Disusun Oleh:
Kelompok 5
FAKULTAS EKONOMI
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.
Kelompok 5
i
DAFTAR ISI
ii
BAB I
PENDAHULUAN
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.
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.
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.
Y Y
t
t
Gambar 1. Trend Naik Gambar 2. Tren Turun
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 :
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.
Catatan : cara menarik garis trend dengan metode tangan bebas adalah
cara termudah, namun bersifat subjektif.
7
Jawab :
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
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.
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.
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.
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.
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
Contoh 1.
Berikut adalah data mengenai hasil penjualan (jutaan rupiah) di sebuah perusahaan
“X” selama periode 10 tahun.
2000 20 2005 28
Contoh II
Metode Least Square (Untuk jumlah data ganjil) :
14
Dari data tersebut akan dibuat forecast 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
2000 20 2005 28
Jawab :
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
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
18
Ramalan penjualan dengan 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
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
3. Sukron Ma’mun
NPM : (2010631020140)
Domisili : Karawang
22
DAFTAR PUSTAKA
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].
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).