TINJAUAN PUSTAKA
2.1 Definisi Peramalan
X t X t 1 .... X t n1
St
n
Dimana:
St+1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.
Jika kita akan meramal jumlah order garmen pabrik pada tahun ke-
10, maka: Ilustrasi peramalan pada tabel yang dimulai dari tahun ke-2
adalah sebagai berikut:
Tabel 2.1 Contoh Perhitungan Metode Simple Average
1 100 …
2 200 100
3 300 150
X t X t 1 .... X t n1
St
n
Dimana:
St+1= Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.
Contoh perhitungan dengan t=4
𝑋12 + 𝑋13 + 𝑋14 + 𝑋15
𝐹16 =
4
14213 + 16027 + 14858 + 15212
𝐹16 =
4
𝐹16 = 15078
𝐹16 = 15119
1 9955
= konstanta pemulusan
Yt = data baru atau nilai Y yg sebenarnya pada periode t
Yˆt = nilai pemulusan yang lama atau rata-rata pemulusan
hingga periode t-1
Contoh:
∝ = 0,042
SES = (∝Xt + (1-∝) Ft-1)
SES = (0,042 x 9955 + (0,958) 9955) = 9,955
t X(t) F(t) Error Abs Error Error^2 PE Abs PE PEMBILANG PENYEBUT Abs Gal.R
1 9955 9955
2 9910 9955 -45,00 45,00 2025,00 -0,00005 0,00005 0,00039 0,0002 0,0045
3 9757 9953,11 -196,11 196,11 38459,13 -0,00020 0,00020 0,00002 0,0006 0,0154
4 9987 9944,873 42,13 42,13 1774,65 0,00004 0,00004 0,00020 0,0003 0,0236
5 9804 9946,643 -142,64 142,64 20346,94 -0,00015 0,00015 0,00003 0,0004 0,0183
6 9991 9940,652 50,35 50,35 2534,95 0,00005 0,00005 0,00054 0,0008 0,0191
7 9711 9942,766 -231,77 231,77 53715,63 -0,00024 0,00024 0,00018 0,0001 0,0280
8 9803 9933,032 -130,03 130,03 16908,36 -0,00013 0,00013 0,00002 0,0001 0,0095
9 9883 9927,571 -44,57 44,57 1986,56 -0,00005 0,00005 0,00001 0,0001 0,0082
10 9955 9925,699 29,30 29,30 858,56 0,00003 0,00003 0,00050 0,0006 0,0073
11 9705 9926,929 -221,93 221,93 49252,69 -0,00023 0,00023 0,00004 0,0002 0,0251
12 9857 9917,608 -60,61 60,61 3673,38 -0,00006 0,00006 0,00060 0,0009 0,0157
13 10156 9915,063 240,94 240,94 58050,70 0,00024 0,00024 0,00002 0,0008 0,0303
14 9876 9925,182 -49,18 49,18 2418,89 -0,00005 0,00005 0,00000 0,0000 0,0276
15 9937 9923,117 13,88 13,88 192,75 0,00001 0,00001 0,00000 0,0000 0,0062
𝑆5′ = (∝ 𝑥 𝑋5 ) + (1 − ∝) 𝑥 𝑆5−1
′
)
𝑆5′ = (0,4 𝑥 15541) + ((0,6) 𝑥 14884) = 15147
𝑆5" = (∝ 𝑥 𝑆5′ ) + ((1 − ∝) 𝑥 𝑆5−1
"
)
𝑆5" = (0,4 𝑥 15147) + ((0,6) 𝑥 14279) = 14626
𝑎5 = (2 𝑥 𝑆5′ ) − 𝑆5"
𝑎5 = (2 𝑥 15147) − 14626 = 15667
∝
𝑏5 = ( ) 𝑥(𝑆5′ − 𝑆5" )
1−∝
0,4
𝑏5 = ( ) 𝑥(15147 − 14626) = 347
0,6
𝐹5 = 𝑎5 + 𝑏5
𝐹5 = 15667 + 347 = 16014
7. Linear Regresi
Ada 2 pendekatan dalam melakukan peramalan berdasarkan
menggunakan analisis deret waktu engan metode regresi sederhana, yaitu:
1. Analisis deret waktu untuk regresi sederhana linier
2. Analisis deret waktu untuk regresi sederhana yang non linier
Dalam analisis deret waktu yang linier adalah analisis pola
hubungan yang dicari dengan satu variabel yang mempengaruhinya :
waktu. Sedangkan analisis deret waktu yang non linier, merupakan analisis
hubungan antara variabel yang dicari dengan hanya satu (1) yang
mempengaruhinya, yaitu variabel waktu.
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 + b X.......
Dimana a dan b adalah merupakan parameter (koefisien regresi)
yang harus dicari. Untuk mencari nilai a dapat digunakan dengan
menggunakan rumus :
a=
Y b X
n n
atau :
a= Y -b X
kemudian nilai b dapat dicari dengan rumus :
n XY X Y
b=
n X 2 ( X ) 2
Perhitungan manual:
(24 𝑥 4509303) − (300 𝑥 359365))
𝑏= = 14,99
(24 𝑥 4900) − 90000
359365 − (14,99 𝑥 300)
𝑎= = 14786,16
24
𝐹5 = (14786,16) + ( 14,99𝑥 4) = 14846
Dimana:
E= Xt− Ft (kesalahan pada periode ke – t)
X = data aktual pada periode ke – t
F = nilai ramalan pada periode ke – t
n = banyak periode waktu
1. Pendekatan Otokorelasi
Peramalan yang digunakan diorientasikan pada waktu yang akan datang
didasarkan pengetahuan maupun peramalan pada waktu yang lalu.
2. Pendekatan Ukuran Simpangan PeramalanPemilihan teknik peramalan
juga didasarkan pada error (e) yang merupakan selisih nilai data yang
ada dengan nilai proyeksinya pada setiap periode peramalan. Errorr
yang digunakan sebagai ukuran simpangan peramalan berupa MSE
(Mean Square Errorr). Secara sederhana dapat diketahui bahwa besar
MSE berarti semakin besar selisih antara data historis yang ada (yang
sesungguhnya) dengan nilai proyeksinya, sebaliknya semakin kecil MSE
berarti semakin akurat peramalannya.
3. Pendekatan Horison Waktu
Menurut Hanke dan Reitsch (1995:117) selain berdasarkan hasil analisis
otokorelasi dan ukuran simpangan peramalan, teknik peramalan juga
dapat dipilih berdasarkan horizon waktu peramalannya.
- Fungsi Regresi
Digunakan untuk peramalan jangka pendek, menengah maupun
jangka panjang dan peramalannya bersifat kontinyu dengan asumsi
permintaan yang akandatang sama dengan permintaan yang lalu.
Fungsi regresi berupa fungsi konstan, fungsi linier dan fungsi
kuadratik.
2.9 Uji Kesalahan Peramalan (Uji Verifikasi)
Langkah penting setelah peramalan dilakukan adalah verifikasi peramalan
sedemikian rupa sehingga mencerminkan data masa lalu dan sistem penyebab
yang mendasari permintaan tersebut.Sepanjang representasi peramalan
tersebut dapat dipercaya, hasil peramalan dapat terus digunakan. Jika selama
proses verifikasi tersebut ditemukan keraguan validitas metode peramalan
yang digunakan, harus dicari metode lainnya yang lebih cocok. Validitas
tersebut harus ditentukan dengan uji statistis yang sesuai.
Setelah suatu peramalan dibuat, selalu timbul keraguan apakah perlu
dibuat suatu metode peramalan baru .Peramalan harus selalu dibandingkan
dengan permintaan aktual secara teratur.Pada suatu saat harus diambil
tindakan revisi peramalan apabila ditemukan bukti adanya perubahan pola
permintaan yang meyakinkan.Selain itu, penyebab perubahan pola
permintaan harus diketahui.Penyesuaian metode peramalan dilakukan segera
setelah perubahan pola permintaan diketahui.Terdapat banyak perkakas yang
dapat digunakan untuk memverifikasi peramalan dan mendeteksi perubahan
sistem penyebab yang melatarbelakangi perubahan pola permintaan.Bentuk
yang paling sederhana adalah peta kendali peramalan, mirip dengan peta
kendali kualitas.Peta kendali ini dapat dibuat dengan ketersediaan data yang
minim.
Adapun beberapa parameter analisis yang harus dipertimbangkan dalam
verifikasi metode analisis:
Akurasi
Akurasi atau kecermatan adalah ukuran yang menunjukan derajat
kedekatan hasil analis dengan kadar analit yang sebenarnya. Terkadang
masalah dalam menentukan akurasi adalah ketidaktahuan terhadap nilai
yang sebenarnya. Dalam beberapa tipe sampel kita dapat menggunakan
sampel yang telah diketahui nilainya dan mengecek metode
pengukuran kita gunakan untuk menganalisis sampel itu sehingga kita
mengetahui akurasi dari prosedur yang diujikan, metode ini disebut
dengan CRM (Certified Reference Method). Pendekatan lain adalah
dengan membandingkan hasilnya dengan hasil yang dilakukan oleh
laboratorium lain atau dengan menggunakan metode referen. Akurasi
juga dapat diketahui dengan melakukan uji peoleahan
kembali (recovery).Hasil uji ini akurasi dapat dinyatakan sebagai persen
perolehan kembali (recovery) analit yang ditambahkan pada
sampel. Rentang nilai penerimaan kecermatan suatu metode akan
bervariasi sesuai kebutuhannya.
Presisi
Presisi adalah ukuran yang menunjukkan derajat kesesuaian antara
hasil uji individual, diukur melalui penyebaran hasil individual dari rata-
rata jika prosedur diterapkan secara berulang pada sampel-sampel yang
diambil dari campuran yang homogen (Harmita, 2004).Presisi dapat
dibagi dalam dua kategori yaitu keterulangan atau ripitabilitas
(repeatability) dan ketertiruan (reproducibility). Ripitabilitas adalah nilai
presisi yang diperoleh jika seluruh pengukuran dihasilkan oleh satu
orang analis dalam satu periode tertentu, menggunakan pereaksi dan
peralatan yang sama dalam laboratorium yang sama. Ketertiruan adalah
nilai presisi yang dihasilkan pada kondisi yang berbeda, termasuk analis
yang berbeda, atau periode dan laboratorium yang berbeda dengan analis
yang sama.
Karena ketertiruan dapat memperbanyak sumber variasi, ketertiruan
dari analisis tidak akan lebih baik hasilnya dari nilai keterulangan.
Presisi dalam hal ripitabilitas diukur dengan menghitung relative
standarddeviation atau simpangan baku relatif (RSD) dari beberapa
ulangan dan dari nilai simpangan baku tersebut dapat dihitung nilai
koefisien varian (KV). Dari nilai KV yang diperoleh dibandingkan
dengan KV Horwitz yaitu suatu kurva berbentuk terompet yang
menghubungkan reproducibilitas (presisi yang dinyatakan sebagai
%KV) dengan konsentrasi analit.(Harvey, 2000).
Linieritas
Linieritas metode analisis menunjukkan kemampuan suatu metode
untuk memperoleh hasil uji, yang baik langsung maupun dengan definisi
transformasi matematis yang baik, proporsional dengan konsentrasi
analat dalam sampel pada range tertentu (Leyva, 2008). Linieritas dapat
diuji secara informal dengan membuat plot residual yang dihasilkan oleh
regresi linier pada respon konsentrasi dalam satu seri kalibrasi
(Thompson, 2002). Linieritas harus dievaluasi dengan pemeriksaan
visual terhadap plot absorbansi yang merupakan fungsi dari konsentrasi
analat.Jika hubungannya linier, hasil uji dievaluasi lebih lanjut secara
statistik dengan perhitungan garis regresi. Dalam penentuan linieritas,
sebaiknya menggunakan minimum lima konsentrasi. Rentang
penerimaan linieritas tergantung dari tujuan pengujian. Pada kondisi
yang umum, nilai koefisien regresi (r2) ≥ 0,99 (EMA, 1995).Sebagai
parameter adanya hubungan linier digunakan koefisien korelasi r pada
analisis regresi linier Y= aX+b. Hubungan linier yang ideal dicapai jika
nilai a=0 dan r=+1 atau -1 bergantung pada arah garis. Sedangkan b
menunjukan kepekaan analisis terutama instrumen yang digunakan.
Nilai koefisien korelasi yang memenuhi persyaratan adalah sebesar ≥
0,99970 (ICH, 1995), ≥ 97 (SNI) atau ≥ 0,9980(AOAC).
Limit Deteksi dan Limit Kuantitasi
Limit deteksi atau Limit of Detection (LOD) suatu metode analisis
adalah jumlah terkecil dari analit yang dapat dideteksi namun jumlah ini
belum tentu dapat dikuantisasi dengan presisi yang baik oleh metode
tersebut. Limit kuantitasi atauLimit of Quantitation (LOQ) yang disebut
juga limit determinasi adalah konsentrasi terendah dari analat yang dapat
ditentukan secara kuantitatif dengan presisi dan akurasi yang dapat
diterima. Giese dengan menentukan kurva kalibrasi menggunakan
sepuluh level konsentrasi, atau melakukan analisis blanko
berulang.Tetapi ada masalah dalam pendekatan menggunakan blanko
karena seringkali sulit diukur dan variasinya sangat tinggi.Lebih lanjut,
nilai yang didapat dengan pendekatan seperti ini tidak bergantung dari
analit. Limit deteksi hanya berguna untuk mengontrol ketidakmurnian
yang tidak diinginkan yang konsentrasinya harus tidak lebih dari level
tertentu dan mengontrol kontaminan dengan konsentrasi rendah,
sedangkan materi yang bermanfaat harus ada pada konsentrasi yang
cukup tinggi agar dapat menjadi fungsional. Limit deteksi dan kuantitasi
seringkali bergantung pada kemampuan instrumen (AOAC, 2002).
Limit deteksi dan limit kuantisasi, limit deteksi (LOD) adalah
konsentrasi terendah yang masih dapat terdeteksi oleh suatu alat. Besar
limit deteksi biasanya dinyatakan dengan nilai rata-rata blangko + 3 S,
dimana S adalah standar deviasi (simpangan baku) dari blangko.
Sedangkan limit kuantitasi adalah konsentrasi terendah yang dapat
ditentukan dengan besar presisi dan akurasi ynag dapat diterima. Besar
limit kuantitasi biasanya dinnyuatakan dengan nilai rata-rata blanko
+10 S. Cara lain untuk menentukan batas deteksi dan kuantitasi adalah
melalui penentuan rasio S/N (signal to noise ratio). Nilai simpangan
baku blanko ditentukan dengan cara menghitung tinggi derau pada
pengukuran blanko sebanyak 20 kali pada analit yang memberikan
respon (Harmita, 2004).
Uji t dan F
Uji signifikansi meliputi uji t-student dan uji F.Uji tmembandingkan
rata-rata ulangan yang dilakukan oleh dua metode dan membuat asumsi
dasar atau hipotesis nol, bahwa tidak ada perbedaan yang signifikan
antara nilai rata-rata dari dua set data (James, 1999). Uji t memberikan
jawaban ya atau tidak terhadap pembenaran dari hipotesis nol dengan
keyakinan yang pasti, seperti 95% atau bahkan 99%.Nilai kritik untuk t
didapat dari tabel pada derajat bebas yang tepat.Jika nilai t hitung lebih
besar dari nilai t tabel maka hipotesis nol dapat ditolak yang berarti
terdapat perbedaan yang signifikan antara dua metode.
Uji F atau uji rasio-varian digunakan untuk membandingkan antara
dua standar deviasi, yang berarti membandingkan pula ketelitian antara
dua metode.Asumsi dasar atau hipotesis nol dari uji ini adalah bahwa
tidak ada perbedaan yang signifikan antara dua standar deviasi.Hipotesis
nol ditolak jika nilai F hitung lebih besar dari nilai F tabel yang berarti
bahwa terdapat perbedaan yang signifikan antara ketelitian dua metode.
Anova
Selain uji t dan F juga digunakan uji One Way Anova untuk
menguji apakah rata-rata lebih dari dua sampel berbeda secara signifikan
atau tidak.Hipotesis nol (H0) yaitu rata-rata populasi adalah identik,
sedangkan hipotesis tandingannya (H1) yaitu rata-rata populasi tidak
identik.H0 diterima jika nilai probabilitas > 0.05 dan H0 ditolak jika
probabilitas < 0.05 (Santoso 2000).
Bahan Acuan
Bahan acuan memainkan peranan penting untuk mengeahui akurasi
dalam melakukan validasi atau verifkasi.Bahan acuan disini dapat
diartikan sebaga bahan atau zat yang memiliki sifat-sifat tertentu yang
cukup homogen dan stabil yang telah ditetapkan untuk dapat digunakan
dalam pengukuran atau dalam pengujian suatu contoh.Bahan acuan
dapat digunakan untuk mengontrol presisi pengukuran walaupun bahan
acuan tidak memiliki nilai acuan (assigned value), sedangkan untuk
kalibrasi atau untuk mengontrol kebenaran pengukuran hanya bahan
acauan yang memiliki nilai acuan yang dapat digunakan (Dara,
2010).Kalibrasi dan pengontrolan analisis sangat penting, karena
menyangkut kehandalan hasil pengujian.Untuk pengambilan keputusan
yang krusial diperlukan hasil pengujian yang dapat dipercaya (Nuryatini
2010).
Bahan acuan dapat dibagi menjadi dua yaitu Certified Reference
Material (CRM) dan Standard Reference Material (SRM). CRM dapat
ditelusur hingga standar internasional dengan ketidakpastian yang telah
diketahui dan oleh karena itu dapat digunakan untuk mengukur semua
aspek bias secara bersamaan, dengan asumsi bahwa tidak ada
ketidaksesuaian matriks. Perlu dipastikan bahwa nilai ketidakpastian
yang dimiliki cukup kecil sehingga dapat mendeteksi bias pada kisaran
tertentu. Tetapi jika nilainya tidak cukup kecil, penggunaan CRM masih
dianjurkan, tetapi dengan disertai dengan pengujian tambahan.Jika
diperlukan dan dapat dilakukan, sejumlah CRM yang sesuai dengan
matriks dan konsentrasi analit sebaiknya diujikan.
SRM dapat digunakan jika tidak ada CRM.SRM adalah material
yang telah dikarakterisasi dengan baik untuk tujuan validasi. Hal yang
perlu diperhatikan adalah jika nilai bias tidak signifikan, hal ini bukan
berarti merupakan bukti bahwa tidak adanya bias sama sekali. Akan
tetap jika terdapat bias yang signifikan, hal ini menandakan perlunya
investigasi lebih lanjut. SRM dapat berupa material yang telah
dikarakterisasi oleh produsen CRM tetapi tidak dilengkapi dokumen
mengenai nilai ketidakpastiannya atau material yang telah terkualifikasi
oleh sebuah manufakturer; materials yang dikarakterisasi dalam
laboratorium sebagai reference material, dan material yang
didistribusikan dalamproficiency test. Meskipun ketertelusuran dari
material tersebut dipertanyakan, jauh lebih baik untuk menggunakan
material tersebut dibandingkan tidak melakukan pengukuran terhadap
bias sama sekali. Material dapat digunakan dengan cara yang sama
seperti CRM, sekalipun tidak ada nilai ketidakpastian yang tercantum,
seluruh pengujian yang signifikan bergantung seluruhnya pada presisi
yang dapat diamati dari hasil (Thompson, 2002).