MODUL 3

MODEL DETERMINISTIK

3.1 Pendahuluan
Peramalan merupakan pendugaan masa depan yang dilakukan berdasarkan nilai masa
lalu dari suatu variabel dengan beberapa periode. Peramalan sering diterapkan dalam bidang
pariwisata, transportasi, bisnis, investigasi (saham), klimatologi produksi pertanian, dan
sebagainya. Peramalan merupakan bagian penting bagi setiap organisasi bisnis untuk
pengambilan keputusan manajemen yang sangat signifikan. Selain itu peramalan merupakan
alat yang penting dalam perencanaan yang efektif dan efisien.

Metode peramalan atau biasa disebut juga model deterministik diklasifikasikan dalam
dua kelompok yang setiap kelompoknya terdiri menjadi beberapa bagian lagi, yaitu kelompok
smoothing dan kelompok modeling. Kelompok smoothing terdiri atas moving average,
exponential smoothing, dan metode winter. Sementara untuk kelompok modeling terdiri atas
regresi trend, error corectiont model, distribusi lag, dan sebagainya. Masing-masing dari
pengklasifikasian untuk kelompok smoothing dan modeling tersebut akan terbagi menjadi
beberapa bagian lagi yang akan dijelaskan pada bab selanjutnya.

3.2 Model Deterministik

Metode deterministik atau yang biasa dikenal juga dengan metode forechasting pada
dasarnya berupaya untuk memprediksi data di periode mendatang berdasarkan pengenalan
terhadap data yang sudah ada. Metode Forechasting atau Metode Peramalan yang paling
sederhana adalah dengan merata-ratakan data (Rataan Kumulatif). Berdasarkan pengenalan
terhadap pola data, metode forecasting dibedakan menjadi dua kelompok, yaitu :
A. Metode smoothing, dengan pendekatan utama yang dilakukan di dalam mengenali pola
data adalah dengan memuluskan data sehingga pola utama data menjadi lebih jelas.
Metode ini terdiri atas :
1. Moving Average : Single Moving Average, Double Moving Average
2. Exponential Smoothing : Single Exponential Smoothing, Double Exponential
Smoothing
3. Metode Winter : Metode Winter untuk musiman aditif, Metode Winter untuk
musiman multiplikatif

1
B. Metode modeling, dimana pendekatan yang dilakukan adalah mengembangkan model
tertentu di dalam mengenali pola data. Metode ini terdiri atas :
1. Regresi Trend 5. Fungsi Transfer
2. Error Corectiont Model 6. MARIMA
3. Distribusi Lag 7. VAR
4. ARIMA 8. ARCH/GARCH

3.2.1 Metode Smoothing

Dalam metode smoothing terdapat beberapa prinsip dasar, diantaranya adalah sebagai
berikut :

a. Mengurangi ketidakteraturan data yang bersifat musiman dengan cara membuat

keseimbangan rata-rata dari data masa lampau.
b. Pengenalan pola data dengan menghaluskan variasi lokal (bagaimana cara menghaluskan
pola data yang paling optimum).
c. Variansinya kecil dibandingakan data asli.
d. Prinsip penghalusan umumnya berupa rata-rata.
e. Beberapa metode penghalusan hanya cocok untuk pola data tertentu.
f. Melibatkan data sebagian, bukan keseluruhan data, selain itu juga ada rata-rata terboboti.

3.2.1.1 Moving Average

Dengan moving averages (rata-rata bergerak) ini dilakukan peramalan dengan
mengambil sekelompok nilai pengamatan, mencari rata-ratanya, lalu menggunakan rata-rata
tersebut sebagai ramalan untuk periode berikutnya. Istilah rata-rata bergerak digunakan,
karena setiap kali data observasi baru tersedia, maka angka rata-rata yang baru dihitung dan
dipergunakan sebagai ramalan.
a) Single Moving Average
Menetukan ramalan dengan metode single moving averages cukup mudah dilakukan.
Single Moving Averahe cocok untuk pola data konstan atau Stasioner. Data pada suatu
periode dipengaruhi oleh data beberapa periode sebelumnya. Bila akan menerapkan empat
bulan rata-rata bergerak maka ramalan pada bulan Mei dihitung sebesar rata-rata dari empat
bulan sebelumnya, yaitu bulan Januari, Februari, Maret, April. Metode single moving average
memiliki beberapa karakteristik, yaitu:

2
a. Untuk menentukan ramalan pada periode yang akan datang memerlukan data historis
selama jangka waktu tertentu (data pada suatu periode dipengaruhi oleh data beberapa
periode sebelumnya).
b. Cocok untuk pola data konstan/stasioner.
c. Dalam peramalan tidak membutuhkan data berukuran besar.
d. Rata-rata kumulatif.
e. Kurang baik untuk pola data trend serta data yang berfluktuasi.
f. Karena dianggap konstan, maka peramalannya tidak dapat digunakan untuk meramalkan
data dengan periode lebih panjang.
g. Semakin panjang jangka waktu moving averages, efek pemulusan semakin terlihat dalam
ramalan atau menghasilkan moving average yang semakin halus. Artinya, pada moving
averages yang jangka waktunya lebih panjang, perbedaan ramalan terkecil dengan
ramalan terbesar menjadi lebih kecil.

Persamaan matematis dari teknik ini adalah :

1. Untuk Data Smoothing

2. Untuk Nilai Forechasting

Keterangan :
Ft = Ramalan untuk periode ke t

t = Banyaknya data
m = orde / Panjang satu periode
Zt = Nilai Smoothing

3
Contoh Soal

Dengan menggunakan Data dibawah ini tentukan nilai Smoothing dan Forechasting
pada periode ke 5 dan 6. Dengan m=3

Peri D
ode (t) ata (Xt)
1 5
2 7
3 6
4 4
5 5
6 6
Nilai Smoothing (Zt)

 Z3 =

 Z4 =

 Z5 =

 Z6 =

Nilai Forechasting

 F3 = Z2 = -
 F4 = Z3 = 6
 F5 = Z4 = 5,6
 F6 = Z5 = 5

Periode (t) Data (Xt) Smoothing Forechasting

(Zt) (Ft)
1 5 - -
2 7 - -
3 6 6 -
4 4 5,6 6
5 5 5 5,6
6 6 5 5

4
b) Double Moving Average
Menentukan ramalan dengan metode double moving averages sedikit lebih sulit
dibandingkan dengan single moving averages. Cocok unutk pola data Trend. Ada beberapa
langkah dalam menentukan ramalan dengan metode double moving averages, antara lain
sebagai berikut.
a. Menghitung moving average/ rata-rata bergerak pertama, diberi simbol Z’ t, dihitung dari
data historis yang ada. Hasilnya diletakkan pada periode terakhir moving average
pertama.

b. Menghitung moving average/rata-rata bergerak kedua, diberi simbol Z’’ t, dihitung dari
rata-rata bergerak kedua. Hasilnya diletakkan pada periode terakhir moving average
kedua.

c. Menentukan besarnya nilai

( ) = 2Z`t-Z``t
d. Menentukan besarnya (Slope)

( )
( )

e. Menentukan besarnya Ramalan

xh
h adalah jangka waktu forecast kedepan.

Contoh Double Moving Average

t Xt Z`t Z``t αt bt Ft
1 12,50 - - - - -
2 11,80 - - - - -
3 12,85 12,38 - - - -
4 13,95 12,87 - - - -
5 13,30 13,37 12,87 13.87 0,50
6 13,95 13,73 12.32 14.14 0,41 14,37
7 15,00 14,08 13,37 14,43 0,35 14,55

5
3.2.1.2 Exponential Smoothing
Metode exponential smoothing adalah suatu prosedur yang mengulang perhitungan
secara terus-menerus yang menggunakan data terbaru. Setiap data diberi bobot, dimana bobot
yang digunakan disimbolkan dengan α. Simbol α bisa ditentukan secara bebas, yang
mengurangi forecast error. Nilai konstanta pemulusan, , dapat dipilih diantara nilai 0 dan 1,
karena berlaku: 0 < < 1 (Garpersz, 2005 : 97). Nilai konstanta pemulusan dapat ditentukan
dengan menggunakan rumus :

, dengan n : jumlah periode waktu

Dua metode dalam exponential smoothing diantaranya single exponential smoothing

dan double exponential smoothing.

a) Single Exponential Smoothing (SES)

Metode SES adalah suatu prosedur yang secara terus-menerus memperbaiki prediksi
dengan merata-rata nilai masa lalu dari suatu data deret waktu dengan cara menurun
(eksponensial). Karakteristik dari metode ini adalah data yang dianalisis bersifat deret waktu
dan sesuai untuk data berpola horizontal, serta menggunakan parameter yang berbeda untuk
data masa lalu, dimana parameternya menurun secara eksponensial mulai dari nilai
pengamatan yang paling baru sampai dengan nilai pengamatan yang paling lama. Metode
SES lebih cocok digunakan untuk memprediksi hal-hal yang fluktuasinya secara acak (tidak
teratur). Metode SES dapat digambarkan secara matematis sebagai berikut:
Zt = Xt + (1 - )Zt-1
Keterangan :
Zt : Nilai ramalan untuk periode t
: Konstanta pemulusan
Xt : Nilai riil periode t
Zt-1 : Nilai ramalan untuk periode t-1 (sebelumnya)
Persamaan di atas dapat diuraikan menjadi :
Zt = Xt + (1- )Zt-1 karena Zt-1 = Xt-1 + (1- )Zt-2, maka
Zt = Xt + (1- ) ( Xt-1 + (1- )Zt-2)
Zt = Xt + (1- )Xt-1 + (1- )2 Zt-2
Zt = Xt + (1- )Xt-1 + (1- )2 Zt-2 + … + (1- )k Xt-k + (1- )k+1 Zt-k+1
Perhatikan bahwa semakin jauh data periode tersebut terhadap pengamatan sekarang
maka pengaruhnya semakin kecil.

6
 Bila ditetapkan = 0.2, maka :
Periode sebelumnya Bobot
1 0.2
2 0.16
3 0.128
4 0.1024
5 0.08192

Perhatikan bahwa data yang lebih lama mendapatkan bobot yang lebih kecil. Bobot
tersebut semakin kecil secara eksponensial. Nilai yang besar menghasilkan penurunan
bobot yang cepat (penghalusan hanya melibatkan beberapa data lama atau short run
smoothing), sementara nilai yang kecil menghasilkan long run smoothing. Pemilihan nilai
antara 0.2 hingga 0.3 umumnya lebih disukai.
Nilai smoothing pada periode ke-t bertindak sebagai nilai forecast pada periode ke-
(t+1) :
Ft = Zt-1 dan Fn,h = Zn

Contoh Kasus I :
Misalkan dipilih = 0.2, maka akan diperoleh nilai Zt dan Ft seperti yang terdapat
pada tabel berikut dengan menggunakan persamaan yang dibahas sebelumnya,

Periode (t) Data (Xt) Smoothing (Zt) Forecasting (Ft)

1 5 5.4 5.5
2 7 5.72 5.4
3 6 5.776 5.72
4 4 5.4208 5.776
5 5 5.33664 5.4208
6 6 5.46931 5.33664
7 8 5.97545 5.46931
8 7 6.18036 5.97545
9 8 6.54429 6.18036
10 7 6.63543 6.54429
11 6.63543
12 6.63543

7
 Masalah muncul ketika proses smoothing pada pengamatan pertama atau
penghitungan Z1. Penghitungan nilai Z1 memerlukan nilai Z0 yang notabene tidak ada.
Dengan tidak adanya nilai Z1 maka nilai smoothing untuk pengamatan berikutnya juga tidak
dapat dihitung (lihat kembali formula smoothing dengan SES yang memerlukan nilai
smoothing satu periode sebelumnya). Untuk mengisi nilai Z1 yang tidak dapat dihitung
dengan formula smoothing SES, disarankan untuk menggunakan rata-rata beberapa
pengamatan pertama sebagai nilai Z1. Untuk kasus di atas, digunakan lima data pengamatan
pertama :

Z1 = = = 5.4

Dengan diperolehnya nilai Z1, maka nilai Z2, Z3, dan seterusnya dapat diketahui.
Zt = Xt + (1 - )Zt-1
Z2 = X2 + (1 - )Z1
Z2 = 0.2 (7) + (1 – 0.2) 5.4
Z2 = 1.4 + 4.32
Z2 = 5.72
Hal yang sama berlaku untuk mengetahui nilai F1. Penghitungan nilai F1 juga
memerlukan nilai Z0 yang notabene tidak ada. Untuk mengisi nilai F1 yang tidak dapat
dihitung dengan formula smoothing SES, disarankan untuk menggunakan rata-rata beberapa
nilai smoothing (Zt) pengamatan pertama sebagai nilai F1. Untuk kasus di atas, digunakan
lima nilai smoothing dari data pengamatan pertama :
F1 = = = 5.530 = 5.5

Contoh Kasus II :
Sebuah perusahaan yang menjual kalkulator ingin meramalkan permintaan produknya
di pasar. Metode yang digunakan adalah metode Penghalusan Eksponensial atau Exponential
Smoothing. Perusahaan tersebut menggunakan konstanta α = 0,1. Prakiraan permintaan atau
demand untuk bulan Januari adalah 10.000 unit. Namun pada kenyataannya, permintaan
aktual pada bulan Januari tersebut hanya sebanyak 9.000 unit. Berapakah prakiraan untuk
bulan Februari?
Jawab :
Dik : α = 0,1
Zt-1 = 10.000 unit
Xt = 9.000 unit
Dit : Zt = ..?

8
Peny :
Zt = αXt + (1 - α)Zt-1
Zt = 0,1 (9.000) + (1 – 0,1) 10.000
Zt = 900 + 9.000
Zt = 9.900
Jadi, prakiraan permintaan untuk bulan Februari adalah 9.900 unit.

 Kriteria Kebaikan Model

Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan
peramalan total. Perhitungan ini dapat digunakan untuk membandingkan model peramalan
yang berbeda, juga untuk mengawasi peramalan, dan untuk memastikan peramalan berjalan
baik, tiga dari perhitungan yang paling terkenal adalah Deviasi Rata-rata Absolut (Mean
Absolute Deviation- MAD), Kesalahan Rata-rata Kuadrat (Mean Squared Error-MSE), dan
kesalahan Persen Rata-rata Absolut (Mean Absolut Percent-MAPE). Akurasi peramalan akan
semakin tinggi apabila nilai-nilai MAD, MSE, dan MAPE semakin kecil.
Membandingkan kesalahan peramalan adalah suatu cara sederhana, apakah suatu
teknik peramalan tersebut patut dipilih untuk digunakan membuat peramalan data yang
sedang kita analisa atau tidak. Minimal prosedur ini dapat digunakan sebagai indikator
apakah suatu teknik peramalan cocok digunakan atau tidak.
Dalam melakukan peramalan, ada beberapa metode yang digunakan untuk mencari
ramalannya. Sebuah model dengan galat peramalan terkecil tentunya akan dipilih untuk
melakukan prediksi di masa mendatang. Besarnya galat tersebut dapat dihitung melalui
ukuran galat peramalan, sebagai berikut:
1) Deviasi Rata-rata Absolut (Mean Absolute Deviation = MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan
kenyataannya. Secara metematis, MAD dirumuskan sebagai berikut :

∑| ̂|

2) Kesalahan Rata-rata Kuadrat (Mean Squared Error-MSE) atau Mean Squared Deviation
(MSD)
MSE merupakan metode alternatif dalam suatu metode peramalan. Pendekatan ini
penting karena tekhnik ini menghasilkan kesalahan yang moderat lebih di sukai oleh suatu
peramalan yang menghasilkan kesalahan yang sangat besar. MSE dihitung dengan

9
menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya
dengan jumlah periode peramalan. Secara matematis, MSE dirumuskan sebagai berikut

∑| ̂|

3) Persen Rata-rata Absolut (Mean Absolut Percent-MAPE)

MAPE merupakan ukuran kesalahan relativ. MAPE biasanya lebih berarti
dibandingakan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan
terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi
persentase kesalahan terlalu tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan
sebagai berikut :
̂
∑| |

Keterangan :

: Data ke-t
̂ : Peramalan ke-t
: Banyaknya data yang diamati

b) Double Exponential Smoothing

Metode pemulusan eksponensial tunggal hanya akan efektif apabila serial data yang
diamati memiliki pola horizontal (stasioner). Jika metode itu digunakan untuk serial data
yang memiliki unsur trend (kecenderungan) yang konsisten, nilai-nilai peramalannya akan
selalu berada di belakang nilai aktualnya (terjadi lagging yang terus-menerus). Metode yang
tepat untuk melakukan peramalan serial data yang memiliki unsur trend adalah metode
pemulusan eksponensial linier. Salah satu metode yang digunakan adalah metode pemulusan
eksponensial linier dari Holt atau disebut juga sebagai metode double exponential smoothing,
yang menggunakan persamaan sebagai berikut.
Zt = Lt + Tt
Lt = Xt + (1 – ) (Lt-1 – Tt-1)
Tt = (Lt – Lt-1) + (1 – ) Tt-1
Keterangan :
Zt : Nilai smoothing data ke-t
Lt : Nilai level data ke-t ; : Bobot komponen level , 0 < <1
Tt : Nilai trend data ke-t ; : Bobot komponen trend , 0 < <1

10
Bila , maka = a dan = b.
Nilai forecasting diperoleh dengan menggunakan persamaan :
Ft+h = Lt + h×Tt
Contoh Kasus :
Misalkan diketahui = 0.2 dan = 0.3, maka akan diperoleh :

TXt Lt Tt Zt Ft
112.5 11.9676 0.5716 11.9676 11.8344
211.8 12.3913 0.527251 12.3913 12.5392
12.85
3 12.9049 0.523136 12.9049 12.9186
13.95
4 13.5324 0.554456 13.5324 13.428
513.3 13.9295 0.507245 13.9295 14.0869
13.95
6 14.3394 0.478042 14.3394 14.4367
715 14.8539 0.488996 14.8539 14.8174
816.2 15.5143 0.54042 15.5143 15.3429
916.1 16.0638 0.543134 16.0638 16.0548
1
16.6069
0
1
17.1501
1
1
17.6932
2

3.2.1.3 Metode Winter

Metode ini merupakan penghalusan eksponensial, dan digunakan jika data
memiliki komponen musiman, tetapi tidak memiliki komponen trend. Metode ini
digunakan jika data adalah data bulanan, sebab musiman hanya didekskripsikan pada data
bulanan. Secara umum yang dimaksud dengan musiman adalah komponen siklis dengan
periode 12 bulan.
Konsep perhitungan metode winters identik dengan metode Holt, yaitu
penghalusan eksponensial dengan dua kali pembobotan. Misalkan 𝑥1,x2, , , , , , 𝑥 , sampel
data deret waktu yang memiliki kemponen musiman, tetapi tidak memiliki komponen
trend. Jika didifinisikan :

11
Winter Additive
Z = (X − 𝐼 −1) + (1 − )(Z −1 )
𝐼 = (X − Z) + (1 − )𝐼 −1
̂ +m = Z + 𝐼 −𝐿 +m
Winter Multiplicative
Z = + (1 − )(Z −1)

𝐼 = + (1 − ) 𝐼 −1

̂ +m = (Z 𝐼 −𝐿+m )

Metode Holt Winter

Metode Holt-Winters merupakan gabungan dari metode Holt dan Winter, dimana
nilai trend pada metode Holt digabungkan dengan nilai musiman pada metode winter,
sehingga metode Holt Winter dapat menangani faktor musiman dan trend yang muncul
secara sekaligus pada sebuah data time series Metode Holt Winter dapat digunakan untuk
data stasioner maupun data nonstasioner. Metode ini didasarkan atas tiga unsur peramalan
yaitu peramalan keseluruhan, trend dan musiman untuk setiap periode dan memberikan
tiga pembobotan dalam prediksinya, yaitu α, β, dan γ. Pembobotan α memberikan
pembobotan pada peramalan keseluruhan, β memberikan pembobotan pada trend, dan γ
memberikan pembobotan pada efek musiman. Besarnya koefisien α, β, γ, memiliki jarak
(range) diantara 0 dan 1 yang ditentukan secara subjektif atau dengan meminimalkan nilai
kesalahan dari estimasi tersebut (Makridakis, 1999). Metode ini terbagi menjadi dua
yakini:
1. Holt-Winters Additif
Menurut Montgomery (2009), model musiman additive dengan metode
penambahan musiman cocok untuk prediksi deret berkala (time series) dengan amplitudo
(atau ketinggian) pola musiman yang tidak tergantung pada rata-rata level atau ukuran data
sehingga bersifat konstan. Tiga persamaan yang digunakan dalam metode Holt-Winters
Additive adalah:
Z = (Z – 𝐼 −1) + (1 − )(Z −1 + −1 )
= 𝛽 (Z – Z −1) + (1 − 𝛽) −1

𝐼 = (X − Z) + (1 − )𝐼 −1
̂ +m = Z + m + 𝐼 −𝐿 +m

12
Dimana :
Z = Nilai pemulusan peramalan untuk periode t
X = Nilai aktual pada periode ke t
= Nilai pemulusan trend
𝐼 = Komponen musiman pada periode t
̂ +m = Ramalan untuk m periode ke depan dari
m = jumlah periode yang akan diramalakan kedepan
= Parameter penghalusan untuk trend (0 < < 1)
= parameter penghalusan untuk trend ( 0< < 1)
𝛽 = Parameter penghalusan untuk trend (0 < 𝛽 < 1)
𝐿 = Panjang Musiman

2. Holt Winter Multiplicative

Model musiman multiplicative dengan metode perkalian musiman cocok untuk
prediksi deret berkala (time series) yang dimana amplitudo (atau ketinggian) dari pola
musimannya proporsional dengan rata-rata level atau tingkatan dari deret data. Dengan
kata lain, pola musiman membesar seiring meningkatnya ukuran data. Seperti halnya pada
metode Holt-Winters additive, metode Holt-Winters multiplicative juga memiliki tiga
persamaan dengan sedikit perbedaan. Tiga persamaan yang digunakan dalam metode Holt-
Winters multiplicative adalah :
Z = + (1 − )(Z −1 + bt-1)

= 𝛽 (Z – Z −1) + (1 − 𝛽) −1

𝐼 = + (1 − ) 𝐼 −1

̂ +m = (Z + m) 𝐼 −𝐿+m
Dimana:
Z = Nilai pemulusan peramalan untuk periode t
X = Nilai aktual pada periode ke t
= Nilai pemulusan trend
𝐼 = Komponen musiman pada periode t
̂ +m = Ramalan untuk m periode ke depan dari
m = jumlah periode yang akan diramalakan kedepan
= Parameter penghalusan untuk trend (0 < < 1)

13
 = parameter penghalusan untuk trend ( 0< < 1)
𝛽 = Parameter penghalusan untuk trend (0 < 𝛽 < 1)
𝐿 = Jumlah periode dalam satu siklus musim

Contoh Kasus :
Data penjualan musim lebaran Idulfitri di setiap tahun pada tahun 2014 sampai tahun
2018 yaitu 7 hari terakhir bulan Ramadhan sampai 11 hari bulan Syawal yang dapat dilihat
pada tabel 4.1. Selanjutnya, data penjualan tersebut disimbolkan dengan Xt dimana t
merupakan periode dalam satuan hari.

Tabel 1 Penjualan

Dari data yang telah dikumpulkan, maka data tersebut dijadikan plot grafik agar dapat
dianalisa seperti yang terlihat pada gambar 2.

Gambar 2 Pola Data

14
 Menghitung Nilai Pemulusan (Zt, bt, It, dan ̂ +m) Untuk menentukan besarnya
prediksi pada periode selanjutnya, maka perlu dilakukan perhitungan untuk mendapatkan
nilai Zt, bt, It, dan ̂ +m. Konstanta-konstanta pemulusan α, β, dan γ akan digunakan untuk
menghitung nilai-nilai tersebut.
1. Model Aditif Perhitungan prediksi menggunakan model aditif ketika nilai α = 0.5, β =
0.8, dan γ = 0.5.
Menghitung pemulusan level (St)
Z1 = α (X1 – I-17) + (1- α)(Z0 + b0) = 0,5 (58 – (-51,56)) + (1 – 0,5)(95,66 + 0,98) = 103,1
Z18 = α (X18 – I0) + (1- α)(Z17 + b17) = 0,5 (98 – (-21,51)) + (1 – 0,5)(125,87 + 12,86) =
129,12
Z54 = α (X54 – I36) + (1- α)(Z53 + b53) = 0,5 (124 – (-22,02)) + (1 – 0,5)(134,31 + (-12,97))
= 133,68
Pemulusan Pola Tren (bt)
b1 = β (Z1 – Z0) + (1 - β) b0 = 0,8 ( 103,1 – 95,66) + (1 – 0,8) 0,98 = 6,15
b18 = β (Z18 – Z17) + (1 - β) b17 = 0,8 (129,12 – 125,87) + (1 – 0,8) 12,86 = 5,17
b54 = β (Z54 – Z53) + (1 - β) b53 = 0,8 (133,68 – 134,31) + (1 – 0,8) -12,97 = -3,1
Pemulusan Pola Musiman (It)
I1 = γ (X1 – Z1) + (1 - γ) I-17 = 0,5 (58 - 103,1) + (1 – 0,5) (-51,56) = -48,33
I18 = γ (X18 – Z18) + (1 - γ) Io = 0,5 (98 - 129,12) + (1 – 0,5) (-21,51) = -26,32
I54 = γ (X54 – Z54) + (1 - γ) I36 = 0,5 (124 - 133,68) + (1 – 0,5) (-22,02) = -15,85
Prediksi Satu Periode t
̂ 54+1 = Z54 +b54.1+I37 = 133,68 + (-3,1*1) + (-55,58) = 75,01
̂ 54+5 = Z54 + b54.5 + I41 = 125,97 + (-0,83 * 5) + (-17,92) = 100,27
̂ 54+18= Z54 +b54.18 +I54 = 210,32 + (-12,52 * 18) + (-15,85) = 62,09

2. Model Multiplikatif Perhitungan prediksi menggunakan model multiplikatif ketika

nilai α = 0.5, β = 0.8, dan γ = 0.5.
Pemulusan Keseluruhan (St)
Z1 = α (X1 / I-17) + (1- α)(Z0 + b0) = 0,5 (58 / 0,56 ) + (1 – 0,5) (95,66 + 0,98) = 100,55
Z18 = α (X18 / I0) + (1- α)(Z17 + b17) = 0,5 (98 / 0,84) + (1 – 0,5)(125,61+ 10,57) = 126,64
Z54 = α (X54 / I36) + (1- α)(Z53 + b53) = 0,5 (124 / 0,83) + (1 – 0,5)(132,17 + (-11,57)) =
134,99

15
Pemulusan Pola Tren (bt)
b1 = β (Z1 – Z0) + (1 - β) b0 = 0,5 (100,55 – 95,66) + (1 – 0,5) 0,98 = 4,1
b18 = β (Z18 – Z17) + (1 - β) b17 = 0,5 (126,64 – 125,61) + (1 – 0,5) 10,57 = 2,94
b54 = β (Z54 – Z53) + (1 - β) b53 = 0,5 (134,99 – 132,17) + (1 – 0,5) -11,57 = -0,06
Pemulusan Pola Musiman (It)
I1 = γ (X1 / Z1) + (1 - γ) I-17 = 0,5 (58 / 100,55) + (1 – 0,5) 0,56 = 0,57
I18 = γ (X18 / Z18) + (1 - γ) Io = 0,5 (98 / 126,64) + (1 – 0,5) 0,84 = 0,81
I54 = γ (X54 / Z54) + (1 - γ) I36 = 0,5 (124 / 134,99) + (1 – 0,5) 0,83 = 0,87
Prediksi Satu Periode t
̂ 54+1 = (Z54 +b54.1)*I37 = (134,99 + (-0,06*1)) *0,54 = 72,66
̂ 54+5 = Z54 + b54.5)*I41 = (134,99 + (-0,06*5)) *0,85 = 114,7
̂ 54+18= Z54 +b54.18)*I54 = (134,99 + (-0,06*18)) *0,87 = 117,15

Kombinasi pasangan konstanta α, β , dan γ yang menunjukkan nilai MAPE paling

kecil untuk model aditif yaitu α = 0.9, β = 0.1, dan γ = 0.1 dengan MAPE = 19,22 %,
sedangkan pada model multiplikatif yaitu α = 0.9, β = 0.1, dan γ = 0.1 dengan MAPE =
17,26 %. Dari dua model tersebut, model multiplikatif menjadi model yang lebih baik
digunakan pada data prediksi permintaan pada musim lebaran 2019 samapi 2023 karena
memiliki MAPE paling kecil dari pada MAPE yang dimiliki oleh model aditif.

3.2.2 Modeling
3.2.2.1 Metode Proyeksi Trend dengan Regresi
Analisis regresi deret waktu adalah analisis regresi dalam kondisi variabel respon (Y)
berautokorelasi, sehingga antar variabel respon (Y) dapat dibangun sebuah hubungan
fungsional, yang dalam analisis data deret waktu bentuk hubungannya selalu digunakan
regresi linier. Konsepsi analisis regresi linier biasa dapat digunakan secara utuh dalam
analisis regresi deret waktu, hanya proses perhitungan nilai penaksir parameternya tidak
selalu bisa dijadikan acuan. Dalam analisis regresi linier biasa, proses perhitungan taksiran
parameter selalu dapat dilakukan dengan menggunakan perhitungan matriks, sebab sistem
persamaan parameternya selalu merupakan sistem persamaan linier. Sedangkan dalam
analisis regresi deret waktu, ada beberapa model yang perhitungan taksiran parameternya
harus menggunakan metoda iterasi atau rekursif, sehingga sebagian besar persoalan analisis
regresi deret waktu harus diselesaikan dengan menggunakan fasilitas komputer.

16
 Dalam analisis data deret waktu, jika pengamatan berautokorelasi maka model
hubungan fungsionalnya dibangun berdasarkan kondisi kestasioner data, sehingga model
regresi deret waktu dikelompokan atas regresi deret waktu stasioner dan regresi deret waktu
tidak stasioner. Model regresi deret waktu tidak stasioner identik dengan model regresi deret
waktu stasioner, yang terlebih dulu data distasionerkan melalui proses diferensi.
Trend adalah pergerakan jangka panjang dalam suatu kurun waktu yang kadang-
kadang dapat digambarkan dengan garis lurus atau kurva mulus. Deret waktu untuk bisnis
dan ekonomi yang terbaik adalah untuk melihat trend sebagai perubahan dengan halus dari
waktu ke waktu.
Pada kenyataannya, anggapan bahwa trend dapat diwakili oleh beberapa fungsi
sederhana seperti garis lurus sepanjang periode untuk time series yang diamati ditemukan.
Seringkali fungsi tersebut mudah dicocokkan dengan kurva trend pada suatu kurun waktu
karena dua alasan, yaitu fungsi tersebut menyediakan beberapa indikasi arah umum dari seri
yang diamati, dan dapat dihilangkan dari seri aslinya untuk mendapatkan gambar musiman
lebih jelas.
Ada beberapa trend yang digunakan untuk meramalkan pergerakan keadaan pada
masa yang akan datang, yaitu:
1. Trend Linier
Sering kali data deret waktu jika digambarkan kedalam plot mendekati garis lurus.
Deret waktu seperti inilah yang termasuk dalam trend linier. Persamaan trend linier adalah
sebagai berikut:

Dengan nilai dan diperoleh dari:

∑

Dengan keterangan:
= Nilai trend pada periode tertentu
t = Variabel bebas / waktu
= Konstanta model
= Koefisien arah model

17
 Dimana menunjukkan nilai taksiran µ pada nilai t tertentu. Sedangkan adalah
nilai intercept dari µ, artinya nilai takkan sama dengan jika nilai t = 0. Kemudian
adalah nilai slope, artinya besar kenaikan nilai pada setiap nilai t. dan nilai t sendiri adalah
nilai tertentu yang menunjukkan periode waktu.

Trend Linier Positif Trend Linier Negatif

2. Trend Kuadratik
Jika trend linier merupakan deret waktu yang berupa garis lurus, maka trend kuadratik
merupakan deret waktu dengan data berupa garis parabola. Persamaan trend kuadratik adalah
sebagai berikut:

Dengan nilai , dan diperoleh dari:

∑ ∑

∑
∑

∑ ∑ ∑
∑ (∑ )

Dengan keterangan:
= Nilai trend pada periode tertentu
t = Variabel bebas / waktu
= Konstanta model
, = Koefisien arah model

Trend Kuadratik

18
3. Trend Eksponensial
Untuk mengukur sebuah deret waktu yang mengalami kenaikan atau penurunan yang
cepat maka digunakan metode trend eksponensial. Dalam metode ini digunakan persamaan:

Tetapi dalam melakukan perhitungannya, persamaan di atas dapat diubah ke dalam

bentuk semi log, sehingga memudahkan untuk mencari nilai dan .

∑
[ ]

∑
[ ]
∑

Trend Eksponensial

4. Memilih Model Terbaik

Dimana nilai e adalah selisih antara nilai Y dengan peramalan (Yt). Model yang
memiliki MSE paling kecil adalah model persamaan yang paling baik.

Contoh Kasus
Penjualan Produk X pada tahun 2010 adalah sebagai berikut.

19
 Waktu Bulan Penjualan
1 Januari 1143
2 Februari 1037
3 Maret 857
4 April 757
5 Mei 948
6 Juni 660
7 Juli 683
8 Agustus 809
9 September 1078
10 Oktober 696
11 November 777
12 Desember 672
Jumlah 10117
Tentukan peramalan penjualan pada bulan ke-18 dan bulan ke-25!

Penyelesaian

Waktu µi ti µi . ti ti 2 µi . ti 2 ti 4 Log µi Log µi . ti

1 1143 1 1143 1 1143 1 3,06 3,06
2 1037 2 2074 4 4148 16 3,02 3,32
3 857 3 2571 9 7713 81 2,93 3,41
4 757 4 3028 16 12112 256 2,88 3,48
5 948 5 4740 25 23700 625 2,98 3,67
6 660 6 3960 36 23760 1296 2,82 3,60
7 683 7 4781 49 33467 2401 2,83 3,68
8 809 8 6472 64 51776 4096 2,91 3,81
9 1078 9 9702 81 87318 6561 3,03 3,99
10 696 10 6960 100 69600 10000 2,84 3,84
11 777 11 8547 121 94017 14641 2,89 3,93
12 672 12 8064 144 96768 20736 2,83 3,91
Σ 10117 78 62042 670 505522 60710 35,02 43,7

20
1. Trend Linier
∑

Dari hasil diatas dapat dimasukkan kedalam persamaan

Sehingga menjadi sebuah persamaan linier

Waktu µi ti µ linier e linier e2 linier

1 1143 1 935,68 207,32 42981,58
2 1037 2 1028,28 8,72 76,04
3 857 3 1120,88 -263,88 69632,65
4 757 4 1213,48 -456,48 208373,99
5 948 5 1306,08 -358,08 128221,29
6 660 6 1398,68 -738,68 545648,14
7 683 7 1491,28 -808,28 653316,56
8 809 8 1583,88 -774,88 600439,01
9 1078 9 1676,48 -598,48 358178,31
10 696 10 1769,08 -1073,08 1151500,69
11 777 11 1861,68 -1084,68 1176530,7
12 672 12 1954,28 -1282,28 1644242
Σ 10117 78 17339,76 -7222,76 6579140,96

2. Trend Kuadratik

∑
∑

∑ ∑ ∑ ( ) ( )
∑ (∑ ) ( ) ( )

21
 ∑ ∑ ( )

Setelah didapatkan nilai , dan dimasukkan kedalam persamaan

sehingga menjadi sebuah persamaan trend kuadratik ( )

Waktu µi ti µ kuadratik e kuadratik e2 kuadratik

1 1143 1 1075,51 67,49 4554,90
2 1037 2 1165,56 -128,56 16527,67
3 857 3 1240,31 -383,31 146926,56
4 757 4 1315,06 -558,06 311430,96
5 948 5 1435,71 -487,71 237861,04
6 660 6 1449,26 -789,26 622931,35
7 683 7 1508,71 -825,71 681797,01
8 809 8 1563,06 -754,06 568606,49
9 1078 9 1612,31 -534,31 285487,18
10 696 10 1656,46 -960,46 922483,41
11 777 11 1696,51 -919,51 845498,64
12 672 12 1729,46 -1057,46 1118221,65
Σ 10117 78 17447,92 -7330,86 5762326,86

3. Trend Eksponensial

∑
[ ] [ ]

∑
[ ] [ ]
∑

Setelah didapatkan nilai dan , dimasukkan kedalam persamaan sehingga

menjadi sebuah persamaan trend eksponensial ( )

22
 Waktu µi ti µ kuadratik e kuadratik e2 kuadratik

1 1143 1 712.5788 430.4212 185262.4094

2 1037 2 612.817768 424.182232 179930.5659

3 857 3 527.02328 329.9767195 108884.6354
4 757 4 453.240021 303.7599788 92270.12471
5 948 5 389.786418 558.2135818 311602.4029
6 660 6 335.21632 324.7836803 105484.439
7 683 7 288.286035 394.7139651 155799.1142
8 809 8 247.92599 561.07401 314804.0447
9 1078 9 213.216351 864.7836486 747850.7588
10 696 10 183.366062 512.6339378 262793.5541
11 777 11 157.694814 619.3051865 383538.914
12 672 12 135.61754 536.3824604 287706.1438

Σ 10117 78 4256.7694 5860.230601 3135927.107

Sebelum dilakukan perhitungan, akan dihitung MSE (Mean Square Error) terlebih
dahulu untuk mencari trend mana yang paling tepat dan memiliki kesalahan terkecil untuk
dijadikan acuan peramalan.

1. MSE Trend Linier

∑

2. MSE Trend Kuadratik

∑

3. MSE Trend Eksponensial

∑

Dari hasil MSE diatas, nilai dari MSE Trend Kuadratik merupakan yang paling kecil,
jadi dapat diketahui bahwa trend kuadratik pada peramalan ini memiliki kecenderungan
kesalahan yang paling rendah. Sehingga yang kita gunakan adalah trend kuadratik.

23
Jawaban

Untuk bulan ke-18

( ) ( ) ( )

Untuk bulan ke-25

( ) ( ) ( )

24
3.3 Latihan
1. Sebuah perusahaan yang menjual kalkulator ingin meramalkan permintaan produknya di
pasar. Metode yang digunakan adalah metode Penghalusan Eksponensial atau
Exponential Smoothing. Perusahaan tersebut menggunakan konstanta α = 0,1. Prakiraan
permintaan atau demand untuk bulan Mei adalah 12.455 unit. Namun pada kenyataannya,
permintaan aktual pada bulan Januari tersebut hanya sebanyak 8.125 unit. Berapakah
prakiraan untuk bulan Juni?
2. Lengkapi nilai smoothing dan nilai forecasting data pada tabel di bawah ini jika dipilih
= 0.2.

Data Smoothing Forecasting

Periode (t)
(Xt) (Zt) (Ft)
1 2
2 5
3 9
4 3
5 6
6 12
7 5
8 3
9 16
10 11
11
12

3. Data penjualan musim lebaran Idulfitri di setiap tahun pada tahun 2014 sampai tahun 2018
yaitu 7 hari terakhir bulan Ramadhan sampai 11 hari bulan Syawal yang dapat dilihat pada
tabel 4.1. Selanjutnya, data penjualan tersebut disimbolkan dengan Xt dimana t merupakan
periode dalam satuan hari.
Tabel 1 Penjualan

25
 Hitunglah Nilai Pemulusan (Zt, bt, It, dan ̂ +m) Untuk menentukan besarnya prediksi
pada periode selanjutnya !
4. Dengan menggunakan Data dibawah ini tentukan nilai Smoothing dan Forechasting pada
periode ke 5 dan 6. Dengan m=3

Periode (t) Data (Xt)

1 5
2 7
3 6
4 4
5 5
6 6

5. Diketahui suatu proses AR dengan bentuk polinomial karakteristik dari model diberikan
sebagai
( )( )
a. Apakah model ini stasioner?
b. Tentukan bentuk model ARIMA yang bersesuaian untuk model ini!

26