Peramalan

BAB II
PERAMALAN

2.1. Pengertian Peramalan

Yang dimaksud dengan meramal (to forecast) adalah suatu kegiatan atau
usaha untuk mengetahui peristiwa-peristiwa (events) yang akan terjadi pada
waktu yang akan datang mengenai obyek tertentu dengan menggunakan
judgment, pengalaman-pengalaman ataupun data historis. Dari definisi di
atas terdapat beberapa istilah yang perlu dijelaskan pengertiannya, khusus
dalam tulisan ini.

Peristiwa
Yang dimaksud dengan peristiwa adalah suatu kejadian tentang suatu
obyek yang merupakan hasil suatu proses atau kegiatan; misalnya
baik/buruk, turun/naik, atau miring/mendatar, dan sebagainya. Proses
dimaksud bisa datang dari luar, maupun dari dalam yang pada akhirnya
akan menimbulkan suatu peristiwa atau kejadian. Dalam diktat itu, peristiwa
yang akan diramal itu khusus di bidang ekonomi ataupun perusahaan,
misalnya GNP, permintaan pada tingkat industri dan permintaan akan
produk perusahaan tertentu (barang ataupun jasa).

Waktu yang akan datang

Maksudnya peristiwa yang ingin diramal
mendatang. Hal ini timbul karena adanya
dengan situasi yang ingin diramal. Beda
horizontal peramalan (forecasting horizon),
ataupun tahunan.
itu adalah kejadian masa
beda waktu ketika meramal
waktu ini merupakan suatu
bisa dalam bulanan, kuartal,

Judgment, intuisi, pengalaman, ataupun data historis

adalah merupakan variabel-variabel yang digunakan untuk melakukan
peramalan. Baik judgment, intuisi maupun pengalaman biasanya bersifat
subyektif, sebab tergantung dari sifat-sifat sang peramal. Sedangkan
peramalan yang dilakukan dengan menggunakan data historis, misalnya
dalam bentuk data angka, biasanya diikutsertakan. Data historis ini juga
bisa dalam bentuk angka-angka atau kuantitatif, tapi bisa pula kualitatif.
Namun dalam buku diktat itu, data historis itu kebanyakan menggunakan
data kuantitatif. Data ini biasanya tergantung dari jenis peristiwa yang ingin
diramal. Apabila peristiwa yang ingin diramal itu peristiwa kuantitatif, maka
data yang ingin dipelajari itu pada umumnya kuantitatif pula.

Dengan memperhatikan beberapa uraian di atas, maka peramalan

merupakan proses atau metode dalam meramal suatu peristiwa yang akan
terjadi pada masa datang dengan mendasarkan diri pada variabel-variabel
tertentu. Secara teoritis, peristiwa-peristiwa ekonomi dan bisnis dapat

Halaman : 9
 Peramalan

ditaksir dan diramal melalui teori-teori yang ada pada disiplin ilmu-ilmu
tersebut. Dikatakan demikian karena keampuhan suatu teori itu tergantung
dari daya ramalnya di dalam mengantisipasikan situasi waktu datang
apabila variabel-variebel tertentu berada dalam suatu nilai. Artinya suatu
peristiwa yang bakal terjadi merupakan suatu akibat dari variabel-variabel
lain yang secara langsung ataupun tidak langsung mempengaruhi ini seiring
disebut sebagai variabel-variabel independen ataupun variabel-variabel
penjelasan (explanatory variables), sedangkan variabel yang diramal atau
ditaksir itu disebut sebagai variabel yang dijelaskan (explained variabel).
dengan demikian, peramalan itu merupakan kegiatan untuk mengetahui
nilai variabel yang dijelaskan atau variabel dependen pada masa datang
dengan mempelajari variabel-variabel independen pada masa lalu.

Manfaat Peramalan
Setelah kita mengetahui apa yang dimaksudkan dengan peramalan, maka
pertanyaan berikutnya adalah apa manfaatnya ramalan itu (peramalan
adalah proses meramal, sedangkan ramalan adalah hasil yang diperoleh
dari proses meramal). Secara akal sehat, apabila kita terlebih dahulu
mengetahui apa yang akan terjadi pada masa datang, akan sangat
bermanfaat bagi kita untuk menetapkan berbagai kebijakan. Kebijakan yang
akan diambil disesuaikan dengan hasil ramalan. Apabila hasil ramalan itu
menunjukkan bahwa permintaan pasar akan produk perusahaan
menunjukkan bahwa permintaan pasar akan produk perusahaan meningkat,
maka perlu ditetapkan berbagai kebijakan mengenai pengadaan bahan
baku, penarikan tenaga kerja, penambahan kapasitas pabrik dan
penggudangan, armada angkutan, pembelanjaan, dan lain sebagainya.
Sedangkan apabila hasil ramalan itu menunjukkan bahwa permintaan akan
menurun, maka berbagai strategi dapat ditempuh, misalnya : melakukan
diversifikasi, pengembangan produk, penetrasi pasar, bahkan likuidasi
sekalipun untuk meloncat ke bisnis lainnya bukan mustahil ditempuh.

Hasil peramalan dapat memberikan pengertian mengenai hubungan antara

permintaan (demand) dan faktor yang berpengaruh terhadap permintaan
tersebut. Pengertian ini diperlukan agar rencana produksi dapat dibuat
sesuai dengan permintaan dan sesuai dengan kapasitas yang dimiliki.

2.2. Prosedur Peramalan

Peramalan dilakukan dengan mengikuti prosedur berikut :

1. Definisikan tujuan peramalan
Sebelum melakukan penggunaan metoda peramalan terlebih dahulu
harus menentukan tujuan. Dalam menentukan tujuan tersebut agar
apa yang akan diramalkan sesuai dengan apa yang akan diinginkan
hasilnya dan sesuai dengan tujuan setiap melakukan peramalan.

Halaman : 10
 Peramalan

2. Plot data masa lalu (product family level).

Sebelum menentukan atau pemilihan metoda peramalan yang akan
digunakan terlebih dahulu harus memplotkan (scrater) data atau
pencarkan dalam grafik sehingga akan terlihat pola data datanya.
Dengan demikian dapat menentukan metoda peramalan yang dapat
mendekatai sesuai dengan sebaran data tersebut. Dalam meplotkan
data, data harus dalam level famili atau tipe agar dapat mudah
dalam menentukan perencanaan berikutnya.

3. Pilih metoda-metoda yang memenuhi tujuan peramalan dan sesuai

dengan plot data.
Banyak metoda peramalan sehingga bingung metoda peramalan
yang yang akan digunakan, namun setelah menentkan tujuan dan
plot data tersebut makan dapat mementukan metoda-metoda
peramalan yang lebih mendekati dengan hasil plot data tersebut.

4. Hitung parameter-parameter fungsi peramalan.

Dalam melalukan perhitungan peramalan dari data yang ada terlebih
dahulu mencari formulasi atau persamaan peramalan. Untuk
menentukan formulasi atau persamaan peramalan tersebut maka
dicari paramter-parameter sesuai dengan metoda peramalan yang
akan digunakan.

5. Hitung tingkat penyimpangan/kesalahan (fitting error) dari masing-

masing metoda peramalan yang dicoba.
Setelah dilakukan perhitungan dengan metoda-metoda peramalan
yang digunakan, kemudian hitung tingkat penyimpangan yang terjadi
antara data masa lalu dengan hasil peramalan pada periode yang
sama dengan menggunakan metoda fitting error yang digunakan.
Bandingkan nilai tingkat kesalahan antar metoda-metoda peramalan
yang digunakan. Carilah tingkat penyimpangan yang terkecil, maka
metoda tersebut dijadikan sebagai metoda peramalan yang terbaik
sesuai dengan data tersebut.

6. Pilih metoda yang terbaik yaitu yang memberikan tingkat kesalahan

yang terkecil.
Hasil dari perhitungan tingkat penyimpangan/kesalahan pada tahap
sebelumnya, maka metoda peramalan yang mempunyai tingkat
kesalahan terkecil itu yang akan dijadikan untuk melakukan
peramalan dan selanjutnya dijadikan untuk data perencanaan
produksi.

7. Ramalkan permintaan untuk perioda mendatang.

Formulasi yang dihasilkan dari metoda peramalan yang dianggap
terbaik itu maka selanjutnya dilakukan perhitungan peramalan. Hasil

Halaman : 11
 Peramalan

peramalan tesebut dijadikan sebagai data permintaan dalam

perencanaan produksi pada waktu mendatang.

8. Lakukan verifikasi peramalan setelah data aktual diperoleh dan

perbaiki metoda peramalan bila diperlukan.
Biasanya untuk mengukur tingkat validasi suatu metoda peramalan
tersebut dilakukan verefikasi peramalan. Sejauh mana tingkat
keandalan metoda peramalan dapat dipertanggungjawabkan dan
dapat dijadikan bahan evaluasi untuk berikutnya.

2.3. Metoda Peramalan

Metoda peramalan : metoda kualitatif dan metoda kuantitatif. Tekanan

pembahasan diberikan pada metoda kuantitatif.

Persyaratan yang harus dipenuhi apabila akan menggunakan peramalan

kuantitatif adalah:
• Adanya informasi atau data tentang masa lalu. Pola data masa lalu
pada umumnya mempunyai karakteristik. Informasi atau data
tersebut harus bisa dikuantifikasikan
• Pola data masa lalu diasumsikan berlanjut ke masa yang akan
datang

Metoda kuantitatif dapat digolongkan menjadi dua teknik, yaitu :

• Teknik deret waktu (time series). Perilaku sistem dianggap sebagai
black box. Teknik ini menganggap bahwa nilai ramalan hanya
merupakan kelanjutan (trend) atau ekstrapolasi data masa lalu.
• Teknik kausal, yaitu suatu teknik yang mengaitkan besaran ramalan
terhadap faktor lain. Hasil ramalan merupakan akibat dari suatu
sebab. Teknik ini tidak dibahas lebih lanjut.

2. 4. Metoda-metoda Penyimpangan Peramalan

Untuk mengukur tingkat penyimpangan antara data aktual dengan
data hasil peramalan dapat digunakan dengan berbagai metoda seperti di
bawah ini :

1. Mean Absolute Deviation (MAD) :

n

[Y (t ) − Y ' (t )]
MAD = t =1

Halaman : 12
 Peramalan

2. Mean Square Error (MSE) :

 (Y (t ) − Y ' (t )) 2

MSE = t =1

3. Mean Absolute Percent Error (MAPE):

100 N Y (t ) − Y ' (t )
MAP = [ Y (t ) ]
N t =1

Dimana : Y(t) = data aktual periode t

Y’(t) = data hasil ramalan periode t
N = jumlah data

2.5. Peramalan Moving Average

Data Linier
Dalam menggunakan peramalan rata-rata bergerak tunggal, dalam
pembuatan ramalan tidak dapat mengatasi masalah trend. Oleh karena itu,
dikembangkan rata-rata bergerak tunggal itu menjadi rata-rata bergerak
ganda (double moving average).

Contoh kasus 1 :
Data permintaan (pesanan) produk lihat tabel 2.1. di bawah ini. Juga hasil
plot data permintaan (data masa lalu) dapat dilihat pada gambar 2.1. Dari
gambar tersebut tampak bahwa data mentah (permintaan) produk
mempunyai trend (linier positif). Untuk selanjutnya kita dapat menentukan
metode peramalan yang sekiranya mendekati (lebih cocok) untuk trend data
tersebut. Di contoh ini ditunjukkan perhitungan dengan menggunakan
metoda peramalan MOVING AVERAGE (2) dan MA(2x3).

Tabel 2.1. Data permintaan (data masa lalu) produk

T 1 2 3 4 5 6 7 8 9 10 11 12
Unit 3 6 9 12 15 18 21 24 27 30 33 36

Halaman : 13
 Peramalan

Grafik Penyebaran Data

Data permintaan
40
30
Data
20
permintaan
10
0
0 5 10 15
Perioda (bulan)

Gambar 2.1. Plot data permintaan produk (lihat penyebaran data),

sehingga dapat menentukan metode apa yang harus digunakan, juga
lihat nilai penyimpangannya.

Setelah dilakukan perhitungan peramalan data dengan metoda peramalan

single & double moving average atau MA(2) dan MA(2x2) dapat dilihat
dalam tabel 2.2. di bawah ini.

Hasil ramalan dengan rata-rata bergerak tunggal berorde 2 atau MA(2)

pada tabel 2.2. di atas ternyata untuk t = 11 menghasilkan 28.5 unit. Deret
berkala itu kelihatannya menunjukkan adanya trend yang menaik sebesar 3
untuk tiap periode dimana pada periode t = 12 sudah mencapai 31.5 unit.
Tingkat kesalahan (penyimpanan) dengan menggunakan SSE (Sum Square
Error) MA(2) adalah 202.5.

Hasil ramalan dengan rata-rata bergerak ganda MA(2x3) pada tabel 2.2. di
atas ternyata untuk t = 11 menghasilkan 22.5 unit. Deret berkala itu
kelihatannya menunjukkan adanya trend yang menaik sebesar 3 untuk tiap
periode dimana pada periode t = 12 sudah mencapai 31.5 unit. Tingkat
kesalahan (penyimpanan) dengan menggunakan SSE (Sum Square Error)
MA(2x3) adalah 252.

Halaman : 14
 Peramalan

Tabel 2.2 Perhitungan Moving Average MA(2x3)

t Data MA(2) MA(2x3) SSE(MA2) SSE(MA2x3)

1 3 - - - -
2 6 - - - -
3 9 4.5 - 20.25 -
4 12 7.5 - 20.25 -
5 15 10.5 - 20.25 -
6 18 13.5 7.5 20.25 36
7 21 16.5 10.5 20.25 36
8 24 19.5 13.5 20.25 36
9 27 22.5 16.5 20.25 36
10 30 25.5 19.5 20.25 36
11 33 28.5 22.5 20.25 36
12 36 31.5 25.5 20.25 36
34.5 28.5
234 202.5 252

Dari hasil pengujian tingkat penyimpangan dengan single dan double

moving average terdapat perbedaan, dimana single moving average lebih
kecil (202.5) tingkat penyimpangannya dari pada double moving average
(252). Hasil dari kedua peramalan tersebut dapat ditunjukkan pada gambar
2.2. di bawah ini. Terlihat jelas, bahwa garis yang mendekati garis data
aktual (data permintaan), berarti hasil peramalan tersebut lebih cocok.

Garfik Hasil Peramalan MA(2) dan MA(2x3)

Data permintaan (unit)

40
35
30
25 Demand
20 MA(2)
15
MA(2x3)
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12

Perioda (bulan)

Gambar 2.2. Grafik data permintaan, hasil ramalan MA(2) dan MA(2x3)

Halaman : 15
 Peramalan

Data Tidak Linier (Teratur)

Dalam menggunakan peramalan rata-rata bergerak tunggal atau ganda
(single & double moving average), dalam pembuatan ramalan tidak dapat
mengatasi masalah trend. Oleh karena itu, dikembangkan rata-rata
bergerak tunggal itu menjadi rata-rata bergerak ganda (double moving
average). Contoh kasus di atas untuk data yang mempunyai data trend
(linier positif), bagaimana jika data tersebut tidak beraturan.

Contoh kasus 2 :
Data permintaan (pesanan) produk (data masa lalu) lihat tabel 2.3. di bawah
ini. Juga hasil plot data permintaan produk dapat dilihat pada gambar 2.3.
Dari gambar 2.3. tersebut tampak bahwa data produk mentah (permintaan)
mempunyai trend data tidak teratur (tidak linier). Untuk selanjutnya kita
dapat menentukan metode peramalan yang sekiranya mendekati (lebih
cocok) untuk data tersebut. Disini ditunjukkan dengan menggunakan
peramalan MOVING AVERAGE (2) dan MA(2x3).

Tabel 2.3. Data permintaan (data masa lalu) produk

T 1 2 3 4 5 6 7 8 9 10 11 12
Unit 6 9 21 3 15 30 27 33 12 24 18 36

Grafik Penyebaran Data

40
35
Data permintaan

30
25
20 Data
15 permintaan
10
5
0
0 2 4 6 8 10 12
Perioda (bulan)

Gambar 2.3. Plot data permintaan (lihat penyebaran data), sehingga

dapat menentukan metode apa yang harus digunakan, juga lihat data
penyimpanannya.

Setelah dilakukan peralaman single & double moving average atau MA(2)
dan MA(2x2) dapat dilihat dalam tabel 2.4. di bawah ini.

Halaman : 16
 Peramalan

Hasil ramalan dengan rata-rata bergerak tunggal berorde 2 atau MA(2)

pada tabel 2.4. di di bawah ini ternyata untuk t = 11 menghasilkan 18 unit.
Deret berkala itu kelihatannya menunjukkan tidak adanya trend. Untuk
perioda t = 12 sudah mencapai 21 unit. Tingkat kesalahan (penyimpanan)
dengan menggunakan SSE (Sum Square Error) MA(2) adalah 1368.
Hasil ramalan dengan rata-rata bergerak ganda MA(2x3) pada tabel 2.4. di
atas ternyata untuk t = 11 menghasilkan 27 unit. Deret berkala itu
kelihatannya menunjukkan tidak adanya trend, untuk periode t = 12 sudah
mencapai 24 unit. Tingkat kesalahan (penyimpanan) dengan menggunakan
SSE (Sum Square Error) MA(2x3) adalah 520.

Tabel 2.4 Perhitungan Moving Average MA(2x3)

T Data MA(2) MA(2x3) SSE(MA2) SSE(MA2x3)

1 6 - - - -
2 9 - - - -
3 21 8 - 182 -
4 3 15 - 144 -
5 15 12 - 9 -
6 30 9 12 441 6
7 27 23 12 20 110
8 33 29 15 20 196
9 12 30 20 324 100
10 24 23 27 2 20
11 18 18 27 0 81
12 36 21 24 225 6
27 21
234 1368 520

Dari hasil pengujian tingkat penyimpangan dengan single & double moving
average terdapat perbedaan, dimana single moving average lebih besar
(1368) tingkat penyimpangannya dari pada double moving average (520).
Hasil dari kedua peramalan tersebut dapat ditunjukkan pada gambar 2.4. di
bawah ini. Terlihat jelas, bahwa garis yang mendekati garis data aktual
(data permintaan), berarti hasil peramalan tersebut lebih cocok.

Halaman : 17
 Peramalan

Garf ik Hasil Peramalan MA(2) dan MA(2x3)

40
Data permintaan (unit) 35 Demand
30 MA(2)
25
20 MA(2x3)
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12
Perioda (bulan)

Gambar 2.4. Grafik data permintaan, hasil ramalan MA(2) dan MA(2x3)

2.6. Penghalusan Eksponensial Ganda dengan Metoda Linier Satu

Parameter dari Brown.

Metode ini merupakan model linear yang dikemukakan oleh Brown. Di

dalam metode double exponential smoothing (DES) dilakukan proses
penghalusan dua kali, sebagai berikut :

S’t = xt + (1 – )S’t – 1

S”t = S’t + (1 – )S” t - 1

Rumus ini agak berbeda dengan rumus single smoothing karena X’t dipakai
untuk mencari St bukan S t – 1
Peramalan dilakukan dengan rumus :
F t+m = a t + bt.m
m = jangka waktu peramalan ke depan.

at = 2S’t – S”t

bt = (St' − St" )
1−

Contoh kasus 3 :
Data permintaan dengan plot data permintaan produk yang tidak teratur,
seperti ditunjukkan pada tabel 2.5. di bawah ini, sedangkan hasil plot data
permintaan produk (data produk masa lalu) pada gambar 2.5.

Halaman : 18
 Peramalan

Tabel 2.5. Data permintaan (data masa lalu) produk

T 1 2 3 4 5 6 7 8 9 10 11 12
Unit 120 125 129 124 130 140 128 136 142 130 135 144

Grafik Plot Data Perm intaan

150
145
Permintaan (unit)

140
135
130
125
120
115
0 1 2 3 4 5 6 7 8 9 10 11 12 13

Demand Perioda (bulan)

Gambar 2.5.
Grafik plot data (penyebaran data permintaan) yang tidak teratur.

Andaikan data pada tabel 2.5 kolom kedua kita selesaikan dengan metode
double exponential smoothing, hasilnya perhitungannya seperti terlihat pada
tabel 2.6. Jika  = 0.2, maka :
Periode pertama :
X1 = 120, karena belum cukup data S’1 dianggap sebesar 120
dan S” 1 juga 120.
X2 = 125
S’t = xt + (1 – )S’t – 1
S”t = S’t + (1 – )S” t - 1

S’2 = 0,2 (125) + 0,8 (120) = 121

S” 2 = 0,2 (121) + 0,8 (120) = 120,2

at = 2S’t – S”t

bt = (St' − St" )
1−

a2 = 2 (121) – 120,2 = 121,80

b2 = (0,2/0.8 ) x (120 – 120.20) = - 0,2
F2 = 121,8 - 0,2 = 121,08

Halaman : 19
 Peramalan

X3 = 129
S’3 = 0,2 (129) + 0,8 (121) = 122,6
S” 3 = 0,2 (122,6) + 0,8 (120,2) = 120,7

a3 = 2 (122,6) – 120,7 = 124,5

b2 = (0,2/0.8 ) x (122,6– 120,7) = 0,5

F3 = 124,5 + 0,5 = 125

unit, dan seterusnya.

Tabel 2.6.Data permintaan, Penghalusam tunggal, ganda dan hasil

peramalan.

Periode Demand
SES DES Nilai a Nilai b Ft Ft+m SSE
(t) (x)
1 120 120 120 - - - 146 -
2 125 121 120 122 0,2 122,2 152 5
3 129 123 121 125 0,5 125,5 158 4
4 124 123 121 125 2 127 164 8
5 130 124 122 127 3 130 171 0
6 140 127 123 132 6 138 177 5
7 128 128 124 131 5 136 183 63
8 136 129 125 134 5 139 189 9
9 142 132 126 137 7 144 196 5
10 130 131 127 136 5 141 202 115
11 135 132 128 136 5 141 208 34
12 144 135 130 140 6 146 214 3
1583 251

Grafik Plot Data Permintaan

150 Demand

SES
Permintaan (unit)

140
DES
130
Hasil
ramalan: 20
Halaman
120

110
 Peramalan

Gambar 2.6.
Grafik data permintaan, SES, DES dan hasil peramalannya.

Untuk memilih  yang tepat caranya juga secara trial & error. Dicari nilai 
yang bisa meminimumkan mean squared error. Metode double exponential
smoothing ini biasanya lebih tepat untuk meramalkan data yang mengalami
trend kenaikan. Daro gambar 2.6. jelaslah bahwa data hasil peramalan
mendekati data aktual dengan trend naik (positif).

2.7. Metoda Regresi

Metode regresi sederhana ini kita berusaha menemukan pola hubungan

antara variabel dependen y dengan satu variabel independen x yang secara
garis lurus dinyatakan sebagai berikut :
Y = a + bX
dimana :
Y = dependent variabel, misalnya permintaan akan kopi ABC;
X = independent variabel, misalnya harga kopi ABC;
a = intercept atau konstanta;
b = koefisien regresi yang menunjukkan tingkat perubahan Y apabila
X mengambil nilai tertentu;
e = variabel pengganggu yang menunjukkan perbedaan nilai
taksiran Y dengan nilai asli Y.

Langkah selanjutnya adalah melakukan penaksiran terhadap koefisien a

dan b. Memang terdapat banyak metoda untuk melakukan penaksiran,
antara lain adalah :
• Metode kudrat terkecil atau ordinary least square estimation (OLSE);
• Metode kemungkinan maksimum atau maximum likelihood
estimation (MLE);
• Penaksiran tak bias linear terbaik atau best linear unbased
estimation (BLUE);

Halaman : 21
 Peramalan

Dalam buku ini hanya menggunakan OLSE sebagai cara penaksiran

sedangkan cara-cara lainnya seperti MLE dan BLUE dipersilahkan
pembaca memperdalamnya dari buku-buku teks statistik dan ekonometri.

Langkah-langkah yang perlu ditempuh dalam upaya melakukan peramalan

menggunakan regresi sederhana ini adalah sebagai berikut :
a. Menentukan variabel yang relevan secara teoritis untuk dijadikan
variabel penjelasan;
b. Menentukan pola hubungan antara kedua variabel itu, misalnya
linear atau nonlinear;
c. Melalukan penaksiran terhadap koepisien regresi a dan b;
d. Menguji koefisien regresi penaksiran a dan b dalam tarap
signifikansi tertentu;
e. Menghitung koefisien korelasi sederhana antara kedua variabel itu
untuk mengetahui tingkat keeratan hubungannya;
f. Menghitung koefisien determinasi untuk mengetahui beberapa
persen dari pada variasi total dapat dijelaskan oleh variabel
penjelasan;
g. Melakukan peramalan terhadap variabel Yapabila variabel X
mengambil nilai tertentu, sebab diasumsikan bahwa variabel
dependen dianggap stokastik sedangkan variabel independen
adalah nonstokastik.

2.7.1. Spesifikasi Variabel dan Pola Hubungan

Misalnya yang ingin diramal itu adalah akan permintaan akan kopi dengan
merek ABC, yang secara teoritis dipengaruhi oleh kegiatan promosi bagi
kopi tersebut,dengan mengasumsikan bahwa variabel-variabel lainnya
tetap. Artinya dengan menggunakan model linear, hubungan kedua variabel
ini dinyatakan;

Yt = a + bX t

Dimana :
Yt = permintaan akan kopi ABC pada periode t
Xt = biaya promosi untuk kopi ABC pada periode t

2.7.2. Menentukan Koefisien Regresi

Menentukan koefesien regresi, hasil penjabaran penaksiran didapat

persamaan-persamaan sebagai berikut :

Halaman : 22
 Peramalan

k k

n y i i  n (x i i − x) yi
a= i =1
k b= i =1
k

n
i =1
i  n (x
i =1
i i − x) 2

Contoh kasus 3 :
Hasil penjualan produk kopi ABC, apakah mengikuti besarnya biaya
promosi yang diberikan. Dari data tersebut apa ada keterkaitan bahwa
kenaikan penjualan terhadap kenaikan biaya promosi. Tabel 2.7. di bawah
ini menunjukkan data hasil penjualan dengan biaya promosi kopi ABC.

Tabel 2. 7. Penjualan dan biaya promosi kopi ABC

Tahun Biaya promosi (x) Penjualan (y)

1 166 352
2 153 373
3 177 411
4 201 441
5 216 462
6 208 490
7 227 529
8 238 577
9 268 641
10 274 743

Grafik Data penjualan (Y) dan biaya promosi (x)

800
700
600
Rupiah (ribuan)

500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10
Tahun
Biaya promosi (x)
Penjualan (y) Halaman : 23
 Peramalan

Gambar 2.7. Plot data antara penjualan (y) dan biaya promosi (x)

Tabel 2.8. Perhitungan peramalan dengan metoda regresi.

Biaya Harga
Tahun n.Y (x - x) n.(x - x) n.(x - x)2 Yt
promosi (X) Jual (Y)
1 166 352 352 -46.80 -46.80 2190.24 567.48
2 153 373 746 -59.80 -119.60 7152.08 573.81
3 177 411 1233 -35.80 -107.40 3844.92 580.14
4 201 441 1764 -11.80 -47.20 556.96 586.47
5 216 462 2310 3.20 16.00 51.20 592.80
6 208 490 2940 -4.80 -28.80 138.24 599.13
7 227 529 3703 14.20 99.40 1411.48 605.46
8 238 577 4616 25.20 201.60 5080.32 611.79
9 268 641 5769 55.20 496.80 27423.36 618.12
10 274 743 7430 61.20 612.00 37454.40 624.45
55 2128 5019 30863 0.00 1076.00 85303.20 5959.65
n Jumlah Jumlah
212.80 501.90 561.15 6.33
Rata-rata Rata-rata a B

Jadi persamaan regresinya :

Y = 561,15 + 6,33 X t
Grafik Data penjualan (Y) dan biaya promosi (x)
800
700
600
Rupiah (ribuan)

500
400
300 Halaman : 24
200
100
0
 Peramalan

Gambar 2.7.Grafik penjualan masa lalu dengan penjualan hasil

peramalan tahun mendatang.

Dalam analisis korelasi untuk menentukan variabel mana yang adianggap

sebagai variabel y dan yang lain sebagai variabel x. Biasanya diipilih suatu
hubungan fungsional yang mempunyai arti prektis tertentu. Dari persamaan
regrsi di atas variabel y sebagai fungsi penjualan dan variabel x sebagai
variabel perubah. Jelas dari persamaan itu ada korelasi (keterkaitan),
karenma perubahan variabel x akan menyebabkan nilai penjualan akan
berubah.

Tugas :

1. Data pesanan produk dari rotan didasarkan hasil penjualan enam bulan
sebelumnya PT. ABC adalah sebagai berikut : Xt : data penjualan, t :
bulan.

T 1 2 3 4 5 6
Xt 115 125 123 127 141 159

Pertanyaan : asumsi : k = 0,8 dan 0,2

A. Buatkan masing-masing peramalan bulan ke-7 s/d 12 untuk tahun
tersebut dengan method Exponential smoothing ganda satu
parameter dari Brown ?
B. Hitung tingkat penyimpangan (keandalan) dengan metoda SSE ?
C. Buat grafik data sebelum peramalan dan setelah hasil peramalan
(antara data masa lalu dengan data hasil peramalan.
D. Formulasi model persamaan peramalan baru.

2. Data hasil penjualan (yt) dan biaya promosi (Xt) dengan data seperti
dalam tabel di bawah ini.

Periode(t) Yt Xt

Halaman : 25
 Peramalan

1 100 40
2 200 50
3 300 50
4 400 70
5 500 65
6 600 65
7 700 80

a. Buatkan persamaan regresi ?

b. Hitung tingkat nilai penyimpangan (keandalan) dengan metoda
SSE ?
c. Buat grafik data masa lalu dengan hasil peramalan dengan
metoda regresi tersebut ?

Halaman : 26