METODE DEKOMPOSISI

Dekomposisi adalah proses identifikasi komponen-komponen

yang mempengaruhi nilai-nilai periodik dalam suatu data rangkaian
waktu, yaitu komponen :
1. TREND  T
2. SIKLUS (CYCLICAL)  C
3. MUSIMAN (SEASONAL)  S
4. FLUKTUASI TAK BERATURAN (IRREGULAR)  I

 MULTIPLICATIVE DECOMPOSITION
Suatu time series yang mengandung variasi musiman naik atau
turun dengan parameter-parameter yang menggambarkan series-
series itu tidak berubah sepanjang waktu pengamatan, seringkali
time series semacam ini dapat dimodelkan secara baik dengan meng-
gunakan model dekomposisi multiplikatif.

Model dekomposisi multiplikatif adalah

Yt = Tt  St  Ct  It
dimana
Yt = Nilai pengamatan waktu ke-t
Tt = Komponen (faktor) trend waktu ke-t
St = Komponen (faktor) musim waktu ke-t
Ct = Komponen (faktor) siklus waktu ke-t
It = Komponen (faktor) irregular waktu ke-t

Model Dekomposisi ini menggunakan suatu faktor musiman yang

multiplikatif, yaitu faktor musiman yang dikalikan dengan trendnya.
Sebagai contoh, misalkan penjualan produk “X” yang diproduksi
suatu perusahaan mempunyai pola musiman, yaitu terendah di
kuartal pertama, tertinggi di kuartal kedua, cukup tinggi di kuartal ketiga,
dan cukup rendah di kuartal keempat.

Decomposition Method page - 1

 Selanjutnya, misalkan pula bahwa penjualan produk itu meng-
ikuti trend linier yaitu
Tt = 500 + 50 t
dimana t = 0 adalah waktu pengamatan untuk kuartal keempat dari
tahun 1999. Jika hanya komponen trend yang diperhatikan, maka
nilai ramalan penjualan produk “X” untuk empat kuartal kedepan
pada tahun 2000 adalah sebagai berikut
a. T1 = 500 + 50 (1) = 550 (kuartal I)
b. T2 = 500 + 50 (2) = 600 (kuartal II)
c. T3 = 500 + 50 (3) = 650 (kuartal III)
d. T4 = 500 + 50 (4) = 700 (kuartal IV).

Tetapi dalam kasus ini seperti yang dijelaskan sebelumnya

bahwa penjualan ini adalah berpola musiman. Sehingga kita dapat
memodelkan pola musiman dari penjualan ini dengan mendefi-
nisikan faktor musimannya. Misalkan bahwa faktor musiman untuk
kuartal 1, 2, 3, dan 4 berturut-turut adalah S1 = 0,4; S2 = 1,6; S3 = 1,2;
dan S4 = 0,8. Jika kita asumsikan bahwa faktor musiman ini adalah
multiplikatif, maka apabila efek trend dan musiman digunakan, nilai
ramalan untuk tahun 2000 menjadi
a. T1 x S1 = {500 + 50 (1)} (0,4) = 220 (kuartal I)
b. T2 x S2 = {500 + 50 (2)} (1,6) = 960 (kuartal II)
c. T3 x S3 = {500 + 50 (3)} (1,2) = 780 (kuartal III)
d. T4 x S4 = {500 + 50 (4)} (0,8) = 560 (kuartal IV).

Hasil perkalian trend dengan faktor musiman ini dapat dilihat pada
gambar 1.

Jika faktor musiman ini tetap konstan untuk waktu-waktu yang

akan datang, maka kita dapat memodelkan variasi kenaikan musim-
an ini. Sebagai contoh untuk kasus diatas, maka nilai ramalan untuk
tahun 2001 adalah
 T5 x S1 = {500 + 50 (5)} (0,4) = 300 (kuartal I)
 T6 x S2 = {500 + 50 (6)} (1,6) = 1280 (kuartal II)
 T7 x S3 = {500 + 50 (7)} (1,2) = 1020 (kuartal III)

Decomposition Method page - 2

  T8 x S4 = {500 + 50 (8)} (0,8) = 720 (kuartal IV).

1000

900

800

700

600

500

400

300

200

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

(a) Nilai ramalan  Tt = 500 + 50 t

1000

900

800

700

600

500

400

300

200

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

(b) Nilai ramalan  Tt x St = {500 + 50 t} x St

Gambar 1. Ilustrasi multiplikatif dari faktor musiman

Decomposition Method page - 3

 Faktor musiman memodelkan pola siklus dalam suatu data
rangkaian waktu yang tetap dalam satu kalender tahun. Jika suatu
data rangkaian waktu menggambarkan suatu siklus dengan durasi
waktu lebih panjang dari satu tahun, maka faktor siklus (C) dapat
didefinisikan. Sebagai contoh, misalkan situasi penjualan produk
“X” di atas pada tahun 2000 termasuk dalam “periode booming” dari
siklus bisnis. Asumsikan bahwa faktor siklus yang menggambarkan
aktifitas ekonomi pada empat kuartal di tahun 2000 adalah C1 = 1,08;
C2 = 1,09; C3 = 1,09; dan C4 = 1,10. Jika efek trend, musiman, dan
siklus diperhatikan, maka nilai ramalan untuk penjualan produk “X”
pada tahun 2000 adalah
a. T1 x S1 x C1 = 220 (1,08) = 238 (kuartal I)
b. T2 x S2 x C2 = 960 (1,09) = 1046 (kuartal II)
c. T3 x S3 x C3 = 780 (1,09) = 850 (kuartal III)
d. T4 x S4 x C4 = 560 (1,10) = 616 (kuartal IV).

Berikut ini adalah ilustrasi prosedur untuk metode dekompo-

sisi multiplikatif.

Contoh 1 :
Data tahunan besarnya pesanan suatu minuman energi produksi
perusahaan ABC selama 3 tahun dapat dilihat pada tabel 1. Mi-
numan ini baru dikenalkan ke publik pada tiga tahun yang lalu
dan telah pula mencapai fase popularitas. Secara periodik, peru-
sahaan menerima order jumlah minuman yang harus disediakan
dari beberapa distributor regional yang ada. Perusahaan menggu-
nakan kebijaksanaan inventory dengan menerapkan PPC untuk
menyesuaikan antara order yang ada dan jumlah minuman yang
harus diproduksi. Untuk itu mereka membutuhkan ramalan be-
sarnya pesanan minuman di masa-masa yang akan datang.

Tabel 1. Data jumlah pesanan minuman perusahaan ABC (ribu unit)

Decomposition Method page - 4

Tahun Bulan t Pesanan Tahun Bulan t Pesanan
Yt Yt
1
1 (Jan) 1 189 2 7 19 831
2 (Feb) 2 229 8 20 960
3 (Mar) 3 249 9 21 1152
4 (Apr) 4 289 10 22 759
5 (Mei) 5 260 11 23 607
6 (Jun) 6 431 12 24 371
7 (Jul) 7 660 3 1 25 298
8 (Ags) 8 777 2 26 378
9 (Sep) 9 915 3 27 373
10 (Ok) 10 613 4 28 443
11 (No) 11 485 5 29 374
2 12 (De) 12 277 6 30 660
1 13 244 7 31 1004
2 14 296 8 32 1153
3 15 319 9 33 1388
4 16 370 10 34 904
5 17 313 11 35 715
6 18 556 12 36 441

1600

1400

1200

1000
Yt

800

600

400

200

0
0 5 10 15 20 25 30 35 40
t

Gambar 2. Grafik jumlah pesanan per bulan selama 3 tahun

1. Analisis TREND

Decomposition Method page - 5

 Trend adalah pergerakan jangka panjang dalam suatu data
rangkaian waktu yang dapat digambarkan dengan suatu garis lurus
atau suatu kurva. Analisis trend ini mempunyai implikasi bagi pe-
rencanaan manajerial jangka panjang. Metode yang telah dikenal
luas untuk menggambarkan trend linier adalah metode least squares
(kuadrat terkecil). Persamaan trendnya adalah

Tˆt  β 0  β1 t

dimana Tt adalah nilai taksiran trend pada periode waktu ke-t.

2. Analisis MUSIMAN
Analisis Musiman pada data rangkaian waktu mempunyai im-
plikasi jangka pendek. Untuk menghitung indeks musiman ini diguna-
kan metode rasio rata-rata bergerak dengan melibatkan moving
averages and center moving averages (CMAt).
Metode rasio rata-rata bergerak untuk menghitung faktor musiman
dapat dijabarkan sebagai berikut :

a. Langkah 1  Tabel 2, kolom 3

Hitung total pesanan selama 12 bulan, kemudian cari nilai rata-
ratanya dan tempatkan rata-rata pesanan mulai Januari sam-
pai Desember tahun pertama itu antara periode (t) ke 6 dan 7.
Lakukan rata-rata bergerak ini untuk bulan-bulan berikutnya.
Misal untuk yang pertama adalah

189  229  249  ...  613  485  277

M1 = = 447,833.
12

229  249  289  ...  485  277  244

M2 = = 452,417.
12

Dst.
b. Langkah 2  Tabel 2, kolom 4
Nilai rata-rata bergerak yang pertama (M1) terletak antara pe-
riode 6 dan 7, rata-rata bergerak kedua (M2) terletak antara pe-

Decomposition Method page - 6

 riode 7 dan 8, dan seterusnya. Agar nilai rata-rata ini terletak
tepat pada bulan (periode) aslinya, lakukan centered moving
average (CMAt) dengan rata-rata bergerak dengan n = 2 untuk
hasil rata-rata bergerak dengan n = 12 pada langkah 1. Sehing-
ga diperoleh

447,833  452,417
CMA1 = = 450,1
2

452,417  458,000
CMA2 = = 455,2 dst.
2

c. Langkah 3
CMA pada periode t (pada langkah 2) selanjutnya digunakan
sebagai penaksir dari Tˆt  Cˆ t . Hal ini disebabkan prosedur
rata-rata pada langkah 1 dan 2 diasumsikan telah menghilang-
kan
1. Variasi musiman (St)  sebagai catatan bahwa setiap
moving average (rata-rata bergerak) dihitung dengan
menggunakan tepat satu pengamatan dari tiap-tiap
musim.
2. Fluktuasi irregular jangka pendek (It)
Dalam hal ini efek (jangka panjang) dari trend dan efek siklus,
yaitu Tt dan Ct masih ada.
Karena model dekomposisi multiplikatif adalah
Yt = Tt  St  Ct  It
maka
Yt Yt
Ŝ t  Î t = =
Tt  C t CMA t

Hasil perhitungan ini dapat dilihat pada tabel 2 kolom 5.

Tabel 2. Perhitungan prosedur metode dekomposisi

t Yt MA-12t CMAt Ŝ t  Î t Ŝ t dt

Decomposition Method page - 7

 1
2 189 0.493 383.367
3 229 0.596 384.228
4 249 0.596 417.785
5 289 0.680 425.000
6 260 0.564 460.993
7 431 0.985 437.563
447.833
8 660 450.1 1.466 1.467 449.898
452.417
9 777 455.2 1.707 1.693 458.949
458.000
10 915 460.9 1.985 1.990 459.799
463.833
11 613 467.2 1.312 1.307 469.013
470.583
12 485 472.8 1.026 1.029 471.331
475.000
13 277 480.2 0.577 0.600 461.667
485.417
14 244 492.5 0.495 0.493 494.929
499.667
15 296 507.3 0.583 0.596 496.644
514.917
16 319 524.8 0.608 0.596 535.235
534.667
17 370 540.8 0.684 0.680 544.118
546.833
18 313 551.9 0.567 0.564 554.965
557.000
19 556 560.9 0.991 0.985 564.467
564.833
20 831 567.1 1.465 1.467 566.462
569.333
21 960 572.8 1.676 1.693 567.041
576.167
22 1152 578.4 1.992 1.990 578.894
580.667
23 759 583.7 1.300 1.307 580.719
586.750
24 607 589.3 1.030 1.029 589.893
591.833
25 371 596.2 0.622 0.600 618.333
600.500
26 298 607.7 0.490 0.493 604.462
614.917
27 378 623.0 0.607 0.596 634.228
631.000
28 373 640.8 0.582 0.596 625.839
650.667
29 443 656.7 0.675 0.680 651.471
662.750
30 374 667.3 0.561 0.564 663.121
671.750
31 660 674.7 0.978 0.985 670.051
677.583
32 1004 1.467 684.390
33 1153 1.693 681.040
34 1388 1.990 697.487
35 904 1.307 691.660
36 715 1.029 694.849
441 0.600 735.000

Tabel 2. (Lanjutan 1) Perhitungan prosedur metode dekomposisi

t Yt Ŝ t dt Tˆt Yˆt  Tˆt  Sˆt (Yt  Yˆt )

Decomposition Method page - 8

 1 189 0.493 383.367 389.652 192.10 -3.10
2 229 0.596 384.228 399.141 237.89 -8.89
3 249 0.596 417.785 408.630 243.54 5.46
4 289 0.680 425.000 418.119 284.32 4.68
5 260 0.564 460.993 427.608 241.17 18.83
6 431 0.985 437.563 437.097 430.54 0.46
7 660 1.467 449.898 446.586 655.14 4.86
8 777 1.693 458.949 456.075 772.13 4.87
9 915 1.990 459.799 465.564 926.47 -11.47
10 613 1.307 469.013 475.053 620.89 -7.89
11 485 1.029 471.331 484.542 498.59 -13.59
12 277 0.600 461.667 494.031 296.42 -19.42
13 244 0.493 494.929 503.520 248.24 -4.24
14 296 0.596 496.644 513.009 305.75 -9.75
15 319 0.596 535.235 522.498 311.41 7.59
16 370 0.680 544.118 531.987 361.75 8.25
17 313 0.564 554.965 541.476 305.39 7.61
18 556 0.985 564.467 550.965 542.70 13.30
19 831 1.467 566.462 560.454 822.19 8.81
20 960 1.693 567.041 569.943 964.91 -4.91
21 1152 1.990 578.894 579.432 1153.07 -1.07
22 759 1.307 580.719 588.921 769.72 -10.72
23 607 1.029 589.893 598.410 615.76 -8.76
24 371 0.600 618.333 607.899 364.74 6.26
25 298 0.493 604.462 617.388 304.37 -6.37
26 378 0.596 634.228 626.877 373.62 4.38
27 373 0.596 625.839 636.366 379.27 -6.27
28 443 0.680 651.471 645.855 439.18 3.82
29 374 0.564 663.121 655.344 369.61 4.39
30 660 0.985 670.051 664.833 654.86 5.14
31 1004 1.467 684.390 674.322 989.23 14.77
32 1153 1.693 681.040 683.811 1157.69 -4.69
33 1388 1.990 697.487 693.300 1379.67 8.33
34 904 1.307 691.660 702.789 918.55 -14.55
35 715 1.029 694.849 712.278 732.93 -17.93
36 441 0.600 735.000 721.767 433.06 7.94

Tabel 2. (Lanjutan 2) Perhitungan prosedur metode dekomposisi

t Yt Yˆt  Tˆt  Sˆt Cˆt  Iˆt Ĉt Iˆt

Decomposition Method page - 9

 1 189 192.10 0.9839
2 229 237.89 0.9626 0.9896 0.9727
3 249 243.54 1.0224 1.0005 1.0219
4 289 284.32 1.0165 1.0390 0.9783
5 260 241.17 1.0781 1.0319 1.0447
6 431 430.54 1.0011 1.0289 0.9730
7 660 655.14 1.0074 1.0049 1.0025
8 777 772.13 1.0063 1.0004 1.0059
9 915 926.47 0.9876 0.9937 0.9938
10 613 620.89 0.9873 0.9825 1.0048
11 485 498.59 0.9727 0.9648 1.0082
12 277 296.42 0.9345 0.9634 0.9700
13 244 248.24 0.9829 0.9618 1.0219
14 296 305.75 0.9681 0.9918 0.9761
15 319 311.41 1.0244 1.0051 1.0192
16 370 361.75 1.0228 1.0240 0.9988
17 313 305.39 1.0249 1.0241 1.0008
18 556 542.70 1.0245 1.0200 1.0044
19 831 822.19 1.0107 1.0100 1.0007
20 960 964.91 0.9949 1.0016 0.9934
21 1152 1153.07 0.9991 0.9934 1.0057
22 759 769.72 0.9861 0.9903 0.9957
23 607 615.76 0.9858 0.9964 0.9894
24 371 364.74 1.0172 0.9940 1.0233
25 298 304.37 0.9791 1.0027 0.9765
26 378 373.62 1.0117 0.9914 1.0205
27 373 379.27 0.9835 1.0013 0.9822
28 443 439.18 1.0087 1.0014 1.0073
29 374 369.61 1.0119 1.0095 1.0024
30 660 654.86 1.0078 1.0115 0.9964
31 1004 989.23 1.0149 1.0062 1.0087
32 1153 1157.69 0.9959 1.0056 0.9904
33 1388 1379.67 1.0060 0.9954 1.0107
34 904 918.55 0.9842 0.9886 0.9955
35 715 732.93 0.9755 0.9927 0.9827
36 441 433.06 1.0183

d. Langkah 4
Nilai Ŝ t dapat diperoleh melalui “grouping” nilai-nilai Ŝ t  Î t
untuk masing-masing bulan dan hitung nilai rata-ratanya, Ŝt ,

Decomposition Method page - 10

 untuk masing-masing bulan itu. Faktor musiman ini selanjut-
nya dinormalisasikan dengan kuantitas normalisasi

L 12
  1,008758
L 11,9895 .
 Ŝt
t 1

Proses normalisasi ini selanjutnya menghasilkan nilai taksiran

dari Ŝ t = 1,008758 ( Ŝt ). Secara lengkap perhitungan ini dapat
dilihat pada tabel 3 berikut ini.  Tabel 2, kolom 6.

Tabel 3. Taksiran faktor musiman dari data jumlah pesanan minuman

Ŝ t  Î t

t Bulan Tahun 1 Tahun 2 Ŝt Ŝ t

1 Jan. 0.495 0.490 0.4925 0.493

2 Feb. 0.583 0.607 0.5950 0.596
3 Mar. 0.608 0.582 0.5950 0.596
4 Apr. 0.684 0.675 0.6795 0.680
5 Mei 0.567 0.561 0.5640 0.564
6 Jun. 0.991 0.978 0.9845 0.985
7 Jul. 1.466 1.465 1.4655 1.467
8 Aug. 1.707 1.676 1.6915 1.693
9 Sep. 1.985 1.992 1.9885 1.990
10 Okt. 1.312 1.300 1.3060 1.307
11 Nop. 1.026 1.030 1.0280 1.029
12 Dec. 0.577 0.622 0.5995 0.600

11.9895

e. Langkah 5
Setelah melakukan perhitungan nilai Ŝ t dan meletakkannya di
tabel 3 kolom 6, langkah selanjutnya adalah mendefinisikan
pengamatan yang di”deseasonalisasikan” pada periode t, yaitu
Y
dt  t
Sˆt

Decomposition Method page - 11

 Pengamatan-pengamatan yang di”deseasonalisasikan” ini di-
hitung untuk memperoleh nilai taksiran komponen trend yang
lebih baik. Deseasonalisasi pengamatan ini selanjutnya hasil-
nya diletakkan pada tabel 2 (lanjutan 1) kolom 4.
Hasil dari tahap ini selanjutnya digunakan untuk menaksir
nilai trend dengan asumsi trendnya adalah linier, yaitu dengan
metode least squares (kuadrat terkecil) diperoleh taksiran
T̂t = 380,163 + 9,489 t .
Hasil taksiran nilai-nilai trend ini diletakkan pada tabel 2 (lan-
jutan 1) kolom 5.

1600

1400

1200

1000

800
Yt

600

400

200

0
0 5 10 15 20 25 30 35 40
t

Gambar 3. Plot “deseasonalized observations” dan data asli

f. Langkah 6
Karena model dekomposisi multiplikatif adalah
Yt = Tt  St  Ct  It
maka
Yt
Ĉ t  Î t =  tabel 2 lanjutan 2, kolom 4
T̂t  Ŝt

Decomposition Method page - 12

 Taksiran nilai Ct berdasarkan pengalaman telah ditunjukkan
(Bowerman and O’Connell, 1993) bahwa untuk data bulanan
ataupun kuartalan, kita dapat menggunakan rata-rata bergerak
dengan n = 3 untuk menaksir Ct, yaitu
Ĉ t -1 Î t -1  Ĉ t Î t  Ĉ t 1 Î t 1
Ĉ t = .
3

Hasil perhitungan ini dapat dilihat pada tabel 2 (lanjutan 2)

kolom 5.

g. Langkah 7
Akhirnya, kita dapat menghitung nilai taksiran dari It dengan
menggunakan persamaan
Ĉ t  Î t
Î t = .  tabel 2 lanjutan 2, kolom 6
Ĉ t

Catatan :
Beberapa catatan berkaitan dengan hasil model dekomposisi
untuk kasus jumlah pesanan minuman ini adalah sebagai
berikut :
1. Siklus tidak dapat diidentifikasi dengan baik, karena data
yang ada hanya untuk tiga tahun pengamatan dan nilai-nilai
taksiran dari siklus ini sebagian besar mendekati 1
2. Pola dari faktor irregular tidak dapat dideteksi dari nilai
taksiran untuk komponen irregular ini.
Berdasarkan hasil prosedur metode dekomposisi ini, maka nilai
taksiran dari komponen trend, musiman, siklus, dan irregular dapat
diketahui, yaitu T̂t , Ŝt , Ĉ t dan Î t , sehingga dari nilai-nilai ini
dapat digunakan untuk melakukan forecasting jumlah pesanan
minuman di masa-masa yang akan datang. Jika komponen dari
irregular tidak mempunyai pola, kita dapat gunakan nilai prediksi
untuk komponen ini akan sama dengan NOL. Sehingga nilai
ramalan dari Yt adalah

Yˆt  Tˆt  Sˆt  Cˆt ,

Decomposition Method page - 13

jika faktor siklus dapat didefinisikan dengan baik dan dapat dipre-
diksi nilainya. Jika tidak dapat didefinisikan dengan baik atau tidak
dapat diprediksi nilainya, maka nilai ramalan dari Yt adalah

Yˆt  Tˆt  Sˆ t .

Nilai-nilai ramalan untuk t mulai 1 sampai dengan 36 dapat dilihat di

tabel 2 (lanjutan 1) kolom 6.

Ramalan jumlah pesanan minuman untuk 12 bulan kedepan di

tahun keempat dapat dilihat pada tabel 4. Sebagai contoh perhitung-
an, untuk periode bulan ke 44 diperoleh :
 Ramalan nilai trend
Tˆ44 = 380,163 + 9,489 (44) = 797,699.
 Ramalan nilai pesanan
Yˆ44 = Tˆ44  Sˆ 44 = 797,699 x 1,693 = 1350,50
Dengan menggunakan taksiran interval dari hasil ramalan trend li-
niernya (metode OLS) diperoleh taksiran interval dengan keyakinan
95%, yaitu
[769,959; 825,439].
Dari interval tersebut dapat diperoleh nilai batas interval untuk
ramalan metode dekomposisi dengan keyakinan 100(1–)% , yaitu
Yˆt  Bt (100(1   ))
Untuk contoh kasus periode ke 44 diperoleh

825,439  769,959
B 44 [95]   27,74
2

Sehingga ramalan 95% untuk taksiran interval jumlah pesanan

periode ke 44 adalah

[1350,50 – 27,74; 1350,50 + 27,74] = [1322,76 ; 1378,24]

Tabel 4. Nilai ramalan jumlah pesanan minuman 12 bulan kedepan

Decomposition Method page - 14

 dengan metode dekomposisi multiplikatif

t Ŝ t Tˆt Yˆt Bt Yˆt - Bt Yˆt + Yt

Bt
37
38 0.493 731.256 360.51 26.80 333.71 387.31 352
39 0.596 740.745 441.48 26.92 414.56 468.40 445
40 0.596 750.234 447.14 27.04 420.10 474.18 453
41 0.680 759.723 516.61 27.17 489.44 543.78 541
42 0.564 769.212 433.84 27.30 406.54 461.14 457
43 0.985 778.701 767.02 27.44 739.58 794.46 762
44 1.467 788.190 1156.27 27.59 1128.68 1183.86 1194
45 1.693 797.679 1350.47 27.74 1322.73 1378.21 1361
46 1.990 807.168 1606.26 27.89 1578.37 1634.15 1615
47 1.307 816.657 1067.37 28.05 1039.32 1095.42 1059
48 1.029 826.146 850.10 28.22 821.88 878.32 824
0.600 835.635 501.38 28.39 472.99 529.77 495

1800

1600 - observed values

-. forecasts
1400

1200

1000
Yt

800

600

400

200

Decomposition Method page - 15

0
0 5 10 15 20 25 30 35 40 45 50
t
Gambar 4. Plot ramalan metode dekomposisi dan nilai sebenarnya

Decomposition Method page - 16