BAB I

PENDAHULUAN
1.1 Latar Belakang

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.

1.2 Rumusan Masalah

1. Bagaimana Arti dan Pentingnya Analisis Data Berkala?
2. Bagaimana Klasifikasi Gerakan/Variasi/Data Berkala?
3. Bagaimana Menentukan Trend?

1
 BAB II
PEMBAHASAN

2.1 Analisis Data Berkala

Data berkala ( time series data ) adalah data yang dikumpulkan dari waktu ke
waktu untuk menggambarkan perkembangan suatu kegiatan (perkembangan
produksi, harga, hasil penjualan, jumlah personil, penduduk, jumlah kecelakaan,
jumlah kejahatan, jumlah peserta KB, dan lain sebagainya).

Analisis data berkala memungkinkan kita untuk mengetahui perkembangan

suatu atau beberapa kejadian serta hubungan/pengaruhnya terhadap kejadian
lainnya. Misalnya, apakah kenaikan biaya iklan akan diikuti dengan kenaikan
penerimaan hasil penjualan; apakah kenaikan jumlah penggunaan pupuk diikuti
dengan kenaikan produksi padi; apakah kenaikan gaji diikuti oleh kenaikan
prestasi kerja; apakah penurunan bunga deposito diikuti oleh penurunan jumlah
tabungan deposito; apakah penurunan tarif pajak penghasilan diikuti oleh
kenaikannya. Dengan perkataan lain, apakah perubahan suatu kejadian
mempengaruhi kejadian lainnya, dan kalau memang ada pengaruhnya, berapa
besar pengaruh tersebut secara kuantitatif?

Jika biaya iklan naik Rp100 juta, berapa kenaikan hasil penjualan yang dapat
diharapkan; jika gaji naik 1 persen, berapa persen kenaikan prestasi kerja; jika
pupuk naik 10 juta ton, berapa ton produksi padi dapat diharapkan; jika berat
badan 1 persen, berapa persen kenaikan tekanan darah; jika pendapatan naik 1
persen, berapa persen kenaikan konsumsi. Dengan data berkala kita juga dapat
membuat ramalan-ramalan berdasarkan garis regresi atau garis trend.

Karena data berkala itu terdiri dari beberapa komponen, makan dengan
analisis data berkala kita dapat mengetahui masing-masing komponen, bahkan
dapat menghilangkan satu atau beberapa komponen kalau ingin menyelidiki

2
komponen tersebut secara mendalam tanpa kehadiran komponen lain. Data
berkala, karena adanya pengaruh dari komponen-komponen tersebut, selalu
mengalami perubahan sehingga apabila dibuat grafiknya akan menunjukkan
fluktuasi (fluctuation), yaitu gerakan naik turun.

Secara matematis suatu data berkala dari simbol Y1, Y2 ..... YI,...., Yn sebagai nilai
Y (yaitu produksi, hasil penjualan, ekspor, harga, dan lain sebagainya).

Y1 = data pada waktu pertama, Y2 = data pada waktu kedua,

Yi = data pada waktu i dan Yn = data pada waktu n.

3
 Y merupakan fungsi dari waktu , Y =F(X), di mana X = waktu

Apabila kita perhatikan peraga 9.1, jelas terlihat adanya fliktuasi harga dari
waktu ke waktu. Variasi data berkala di sebabkan oleh banyak faktor, antara lain
faktor ekonomi dan bukan ekonomi. Ada 4 macam gerakan yang menyebabkan
data berkala (Y) berfluktuasi

2.2 Klasifikasi Gerkan/ Variasi/ Data Berkala

Variasi data berkalaterdiri dari empat macam atau empat komponen sebagai
berikut:

1) Gerakan trend jangka panjang (long term movement or scular trend),

yaitu gerakan yang menunjukan arah perkembangan secara umum
(kecenderungan menaik/menurun). Perlu diketahui bahwa garis trend
sangat berguna untuk membuat ramalan (forecasting) yang sangat
diperlukan bagi perencanaan. Disingkat T (= trend )
2) Gerakan/variasi siklis (cyclical movement or variations), adalah
gerakan/variasi jangka panjang disekitar garis trend (berlaku untuk data
tahunan). Gerakan siklis ini bisa terulang setelah jangka tertentu (setiap
tiga tahun, lima tahun, atau lebih) dan bisa juga terulang dalam jangka
waktu yang sama. Business cycles (konjungtur) adalah suatu contoh
gerakan siklis yang menunjukan jangka waktu terjadinya kemakmuran
(prosperity), kemunduran (recession), depresi (depression), dan
pemulihan (recovery). Disingkat C (= cycle)
3) Gerakan/variasi musiman (seasonal movements/variations), adalah
gerakan yang mempunyai pola tetap dari waktu ke waktu, misalnya
menaiknya harga pohon cemara menjelang natal, meningkatnya harga-
harga bahan makanan dan pakaian menjelang hari raya idul fitri,
menurunnya harga beras pada harga panen, dan lain sebagainya.
Walaupun pada umumya gerakan musiman terjadi pada data bulanan

4
 yang dikumpulkan dari tahun ke tahun (lihat Tabel 9.1 dan peraga 9.1
yang menunjukan adanya penurunan harga tepung terigu sekitar bulan 5
dan 6, yaitu sekitar Mei dan Juni), gerakan musiman juga berlaku pada
data harian, mingguan, atau satuan waktu yang lebih kecil lagi. Disingkat
S (= seasonal)
4) Gerakan/variasi yang teratur (irregular or random movements), adalah
gerakan/variasi yang sifatnya sporadis, misalnya naik turunnya produksi
akibat banjir yang datangnya tidak teratur, gempa bumi, tsunami, gunung
meletus. Disingkat I (=irregular).

5
 Analisis data berkala (analisys of times series) pada umumnya terdiri dari
uraian (description) secara matematis tentang komponen-komponen yang
menyebabkan gerakan-gerakan atau variasi-variasi yang tercermin dalam fluktuasi.
Untuk mendapatkan pengertian yang lebih jelas, perhatikan grafik berkala yang
ideal seperti terlihat pada peraga 9.3 tersebut di atas.

Apabila gerakan trend, siklis, musiman, dan acak masing-masing diberi

simbol T , C, S, dan I, maka data berkala Y merupakan hasil kali dari 4 komponen
tersebut, yaitu :

Y = T× C × S × I (9.1)

Ada juga hasil statistik yang menganggap bahwa data berkala merupakan hasil
penjumlahan dari 4 komponen tersebut , yaitu :

Y=T + C + S + I (9.2)

6
 Data berkala dapat digunakan sebagai dasar pembuatan garis trend. Garis trend
dapat di pergunakan untuk membuat ramalan yang sangat di perlukan untuk dasar
perumusan perencanaan.

2.3 MENENTUKAN Trend

Terdapat beberapa metode yang umum di gunakan untuk menggambarkan garis

trend. Beberapa di antaranya adalah metode tangan bebes, metode rata-rata semi,
metode rata-rata bergerak, dan metode kuadrat terkecil. Bagian berikut akan
membahas masing-masing metode tersebut.

1. Metode Tangan Bebas

Langkah-langkah untuk menentukan garis trend dengan menggunakan metode
tangan bebas (free hand method) adalah sebagai berikut :
a. Buat sumbu tegak Y dan sumbu mendatar X.
b. Buat scatter diagram, yaitu kumpulan titik-titik koordinat (X , Y) ;
X = variabel waktu.
c. Dengan jalan observasi atau pengamatan langsung terhadap bentuk
scater diagram tariklah garis yang mewakili atau paling tidak
mendekati semua titik koordinat yang membentuk diagram pencar
tersebut. Misalnya Y = data berkala; X = waktu (tahun, bulan, dan lain
sebagainya).

Y : Y1, Y2, . . . . , Yi, . . . , Yn

X : X1, X2, . . . . , Xi, . . . , Xn

Cara menarik garis trend dengan tangan bebas merupakan cara yang
paling mudah, tetapi sifatnya sangat subjektif, maksudnya kalau ada
lebih dari satu orang diminta untuk menarik garis trend dengan cara ini
akan diperoleh garis trend lebih dari satu. Sebab masing-masing orang

7
mempunyai pilihan sendiri sesuai dengan anggapannya, garis mana yang
mewakili diagram pencar (scatter diagram) tersebut. Pedomannya
±50% titik berada di atas dan ±50% titik berada di bawah garis trend.

Tabel : garis trend dengan metode tangan bebas

Perhatikan bahwa titik-titik koordinat pada contoh tabel diatas

terletak di bawah dan di atas garis trend dan ada juga yang terletak tepat
pada garis trend. Ramalan dengan menggunakan garis trend lebih
realistis karena sudah memperhitungkan kemampuan masa lampau.
Dengan metode tangan bebas, diperoleh nilai ramalan Produksi pada
tahun 2010 kurang lebih sebesar . (Dapat dibaca pada skala).

Misalkan bahwa garis trend tersebut melewati titik koordinat untuk

tahun 2000 dan 2009. Kalau tahun 2000 dan 2009 nilai X sama dengan
0 dan 9, maka kita bisa mengatakan bahwa garis trend yang lurus
mempunyai persamaan Y= a + bX

8
Seperti telah dijelaskan sebelumnya bahwa metode tangan bebas lebih
bersifat subjektif, maka untuk memperoleh garis trend yang lebih
objektif adalah dengan dua titik koordinat yaitu titik awal dan titik akhir.
Dalam contoh ini, kita anggap tahun 2000 sebagai titik asal (X = 0),
2001 titik pertama (X = 1), dan seterusnya. Titik asal dapat berubah-
ubah. Jika 2000 digunakan sebagai titik asal, maka untuk tahun 2000 (X
= 1), 2001 (X = 2), dan seterusnya.

Jika 2000 sebagai titik asal dan 2009 titik akhir, maka kita peroleh dua
titik koordinat {(0,2)} dan {(9,21)}, apabila nilai-nilai ini kita masukan
ke persamaan garis lurus Y= a + bX kita peroleh persamaan berikut:

Y = a + bX
2 = a + b(0)
a = 2
21 = a + b(9)
21 = 2 + 9b
9b = 21 - 2
9b = 19
b = 19 / 9
b = 2,11

Jadi: Y = 2 + 2,11 X (X = Variabel waktu)

b = 2,11 berarti bahwa setiap tahun secara rata-rata terjadi
kenaikan Produksi sebesar 2,11 ton.

9
 Untuk meramalkan tahun 2010 dan 2011, maka nilai x (10 dan 11) harus
dimasukkan dala persamaan tersebut. Jadi, ramalan Produksi tahun 2010
dan 2011 adalah:

Produksi tahun 2010 = 2 + 2,11(10)

= 23,1 ton

Produksi tahun 2011 = 2 + 2,11(11)

= 25,21 ton

Cara ini lebih objektif karena didasarkan atas perumusan matematis dan
bukan didasarkan atas penilaian individu yang sering dipengaruhi oleh
subjektifitas pribadi

2. Metode Rata-Rata Semi

Cara dengan metode rata-rata semi ini memerlukan langka-langkah

sebagai berikut:

a. Data di kelompokkan menjadi dua, masing-masing kelompok harus

mempunyai jumlah data yang sama. Jika ada 10 data masing-
masing 5,8 data di kelompokkan menjadi dua dengan jumlah
masing-masing 4,6 data di kelompokkan menjadi dua dengan
jumlah masing-masing 3 (kalau datanya ganjil, hilangkan salah
satu, yaitu yang berada di tengah), 9 data masing-masing 4,7 data di
kelompokkan menjadi dua dengan jumlah masing-masing 3, dan
lain sebagainya.
b. Masing-masing kelompok di cari rata-ratanya, katakanlah 𝑌̅1 dan
𝑌̅1 , yang merupakan ordinatnya.
c. Titik obsis harus dipilih dari variabel X yang berada di tengah
masing-masing kelompok (tahun atau waktu yang di tengah ).

10
 Data 6 tahun : 𝑋1, 𝑋2, 𝑋3, 𝑋4, 𝑋5, 𝑋6
0 1
⏟ 2 3 4 5
⏟
I II

1 dan 4 merupakan titik absis ( artinya tahun ke dua dan kelima

sebagai absis ).
Data 8 tahun: 𝑋1, 𝑋2, 𝑋3, 𝑋4, 𝑋5, 𝑋6, 𝑋7, 𝑋8
0 1
⏟ 2 3 ⏟
4 5 6 7
I II

1,5 dan 5,5 merupakan titik absis (absis pertama antara tahun ke dua
dan ketiga serta absis ke dua antara tahun ke enam dan ke tujuh).

Data 7 tahun: 𝑋1, 𝑋2, 𝑋3, 𝑋4, 𝑋5, 𝑋6, 𝑋7

0 1 2 3
⏟ 4 5 6
⏟
I II

3 hapus, 1 dan 5 merupakan absis (tahun ke dua dan keenam

sebagai absis).

d. Titik koordinat trditi dari b) dan c) di masukkan ke dalam

persamaan Y = a + bX, untuk menghitung a dan b: 𝑌̅1 dan 𝑌̅2 di
pergunakan sebagai nilai Y.

11
Cara membuat rend dengan rata – rata semi

Kita peroleh dua titik koordinat {(1,5), (11.428,5)} dan {(5,5), (13.846,2)}.
Kemudian nilai – nilai ini dimasukkan ke dalam persamaan Y = a + bX, sebagai
berikut :
11.428,5 = a + b(1,5) ... (1)
13.846,2 = a + b (5,5) ... (2)
Dari (1) a = 11.428,5 – 1,5b, masukkan ke (2)

13.468,2 = 11.428,5 – 1,5b + 5,5b

= 11.428,5 – 4b

4b = 2.417,7

b = 604,42

a = 11428,5 – 1,5(604,42)

= 10.521,87

Sehingga : Y = 10.521,87 + 604,42X (X = variabel waktu)

12
 Dari persamaan di atas, diramalkan PDB untuk tahun 2000 dan tahun
2001 sebagai berikut :

PDB2000 (X = 8) Y = 10.521,87 + 604,42(8)

= 15.357,23

PDB2001 (X = 9) Y = 10.521,87 + 604,42(9)

= 15.961,65

Metode rata – rata semi ini tidak memerlukan gambar (grafik). Kia
dapat memperoleh nilai ramalan langsung dari persamaan. Sedangkan
dengan metode tangan bebas, hasil ramalan harus dibaca dari skala pada
sumbu Y. Dari conto soal 9.2, (b = 604,42), diperlihatkan bahwa rata –
rata kenikan per tahun Produk Domestik Bruto adalah Rp 604,42 miliar,
yang ternyata lebih rendah dari pada dengan cara menghubungkan titik
rendah dan tinggi.

3. METODE RATA – RATA BERGERAK

Apabila kita mempunyai data berkala sebanyak t : Y1, Y2, . . . . , Yi , . . . . , Yt,

maka rata – rata bergerak (moving average) n waktu merupakan (tahun, bulan,
minggu, hari) merupakan urutan rata –rata hitung sebagai berikut :

𝑌1 +𝑌2 + ...+ 𝑌𝑛 𝑌2 + 𝑌3 + ...+ 𝑌𝑛+1 𝑌3 + 𝑌4 + ... + 𝑌𝑛+2

, , , . .. Dan seterusnya.
𝑛 𝑛 𝑛

Setiap rata – rata hitung di atas disebut total bergerak (moving total), yang
barguna untuk mengurangi variasi dari asli data asli. Di dalam data berkala, rata
– rata bergerak sering dipergunkan untuk memuluskan fluktuasi yang terjadi
dalam data tersebut. Proses pemulusan ini disebut pemulusan data berkala.

Apabila rata – rata bergerak dibuat dari data tahunan atau bulanan dengan
orde n (movig average of order n ).

13
14
 Dari grafik diatas bisa dilihat bahwa makin besar derajat rata – rata bergerak,
semakin mulus bentuk kurva. Maksudnya, makin berkurang fluktuaasinya maka
tampak dengan jelas adanya trend (dalam hal ini trend yang menurun).

Dengan mengunakan rata – rata bergerak untuk mencari trend, maka

kehilngan beberapa data dibandingkan dengan data asli. Artinya, banyaknya
rata-rata bergerak menjadi tidak sama dengan banyaknya data asli. Dari contoh
ini, jumlah data asli yang tadinya 11 berkurang menjadi 8 pada rata-rata
bergerak 4 tahun, kemudian berkurang 5 tahun. Pada umumnya, jumlah data
asli berkurang sebanyak (n – 1); n = derajat rata-rata bergerak, yaitu banyaknya
data (dengan deikian banyaknya waktu) untuk menghitung rata-rata bergerak.

4. METODE KUADRAT KECIL

Ditulis sebagai persamaan garis lurus :

𝑌 ′ = 𝑎 + 𝑏𝑋

di mana
Y’ = data berkala (time series data)
X = waktu (hari, minggu, bulan, tahun)
a dan b = bilangan konstan.

Jadi, mencari garis trend berarti mencari nilai a dan b. Apabila a dan b sudah
diketahui, maka garis trend tersebut dapat dipergunakan untuk meramalkan Y.
Untuk mencari persamaan trend garis lurus dengan metode kuadrat kecil dapat
dilkukan dengan beberapa cara.

Cara 1 :

15
Pada cara pertma ini, untuk mengadakan perhitungan diperluan nilai tertentu
pada varibel waktu (X) sedemikian rupa, sehigga jumlah nilai variabel waktu
adalah nol.

∑ 𝑋𝑖 = 0
𝑖=1

Misalnya :

Untuk n = 3, maka 𝑋1 , 𝑋2 , 𝑋3
−1, 0, 1

Untuk n = 4, maka 𝑋1 , 𝑋2 , 𝑋3 , 𝑋4
−3, −1, 1, 3

Pada umumnya, yang diberi nilai 0 adalah variabel waktu yang letaknya
ditengah.
(a) Untuk n ganjil n = 2k + 1

2k = n – 1

k = 0

X 𝑛−1
k+1 =
2
n = 3 𝑛−1 2
k= 2
= 2

=3 X k + 1 = X2 = 0
n = 4
5 k=2

= 2 X k + 1 = X3 = 0
n = 7 6
k=2
= 3 X k + 1 = X4 = 0, dan seterusnya.

16
 Jarak antara dua waktu diberi nilai satu satuan. Di atas diberi tanda +
dan dibawahnya diberi tanda - (0, 1, 2, . . . dan . . . , -3, -2, -1, 0), atau . . . ,
-3, -2, -1. 0, 1, 2, 3, . . .

(b) Untuk n genap → n = 2k

𝑛
=
2
Xk + (k + 1) = 0, artinya titik 0 terletak antara Xk dan Xk + 1 (seolah-
olah disisipkan dan tak perlu dituliskan untuk n genap).

X {𝑘+(𝑘+1)
2
} 5
= X( )
2

= X2,5

Yang dibagi dua adalah {k + (k + 1)}

𝑛
n=4→ k = 2
4
= 2

= 2 → 𝑋2,5 = 0

6
n =6→ k = 2

= 3 → X3,5 = 0 (terletak antara 3 dan 4)

8
n=8→ k = 2

= 4 → X4,5 = 0 (terletak antara 4 dan 5)

17
Jarak antara dua waktu diberi nilai dua satuan. Di atas 0 diberi tanda + di
bawahnya tanda  (0, 1, 3, 5, 7, 9, . . . . dan . . . , 9, 7, 3, 1, 0) atau . . .
7, 5, 1, 1, 3, 5, 7, . . .

Seperti telah disebutkan sebelumnya, mencari garis trend juga berarti

mencari nilai a dan b dari persamaan garis trend Y’ = a + bX. Kalau kita
perhatikan, garis trend dimaksudkan untuk mewakili suatu diagram pencar.
Tidak semua titik koordinat yang membentuk diagram pencar tersebut
terletak tepat pada garis trend.

Metode Least Square : Metode yang digunakan untuk analisis time series
adalah Metode Garis Linier Secara Bebas (Free Hand Method), Metode
Setengah Rata-Rata (Semi Average Method), Metode Rata-Rata Bergerak
(Moving Average Method) dan Metode Kuadrat Terkecil (Least Square
Method). Dalam hal ini akan lebih dikhususkan untuk membahas analisis
time series dengan metode kuadrat terkecil yang dibagi dalam dua kasus,
yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis
linier dari analisis time series adalah : Y = a + b X. Keterangan : Y adalah
variabel yang dicari trendnya dan X adalah variabel waktu (tahun).
Sedangkan untuk mencari nilai konstanta (a) dan parameter (b) adalah :
a = ΣY / N dan b =ΣXY / ΣX2

18
Contoh Kasus Data Ganjil :
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995
sampai dengan 2003

Tahun Penjualan (Y) X XY X2

1995 200 -4 - 800 16

1996 245 -3 - 735 9

1997 240 -2 - 480 4

1998 275 -1 - 275 1

1999 285 0 0 0

2000 300 1 300 1

2001 290 2 580 4

2002 315 3 945 9

2003 310 4 1.240 16

Jumlah 2.460 775 60

Untuk mencari nilai a dan b adalah sebagai berikut :

a= 2.460 / 9 = 273,33 dan b = 775 / 60 = 12,92
Persamaan garis liniernya adalah : Y = 273,33 + 12,92 X. Dengan
menggunakan persamaan tersebut, dapat diramalkan penjualan pada tahun
2010 adalah : Y = 273,33 + 12,92 (untuk tahun 2010 nilai X adalah 11),
sehingga : Y = 273,33 + 142,12 = 415,45 artinya penjualan barang “X”
pada tahun 2010 diperkirakan sebesar 415.450 unit

19
Contoh Kasus Data Genap :
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995
sampai dengan 2002

Tahun Penjualan (Y) X XY X2

1995 200 -7 - 1.400 49

1996 245 -5 - 1.225 25

1997 240 -3 - 720 9

1998 275 -1 - 275 1

1999 285 1 285 1

2000 300 3 900 9

2001 290 5 1.450 25

2002 315 7 2.205 49

Jumlah 2.150 1.220 168

Untuk mencari nilai a dan b adalah sebagai berikut :

a = 2.150 / 8 = 268,75 dan b = 1.220 / 168 = 7,26
Persamaan garis liniernya adalah : Y = 268,75 + 7,26 X. Berdasarkan
persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah :
Y = 268,75 + 7,26 (untuk tahun 2008 nilai X adalah 19), sehingga : Y =
268,75 + 137,94 = 406,69 artinya penjualan barang “X” pada tahun 2008
diperkirakan sebesar 406,69 atau 406.690 unit.

Selain dengan menggunakan metode tersebut di atas, juga dapat dipakai

dengan metode sebagai berikut :

20
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995
sampai dengan 2002

Tahun Penjualan (Y) X XY X2

1995 200 -3 - 700 12,25

1996 245 -2½ - 612,5 6,25

1997 240 -1½ - 360 2,25

1998 275 -½ - 137,5 0,25

1999 285 ½ 142,5 0,25

2000 300 1½ 450 2,25

2001 290 2½ 725 6,25

2002 315 3½ 1102,5 12,25

Jumlah 2.150 610,0 42,00

Untuk mencari nilai a dan b adalah sebagai berikut :

a = 2.150 / 8 = 268,75 dan b = 610 / 42 = 14,52
Persamaan garis liniernya adalah : Y = 268,75 + 14,52 X. Berdasarkan
persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah :
Y= 268,75 + 14,52 (untuk tahun 2008 nilai X adalah 9½), sehingga : Y =
268,75 + 137,94 = 406,69 artinya penjualan barang “X” pada tahun 2008
diperkirakan sebesar 406.690 unit.

21
 BAB III
PENUTUP
3.1 Kesimpulan
Data berkala adalah data yang dikumpulkan dari waktu ke waktu untuk
menggambarkan perkembangan suatu kegiatan (perkembangan produksi, harga,
hasil penjualan, jumlah personil, penduduk, jumlah kecelakaan, jumlah
kejahatan, jumlah peserta KB, dan lain sebagainya). Data berkala itu terdiri dari
beberapa komponen, maka dengan analisis data berkala kita bisa mengetahui
masing-masing komponen, bahkan dapat menghilangkan satu atau beberpa
komponen kalau kita ingin menyelidiki komponen tersebut secara mendalam
tanpa kehadiran komponen lain.

22