Buku Forecasting Rizky Download PDF

Prakata i
ii Forecasting: untuk Kegiatan Ekonomi dan Bisnis

Prakata iii
FORECASTING:
UNTUK KEGIATAN EKONOMI DAN BISNIS
Rizky Yudaruddin
RV Pustaka Horizon
Anggota IKAPI
iv Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Perpustakaan Nasional: Katalog Dalam Terbitan (KDT)
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
Desainer sampul & layouter:

MS
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
Cetakan Pertama: Februari 2019
Hak cipta dilindungi Undang-Undang.

Dilarang memperbanyak karya tulis ini dalam bentuk apapun,
baik secara elektronik maupun mekanik, termasuk memfotokopi,
merekam, atau dengan sistem penyimpanan lainnya,
juga pemindaian (scan) komputer tanpa izin tertulis dari penerbit.
Daftar Isi v
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
Masa depan adalah suatu keniscayaan bagi setiap orang.

Ketidakpastian dan masa depan akan selalu berjalan beriringan
tanpa pernah tahu ke mana arah akan melangkah. Setiap orang ingin
sekali mengintip masa depan walaupun sedikit, agar mendapatkan
kepastian untuk melakukan tindakan pada masa sekarang.
Tanpa pernah menyadari, tindakan sekarang adalah tindakan masa

depan. Seperti yang diungkapkan Paul Saffo, “tujuan peramalan
bukan untuk memprediksi masa depan, tetapi untuk memberi tahu
Anda apa yang perlu Anda ketahui untuk mengambil tindakan yang
berarti di masa sekarang”, jadi buat apa peramalan itu.
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 ingin mengucapkan terima kasih kepada seluruh pihak yang

telah membantu secara langsung dan tidak langsung. Besar harapan
buku ini dapat memberikan manfaat bagi mahasiswa dalam
pemenuhan kebutuhan akademik, manajer dan pemerintah dalam
pengambilan keputusan.
Samarinda, 8 Februari 2019
Penulis
vi Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Daftar Isi
Bab I Pendahuluan 1
Bab II Peramalan Dengan Teknik Smoothing 16
Bab III Peramalan Dengan Teknik Dekomposisi 60
Bab IV Peramalan Dengan Regresi Sederhana 106
Bab V Peramalan Dengan Regresi Berganda 121
Bab VI Peramalan Dengan Teknik Kualitatif 132
Bab VII Penutup 137
Daftar Pustaka 140

Indeks 143
Daftar Isi vii
Daftar Tabel
Tabel 2.1 Data Penjulan Pakan Pada PT Arwana Baru,
2014-2017 19
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
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
Tahun 2017 40
Tabel 2.11 Perhitungan Peramalan Penjulan Pakan Pada
PT Arwana Baru Tahun 2017 dengan
Metode Double Exponential Smoothing 42
Tahun 2018 45
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
PT Arwana Baru Tahun 2015& 2016 Dengan
Triple Exponential Smoothing 52
viii Forecasting: untuk Kegiatan Ekonomi dan Bisnis
Tabel 2.16 Data Penjulan Ikan PT Bahama Baru Tahun

2010& 2015 54
Tabel 2.17 Perhitungan Trend Data Penjulan Ikan PT
Bahama Baru Tahun 2010& 2015 dengan
Metode Kuadrat Terkecil 56
Tabel 2.18 Perhitungan Awal Trend Data Penjulan Ikan PT
Bahama Baru Tahun 2010& 2015 57
Tabel 3.1 Data Penjulan Sawit PT Gamis Baru Tahun
2010-2016 63
Tabel 3.2 Data Produksi PT Gunung Sari Tahun 2010-
2015 65
Tabel 3.3 Perhitungan Trend PT Gunung Sari Tahun
2010-2015 66
Tabel 3.4 Data Produksi PT Gunung Sari Tahun 2010-
2016) 67
Tabel 3.5 Perhitungan Trend PT Gunung Sari Tahun
2010-2016 68
Tabel 3.6 Data Penjualan PT Gunung Malang Tahun 2010-
2019 70
Tabel 3.7 Perhitungan Trend PT Gunung Malang Tahun
2010-2019 71
Tabel 3.8 Data Penjualan PT Awan Tahun 2015-2019 73
Tabel 3.9 Perhitungan Trend PT Awan Tahun 2015-2019 73
Tabel 3.10 Data Produksi PT Awan Tahun 2015-2020 74
Tabel 3.11 Perhitungan Trend PT Awan Tahun 2015-2019
75
Tabel 3.12 Data Penjualan PT Hujan Tahun 2010-2015 76
Tabel 3.13 Perhitungan Trend PT Hujan Tahun 2010-2014
77
Tabel 3.14 Data Penjualan PT Panas Tahun 2010-2019 85
Tabel 3.15 Perhitungan Trend PT Panas Tahun 2010-2019
86
Tabel 3.16 Data Penjualan PT Dingin Tahun 2015-2019 87
Tabel 3.17 Perhitungan Trend PT Dingin Tahun 2010-2019 88
Tabel 3.18 Data Penjualan PT Hangat Tahun 2010-2019 90
Tabel 3.19 Perhitungan Total Penjualan PT Hangat Tahun
2010-2019 90
Tabel 3.20 Perhitungan Rata-Rata Penjualan PT Hangat 91
Daftar Isi ix
Tahun 2010-2019
Tabel 3.21 Perhitungan Rata-Rata dan Total Rata-Rata
Penjualan PT Hangat Tahun 2010-2019 92
Tabel 3.22 Data Penjualan Riil PT Barokah Tahun 2010-
2019 93
Tabel 3.23 Perhitungan Nilai α dan β dengan Metode
Least Square Pada PT Barokah Tahun 2010-
2019 94
Tabel 3.24 Perhitungan Nilai Trend PT Barokah Tahun
2010-2019 95
Tabel 3.25 Perhitungan Presentase Penjulan Rill Terhadap
Trend Penjulan PT Barokah Tahun 2010-2019 96
Tabel 3.26 Perhitungan Nilai Media Pada Metode
Presentase Terhadap Trend 96
Tabel 3.27 Perhitungan Indek Musim Metode Rata-Rata
Bergerak 98
Tabel 3.28 Perhitungan Nilai Media Pada Metode
Presentase Terhadap Rata-Rata Bergerak 100
Tabel 3.29 Perhitungan Variasi Siklis 102
Tabel 3.30 Perhitungan Variasi random 104
Tabel 4.1 Data Biaya Promosi dan Penjualan PT Aisah
Tahun 2010-2019 111
Tabel 4.2 Perhitungan Nilai α dan β PT Aisah Tahun
2010-2019 111
Tabel 4.3 Anova 116
Tabel 4.3. Anova Kasus PT Aisah 118
Tabel 5.1 Data Harga, Biaya Promosi dan Penjualan PT
Syifa Tahun 2010-2019 123
Tabel 5.2 Data Harga, Biaya Promosi dan Penjualan PT
Syifa Tahun 2010-2019 125
Tabel 5.3 Anova Kasus PT Syifa 129
Tabel 5.4 Perhitungan Error Persamaan Regresi 131
Tabel 6.1. Perbedaan Peramalan Pendekatan Kualitatif
dengan Kuantitatif 134
x 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
Saat ini, aktifitas bisnis perusahaan terus-meneus mencari

starategi yang tepat untuk meningkatkan kinerja keuangan
perusahaan. Peramalan dalam bisnis perusahaan telah memainkan
peranan peting dalam kinerja perusahaan dengan memberikan
perkiraan yang akurat kepada jajaran manejer perusahaan. Hal ini
mengingat sifat dari pasar yang sangat dinamis. Jadi tujuan
peramalan bisnis bagi perusahaan adalah untuk mengabungkan
antara analisis statistik dan pengetahuan utama perusahaan untuk
membangun dan mengembangkan perkiraan sebagai dasar dalam
pengambilan keputusan. Perkiraan ini akan mendorong kegiatan
perusahaan khususnya dalam perencanaan awal. Misalnya seorang
2 Forecasting: untuk Kegiatan Ekonomi dan Bisnis
analis/peramal bisnis perusahaan yang baik akan mampu

memberikan informasi berupa analisis statistik yang baik. Hasil
analisis akan diberikan kepeda pihak manajemen perusahaan dalam
membuat pilihan keputusan bisnis sehingga akan berdampak pada
penjualan dan pendapatan perusahaan.
Kemajuan teknologi telah merevolusi cara kita memproses
informasi dan menyiapkan ramalan bisnis dan ekonomi. Kemajuan
dalam teori dan praktik peramalan ini merupakan respons terhadap
meningkatnya kompleksitas dan daya saing dalam bisnis global.
Kompleksitas meningkatkan risiko yang terkait dengan keputusan
bisnis, sehingga penting untuk memiliki basis informasi yang kuat.
Perusahaan dari semua ukuran sekarang menggunakan peramalan
sebagai alat untuk membuat keputusan ekonomi dan bisnis.
Meskipun sebagian besar manajer menyadari perlunya peningkatan
peramalan, hanya sedikit yang akrab dengan berbagai teknik yang
telah dikembangkan dalam beberapa dekade terakhir. Mereka
mengandalkan staf profesional dengan pengetahuan seperti itu.
Dengan bantuan komputer pribadi, para profesional dapat
memanfaatkan teknik analisis data yang canggih untuk keperluan
peramalan bisnis.
Metodologi peramalan telah ada sejak abad kesembilan belas.
Contohnya adalah analisis regresi. Perkembangan terkini seperti
Box-Jenkins dan neural network telah secara signifikan memperluas
bidang peramalan. Ketika pendekatan yang lebih kompleks dan
canggih sedang dikembangkan, para profesional peramalan harus
menjadi ahli dalam penggunaan alat-alat ini, seperti halnya manajer
mereka perlu mengembangkan keakraban dasar dengan
Bab I Pendahuluan 3
kemungkinan perkiraan tersebut. Meskipun mungkin ada
penghargaan untuk kerangka teoritis, sebagian besar tertarik pada
penggunaan praktis dari metodologi ini dalam pekerjaan mereka
sendiri. Buku ini menyajikan metodologi peramalan yang dapat
digunakan oleh peramalan profesional dan peneliti untuk
memberikan informasi bagi manajer dalam pengambilan keputusan.
A. Peran Peramalan dalam Mendukung Bisnis

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. Manajer produksi membutuhkan perkiraan jangka
pendek reguler permintaan produk serta proyeksi permintaan
jangka panjang mengingat lini produk baru, pasar baru, dan kondisi
permintaan yang tidak menentu. Pemasar melihat kebutuhan yang
sama dengan manajer produksi dalam menggunakan ramalan untuk
memandu keputusan mereka. Proyeksi yang dapat diandalkan
tentang ukuran dan karakteristik pasar (seperti pangsa pasar, tren
harga, sumber persaingan, dan demografi pasar) digunakan dalam
membuat pilihan tentang strategi pemasaran dan rencana
periklanan serta pengeluaran. Permintaan produk, pendapatan
penjualan, dan inventaris juga dapat masuk ke perkiraan.
BPS Sempurnakan Data Beras, Estimasi Kementan

Lebih Tinggi
Terjadi perbedaan data antara Badan Pusat Statistik (BPS) dengan
Kementerian Pertanian. Badan Pusat Statistik (BPS) memperkirakan
produksi beras hingga akhir tahun ini berada di angka 32,42 juta ton,
atau lebih rendah 32 persen dari estimasi Kementerian Pertanian awal
tahun lalu yang sebesar 46,5 juta ton. Perbedaan juga terjadi pada
data Gabah Kering Giling (GKG), data luas lahan sawah dan konsumsi
beras. Padahal estimasi kebutuhan beras memiliki peran penting bagi
pemerintah dalam menentukan jumlah beras yang diimpor.
Sumber:
https://www.cnnindonesia.com/ekonomi/20181022202758-92-
340533/bps-sempurnakan-data-beras-estimasi-kementan-lebih-
tinggi
Bab I Pendahuluan 5
2019, Pengusaha Hotel Siapkan 50 Ribu Kamar Baru

untuk Wisman
Ketua Persatuan Hotel dan Restoran Indonesia (PHRI) Hariyadi B.
Sukamdani memproyeksikan akan ada penambahan kamar baru di
tahun 2019 sebanyak 50.000 kamar hotel. Angka ini lebih rendah dari
tahun sebelumnya karena pasar perhotelan di Tanah Air sudah mulai
jenuh dan persaingan dari penginapan hotel non bintang seperti
Airbnb. Penambahan kamar diproyeksikan akan banyak terjadi di
Jakarta dan Bali. Meningkatnya penabahan jumlah kamar di 2 kota
tersebut, terjadi karena diproyeksikan permintaan di kota tersebut
masih tinggai terutama di Bali.
Sumber:
https://bisnis.tempo.co/read/1145869/2019-pengusaha-hotel-
siapkan-50-ribu-kamar-baru-untuk-wisman/full&view=ok
Industri sektor jasa seperti lembaga keuangan, maskapai

penerbangan, hotel, rumah sakit, olahraga, dan organisasi hiburan
lainnya semuanya dapat memperoleh manfaat dari perkiraan yang
baik. Departemen keuangan dan akuntansi menggunakan peramalan
di sejumlah bidang. Peramalan keuangan memungkinkan manajer
keuangan untuk mengantisipasi peristiwa sebelum terjadi, terutama
kebutuhan untuk mengumpulkan dana secara eksternal. Cara
peramalan keuangan yang paling komprehensif adalah
mengembangkan serangkaian laporan keuangan proforma, atau
proyeksi, berdasarkan laporan yang diproyeksikan, perusahaan
dapat memperkirakan tingkat piutang, inventaris, hutang, dan akun
perusahaan lainnya di masa depan serta keuntungan dan
persyaratan pinjaman yang diantisipasi. Arus kas dan tingkat
pendapatan dan proyeksi pengeluaran sangat penting untuk
membuat keputusan bisnis.
Maskapai penerbangan, baik besar atau kecil, dapat
mengambil manfaat dari perkiraan yang baik tentang faktor muatan,
manajemen armada, bahan bakar dan proyeksi biaya lainnya. Dalam
industri hotel dan hiburan, proyeksi akurat tingkat hunian hotel,
misalnya, memiliki implikasi untuk semua layanan tamu lain yang
ditawarkan. Rumah sakit telah lama menggunakan alat peramalan
untuk menentukan penggunaan personel ruang gawat darurat, dan
proyeksi biaya. Di industri olahraga, perkiraan digunakan untuk
penjualan tiket untuk acara olahraga apa pun. Proyeksi pendapatan
dibuat berdasarkan kinerja tim selama setahun atau bertahun-tahun.
Penggunaan ramalan di departemen sumber daya manusia juga
penting ketika membuat keputusan mengenai jumlah total karyawan
Bab I Pendahuluan 7
yang dibutuhkan perusahaan. Ini berimplikasi pada sumber daya
perusahaan dan kebutuhan akan pelatihan karyawan. Perkiraan
seperti jumlah pekerja di bidang fungsional, sifat tenaga kerja (yaitu,
paruh waktu dengan penuh waktu), tren absensi dan keterlambatan,
dan produktivitas dapat membantu dalam perencanaan sumber daya
dan keputusan manajemen.
Proyeksi digunakan di sektor publik dalam membuat
keputusan dalam ekonomi makro. Kebijakan ekonomi sebagian
didasarkan pada perkiraan indikator ekonomi yang penting.
Proyeksi GNP, lapangan kerja, tingkat inflasi, produksi industri, dan
pendapatan yang diharapkan dari pajak penghasilan pribadi dan
perusahaan semuanya tergantung pada perkiraan yang baik.
Pemerintah menggunakan ramalan ini untuk memandu kebijakan
moneter dan fiskal negara. Di antara banyak kegunaan perkiraan,
perkiraan populasi (atau demografis) memainkan peran penting
dalam perencanaan pengeluaran pemerintah untuk perawatan
kesehatan, asuransi sosial, dan infrastruktur.
B. Peramalan dan Pengambilan Keputusan

Manajer bersaing dalam ekonomi global yang membutuhkan
keputusan strategis dalam setiap aspek struktur perusahaan—mulai
dari produksi dan inventaris hingga pembelian, akuntansi,
pemasaran, keuangan, personalia, dan layanan. Kepala eksekutif dari
banyak perusahaan multinasional (MNC) mengakui pentingnya
pasar internasional dalam pertumbuhan bisnis mereka. Beberapa
dari perusahaan ini telah beroperasi di lingkungan internasional
sejak lama. Yang lain mencoba mengambil keuntungan dari
lingkungan ekonomi baru yang muncul akibat globalisasi.

Perusahaan yang lebih kecil juga memasuki pasar internasional
dengan menawarkan produk atau layanan yang melayani pasar
khusus. Kemampuan mereka untuk bertahan hidup di pasar-pasar
ini tergantung pada mengenali potensi pasar untuk produk mereka
dan perkiraan permintaan yang baik di pasar-pasar ini. Ekonom dan
pembuat kebijakan juga menghadapi keputusan strategis ketika
berhadapan dengan keseluruhan kinerja ekonomi. Memprediksi
makroekonomi secara akurat sangat penting untuk membuat
keputusan bisnis yang sukses.
Tujuan dari peramalan adalah untuk memberikan informasi
kepada para manajer yang akan memfasilitasi pengambilan
keputusan. Secara virtual, setiap organisasi, publik atau swasta,
beroperasi dalam lingkungan yang tidak pasti dan dinamis dengan
pengetahuan masa depan yang tidak sempurna. Peramalan
merupakan bagian integral dari sistem perencanaan dan kontrol, dan
organisasi memerlukan prosedur peramalan yang memungkinkan
perusahaan untuk memprediksi masa depan secara efektif dan tepat
waktu. Kepemimpinan bisnis yang sukses berasal dari kemampuan
untuk meramalkan perkembangan masa depan dan kemampuan
untuk membuat keputusan yang tepat. Oleh karena itu, peramalan
dapat digunakan sebagai alat untuk memandu keputusan bisnis
untuk masa depan, meskipun beberapa tingkat ketidakpastian masih
ada. Top manajemen umumnya tertarik untuk membuat keputusan
berdasarkan faktor ekonomi, di mana perkiraan yang sangat penting
dalam perencanaan dan tindakan strategis. Sementara
analisi/peramal tidak akan sepenuhnya yakin tentang apa yang akan
terjadi di masa depan, sehingga analis/peramal dapat mengurangi
Bab I Pendahuluan 9
kisaran ketidakpastian seputar keputusan bisnisnya. Untuk itu, perlu
prosuder yang sistemati dalam perusahaan untuk membuat
proyeksi.
Prosedur proyeksi perlu dibangun oleh perusahaan dengan
sistematis agar proyeksi yang dapat diterapkan dengan cepat dan
dimodifikasi sesuai kebutuhan. Prosedur ini tidak dapat dilakukan
tanpa dasar yang jelas sehingga upaya ilmiah perlu ditempuh oleh
perusahaan. Metode ilmiah memberikan perusahaan dasar yang jelas
dan objektif sehinga proses peramalan dapat dilakukan oleh suatu
perusahaan dengan hasil yang sama ketika diulang. Untuk karena itu,
perlu ditunjukan langkah-langkah sistematis dalam proses
peramalan yang mampu memberikan hasil bagi perusahaan
khususnya manajemen dalam mengambil keputusan yang tepat. Jadi
penentuan langkah-langkah peramalan menjadi hal yang penting
bagi perusahaan dalam pengambilan keputusan. Adapun proses
peramalan dalam perusahaan dapat mengikuti tahapan berikut:
1. Permasalahan Perusahaan atau Manajemen
Setiap perusahaan akan menghadapai berbagai masalah dari
yang sederhana hingga yang kompleks. Hal ini menyebabkan
perusahaan membutuhkan jawaban yang ringksan, sederhana
dan akurat untuk menjadi dasar dalam pengambilan keputusan.
Misalnya perusahaan dihadapkan pada pengambilan keputusan
mengenai apakah akan ada peningkatan permintaan signifikan
jika produk mengalami perbaikan. Hal ini penting karena
diperlukan sumberdaya yang besar untuk melakukan perbaikan
produk, jika proyeksi permintaan menunjukan tidak akan ada
permintaan yang signifikan maka akan menimbulkan kerugian
bagi perusahaan karena tidak sebanding dengan biaya perbaikan
produk. Jadi pertanyaan manajemen mengenai masalah

perusahaan berfungsi sebagai titik awal dari peramalan.
Permasalahan
Perusahaan atau
Manajemen
Pengumpulan Data
Formulasi Model
Umpan Balik
Perancangan Model Peramalan
Analisis dan Interpertasi
Tidak
Validasi Hasil?
Ya
Hasil Akhir
Gambar 2.2. Tahap Peramalan dalam Bisnis

Bab I Pendahuluan 11
2. Pengumpulan Data
Pertanyaan manajemen sebagai permasalahan perusahaan harus
diperjelas. Kejelasan permasalahan memberikan gambaran yang
jelas pula sehingga pertanyaan mengenai mengapa ramalan
dibutuhkan, dan bagaimana hasil akan digunakan menjadi jelas.
Misalnya peramalan anggaran modal bersifat jangka panjang
dibandingkan dengan peramalan produksi yang mingguan atau
bulanan membutuhkan data yang berbeda. Jadi pengumpulan
data akan dilakukan setelah mendapatkan kejelasan permasalan
yang dihadapi perusahaan.
3. Formulasi Model
Setelah keputusan dibuat untuk mengembangkan ramalan, model
teoritis harus dikembangkan untuk menanggapi pertanyaan
manajemen. Formulasi model akan membantu mengurai
pertanyaan manajamen menjadi lebih sederhana dan ringkas.
Misalnya, jika manajemen tertarik dengan perkiraan tren jangka
panjang, kami dapat memilih, misalnya, tren atau model regresi
untuk tugas ini. Di sisi lain, jika manajemen tertarik pada
perkiraan jangka pendek, yaitu, proyeksi mingguan atau bulanan,
kita dapat memilih, misalnya, rata-rata bergerak, perataan
eksponensial, atau model Box-Jenkins dalam analisis.
4. Perencanaan Model Peramalan
Konstruk teoritis dari model membantu dalam menguraikan
hubungan yang ada antara berbagai variabel model. Pada saat
yang sama, itu memungkinkan untuk memisahkan pengaruh
menjadi faktor internal atau eksternal. Faktor-faktor di mana
perusahaan memiliki kendali disebut faktor internal. Ini mungkin
termasuk harga, kualitas produk, karakteristik produk,

pengeluaran pemasaran dan iklan, dan logistik (fasilitas
distribusi). Faktor-faktor yang berada di luar perusahaan
beroperasi di luar kendali perusahaan. Faktor-faktor eksogen ini
mungkin termasuk tingkat bunga, tingkat inflasi, pendapatan,
pekerjaan, dan nilai tukar dalam perdagangan internasional.
5. Analisis dan Interpretasi
Hasil dari peramalan akan dianalisis dan interpretasikan. Untuk
memastikan apakah permasalahan dari perusahaan terjawab.
Apa yang menjadi masalah yang sebenarnya, kenapa berbeda
dengan kondisi yang diharapkan oleh perusahaan.
6. Validasi
Setiap hasil peramalan perlu dilakukan validasi. Validasi
bertujuan memastikan tidak ada yang bias dari hasil peramalan.
Apakah hasil peramalan sudah akurat atau belum. Tentu saja
akan ada error, karena hal ini sesuatu yang normal. Kita tidak
dapat memastikan akurasi menjadi 100 persen. Untuk itu harus
ditetapkan batas error yang ditolerasi. Jika hasil validasi
menunjukan hasil ramalan memiliki hasil error melebih batas
yang ditoleransi maka perlu kembali dilakukan pengecekan ulang
dari pengumpulan data hingga analisis dan interpretasi.
7. Hasil Akhir
Tahap akhir dalam proses peramalan adalah menyajikan hasilnya
kepada manajemen. Namun, ada beberapa hal yang harus
dipahami oleh manajemen dari hasil ramalan yang dibuat.
Pertama, hasil permalan tidak statis tapi dinamais, artinya bias
saja hasil peramalan tidak tepat 100 persen namun batas error
yang ditoleransi juga tidak terlalu jauh. Kedua, perlu evaluasi
peramalan secara berkelanjutan.
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,
memiliki tujuan agar pola di masa lampu memiliki kecenderungan

sama dengan pola di masa depan. Khusunya asumsi yang ketiga ini,
menjadi dasar tidak hanya bagi peramalan dengan pendekatan
kuantitatif namun juga pada pendekatan kualitatif sebarapapun
canggihnya teknik yang digunakan.
Teknik peramalan dengan pendekatan kauntitatif telah
berkembang dengan sangat variatif. Perkembangannya didukung
dari disiplin ilmu yang berbeda-beda dengan tujuan yang berbeda
sehingga masing-masing teknik memiliki sifat, keakuratan dan biaya
yang berbeda pula. Metode yang umunya digunakan dalam
peramalan dengan pendekatan kuantitatif adalah metode kuatitatif
formal.
Metode kuantitatif formal adalah metode peramalan yang
sangat mengandalkan alat-alat statistik. Metode ini disusun secara
sistematis dan standar yang berupaya meminimalakan kesalahan
peramalan. Ada beberapa metode formal yang seringkali
membutuhkan data historis yang terbatas, murah dan mudah
digunakan dan yang dapat diterapkan secara mekanis. Misalnya time
series dan model explanatory.
2. Pendekatan Kualitatif
Peramalan dengan pendekatan kualitatif memang berbeda
dengan pendekatan kuantitatif. Di satu sisi, pendekatan kualitatif
tidak memerlukan data peramalan seperti peramalan dengan
pendekatan kuantitatif. Bahan dasar yang dibutuhkan dalam
peramalan dengan pendekatan kualitatif sangat tergantung dari
penilaian subjektif peramal ditambah juga akumulasi dari
pengetahuan dan pengalaman peramal sehingga dibutuhkan
informasi dari orang yang sangat spesifik dengan kriteria tertentu.
Contoh pendekatan kualitatif seperti teknik Delphi, Historical
Analogy, dan lainnya.
Adanya keraguan dari sisi objektivitas dan akurasi, pendekatan
kualitatif juga sering dikombinasikan dengan pendekatan kuantitatif.
Hal ini karena teknik kualitatif sangat bervariasi dalam biaya,
kompleksitas, dan nilai. Pendekatan kualitatif digunakan terutama
untuk memberikan petunjuk, untuk membantu perencana, dan untuk
melengkapi perkiraan kuantitatif, daripada untuk memberikan
perkiraan numerik tertentu. Karena sifat dan biayanya, metode
kualitatif dapat digunakan dengan sukses dalam hubungannya
dengan metode kuantitatif di bidang-bidang seperti pengembangan
produk, pengeluaran modal, perumusan tujuan dan strategi, dan
merger, bahkan oleh organisasi menengah dan kecil. Apa pun
kekurangan metode kualitatif, seringkali satu-satunya alternatif
adalah tidak ada ramalan sama sekali.
Orang-orang yang tidak terbiasa dengan metode peramalan
kuantitatif sering berpikir bahwa masa lalu tidak dapat
menggambarkan masa depan secara akurat karena semuanya terus
berubah. Namun, setelah terbiasa dengan data dan teknik peramalan,
menjadi jelas bahwa meskipun tidak ada yang tetap persis sama,
beberapa aspek sejarah memang berulang dalam arti tertentu.
Penerapan metode yang tepat sering dapat mengidentifikasi
hubungan antara variabel yang akan diramalkan dan waktu itu
sendiri (atau beberapa variabel lainnya), sehingga memungkinkan
peramalan yang lebih baik.
BAB II PERAMALAN DENGAN

TEKNIK SMOOTHING
Pengambilan keputusana bisnis saat ini sangat tergantung dari

kemapuan perusahaan dalam melakukan peramalan bisnis baik
permalan dalam jangka pendek maupun jangka panjang. Tujuan dari
peramalan bisnis agar perusahaan dapat mengetahui kemungkinan-
kemungkinan akan terjadinya utung dan ruginya perusahaan.
Apapun bidang bisnis yang di geluti, apakah bisnis pertanian,
pertambangan, industri dasar dan kimia, barang-barang konsumsi,
jasa ataupun keuangan, semua bidang bisnis tersebut menggunakan
ramalan untuk sukses pada bidang bisnisnya.
Bab II Peramalan dengan Teknik Smoothing 17
Peramalan ada yang bersifat jangka panjang dan pendek.
Penting untuk dipahami, teknik apapun yang digunakan dalam
peramalan mulai dari yang komplek hingga yang sederhana tidak
menyiratkan bahwa teknik itu memiliki akurasi yang tinggi atau
rendah. Artinya kesederhaanaan dalam teknik permalan tidak
menggambarkan rendahnya akurasi peramalan. Hal ini karena
pemilihan teknik peramalan sangat tergantung dari kemampuan
model menangkap pola yang ditunjukan oleh data historis bukan
komplesitas teknik peramalan.
Pada bab ini, fokus utamanya adalah penggunaan teknik jangka
pendek yang dapat diterapkan pada peramalan dengan waktu
permalan mingguan, bulanan dan triwulanan. Keuntungan utama
dari teknik peramalan jangka pendek adalah kesederhanaannya. Kita
dapat menggunakan model-model sederhana ini sebagai tolok ukur
untuk mengukur penerapan, keandalan, dan kebutuhan model-
model yang lebih canggih. Teknik-teknik ini disebut sebagai "teknik
smoothing." Teknik ini sederhana dan intuitif, membuatnya sangat
berguna bagi manajer. Model-model ini memungkinkan analis
peramalan untuk membedakan antara fluktuasi acak dan pola dasar
yang mendasari dalam data.
Ada tiga jenis peramalan jangka pendek yanga akan dibahas
dalam bab ini yaitu: naïve , average dan smoothing. Masing-masing
model ini memiliki kelebihan dan kekurangan. Kesederhanaan model
naïve membuatnya sangat berguna untuk perkiraan cepat jika pola
datanya sedemikian rupa sehingga tidak ada banyak perubahan
antara satu periode waktu dan lainnya. Namun, keterbatasan model
naïve adalah bahwa ramalan masa depan hanya tergantung pada
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]
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
Menggunakan model [2.1.] untuk meramalkan penjulan PT Arwana

Baru untuk kuarter ke satu (I) tahun 2018 (t=17) adalah
Ŷt+1 = Yt
Ŷ17 = 9,241
Nilai peramalan untuk tahun-tahun lainnya disajikan pada kolom

5 pada Tabel 2.1. Teknik naïve menyebutkan bahwa asumsi dasar
yang mendasari penggunaan teknik peramalan adalah bahwa nilai-
nilai yang diamati disertai oleh beberapa pengaruh atau kesalahan
acak. Nilai error/kesalahan dalam peramalan pada periode waktu t
dapat didefinisikan sebagai nilai observasi dikurangi nilai estimasi.
e = Y t - Ŷt
keterangan
e = nilai error peramalan
Yt = nilai observasi
Ŷt = nilai estimasi
Nilai error peramalan pada kuarter ke satu (I) tahun 2018 (t=17)
adalah
e = Yt - Ŷt = 9,658 - 9,241 = 417
Analis harus mencatat bahwa total penjulan perusahaan
meningkat selama 2014-2018. Ketika nilai data meningkat dari
waktu ke waktu, ini menunjukkan bahwa ada tren. Ketika ada pola
tren dalam data dan menganalisis dengan menggunakan persamaan
[2-1] untuk perkiraan, perkiraan akan secara konsisten rendah.
Untuk memperhitungkan tren, analis dapat menyesuaikan model
dengan menambahkan perbedaan antara periode ini dan periode
terakhir seperti yang ditunjukkan di bawah ini:
Ŷt+1 = Yt + (Yt - Yt-1) [2-2]
Sekarang persamaan [2-2] dapat diaplikasikan dengan
memperhitungkan jumlah perubahan yang terjadi antara tahun
sebagai berikut:
Ŷ16+1 = Y16 + (Y16 – Y16-1)
Ŷ17= Y16 + (Y16 – Y15)
Ŷ17= 9,241 + (9,241 – 8,187)
Ŷ17= 9,241 + (9,241 – 8,187)
Ŷ17= 10,295
Untuk nilai erro peramalannya sebagai berikut:

e17 = Y17 – Ŷ17
e17 = 9,658 – 10,295
e17 = -637
Sebagai catatan terlihat bahwa bahwa jumlah error yang

dihitung dengan model ini berkurang karena memperhitungkan
dampak tren pada data. Jika analis mengamati variasi musiman
dalam data, maka model yang tepat untuk digunakan adalah
Ŷt+1 = Yt-3
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
Gambar 2.1. Tren Penjualan Pakan Pada PT Arwana Baru, 2014-2017

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
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
Contoh Kasus
Perusahaan PT Arwana Baru yang bergerak pada bidang peternakan
memiliki data penjulan pakan dari Januari 2017–Maret 2018 sebagai
berikut.
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
Lakukan peramalan dengan 3 bulan dan 7 bulan moving average?

Jika menggunakan permalan 3 bulan maka gunakan 3 bulan moving
averages, jadi ramalan bulan April dihitung sebagai berikut:
FApril =
= 1.341
Ramalan bulan Mei sebagai berikut:
FMei =
= 1.341,7
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
Berdasarkan hasil peramalan (Tabel 2.3) penjulan pakan pada

PT Arwana Baru dengan menggunakan 3 bulan dan 7 bulan moving
average maka dapat diketahui adanya perbedaan penggunaan
moving average, di mana semakin besar bulan moving average yang
digunakan maka semakin “smooth” perbedaannya. Hal ini terlihat
dari perbedaan nilai antara ramalan terbesar dengan ramalan
terkecil antara 3 bulan moving average (1.748,3 – 1.252,3 = 532)
dengan 7 bulan moving average (1.626,4 – 1.426,4 = 200).
Tidak ada peramalan yang 100 persen tepat. Peramalan akan
memberikan peluang terjadinya kelasahan peramalan (error). Untuk
itu, peramalan yang terbaik adalah peramalan yang mampu
meminimalkan error pada batas yang ditoleransi. Dalam metode ini,
untuk menghitung error maka digunakan Mean absolut Error (MAE)
dan Mean Squared Error (MSE). MAE rata-rata nilai absolut dari
kesalahan meramal (tidak dihiraukan tanda positif atau negatifnya).
Sedangkan MSE adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisa dikuadratkan.
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.
MSE merupakan cara kedua untuk mengukur kesalahan peramalan
keseluruhan. MSE merupakan rata-rata selisih kuadrat antara nilai
yang diramalkan dan yang diamati. Kekurangan penggunaan MSE
adalah bahwa MSE cenderung menonjolkan deviasi yang besar
karena adanya pengkuadratan.
Rumus MAE dan MSE
| |
MAE =
| |
MSE =
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
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
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
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)
= ( - )
V adalah jangka waktu moving average.

e. Menentukan besarnya forecast
+ m= a + b (m)
Di mana, M adalah jangka waktu Forecast ke depan
Contoh Kasus
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 ( )
= = 1,341 diletakkan pada bulan Maret
= = 1,341.7 diletakkan pada bulan April
= = 1,252.3, diletakkan pada bulan Mei
Dan seterusnya hingga bulan Desember.

b. Menghitung moving average kedua ( )
= = 1,311.7, diletakkan pada bulan Mei
= = 1,352.2, diletakkan pada bulan Juni
= = 1,429.1, diletakkan pada bulan Juni
Dan seterusnya hingga bulan Desember.

c. Menentukan nilai (konstanta )

Nilai baru bisa dicari pada bulan Mei. Besarnya nilai pada
bulan mei adalah :
= +( - )
= 1,252.3 + (1,252.3 – 1,311.7)
= 1,193
d. Menentukan nilai ( slope )
Nilai juga baru bisa di cari pada bulan Mei. Besarnya nilai
pada bulan Mei adalah :
= ( - )
= ( 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
Perhitunagan secara keluruhan dapat dilihat pada table 2.2 di bawah

ini.
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 - - - - -
3 Maret 1,234 1,341.0 - - - -
4 April 1,245 1,341.7 - - - -
5 Mei 1,278 1,252.3 1311.7 1,193.0 19.78 -
6 Juni 1,865 1,462.7 1352.2 1,573.1 (36.81) 1,212.8
7 Juli 1,574 1,572.3 1429.1 1,715.6 (47.74) 1,536.3
8 Agustus 1,689 1,709.3 1581.4 1,837.2 (42.63) 1,667.8
9 September 1,347 1,536.7 1606.1 1,467.2 23.15 1,794.6
10 Oktober 1,589 1,541.7 1595.9 1,487.4 18.07 1,490.4
11 November 1,346 1,427.3 1501.9 1,352.8 24.85 1,505.5
12 Desember 1,975 1,636.7 1535.2 1,738.1 (33.81) 1,377.6

C. Teknik Exponential smoothing

Teknik yang terakhir yang dapat digunakan dalam peramalan
jangka pendek adalah teknik smoothing. Pada teknik sebelumnya
telah dijelaskan metode peramalan jangka pendek yaitu teknik naïve
dan average. Dalam dua teknik sebelumnya dari bab ini, telah
diuraikan bagaimana menggunakan informasi masa lalu dengan
beberapa modifikasi untuk membuat perkiraan. Sekarang, perlu ke
teknik selanjutnya yaitu metode exponential smoothing (pemulusan
eksponensial) untuk lebih meningkatkan kualitas perkiraan.
Sebagai teknik peramalan, metode exponential smoothing
bergantung pada asumsi bahwa data itu diam dengan rata-rata yang
bervariasi. Jadi, dapat diartikan bahwa rata-rata tidak diperbaiki
sepanjang waktu, melainkan berubah, atau berevolusi sepanjang
waktu. Selain itu, pengamatan terbaru memainkan peran yang lebih
penting dalam membuat perkiraan daripada yang diamati di masa
lalu. Perkiraan direvisi terus-menerus karena semakin banyak
informasi tersedia. Daya tarik dari teknik penghalusan dibandingkan
dengan single average atau double average dalah bahwa bobot
terbanyak diberikan untuk pengamatan terbaru. Level saat ini dari
suatu seri pada waktu t diperkirakan sebagai rata-rata tertimbang
dari pengamatan Y. Pendekatan ini didasarkan pada suatu prosedur
yang secara terus menerus memperbaiki peramalan dengan merata-
rata (menghaluskan = smoothing) nilai masa lalu dari suatu data
runtut waktu dengan cara menurun (exponential).
Ada beberapa metode yang dapat digunakan dalam metode
exponential smoothing yaitu single exponential smoothing, double
exponential smoothing, holt’s method of exponential smoothing, triple

exponential smoothing dan Winters’ Weasonal exponential smoothing.
1. Single Exponential smoothing
Smoothing eksponensial tergantung pada tiga bagian data:
aktual terkini, perkiraan terbaru, dan konstanta smoothing. Nilai
yang ditetapkan untuk α (konstanta smoothing) adalah kunci untuk
perkiraan. Jika deret waktu tampak berevolusi dengan cukup lancar,
maka perlu memberikan bobot lebih besar pada nilai aktual terkini.
Di sisi lain, jika deret waktu cukup tidak menentu, lebih sedikit bobot
ke nilai aktual terkini yang diinginkan. Formula dari single
exponential smoothing adalah:
Ŷt+1= αYt+(1-α) Yt-1 [2-3]
0<α<1
Di mana:
Ŷt+1 = peramalan untuk periode selanjutnya.
α = konstanta smoothing (0 < α < 1)
Yt = Nilai aktual periode sekarang
Yt -1 = peramalan pada waktu sebelumnya
Penentuan konstanta dapat ditentukan dengan cara trial dan

error (coba-coba). Namun beberapa pendekatan dapat digunakan
dalam memilih konstanta smoothing. Pertama, jika diinginkan
banyak penghalusan, maka nilai alpha yang paling kecil yang dapat
digunakan (0,1). Kedua, dalam pilihan konstanta smoothing juga
dipengaruhi oleh karakteristik deret waktu. Semakin bervariasi
(bergerigi) penampilan suatu deret waktu, semakin besar
kemungkinan bahwa perubahan besar dalam satu arah diikuti oleh
perubahan besar dalam arah yang berlawanan. Jadi dalam situasi
seperti itu, pilihan terbaik penghalusan konstan adalah α = 0,1.
Ketika dihadapkan dengan serangkaian sedemikian rupa sehingga
data menunjukkan perilaku sangat variatif maka nilai konstan 0,9
menjadi pilihan yang tepat.
Contoh Kasus
memiliki data penjulan pakan dari Januari 2016 – Desember 2016
sebagai berikut:
Tabel 2.7 Data Penjulan Pakan Pada PT Arwana Baru Tahun 2016
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:
Ŷ3 = 0,1 (1,274) + (1 - 0,1) 1,243

= 1,264.1
3. Untuk bulan keempat perhitungannya sebagai berikut:
Ŷ4 = 0,1 (1,288) + (1 - 0,1) 1,264.1
= 1,250.3
4. Untuk bulan kelima perhitungannya sebagai berikut:
Ŷ5 = 0,1 (1,291) + (1 - 0,1) 1,250.3
= 1,256.6
dan seterunya hingga bulan ke 12
Setelah menghitung forecast, langkah selanjutnya adalah

menghitung nilai error, Mean absolut Error (MAE), Mean Squared
Error (MSE), Mean absolute Percentage Error (MAPE).
5. Menghitung error sebagai berikut:
Error Bulan ke 2 maka Errort2 = 1,274 - 1,243 = 31
Error Bulan ke 3 maka Errort3 = 1,288 - 1,246.1 = 41.9
Error Bulan ke 4 maka Errort4 = 1,291 - 1,250.3 = 40.7
dan seterunya hingga bulan ke 12
6. Menghitung Mean absolut Error (MAE) sebagai berikut:
Adapun cara menghitung Mean absolute error adalah dengan cara
menambahkan seluruh error yang telah di-absolute-kan dibagi
jumlah data yang di-forecast.
( )
MAE =
7. Menghitung Mean Squared Error (MSE)sebagai berikut:

Rata-rata dari kesalahan forecast dikuadratkan. Adapun cara
menghitung mean square error adalah sebagai berikut:
MSE =
8. Menghitung Mean absolute Percentage Error (MAPE) sebagai

berikut:
Presentase error (PE) merupakan kesalahan presentase dari
suatu peramalan di mana:
| |
PE = ( )
| |
PE bulan ke 2 =( ) = 2.43%
| |
PE bulan ke 2 =( ) = 3.25%
Dan seterusnya hingga bulan ke 12
MAPE =
Perhitungan secara keseluruhan dapat dilihat pada table 2.8. sebagai

berikut:
Tabel 2.8 Peramalan Penjulan Pakan Pada PT Arwana Baru Tahun
2016 dengan Singel Exponential smoothing (α =0.1)
Peri Penjulan Forecas Absolut Square Presenta
Bulan Error
ode (Ton) t e Error Error se Error
1 Januari 1,243 - - - - -
2 Februari 1,274 1,243.0 31.0 31.0 961.0 2.433
3 Maret 1,288 1,246.1 41.9 41.9 1,755.6 3.253
4 April 1,291 1,250.3 40.7 40.7 1,657.3 3.153
5 Mei 1,277 1,254.4 22.6 22.6 512.5 1.773
6 Juni 1,302 1,256.6 45.4 45.4 2,058.9 3.485
7 Juli 1,212 1,261.2 -49.2 49.2 2,416.9 4.056
8 Agustus 1,344 1,256.2 87.8 87.8 7,700.7 6.529
9 September 1,308 1,265.0 43.0 43.0 1,847.1 3.286
10 Oktober 1,243 1,269.3 -26.3 26.3 692.7 2.117
11 November 1,322 1,266.7 55.3 55.3 3,059.5 4.184
12 Desember 1,342 1,272.2 69.8 69.8 4,869.4 5.200
Total 512.9 27,531.8 39.470
Rata-Rata 46.6 2,502.9 3.588
Keterangan: konstanta 0,1
Untuk menentukan forecast yang terbaik, perlu pembuktian

dengan membandingkan konstanta yang digunakan. Sebagaimana
tabel 2.8 diperoleh hasil MAE, MSE dan MAPE dengan konstanta 0,1.
Namun hasil ini belum dapat memberikan kesimpulan forecast
terbaik sehingga perlu diperhitungan kembali dengan menggunakan
konstanta 0.2, 0.3 hingga 0.9 lalu dibandingkan hasilnya (MAE, MSE
dan MAPE), mana yang memberikan nilai terkecil. Dari hasil
perhitungan yang dirangkum pada tabel 2.9 menunjukan bahwa
konstanta 0.4 memberikan nilai error terkecil sehingga forecast
terbaik jika menggunakan konstanta 0.4. Berikut ditampilkan hasil
simulasi dengan menggunakan konstanta dari 0.1 hingga 0.9 sebagai
berikut:
Tabel 2.9. Forecast, MAE, MSE dan MAPE Penjulan Pakan Pada PT
Arwana Baru Tahun 2016 dengan Singel Exponential smoothing
Forecast Bulan
Konstanta Januari Tahun MAE MSE MAPE
2019
0.1 1,279.2 46.60 2,502.9 3.588
0.2 1,296.3 42.85 2,153.5 3.313
0.3 1,306.2 40.84 2,107.9 3.165
0.4 1,313.5 39.83 2,183.6 3,091
0.5 1,319.7 40.09 2,321.7 3,113
0.6 1,325.4 40.39 2,502.6 3,138
0.7 1,330.7 41.31 2,720.2 3,209
0.8 1,335.4 42.99 2,974.3 3,338
0.9 1,339.3 44.67 3,267.9 3,446
2. Double Exponential smoothing

Metode peramalan ini sangat mirip dengan double moving
average, meskipun double exponential smoothing membutuhkan
lebih sedikit data daripada double moving average. Teknik double
exponential smoothing atau yang dikenal dengan dengan Brown`s
double exponential smoothing, digunakan untuk memperkirakan data
deret waktu yang memiliki tren linier. Adapun persamaan double
exponential smoothing adalah sebagai berikut:
Ŷt+x= at + bt x [2-4]
Di mana:
Ŷt+x = peramalan untuk periode selanjutnya.
at = perbedaan nilai antara nilai single smooting (A`) dengan
double (A``)
bt = Nilai slop
x = periode pengamatan untuk peramalan
Untuk menghitung perbedaan nilai single smooting (A`) dan double

(A``) sebagai suatu tren maka perlu menghitung nilai smooting
tunggal (A`) dan ganda (A``) sebagai berikut:
At` = aŶt + (1-a) A`t-1 [2-5]
At`` = aAt` + (1- a) A`t-1 [2-6]
Dengan menggunakan persamaan [2-5] dan [2-6] dapat dihitung
perbedaan antara nilai single smooting (A`) dan double (A``) sebagai
berikut:
at = 2At` - At``
sedangkan untuk perhitungan slop dapat digunakan formula sebagai
berikut:
bt = (At` - At``)
Setelah dibuat penyesuaian yang sesuai dengan data, maka dapat

siapkan untuk membuat perkiraan x periode ke depan.
Contoh Kasus
sebagai berikut:
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?
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:
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``)
b2 = (1,313- 1,310.3) = 0.30
b3 = (1,314.9- 1,310.8) = 0.46
5. Hitung peramalan untuk periode selanjutnya, misalnya

peramalan dilakukan untuk 1 bulan berikutnya maka dapat
Ŷ2+1= a2 + b2 1
Ŷ2+1= 1,315.7 + 0.30 (1) = 1,316
Jika peramalan dilakukan untuk 5 bulan berikutnya maka dapat
Ŷ2+1= 1,315.7 + 0.30 (5) = 1,317.2
Adapun hasil secara keseluruhan perhitungan peramalan dengan

double exponential smoothing dengan nilai konstanta 0.1 dapat
dilihat pada tabel 2.11 sebagai berikut:
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
3 Maret 1,332 1,314.9 1,310.8 1,319.0 0.46 1,316.0 16.00

4 April 1,345 1,317.9 1,311.5 1,324.3 0.72 1,319.5 25.50
5 Mei 1,361 1,322.2 1,312.5 1,331.9 1.07 1,325.1 35.94

6 Juni 1,372 1,327.2 1,314.0 1,340.4 1.46 1,333.0 39.04
7 Juli 1,386 1,333.1 1,315.9 1,350.2 1.91 1,341.8 44.16
8 Agustus 1,377 1,337.5 1,318.1 1,356.9 2.15 1,352.1 24.86
9 September 1,410 1,344.7 1,320.7 1,368.7 2.66 1,359.0 50.98
10 Oktober 1,425 1,352.8 1,323.9 1,381.6 3.20 1,371.4 53.63
11 November 1,444 1,361.9 1,327.7 1,396.0 3.79 1,384.8 59.24
12 Desember 1,450 1,370.7 1,332.0 1,409.3 4.30 1,399.8 50.19

6. Perhitungan nilai error, Mean absolut Error (MAE), Mean
Squared Error (MSE), Mean absolute Percentage Error (MAPE)
sebagai berikut:
( )
MAE =
MSE =
MAPE =
7. Untuk menentukan forecast yang terbaik, perlu pembuktian

dengan membandingkan konstanta yang digunakan. Saat
membandingkan dengan beragam nilai konstanta maka pilih nilai
MSE yang paling rendah karena akan memberikan peramalan
yang terbaik dibandingkan dengan nilai konstanta lainnya.
Misalnya nilai konstanta 0.1 memberikan nilai MSE lebih rendah
dibandingkan dengan perhitungan yang menggunakan niali
konstanta 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 atau 0.9 maka pilihan
terbaik adalah peramalan dengan menggunakan konstanta 0.1.
8. Jadi peramalan untuk periode selanjutnya yaitu bulan Januari
2018 (misalnya kostanta terbaik adalah 0.1) adalah
Ŷ2+1= 1,409.3 + 4.30 (1) = 1,431.6
3. Holt`s Method of Exponential smoothing

Salah satu metode exponential smoothing yang dapat digunakan
selain single dan double exponential smoothing adalah holt’s method
of exponential smoothing. Metode ini merupakan pendekatan
alternatif yang digunakan untuk menangani tren linier. Sebenarnya,
metode ini memiliki kemiripan dengan double exponential smoothing
kecuali bahwa teknik ini menghaluskan tren dan kemiringan dalam
deret waktu dengan menggunakan konstanta smoothing yang

berbeda untuk masing-masing. Namun jika menggunakan metode
double exponential smoothing, analis tidak mendapatkan fleksibilitas
dalam estimasi nilai tren, di mana double exponential smoothing,
estimasi nilai tren sensitif terhadap pengaruh acak dan tidak
ditangani secara langsung. Jadi, metode holt’s dapat digunakan
sebagai alternatif untuk peramalan yang dipengaruhi oleh trend
atapi tidak dipengaruhi oleh musim. Adapun persamaan holt’s
method of exponential smoothing adalah sebagai berikut:
At = aYt + (1-a)(At-1 + Tt-1) [2-7]
Tt = β(At - At-1)+(1-β)Tt-1 [2-8]
Ŷt+x = At + xTt [2-9]
Keterangan
At = nilai penghalusan (smoothed)
β = konstanta smoothing untuk estimasi tren (0 < β < 1)
Tt = estimasi tren untuk periode t
Ŷt+x = forecast untuk periode pengamatan mendatang
Jika melihat persaman single exponential smoothing [2-3] dengan

holt’s method of exponential smoothing [2-7] maka dapat dilihat
adanya kesamaan persamaan kecuali adanya tambahan estimasi tren
(Tt). Persamaan [2-7] menghasilkan nilai smoothed yang
menyesuaikan tren untuk menghilangkan lag yang terjadi ketika
nilai single smoothing dihitung. Seperti halnya dalam model
smoothing eksponensial sebelumnya, perlu diasumsikan nilai awal
untuk nilai smoothing-nya. Nilai ini diasumsikan sama dengan nilai
awal pengamatan aktual.
Contoh Kasus
sebagai berikut:
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
A4 = 0.7(1,324) + (1-0.7)( 1,401.1+ 140.4) = 1,844.9

2. Hitung estimasi tren pada periode t
Untuk bulan kedua, nilai trend dihitung dengan cara
T3 = β(A3 – A3-1)+(1-β)T3-1
T3 = 0.4(1,401.1- 1,230) + (1-0.4)120 = 140.4
T4 = 0.4(1,389.3- 1,401.1) + (1-0.4) 140.4 = 79.5
3. Hitung forecast
Ŷt+x = At + xTt
Ŷ2+1 = A2 + xT2
Ŷ3 = 1,401.1 + 140.4 = 1,350
4. Hitung Error
et = Yt - Ŷt
e3= 1,423 – 1,350 = 73
Adapun hasil secara keseluruhan perhitungan peramalan dengan
Holt’s Method of Exponential smoothing dengan dapat dilihat pada
tabel 2.13 sebagai berikut:
Tabel 2.13
Perhitungan Peramalan Penjulan Pakan Pada PT Arwana Baru Tahun
2018 dengan Holt’s Method of Exponential smoothing
Penjulan
Periode Bulan A T Forecast Error
(Ton)
1 Januari 1,110 - - - -
2 Februari 1,230 1,230.0 120.0 - -
3 Maret 1,423 1,401.1 140.4 1,350.0 73.0
4 April 1,324 1,389.3 79.5 1,541.5 -217.5
5 Mei 1,223 1,296.7 10.7 1,468.8 -245.8
6 Juni 1,423 1,388.3 43.1 1,307.4 115.6
7 Juli 1,164 1,244.2 -31.8 1,431.4 -267.4
8 Agustus 1,457 1,383.6 36.7 1,212.4 244.6
9 September 1,298 1,334.7 2.4 1,420.3 -122.3
10 Oktober 1,532 1,473.5 57.0 1,337.1 194.9
11 November 1,345 1,400.7 5.0 1,530.5 -185.5
12 Desember 1,348 1,365.3 -11.1 1,405.7 -57.7
5. Perhitungan nilai error, Mean absolut Error (MAE), Mean
Squared Error (MSE), Mean absolute Percentage Error (MAPE)
sebagai berikut:
( )
MAE =
MSE =
MAPE =

dengan membandingkan konstanta dan konstanta smoothing
untuk estimasi tren yang digunakan.
7. Jadi peramalan untuk periode selanjutnya yaitu bulan Januari
2019 dengan nilai konstanta 0.7 dan β = 0. adalah
Ŷ13= 1,365.3 + (-11.1) = 1,354.2
4. Triple Exponential smoothing

Metode ini digunakan ketika terdapat unsur trend dan perilaku
musiman yang ditunjukkan pada data. Metode exponential smoothing
yang dapat digunakan untuk hampir segala jenis data stasioner atau
non–stasioner sepanjang data tersebut tidak mengandung faktor
musiman. Tetapi bila mana terdapat data musiman, metode triple
dapat dijadikan cara untuk meramalkan data yang mengandung
faktor musiman tersebut. Adapun formula triple exponential
smoothing adalah sebagai berikut:
Ŷt+1= at + btx +(1/2) ctx2 [2-10]
at = 3 -3 +3
bt = {(6-5α) -(10-8α) + (4-3α)
( )
ct = [( )]2 ( -2 + )
= αY + (1-α)
=α + (1-α)
=α + (1-α)
Keterangan
= simple smoothing statistic; = double smoothing statistic
= triple smoothing statistic
Contoh Kasus
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
Lakukan peramalan dengan triple exponential smoothing dengan nilai

konstanta 0.6?
1. Hitung simple, double dan triple smoothing statistic periode
pertama dan kedua.
Untuk periode pertama dan kedua yaitu bulan Januari dan
Febuari 2015, nilai dari simple, double dan triple smoothing
statistic ( ) dapat menggunakan formulasi
sebagai berikut:
2. Hitung simple, double dan triple smoothing statistic periode

ketiga dan seterusnya.
Periode ke tiga
= αY3 + (1-α)
= 0.6(1,180) + (1-0.6) =1,960
=α + (1-α)
= ( ) ( )
=α + (1-α)
= ( ) ( )
Periode Keempat
= αY4 + (1-α)
= 0.6(1,324) + (1-0.6) =1,272.9
=α + (1-α)
= ( ) ( )
=α + (1-α)
= ( ) ( )
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 + )
c3 = [( )]2 ( -2(1,205.6) + ) = -8.64
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 + )
c4 = [( )]2 ( -2(1,245.9) + ) = 29.38
Periode Keduapuluh empat

a24 = 3 -3 +3
a24 = 3( ) – 3(1,467) + 3(1,448.4) = 4,389.6
b24 = {(6-5α) -(10-8α) + (4-3α)
( )
b24 = {(6-5(0.6)) -(10-8(0.6)) 1,467+

( )
(4-3(0.6)) }
= 23.50
c24 = [( )]2 ( -2 + )
c24 = [( )]2 ( -2(1,467) + ) = -1.72
4. Hitung forecast periode kedua puluh empat dan seterusnya.

Periode Keduapuluh empat
Ŷ23+1= a23 + b23x +(1/2) c23x2
Ŷ24 = 4,326.4+ 39.77(1) +(1/2) 4.10(12) = 4,368.23
Periode Keduapuluh lima
Ŷ24+1= a23 + b23x +(1/2) c23x2
Ŷ25 = 4,398.6+ 23.50(1) +(1/2) -1.72(12) = 4,368.23
Jika anda ingin melakukan proyeksi hingga 3 bulan kedepan
maka nilai proyeksinya sebagai berikut:
Ŷ27+1= a23 + b23x +(1/2) c23x2
Ŷ28 = 4,398.6+ 23.50(3) +(1/2) -1.72(32) = 4,461.34
dengan membandingkan konstanta yang memberikan nilai error,
Mean absolut Error (MAE), Mean Squared Error (MSE), Mean
absolute Percentage Error (MAPE).
6. Adapun hasil secara keseluruhan perhitungan peramalan dengan
triple exponential smoothing dengan dapat dilihat pada tabel 2.15
sebagai berikut:
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
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
At = α +(1-α) (At-1 + Tt-1) [2-11]
Perkiraan trend
Tt-1 = β (At - At-1) + (1-β) Tt-1 [2-12]
Perkiraan musim
It = γ ( ) It-L [2-13]
Peramalan periode kedepan

Ŷt+x = (At + xTt) It-L [2-14]
Keterangan
At = nilai penghalusan (smoothed)
Yt = nilai aktual
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
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
Lakukan peramalan dengan winters’ seasonal exponential smoothing?

1. Hitung nilai perkiraan trend
Berdasarkan data aktual penjualan buatlah persamaan regresi
dengan menggunakan metode trend linear (akan dibahas pada
bab 3). Nilai koefisien (slop) dari persamaan ini kemudian
digunakan sebagai nilai awal untuk tren sebagai mana tabel 2.17.
Menggunakan metode trend linear dapat diperoleh hasil
persamaan sebagai berikut:
Ŷt = α + βXt [2-15]
di mana Xt= periode
Ŷt = 4.857 + 0.042X
Dari persamaan [2-15] akan diperoleh hasil nilai trend setiap
periode, misalnya pada periode ke 1 (nilai x = -10) maka dapat
dihitung forecast-nya sebagai berikut:
Ŷt = 4.857 + 0.042(-10) = 4.4
2. Hitung rasio nilai actual dengan forecast (Yt/ Ŷt )
Rasio periode pertama = =1.15
Rasio periode kedua = =1.36
Rasio periode kelima = =0.93
Rasio periode kelima = =1.12
dan seterusnya
Tabel 2.17 Perhitungan Trend Data Penjulan Ikan PT Bahama Baru

Tahun 2010& 2015 dengan Metode Kuadrat Terkecil
Penjulan
Tahun Kuartal Periode X X*Y X2 Forecast
(Y)
2010 I 1 5.1 -10 -51 100 4.437
II 2 6.1 -9 -54.9 81 4.479
III 3 5.6 -8 -44.8 64 4.521
IV 4 4.5 -7 -31.5 49 4.563
2011 I 5 4.3 -6 -25.8 36 4.605
II 6 5.2 -5 -26 25 4.647
III 7 5.6 -4 -22.4 16 4.689
IV 8 2.5 -3 -7.5 9 4.731
2012 I 9 2.2 -2 -4.4 4 4.773
II 10 4.2 -1 -4.2 1 4.815
III 11 4.6 0 0 0 4.857
IV 12 4.2 1 4.2 1 4.899
2013 I 13 3.9 2 7.8 4 4.941
II 14 5.1 3 15.3 9 4.983
III 15 5.8 4 23.2 16 5.025
IV 16 4.9 5 24.5 25 5.067
2014 I 17 4.1 6 24.6 36 5.109
II 18 5.3 7 37.1 49 5.151
III 19 6.9 8 55.2 64 5.193
IV 20 6 9 54 81 5.235
2015 I 21 5.9 10 59 100 5.277
Jumlah 102 32.4 770
Keterangan
Ŷt = α + βXt
Di mana
Ŷ = forecast
α = konstanta
β = koefisien
α= ; n = jumlah observasi
α= = 4.857
β=
β= = 0.042
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
3. Hitung perkiraan musiman awal

Untuk menghitung perkiraan musiman awal dapat dihitung
dengan mengambil rasio tren aktual pada kuartal pertama tahun
2010 dan 2011 seperti yang ditunjukkan di bawah ini:
I1= =1.23
I2= =1.22
I18= =0.99
4. Hitung perkiraan penjulan period terakhir (21)

Untuk menghitung forecast periode kedepan yaitu ke 22 maka
perlu terlebih dahulu dihitung perkiraan penjualan periode ke 21
dengan menggunakan nilai prakiraan tren [2-15] dengan
perhitungan sebagai berikut:
Ŷt+1 = (Ŷt + xTt) It-L+1
Ŷ21+1 = (Ŷ21 + xT21) I21-4+1
Ŷ22 = (5.2+ (1) 0.042) 0.99
Ŷ22 5.3
5. Penetapan nilai untuk konstanta penghalusan α, β, dan γ.
Sebagai ilustrasi, peramalan ini akan menggunakan konstanta 0,4
untuk ketiganya. Namun sangat disarankan untuk memilih
konstanta yang memberikan nilai error, Mean absolut Error
(MAE), Mean Squared Error (MSE), Mean absolute Percentage
Error (MAPE) terkecil.
6. Hitung At (Exponentially Smoothed Series)
A22 = 0.4 +(1-0.4) (A22-1 + T22-1)
A10 = 0.4 +(0.6) (A21+ T21)
A10 = 0.4 +(0.6) (5.2+ 0.042)
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
8. Hitung It (Perkiraan Musim)
I22 = γ ( ) I22-4
I22 = 0.4 ( ) 0.99
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.
BAB III PERAMALAN DENGAN

TEKNIK DEKOMPOSISI
Salah satu teknik peramalan yang dapat digunakan adalah

teknik dekomposisi. Dekomposisi dapat diartikan memecah data
time series/data deret berkala. Pemecahan ini yang menjadi dasar
dari teknik dekomposisi yaitu memecah data menjadi beberapa pola
dan mengidentifikasi masing-masing komponen dari data time series
secara terpisah. Tujuan dari pemisahan ini adalah untuk membantu
agar terjadi peningkatan ketepatan peramalan. Selain itu, pemisahan
ini juga membantu analis/peramal dalam memahami perilaku data
time series lebih baik.
Bab III Peramalan dengan Teknik Dekomposisi 61
Metode dekomposisi juga dikenal dengan metode deret waktu.
Data deret waktu atau time series adalah data yang yang disusun
sesuai dengan urutan waktu baik berupa hari, minggu, bulan, tahun
dan lain sebagainya. Artinya urutan waktu ini memiliki pola gerakan
yang dapat diikuti dan diketahui. Pola gerakan dapat bermacam-
macam, apakah pola yang dulu naik lalu pada waktu yang akan
dating pola gerak data kembali naik, atau bisa juga sebalikanya. Pola-
pola gerakan data bisa saja berulang, befluktuasi, atau bisa juga tidak
teratur.
Metode dekomposisi memiliki peran dalam memberikan
informasi mengenai berbagai perubahan atau pola pergerakan data
dalam suatu periode atau waktu. Jadi kemapuan untuk memahami
pola pergerakan data membatu analis/peramal dalam menyiapkan
informasi yang dapat digunakan dalam pengambilan keputusan saat
ini, permalan kegiatan ekonomi dan bisnis dimasa depan dan
perecanaan di masa yang akan datang.
Perubahan atau pola pergerakan data memiliki pola yang
bermacam-macam dan kompleks. Terkadang polanya menurun,
menaik, berfluktuasi atau memiliki pola yang tidak teratur. Jika kita
berusaha memahami data dengan cara melakukan peramalan
dengan modelkannya sekaligus maka akan sangat sulit sehingga
perlu diadakan pemecahan data kedalam 4 komposisi yaitu trend
(T), variasi musim (S), variasi siklis (C) dan variasi random (I) yang
kesemuanya disebut komponen data berkala/time series. Artinya
masing-masing komposisi ini akan dicari satu persatu lalu setelah itu
akan digabung kembali untuk menjadi forecast atau ramalan.
Ramalan dengan menggunakan 4 komposisi ini digunakan

untuk mendapatkan nilai forecast masa depan. Teknik dekomposisi
ini dilandasi asumsi bahwa data berkala merupakan gabungan dari 4
komponen yang dapat dapat ditulis dari persamaan berikut:
(Yx) = Pola Data + Error [4-1]
(Yx) = (Trend, Siklus, Musim) + Error
(Yx) = Tx, Cx, Sx+ IX
Di mana
Yx = data deret berkala periode x
Tx = trend periode x
Cx = fluktuasi siklis periode x
Sx = fluktuasi musim periode x
Ix = variasi residu atau error periode x
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.
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.
250
225
200
170
145
110
100
2011 2012 2013 2014 2015 2016

2010
2 2
Gambar 3.1. Grafik Trend dengan Metode Tangan
Bebas
ii. Trend dengan Metode Setengah Rata-Rata (Semiaverage)
Trend dengan metode setengah rata-rata adalah metode yang
digunakan untuk mendapatkan rata-rata data yang ada dengan
membagi data menjadi dua bagian. Metode ini lebih baik dari metode
metode tangan bebas karena sudah mulai melakukan perhitungan
dengan formula tertentu sehingga unsur subjektivitas menjadi
berkurang. Ada pun langkah yang dapat dilakukan untuk
menggunakan metode setengah rata-rata sebagai berikut:
1) Membagi data yang ada dibagi menjadi dua kelompok dengan
jumlah yang sama.
2) Menentukan tahun dasar yang ada pada tengah-tengah kelompok
I.
3) Pada masing-masing kelompok ditentukan nilai X, semitotal dan
semiaverage.
4) Jumlah nilai X pada kelompok I harus nol.
5) Proyeksi (forecast) di tahun yang akan datang tergantung berapa
besarnya nilai X.
Nilai trend dihitung dengan formula Y = a + bX
Di mana:
a = rata-rata kelompok I
b =
n = Jumlah data masing-masing kelompok

X = Nilai yang ditentukan berdasarkan tahun dasar
Contoh Kasus I dengan Data Tahun Genap

Perusahaan PT Gunung Sari yang bergerak pada bidang tambang
batu memiliki data produksi dari Tahun 2010 –2015 sebagai berikut:
Tabel 3.2 Data Produksi PT Gunung Sari Tahun 2010-2015
Tahun Periode Produksi (Ton)
2010 1 50
2011 2 55
2012 3 70
2013 4 80
2014 5 90
2015 6 110
Lakukan perhitungan dengan menggunakan metode setengah rata-
rata?
1. Pembagian Kelompok dan Perhitungan Persamaan Trend
Langkah pertama yang perlu dilakukan adalah dengan membagi
tabel 3.2 menjadi 2 kelompok yaitu kelompok I yaitu tahun 2010,
2011 dan 2012 sedangkan kelompok II yaitu tahun 2013, 2014, dan
2015 sebagaimana gambar berikut:
Tabel 3.3 Perhitungan Trend PT Gunung Sari Tahun 2010-2015

Semi Rata-
Kelompok Tahun Y X Semitotal
Rata
2010 50 -1
50+55+70 170/3
I 2011 55 0
=175 =58.3
2012 70 1
2013 80 2
80+90+110 280/3
II 2014 90 3
=280 =93.3
2015 110 4
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
110
100
90
80
70
55
50
2010 2011 2012 2013 2014 2015 2016

Gambar 3.2
Grafik Trend Penjualan dengan Metode Setengah Rata-Rata Pada PT
Gunung Sari Tahun 2010-2015
Contoh Kasus II dengan Data Tahun Ganjil

Perusahaan PT Gunung Sari yang bergerak pada bidang tambang
batu memiliki data produksi dari Tahun 2010–2016 sebagai berikut.
Tabel 3.4 Data Produksi PT Gunung Sari Tahun 2010-2016
Tahun Periode Produksi (Ton)
2010 1 50
2011 2 55
2012 3 70
2013 4 80
2014 5 90
2015 6 110
2016 7 115

rata?
1. Pembagian Kelompok dan Perhitungan Persamaan Trend
Langkah pertama yang perlu dilakukan adalah dengan membagi
tabel 3.4 menjadi 2 kelompok. Namun berbeda jika data
observasinya genap maka jika data observasi ganjil tahun
pertengahan akan tetap diperhitungkan pada kelompok I dan II
sehingga pembagian kelompoknya menjadi seimbang sehingga
pembagian kelompok menjadi kelompok I yaitu tahun 2010, 2011,
2012, dan 2013 sedangkan kelompok II yaitu tahun 2013, 2014,
2015 dan 2016 sebagaimana gambar berikut:
Tabel 3.5 Perhitungan Trend PT Gunung Sari Tahun 2010-2016
Semi Rata-
Kelompok Tahun Y X Semitotal
Rata
2010 50 -3
2011 55 -1 255/4
I 255
2012 70 1 =63.75
2013 80 3
2013 80 3
2014 90 5 395/4
II 395
2015 110 7 =98.75
2016 115 9
Y = a + bX
a = 63.75
b = = 4.38
( )
Persamaan trend:
Y = 63.75 + 4.38 X
Nilai trend tahun 2017 (X=11)
Y = 63.75 + 4.38 (11)
= 116.67
2. Perhitungan nilai trend dan gambar grafis.
110
100
90
80
70
55
50
2010 2011 2012 2013 2014 2015 2016

Gambar 3.3
Grafik Trend Penjualan dengan Metode Setengah Rata-Rata Pada PT
Gunung Sari Tahun 2010-2016
Perhitungan nilai trend dari tahun 2010-2016 sebagai berikut:
Y 2010 = 63.75 + 4.38 (-3) = 50.63
Y 2011 = 63.75 + 4.38 (-1) = 59.38
Y 2012 = 63.75 + 4.38 (1) = 68.13
Y 2013 = 63.75 + 4.38 (3) = 76.88
Y 2014 = 63.75 + 4.38 (5) = 85.63
Y 2015 = 63.75 + 4.38 (7) = 94.38
Y 2015 = 63.75 + 4.38 (9) = 103.13
Contoh Kasus III dengan persamaan garis lurus

Perusahaan PT Gunung Malang yang bergerak dibidang penjulan
garam memiliki data penjualan dari Tahun 2010–2019 sebagai
berikut:
Tabel 3.6 Data Penjualan PT Gunung Malang Tahun 2010-2019
Tahun Penjualan (Ton)
2010 38
2011 27
2012 42
2013 59
2014 61
2015 69
2016 77
2017 83
2018 91
2019 102
rata dengan menggunakan persamaan garis lurus?
Perhitungan trend dengan metode setengah rata-rata dapat
dilakukan dengan menggunakan persamaan garis lurus sebagai
berikut:
Y = a + bX
Di mana,
Y = Semi Rata-Rata
X = kode waktu (titik absis)
a, b = konstanta
Jadi dengan menggunakan persamaan garis lurus akan ada dua nilai
Y dan X di mana Nilai pertama adalah rata-rata bagian pertama
atau rata-rata semitotal pertama ( 1) dengan nilai X pertama adalah
nilai X tempat nilai ( 1) berada. Nilai kedua adalah rata-rata bagian
kedua atau rata-rata semitotal kedua ( 2) dengan Nilai X kedua nilai
X tempat nilai ( 2) berada. Nilai-nilai X dimulai dari (0, 1, 2, 3, ….X).

Dengan demikian, persamaan Y=a +bX dipecah menjadi dua, yaitu:
( 1) = a + bX1
( 2) = a + bX2
1. Menentukan nilai 1, 2 dan nilai X1, X2
Tabel 3.7 Perhitungan Trend PT Gunung Malang Tahun 2010-2019
Tahun Y X Rata-Rata Semitotal
2010 38 0
2011 27 1
2012 42 2 1= =45.4
2013 59 3
2014 61 4
2015 69 5
2016 77 6
2017 83 7 2= =84.4
2018 91 8
2019 102 9
1, dan X 1 = 2
1, dan X2 = 7
2. Membuat persamaan trend
1 = a + = a + b(2)
bX1
2 = a + = a + b(7)
bX2
-39 = -5b
b = 7.8
= a + 7.8(2)
= a + 7.8(2)
= a + 15.6
a = 29.8
Jadi persamaan trendnya Y = 29.8 + 7.8X
3. Mengitung nilai trend

Y2010 = 29.8 + 7.8 (0) = 29.8
Y2011 = 29.8 + 7.8 (1) = 37.6
Y2012 = 29.8 + 7.8 (2) = 45.4
Y2013 = 29.8 + 7.8 (3) = 53.2
Y2014 = 29.8 + 7.8 (4) = 61
Y2015 = 29.8 + 7.8 (5) = 68.8
Y2016 = 29.8 + 7.8 (6) = 76.6
Y2017 = 29.8 + 7.8 (7) = 84.4
Y2018 = 29.8 + 7.8 (8) = 92.2
Y2019 = 29.8 + 7.8 (9) = 100
Y2020 = 29.8 + 7.8 (10) = 100.78
iii. Trend dengan Metode Kuadrat Terkecil (Least Square)

Metode kuadrat terkecil menggunakan persaman garis lurus.
Garis yang paling sesuai untuk menggambarkan data berkala adalah
garis yang jumlah kuadrat dari selisih antara data tersebut dan garis
trend-nya terkecil atau minimum. Persamaan yang digunakan
sebagai berikut:
Y = a + bX
Di mana,
Y = nilai trend
X = periode waktu
a = konstanta, nilai Y jika X=0
b = koefisien X (slop).
α= ; n = jumlah observasi
β=
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….
Contoh Kasus I dengan Tahun Ganjil

Perusahaan PT Awan yang bergerak dibidang penjulan gula memiliki
data penjualan dari Tahun 2015 –2019 sebagai berikut:
Tabel 3.8 Data Penjualan PT Awan Tahun 2015-2019
2015 40
2016 55
2017 65
2018 80
2019 95
Lakukan perhitungan dengan menggunakan metode kuadrat
terkecil?
1. Menentukan nilai β
Tahun Y X XY X2 Trend
2015 40 -2 -80 4 40
2016 55 -1 -55 1 53.5
2017 65 0 0 0 67
2018 80 1 80 1 80.5
2019 95 2 190 4 94
Jumlah 335 0 135 10
α=
α=
α=
β=
β=
α=
Jadi persamaan garis trend adalah sebagai berikut:
Y = 67 + 13.5X
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
Y2020 = 67 + 13.5(3)= 107.5
Contoh Kasus II dengan Tahun Genap

Perusahaan PT Awan yang bergerak dibidang penjulan gula memiliki
data penjualan dari Tahun 2015–2020 sebagai berikut:
Tabel 3.10 Data Produksi PT Awan Tahun 2015–2020
2015 40
2016 55
2017 65
2018 80
2019 95
2020 110
Lakukan perhitungan dengan menggunakan metode kuadrat terkecil.
Adapun langkah yang dapat dilakukan sebagai berikut.

2015 40 -5 -200 25 39.7
2016 55 -3 -165 9 53.5
2017 65 -1 -65 1 67.3
2018 80 1 80 1 81.1
2019 95 3 285 9 94.9
2020 110 5 550 25 108.7
Jumlah 445 0 485 70
α=
α=
α=
β=
β=
α=
Jadi persamaan garis trend adalah sebagai berikut:
Y = 74.2 + 6.9X
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
Y2021 = 67 + 13.5(7)= 122.5
iv. Trend Moment

Trend moment merupakan salah saltu metode trend linear
dengan menggunakan metode matematis. Penentuan tahun dasar
dilakukan pada awal periode. Untuk pengguanan metode matematis
maka nilai β dengan menggunakan persaman trend linear lalu
dibuat persamaan sebagai berikut:
∑Y = n(α) + β∑X
∑XY = α∑X + β∑X2
Nilai X = 0, 1, 2, 3,…
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
2010 55
2011 75
2012 85
2013 90
2014 110
Lakukan perhitungan dengan menggunakan metode kuadrat terkecil
dengan metode matematis?
415 = 5.a + 10β (x2) = 5.a + 20β
= 10a + 30β (x1) = 10a + 30β
-125 = -10β
β = 12.5
= 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
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

Y2010 = 58 + 12.5 (0)= 58
Y2011 = 58 + 12.5 (1)= 70.5
Y2012 = 58 + 12.5 (2)= 83
Y2013 = 58 + 12.5 (3)= 95.5
Y2014 = 58 + 12.5 (4)= 108
Jadi dapat dibuat peramalan untuk tahun 2015 yang dapat
Y2015= 58 + 12.5 (5)= 120.5
v. Mengubah Persamaan Trend

Peramalan dengan menggunakan metode trend linear telah
dijelaskan dan dicontohkan sebelumnya. Ada beberapa metode yang
telah digunakan dalam trend linear antara lain dengan metode
tangan bebas, setengah rata-rata, kuadrat terkecil, dan moment.
Namun pemaparan metode ini, diberikan dengan contoh data

tahunan dan tahun dasar (origin) tertentu. Namun, pada dasarnya
persamaan trend linear ini dapat diubah tahun dan origin-nya dalam
bentuk persamaan trend menjadi trend rata-rata, trend bulanan,
kuartal atau semester, dan dapat pula dengan mengeser origin-nya.
Berikut penjabaran perubahan bentuk persamaan trend sebagai
berikut:
1. Mengeser Origin (tahun dasar)
Mengeser origin artinya persamaan trend diubah dengan
mengubah tahun dasarnya. Mengubahnya dengan cara mengubah
titik permulaan untuk menghitung nilai-nilai trend. Misalnya
pada contoh kasus trend moment tabel 3.13 yang diperoleh
persamaan sebagai berikut:
Y = 58 + 12.5X
Di mana
Tahun dasarnya adalah tahun 2010
Tahun dasar yang sebelumnya adalah tahun 2010, diubah
menjadi, misalnya tahun 2013 sehingga persamaan nilai Y
menjadi 83 (Y = 58 + 12.5(3) = 83). Jadi tercipta persamaan trend
baru yaitu:
Y = 83 + 12.5X
(Y penjualan tahunan dengan tahun dasar 2013)
Adanya persamaan trend yang baru menunjukan adanya
perubahan pada nilai a, namun tidak mengubah nilai β yaitu 12.5.
2. Trend Rata-Rata
Persamaan trend tahunan dapat diubah menjadi persamaan trend
rata-rata, baik menjadi trend rata-rata bulanan, kuartal atau
semester. Untuk persamaan trend rata-rata bulanan, maka nilai a,
dan β dibagi masing-masing 12, sedangkan kuartal masing dibagi
4 dan semester dibagi 2. Jadi, persamaannya menjadi sebagai
berikut:
Bulanan Y= +
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
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
b. Trend Rata-Rata Kuartal
Y= +
Y= +
Y= +
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= +
semester sebagai berikut:
Y2010 = + ( ) 29
Y2011 = + ( ) 35.25
Y2012 = + ( ) 41.51
Y2013 = + ( ) 47.76
Y2014 = + ( ) 54.01
3. Trend Bulanan, Triwulan, Kuartal dan Semester

Trend bulanan, kuartal dan semester adalah trend antarbulanan,
kuartal dan semester. Jadi jika bulanan berarti trend dari bulan
yang satu ke bulan yang lain, misalnya dari bulan Juni ke bulan
Juli, jika kuartal dberarti dari kuartal I ke kuartal II, atau dari
kuartal II ke kuartal III. Sama halnya dengan semester, artinya
dari semester I ke semester II.
Berbeda dengan trend rata-rata yang membagi nilai a, dan β jika
bulanan dibagi 12, kuartal dibagi 4 dan semester dibagi 2 maka
pada trend bulanan, kuartal dan semester nilai a, dan β dibagi
dengan nilai yang berbeda. Trend bulanan nilai a dibagi 12 dan
nilai β dibagi 144 (dari hasil 12 2), trend kuartal nilai a dibagi 4
dan nilai β dibagi 16 (dari hasil 4 2), dan trend semester nilai a
dibagi 2 dan nilai β dibagi 4 (dari hasil 2 2). Adapun persamaan
yang terbentuk dari trend bulanan, kuartal dan semester sebagai
berikut:
Bulanan Y= +
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
Untuk melakukan perubahan menjadi trend bulanan, kuartal dan
semester maka lakukan pembagian maka nilai a, dan β sebagai
berikut:
a. Trend Bulanan
Y= +
Y= +
Y= +

bulanan sebagai berikut:
YJan, 2010 = + ( ) 4.83
YFeb, 2010 = + ( ) 4.92
YMar, 2010 = + ( ) 5.01
YApr, 2010 = + ( ) 5.10
YMei, 2010 = + ( ) 5.19
YJun, 2010 = + ( ) 5.28
YJul, 2010 = + ( ) 5.37
YAgs, 2010 = + ( ) 5.46
YSep, 2010 = + ( ) 5.55
YOkt, 2010 = + ( ) 5.64
YNov, 2010 = + ( ) 5.73
YDes, 2010 = + ( ) 5.82
dan seterusnya…
YDes, 2014 = + ( ) 10.14
b. Trend Kuartal
Y= +
Y= +
Y= +
kuartal sebagai berikut:
YKuartal I, 2010 = + ( ) 14.50
YKuartal II, 2010 = + ( ) 15.28
YKuartal III, 2010 = + ( ) 16.06
YKuartal IV, 2010 = + ( ) 16.84
dan seterusnya
YKuartal IV, 2014 = + ( ) 29.32
c. Trend Semester
Y= +
Y= +
Y= +
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:
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
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
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?
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
2010 22 -9 -198 81 1782 6561

2011 27 -7 -189 49 1323 2401
2012 30 -5 -150 25 750 625
2013 33 -3 -99 9 297 81
2014 34 -1 -34 1 34 1
2015 37 1 37 1 37 1
2016 42 3 126 9 378 81
2017 45 5 225 25 1125 625
2018 46 7 322 49 2254 2401
2019 49 9 441 81 3969 6561
Jumlah 365 0 481 330 11,949 19,338
2. Membuat persamaan trend dan mengitung nilai trend

Darai hasil perhitungan nilai maka dapat dibuat
persamaan trend dan nilai trend sebagai berikut:
Y = 36,88 + 1,46(X) – 0.01(X2)
dengan nilai trend
Y2010 = 36,88 + 1,46(-9) – 0.01 (-92) = 22.84
Y2011 = 36,88 + 1,46(-7) – 0.01 (-72) = 26.12
Y2012 = 36,88 + 1,46(-5) – 0.01 (-52) = 29.30
Y2013 = 36,88 + 1,46(-3) – 0.01 (-32) = 32.40
Y2014 = 36,88 + 1,46(-1) – 0.01 (-12) = 35.41
Y2015 = 36,88 + 1,46(1) – 0.01 (12) = 38.32
Y2016 = 36,88 + 1,46(3) – 0.01 (32) = 41.15
Y2017 = 36,88 + 1,46(5) – 0.01 (52) = 43.88
Y2018= 36,88 + 1,46(7) – 0.01 (72) = 46.52
Y2019= 36,88 + 1,46(9) – 0.01 (92) = 49.07
Jadi dapat dibuat peramalan untuk tahun 2020 maka dapat
Y2020 = 36,88 + 1,46(11) – 0.01 (112) =51.53
b. Trend Exponential
Trend exponential adalah trend nonlinear yang biasa disebut
dengan trend logaritma karena nilai persamaan dihitung dengan
menjadikan nilai persamaan kedalam bentuk logaritma. Jadi nilai
a dan b diganti menjadi log a dan log b untuk dilihat perubahan
relatifnya. Berikut persamaan trend exponential:
Y = a + bx, di mana
Log Y = Log a + X.Log.b
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?
1. Menentukan nilai
Log a =
Log a =
Log a =
Log b =
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
2. Menghitung nilai trend

Y2015 = 1.64 + 0.28(-2) = 1.58
anti log Y2015 = 1.58
anti log Y2015 = 38.37
Y2016 = 1.64 + 0.28(-1) = 1.61
anti log Y2016 = 1.61
anti log Y2015 = 40.93
Y2017 = 1.64 + 0.28(0) = 1.64
anti log Y2017 = 1.64
anti log Y2015 = 43.65
Y2018 = 1.64 + 0.28(1) = 1.67
anti log Y2018 = 1.67
anti log Y2015 = 46.56
Y2019= 1.64 + 0.28(2) = 1.70
anti log Y2019 = 1.70
anti log Y2015 = 49.66
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:
Tabel 3.18 Data 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
Buatlah indeks musim kuartal dengan metode rata-rata total?
1. Hitung jumlah masing-masing kuartal
Tabel 3.19 Perhitungan Total Penjualan
PT Hangat Tahun 2010-2019
Kuartal
Tahun Total
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 1,216
2. Hitung rata-rata jumlah

Rata-rata jumlah =
3. Hitung indeks musim masing-masing kuartal

Kuartal I
Kuartal II
Kuartal I
Kuartal I
Jadi indeks musim kuartal I, II, III dan IV sebesar 89.9; 97.4;
103; dan 109.9
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?
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
2. Hitung prosentase total terhadap rata-rata

Prosentase total terhadap rata-rata = x 100
Tabel 3.21 Perhitungan Rata-Rata dan Total Rata-Rata

Penjualan PT Hangat Tahun 2010-2019
Kuartal Rata-Rata Total Rata-Rata (%)
I 68.25 22.45
II 74 24.34
III 78.25 25.74
IV 83.5 27.47
Jumlah 304 100
3. Hitung nilai indeks

Indeks musim = % total terhadap rata-rata x 4
Kuartal I 22.45 x 4 = 89.90
Kuartal II 24.34 x 4 = 97.37
Kuartal III 25.74 x 4 = 102.96
Kuartal IV 27.47 x 4 = 109.87
3. Metode Presentase terhadap Trend

Cara untuk melakukan perhitungan metode presentase terhadap
trend sebagai berikut:
a. Menghitung trend penjualan
b. Menghitung presentase penjulan rill terhadap trend penjualan
c. Menghitung rata-rata nilai median
d. Menghitung total rata-rata nilai setiap kuartal
e. Menghitung nilai indeks
Contoh kasus
Perusahaan PT Barokah yang bergerak dibidang penjualan meja
memiliki data penjualan dari Tahun 2010–2019 sebagai berikut:
Tabel 3.22 Data Penjualan Riil PT Barokah Tahun 2010-2019
Kuartal
Tahun
I II III IV
2010 37 40 41 45
2011 42 44 50 55
2012 56 59 61 65
2013 60 62 65 68
2014 62 64 68 71
2015 59 63 64 68
2016 70 72 74 77
2017 71 73 75 79
2018 60 64 68 75
2019 70 75 82 85
Buatlah indeks musim kuartal dengan metode presentase
terhadap trend?
1. Hitung trend penjualan
Cara pertama adalah mencari nilai trend. Untuk itu perlu
dibuat persamaan trend lalu dihitung nilai trend setiap kuartal
sebagai mana tabel 3.23 diperoleh persamaan trend tahunan.
Kemudian dihitung persamaan trend kuartal
Y= +
Y= +
Y= +
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
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= = =
Persamaan trend tahunan Y = 253.9 + 6.85X

YKuartal IV, 2010 = + ( ) 49.29
dan seterusnya
YKuartal IV, 2019 = + ( ) 80.25
sehingga diperoleh nilai trend sebagai berikut:
Tabel 3.24 Perhitungan Nilai Trend PT Barokah
Tahun 2010-2019
Kuartal
Tahun
I II III IV
2010 46.71 47.57 48.43 49.29
2011 50.15 51.01 51.87 52.73
2012 53.59 54.45 55.31 56.17
2013 57.03 57.89 58.75 59.61
2014 60.47 61.33 62.19 63.05
2015 63.91 64.77 65.63 66.49
2016 67.35 68.21 69.07 69.93
2017 70.79 71.65 72.51 73.37
2018 74.23 75.09 75.95 76.81
2019 77.67 78.53 79.39 80.25
2. Hitung presentase penjulan rill terhadap trend penjualan

Presentase penjulan rill terhadap trend penjulan sebagai
berikut:
PPR =
PPRKuartal I, 2010 = 79.21%
PPRKuartal II, 2010 = 84.09%
PPRKuartal III, 2010 = 84.66%
PPRKuartal IV, 2010 = 91.30%
dan seterusnya
PPRKuartal IV, 2019 = 105.92%

Tabel 3.25 Perhitungan Presentase Penjulan Rill Terhadap

Trend Penjulan PT Barokah Tahun 2010-2019
Kuartal
Tahun
I II III IV
2010 79.21 84.09 84.66 91.30
2011 83.75 86.26 96.39 104.30
2012 104.50 108.36 110.29 115.72
2013 105.21 107.10 110.64 114.07
2014 102.53 104.35 109.34 112.61
2015 92.32 97.27 97.52 102.27
2016 103.93 105.56 107.14 110.11
2017 100.30 101.88 103.43 107.67
2018 80.83 85.23 89.53 97.64
2019 90.12 95.50 103.29 105.92
Jumlah 942.70 975.60 1012.23 1061.62
Rata-rata 94.27 97.56 101.22 106.16
3. Hitung nilai rata-rata median

Menggunakan tabel 3.25 urutkan data dari terkecil hingga
terbesar berdasarkan kuartal dengan mengabaikan tahun lalu
jumlahkan nilai median dan bagi 4 sebagai berikut:
Tabel 3.26 Perhitungan Nilai Media Pada Metode Presentase
Terhadap Trend
Kuartal
Median
I II III IV
46.71 47.57 48.43 49.29
50.15 51.01 51.87 52.73
53.59 54.45 55.31 56.17
57.03 57.89 58.75 59.61
60.47 61.33 62.19 63.05
Median
63.91 64.77 65.63 66.49
67.35 68.21 69.07 69.93
70.79 71.65 72.51 73.37
74.23 75.09 75.95 76.81
77.67 78.53 79.39 80.25
Nilai Median 62.19 63.05 63.91 64.77
Karena data jumlahnya genap maka nilai pehitungannta
dengan menjumlahkan dua nagka ditengah lalu dibagi 2
misalnya pada kuartal 1 nilai median sebesar 62.19 ( ).
Jadi rata-rata nilai media:
4. Hitung nilai indeks
Indeks musim =
Kuartal I : x 100% = 97.97%
Kuartal II : x 100% = 99.32%
Kuartal III : x 100% =100.68%
Kuartal IV : x 100% =102.03%
4. Metode Presentase terhadap Rata-Rata Bergerak

Cara untuk melakukan perhitungan metode presentase terhadap
rata-rata bergerak sebagai berikut:
a. Menghitung jumlah bergerak selama satu tahun (JB1TH) dan
letakkan pada pertengahan data
b. Menghitung jumlah bergerak selama dua tahun (JB2TH) dan
letakan pada pertengan data
c. Menghitung rata-rata bergerak (RRB) dengan membagi JB2TH
dengan 8 triwulan
d. Menghitung presentase penjulan rill terhadap RRB (PPRRRB)
e. Menghitung median dari nilai PPRRRB
f. Menghitung rata-rata median
g. Menghitung nilai indeks
Contoh kasus menggunakan data Perusahaan PT Barokah dapat

dihitung nilai indeks musim dengan metode persentase terhadap
rata-rata bergerak sebagai berikut:
Tabel 3.27 Perhitungan Indek Musim Metode Rata-Rata
Bergerak
Tahun Kuartal Penjualan JB1TH JB2TH RRB PPRRRB
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
IV 77 295 589 73.63 104.58

2017 I 71 296 591 73.88 96.11
II 73 298 594 74.25 98.32
III 75 287 585 73.13 102.56
IV 79 278 565 70.63 111.86
2018 I 60 271 549 68.63 87.43
II 64 267 538 67.25 95.17
III 68 277 544 68.00 100.00
IV 75 288 565 70.63 106.19
2019 I 70 302 590 73.75 94.92
II 75 312 614 76.75 97.72
III 82
IV 85

1. Hitung JB1TH
Tahun2010KuartalII JB1TH = 37 + 40 + 41 + 45 = 163
Tahun2010KuartalIII JB1TH = 40 + 41 + 45 + 42 = 168
dan seterusnya
2. Hitung JB2TH
Tahun2010KuartalIII JB2TH =
Tahun2010KuartalIV JB2TH =
dan seterusnya
3. Hitung RRB
Tahun2010KuartalIII RRB =
Tahun2010KuartalIV RRB =
dan seterusnya
4. Hitung PPRRRB
Tahun2010KuartalIII PPRRRB = ( )
Tahun2010KuartalIV PPRRRB = ( )
dan seterusnya
Tabel 3.28 Perhitungan Nilai Media Pada Metode Presentase

Terhadap Rata-Rata Bergerak
Kuartal
Median
I II III IV
99.09 105.88
95.18 94.62 101.01 103.53
99.33 100.00 100.41 105.48
96.00 97.83 101.56 105.43
95.20 97.15 103.23 108.60
Median
91.12 98.63 98.65 100.93
100.36 99.83 100.85 104.58
96.11 98.32 102.56 111.86
87.43 95.17 100.00 106.19
94.92 97.72
Nilai Median 95.20 97.83 100.93 105.45
5. Hitung rata-rata median
Rata-rata median =
6. Hitung Indeks Musim
Indeks Musim Kuartal I = = 95.34%
Indeks Musim Kuartal II = = 97.97%
Indeks Musim Kuartal III = = 101.08%
Indeks Musim Kuartal IV = = 105.01%
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)
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
TCI = Y/S
Contoh Tahun 2010 kuartal I : = 38.81
dan seterusnya.
5. Hitung CI
Contoh Tahun 2010 kuartal I ; = 83.08
dan seterusnya.
Tabel 3.29 Perhitungan Variasi Siklis

Penjualan
Tahun Kuartal T S TCI CI
(Y)
2010 I 37 46.71 95.34 38.81 83.08
II 40 47.57 97.97 40.83 85.83
III 41 48.43 101.08 40.56 83.75
IV 45 49.29 105.01 42.85 86.94
2011 I 42 50.15 95.34 44.05 87.84
II 44 51.01 97.97 44.91 88.04
III 50 51.87 101.08 49.47 95.36
IV 55 52.73 105.01 52.38 99.33
2012 I 56 53.59 95.34 58.74 109.60
II 59 54.45 97.97 60.22 110.60
III 61 55.31 101.08 60.35 109.11
IV 65 56.17 105.01 61.90 110.20
2013 I 60 57.03 95.34 62.93 110.35
II 62 57.89 97.97 63.28 109.32
III 65 58.75 101.08 64.31 109.46
IV 68 59.61 105.01 64.76 108.63
2014 I 62 60.47 95.34 65.03 107.54
II 64 61.33 97.97 65.33 106.52
III 68 62.19 101.08 67.27 108.17
IV 71 63.05 105.01 67.61 107.24
2015 I 59 63.91 95.34 61.88 96.83
II 63 64.77 97.97 64.31 99.28
III 64 65.63 101.08 63.32 96.47
IV 68 66.49 105.01 64.76 97.39

2016 I 70 67.35 95.34 73.42 109.01
II 72 68.21 97.97 73.49 107.74
III 74 69.07 101.08 73.21 105.99
IV 77 69.93 105.01 73.33 104.86
2017 I 71 70.79 95.34 74.47 105.20
II 73 71.65 97.97 74.51 104.00
III 75 72.51 101.08 74.20 102.33
IV 79 73.37 105.01 75.23 102.54
2018 I 60 74.23 95.34 62.93 84.78
II 64 75.09 97.97 65.33 87.00
III 68 75.95 101.08 67.27 88.58
IV 75 76.81 105.01 71.42 92.98
2019 I 70 77.67 95.34 73.42 94.53
II 75 78.53 97.97 76.55 97.48
III 82 79.39 101.08 81.12 102.18
IV 85 80.25 105.01 80.94 100.87
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
:
: = 84.22
Contoh Tahun 2010 kuartal III
: = = 85.51
Contoh Tahun 2010 kuartal III
: = 86.18
dan seterusnya.
2. Hitung nilai R
R = CI/C
Contoh Tahun 2010 kuartal II : = 101.91
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
III 65 58.75 101.08 109.46 109.14 100.29

IV 68 59.61 105.01 108.63 108.54 100.08
2014 I 62 60.47 95.34 107.54 107.56 99.98
II 64 61.33 97.97 106.52 107.41 99.17
III 68 62.19 101.08 108.17 107.31 100.81
IV 71 63.05 105.01 107.24 104.08 103.03
2015 I 59 63.91 95.34 96.83 101.12 95.76
II 63 64.77 97.97 99.28 97.53 101.80
III 64 65.63 101.08 96.47 97.72 98.73
IV 68 66.49 105.01 97.39 100.96 96.47
2016 I 70 67.35 95.34 109.01 104.72 104.10
II 72 68.21 97.97 107.74 107.58 100.15
III 74 69.07 101.08 105.99 106.20 99.81
IV 77 69.93 105.01 104.86 105.35 99.53
2017 I 71 70.79 95.34 105.20 104.68 100.49
II 73 71.65 97.97 104.00 103.84 100.15
III 75 72.51 101.08 102.33 102.95 99.39
IV 79 73.37 105.01 102.54 96.55 106.20
2018 I 60 74.23 95.34 84.78 91.44 92.72
II 64 75.09 97.97 87.00 86.78 100.24
III 68 75.95 101.08 88.58 89.52 98.95
IV 75 76.81 105.01 92.98 92.03 101.04
2019 I 70 77.67 95.34 94.53 95.00 99.51
II 75 78.53 97.97 97.48 98.07 99.41
III 82 79.39 101.08 102.18 100.18 102.00
IV 85 80.25 105.01 100.87
BAB IV PERAMALAN DENGAN

REGRESI SEDERHANA
Memprediksi nilai variabel di masa mendatang adalah aktivitas

manajemen yang sangat penting. Petugas keuangan harus
memprediksi arus kas masa depan, manajer produksi harus
memprediksi kebutuhan bahan baku, dan manajer sumber daya
manusia harus memprediksi kebutuhan personel masa depan.
Penjelasan variasi masa lalu juga penting. Menjelaskan variasi masa
lalu dalam jumlah biaya promosi dari salesman dapat membantu
manajer pemasaran memahami permintaan untuk peningkatan
penjualan setiap unitnya. Menemukan variabel yang menjelaskan
Bab IV Peramalan dengan Regresi Sederhana 107
penyimpangan dari spesifikasi komponen mobil dapat membantu
meningkatkan kualitas komponen itu. Ide dasar analisis regresi
adalah menggunakan data pada variabel independen kuantitatif
untuk memprediksi atau menjelaskan variasi dalam variabel
dependen kuantitatif.
Analisis regresi adalah bentuk hubungan antara variabel
independen terhadap variabel dependen yang persamaannya adalah
Y = f(X). Artinya dapat diestimasi nilai variabel dependen (Y) jika
diketahui nilai variabel dependen (X) beserta perubahannya. Bentuk
hubungan ini harus sesuai dengan fenomena yang dikaji atau
didasarkan teori. Jika variabel independen yang dikaji berjumlah
satu maka disebut analisis regresi sederhana, dan jika lebih dari satu
disebut analisis regresi berganda.
Varaiabel dependen adalah variabel yang akan diramalkan yang
akan ditulis pada ruas kiri persamaan, sedangkan variabel
independen adalah variabel yang dipergunakan untuk meramalkan
dan berada diruas sebelah kanan persamaan. Adapun model
persamaan regresi liner sederhana berarti variabel yang digunakan
untuk meramalkan hanya menggunakan satu (1) variabel. Model
regresi liner sederhana dapat ditulis sebagai berikut:
Yi = α + βXi + ei ; i = 1, 2, 3, …n.
di mana
n = banyaknya data yang diobservasi
Analisis regresi dapat digunakan untuk mengetahui estimasi
secara kuantitatif perubahan variabel yang satu (misal X) terhadap
variabel yang lain (misal Y). Tentu saja, yang kita inginkan adalah
nilai estmiasi mendekati nilai observasinya (rillnya). Untuk itu, perlu
dicari nilai α dan β agar garis persamaan (Y i = α + βXi) terletak pada

semua observasi. Namun dalam realitasnya tidak mungkin seratus
persen nilai estimasi sama dengan observasi (y). Jadi upaya
terbaiknya adalah bagaimana meminimalkan jarak (deviasi) antara
nilai observasi (y) dengan estimasi (Ŷ). Atau dengan kata lain, model
yang dihasilkan memiliki nilai error (ei) yang minimum, di mana ei =
Yi – Ŷi = Yi - α + βXi. Hasil signifikan menunjukan bahwa data estimasi
mendekati data observasinya atau berada di bawah batas error yang
ditetapkan.
Untuk mencapai nilai error yang minimum maka metode yang
dapat digunakan adalah metode kuadrat terkecil (Ordinary Last
Square/OLS). Metode OLS adalah metode yang mencari Σei 2
minimum karena nilai ei dapat bernilai positif dan negatif maka
perlu dikuadratkan sehingga menjadi ei2 = (Yi - α + βXi)2. Dari
masing-masing ei2 maka akan diperoleh jumlah nilai error (Σ ei2).
Jadi hasil model yang ditunjukan pada kurva di bawah ini, harus
mendekati tanda bintang. Berikut gambarannya:
Y *
*
* * *
* e
*
X
Gambar 4.1. Fungsi Liner Ŷ = α + βXi
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.
1. Persamaan Regresi Liner Sederhana

Metode kuadrat terkecil adalah metode untuk menghitung nilai α
dan β sedemikian rupa sehingga jumlah kesalahan kuadrat yang
dihasilkan nilainya kecil. Untuk membuat persamaan regresi maka
hal yang dapat dilakukan sebagai berikut:
a. Menghitung nilai α
Rumus untuk menghitung α sebagai berikut:
( )( ) ( )( )
( )
b. Menghitung nilai β
Rumus untuk menghitung β sebagai berikut:
( )( )
→β=
( )
c. Membuat persamaan regresi dan melakukan peramalan

Yi = α + βXi
d. Menghitung kesalahan baku
Kesalahan baku atau selisih taksir standar regresi adalah nilai
menyatakan seberapa jauh menyimpangnya nilai regresi tersebut
terhadap nilai sebenarnya. Nilai ini digunakan untuk mengukur

tingkat ketepatan suatu pendugaan dalam menduga nilai. Jika
nilai ini sama dengan nol maka penduga tersebut memiliki
tingkat ketepatan 100%.
Berikut ini rumus-rumus yang secara langsung digunakan untuk

menghitung kesalahan baku regresi (standard error) dan
koefisien regresi.
Untuk regresi, kesalahan bakunya dapat dirumuskan sebagai
berikut:
Untuk koefisien regresi (penduga), kesalahan baku dari α dapat

dirumuskan sebagai berikut:
= )
( )
Untuk koefisien regresi (penduga), kesalahan baku dari β dapat

dirumuskan sebagai berikut
= )
( )
Contoh kasus
Perusahaan PT Aisah yang bergerak dibidang penjulan obat
memiliki data penjualan dan biaya promosi dari Tahun 2015 –
2019 sebagai berikut:
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.
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
∑ = 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)
Jadi persamaan regresi yang dapat terbentuk adalah sebagai

berikut:
Ŷ = 7.68 + 1.13Xi
b. Peramalan jika terhjadi kenaikan biaya promosi 1 juta
Ŷ = 7.68 + 1.13Xi
X = 1 juta rupiah
Ŷ = 7.68 + 1.13(1)
Ŷ = 8.81
X = 3 juta rupiah
Ŷ = 1.68 + 1.13(3)
Ŷ = 1.68 + 3.39
Ŷ = 11.07
Jadi jika terjadi kenaikan biaya promosi sebesar 1 dan 3 juta
rupiah maka diramalkan akan terjadi kenaikan penjulan
sebesar 8.81 unit atau 9 (dibualatkan) dan 11.07 unit atau 11
(dibualatkan).
c. Kesalahan baku regresi
=
( )( )
=
( )
=
= =0.42
=√
=
= ( )
= ( )
=
= ( )
=
=√
= 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:
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
2. Jika nilai signifikansi < 0,05 maka variabel Independent tidak
Rumus yang dapat digunakan untuk menghitung t hitung:
√
t0 = =
di mana
=√ ( )
Untuk menghitung keberpengaruhan nilai konstanta dapat dihitung

sebagai berikut:
t0 =
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
( )
( )
t0.025(3) = 3.18
t0 =
t0 = = 17.121
karena t0 = 17.121 > t0.025(3) = 3.18 maka ada pengaruh variabel

Independent terhadap variabel dependen.
t0 =
t0 = = 12.05
karena t0 = 12.05 > t0.025(3) = 3.18 maka nilai konstanta berpengaruh

signifikan.
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 = ( )
Tabel 4.3. Anova

Sumber Jumlah Kuadrat Drajat Rata-Rata
Variasi Kebebasan Kuadrat
X (regresi) ( ) 1
Residu ( ) n-2 ( )
Jumlah = + n-1
Untuk lebih memudahkan gambaran pengujian hipotesis maka
dapat disimpulkan bahwa dalam penentapan adanya pengaruh
signifikan dapat menggunakan perbandingan antara F hitung dengan
F table atau dengan membandingkan dengan nilai signifikansi:
Berdasarkan t hitung dan t table:
1. Jika F hitung > F tabel maka variabel Independent memengaruhi
variabel dependen
2. Jika F hitung < F tabel maka variabel Independent tidak
1. Jika nilai sig < 0,05 maka variabel Independent memengaruhi
variabel dependen
2. Jika nilai sig < 0,05 maka variabel Independent tidak
Contoh kasus
table 4.1. dapat dihitung nilai F hitung sebagai berikut:
Untuk menghitung F hitung maka terlebih dahulu ditetapkan tingkat
error yang ditoleransi, misalnya 5% maka
F0 = ( )
= β∑xiyi
= (1.13) (109.8)
= (124.074)
=∑
= 125.3
= 1.23
Residu = ( )
Residu = ( )
Residu =
Tabel 4.4. Anova Kasus PT Aisah
X (regresi) 124.074 1 124.074
Residu 1.23 5-2
Jumlah 125.03 4 303.61
F0 =
F0 =
karena F hitung = 17.121 > F0.05(1)(3) = 10.13 maka ada pengaruh
variabel Independent terhadap variabel dependen.
4. Korelasi dan Koefisien Determinasi

Analisis kolerasi adalah analisis untuk mengetahui tingkat
keeratan hubungan antar variabel secara liner. Tingkat keeratan
dapat diperlakukan antara variabel dependen dengan independen,
antar variabel independen atau dependen. Tingkat keeratan dapat
dilihat dari koefisien korelasi yang dinyatakan dengan lambang ρ
(untuk populasi) atau r (untuk sampel). Besarnya koefisien kolerasi
akan berkisar antara -1 (negatif satu) sampai +1 (positif satu): -1 ≤ r
≤ dengan penafsiran sebagai berikut:
0,00 – 0,199 = sangat lemah
0,20 – 0,399 = lemah
0,40 – 0,599 = sedang
0,60 – 0,799 = kuat
0,80 – 1,000 = sangat kuat
Korelasi positif berarti perubahan variabel yang satu akan diikuti
perubahan varaibel lain dengan arah yang sama atau berbanding
lurus. Korelasi negatif berarti perubahan variabel yang satu akan
diikuti perubahan varaibel lain dengan arah yang berlawanan atau
berbanding terbalik.
Untuk menghitung korelasi digunakan formula sebagai berikut:
r=
√( ( ) ] ( ) ]
Untuk menghitung koefisien determinasi digunakan formula sebagai

berikut:
r2= ( )2
√( ( ) ] ( ) ]
Contoh kasus
table 4.1. dapat dihitung nilai korelasi dan koefisien determinasi
sebagai berikut:
r=
√( ( ) ] ( ) ]
( ) ( )( )
r= (
√( ( ) ] ( ) ( ) ]
r= ( (
√ )] )]
r=
√( )( )
r=
√
r=
r=
Jadi dapat diinterpretasikan bahwa korelasi antara variabel

Independent dan dependen sangat kuat
r2 = ( )2
r2 =
Dapat diinterpretasikan bahwa nilai R2 = 0,991 berarti 99,1 persen
(0,991 x 100) variasi variabel dependen dapat dijelaskan oleh
variabel independen sedangkan sisanya 0.9 persen (100 persen –
99.1 persen) dijelaskan oleh variabel lain.
Bab V Peramalan dengan Regresi Berganda 121
BAB V PERAMALAN DENGAN

REGRESI BERGANDA
Analisis regresi liner berganda dengan menggunakan metode

kuadran terkecil (Ordinary Last Square/OLS) akan menghasilkan
suatu model/persamaan yang akan digunakan untuk melihat
hubungan antara variabel independen terhadap independen.
Model/persamaan dapat digunakan untuk mengestimasi hubungan
variabel independen terhadap independen. Variabel Independent
yang digunakan lebih dari satu. Misalnya jika terjadi kenaikan 1

persen terhadap variabel laba (independen) akan meningkatkan
nilai perusahaan (variabel dependen) sebesar 0,02 persen dengan
asumsi variabel independen yang lain konstan. Namun perlu dilihat,
apakah estimasi dari model yang digunakan valid (akurat, teliti dan
absah) karena jika tidak valid maka model yang digunakan tidak
dapat dijadikan pegangan/pedoman dalam estimasi variabel.
Validasi suatu model dapat dilihat dari akurasi model, ketelitian
model dan keabsahan model. Berikut penjelasannya:
A. Akurasi Model
Untuk memastikan model memiliki tingkat akurasi (goodness of
fit) yang tinggi dapat dilihat dari koefisien determinasinya (R 2)
yang bernilai dari 0 – 1. Semakin besar nilai R2 maka semakin
akuart model atau semakin kecil nilai errornya. Misalnya nilai R 2
= 0,90 berarti 90 persen (0,90 x 100) variasi variabel dependen
dapat dijelaskan oleh variabel independen sedangkan sisanya 10
persen (100 persen – 90 persen) dijelaskan oleh variabel lain.
B. Ketelitian Model
Untuk melihat ketelitian model/kelayakan model dapat diketahui
dari p-value (nilai peluang) hasil uji F hitung atau nilai
signifikansi F pada ANOVA (menguji koefisien regresi
keseluruhan) dan p-value (nilai peluang) hasil uji t hitung atau
nilai signifikan t (menguji koefisien regresi per variabel/parsial)
pada Coefficients. Misalnya hasil uji F ditemukan p-value adalah
0,03 dengan batas error 0,05 (0,03 < 0,05) yang berarti signifikan.
Artinya, hasil dari koefisien regresi keseluruhan variabel berupa
nilai estimasi mendekati observasinya.
C. Keabsahan Model
Keabsahan model dapat diketahui jika asumsi-asumsi yang
mendasari dari metode OLS dapat dipenuhi. Jika asumsi ini
terpenuhi maka menurut Teori Gauss-Markov penduga koefisien
regresi (β) dengan OLS akan BLUE (Best Linear Unbias
Estimator). Asumsi ini dikenal dengan asumsi klasik. Asumsi itu
adalah:
i. Hubungan antara variabel independen dan denpenden adalah
liner dalam parameter.
ii. Variabel gangguan atau residual berdistribusi normal.
iii. Tidak terjadi multikolinearitas (artinya tidak ada hubungan
yang erat antar variabel independen, jika analisisnya adalah
regresi liner berganda)
iv. Tidak terjadi heterokedaktasitas (artinya variasi nilai error
(ei) mempuyai variasi yang sama)
v. Tidak terjadi autokolerasi (artinya tidak ada korelasi antara
nilai error (ei) variabel satu observasi dengan observasi
lainnya)
Contoh kasus I
Perusahaan PT Syifa yang bergerak dibidang penjualan kursi
memiliki data penjualan, biaya promosi dan harga dari Tahun 2015 –
2019 sebagai berikut:
Tabel 5.1 Data Harga, Biaya Promosi dan Penjualan PT Syifa
Tahun 2010-2019
Penjualan Harga Biaya Promosi
Tahun
Y X1 X2
2012 100 90 2
2013 150 87 6
2014 170 85 9
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
( )
∑ =∑ –
( )
∑ = 48,557 –
∑ = 48,557 –
∑ = 991
( )
∑ =∑ –
( )
∑ = 1,372 –
∑ = 1,372 –
∑ = 268
∑x1 x2 = ∑X1X2 -
( )( )
∑x1i x2i = 6,758 -
∑x1i x2i = 6,758 -

∑x1i x2i = -492
Tabel 5.2 Data Harga, Biaya Promosi dan Penjualan PT Syifa

Tahun 2010-2019
Tahun Y X1 X2 Y2 X1Y X2Y X1X2
2012 100 90 2 8100 4 10000 9000 200 180

2013 150 87 6 7569 36 22500 13050 900 522
2014 170 85 9 7225 81 28900 14450 1530 765
2015 200 82 11 6724 121 40000 16400 2200 902
2016 230 78 13 6084 169 52900 17940 2990 1014
2017 250 75 14 5625 196 62500 18750 3500 1050
2018 270 65 18 4225 324 72900 17550 4860 1170
2019 300 55 21 3025 441 90000 16500 6300 1155

Jumlah 1,670 617 94 48,577 1,372 379,700 123,640 22,480 6,758
Keterangan ̅̅̅ = 617/n = 617/8 = 77.13

Keterangan ̅̅̅ = 94/n = 94/8 = 11.75
∑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 =
α=
( )( ) ( )( )
α=
( ) ( )
α=
α=
α=
a. Nilai α dan β dengan persamaan regresi Ŷ = α + β1Xi+ β2X2

Persamaan liner berganda yang terbentuk sebagai berikut:
Ŷ = α + β1Xi+ β2X2
Ŷ= + 1.08Xi+ 12.68X2
Persamaan ini dapat diartikan:
Nilai α = dapat diartikan, jika tanpa variabel harga dan
biaya promosi maka tingkat penjualan akan turun sebesar 23.86
unit
Nilai β1 = dapat diartikan, jika variabel harga meningkat
sebesar 1% maka tingkat penjualan akan meningkat sebesar 1.08
unit
Nilai β2 = dapat diartikan, jika variabel biaya promosi
meningkat sebesar 1% maka tingkat penjualan akan meningkat
sebesar unit.
b. Koefisien determinasi
( )( ) ( )( )
R2 =
( )( ) ( )( )
r2 =
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.
c. Standar Error Estimasi

( ) ( ) ( )
Se (Syx) = √ ( )
( ) ( ) ( )(( )
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 =
√( ̅̅̅̅̅) ( )
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
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
Fα k (n-k-1) = F0.05(2) (5) = 5,79

Fhitung = 166.08
Berdasarkan F hitung dan F table:

1. Jika F hitung > F tabel maka variabel Independent
2. Jika F hitung < F tabel maka variabel Independent tidak

1. Jika nilai signifikansi < 0,05 maka variabel Independent
2. Jika nilai signifikansi < 0,05 maka variabel Independent tidak
Maka berdasarkan hasil perhitungan F hitung > F table dan Nilai
probabilitas < 0,05 sehingga ada pengaruh signifikan variabel
harga dan biaya promosi terhadap penjulan.
e. t Hitung
t hitung dapat diformulasikan sebagai berikut:
t0 = = = 1.05
tα(n-k-1) = t0.05(5) = 2,015

Berdasarkan perhitungan nilai t hitung > t table atau 1.05 > 2.
sehigga dapat disimpulkan harga berpengaruh signifikan
terhadap penjualan
t0 = = = 6.395
tα(n-k-1) = t0.05(5) = 2,015

Berdasarkan perhitungan nilai t hitung > t table atau 6.395 >
2.015 sehigga dapat disimpulkan baiay promosi berpengaruh
signifikan terhadap penjualan.
Tabel 5.4 Perhitungan Error Persamaan Regresi

Y X1 X2 Ŷ= + 1.08Xi+ 12.68X2 Ŷ e=Y-Ŷ (Y – Ŷ)2
100 90 2 Ŷ= + 1.08 (90) + 12.68(2) 98.7 1.3 1.69
150 87 6 Ŷ= + 1.08 (87) + 12.68(6) 146.18 3.82 14.59

170 85 9 Ŷ= + 1.08 (85) + 12.68(9) 182.06 -12.06 145.44
200 82 11 Ŷ= + 1.08 (82) + 12.68(11) 204.18 -4.18 17.47
230 78 13 Ŷ= + 1.08 (78) + 12.68(13) 225.22 4.78 22.85
250 75 14 Ŷ= + 1.08 (75) + 12.68(14) 234.66 15.34 235.32
270 65 18 Ŷ= + 1.08 (65) + 12.68(18) 274.58 -4.58 20.98
300 55 21 Ŷ= + 1.08 (55) + 12.68(21) 301.82 -1.82 3.31
461.65
BAB VI PERAMALAN DENGAN

TEKNIK KUANTITATIF
Analisis kualitatif sering digunakan untuk membantu peneliti

mengembangkan teori-teori yang kemudian dibuktikan oleh analisis
kuantitatif. Analisis kualitatif didasarkan pada kata-kata dan
gagasan, sedangkan analisis kuantitatif didasarkan pada angka.
Analisis kualitatif berfokus pada menemukan makna; Analisis
kuantitatif berkaitan dengan hubungan statistik. Analisis kualitatif
bergantung pada sudut pandang dan pengalaman pribadi, termasuk
perkiraan para ahli, focus grup discusion, dan kuesioner. Adanya
Bab VI Peramalan dengan Teknik Kuantitatif 133
perbedaan metode dalam analisi kualitatif dan kuantitatif
menyebabakan cara melakukan peramalan pun menjadi berbeda.
Peramalan kualitatif adalah permalan yang sangat didominasi
unsur subjektivitas. Metodologi estimasi yang menggunakan
penilaian ahli, bukan analisis numerik atau statisti yang umumnya
digunakan dalam peramalan dengan metode kuantitatif. Jenis
peramalan ini bergantung pada pengetahuan karyawan dan
konsultan yang sangat berpengalaman untuk memberikan wawasan
tentang hasil di masa depan. Pendekatan ini secara substansial
berbeda dari peramalan kuantitatif, di mana data historis disusun
dan dianalisis untuk melihat tren masa depan.
Peramalan kualitatif paling berguna dalam situasi di mana
dicurigai bahwa hasil di masa depan akan jauh berbeda dari hasil di
periode sebelumnya, dan yang karenanya tidak dapat diprediksi
dengan cara kuantitatif. Sebagai contoh, tren historis dalam
penjualan dapat mengindikasikan bahwa penjualan akan meningkat
lagi di tahun berikutnya, yang biasanya diukur menggunakan analisis
garis tren; Namun, seorang pakar industri menunjukkan bahwa akan
ada kekurangan bahan pada pemasok utama yang akan memaksa
penjualan turun.
Tidak semua situasi dapat dilihat dari sudut pandang
kuantitatif. Terkadang pada kondisi lain, peramalan kualitatif akan
sangat bermanfaat dalam memahami kebutuhan yang berfokus pada
suatu yang lebih abstrak yang tidak dapat dilihat dari sisi kuantitatif.
Sebagai contoh, ketika perusahaan motor yang perlu mengetahui
design motor apa yang perlu dibuat untuk kelangan milenial dan
kalangan usia tua pada suatu wilayah tertentu maka akan sangat
tergantung dari kemampuan para ahli dalam memprediksi jumlah

design motor dan jumlah produksinya.
Pendekatan kualitatif juga bekerja dengan baik ketika tindakan
harus diambil dari data yang tidak memadai. Dalam hal ini, analisis
kualitatif akan berusaha untuk menghubungkan data yang berbeda
untuk membangun pandangan yang lebih luas, kadang-kadang
memasukkan intuisi dari subjektivitas untuk membangun
pandangan ini. Kondisi lain di mana peramalan kualitatif dapat
memberikan nilai adalah ketika manajemen memodifikasi tren yang
diturunkan secara historis berdasarkan pendapat para ahli. Dalam
hal ini, metode kuantitatif digunakan untuk membuat perkiraan
awal, yang kemudian disesuaikan dengan tinjauan kualitatif. Artinya
pengabungan dua metode yang berbeda akan memberikan hasil yang
lebih lengkap. Ada perbedaan antara peramalan dengan
menggunakan pendekatan kualitatif dan kuantitatif sebagai berikut:
Tabel 6.1.
Perbedaan Peramalan Pendekatan Kualitatif dengan Kuantitatif
Item Pendekatan Kuantitatif Pendekatan Kualitatif
Karateristik Berdasarkan penilaian Sangat mengandalkan
manusia, pendapat ahli, pendekatan
subjektivitas, dan tidak matematik/statistik
menggunakan pendekatan
matematik/statistik
Kekuatan Dapat fleksibel dalam Konsisten dan objektif,
memasukan informasi dapat menggunakan
terbarau dari perubahan banyak informasi
lingkungan atau “inside dalam satu waktu
information”
Kelemahan Permalan yang dihasilkan Tidak semua dapat
dapat bias dan yang digunakan untuk
mengurangi tingkat permalan dapt tersedia
akurasi
Bab VI Peramalan dengan Teknik Kuantitatif 135
Ada beberapa model yang dapat digunakan dalam peramalan
kualitatif antara lain:
1. Metode Delphi
Teknik Delphi, terutama dikembangkan oleh Dalkey dan Helmer
(1963) di Rand Corporation pada 1950-an, adalah metode yang
banyak digunakan dan diterima untuk mencapai konvergensi
pendapat tentang pengetahuan dunia nyata yang diminta dari para
ahli dalam bidang topik tertentu.
Teknik delphi sangat cocok sebagai sarana dan metode untuk
membangun konsensus dengan menggunakan serangkaian
kuesioner untuk mengumpulkan data dari para panel ahli terkait
dengan obyek yang akan diramalkan. Delphi, berbeda dengan
pengumpulan data dan teknik analisis lainnya, menggunakan
beberapa iterasi yang dirancang untuk mengembangkan konsensus
pendapat tentang topik tertentu.
2. Market research
Ini adalah salah satu teknik peramalan dengan pendekatan
kualitatif. Para agen-agen pemasaran melakukan penyebaran
koesioner kepada para konsumen dalam bentuk survei pasar untuk
mendapatkan opini dari konsumen mengenai prilaku mereka dan
rencana konsumen di masa depan. Ini akan sangat membantu tidak
hanya meramalkan produk yang di inginkan konsumen di masa
depan. Survei pasar termasuk studi potensi produk, yang berupaya
menentukan ukuran, lokasi, sifat, dan karakteristik pasar.
3. Panel consensus
Sekelompok orang memberikan pendapat tentang masa depan &
seorang fasilitator membawa kelompok ke konsensus. Kelompok
secara keseluruhan akan membuat keputusan yang lebih baik

daripada masing-masing anggota secara individual.
4. Historical Analogy
Penjualan produk atau layanan baru dibandingkan dengan
penjualan produk atau layanan serupa sebelumnya. Diasumsikan
bahwa pola penjualan yang terkait dengan produk atau layanan
sebelumnya dapat ditransfer ke produk atau layanan baru.
5. Expert Opinions
Pendapat para ahli di bidang tertentu dicari. Para ahli
memberikan pandangan mereka tentang tren saat ini &
kemungkinan perkembangan masa depan yang mungkin berdampak
pada ekonomi umum atau industri atau pasar tertentu.
Bab VII Penutup 137
BAB VII PENUTUP
Masa depan adalah suatu keniscayaan bagi setiap orang.

Ketidakpastian dan masa depan akan selalu berjalan beriringan
tanpa pernah tahu kemana arah akan melangkah. Setiap orang ingin
sekali mengintip masa depan walaupun sedikit, agar mendapatkan
kepastian untuk melakukan tindakan di masa sekarang.
Tanpa pernah menyadari, tindakan sekarang adalah tindakan
masa depan. Seperti yang diungkapkan Paul Saffo, “tujuan peramalan
bukan untuk memprediksi masa depan, tetapi untuk memberi tahu
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.
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
d.f t0.10 t 0.05 t 0.025 t 0.01 t 0.005

1 3,078 6,314 12,706 31,821 63, 657
2 1,886 2,920 4,303 6,965 9,925
3 1,638 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
5 1,476 2,015 2,571 3,365 4,032
6 1,440 1,943 2,447 3,143 3,707
7 1,415 1,895 2,365 2,998 3,499
8 1,397 1,860 2,306 2,896 3,355
9 1,383 1,833 2,262 2,821 3,250
10 1,372 1,812 2,228 2,764 3,169
11 1,363 1,796 2,201 2,718 3,106
12 1,356 1,782 2,179 2,681 3,055
13 1,350 1,771 2,160 2,650 3,012
14 1,345 1,761 2,145 2,624 2,977
15 1,341 1,753 2,131 2,602 2,947
16 1,337 1,746 2,120 2,583 2,921
17 1,333 1,740 2,110 2,567 2,898
18 1,330 1,734 2,101 2,552 2,878
19 1,328 1,729 2,093 2,539 2,861
20 1,325 1,725 2,086 2,528 2,845
21 1,323 1,721 2,080 2,518 2,831
22 1,321 1,717 2,074 2,508 2,819
23 1,319 1,714 2,069 2,500 2,807
24 1,318 1,711 2,064 2,492 2,797
25 1,316 1,708 2,060 2,485 2,787
26 1,315 1,706 2,056 2,479 2,779
27 1,314 1,703 2,052 2,473 2,771
28 1,313 1,701 2,048 2,467 2,763
29 1,311 1,699 2,045 2,462 2,756
30 1,310 1,697 2,042 2,457 2,750
31 1,309 1,696 2,040 2,453 2,744
32 1,309 1,694 2,037 2,449 2,738
33 1,308 1,692 2,035 2,445 2,733
34 1,307 1,691 2,032 2,441 2,728
35 1,306 1,690 2,030 2,438 2,724
36 1,306 1,688 2,028 2,434 2,719
37 1,305 1,687 2,026 2,431 2,715
38 1,304 1,686 2,024 2,429 2,712
Lampiran 2. Tabel Nilai F (alpha = 0.05)
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
Perkiraan; 1, 3, 6, 7, 8, 11, 15,

17, 18, 20, 22, 29, 23, 34
Kepemimpinan; 8 Perencanaan; 1, 7, 8, 11
Kualitatif; 13, 14, 15, 132, 133 Produksi; 3, 4, 7, 11, 19, 22, 65,
Kuantitatif; 13, 14, 15, 107, 67, 74, 106, 134, 138
132, 133, 134, 138 Proyeksi; 3, 5, 6, 7, 9, 11, 51,
Manajemen; 2, 6, 7, 8, 9, 10, 11, 65
12, 53, 106, 134 Presentase error (PE); 37
Manajer;2, 3, 6, 7, 8, 17, 106,
138 Regresi sederhana; 106, 107,
Mean absolut error (MAE); 26, 111
36, 43, 47, 51, 58, 59 Regresi liner berganda; 121,
Mean absolute percentage 124
error (MAPE); 36, 43, 47, Single moving average; 22, 23
51, 58, 59 Single exponential smoothing;
Mean squared error (MSE); 26, 33, 34, 35, 44
36, 43, 47, 51, 58, 59 Standar error estimasi; 128
Metode rata-rata total; 89, 90 Survei pasar; 135
Metode rata-rata sederhana; T hitung; 115, 116, 117, 122,
89, 91 124, 130,
Metode persentase terhadap Tahun dasar; 64, 65, 76, 78,
trend; 89 79, 80, 82, 83, 93
Metode persentase terhadap Teknik delphi; 15, 135
bergerak; 89 Time series; 60, 61
Metode kuadrat terkecil; 56, Triple exponential smoothing;
72, 73, 74,76, 108 34, 47, 49, 51, 52
Metode setengah rata-rata; 64, Trend moment; 76, 78, 79, 81
65, 67, 68, 69, 70 Trend linier; 29
Musiman; 18, 21, 29, 47, 53, Trend parabolic; 62, 84
54, 57, Trial dan error; 34
Naïve; 17, 18, 19, 20, 33 Trend sekuler; 62
Nonlinear; 84 Trend exponential; 87, 88
Observasi; 20, 56, 63, 68, 72, Variasi musim; 21, 61, 89
73, 84, 107, 108, 122, 123 Variasi siklis; 61, 89, 100, 102
Objektif; 9, 15, 134 Variasi random; 61, 89, 103,
Panel consensus; 136 104
Pemasaran; 3, 7, 12, 106, 135 Winters’ Weasonal Exponential
Pendapatan; 2, 3, 6, 7, 12, smoothing; 34
Bab VII Penutup 145
TENTANG PENULIS
Rizky Yudaruddin, menamatkan pendidikan di Fakultas

Ekonomi Universitas Mulawarman Jurusan Manajemen.
Mendapatkan gelar Magister Manajemen di Fakultas
Ekonomi Universitas Mulawarman. Saat ini bekerja sebagai
staf pengajar pada Fakultas Ekonomi dan Bisnis Universitas
Mulawarman.
Penelitian yang telah dihasilkan antara lain (1) Sosial
Ekonomi Wilayah Perbatasan di Kalimantan Timur: Upaya Meningkatkan
Pembangunan Kawasan Strategis di Indonesia, disampaikan dalam Seminar
Nasional Penguatan Kebijakan dan Penguatan Industri Nasional Menuju
Percepatan dan Perluasan Ekonomi Indonesia yang berlangsung di Semarang,
30 Oktober 2010, (2) Kompetisi Industri Perbankan: Bukti Ologopoli Kolusif,
disampaikan dalam acara The 1st Islamic Economic and Finance Research
Forum, di Pekan Baru 21–22 November 2012, (3) Coal Mining Operations And
Its Impact On Sectoral and Regional Area: An Evidence in East Kalimantan,
Indonesia, dipresentasikan pada acara The 3nd ASEAN Consortium on
Departement of Economic Conference (ACDEC) 2014 di Universitas Brawijaya,
Malang, Indonesia, 4–6 Desember 2014. Ketiga karya ilmiah ini menjadi karya
ilmiah terbaik (the best papers).
Buku yang diterbitkannya antara lain Statistik Ekonomi Aplikasi dengan
Program SPSS Versi 20 dan Riset Operasi: Aplikasi Praktis Menggunakan QM for
Windows. Selain pengajar, penulis juga sebagai peneliti di Pusat Studi
Perbatasan Universitas Mulawarman.

Buku Forecasting Rizky Download PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Forecasting Rizky Download PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Prakata i

ii Forecasting: untuk Kegiatan Ekonomi dan Bisnis

Perpustakaan Nasional: Katalog Dalam Terbitan (KDT)

Desainer sampul & layouter:

Cetakan Pertama: Februari 2019

Hak cipta dilindungi Undang-Undang.

Masa depan adalah suatu keniscayaan bagi setiap orang.

Tanpa pernah menyadari, tindakan sekarang adalah tindakan masa

Penulis ingin mengucapkan terima kasih kepada seluruh pihak yang

Samarinda, 8 Februari 2019

Bab II Peramalan Dengan Teknik Smoothing 16

Bab III Peramalan Dengan Teknik Dekomposisi 60

Bab IV Peramalan Dengan Regresi Sederhana 106

Bab V Peramalan Dengan Regresi Berganda 121

Bab VI Peramalan Dengan Teknik Kualitatif 132

Bab VII Penutup 137

Daftar Pustaka 140

Tabel 2.16 Data Penjulan Ikan PT Bahama Baru Tahun

Saat ini, aktifitas bisnis perusahaan terus-meneus mencari

analis/peramal bisnis perusahaan yang baik akan mampu

A. Peran Peramalan dalam Mendukung Bisnis

BPS Sempurnakan Data Beras, Estimasi Kementan

2019, Pengusaha Hotel Siapkan 50 Ribu Kamar Baru

Industri sektor jasa seperti lembaga keuangan, maskapai

B. Peramalan dan Pengambilan Keputusan

lingkungan ekonomi baru yang muncul akibat globalisasi.

produk. Jadi pertanyaan manajemen mengenai masalah

Perancangan Model Peramalan

Analisis dan Interpertasi

Gambar 2.2. Tahap Peramalan dalam Bisnis

termasuk harga, kualitas produk, karakteristik produk,

memiliki tujuan agar pola di masa lampu memiliki kecenderungan

BAB II PERAMALAN DENGAN

Pengambilan keputusana bisnis saat ini sangat tergantung dari

Menggunakan model [2.1.] untuk meramalkan penjulan PT Arwana

Nilai peramalan untuk tahun-tahun lainnya disajikan pada kolom

Untuk nilai erro peramalannya sebagai berikut:

Sebagai catatan terlihat bahwa bahwa jumlah error yang

Gambar 2.1. Tren Penjualan Pakan Pada PT Arwana Baru, 2014-2017

Lakukan peramalan dengan 3 bulan dan 7 bulan moving average?

Berdasarkan hasil peramalan (Tabel 2.3) penjulan pakan pada

V adalah jangka waktu moving average.

= = 1,341 diletakkan pada bulan Maret

= = 1,341.7 diletakkan pada bulan April

= = 1,252.3, diletakkan pada bulan Mei

Dan seterusnya hingga bulan Desember.

= = 1,311.7, diletakkan pada bulan Mei

= = 1,352.2, diletakkan pada bulan Juni

= = 1,429.1, diletakkan pada bulan Juni

Dan seterusnya hingga bulan Desember.

c. Menentukan nilai (konstanta )

Perhitunagan secara keluruhan dapat dilihat pada table 2.2 di bawah

3 Maret 1,234 1,341.0 - - - -

4 April 1,245 1,341.7 - - - -

5 Mei 1,278 1,252.3 1311.7 1,193.0 19.78 -

6 Juni 1,865 1,462.7 1352.2 1,573.1 (36.81) 1,212.8

7 Juli 1,574 1,572.3 1429.1 1,715.6 (47.74) 1,536.3

8 Agustus 1,689 1,709.3 1581.4 1,837.2 (42.63) 1,667.8

9 September 1,347 1,536.7 1606.1 1,467.2 23.15 1,794.6

10 Oktober 1,589 1,541.7 1595.9 1,487.4 18.07 1,490.4

11 November 1,346 1,427.3 1501.9 1,352.8 24.85 1,505.5

12 Desember 1,975 1,636.7 1535.2 1,738.1 (33.81) 1,377.6