FORECASTING:
UNTUK KEGIATAN EKONOMI DAN BISNIS
Rizky Yudaruddin
RV Pustaka Horizon
Anggota IKAPI
iv Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Forecasting:
untuk Kegiatan Ekonomi dan Bisnis
Rizky Yudaruddin
Samarinda, RV Pustaka Horizon, 2019
xii + 146 hlm.; 17 x 24 cm
ISBN: 978-602-5431-48-7
Forecasting:
untuk Kegiatan Ekonomi dan Bisnis
Penulis:
Rizky Yudaruddin
ISBN:
978-602-5431-48-7
Penerbit:
RV Pustaka Horizon
Anggota IKAPI
Jl. Perjuangan-Alam Segar 4 No. 73
Samarinda, Kalimantan Timur 75119
www.pustakahorizon.com
Email: pustakahorizon@gmail.com
SMS & WA: 0853-4745-6753
Prakata
The goal of forecasting is not to predict the future but to tell you what
you need to know to take meaningful action in the present
Paul Saffo
Buku ini hadir bukan untuk membantu Anda mengintip masa depan,
tapi hadir untuk memberi tahu Anda, apa yang perlu Anda ketahui,
untuk mengambil tidakan berarti pada masa sekarang. Jadi, jika ada
peramalan di dalamnya maka itu hanya sekadar memberikan
informasi bermakana bagi Anda.
Penulis
vi Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Daftar Isi
Bab I Pendahuluan 1
Daftar Tabel
Tabel 2.1 Data Penjulan Pakan Pada PT Arwana Baru,
2014-2017 19
Tabel 2.2 Data Penjulan Pakan Pada PT Arwana Baru,
Januari 2017- Maret 2018 24
Tabel 2.3 Hasil Peramalan Penjulan Pakan Pada PT
Arwana Baru dengan 3 Bulan dan 7 Bulan
Moving Average 25
Tabel 2.4 Hasil Perhitungan Mean Absolut Error dan
Mean Squared Error Pada PT Arwana Baru
dengan 3 Bulan dan 7 Bulan Moving Averag 28
Tabel 2.6 Data Penjulan Pakan Pada PT Arwana Baru
Tahun 2015 30
Tabel 2.6 Menghitung Ramalan dengan 3 Bulan Moving
Average 32
Tabel 2.7 Data Penjulan Pakan Pada PT Arwana Baru
Tahun 2016 35
Tabel 2.8 Peramalan Penjulan Pakan Pada PT Arwana
Baru Tahun 2016 dengan Singel Exponential
Smoothing (α =0.1) 37
Tabel 2.9 Forecast, MAE, MSE dan MAPE Penjulan Pakan
Pada PT Arwana Baru Tahun 2016 dengan
Singel Exponential Smoothing 38
Tabel 2.10 Data Penjulan Pakan Pada PT Arwana Baru
Tahun 2017 40
Tabel 2.11 Perhitungan Peramalan Penjulan Pakan Pada
PT Arwana Baru Tahun 2017 dengan
Metode Double Exponential Smoothing 42
Tabel 2.12 Data Penjulan Pakan Pada PT Arwana Baru
Tahun 2018 45
Tabel 2.13 Perhitungan Peramalan Penjulan Pakan Pada
PT Arwana Baru Tahun 2018 dengan Holt’s
Method of Exponential Smoothing 46
Tabel 2.14 Data Penjulan Pakan PT Arwana Baru Tahun
2015& 2016 48
Tabel 2.15 Perhitungan Peramalan Penjulan Pakan Pada
PT Arwana Baru Tahun 2015& 2016 Dengan
Triple Exponential Smoothing 52
viii Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Daftar Gambar
Gambar 2.2 Tahap Peramalan dalam Bisnis 10
Gambar 2.1 Tren Penjualan Pakan Pada PT Arwana
Baru, 2014-2017 21
Gambar 3.1 Grafik Trend dengan Metode Tangan 64
Gambar 3.2 Grafik Trend Penjualan dengan Metode
Setengah Rata-Rata Pada PT Gunung Sari
Tahun 2010-2015 67
Gambar 3.3 Grafik Trend Penjualan dengan Metode
Setengah Rata-Rata Pada PT Gunung Sari
Tahun 2010-2016 69
Gambar 4.1 Fungsi Liner Ŷ = α + βXi 108
Daftar Isi xi
Daftar Lampiran
Lampiran 1 Tabel Nilai t 140
Lampiran 2 Tabel Nilai F (alpha = 0.05) 141
xii Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Bab I Pendahuluan 1
BAB I PENDAHULUAN
Permasalahan
Perusahaan atau
Manajemen
Pengumpulan Data
Formulasi Model
Umpan Balik
Tidak
Validasi Hasil?
Ya
Hasil Akhir
C. Teknik Peramalan
Ada banyak cara atau teknik yang dapat dilakukan untuk
melakukan peramalan dalam mendukung kegiatan bisnis. Teknik
peramalan dapat dilakukan dari cara yang sederhana hingga dengan
cara yang paling kompleks. Ditambah lagi, dengan adanya
penggunaan teknologi di satu sisi baik berupa hardware maupun
software komputer semikin memudahkan dan menyederhanakan
cara peramalan. Meskipun di sisi lain, kesederhanan dan kemudahan
cara melakukan peramalan tidak mengurangi akurasi hasil permalan.
Secara umum, teknik peramalan dapat dibagi menjadi 2 bagian
yaitu peramalan dengan pendekatan kuantitatif dan peramalan
dengan pendekatan kualitatif. Kedua pendekatan ini dapat dilakukan
secara bersama-sama maupun secara parsial. Tentu saja masing-
masing pendekatan memiliki asumsi yang berbeda, sehingga perlu
diketahui pada kondisi yang bagaimana pendekatan kualitatif atau
kuantitatif ini dapat digunakan dalam peramalan.
1. Pendekatan Kuantitatif
Ada 3 kondisi yang memungkinakan pendekatan kualitatif
dapat dilakukan yaitu pertama, tersedia informasi sebelumnya,
misalnya data penjualan dalam kurun waktu 5 tahun terakhir. Kedua,
seluruh informasi yang digunakan dapat di kuantitatifkan dalam
bentuk data numerik, misalnya data penjualan produk XYZ sebanyak
500 unit. Ketiga, dapat diasumsikan bahwa pola data di masa lalu
akan berlajut di masa depan. Artinya peramalan yang dilakukan,
14 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
masa lalu langsung dan mungkin ada keacakan yang signifikan dalam
data.
Untuk menghilangkan keacakan dalam data, kita bisa
menggunakan average. Teknik average memberikan peningkatan
terhadap model naïve karena model ini mempertimbangkan seluruh
rangkaian waktu dan fluktuasi. Dalam teknik average, hanya
mengambil satu set nilai yang diamati dan menghitung rata-rata, dan
kemudian menggunakan rata-rata ini sebagai perkiraan. Dalam
model rata-rata bergerak, analis harus memiliki poin data historis
sebanyak yang diperlukan untuk rata-rata bergerak. Untuk
mengatasi kelemahan dari teknik average, maka teknik smoothing
dapat digunakan. Teknik ini menggunakan pendekatan dengan
pembobotan.
A. Teknik Naïve
Teknik naïve adalah model peramalan yang paling hemat biaya,
dan memberikan tolok ukur yang dapat dibandingkan dengan model
yang lebih canggih. Metode peramalan ini hanya cocok untuk data
deret waktu. Metode ini bekerja dengan baik untuk deret waktu
ekonomi dan keuangan, yang sering memiliki pola yang sulit
diprediksi secara andal dan akurat. Pendekatan naïve
mengasumsikan bahwa masa lalu adalah indikator terbaik masa
depan. Jika pola data adalah pola musiman, di mana nilai musim ini
sama dengan musim lalu, maka pendekatan naïve dapat memberikan
peramalan yang tepat. Teknik naïve dapat ditulis sebagai berikut:
Ŷt+1 = Yt [2-1]
Bab II Peramalan dengan Teknik Smoothing 19
Keterangan:
Ŷt+1 adalah peramalan yang dibuat dalam waktu t+1.
Contoh
Peningkatan perminataan mendorong terjadinya peningkatan
penjulan di berbagai perusahaan. PT Arwana Baru yang
memproduksi pakan ternak memiliki data penjualan setiap kuartal
dari tahun 2014-2018. Menggunakan teknik naïve perusahaan akan
meramalkan kuartal ketiga (III) tahun 2018.
Tabel 2.1 Data Penjulan Pakan Pada PT Arwana Baru, 2014-2017
Tahun Kuartal t Penjualan Forecast Error
(dalam ton) value
(1) (2) (3) (4) (6)
(5)
2014 I 1 2,168
II 2 3,389 2,168 1.221
III 3 3,105 3,389 - 284
IV 4 3,798 3,105 693
2015 I 5 4,197 3,798 399
II 6 4,367 4,197 170
III 7 4,124 4,367 - 243
IV 8 5,844 4,124 1.720
2016 I 9 5,897 5,844 53
II 10 6,174 5,897 277
III 11 6,074 6,174 - 100
IV 12 6,189 6,074 115
2017 I 13 7,245 6,189 1.056
II 14 8,472 7,245 1.227
III 15 8,187 8,472 - 285
IV 16 9,241 8,187 1.054
2018 I 17 9,658 9,241 417
II 18 9,687 9,658 29
III 19 9,287
Penjualan Pakan
12000
10000
8000
Ton
6000
4000
2000
0
I II III IV I II III IV I II III IV I II III IV I II
2014 2015 2016 2017 2018
Waktu
B. Teknik Average
Ada berbagai macam model peramalan yang dapat digunakan
untuk memprediksi masa depan. Data masa lalu merupakan bahan
dasar yang dapat digunakan dalam memperdiksi masa depan. Ketika
kondisi perusahaan membutuhkan peramalan yang cepat seperti
peramalan produksi, persediaan, penjualan dan lainnya baik harian,
mingguan, bulanan atau kuartal maka perusahaan dapat
menggunakan beberapa alat peramalan senderhana. Model average
(rata-rata) dapat digunakan pada kondisi ini. Premis dasar dari
model-model average adalah bahwa rata-rata tertimbang dari
pengamatan masa lalu dapat digunakan untuk memuluskan fluktuasi
data dalam jangka pendek. Di bagian berikut ini kami akan
menggunakan berbagai metode rata-rata untuk membuat perkiraan
jangka pendek sebagai berikut.
1. Simple Moving average
Single moving average merupakan suatu metoda peramalan
dengan menggunakan data-data pada massa lalu kemudian di
jumlahkan dan melakukan perhitungan rata-rata untuk mengetahui
suatu informasi yang mungkin akan terjadi. Metode single moving
average memiliki karater khusus yaitu memerlukan data historis
dengan jangka waktu tertentu dan semakin pajang waktunya maka
moving average yang akan dihasilkan akan semakin halus.
Namun single moving average memiliki kelemahan yaitu
pertama, memerlukan data historis yang cukup, misalnya untuk
peramalan dengan 3 bulan moving average diperlukan data historis
selama 3 bulan terakhir. Kedua, semua data diberi weight sama. Hal
ini berarti bahwa data-data itu baik yang lebih awal maupun yang
Bab II Peramalan dengan Teknik Smoothing 23
terbaru dianggap sama pentingnya atau kalau berpengaruh maka
pengaruhnya dianggap sama. Padahal kenyataannya data terbaru itu
biasanya lebih kita perhatikan di dalam membuat forecast, karena
biasanya lebih mendekati jumlah yang akan terjadi.
Ketiga, tidak bisa mengikuti perubahan yang drastis. Kalau
terjadi perubahan yang drastis, maka forecast dengan metode single
moving average ini tidak bisa segera mengikuti perubahan, karena
setelah ada perubahan keadaan seharusnya polanya sudah berubah
sama sekali, tetapi menurut metode ini data historis yang terjadi
sebelum perubahan masih digunakan, sehingga akan menghasilkan
forecast yang menyesatkan. Keempat, Tidak cocok untuk forecasting
data yang ada gelaja trend. Kalau terjadi gejala trend, maka metode
ini tidak cocok, sebab forecast yang dihasilkan akan terlambat
mengikuti perubahan, karena data tahun yang lalu yang seharusnya
terlalu kecil (atau terlalu besar) di rata-rata saja untuk membuat
forecast tahun yang akan datang.
Adapun rumus dari single moving average adalah:
Keterangan:
= Forecast untuk periode ke t+1
= Data Pada periode t
= jangka waktu moving average
24 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Contoh Kasus
Perusahaan PT Arwana Baru yang bergerak pada bidang peternakan
memiliki data penjulan pakan dari Januari 2017–Maret 2018 sebagai
berikut.
Tabel 2.2 Data Penjulan Pakan Pada PT Arwana Baru,
Januari 2017- Maret 2018
Periode Tahun Bulan Penjulan (Ton)
1 2017 Januari 1,243
2 2017 Februari 1,546
3 2017 Maret 1,234
4 2017 April 1,245
5 2017 Mei 1,278
6 2017 Juni 1,865
7 2017 Juli 1,574
8 2017 Agustus 1,689
9 2017 September 1,347
10 2017 Oktober 1,589
11 2017 November 1,346
12 2017 Desember 1,975
13 2018 Januari 1,643
14 2018 Februari 1,735
15 2018 Maret 1,308
FApril =
= 1.341
Ramalan bulan Mei sebagai berikut:
FMei =
= 1.341,7
Bab II Peramalan dengan Teknik Smoothing 25
Jika menggunakan permalan 7 bulan maka gunakan 7 bulan moving
averages, ramalan bulan Agustus dihitung sebagai berikut:
FAgustus =
= 1.426,4
Ramalan bulan Septembersebagai berikut:
FSept. =
= 1.490,1
Untuk hasil perhitungan untuk seluruh ramalan dengan 3 bulan dan
7 bulan moving averages adalah sebagai berikut:
Tabel 2.3 Hasil Peramalan Penjulan Pakan Pada PT Arwana Baru
dengan 3 Bulan dan 7 Bulan Moving average
Forecast
Periode Penjualan 3 Bulan 7 Bulan
Bulan
ke (ton) Moving Moving
average average
1 Januari 1,243 - -
2 Februari 1,546 - -
3 Maret 1,234 - -
4 April 1,245 1,341.0 -
5 Mei 1,278 1,341.7 -
6 Juni 1,865 1,252.3 -
7 Juli 1,574 1,462.7 -
8 Agustus 1,689 1,572.3 1,426.4
9 September 1,347 1,709.3 1,490.1
10 Oktober 1,589 1,536.7 1,461.7
11 November 1,346 1,541.7 1,512.4
12 Desember 1,975 1,427.3 1,526.9
13 Januari 1,643 1,636.7 1,626.4
14 Februari 1,735 1,654.7 1,594.7
15 Maret 1,308 1,784.3 1,617.7
26 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Keterangan:
Error = Data penjualan period ke t – Peramalan periode ke t
Xt : Data penjualan periode ke t
Ft : Ramalan periode ke t
Berdasarkan rumus MAE dan MSE maka dapat dihitung nilai error
pada masing moving average sebagai berikut:
Jika menggunakan permalan 3 bulan maka MAE dan MSE bulan April
dihitung sebagai berikut:
Error = 1,245 – 1,341 = -96
Absolute Error = 96
Squared Error = 962 = 9,216
Setelah dihitung setiap bulanya maka nilai MAE dan
MSE:
MAE = 2,721.3 : 12 = 226.8
MSE = 1,120,271.6 : 12 = 93,356
Jika menggunakan permalan 7 bulan MAE dan MSE bulan April
dihitung sebagai berikut:
Error = 1,689 - 1.426,4 = 262,6
Absolute Error = 262,6
Squared Error = 262,62 = 68,943.8
Setelah dihitung setiap bulanya maka nilai MAE dan MSE:
MAE = 1,614.1 : 8 = 208.1
MSE = 450,043.4 : 8 = 56,255.4
28 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Tabel 2.4. Hasil Perhitungan Mean absolut Error dan Mean Squared Error Pada PT Arwana Baru dengan 3
Bulan dan 7 Bulan Moving average
3 Bulan 7 Bulan
Peri
Penjuala Moving average Moving average
ode Bulan
n (ton) Absolute Square Absolute Square
ke Ramalan Error Ramalan Error
Error Error Error Error
1 Januari 1,243 - - - - - - - -
2 Februari 1,546 - - - - - - - -
3 Maret 1,234 - - - - - - - -
4 April 1,245 1,341.0 -96.0 96.0 9,216.0 - - - -
5 Mei 1,278 1,341.7 -63.7 63.7 4,053.4 - - - -
6 Juni 1,865 1,252.3 612.7 612.7 375,360.4 - - - -
7 Juli 1,574 1,462.7 111.3 111.3 12,395.1 - - - -
8 Agustus 1,689 1,572.3 116.7 116.7 13,611.1 1,426.4 262.6 262.6 68,943.8
9 September 1,347 1,709.3 -362.3 362.3 131,285.4 1,490.1 -143.1 143.1 20,489.9
10 Oktober 1,589 1,536.7 52.3 52.3 2,738.8 1,461.7 127.3 127.3 16,201.7
11 November 1,346 1,541.7 -195.7 195.7 38,285.4 1,512.4 -166.4 166.4 27,698.5
12 Desember 1,975 1,427.3 547.7 547.7 299,938.8 1,526.9 448.1 448.1 200,832.0
13 Januari 1,643 1,636.7 6.3 6.3 40.1 1,626.4 16.6 16.6 274.6
14 Februari 1,735 1,654.7 80.3 80.3 6,453.4 1,594.7 140.3 140.3 19,680.1
15 Maret 1,308 1,784.3 -476.3 476.3 226,893.4 1,617.7 -309.7 309.7 95,922.9
Jumlah 333.3 2,721.3 1,120,271.6 375.6 1,614.1 450,043.4
Bab II Peramalan dengan Teknik Smoothing 29
2. Double Moving average
Dalam upaya untuk memperhitungkan tren, musiman, atau pola
siklus dalam data, anda harus mencari metodologi perkiraan yang
akan mempertimbangkan faktor-faktor ini. Metode rata-rata
bergerak ganda (double moving average) digunakan ketika data
deret waktu memiliki trend linier. Dalam metodologi ini, anda
menghitung satu set moving average (MA), dan kemudian set kedua
dihitung sebagai rata-rata bergerak dari set pertama (MA). Artinya
rata-rata bergerak kedua merupakan hasil dari dari rata-rata
bergerak sebelumnya dan seterusnya. Adapun langkah-langkah
dalam peramalan dengan menggunakan metode double moving
average adalah sebagai berikut:
a. Menghitung moving average/rata-rata bergerak pertama, diberi
simbol stI. ini dihitung dari data historis yang ada. Hasilnya
diletakkan pada periode terakhir moving average pertama.
b. Menghitung moving average/rata-rata bergerak kedua, diberi
simbol stII. Ini dihitung rata-rata bergerak pertama. Hasilnya
diletakkan pada periode terakhir moving average kedua.
c. Menentukan besarnya nilai at (konstanta)
= +( - )
d. Menentukan besarnya nilai bt (slope)
= ( - )
Contoh Kasus
Perusahaan PT Arwana Baru yang bergerak pada bidang peternakan
memiliki data penjulan pakan dari Januari 2015–Desember 2015
sebagai berikut:
Tabel 2.5. Data Penjulan Pakan Pada PT Arwana Baru Tahun 2015
Periode Bulan Penjulan (Ton)
1 Januari 1,243
2 Februari 1,546
3 Maret 1,234
4 April 1,245
5 Mei 1,278
6 Juni 1,865
7 Juli 1,574
8 Agustus 1,689
9 September 1,347
10 Oktober 1,589
11 November 1,346
12 Desember 1,975
Lakukan peramalan dengan 3 bulan double moving average?
a. Menghiting moving average pertama ( )
= ( 1,252.3 – 1,311.7)
= 19.78
e. Menentukan besarnya forecast ( +m)
Besarnya forecast baru bisa ditentukan untuk bulan Juni dengan
nilai at dan bt bulan Mei.
Forecast bulan Juni adalah sebesar:
+m= + (m)
= 1,193 + 19.78 (1)
= 1,212.8
Tabel 2.6
Menghitung Ramalan dengan 3 Bulan Moving average
Periode Bulan Penjualan Mov.Avr. Mov.Avr. Nilai a Nilai b Forest
ke I( ) I( ) (Konstant) (Slope) (ft + m)
1 Januari 1,243 - - - - -
2 Febuari 1,546 - - - - -
Contoh Kasus
Perusahaan PT Arwana Baru yang bergerak pada bidang peternakan
memiliki data penjulan pakan dari Januari 2016 – Desember 2016
sebagai berikut:
Tabel 2.7 Data Penjulan Pakan Pada PT Arwana Baru Tahun 2016
Periode Bulan Penjulan (Ton)
1 Januari 1,243
2 Februari 1,274
3 Maret 1,288
4 April 1,291
5 Mei 1,277
6 Juni 1,302
7 Juli 1,212
8 Agustus 1,344
9 September 1,308
10 Oktober 1,243
11 November 1,322
12 Desember 1,342
Lakukan peramalan dengan single exponential smoothing?
Adapun langkah yang dapat dilakukan sebagai berikut:
1. Data penjualan pada bulan pertama sebesar 1,243. Untuk bulan
pertama belum bisa membuat forecast. Untuk membuat
forecast bulan kedua juga belum mempunyai cukup data. Untuk
itu, boleh ditentukan secara bebas, asal kira-kira mendekati.
Sehingga untuk forecast bulan kedua ( ) sebesar 1,274, sama
dengan nilai penjualan pada bulan pertama.
2. Untuk bulan ketiga perhitungannya sebagai berikut:
36 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
MSE =
MAPE =
bt = (At` - At``)
Contoh Kasus
Perusahaan PT Arwana Baru yang bergerak pada bidang peternakan
memiliki data penjulan pakan dari Januari 2017–Desember 2017
sebagai berikut:
Tabel 2.10 Data Penjulan Pakan Pada PT Arwana Baru Tahun 2017
Periode Bulan Penjulan (Ton)
1 Januari 1,310
2 Februari 1,340
3 Maret 1,332
4 April 1,345
5 Mei 1,361
6 Juni 1,372
7 Juli 1,386
8 Agustus 1,377
9 September 1,410
10 Oktober 1,425
11 November 1,444
12 Desember 1,450
Lakukan peramalan dengan double exponential smoothing dengan
nilai konstanta 0.1?
Adapun langkah yang dapat dilakukan sebagai berikut:
1. Hitung nilai single smooting (A`)
Untuk bulan pertama nilai single smooting (A`) digunakan nilai
actual dari bulan pertama yaitu sebesar 1,310. Untuk bulan ke
dua maka digunakan formula:
A2` = aŶ2 + (1-a) A`2-1
A2` = 0.1(1,340) + (1-0.1) 1,310 = 1,313
A3` = 0.1(1,332) + (1-0.1) 1,340 = 1,314.9
2. Hitung nilai double smooting (A``)
Untuk bulan pertama nilai double smooting (A``) digunakan nilai
actual dari bulan pertama yaitu sebesar 1,310. Untuk bulan ke
dua maka digunakan formula:
Bab II Peramalan dengan Teknik Smoothing 41
A2`` = aA2` + (1- a) A`2-1
A2`` = 0.1(1,313) + (1-0.1) 1,310 = 1,310.3
A2`` = 0.1(1,314.9) + (1-0.1) 1,310.3 = 1,310.8
3. Hitung perbedaan nilai antara nilai single smooting (A`) dengan
double smooting (A``):
α2 = 2A2` - A2``
a2 = 2(1,313)- 1,310.3 = 1,315.7
a2 = 2(1,314.9)- 1,310.8 = 1,319
4. Hitung slop
b2 = (A2` - A2``)
Tabel 2.11
Perhitungan Peramalan Penjulan Pakan Pada PT Arwana Baru Tahun 2017 dengan
Metode Double Exponential smoothing
Nilai Single Nilai Double
Penjulan Nilai Nilai Forecast Error
Periode Bulan Smooting Smooting
(Ton) α b α+bx et
(A`) (A``)
1 Januari 1,310 1,310.0 1,310.0 1,310.0
2 Februari 1,340 1,313.0 1,310.3 1,315.7 0.30
MSE =
MAPE =
Contoh Kasus
Perusahaan PT Arwana Baru yang bergerak pada bidang peternakan
memiliki data penjulan pakan dari Januari 2018–Desember 2018
sebagai berikut:
Tabel 2.12 Data Penjulan Pakan Pada PT Arwana Baru Tahun 2018
Periode Bulan Penjulan (Ton)
1 Januari 1,310
2 Februari 1,230
3 Maret 1,180
4 April 1,324
5 Mei 1,223
6 Juni 1,423
7 Juli 1,164
8 Agustus 1,457
9 September 1,298
10 Oktober 1,532
11 November 1,345
12 Desember 1,348
Lakukan peramalan dengan holt’s method of exponential smoothing
dengan nilai konstanta 0.7 dan β = 0.4?
Adapun langkah yang dapat dilakukan sebagai berikut.
1. Hitung nilai penghalusan (smoothed)
Untuk bulan kedua nilai penghalusan (smoothed) digunakan nilai
actual dari bulan kedua yaitu sebesar 1,230 sedangkan nilai trend
dibulan kedua diperoleh dari penjulana bulan kedua dikurang
penjualan bulan pertama (T2 = Y2 – Y1). Namun untuk bulan
selanjutnya perhitungan nilai tren menggunakan persamaan [2-
8]. Untuk bulan ke tiga maka digunakan formula:
A3 = aYt + (1-a)(At-1 + Tt-1)
A3 = 0.7(1,423) + (1-0.7)(1,230 + 120) = 1,401.1
46 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
MSE =
MAPE =
ct = [( )]2 ( -2 + )
= αY + (1-α)
=α + (1-α)
=α + (1-α)
Keterangan
= simple smoothing statistic; = double smoothing statistic
= triple smoothing statistic
Contoh Kasus
Perusahaan PT Arwana Baru yang bergerak pada bidang peternakan
memiliki data penjulan pakan dari Januari 2015 – Desember 2016
sebagai berikut:
Tabel 2.14 Data Penjulan Pakan PT Arwana Baru Tahun 2015& 2016
Periode Tahun Bulan Penjulan (Ton)
1 2015 Januari 1,210
2 Februari 1,230
3 Maret 1,180
4 April 1,324
5 Mei 1,223
6 Juni 1,423
7 Juli 1,164
8 Agustus 1,457
9 September 1,298
10 Oktober 1,532
11 November 1,345
12 Desember 1,348
13 2016 Januari 1,310
14 Februari 1,230
15 Maret 1,180
16 April 1,324
17 Mei 1,223
18 Juni 1,423
19 Juli 1,164
20 Agustus 1,457
21 September 1,298
22 Oktober 1,532
23 November 1,345
24 Desember 1,348
Bab II Peramalan dengan Teknik Smoothing 49
= ( ) ( )
3. Hitung koefisien at, bt, ct periode ketiga dan seterusnya.
Periode Ketiga
a3 = 3 -3 +3
a3 = 3( ) – 3(1,205.6) + 3(1,211.4) = 3,065.3
b3 = {(6-5α) -(10-8α) + (4-3α)
( )
b3 = {(6-5(0.6)) -(10-8(0.6)) +
( )
(4-3(0.6)) }
= -30.24
c3 = [( )]2 ( -2 + )
Periode Keempat
a4 = 3 -3 +3
a4 = 3( ) – 3(1,245.9) + 3(1,232.1) = 3,776.9
b4 = {(6-5α) -(10-8α) + (4-3α)
( )
b4 = {(6-5(0.6)) -(10-8(0.6))1,245.9+
( )
(4-3(0.6)) }
= 94.18
c4 = [( )]2 ( -2 + )
(4-3(0.6)) }
= 23.50
c24 = [( )]2 ( -2 + )
Tabel 2.15 Perhitungan Peramalan Penjulan Pakan Pada PT Arwana Baru Tahun 2015& 2016 Dengan
Triple Exponential smoothing
Penjulan
Periode Tahun Bulan
(Ton) ) at bt ct Forecast error
1 2015 Januari 1,210 1,220.0 1,220.0 1,220.0
2 Februari 1,230 1,220.0 1,220.0 1,220.0
3 Maret 1,180 1,196.0 1,205.6 1,211.4 3,605.3 -1.94 -0.05
4 April 1,324 1,272.8 1,245.9 1,232.1 3,776.9 5.97 0.16 3,603.3 -2,279.3
5 Mei 1,223 1,242.9 1,244.1 1,239.3 3,714.3 -1.51 -0.07 3,783.0 -2,560.0
6 Juni 1,423 1,351.0 1,308.2 1,280.7 3,970.2 8.21 0.19 3,712.8 -2,289.8
7 Juli 1,164 1,238.8 1,266.6 1,272.2 3,733.3 -8.14 -0.27 3,978.5 -2,814.5
8 Agustus 1,457 1,369.7 1,328.5 1,306.0 4,041.6 8.87 0.23 3,725.0 -2,268.0
9 September 1,298 1,326.7 1,327.4 1,318.8 3,954.3 -2.20 -0.11 4,050.6 -2,752.6
10 Oktober 1,246 1,278.3 1,297.9 1,306.3 3,859.9 -4.76 -0.14 3,952.1 -2,706.1
11 November 1,114 1,179.7 1,227.0 1,258.7 3,634.3 -8.81 -0.19 3,855.1 -2,741.1
12 Desember 1,101 1,132.5 1,170.3 1,205.7 3,503.6 -4.76 -0.03 3,625.4 -2,524.4
13 2016 Januari 1,006 1,056.6 1,102.1 1,143.5 3,294.1 -5.98 -0.05 3,498.8 -2,492.8
14 Februari 1,105 1,085.6 1,092.2 1,112.7 3,318.5 2.45 0.17 3,288.1 -2,183.1
15 Maret 1,198 1,153.1 1,128.7 1,122.3 3,440.0 6.80 0.22 3,321.0 -2,123.0
16 April 1,205 1,184.2 1,162.0 1,146.1 3,505.0 3.91 0.08 3,446.9 -2,241.9
17 Mei 1,257 1,227.9 1,201.5 1,179.4 3,617.2 3.88 0.05 3,509.0 -2,252.0
18 Juni 1,376 1,316.8 1,270.7 1,234.2 3,840.7 7.31 0.12 3,621.1 -2,245.1
19 Juli 1,388 1,359.5 1,324.0 1,288.0 3,970.7 3.86 -0.00 3,848.1 -2,460.1
20 Agustus 1,401 1,384.4 1,360.2 1,331.4 4,066.6 1.61 -0.06 3,974.6 -2,573.6
21 September 1,423 1,407.6 1,388.6 1,365.7 4,154.0 1.20 -0.05 4,068.2 -2,645.2
22 Oktober 1,430 1,421.0 1,408.1 1,391.1 4,212.3 0.53 -0.05 4,155.1 -2,725.1
23 November 1,489 1,461.8 1,440.3 1,420.6 4,326.4 2.81 0.02 4,212.8 -2,723.8
24 Desember 1,500 1,484.7 1,467.0 1,448.4 4,398.6 1.80 -0.01 4,329.2 -2,829.2
Bab II Peramalan dengan Teknik Smoothing 53
5. Winters’ Seasonal Exponential smoothing
Winters’ seasonal exponential smoothing merupakan metode
yang memperbaiki kelemahan dari metode holt’s exponential
smoothing. Kelemahan dari metode holt’s adalah metode ini hanya
mampu melakukan peramalan dengan pola data trend. Jika pola data
tidak hanya dipengaruhi oleh trend, namun juga dipengaruhi oleh
pola musiman maka metode holt’s menjadi tidak tepat untuk
digunakan. Oleh karena itu, metode winters’ seasonal exponential
smoothing menjadi tepat untuk digunakan karena metode ini
menutupi kelemahan dari metode holt’s dengan menambahkan satu
parameter yang berfungsi untuk mengatasi pola musiman data yang
digunakan. Hal ini mengingat, bahwa banyak produk dan penjualan
memiliki komponen musiman di dalamnya, model ini sangat
membantu dalam membuat prakiraan bulanan atau triwulanan
untuk keperluan manajemen persediaan. Adapun formula winters’
seasonal exponential smoothing adalah sebagai berikut:
Exponentially smoothed series
Perkiraan trend
Tt-1 = β (At - At-1) + (1-β) Tt-1 [2-12]
Perkiraan musim
It = γ ( ) It-L [2-13]
Yt = nilai aktual
α = konstanta smoothing (0 < α < 1)
β = konstanta smoothing untuk estimasi tren (0 < β < 1)
γ = konstanta smoothing untuk estimasi musim (0 < β < 1)
Tt = estimasi tren untuk periode t
It = estimasi musiman diukur sebagai indeks
L = panjang musim
x = periode pengamatan untuk peramalan
Ŷt+x = forecast untuk periode pengamatan mendatang
Contoh Kasus
Perusahaan PT Bahama Baru yang bergerak pada bidang pertanian
memiliki data penjulan ikan dari Kuartal I;2010 – Kuarter I; 2015
sebagai berikut:
Tabel 2.16 Data Penjulan Ikan PT Bahama Baru Tahun 2010& 2015
Tahun Kuartal Periode Penjulan (Ton)
2010 I 1 5.1
II 2 6.1
III 3 5.6
IV 4 4.5
2011 I 5 4.3
II 6 5.2
III 7 5.6
IV 8 2.5
2012 I 9 2.2
II 10 4.2
III 11 4.6
IV 12 4.2
2013 I 13 3.9
II 14 5.1
III 15 5.8
IV 16 4.9
2014 I 17 4.1
II 18 5.3
III 19 6.9
IV 20 6
2015 I 21 5.9
Bab II Peramalan dengan Teknik Smoothing 55
dan seterusnya
56 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
α= ; n = jumlah observasi
α= = 4.857
β=
β= = 0.042
Bab II Peramalan dengan Teknik Smoothing 57
Tabel 2.18 Perhitungan Awal Trend Data Penjulan Ikan PT Bahama
Baru Tahun 2010& 2015
Rasio Aktual Estimasi
Penjulan terhadap awal
Tahun Kuartal Periode Ŷ
(Y) trend musim
(Y/ Ŷ)
2010 I 1 5.1 4.4 1.15
II 2 6.1 4.5 1.36
III 3 5.6 4.5 1.24
IV 4 4.5 4.6 0.99
2011 I 5 4.3 4.6 0.93 1.23
II 6 5.2 4.6 1.12 1.22
III 7 5.6 4.7 1.19 1.04
IV 8 2.5 4.7 0.53 1.87
2012 I 9 2.2 4.8 0.46 2.03
II 10 4.2 4.8 0.87 1.28
III 11 4.6 4.9 0.95 1.26
IV 12 4.2 4.9 0.86 0.62
2013 I 13 3.9 4.9 0.79 0.58
II 14 5.1 5.0 1.02 0.85
III 15 5.8 5.0 1.15 0.82
IV 16 4.9 5.1 0.97 0.89
2014 I 17 4.1 5.1 0.80 0.98
II 18 5.3 5.2 1.03 0.99
III 19 6.9 5.2 1.33 0.87
IV 20 6 5.2 1.15 0.84
2015 I 21 5.9 5.3
I1= =1.23
I2= =1.22
I18= =0.99
58 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
A10 = 5.29
Catatan: nilai Ŷ21 digunakan untuk nilai A21
7. Hitung Tt-1 (Perkiraan Trend)
T22 = β (A22 – A22-1) + (1-β) T22-1
T22 = 0.4 (5.29 – 5.2) + (1-0.4) 0.042
T22 = 0.046
Bab II Peramalan dengan Teknik Smoothing 59
8. Hitung It (Perkiraan Musim)
I22 = γ ( ) I22-4
I22 = 0.996
9. Hitung Ŷt+x (Peramalan periode kedepan)
Adanya nilai A22, T22, I22 memberikan informasi baru yang telah
direvisi untuk perkiraan kedepan sehingga dapat dibuat forecast
periode kedepan (Tabel 2.18) sebagai berikut:
Ŷ22+3 = (A22 + xT22) I22-4
Ŷ25= (A22 + (3) T22) I22-4
Ŷ25= (5.29 + (3) 0.042) 0.99
Ŷ25= 5.36
Perlu dicatat bahwa keunggulan dari model ini adalah untuk
merevisi At, Tt, dan It. ketika informasi baru tersedia. Namun disisi
lain, terdapat juga kelemahan yaitu ketidakmampuannya untuk
memperhitungkan faktor-faktor siklus dalam suatu rangkaian
waktu. Ditambah lagi, pemilihan konstanta agar mendapatkan
nilai error, Mean absolut Error (MAE), Mean Squared Error (MSE),
Mean absolute Percentage Error (MAPE) terkecil.
60 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
1. Trend
Trend atau dapat disebut juga trend sekuler adalah salah satu
alat analisis yang menggambarkan perubahan rata-rata suatu
variabeldari waktu ke waktu. Perubahan ini berupa gerakan jangka
panjang yang memliki kecenderungan menuju pada satu arah
tertentu yaitu arah naik atau turun. Jika kecenderungannya berupa
perubahan rata-rata yang menuju pada arah naik maka dapat
disebut trend positif, sebaliknya jika kecenderungannya berupa
perubahan rata-rata yang menuju pada arah turun maka dapat
disebut trend negatif. Ada beberapa metode yang dapat digunakan
dalam untuk menentukan nilai trend antara lain trend linear, trend
parabolic dan trend exponensial. Penjabaran mengenai trend sebagai
berikut.
Bab III Peramalan dengan Teknik Dekomposisi 63
a. Trend Linear
Trend linear dapat diartikan jika dapat deret waktu
digambarkan dalam suatu plot mendekati garis lurus. Dalam trend
linear ada beberapa metode yang dapat digunakan yaitu:
i. Trend dengan Metode Tangan Bebas (Free Hand)
Trend dengan metode tangan bebas merupakan metode yang
sangat sederhana karena tidak memerlukan perhitungan-
perhitungan dengan formulasi tertentu. Penggunaan trend ini, cukup
dengan membuat garis lurus secara bebas pada data observasi yang
telah digambar dalam suatu diagram pencar sesuai dengan letak
titik-titiknya (variasi). Namun kemiringan garis trend menjadi sangat
tergantung dari yang membuat garis sehingga unsur subjektivitas
dari pembuat trend menjadi bagian dari kelemahan metode ini.
Akibatnya nilai-nilai trend menjadi tidak akurat. Meskipun jika garis
trend dapat digambar secara hati-hati dan memiliki kemungkinan
mendekati nilai estimasinya jika dihitung secara matematis.
Contoh Kasus
Perusahaan PT Gamis Baru yang bergerak pada bidang pertanian
memiliki data penjulan sawit dari Tahun 2010–2016 sebagai berikut.
Tabel 3.1 Data Penjulan Sawit PT Gamis Baru Tahun 2010-2016
Tahun Periode Penjulan (Ton)
2010 1 100
2011 2 110
2012 3 145
2013 4 170
2014 5 200
2015 6 225
2016 7 250
Buat trend dengan menggunakan metode tangan bebas sesuai
dengan tabel 3.1.
64 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
250
225
200
170
145
110
100
b =
Y = a + bX
a = 58.3
b = = 11.67
Persamaan trend:
Y = 58.3+ 11.67 X
(Y adalah trend tahunan, origin 2011)
Nilai trend tahun 2016 (X=5)
Y = 58.3+ 11.67 (5)
= 116.67
2. Perhitungan nilai trend dan gambar grafis
Kemudian untuk menggambarkan garis trend tersebut perlu dihitung
nilai trend dari tahun 2010-2015 sebagai berikut:
Y 2010 = 58.3+ 11.67 (-1) = 46.67
Y 2011 = 58.3+ 11.67 (0) = 58.33
Y 2012 = 58.3+ 11.67 (1) = 70
Y 2013 = 58.3+ 11.67 (2) = 81.67
Y 2014 = 58.3+ 11.67 (3) = 99.33
Y 2015 = 58.3+ 11.67 (4) = 105
Bab III Peramalan dengan Teknik Dekomposisi 67
110
100
90
80
70
55
50
Y = a + bX
a = 63.75
b = = 4.38
( )
Persamaan trend:
Y = 63.75 + 4.38 X
Nilai trend tahun 2017 (X=11)
Bab III Peramalan dengan Teknik Dekomposisi 69
Y = 63.75 + 4.38 (11)
= 116.67
2. Perhitungan nilai trend dan gambar grafis.
110
100
90
80
70
55
50
β=
Bab III Peramalan dengan Teknik Dekomposisi 73
Periode waktu (X) dapat memiliki nilai yang berbeda untuk jumlah
observasi tahun ganjil atau genap. Untuk tahun ganjil (n ganjil) maka
nilai X = …,-3, -2, -1, 0, 1, 2, 3…. Sedangkan untuk tahun genap (n
genap) maka nilai X = ….,-5, -3, -1, 1, 3, 5….
α=
α=
α=
74 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
β=
β=
α=
2. Membuat persamaan trend
Jadi persamaan garis trend adalah sebagai berikut:
Y = 67 + 13.5X
3. Mengitung nilai trend
Y2015 = 67 + 13.5(-2)= 40
Y2016 = 67 + 13.5(-1) = 53.5
Y2017 = 67 + 13.5(0) = 67
Y2018 = 67 + 13.5(1) = 80.5
Y2019 = 67 + 13.5(2)= 94
Jadi, dapat dibuat peramalan untuk tahun 2020 yang dapat
dihitung sebagai berikut:
Y2020 = 67 + 13.5(3)= 107.5
α=
α=
α=
β=
β=
α=
2. Membuat persamaan trend
Jadi persamaan garis trend adalah sebagai berikut:
Y = 74.2 + 6.9X
3. Mengitung nilai trend
Y2015 = 74.2 + 6.9 (-5)= 39.7
Y2016 = 74.2 + 6.9 (-3) = 53.5
Y2017 = 74.2 + 6.9 (-1) = 67.3
Y2018 = 74.2 + 6.9 (1) = 81.1
Y2019 = 74.2 + 6.9 (3)= 94.9
Y2020= 74.2 + 6.9 (5)= 108.7
Jadi dapat dibuat peramalan untuk tahun 2021 yang dapat
dihitung sebagai berikut:
76 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Contoh Kasus
Perusahaan PT Hujan yang bergerak dibidang penjulan beras
memiliki data penjualan dari Tahun 2010–2015 sebagai berikut:
Tabel 3.12 Data Penjualan PT Hujan Tahun 2010–2015
Tahun Penjualan (Ton)
2010 55
2011 75
2012 85
2013 90
2014 110
Lakukan perhitungan dengan menggunakan metode kuadrat terkecil
dengan metode matematis?
Adapun langkah yang dapat dilakukan sebagai berikut:
1. Menentukan nilai β
415 = 5.a + 10β (x2) = 5.a + 20β
= 10a + 30β (x1) = 10a + 30β
-125 = -10β
β = 12.5
Bab III Peramalan dengan Teknik Dekomposisi 77
= 5.a + 10β
= 5.a + 10(12.5)
= 5.a + 125
5a = 415-125
= 58
Jadi persamaan trendnya Y = 58 + 12.5X
Tabel 3.13 Perhitungan Trend PT Hujan Tahun 2010-2014
Tahun Y X XY X2 Trend
2010 55 0 0 0 58
2011 75 1 75 1 70.5
2012 85 2 170 4 83
2013 90 3 270 9 95.5
2014 110 4 440 16 108
Jumlah 415 10 955 30
Kuartal Y= +
Semester Y= +
Contoh kasus pada pada trend moment tabel 3.3. yang diketahui
persamaan trend sebagai berikut:
Y = 58 + 12.5X
Di mana
Tahun dasarnya adalah tahun 2010
Untuk melakukan perubahan menjadi trend rata-rata perbulan,
kuartal dan semester maka lakukan pembagian maka nilai a, dan
β sebagai berikut:
a. Trend Rata-Rata Bulanan
Y= +
Y= +
Y= +
Dengan tahun dasar 2010 maka diperoleh nilai trend rata-rata
bulanan sebagai berikut:
Y2010 = + ( ) 4.83
Y2011 = + ( ) 5.87
Y2012 = + ( ) 6.91
Y2013 = + ( ) 7.95
Y2014 = + ( ) 8.99
80 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Y= +
Y= +
Y= +
Dengan tahun dasar 2010 maka diperoleh nilai trend rata-rata
kuartal sebagai berikut:
Y2010 = + ( ) 14.50
Y2011 = + ( ) 17.63
Y2012 = + ( ) 20.76
Y2013 = + ( ) 23.89
Y2014 = + ( ) 27.02
c. Trend Rata-Rata Semester
Y= +
Y= +
Y= +
Dengan tahun dasar 2010 maka diperoleh nilai trend rata-rata
semester sebagai berikut:
Y2010 = + ( ) 29
Y2011 = + ( ) 35.25
Y2012 = + ( ) 41.51
Y2013 = + ( ) 47.76
Y2014 = + ( ) 54.01
Y= +
Y= +
82 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Y= +
Y= +
Y= +
Dengan tahun dasar 2010 maka diperoleh nilai trend rata-rata
kuartal sebagai berikut:
YKuartal I, 2010 = + ( ) 14.50
YKuartal II, 2010 = + ( ) 15.28
YKuartal III, 2010 = + ( ) 16.06
YKuartal IV, 2010 = + ( ) 16.84
Bab III Peramalan dengan Teknik Dekomposisi 83
dan seterusnya
YKuartal IV, 2014 = + ( ) 29.32
c. Trend Semester
Y= +
Y= +
Y= +
Dengan tahun dasar 2010 maka diperoleh nilai trend rata-rata
semester sebagai berikut:
Ysemester I, 2010 = + ( ) 29
Ysemester II, 2010 = + ( ) 32.13
Ysemester I 2011 = + ( ) 35.26
Ysemester II, 2011 = + ( ) 38.39
Ysemester I 2012 = + ( ) 41.52
Ysemester II, 2012 = + ( ) 44.65
Ysemester II, 2013 = + ( ) 47.78
Ysemester I 2013 = + ( ) 50.91
Ysemester I 2014 = + ( ) 54.04
Ysemester II, 2014 = + ( ) 57.17
vi. Trend Nonlinear
Pada pembahasan sebelumnya sudah dibahas penggunaan trend
linear. Namun selain trend linear terdapat pula metode nonlinear.
Trend nonlinear adalah trend dengan variabeldengan pangat (bukan
pangkat 1). Ada 2 metode yang dapat digunakan yaitu trend
parabolic dan trend eskponensial dengan penjabaran sebagai
berikut:
84 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
a. Trend Parabolik
Trend parabolic atau dikenal dengan sebutan trend kuadrat
adalah trend dengan variabel X berpangkat paling tinggi 2
sehingga akan menghasilkan garis trend melengkung. Bentuk
umum persamaan trend parabolic sebagai berikut:
Y = a + bX + cX2
Di mana
Y = nilai trend
X = periode waktu
a, b, c = konstanta
Untuk membuat garis trend maka terelebih dahulu dicari nilai a,
b, dan c. Dengan persamaan normal maka dapat ditentukan nilai
a, b, dan c sebagai berikut:
∑Y = n . a + c∑X2
∑XY = b∑X2
∑X2Y = a∑X2 + c∑X4
Periode waktu (X) dapat memiliki nilai yang berbeda untuk
jumlah observasi tahun ganjil atau genap. Untuk tahun ganjil (n
ganjil) maka nilai X = …,-3, -2, -1, 0, 1, 2, 3…. Sedangkan untuk
tahun genap (n genap) maka nilai X = ….,-5, -3, -1, 1, 3, 5….
Nilai a, b, dan c dapat ditentukan dengan rumus berikut:
( )( ) ( )( )
a= ( ) ( )
( )
b=
( ) ( )( )
c= ( ) ( )
Contoh Kasus
Bab III Peramalan dengan Teknik Dekomposisi 85
Perusahaan PT Panas yang bergerak dibidang penjulan minyak
goreng memiliki data penjualan dari Tahun 2010 –2019 sebagai
berikut:
Tabel 3.14 Data Penjualan PT Panas Tahun 2010-2019
Tahun Penjualan (Ton)
2010 22
2011 27
2012 30
2013 33
2014 34
2015 37
2016 42
2017 45
2018 46
2019 49
Lakukan perhitungan dengan menggunakan trend parabolik?
Adapun langkah yang dapat dilakukan sebagai berikut:
1. Menentukan nilai
( )( ) ( )( )
a= ( ) ( )
a=
a = 36,88
( )
b=
b=
( ) ( )( )
c= ( ) ( )
c=
c=
Tabel 3.15 Perhitungan Trend PT Panas Tahun 2010-2019
Tahun Y X XY X2 X2Y X4
86 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Log a =
Log b =
Contoh Kasus
Perusahaan PT Dingin yang bergerak dibidang penjulan radio
memiliki data penjualan dari Tahun 2015 –2019 sebagai berikut:
Tabel 3.16 Data Penjualan PT Dingin Tahun 2015-2019
Tahun Penjualan (Unit)
2015 37
2016 42
2017 45
2018 46
2019 49
Lakukan perhitungan dengan menggunakan trend parabolik?
Adapun langkah yang dapat dilakukan sebagai berikut:
1. Menentukan nilai
Log a =
Log a =
Log a =
Log b =
88 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Log b =
Log b =
Jadi persamaan yang dapat dibuat dengan trend exponential
sebagai berikut:
Log Y = 1.64 + 0.28(X)
Tabel 3.17 Perhitungan Trend PT Dingin Tahun 2010-2019
Tahun Y X Log Y X.Log Y X2
2015 37 -2 1.57 -3.14 4
2016 42 -1 1.62 -1.62 1
2017 45 0 1.65 0.00 0
2018 46 1 1.66 1.66 1
2019 49 2 1.69 3.38 4
Jumlah 219 0 8.20 0.28 10
b. Variasi Musim
Varaiasi musim (S) merupakan salah satu komponen dalam
metode dekomposisi. Pentingnya memahami variasi musim karena
dalam satu periode waktu, misalnya satu tahun, memiliki variasi
yang berulang. Misalnya permintaan baju sekolah ketika tahun
ajaran baru, meningkatnya permintaan tiket ketika musim liburan.
Untuk mengetahui adanya pola variasi musim suatu data berkala
maka komponen lain seperti trend (T), variasi siklis (C), dan variasi
random (I) harus dihilangkan. Pola variasi musim akan dinyatakan
dalam indeks yang disebut indeks musim. Ada beberapa metode
yang dapat digunakan dalam variasi musim antara lain metode rata-
rata total, metode rata-rata sederhana, metode persentase terhadap
trend dan metode persentase terhadap bergerak. Berikut penjabaran
metode variasi musim:
1. Metode Rata-Rata Total
Cara untuk melakukan perhitungan metode rata-rata total
sebagai berikut:
a. Menghitung jumlah nilai masing-masing (semester, kuartal
atau bulan)
b. Menghitung nilai rata-rata dari jumlah nilai
c. Menghitung nilai indeks
Contoh kasus
Perusahaan PT Hangat yang bergerak dibidang penjulan kursi
memiliki data penjualan dari Tahun 2015 –2019 sebagai berikut:
90 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Kuartal II
Kuartal I
Kuartal I
Jadi indeks musim kuartal I, II, III dan IV sebesar 89.9; 97.4;
103; dan 109.9
Bab III Peramalan dengan Teknik Dekomposisi 91
2. Metode Rata-Rata Sederhana
Cara untuk melakukan perhitungan metode rata-rata sederhana
sebagai berikut:
a. Menghitung rata-rata setiap kuartal
b. Menghitung prosentase total terhadap rata-rata
c. Menghitung nilai indeks
Contoh Kasus
Perusahaan PT Hangat yang bergerak dibidang penjulan kursi
memiliki data penjualan dari Tahun 2015–2019 sebagai tabel
3.18. Buatlah indeks musim kuartal dengan metode rata-rata
sederhana?
Adapun langkah yang dapat dilakukan sebagai berikut:
1. Hitung rata-rata setiap kuartal
Tabel 3.20 Perhitungan Rata-Rata Penjualan
PT Hangat Tahun 2010-2019
Kuartal
Tahun
I II III IV
2015 37 40 41 45
2016 47 50 53 54
2017 59 64 67 71
2018 60 65 72 75
2019 70 77 80 89
Jumlah 273 296 313 334
Rata-Rata 68.25 74 78.25 83.5
Y= +
Y= +
Y= +
Dengan tahun dasar 2015 maka diperoleh nilai trend rata-rata
kuartal dengan nilai x pada tabel 3.24. sebagai berikut:
YKuartal I, 2010 = + ( ) 46.71
YKuartal II, 2010 = + ( ) 47.57
YKuartal III, 2010 = + ( ) 48.43
94 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Tabel 3.23 Perhitungan Nilai α dan β dengan Metode Least Square Pada PT Barokah Tahun 2010-2019
Kuartal
Tahun Y X xy x2
I II III IV
2010 37 40 41 45 163 -9 -1467 81
2011 42 44 50 55 191 -7 -1337 49
2012 56 59 61 65 241 -5 -1205 25
2013 60 62 65 68 255 -3 -765 9
2014 62 64 68 71 265 -1 -265 1
2015 59 63 64 68 254 1 254 1
2016 70 72 74 77 293 3 879 9
2017 71 73 75 79 298 5 1490 25
2018 60 64 68 75 267 7 1869 49
2019 70 75 82 85 312 9 2808 81
Jumlah 2539 0 2261 330
Keterangan
α= = =
β= = =
PPR =
dan seterusnya
Indeks musim =
2010 I 37
II 40 163
III 41 168 331 41.38 99.09
IV 45 172 340 42.50 105.88
2011 I 42 181 353 44.13 95.18
II 44 191 372 46.50 94.62
III 50 205 396 49.50 101.01
IV 55 220 425 53.13 103.53
2012 I 56 231 451 56.38 99.33
II 59 241 472 59.00 100.00
III 61 245 486 60.75 100.41
IV 65 248 493 61.63 105.48
2013 I 60 252 500 62.50 96.00
II 62 255 507 63.38 97.83
III 65 257 512 64.00 101.56
IV 68 259 516 64.50 105.43
2014 I 62 262 521 65.13 95.20
II 64 265 527 65.88 97.15
III 68 262 527 65.88 103.23
IV 71 261 523 65.38 108.60
2015 I 59 257 518 64.75 91.12
II 63 254 511 63.88 98.63
III 64 265 519 64.88 98.65
IV 68 274 539 67.38 100.93
2016 I 70 284 558 69.75 100.36
II 72 293 577 72.13 99.83
III 74 294 587 73.38 100.85
Bab III Peramalan dengan Teknik Dekomposisi 99
Rata-rata median =
c. Variasi Siklis
Variasi siklis adalah pola perubahan suatu hal fluktuasi naik dan
turun dengan periode yang stabil dalam jangka panjang. Variasi siklis
dihitung dalam bentuk indeks. Adapun langkah untuk menghitung
variasi siklis dengan cara:
1. Mengetahui data asli (Y)
Bab III Peramalan dengan Teknik Dekomposisi 101
2. Menghitung nilai trend (T)
3. Menghitung indeks musim (S)
4. Menghitung nilai normal yaitu TCI = Y/S
5. Menghitung faktor siklus dengan mengeluarkan pengaruh trend
yaitu CI = TCI/T
6. Menghitung indeks siklus dengan melakukan metode rata-rata
bergerak pada data CI
Contoh kasus
Contoh kasusu menggunakan dapat pada Perusahaan PT Barokah
yang bergerak dibidang penjualan meja memiliki data penjualan dari
Tahun 2010 –2019 sebagaimana tabel 3.22. Hitunglah indeks siklis?
Adapun langkah perhitungan sebagai berikut:
1. Hitung data penjualan (Y)
Data penjualan dapat diliat pada tabel 3.22. Contohnya pada tahun
2010 kuartal I nilai penjualan sebesar 37 unit, tahun 2010 kuartal
II nilai penjualan sebesar 40 unit, dan seterusnya.
2. Hitung nilai trend (T)
Nilai trend menggunakan data pada tabel 3.24 diketahui bahwa
pada tahun 2010 kuartal I nilai trend sebesar 46,71 unit, tahun
2010 kuartal II nilai penjualan sebesar 48,43 unit, dan seterusnya.
3. Hitung indeks musim (S)
Indkes musim dihitung dengan metode presentase terhadap rata-
rata bergerak diperoleh hasil indeks musim kuartal I sebesar
95.34%, indeks musim kuartal II sebesar 97.97%, indeks musim
kuartal III sebesar 101.08% dan indeks musim kuartal IV sebesar
105.01%.
4. Hitung TCI
102 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
TCI = Y/S
Contoh Tahun 2010 kuartal I : = 38.81
dan seterusnya.
5. Hitung CI
Contoh Tahun 2010 kuartal I ; = 83.08
dan seterusnya.
d. Variasi Random
Variasi random adalah variasi berupa gerakan tidak beraturan
yang terjadi secara tiba-tiba dan sukar diperkirakan. Adapun langkah
untuk menghitung variasi random yaitu melanjutkan tabel dengan
cara:
1. Menghitung indeks siklis (CI)
2. Menentukan julah tertimbang nilai siklis (C)
3. Menghitung nilai variasi random (I)
Contoh kasus menggunakan tabel 3.27 maka dapat dihitung nilai
varaiasi random sebagai berikut:
1. Hitung nilai C
Contoh Tahun 2010 kuartal II
:
104 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
: = 84.22
: = = 85.51
: = 86.18
dan seterusnya.
2. Hitung nilai R
R = CI/C
dan seterusnya.
Tabel 3.30 Perhitungan Variasi random
Penjualan
Tahun Kuartal T S CI C R
(Y)
2010 I 37 46.71 95.34 83.08
II 40 47.57 97.97 85.83 84.22 101.91
III 41 48.43 101.08 83.75 85.51 97.95
IV 45 49.29 105.01 86.94 86.18 100.88
2011 I 42 50.15 95.34 87.84 87.61 100.27
II 44 51.01 97.97 88.04 90.42 97.38
III 50 51.87 101.08 95.36 94.25 101.19
IV 55 52.73 105.01 99.33 101.43 97.93
2012 I 56 53.59 95.34 109.60 106.51 102.90
II 59 54.45 97.97 110.60 109.77 100.76
III 61 55.31 101.08 109.11 109.97 99.22
IV 65 56.17 105.01 110.20 109.89 100.28
2013 I 60 57.03 95.34 110.35 109.96 100.36
II 62 57.89 97.97 109.32 109.71 99.64
Bab III Peramalan dengan Teknik Dekomposisi 105
Y *
*
* * *
* e
*
X
Gambar 4.1. Fungsi Liner Ŷ = α + βXi
Bab IV Peramalan dengan Regresi Sederhana 109
Dalam suatu penelitian, jarang sekali datanya berupa populasi
karena menghadapi keterbatasan dan efisiensi. Jadi data yang
digunakan bukan data populasi tetapi data estimasi. Jika data yang
digunakan adalah data popluasi maka modelnya disebut population
regretion fungtion, sedangkan jika data yang digunakan adalah data
sempel maka modelnya disebut semple regretion function. Lalu
pertanyaannya adalah, apakah model semple regretion function dapat
digeneralisasikan/diberlakukan pada population regretion fungtion.
Maka jawabannya bisa, jika modelnya valid.
= )
( )
= )
( )
Contoh kasus
Perusahaan PT Aisah yang bergerak dibidang penjulan obat
memiliki data penjualan dan biaya promosi dari Tahun 2015 –
2019 sebagai berikut:
Bab IV Peramalan dengan Regresi Sederhana 111
Tabel 4.1 Data Biaya Promosi dan Penjualan PT Aisah
Tahun 2010-2019
Penjualan (Unit) Biaya Promosi (Juta)
Tahun
Y X
2015 10 2
2016 15 6
2017 17 9
2018 20 11
2019 25 15
Lakukan perhitungan dengan menggunakan persaman regresi
sederhana dengan menghitung:
a. Hitung nilai α dan β dengan persamaan regresi Ŷ = α + βXi
b. Buat peramalan jika terjadi kenaikan biaya promosi 1 juta
rupiah dan 3 juta rupiah
c. Hitung kesalahan baku regresi.
Adapun langkah perhitungan sebagai berikut:
a. Hitung nilai α dan β
Tabel 4.2 Perhitungan Nilai α dan β PT Aisah
Tahun 2010-2019
Tahun Y X X2 Y2 XY
2015 10 2 4 100 20
2016 15 6 36 225 90
2017 17 9 81 289 153
2018 20 11 121 400 220
2019 25 15 225 625 375
Jumlah 87 43 467 1639 858
∑ =∑ – (∑Xi) /n
∑ = 467 – (43) /5
∑ = 467 – 369.8
∑ = 97.2
∑ =∑ – (∑Yi) /n
∑ = 1,639 – (87) /5
112 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
∑ = 1,639 – 1,513.8
∑ = 125.3
∑xiyi = ∑XiYi – (∑Xi)(∑Yi)/n
∑xiyi = 858 – (43)(87)/5
∑xiyi = 858 – 748.2
∑xiyi = 109.8
̅ = ∑Xi = ( )=8.6
̅ = ∑Yi = ( )=17.4
( )
( ) ( )( )
( ) ( )
( ) ( )( )
( ) ( )
̅ ̅
( )(8.6)
=
( )( )
=
( )
=
= =0.42
=√
=
= ( )
= ( )
=
114 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
= ( )
=
=√
= 0.637
Jadi kesalahan baku dari α sebesar 0.637 persen.
=√
= 0.066
Jadi kesalahan baku dari β sebesar 0.10 unit. Persamaan yang
dapat dibuat sebagai berikut:
Ŷ 1.69 + 1.84(3)
=
(0.63) (0.06)
2. t hitung
Setelah menyusun persamaan regresi dan menghitung kesalahan
baku, maka selanjutnya perlu juga untuk melakukan pengujian
hipotesis. Pengujian hipotesis untuk mengetahui ada atau tidak
pengaruh dari variabel independen terhadap variabel dependen.
Untuk lebih memudahkan gambaran pengujian hipotesis maka dapat
disimpulkan bahwa dalam penentapan adanya pengaruh signifikan
dapat menggunakan perbandingan antara t hitung dengan t table
atau dengan membandingkan dengan nilai signifikansi:
Berdasarkan t hitung dan t table:
Bab IV Peramalan dengan Regresi Sederhana 115
1. Jika t hitung > t tabel maka variabel Independent memengaruhi
variabel dependen
2. Jika t hitung < t tabel maka variabel Independent tidak
memengaruhi variabel dependen
Berdasarkan nilai signifikansi (diasumsikan tingkat error 5%):
1. Jika nilai signifikansi < 0,05 maka variabel Independent
memengaruhi variabel dependen
2. Jika nilai signifikansi < 0,05 maka variabel Independent tidak
memengaruhi variabel dependen
Rumus yang dapat digunakan untuk menghitung t hitung:
√
t0 = =
di mana
=√ ( )
di mana
=√ ( )
Contoh kasus
Menggunakan kasus I pada perusahaan PT Aisah dengan data pada
table 4.1. dapat dihitung nilai t hitung sebagai berikut:
Untuk menghitung t hitung maka terlebih dahulu ditetapkan tingkat
error yang ditoleransi, misalnya 5% maka
116 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
( )
( )
t0.025(3) = 3.18
t0 =
t0 = = 17.121
t0 = = 12.05
3. F hitung
Untuk mengetahui ada atau tidak pengaruh variabel Independent
terhadap dependen, selain menggunakan t hitung dapat
menggunakan fungsi F, dengan menggunakan table analisis varians
(Anova) sebagai berikut:
F0 = ( )
F0 = ( )
= β∑xiyi
= (1.13) (109.8)
= (124.074)
=∑
= 125.3
= 1.23
118 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Residu = ( )
Residu = ( )
Residu =
Tabel 4.4. Anova Kasus PT Aisah
Sumber Jumlah Kuadrat Drajat Rata-Rata
Variasi Kebebasan Kuadrat
X (regresi) 124.074 1 124.074
Residu 1.23 5-2
F0 =
F0 =
karena F hitung = 17.121 > F0.05(1)(3) = 10.13 maka ada pengaruh
variabel Independent terhadap variabel dependen.
r=
√( ( ) ] ( ) ]
r2= ( )2
√( ( ) ] ( ) ]
Contoh kasus
Menggunakan kasus I pada perusahaan PT Aisah dengan data pada
table 4.1. dapat dihitung nilai korelasi dan koefisien determinasi
sebagai berikut:
r=
√( ( ) ] ( ) ]
( ) ( )( )
r= (
√( ( ) ] ( ) ( ) ]
r= ( (
√ )] )]
r=
√( )( )
r=
√
r=
r=
120 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
2015 200 82 11
2016 230 78 13
2017 250 75 14
2018 270 65 18
2019 300 55 21
Lakukan perhitungan dengan menggunakan persaman regresi
liner berganda dengan menghitung:
a. Hitung nilai α dan β dengan persamaan regresi Ŷ = α + β1Xi+
β2X2
b. Hitung kesalahan baku regresi.
c. Hitung korelasi dan koefisien determinasi
d. Hitung F hitung
e. Hitung t hitung
Adapun langkah perhitungan sebagai berikut:
( )
∑ =∑ –
( )
∑ = 48,557 –
∑ = 48,557 –
∑ = 991
( )
∑ =∑ –
( )
∑ = 1,372 –
∑ = 1,372 –
∑ = 268
∑x1 x2 = ∑X1X2 -
( )( )
∑x1i x2i = 6,758 -
∑x1 y = ∑X1 Y -
( )( )
∑x1i yi = 123,640 -
∑x1i yi = 123,640 -
∑x1i yi = -5,159
∑x2 y = ∑X2Y-
( )( )
∑x1i yi = 22,480 -
∑x1i yi = 22,480 -
∑x1i yi = 2,858
( )
∑ =∑ –
( )
∑ = 379,700 –
∑ = 379,700 –
∑ = 31,087.50
( )( ) ( )( )
β1 = ( )( ) ( )
( )( ) ( )( )
β1 = ( )( ) ( )
β1 =
β1 =
( )( ) ( )( )
β2 = ( )( ) (( )
( )( ) ( )( )
β2 = ( )( ) ( )
β2 =
β2 =
Bab V Peramalan dengan Regresi Berganda 127
α=
( )( ) ( )( )
α=
( ) ( )
α=
α=
α=
b. Koefisien determinasi
( )( ) ( )( )
R2 =
( )( ) ( )( )
r2 =
128 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
r2 =
r2 =
R =
Dapat diinterpretasikan korelasi antara variabel harga dan biaya
promosi terhadap penjualan sebesar 0.993 yang berarti kolerasi
sangat kuat. Untuk koefisien determinasi diperoleh hasil = 0,986
berarti 98,6 persen (0,986 x 100) variasi variabel dependen
dapat dijelaskan oleh variabel independen sedangkan sisanya
0.01 persen (100 persen – 98.6 persen) dijelaskan oleh variabel
lain.
( ) ( ) ( )(( )
Se (Syx) = √ ( )
Se (Syx) = √
Se (Syx) = √
Se (Syx) = 9.60
Jadi standart error persamaan regresi adalah 9.60, hal ini
menunjukkan penyimpangan data-data terhadap garis
persamaan regresi linear berganda yang terbentuk.
Kesalahan baku untuk koefisien X1 dan X2
Sβ1 =
√( ̅̅̅̅̅) ( )
Bab V Peramalan dengan Regresi Berganda 129
Sβ1 =
√(( ) (̅̅̅̅̅̅̅̅̅̅̅) ( )
Sβ1 =
Sβ2 =
√( ̅̅̅̅̅) ( )
Sβ1 =
√(( ) (̅̅̅̅̅̅̅̅̅̅̅) ( )
Sβ1 =
d. F Hitung
F hitung menggunakan formulasi berikut:
= β1∑x1y + β2∑x2y
= (1.08) (-5,159) + (12.68) (2,858)
= 30,667.72
Tabel 5.3. Anova Kasus PT Syifa
Sumber Jumlah Kuadrat Drajat Rata-Rata
Variasi Kebebasan Kuadrat
X 30,667.72 2 15,333.86
(regresi)
Residu 461.65 8-2-1 = 5 92.33
Jumlah 31,129.37 7 166.08
e. t Hitung
t hitung dapat diformulasikan sebagai berikut:
t0 = = = 1.05
t0 = = = 6.395
461.65
132 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Anda apa yang perlu Anda ketahui untuk mengambil tindakan yang
berarti di masa sekarang”, jadi buat apa peramalan itu.
Peramalan adalah alat yang ampuh yang dapat digunakan di
setiap area fungsional bisnis. Manajer produksi menggunakan
peramalan untuk memandu strategi produksi dan pengendalian
inventaris mereka. Perusahaan dengan berbagai lini produk
berkaitan dengan minimalisasi biaya karena berkaitan dengan
material dan tenaga kerja. Selain itu, tren dan ketersediaan bahan,
tenaga kerja, dan kapasitas pabrik memainkan peran penting dalam
proses produksi.
Tujuan dari peramalan adalah untuk memberikan informasi
kepada para manajer yang akan memfasilitasi pengambilan
keputusan. Ada banyak cara atau teknik yang dapat dilakukan untuk
melakukan peramalan dalam mendukung kegiatan bisnis. Teknik
peramalan dapat dilakukan dari cara yang sederhana hingga dengan
cara yang paling kompleks. Ditambah lagi, dengan adanya
penggunaan teknologi di satu sisi baik berupa hardware maupun
software komputer semikin memudahkan dan menyederhanakan
cara peramalan. Meskipun di sisi lain, kesederhanan dan kemudahan
cara melakukan peramalan tidak mengurangi akurasi hasil permalan.
Secara umum, teknik peramalan dapat dibagi menjadi 2 bagian
yaitu peramalan dengan pendekatan kuantitatif dan peramalan
dengan pendekatan kualitatif. Pendekatan kuantitatif adalah metode
pendekatan yang sangat mengandalkan alat-alat statistik. Metode ini
disusun secara sistematis dan standar yang berupaya meminimalkan
kesalahan peramalan. Namun tidak semua situasi dapat dilihat dari
sudut pandang kuantitatif. Terkadang pada kondisi lain, peramalan
Bab VII Penutup 139
kualitatif akan sangat bermanfaat dalam memahami kebutuhan yang
berfokus pada suatu yang lebih abstrak yang tidak dapat dilihat dari
sisi kuantitatif.
140 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
DAFTAR PUSTAKA
Bisgaard, Søren dan Murat Kulahci. 2011. Time Series Analysis and
Forecasting by Example. John Wiley & Sons, Inc. New Jersey.
Caniato, F., Kalchschmidt, M. und Ronchi, S. 2010. “Integrating
quantitative and qualitative forecasting approaches:
organizational learning in an action research case”, Journal of
the Operational Research Society, 62, 3, 413–424.
Dalkey, N., & Helmer, O. 1963. “An experimental application of the
Delphi method to the use of experts”. Management Science, 9,
458- 467.
Damodar N. Gujarati dan Dawn C. Porter. 2010. Dasar-Dasar
Ekonometrika. Edisi 5 Buku 1 dan 2. Terjemahan. Salemba
Empat. Jakarta.
Field. Andy. 2009. Discover Statistic Using SPSS (and sex and drugs
and rock’ n’ roll). Third Edition. SAGE Publications Inc. London.
Gitosudarmo, Indriyo dan Mohamad. 2008. Teknik Proyeksi Bisnis.
Cetakan Kedua. BPFE: Yogyakarta
Hair, J. F. Jr Black, W. C., Babin, B. J. Anderson, R. E. adn Tatham, R. L.
2009. Multivariate Data Analysis. 7th Edition. Pretice Hall. New
Jersy.
Hasan, M. Iqbal. 2009. Pokok-Pokok Materi Statistika 1 (Statistika
Deskriptif). Edisi Kedua. Cetakan Ke enam. Bumi Aksara.
Jakarta.
Hoshmand., A. Reza. 2010. Business Forecasting: A Practical
Approach, Second Edition. Routledge. New York.
Hyndman, R., Koehler, A.B., Ord, J.K., Snyder, R.D. 2008. Forecasting
with Exponential smoothing; The State Space Approach.
Springer. USA
Makridakis, S. and Wheelwright, S.C. 1989. Forecasting Methods for
Management, 5th John Wiley and Sons. New York
Supranto, J. (2000). Statistik Teori dan Aplikasi. Jilid 1 Edisi 6.
Erlangga: Jakarta
Yudaruddin. 2014. Statistik Ekonomi Aplikasi dengan Program SPSS
Versi 20. Interpena, Yogyakarta
Bab VII Penutup 141
Lampiran 1. Tabel Nilai t
df
upper 1 2 3 4 5 6 7
df lower
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35
Bab VII Penutup 143
INDEKS
Akurasi; 12, 13, 15, 17, 122, 52, 54, 55, 56, 58, 59, 61,
134, 138, 65
Analis; 2, 8, 9, 17, 18, 20, 21, Fluktuasi; 17, 18, 22, 61, 62,
44, 60, 61, 100
Analisis; 1, 2, 11, 12, 20, 62, Ganjil; 67, 68, 73, 84
107, 116, 118, 121, 123, Genap; 65, 68, 73, 74, 84, 97
132, 133, 134, 135 Historical analogy; 136
Analisis regresi; 107, 121, Holt’s method of exponential
Asumsi klasik; 123 smoothing; 34, 43, 44, 45,
Biaya; 3, 6, 10, 14, 15, 18, 106, 46
110, 111, 113, 123, 125, Indeks; 54, 89, 90, 91, 92, 93,
127, 128, 130, 138 97, 98, 100, 101, 103
Bisnis; 1, 2, 3, 5, 6, 7, 8, 9, 10, Independent; 115, 116, 117,
13, 16, 138 118, 120, 121, 129, 130
Bulanan; 11, 17, 22, 53, 78, 79, Industri; 6, 7, 16, 133, 136
81, 82, Informasi; 2, 3, 8, 13, 15, 22,
Dependen; 107, 114, 115, 116, 33, 59, 61, 134, 138
117, 118, 120, 121, 122, Jangka pendek; 3, 11, 16, 17,
123, 128, 129, 130 22, 33
Deret waktu; 18, 29, 34, 39, 44, Jangka Panjang; 3, 11, 16, 17,
61, 63 62, 100
Double exponential smoothing; Keputusan bisnis; 2, 6, 8, 9
33, 38, 39, 40, 41, 42, 43, Kesalahan baku; 109, 110, 111,
44 113, 114, 124, 128,
Double moving average; 29, Keuangan; 1, 6, 7, 16, 18, 106
30, 38 Kinerja; 1, 6, 8
Ekonom; 2, 7, 8, 18, 61, 136, Konstanta; 29, 31, 34, 38, 41,
Estimasi; 4, 20, 44, 47, 54, 57, 43, 44, 45, 47, 49, 51, 54,
63, 107, 108, 109, 121, 122, 58, 59
123, 133 Koefisien; 50, 55, 56, 72, 110,
Expert Opinions; 136 118, 119, 122, 123, 124,
127, 128
F hitung; 117, 118, 122, 124,
Koefisien determinasi; 118,
129, 130,
119, 122, 123, 124, 127,
Forecast; 23, 25, 29, 31, 35, 36,
128
37, 38, 42, 43, 44, 46, 51,
Korelasi; 119, 120, 123, 124,
128
144 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
TENTANG PENULIS