BAB I

PERAMALAN (Forecasting)
A. Definisi Peramalan dan Kegunaanya
Defenisi Peramalan (Forecasting) Peramalan atau forecast adalah merupakan suatu fungsi
bisnis yang berusaha memperkirakan penjualan dan pengunaan produk sehingga produk-
produk itu dapat dibuat dalam kuantitas yang tetap). Tujuan dari peramalan adalah untuk
menentukan jumlah permintaan produk pada masa yang akan datang. Adapun kegunaan dari
peramalan adalah
a. Menentukan besarnya ekspansi pabrik
b. Menentukan rencana jangka menengah produk yang ada dan dibuat dengan fasilitas
yang ada.
c. Untuk menentukan rencana jangka pendek.
B. Klasifikasi Metode Peramalan
Klasifikasi peramalan merupakan identitas dari peramalan itu sendiri. Peramalan memiliki
dua klasifikasi peramalan diantaranya sebagai berikut :
1. Peramalan berdasarkan teknik penyelesaiannya, yang terdiri dari:
a. Teknik peramalan secara kualitatif
Peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode Delphi penelitian
pasar dan lain-lain. Bertujuan untuk menggabungkan seluruh informasi yang diperoleh
secara logika, unbased & sistematis yang dihubungkan dengan faktor interest pengambil
keputusan. Beberapa teknik kualitatif yang sering dipergunakan adalah:
1) Delphi Method
2) Market Research
3) Panel Consensus
4) Visionary Forecast
5) Historical Analogue
6) Management Estimate
b. Teknik peramalan secara kuantitatif
Digunakan pada saat data masa lalu cukup tersedia. Beberapa teknik kuantitatif yang
sering dipergunakan:
a) Time Series Model
b) Causal Model
C. Langkah Kerja Dalam Sistem Peramalan
Berdasarkan pendapat Sofjan Assauri (1999, p33) Peramalan yang baik adalah peramalan
yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Pada
dasarnya ada tiga langkah peramalan, yaitu:
1. Pertama, menganalisa data yang lalu. Tahap ini berguna untuk pola yang terjadi pada masa
lalu. Analisis ini dilakukan dengan cara membuat tabulasi dari data yang lalu. Suatu
langkah yang penting dalam memilih metode analisis deret waktu adalah
mempertimbangkan jenis pola yang terdapat dari data observasi sehingga metode tersebut
dapat ditest. Ada empat jenis pola data :
a. Pola Horizontal atau stationary, Bila nilai-nilai dari data observasi berfluktuasi sekitar
nilai konstan rata-rata atau dapat dikatakan pola ini sebagai stationary pada rata-rata
hitungnya (means). Missal suatu produk mempunyai jumlah penjualan yang tidak
menaik atau menurun selama beberapa waktu.
b. Pola Musiman atau Seasonal, Bila suatu deret waktu dipengaruhi oleh faktor musim
(seperti kuartalan, bulanan, mingguan, harian). Misal minuman segar, ice cream, jasa
angkutan, dan lain sebagainya. Data runtut waktu yang berkaitan dengan adanya
kejadian yang berulang secara teratur dalam setiap tahun. Misal volume penjualan buku
pelajaran pada awal-awal tiap tahun ajaran baru.
c. Pola Siklus atau Cyclical, Bila data observasi dipengaruhi oleh fluktuasi ekonomi
jangka panjang yang berkaitan atau tergabung dengan siklus usaha. Ada produk yang
penjualannya menunjukan pola siklus seperti mobil sedan, besi baja, dan perkakas atau
peralatan bengkel.
d. Pola trend, Bila ada pertambahan/kenaikan atau penurunan daru data observasi untuk
jangka panjang. Pola ini terlihat pada penjualan produk dari banyak perusahaan.
Merupakan komponen data runtut waktu yang berkaitan dengan adanya kecenderungan
(meningkat, menurun) dalam jangka panjang (biasanya sepuluh tahun atau lebih).
2. Kedua, menentukan metode yang dipergunakan. Metode peramalan yang baik adalah
metode yang memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang
terjadi. Ada dua pendekatan umum yang digunakan dalam peramalan ;
a. Peramalan kuantitatif, menggunakan berbagai model matematis yang menggunakan
data histories dan atau variable-variabel kausal untuk meramalkan permintaan.
b. Peramalan kualitatif atau peramalan subyektif, memanfaatkan faktor-faktor penting
seperti intuisi, pengalaman pribadi, dan system nilai pengambilan keputusan.
D. Kriteria Peramalan
Karakteristik dari peramalan yang baik harus memenuhi beberapa kriteria yaitu
dari hal-hal sebagai berikut:
1. Ketelitian/Keakuratan
Tujuan utama peramalan adalah menghasilkan prediksi yang akurat.
Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan
(inventory). Peramalan yang terlalu tinggi akan menyebabkan inventory yang
berlebihan dan biaya operasi tambahan.
2. Biaya
Biaya untuk mengembangkan model peramalan dan melakukan peramalan
akan menjadi signifikan jika jumlah produk dan data lainnya semakin besar.
Mengusahakan melakukan peramalan jangan sampai menimbulkan ongkos
yang terlalu besar ataupun terlalu kecil. Keakuratan peramalan dapat
ditingkatkan dengan mengembangkan model lebih komplek dengan
konsekuensi biaya menjadi lebih mahal. Jadi ada nilai tukar antara biaya dan
keakuratan.
3. Responsif
Ramalan harus stabil dan tidak terpengaruhi oleh fluktuasi demand.
4. Sederhana
Keuntungan utama menggunakan peramalan yang sederhana yaitu kemudahan
untuk melakukan peramalan. Jika kesulitan terjadi pada metode sederhana,
diagnosa dilakukan lebih mudah. Secara umum, lebih baik menggunakan
metode paling sederhana yang sesuai dengan kebutuhan peramalan.
 BAB II
PERAMALAN DATA
A. Prediction Error Dalam Peramalan
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah
indikator. Indikator-indikator yang umum digunakan adalah rata-rata penyimpangan absolut
(Mean Absolute Deviation), rata-rata kuadrat terkecil (Mean Square Error), rata-rata persentase
kesalahan absolut (Mean Absolute Percentage Error), validasi peramalan (Tracking Signal),
dan pengujian kestabilan (Moving Range).
1. Mean Absolute Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-
kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur ketepatan ramalan
dengan merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD
berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Nilai
MAD dapat dihitung dengan menggunakan rumus sebegai berikut.

2. Mean Square Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan.
Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan
dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena
kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan
sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan
perbedaan yang besar.

3. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan
absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu.
Kemudian, merata-rata kesalahan persentase absolut tersebut. Pendekatan ini berguna
ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan
ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang
dibandingkan dengan nilai nyata.
4. Tracking Signal
Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah suatu
ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual. Nilai
Tracking Signal dapat dihitung dengan menggunakan rumus sebegai berikut.

Tracking signal yang positif menunjukan bahwa nilai aktual permintaan lebih besar
daripada ramalan, sedangkan tracking signal yang negatif berarti nilai aktual permintaan
lebih kecil daripada ramalan. Tracking signal disebut baik apabila memiliki RSFE yang
rendah, dan mempunyai positive error yang sama banyak atau seimbang dengan negative
error, sehingga pusat dari tracking signal mendekati nol. Tracking signal yang telah
dihitung dapat dibuat peta kontrol untuk melihat kelayakkan data di dalam batas kontrol
atas dan batas kontrol bawah.
5. Moving Range (MR)
Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai
peramalan. Data permintaan aktual dibandingkan dengan nilai peramal pada periode yang
sama. Peta tersebut dikembangkan ke periode yang akan datang hingga dapat dibandingkan
data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian
kestabilan sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta
Moving Range adalah sebagai berikut.

Jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasi
maka harus ditentukan apakah data harus diabaikan atau mencari peramal baru. Jika
ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya.
Penemuan itu mungkin saja membutuhkan penyelidikan yang ekstensif. Jika semua titik
berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan
telah cukup baik. Jika terdapat titik yang berada di luar batas kendali, jelas bahwa
peramalan yang didapat kurang baik dan harus direvisi.
 Kegunaan peta Moving Range ialah untuk melakukan verifikasi hasil peramalan least
square terdahulu. Jika peta Moving Range menunjukkan keadaan diluar kriteria kendali.
Hal ini berarti terdapat data yang tidak berasal dari sistem sebab-akibat yang sama dan
harus dibuang maka peramalan pun harus diulangi lagi.
B. Limit Prediksi
Hasil peramalan yang telah didapatkan pada tahap sebelumnya akan dianalisis tingkat
akurasi. Hasil data peramalan dari metode ARIMA (Autoregressive Integrated Moving
Average) akan dibandingkan dengan data aktual yang ada. Dari hasil perbandingan tersebut
akan diperoleh selisih antara data peramalan dan data nyata, untuk selanjutnya dihitung nilai
MAPE (Mean Absolute Percentage Error). Dari hasil perhitungan tersebut akan diketahui
tingkat akurasi peramalan dengan metode ARIMA (Autoregressive Integrated Moving
Average).
C. Updating Forecast
Peramalan pada umumnya adalah suatu proses yang terus menerus atau berkelanjutan.
Dalam peramalan terdapat dua fase yaitu fase pembangunan model yang meliputi tahap
identifikasi model, estimasi parameter dan verifikasi model. Fase kedua adalah fase permalan
yang meliputi tahap pembangunan ramalan, uji stabilitas sementara yang kita peroleh dari tahap
pembentukan model, dan tahap terakhir pembaharuan ramalan.
Ketika data baru menjadi tersedia (data yang diramalkan telah tersedia) kita dapat dengan
cepat pahami bahwa ramalan perlu diperbaharui. Pembaharuan peramalan sendiri bertujuan
untuk mendapatkan nilai ramalanyang lenih akurat dari model peramalan yang stabil. Sehingga
pada akhirnya model tersebut dapat digunakan terus menerus sampai beberapa periode ke
depan tanpa harus mengulangi tahap iteratif peramalan dari fase pambangunan model selama
kestabilan model tidak terganggu.
 BAB III
PERAMALAN DALAM MODEL REGRESI
A. Model Regresi Linier dan Non Linier
1. Model regresi linier
Model regresi liner merupakan suatu model yang parameternya linier (bias saja fungsinya
tidak berbentuk garus lurus), dan secara kuantitatif dapat digunakan untuk menganalisis
pengaruh suatu variabel terhadap variabel lainnya. Analisis regresi menyangkut studi tentang
hubungan antara satu variabel Y yang disebut variabel tak bebas atau variabel yang dijelaskan
(dependend variable) dan satu atau lebih variabel X1, X2, ...., Xp, yang disebut variabel bebas
atau variabel penjelas (independent variable). Persamaan regresi yang hanya terdiri dari satu
variabel bebas, maka model tersebut dikenal dengan sebutan regresi linier sederhana (simple
regression). Sedangkan jika dalam persamaan regresi terdapat lebih dari satu variabel bebas,
maka model yang diperoleh disebut dengan regresi linier Berganda (multiple regression).
a. Regresi Linear Sederhana
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji sejauh
mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel
Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut juga
dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga
dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple
Linear Regression) juga merupakan salah satu Metode Statistik yang dipergunakan dalam
produksi untuk melakukan peramalan ataupun prediksi tentang karakteristik kualitas
maupun Kuantitas.
Contoh Penggunaan Analisis Regresi Linear Sederhana dalam Produksi antara lain :
a. Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang dihasilkan
b. Hubungan Jumlah Pekerja dengan Output yang diproduksi
c. Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan.
Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :
Y = a + bX
Dimana:
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.
 Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

a = (Σy) (Σx²) – (Σx) (Σxy)

n(Σx²) – (Σx)²

b = n(Σxy) – (Σx) (Σy)

n(Σx²) – (Σx)²
Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi Linear
Sederhana
a) Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana
b) Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel Akibat (Response)
c) Lakukan Pengumpulan Data
d) Hitung X², Y², XY dan total dari masing-masingnya
e) Hitung a dan b berdasarkan rumus diatas.
f) Buatkan Model Persamaan Regresi Linear Sederhana.
g) Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel
Akibat.
b. Regresi linier berganda
Analisis regresi linier berganda adalah hubungan secara linear antara dua atau lebih
variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah
masing-masing variabel independen berhubungan positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami
kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Persamaan regresi linear berganda sebagai berikut:
Y’ = a + b1X1+ b2X2+…..+ bnXn
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)

2. Model regresi non linier

Regresi non linier adalah suatu metode untuk mendapatkan model non linier yang
menyatakan hubungan variabel dependen dan variabel independen. Regresi nonlinier dapat
mengestimasi model hubungan variabel dependen dan independen dalam bentuk non linier
dengan keakuratan yang lebih baik daripada regresi linier, karena dalam mengestimasi model
dipakai iterasi algoritma.
 Secara umum model regresi non linear dapat dinyatakan dalam persamaan :
y = f (x , β ) + ℇ
a. Langkah analisis
Melakukan penaksiran garis regresi untuk memprediksi pola hubungan antara variabel
respon (y) dan variabel prediktor (x). Hal ini dapat dilakukan dengan melihat scatter plot
antara y dan x. Model linear memiliki kurva yang membentuk garis lurus, sedangkan untuk
model non linear memiliki kurva yang membentuk garis lengkung.
a) Bentuk persamaan matematis model regresi non linear ada beberapa jenis,
diantaranya:
Polinomial, contoh :

y = β0 + β1x + β2x2 + ℇ (kuadratik)

y = β0 + β1x3 + β2x2 + β3x3 + ℇ (kubik)
Exponensial, contoh :

y = β0 e β1x + ℇ

b) Melakukan transformasi dari bentuk non linier ke bentuk linier untuk mendapatkan
linieritas dari hubungan non linier
B. Estimasi Parameter
Estimasi perameter adalah estimasi yang digunakan untuk menduga suatu populasi dari
sampel. Estimasi digolongkan menjadi dua, yaitu estimasi titik dan estimasi interval.
1. Estimasi Titik
Sebuah nilai tunggal yang digunakan untuk mengestimasi sebuah parameter disebut titik
estimator, sedangkan proses untuk mengestimasi titik tersebut disebut estimasi titik.
2. Estimasi interval
Sebuah estimasi interval dari sebuah parameter Ꝋ adalah suatu sebaran nilai nilai yang
digunakan untuk mengestimasi Ꝋ . Proses mengestimasi dengan suatu sebaran nilai nilai ini
disebut estimasi interval.
Konsep yang mendasar estimasi interval ini adalah sampel sampel yang diambil dari
suatu populasi yang akan berdistribusi disekitar µ, sedangkan deviasi standar saifat dari
distribusi sampelnya atau disebut standar eror.
Misalnya Ꝋ merupakan estimator untuk parameter Ꝋ , sedangka A dan B adalah nilai nilai
estimator tersebut berdasarkan suatu sampel tertentu, maka koefisien kepercayaanyya
dinyatakan dengan :
P(A < 0 < B) = 1 – α untuk 0 < α < 1
Dimana :
Interval (A < 0 < B) = interval kepercayaan (1- α) 100% A dan B = batas batas kepercayaan
 BAB IV
PERAMALAN DALAM MODEL EKSPONENSIAL SMOOTHING

A. Analisis Time Series

Analisis time series dikenalkan oleh George E. P. Box dan Gwilym M. Jenkins pada tahun
1970 melalui bukunya yang berjudul Time Series Analysis: Forecasting and Control (Iriawan
dan Astuti, 2006: 341). Analisis time series merupakan metode peramalan kuantitatif untuk
menentukan pola data pada masa lampau yang dikumpulkan berdasarkan urutan waktu, yang
disebut data time series. Beberapa konsep yang berkaitan dengan analisis time series adalah
Autocorrelation Function (ACF) atau fungsi autokorelasi dan Partial Autocorrelation Function
(PACF) atau fungsi autokorelasi parsial. Autokorelasi merupakan korelasi atau hubungan antar
data pengamatan suatu data time series.
Menurut Makridakis (1999: 338), koefisien autokorelasi untuk lag–k dari data runtun waktu
dinyatakan sebagai berikut:
nk

Z t  Zt  Z t k  Zt 
rk   k  t 1
 2.1
Z 
n 2
t  Zt
t 1

Dengan
rk  Koefisien autokerelasi
Zt  Nilai variabel Z pada waktu t
Zt  k  Nilai variabel Z pada waktu t  k
Zt  Nilai rata-rata variabel Zt

Menurut Mulyana (2004: 8), karena rk merupakan fungsi atas k , maka hubungan koefisien

autokorelasi dengan lag nya disebut dengan fungsi autokorelasi dan dinotasikan dengan  k .
Untuk mengetahui apakah koefisien autokorelasi signifikan atau tidak, perlu dilakukan uji.
rk 1
Pengujian dapat dilakukan menggunakan statistik uji t  dengan SErk  dengan
SErk n
hipotesis H 0 : k  0 (koefisien autokorelasi yang diperoleh tidak signifikan) dan H1 : k  0

(koefisien autokorelasi yang diperoleh signifikan). Kriteria keputusan H 0 ditolak jika

thit  t ,n1 . Selain menggunakan uji tersebut, untuk mengetahui apakah koefisien autokorelasi
2

yang diperoleh signifikan atau tidak dapat dilihat pada output MINITAB, yaitu grafik ACF.
Jika pada grafik ACF tidak ada lag (bar) yang melebihi garis batas signifikansi (garis putus–
putus), maka koefisien autokorelasi yang diperoleh signifikan atau tidak terjadi korelasi antar
lag.
Autokorelasi parsial merupakan korelasi antara Z t dan Zt  k dengan mengabaikan

ketidakbebasan Zt 1 , Zt  2 ,...., Zt  k 1. Menurut Wei (2006: 11), autokorelasi parsial Z t dan Zt  k

dapat diturunkan dari model regresi linear, dengan variabel dependent Zt  k dan variabel

independent Zt k 1 , Zt  k 2 ,...., dan Zt , yaitu

Zt  k  k1Zt k 1  k 2 Zt  k 2   kk Zt  at  k

dengan ki merupakan parameter regresi ke-i untuk i  1, 2, , k dan at  k merupakan residu

dengan rata–rata nol dan tidak berkorelasi dengan Z t  k  j untuk j  1, 2, ,k .

Dengan mengalikan Z t  k  j pada kedua ruas persamaan (2.2) dan menghitung nilai harapannya

(expected value), diperoleh

E  Z t  k  j Z t  k   k1  Z t  k  j Z t  k   k 2  Zt  k  j Zt  k 1    kk  Zt  k  j Zt  k  2   E  Zt  k  j et  k 

 j  k1 j 1  k 2 j  2   kk  j  k

dan
 j  k1  j 1  k 2  j  2   kk  j  k

Untuk j  1, 2, , k diperoleh sistem persamaan berikut

 j  k10  k 2 1   kk  k 1
2  k11  k 2 0   kk  k 2

k  k1 k 1  k 2  k 2   kk 0
Dengan menggunakan aturan Cramer, berturut–turut untuk k  1, 2, , diperoleh
 11  1
1 1
1 2
22 
1 1
1 1

1 1 2 k 2 1
1 1 1  k 3 2

 k 1  k  2  k 3 1 k
kk 
1 1 2 k 2  k 1
1 1 1  k 3 k 2

 k 1  k  2  k 3 1 1

Karena kk merupakan fungsi atas k, maka kk disebut fungsi autokorelasi parsial.

B. Simple Eksponensial Smoothing

Metode ini juga sering disebut perataan eksponensial tunggal yang biasa dipakai trader
untuk peramalan jangka pendek. Model mengansumsikan jika data berfluktuasi di sekitar nilai
mean yang tetap, dan juga tanpa trend atau pola pertumbuhan konsisten. Tidak seperti Moving
Average, Exponential Smoothing akan menawarkan penekanan yang lebih besar pada time
series melalui penggunaan sebuah konstanta smoothing.
Rumus dasarnya adalah:
S t = αy t-1 + (1 – α) S t-1

Dimana:
α = konstanta pemulusan, nilai dari 0 sampai 1. Bila α mendekati nol, smoothing terjadi lebih
lambat. Nilai terbaik untuk α adalah yang menghasilkan kesalahan kuadrat rata-rata terkecil
(MSE) . Ada berbagai cara untuk melakukan ini, namun metode yang populer adalah algoritma
Levenberg-Marquardt.
t = periode waktu
Ada formula alternatif .
Sebagai contoh, Roberts (1959) menggantikan y t-1 dengan pengamatan saat ini, y t . Rumus
lain menggunakan ramalan untuk periode sebelumnya dan periode berjalan:
 Dimana :
Ft-1 = perkiraan untuk periode sebelumnya,
At-1 = Permintaan aktual untuk periode tersebut,
a = berat (harus antara 0 dan 1). Semakin dekat ke nol, semakin kecil bobotnya.
Rumus yang digunakan biasanya merupakan titik penting, karena kebanyakan Exponential
Smoothing dilakukan dengan menggunakan perangkat lunak. Apapun formula yang Anda
gunakan, Anda harus melakukan pengamatan awal dan juga bisa menggunakan rata-rata
beberapa pengamatan pertama, ataupun menetapkan nilai smoothing kedua sama dengan nilai
observasi asli agar bola menggelinding.
C. Double Eksponensial Smoothing
Metode Exponential Smoothing ini dinilai lebih andal untuk menganalisa data yang
menunjukkan trend. Ini adalah metode yang lebih rumit yang menambahkan persamaan kedua
pada prosedur:
b t = γ (S t – S t-1 ) + (1 – γ) b t-1
Dimana :
γ adalah konstanta yang dipilih dengan mengacu pada α. Seperti α dapat dipilih melalui
algoritma Levenberg-Marquardt.
D. Triple Eksponensial Smoothing
Jika data Anda menunjukkan tren dan musiman, gunakan jenis triple Exponential
Smoothing. Untuk komponen musiman memang menjadi faktor-faktor paling penting untuk
menunjukkan variasi-variasi dalam variabel tidak bebas selama 1 tahun periode. Selain
persamaan untuk kedua jenis sebelumnya, persamaan ketiga ini digunakan untuk menangani
aspek musiman:
I t = Β y t / S t + (1-Β) I t-L + m
Dimana :
y = observasi,
S = pengamatan merapikan,
b = faktor trend,
I = indeks musiman,
F = memperkirakan m periode ke depan,
t = periode waktu
 BAB V
PERAMALAN DALAM MODEL RUNTUN WAKTU

A. Proses Stokastik Stasioner

Suatu proses stokastik adalah kumpulan variabel random berindeks { Xu : u ∈ U} pada
ruang probabilitas {Ω, F, P} yang bernilai S. Himpunan S sering disebut sebagai state space;
U adalah himpunan indeks (index set). Himpunan indeks dapat berupa bilangan bulat Z atau
bilangan real R. Dalam banyak aplikasi himpunan indeks adalah waktu T = {t ≥ 0}.
B. Model Runtun Waktu
1. Model Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu
model yang populer dalam peramalan data runtun waktu. Proses ARIMA (p,d,q) merupakan
model runtun waktu ARMA(p,q) yang memperoleh differencing sebanyak d. Proses ARMA
(p,q) adalah suatu model campuran antara autoregressive orde p dan moving average orde.
Bentuk umum dari model ARIMA adalah :

dengan

merupakan operator AR

merupakan operator MA
2. Autoregressive (AR) merupakan suatu observasi pada waktu t dinyatakan sebagai fungsi linier
terhadap p waktu sebelumnya ditambah dengan sebuah residual acak at yang white noise yaitu
independen dan berdistribusi normal dengan rata-rata 0 dan varian konstan σa2, ditulis at ~ N(0,
σa2). Bentuk umum model autoregressive orde p atau lebih ringkas ditulis model AR(p) dapat
dirumuskan sebagai berikut:

Jika B adalah operator backshif yang dirumuskan sebagai:

BZt = Zt-1
maka model AR(p) dapat ditulis sebagai berikut:

dengan

3. Moving average (MA) digunakan untuk menjelaskan suatu fenomena bahwa suatu
observasi pada waktu t dinyatakan sebagai kombinasi linier dari sejumlah eror acak . Bentuk
umum model moving average orde q atau lebih ringkas ditulis model MA(q) dapat
dirumuskan sebagai berikut:
atau

dengan,