengan data Siklus seperti berikut.

Gambar 2.17 Mentranspose nilai indeks musiman

17. Lakukan ulang langkah yang sama pada tahun berikutnya (2011-2015)
dengan menyesuaikan nilai indeks musiman pada tiap-tiap bulan.
Kemudian hitung nilai error (Et) dengan cara membagi nilai rasio
dengan indeks musiman, kemudian kali dengan 100.

Gambar 2.18 Menghitung nilai error

18. Tarik pointer hingga diperoleh nilai error pada periode ke-67. Kemudian
hitung nilai peramalan dengan cara mengalikan nilai trend dengan nilai
siklus dibagi 100 kemudian dikalikan dengan nilai indeks musiman
dibagi 100. Jika tidak terdapat komponen siklus (kosong), maka
peramalan cukup dengan menggunakan komponen trend dengan indeks
musiman.

12

Gambar 2.19 Menghitung nilai peramalan

19. Lakukan peramalan hingga diperoleh angka peramalan pada periode ke72 dengan memperhatikan ada tidaknya nilai siklus. Langkah
selanjutnya, praktikan akan melakukan peramalan sebanyak 6 periode
kedepan, dengan cara menuliskan nilai periode yang akan dicari (73
sampai 78), sehingga dapat diperoleh nilai Trend (Tt) dengan cara
menarik pointer pada periode ke-72 hingga periode ke-78. Kemudian
lakukan peramalan dengan cara yang sama seperti langkah 18.

Gambar 2.20 Melakukan peramalan pada 6 periode berikutnya

20. Setelah selesai menghitung nilai peramalan, langkah selanjutnya adalah
menghitung nilai error untuk mencari SSE dan MSE, kemudian hitung
nilai APE untuk mencari MAPE dengan langkah-langkah yang sama
seperti pada praktikum sebelumnya.

BAB III
PEMBAHASAN

Pada bab ini praktikan akan menjelaskan hasil peramalan data pada studi
kasus tentang data perusahaan sepatu XYZ, yakni melakukan peramalan 6 periode
kedepan guna menentukan sasaran pasar dan kebijakan yang akan diambil oleh
pemilik perusahaan. Berdasarkan kasus tersebut, sebelum melakukan peramalan,
praktikan akan melihat bentuk pola data terlebih dahulu untuk mengetahui metode
yang tepat digunakan dalam peramalan, adapun pola data dapat dilihat pada
output grafik berikut :

Pola data penjualan sepatu

450
400
350
300
250
200
150
100
50

Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April
Juli
Oktober

Gambar 3.1 Output grafik data penjualan sepatu

Berdasarkan gambar 3.1 dapat diketahui bahwa pola data membentuk siklus
dan trend musiman. Trend penjualan dari tahun ketahun selalu naik dengan
membentuk pola musiman, jumlah penjualan tertinggi pada umumnya ada pada
pertengahan tahun yakni bulan juni dan juli. Setiap tahun pola data selalu
mengalami fluktuasi dan perubahan yang sangat signifikan. Berdasarkan grafik
tersebut, selanjutnya praktikan akan melakukan peramalan dengan menggunakan
metode dekomposisi multiplikatif karena perubahan fluktuasi data dari tahun ke
tahun cukup signifikan.
13

14

Berdasarkan hasil ramalan dengan metode dekomposisi multiplikatif, untuk

periode 6 bulan kedepan, yakni pada bulan Januari, Februari, Maret, April, Mei,
dan Juni, diperoleh output sebagai berikut :

Gambar 3.2 Output hasil ramalan

Pada gambar 3.2, diperoleh hasil ramalan penjualan untuk tahun 2016 yakni
pada bulan Januari sebanyak 288 unit, pada bulan Februari sebanyak 311 unit,
pada bulan Maret sebanyak 339 unit, bulan April sebanyak 335 unit, bulan Mei
sebanyak 344 unit dan bulan Juni sebanyak 376 unit. Adapun grafik perbandingan
antara data asli dengan data ramalan dapat dilihat pada gambar 3.3 berikut :
Grafik Perbandingan Data Ramalan dengan Data Asli

Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April
Juli
Oktober
Januari
April

450
400
350
300
250
200
150
100
50
0

Data Asli

Data Ramalan

Gambar 3.3 Grafik perbandingan data ramalan dengan data asli

Secara objektif, hasil ramalan memiliki pola yang hampir serupa dengan
data asli, yakni membentuk pola trend naik dan membentuk pola musiman. Untuk
mengetahui keakuratan hasil peramalan, selanjutnya dapat dilihat besarnya ukuran
error, pada kasus ini praktikan menggunakan nilai 3 nilai ukuran error, yakni

15

SSE, MSE dan MAPE. Adapun output dari ketiga nilai ukuran error tersebut
dapat dilihat pada output berikut :

Gambar 3.4 Output ukuran error

Berdasarkan gambar 3.4, dapat diketahui bahwa nilai ukuran error diperoleh
sebesar 22394,13 untuk SSE, 311,03 untuk MSE dan 5,53% untuk MAPE.
Dengan demikian, hasil ramalan memiliki tingkat kesalahan sebesar 5,53% dari
data yang sebenarnya, sehingga dengan menggunakan metode dekomposisi
multiplikatif dianggap cukup mampu untuk meramalkan penjualan sepatu pada
periode berikutnya di tahun 2016, karena memiliki nilai error yang kecil.
.

BAB IV
PENUTUP

Dari hasil pembahasan dapat disimpulkan beberapa hal yaitu adalah sebagai
berikut :
1) Pola data penjualan sepatu pada perusahaan XYZ membentuk trend musiman
dengan perubahan/fluktuasi data cukup signifikan, sehingga digunakan
metode dekomposisi multiplikatif untuk melakukan peramalan.
2) Hasil ramalan penjualan untuk tahun 2016 yakni pada bulan Januari sebanyak
288 unit, pada bulan Februari sebanyak 311 unit, pada bulan Maret sebanyak
339 unit, bulan April sebanyak 335 unit, bulan Mei sebanyak 344 unit dan
bulan Juni sebanyak 376 unit.
3) Nilai ukuran error diperoleh sebesar 22394,13 untuk SSE, 311,03 untuk MSE
dan 5,53% untuk MAPE. Dengan demikian, hasil ramalan memiliki tingkat
kesalahan sebesar 5,53% dari data yang sebenarnya, sehingga dengan
menggunakan metode dekomposisi multiplikatif dianggap cukup mampu
untuk meramalkan penjualan sepatu pada periode berikutnya di tahun 2016,
karena memiliki nilai error yang kecil.

16

DAFTAR PUSTAKA

Amora, Ria. Primandari, Arum H., dkk. 2016. Analisis Runtun Waktu.Yogyakarta:
FMIPA UII
Ariyoso.2009.Dekomposisi Time Series. https://ariyoso.wordpress.com/2009/
12/06/dekomposisi-time-series/ diakses tanggal 10 April 2016 Pukul 20:56
WIB

17