MAKALAH

DATA RUNTUN WAKTU DAN PERAMALAN

Disusun untuk memenuhi tugas terstruktur mata kuliah Analisa Data Bisnis

Disusun Oleh:

Kelompok 5

Anggota : 1. Indah Permata Sari (2010631020156)

2. Siti Nuraini Fauziah (2010631020137)
3. Sukron Ma’mun (2010631020140)
4. Yehezkiel Gian Ananta Damanik (2010631020151)

Dosen Pengampu : Reminta Lumban Batu, S.Pd., MM

PROGRAM STUDI S1 MANAJEMEN

FAKULTAS EKONOMI

UNIVERSITAS SINGAPERBANGSA KARAWANG

2021
 KATA PENGANTAR

Puji dan syukur kami panjatkan kepada Tuhan Yang Maha Esa, yang telah
memberikan ilham dan kesehatan kepada kami, sehingga kami dapat
menyelesaikan makalah ini dengan baik tanpa kekurangan suatu apapun.

Makalah ini merupakan salah satu tugas dari mata kuliah Analisis Data
Bisnis. Tujuan pembuatan makalah ini adalah memenuhi tugas mata kuliah tersebut.
kami berharap, makalah ini dapat bermanfaat bagi para pembaca. Kami menyadari
bahwa makalah yang telah dibuat belum sempurna. Oleh karena itu, kami
mengharapkan kritik dan saran agar dapat memacu kami untuk membuat tulisan
yang jauh lebih baik pada tulisan-tulisan yang akan datang. Semoga makalah ini
dapat memberikan informasi sekaligus menambah wawasan bagi para pembaca.

Ucapan terima kasih tidak lupa kami sampaikan kepada Dosen mata kuliah
Analisis Data Bisnis Ibu Reminta Lumban Batu, S.Pd., MM yang telah
membimbing kami sehingga makalah ini dapat terselesaikan dengan baik.

Karawang, 21 Maret 2021

Kelompok 5

i
 DAFTAR ISI

KATA PENGANTAR ..................................................................................... i

DAFTAR ISI ...................................................................................................ii
BAB I .............................................................................................................. 1
KAJIAN TEORI ............................................................................................. 1
1.1 Pengertian Data Runtun Waktu ............................................................. 1
1.2 Pengertian Menurut Para Ahli ............................................................... 3
1.3 Manfaat Data Runtun Waktu Dan Peramalan ....................................... 4
1.4 Komponen Data Berkala ....................................................................... 5
1.5 Analisis Trend Linier............................................................................. 5
1.6. Pola Data Runtun Waktu ...................................................................... 9
1.7 Peramalan ............................................................................................ 11
1.8 Bentuk Penyajian Data statistika ......................................................... 12
BAB II ........................................................................................................... 13
STUDI KASUS ............................................................................................. 14
BAB III .......................................................................................................... 17
PEMBAHASAN DAN SOLUSI .................................................................. 17
3.1 Pembahasan ............................................................................................. 18
3.2 Solusi ....................................................................................................... 20
DOKUMENTASI ......................................................................................... 21
DAFTAR PUSTAKA ................................................................................... 24

ii
 BAB I

PENDAHULUAN

1.1 Pengertian Data Runtun Waktu

Data runtun waktu (time series) adalah jenis data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu. Jika waktu dipandang
bersifat diskrit (waktu dapat dimodelkan bersifat kontinu), frekuensi pengumpulan
selalu sama. Dalam kasus diskrit, frekuensi dapat berupa detik, menit, jam, hari,
minggu, bulan atau tahun. runtun waktu merupakan himpunan observasi terurut
dalam waktu atau dalam dimensi lain yang menurut sejarah observasinya, runtun
waktu dibedakan menjadi dua yaitu runtun waktu deterministik dan runtun waktu
stokastik. Tokoh pertama yang mengenalkan analisis runtun waktu yaitu oleh
George E.P.Box dan Gwilym M.Jenkins (1976) yang memaparkan pemikiran time
series merupakan pengamatan sekarang tergantung pada satu atau beberapa
pengamatan sebelumnya.

Analisis runtun waktu merupakan salah satu prosedur statistika yang

diterapkan untuk meramalkan struktur probabilitas keadaan yang akan datang
dalam rangka pengambilan keputusan. Dasar pemikiran runtun waktu adalah
pengamatan sekarang (Zt) dipengaruhi oleh satu atau beberapa pengamatan
sebelumnya (Zt-k). Dengan kata lain, model runtun waktu dibuat karena secara
statistik ada korelasi antar deret pengamatan. Tujuan analisis runtun waktu antara
lain memahami dan menjelaskan mekanisme tertentu, meramalkan suatu nilai di
masa depan, dan mengoptimalkan sistem kendali (Makridakis, dkk, 1999).

3
1.2 Data Runtun Waktu Menurut Para Ahli

 Menurut Soedjoti,1987
Data runtun waktu data time series adalah suatu data statistik yang disusun
berdasarkan waktu kejadian. Dapat berupa tahun, kuartal, bulan, minggu,
dan sebagainya.
 Menurut Suprapto, 2001
Data runtun waktu yaitu data yang dikumpulkan dari waktu ke waktu untuk
melihat perkembangan suatu kegiatan, dimana bila data digambarkan akan
menunjukkan fluktuasi dan dapat digunakan untuk dasar penarikan trend
yang dapat digunakan untuk dasar peramalan yang berguna untuk dasar
perencanaan dan penarikan kesimpulan.

1.3 Manfaat Data Runtun Waktu Dan Peramalan

 Manfaat Data Runtun Waktu (Time Series)

Analisis data runtun waktu atau Time Series Analysis memiliki
beberapa manfaat. Pertama membantu mempelajari data masa lampau,
sehingga dapat dipelajari faktor-faktor penyebab perubahan untuk
pertimbangan perencanaan di masa yang akan datang. Kedua, untuk
membantu dalam peramalan (forecasting). Ketiga, membantu memisahkan
faktor-faktor yang dapat mempengaruhi suatu data (kkhususnya variasi atau
gerak musim) lalu diadakan penyesuaian dengan faktor musim ini.
Keempat, membantu dan mempermudah membandingkan satu rangkaian
data dengan rangkaian data yang lain.Dapat disimpulkan dari time series
dapat diperoleh ukuran-ukuran yang dapat digunakan untuk membuat
keputusan pada saat ini, untuk peramalan dan untuk merencanakan masa
depan.

 Tujuan Peramalan (Forecasting)

Tujuan peramalan adalah untuk menghasilkan ramalan optimum
yang tidak memiliki galat atau sebisa mungkin galat yang kecil yang

4
 mengacu pada Mean Square Deviation (MSD) ramalannya. Oleh karena itu,
setiap model peramalan pasti mnghasilkan kesalahan. Jika tingkat kesalahan
yang dihasilkan semakin kecil, maka hasil peramalan akan semakin
mendekati tepat. Setelah semua tahap dilakukan dan diperoleh model, maka
model ini selanjutnya dapat digunakan untuk melakukan peramalan untuk
data periode selanjutnya.

1.4 Komponen Data Berkala

Ada empat komponen gerak/variasi data berkala, yaitu :

1. Gerak Jangka Panjang atau Trend

 Trend melukiskan gerak data berkala selama jangka waktu yang
panjang/cukup lama. Gerak ini mencerminkan sifat kontinuitas
atau keadaan yang serba terus dari waktu ke waktu selama
jangka waktu tersebut. Karena sifat kontinuitas ini, maka trend
dianggap sebagai gerak stabil dan menunjukkan arah
perkembangan secara umum (kecenderungan menaik/menurun).

Y Y

t
t
Gambar 1. Trend Naik Gambar 2. Tren Turun

 Trend sangat berguna untuk membuat peramalan (forecasting) yang

merupakan perkiraan untuk masa depan yang diperlukanbagi
perencanaan.
 Trend dibedakan menjadi dua jenis, yakni :
a. Trend Linier → mengikuti pola garis lurus ( Y = a + b t )
b. Trend Non Linier → mengikuti pola lengkung (parabola,
eksponensial, logaritma, dll).

5
2. Gerak Siklis
 Gerak siklis adalah gerak/variasi jangka panjang di sekitar garis
trend (temponya lebih pendek). Gerak siklis terjadi berulang-ulang
namun tidak perlu periodic, artinya bisa berulang setelah jangka
waktu tertentu atau bisa juga tidak berulang dalam jangka waktu
yang sama.
 Perkembangan perekonomian yang turun naik di sekitar trend dan
“Business Cycles” adalah contoh gerak siklis.
 Gerak siklis melukiskan terjadinya empat fase kejadian dalam
jangka waktu tertentu, yakni kemajuan, kemunduran, depresi dan
pemulihan.

Y (nilai/kuota)
Keterangan :

(2) Garis Trend (1) Kemajuan

(1) (4)

(1) (2) (4) (3) (2) Kemunduran

(3) Gerak siklis (sekitar trend) (3) Depresi

t (waktu)

Gambar 3. Gerak Siklis

3. Gerak Musiman
a. Gerak musiman terjadi lebih teratur dibandingkan garak siklis dan
bersifat lengkap, biasanya selama satu tahun kalender. Gerak ini
berpola tetap dari waktu ke waktu. Factor utama yang menyebabkan
gerak ini adalah iklim dan kebiasaan.

6
 4. Gerak Ireguler atau Faktor Residu (Gerak Tak Teratur)
 Gerak ini bersifat sporadis/tidak teratur serta cenderung untuk sulit
dikuasai.
 Perang, bencana alam, mogok dan kekacauan adalah beberapa faktor
yang terkenal yang bisa menyebabkan gerak ini tidak dapat terjadi.
 Dengan adanya pengaruh tersebut, maka gerak ireguler sulit untuk
dilukiskan dalam suatu model.

1.5 Analisis Trend Linier

Persamaan trend linier adalah Y=a+bt (7.1)

Berikut adalah beberapa cara untuk menentukan persamaan trend linier :

A. Metode Tangan Bebas

Langkah-langkah :

1. Buat sumbu datar t dan sumbu tegak Y, dimana t menyatakan variabel

waktu (tahun, bulan, dll) dan Y menyatakan variabel yang akan
dianalisis (nilai data berkalanya).
2. Buat diagram pencar dari koordinat (t ,Y).
3. Tarik garis yang dapat mewakili atau paling tidak mendekati semua titik
koordinat yang membentuk diagram pencar tersebut.
4. Jika garis yang terbentuk bergerak di sekitar garis lurus, maka cukup
alasan untuk menentukan bahwa trend yang terbentuk adalah trend linier.
Sedangkan apabila garik yang terbentuk cenderung lengkung, maka
trend yang terbentuk adalah trend non linier.

Catatan : cara menarik garis trend dengan metode tangan bebas adalah
cara termudah, namun bersifat subjektif.

7
Jawab :

Sumbu datar X = tahun Sumbu tegak Y = hasil penjualan

Hasil Penjualan (Y) Dari diagram di samping

30
25
terlihat bahwa garis trend yang
20 ditarik cenderung mengikuti
15 garis lurus, sehinggga dapat
10

5
dikatan bahwa trend hasil
0 penjualan perusahaan “X”
1996 1998 2000 2002 2004 2006 selama periode 10 tahun
Tahun ( t)
berbentuk trend linier naik.
Gambar 4. Diagram Pencar Hasil Penjualan Terhadap Tahun

B. Metode Setengah Rata-Rata (Semi Average Method)

Langkah-langkah dari metode ini yang pertama bagi data deret waktu menjadi dua
bagian. Bila jumlah tahunnya ganjil kita dapat membagi ke dalam dua bagian yang
sama dengan tidak memasukkan tahun yang berada ditengah. Kedua, hitunglah
semi total setiap bagian dengan jalan menjumlahkan nilai-nilai deret waktu dalam
tiap-tiap bagian. Ketiga, dari tiap bagian tersebut kemudian dicari rata-ratanya.
Keempat, letakkan nilai rata-rata tersebut di tengah-tengah masing-masing bagian.
Kelima, hubungkan kedua nilai rata-rata tersebut dengan garis lurus, dan garis
lurus inilah trend-nya.

C. Metode Rata-Rata Bergerak (Moving Average Method)

Dalam metode ini kita mengganti nilai data suatu tahun dengan nilai rata-ratanya,
dihitung dengan nilai data tahun yang mendahului dan nilai data tahun berikutnya.
Biasanya digunakan 3 – 5 tahun rata-rata bergerak (moving average).

D. Metode Kuadrat Terkecil (Least Square Method)

a. Taksiran trend dihitung dengan ketentuan bahwa jumlah deviasi kuadrat
antara tiap nilai deret waktu dengan nilai trend adalah minimum • Untuk
itu kita menggunakan persamaan garis lurus yang dinyatakan dengan
b. 𝑌 = 𝑎 + 𝑏𝑋

Persamaan garis trend yang akan dicari ialah

Y ‘ = a0 +bx a = ( ∑Y ) / n b = ( ∑XY ) / ∑x2
dengan :

8
 Y ‘ = data berkala (time series) = taksiran nilai trend.
a0 = nilai trend pada tahun dasar.
b = rata-rata pertumbuhan nilai trend tiap tahun.
x = variabel waktu (hari, minggu, bulan atau tahun).
Untuk melakukan penghitungan, maka diperlukan nilai tertentu pada
variabel waktu (x) sehingga jumlah nilai variabel waktu adalah nol atau
∑x=0.

Untuk n ganjil maka :

• Jarak antara dua waktu diberi nilai satu satuan.
• Di atas 0 diberi tanda negative
• Dibawahnya diberi tanda positif.

Untuk n genap maka :

• Jarak antara dua waktu diberi nilai dua satuan.
• Di atas 0 diberi tanda negatif
• Dibawahnya diberi tanda positif.

1.6 Pola Data Runtun Waktu

Menurut Makridakis (1999: 21), pola data runtun waktu dapat dibedakan
menjadi empat jenis yaitu
1. Pola horizontal (H)
Dihasilkan oleh banyak pengaruh independen yang menghasilkan pola
non- sistematik dan tidak berulang dari beberapa nilai rataan.Pola
horizontal terjadi karena data yang diambil tidak dipengaruhi oleh
faktor-faktor khusus sehingga pola menjadi tidak menentu dan tidak
dapat diperkirakan secara biasa.Misal suatu produk yang nilai
penjualannya tidak mengalami peningkatan atau penurunan dalam
waktu tertentu.

9
2. Pola musiman (S)
Dihasilkan oleh kejadian yang terjadi secara musiman atau periodik
(contoh: iklim, liburan, kebiasaan manusia). Suatu periode musim
dapat terjadi tahunan, bulanan, harian dan untuk beberapa aktivitas
bahkan setiap jam. Pola ini terbentuk karena adanya pola kebiasaan dari
data dalam suatu periode kecil
Terjadi apabila suatu deret dari data dipengaruhi oleh faktor musiman
yang ditunjukan oleh adanya pola yang teratur yang bersifat musiman.
Misal data penjualan produk yang dicatat secara tahunan, bulanan, atau
harian dan untuk beberapa aktivitas bahkan setiap jam. Pola ini
terbentuk karena adanya pola kebiasan dari data dalam suatu periode
kecil sehingga grafik yang dihasilkan akan serupa jangka waktu
tertentu berulang-ulang.

3. Pola Siklis (C)

Biasanya dihasilkan oleh pengaruh ekspansi ekonomi dan bisnis dan
kontraksi (resesi dan depresi). Pengaruh siklis ini sulit diprakirakan
karena pengaruhnya berulang tetapi tidak periodik.Pola ini masih terus
dikembangkan dan diteliti lebih lanjut pemodelannya sehingga dapat
diperoleh hasil yang tepat.

4. Pola Trend (T)

Peningkatkan atau penurunan secara umum dari deret waktu yang
terjadi selama beberapa peiode tertentu. Trend disebabkan oleh
perubahan jangka panjang yang terjadi disekitar faktor-faktor
yangmempengaruhi data deret waktu. Pola perkembangan data ini
membentuk karakteristik yang mendekati garis linear.Gradien yang
naik atau turun menunjukan peningkatan atau pengurangan nilai data
sesuai dengan waktu.

10
 Menurut Makridakis (1995) macam-macam pola data runtun
waktu dalam bentuk grafik digambarkan seperti pada gambar 2.1

1.7 Peramalan

Pada dasarnya peramalan adalah suatu dugaan atau perkiraan tentang terjadinya
suatu keadaan di masa depan, tetapi dengan menggunakan metode-metode
tertentu, maka permalan akan menjadi lebih dari sekedar perkiraan.
Adapun manfaat peramalan adalah sebgai berikut :
 Membangun agar perencanaan suatu pekerjaan dapat diperkirakan
dengan cara yang tepat
 Merupakan suatu pedoman dalam menentukan tingkat persediaan
perencanaan dapat sebagai masukan untuk penentuan jumlah
investasi.
 Membantu menentukan pengembangan suatu pekerjaan untuk
periode selanjutnya.

Melihat situasi di masa yang akan datang. Peramalan sangat dibutuhkan

menentukan kapan suatu peristiwa akan tejadi atau suatu keputusan akan
timbul sehingga dapat dipersiapkan kebijakan atau tindakan-tindakan yang
diperlukan. Ramalan tidak pernah tepat seratus persen, kalaupun tepat

11
 mungkin karena kebetulan. Oleh karena itu peramalan adalah penggunaan
data masa lalu dari sebuah variabel atau kumpulan variabel untuk
mengestimasi nilainya di masa yang akan datang. Asumsi dasar dalam
penerapan teknik-teknik peramalan adalah:“If we can predict what the
future will be like we can modify our behaviour now to be in a better
position, than we otherwise would have been, when the future arrives.”
Artinya, jika kita dapat memprediksi apa yang terjadi di masa depan maka
kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan
jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di
masa lalu akan terus berulang setidaknya dalam masa mendatang yang
relatif dekat.

1.8 Teknik dan Jenis Peramalan

Situasi Peramalan sangat beragam dengan horizon waktu peramalan, factor

menentukan hasil sebenearnya,tipe pola data berbagai aspek lainnya. Teknik
tersebut dibagi kedalam dua kategori utama yaitu :

1. Teknik peramalan kualitatif

Lebih menitik beratkan pada pendapat (judgement) manusia dalam proses
peramalan. Data historis yang ada menjadi tidak begitu penting dalam
teknik ini karena hanya dibutuhkan sebagai pendukung pendapat.

2. Teknik peramalan kuantitatif

Sangat mengandalkan pada data historis yang dimiliki.Teknik kuantitatif
ini biasanya dikelompokkan menjadi dua, yaitu teknik statistik dan
deterministik.Teknik statistik menitikberatkan pada pola, perubahan pola,
dan faktor gangguan yang disebabkan pengaruh random, termasuk dalam
teknik ini adalah teknik smoothing, Dekomposisi dan teknik Box Jenkis.
Menurut Makridakis (1999: 19), peramalan kuantitatif dapat diterapkan
bila terdapat situasi sebagai berikut:

12
1. Terdapat informasi masa lalu.
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik.
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang

13
 BAB II
STUDI KASUS

2.1 Metode Tangan Bebas

Contoh 1.

Berikut adalah data mengenai hasil penjualan (jutaan rupiah) di sebuah perusahaan
“X” selama periode 10 tahun.

Tabel 1. Hasil Penjualan Perusahaan “X” Periode Tahun 1996 – 2005

Tahun Hasil Penjualan Tahun Hasil Penjualan Tentukan garis trend

1996 14 2001 22
untuk data tersebut
dengan metode tangan
1997 18 2002 24 bebas !
1998 17 2003 23
Catatan : Data Rekaan
1999 16 2004 25

2000 20 2005 28

2.2Metode Least Square

Contoh II
Metode Least Square (Untuk jumlah data ganjil) :

Data Penjualan (Unit) PT. GALAU Tahun 1995-1999

Tahun Penjualan
No
(X) (Y)
1 1995 130
2 1996 145
3 1997 150
4 1998 165
5 1999 170

14
 Dari data tersebut akan dibuat forecast penjualan dengan menggunakan Metode
least Square.

2.3 Metode Least Square

Contoh II
Metode Least Square (Untuk jumlah data genap):

Data Penjualan (Unit ) PT. KAMSEUPAY Tahun 1995-2000

Penjualan
No Tahun
(Y)
1 1995 130
2 1996 145
3 1997 150
4 1998 165
5 1999 170
6 2000 185

Dari data tersebut akan dibuat ramalan penjualan dengan menggunakan

Metode least Square.

15
 BAB III
PEMBAHASAN DAN SOLUSI

3.1 Pembahasan

Kasus 2.1
Tabel 1. Hasil Penjualan Perusahaan “X” Periode Tahun 1996 – 2005

Tahun Hasil Penjualan Tahun Hasil Penjualan Tentukan garis trend

1996 14 2001 22
untuk data tersebut
dengan metode tangan
1997 18 2002 24 bebas !
1998 17 2003 23
Catatan : Data Rekaan
1999 16 2004 25

2000 20 2005 28

Jawab :

Sumbu datar X = tahun Sumbu tegak Y = hasil penjualan

Hasil Penjualan (Y)

30
25

20
15
10

5
0
1996 1998 2000 2002 2004 2006
Tahun ( t)
Gambar 1. Diagram Pencar Hasil Penjualan Terhadap Tahun

Dari diagram di samping terlihat bahwa garis trend yang ditarik cenderung
mengikuti garis lurus, sehinggga dapat dikatan bahwa trend hasil penjualan
perusahaan “X” selama periode 10 tahun berbentuk trend linier naik.

16
 3.2 Pembahasan

Kasus 2.2

Data Penjualan (Unit) PT. GALAU Tahun 1995-1999

Tahun Penjualan
No
(X) (Y)
1 1995 130
2 1996 145
3 1997 150
4 1998 165
5 1999 170
Ramalan penjualan dengan menggunakan Metode least Square?
Penyelesaian :
3.2.1 Analisis menggunakan metode Least Square
Tahun Penjualan
X X2 XY
(X) (Y)
1995 130 -2 4 -260
1996 145 -1 1 -145
1997 150 0 0 0
1998 165 1 1 165
1999 170 2 4 340
Total 760 0 10 100
3.2.2 Mencari nilai a dan b
a = 760 : 5
= 152
b = 100 : 10
= 10
Setelah mengetahui nilai variabel a dan b maka persamaan trendnya dapat
diketahui yaitu :
Y = 152 + 10X
Dari persamaan fungsi Y diatas maka nilai trend dari tahun 1995 sampai
dengan 1999 dapat diketahui :

17
 Penjualan
Tahun
(Y)
1995 132
1996 142
1997 152
1998 162
1999 172

Dari persamaan fungsi Y diatas juga dapat disusun ramalan penjualan pada
tahun berikutnya untuk dijadikan dasar pembuatan anggaran penjualan.
Y(2000) = 152 +10 (3)
= 182
Penjualan
Tahun
(Y)
2000 182
2001 192
2002 202
2003 212
2004 222

Pembahasan 3.3

Kasus 2.3

Data Penjualan (Unit ) PT. KAMSEUPAY Tahun 1995-2000

Penjualan
No Tahun
(Y)
1 1995 130
2 1996 145
3 1997 150
4 1998 165
5 1999 170
6 2000 185

18
 Ramalan penjualan dengan menggunakan Metode least Square?

3.3.2 Analisis menggunakan metode Least Square

Penjualan
Tahun X X2 XY
(Y)
1995 130 -5 25 -650
1996 145 -3 9 -435
1997 150 -1 1 -150
1998 165 1 1 165
1999 170 3 9 510
2000 185 5 25 925
Total 945 0 70 365

3.3.3 Mencari nilai a dan b

a = 945 : 6 = 157,5
b = 365 : 70 = 5,21
Setelah mengetahui nilai variabel a dan b maka persamaan trendnya dapat
diketahui yaitu :
Y = 157,5 + 5,21X
Dari persamaan fungsi Y diatas maka nilai trend dari tahun 1995 sampai
dengan 2000 dapat diketahui :

Penjualan
Tahun
(Y)
1995 131,45 = 131
1996 141,87 = 142
1997 152,29 = 152
1998 162,71 = 163
1999 173,13 = 173
2000 183,55 = 184

19
 Dengan cara yang sama dapat pula diketahui ramalan penjualan untuk tahun
2001 – 2005 :

Penjualan
Tahun
(Y)
2001 193,97 = 193
2002 204,39 = 204
2003 214,81 = 215
2004 225,23 = 225
2005 235,65 = 236

3.2 Solusi

Peramalan yang diberikan oleh metode least square dan garis trend dalam data
berkala cukup baik, itu menunjukkan bahwa metode least square merupakan
metode yang lebih teliti sehingga sering digunakan untuk menghitung data berkala.
Selain itu metode least square juga dapat digunakan tidak hanya untuk meramalkan
penjualan tetapi berbagai macam peramalan lainnya, seperti perkembangan KB,
perkembangan produksi, dll.
Pada perhitungan dengan metode least square tentunya juga diperlukan
ketelitian dan kecermatan agar tidak terjadi kesalahan, untuk memperkecil
kesalahan pada metode least square ini bisa menggunakan MS. Excel.

20
DOKUMENTASI

21
 PROFIL KELOMPOK

Kelompok 5

1. Indah Permata Sari

NPM : (2010631020156)
Domisili : Bekasi

2. Siti Nuraini Fauziah

NPM : (2010631020137)
Domisili : Bekasi

3. Sukron Ma’mun
NPM : (2010631020140)
Domisili : Karawang

4. Yehezkiel Gian Ananta Damanik

NPM : (2010631020151)
Domisili : Bekasi

22
 DAFTAR PUSTAKA

Jayanti, Yunita Dwi. (2013, 23 Oktober). Materi 8 Analisis Time Series.

Slideshare.net[online].Tersedia:
https://www.slideshare.net/yunitadwijayanti/materi-8-analisis-time-series. [2021,
22 Maret].

Zuhanda, M Khahfi. (2015, 21 November). Time Series (Deret Berkala).

Khahfizuhanda.wordpress.com[online].Tersedia:
https://khahfizuhanda.wordpress.com/2015/11/21/time-series-deret-
berkala/#:~:text=Manfaat%20Analisis%20Deret%20Berkala%20(Time%20Series
%20Analysis)&text=Membantu%20memisahkan%20faktor%2Dfaktor%20yang,d
engan%20rangkaian%20data%20yang%20lain. [2021, 22 Maret].

Hendra Saputra, Arsyil. 2008. Pengertian Runtun Waktu Dan Peramalan.

Tersedia di https://statistikawanku.wordpress.com/2013/03/28/pengertian-analisis-
runtun-waktu-dan-
peramalan/#:~:text=Data%20runtun%20waktu%20(time%20series,)%2C%20frek
uensi%20pengumpulan%20selalu%20sama. (diakses pada 21 Maret).

Oktaviani, Mega Rizky.2016. Peramalan Nilai Tukar Petani . Tersedia di

http://lib.unnes.ac.id/26636/1/4112313034.pdf (diakses pada 21 Maret).

Waktubelajar27. (2017,22 Desember) .Analisa Data Berkala Dengan Metode

Moving Average. Tersedia di ANALISA DATA BERKALA DENGAN
METODE MOVING AVERAGE (waktubelajar27.blogspot.com) (diakses pada
21 Maret)

Adlia, Fatimah. (2015, 11 Agustus). Deret Berkala dan Peramalan . Tersedia di

http://fatimahadlia8.blogspot.com/2015/08/deret-berkala-dan-peramalan_11.html
(diakses pada 21 Maret)