1.

Metode Regresi Linier Sederhana

Cari dulu apakah kedua variabel tersebut ada hubungan linear atau tidak

Tentukan terlebih dahulu variabel independent (x) dan variabel dependennya (y). Dalam
peramalan ini diasumsikan bahwa variabel yang diramalkan menunjukan suatu hubungan
penyebab akibat dengan satu variabel bebas lainnya.

Membuat diagram pencar dari data x dan y

Dari diagram pencar tersebut akan diperoleh gambaran pola tebaran x dan y.apakah
membentuk hubungan linear?jika ya,maka model regresinya adalah regresi linear
sederhana,kalau tidak linear bias dicari regresinya. Pola yang ditunjukan dengan analisa
regresi yang sederhana mengasumsikan bahwa hubungan diantara 2 variabel dapat
dinyatakan dengan suatu garis lurus. Notasi regresi sederhana yang merupakan haris lurus
itu menurut Assauri dinyatakan sebagai berikut= Y'abX

Menghitung a dan b. Untuk mendapatkan nilai a dan b maka bisa dipakai rumus :

Menghitung Y'abX ,dimana Y'= estimasi harga y jika x disubtitusikan kedalam

persamaan regresi.

Membuat garis y^=a+bx  pada sumbu x dan y

2. Metode rata – rata bergerak

A. Metode rata – rata bergerak sederhana
Data runtun waktu yang berpola stationer dinyatakan dengan model :
x t= β+ ε t ; t =1,2 , … ,T
Dimana :
x t = pengamatan /data tentang x pada periode t
β = parameter yang tidak diketahui
ε t = galat random pada periode t; ε t N (0 , σ 2ε )
ε 1 , ε 2 , … , ε τ independen

Langkah – langkah metode rata – rata sederhana

1. Menaksirkan β diakhir periode T (pada saat T)

Dengan cara MT (dinamakan rata rata bergerak di periode N pada saat periode N maka
disebut RSB-N.
T
1
MT= ∑ x
N t=T− N +1 t
Selanjutnya untuk penaksiran E( x t )
x ' T +τ =M T ; T =N , N +1 , N + 2, …
2. Menghitung M T
Begitu kita menentukan untuk menggunakan metode RSB-N maka kita perlu menghitung
harga M T untuk setiap harga T mulai dari N, N +1 , N + 2, … dan seterusnya dengan rumus :
1
M N = ( x 1 + x 2+ …+ x n)
N
1
M N +1=M N + ( x N +1−x 1)
N
1
M N +2=M N +1+ ( x N +1−x 1)
N
1
M T =M T −1+ ( x T − xT −N )
N

B. Metode rata – rata bergerak orde-2 (RB2)

Metode rata – rata bergerak yang diterapkan pada model linier sederhana atau model
trend linier, dinyatakan dengan model :
x t= β1 + β 2 t +ε t ; t=1,2, … , T
Dimana :
x t = pengamatan /data tentang x pada periode t
β 1 , β 2 = parameter yang tidak diketahui
ε t = galat random pada periode t; ε t N (0 , σ 2ε )
ε 1 , ε 2 , … , ε τ independen
Langkah – langkah metode rata – rata bergerak orde 2
1. Menaksirkan β 1 , β 2 pada saat T
Dilakukan dengan heuristik (tidak didasarkan pada suatu kriteria optimal tertentu tapi
berdasar hubungan – hubungan yang logis). Maka menaksirkan β 1 , β 2 diakhir periode T
2
berturut – turut oleh b 1 [ T ]=2 M T −M (T2)−T .b 2 [T ] dan b 2 T = {M T −M (T2 ) }
N −1
Kemudian untuk penaksi E(xT)
x ' T =b1 [ T ] + T . b2 T
2. Menghitung M T
Begitu kita menentukan untuk menggunakan metode RB2-N maka kita perlu menghitung
harga M T untuk setiap harga T mulai dari N, N +1 , N + 2, … dan harga M (T2 ) untuk setiap
T=2N-1,2N, 2N+1, ... seterusnya dengan rumus :
1
M (22N) −1 = ( M N + M N +1 + M N +2 +…+ M 2 N −1)
N
1
M 2 N =M (22N) −1 + ( M 2 N −M N )
(2 )
N
1
M (22N) =M (22N) −1 + ( M 2 N+1 −M N +1)
N
1
M (T2 )=M (T−1 2)
+ ¿
N

3. Metode Penghalusan Eksponensial Sederhana (PES)

• Misalkan kita mempunyai runtun waktu dengan pola stasioner:
 xt =  + t ; t = 1, 2, … , T
dengan : xt = pengamatan x pada periode t
 = parameter yang tidak diketahui
t = periode
t = galat random pada periode t
dan 1, 2, …., t independen
langkah – langkah yang perlu dilakukan adalah
1. Menaksirkan titik atau harga  dengan metode PES adalah meminimumkan JKG
random dimana bobot galat berbanding terbalik dengan usia pengamatan sehingga
bobot setiap galat tidak sama, maka JKG tersebut dinamakan JKG random tertimbang
(JKGRT).
Misalkan b[T] penaksir untuk  di akhir periode T (pada saat T), dengan cara
meminimumkan:
T
JKGRT    T t ( xt   ) 2
t 1 dengan 0 <  < 1 dan T- t merupakan bobot dari .
• Dengan meminimumkan JKGRT, maka taksiran untuk  adalah:
b[T] = (1 - ) xt +  . b[T – 1] , T=1, 2, 3, …
• Jika kita tuliskan  = 1 -  dan ST = b[T], maka diperoleh :
ST =  xT + (1 - ) ST-1 , 0 <  < 1
dengan ST = statistik penghalus sederhana
 = konstanta penghalus.
S0 = taksiran awal bagi  (harga awal penghalusan)
• Karena taksiran untuk  pada saat T adalah b[T] = ST, maka taksiran untuk E(xT)

berdasarkan metode PES adalah:

xˆT  ST ; T 1, 2,3,....

• Ramalan harga x pada periode (T+) yang dibuat di akhir periode T adalah:

xˆT  [T ]  ST untuk setiap T = 0, 1, 2, 3, …. dan  = 1, 2, 3, …

2. Menentukan harga awal So dengan cara :

- Jika tersedua data historis So maka adalah rata –rata dari data histpry tersebut.
Yang dimaksud daya historis adalah data runtun waktu yang tersedia sebelum
proses penghalusan /peremajaan dimulai
- Jika tidak tersedia data historis, maka So ditentukan berdasarkan pengalaman atau
intuisi ayai pun berdasarkan cara subjektif yang lain
3. Menghitung harga ST
 Perhitungan harga ST, untuk setiap T = 0, 1, 2, 3,…., adalah:
S0  rata-rata data historis
S1   x1  (1   ) S 0
S 2   x2  (1   ) S1

ST   xT  (1   ) ST 1

4. Metode Penghalusan Langsung

• Data runtun waktu dengan pola regresi linier:
k
xt   i zi [t ]   t ; t 1, 2,..., T
i 1

dengan : xt = pengamatan x pada periode t

i = parameter yang tidak diketahui
Zt[t] = fungsi dari waktu t, yaitu polinom atau trigonometri
t = periode dengan T yang cukup besar
t = galat random pada periode t
k ≤ T ε t (0 , σ ε ) dan 1, 2, …., t independen
2

Bobot dari σ 2ε adalah T-t ; 0 <  < 1.

Konstanta  disebut faktor penyusut
Langkah langkah dalam metode penghalusan langsung adalah sebagai berikut :
1. Menaksirkan titik
Model persamaan diatas dapat ditulis dalam bentuk:
  
x  Z [T ]   
Dimana :

x   1   1 
x     
 
x  2 ;   2 ; dan    2 
 
     
     
 xT   k   T 
• Untuk menaksir parameter 1, 2, …, t dilakukan dengan meminimumkan Jumlah
Kuadrat Galat Random Tersusut (JKGRT), diperoleh :
 
b [T ]  G 1 [T ] g [T ]
dimana:
  T 1 0................0 
 
0  T  2 0.........0 
W   ............................ 
 
G [T ]  Z  [T ]W Z [T ]  0.............0  1 0 
   
g[T]= Z[T]W x  0 .................. 0 1 
2. Membuat Matriks keadaan setimbang
• Untuk memudahkan peremajaan taksiran parameter, periode awal yang semula pada
t=0 kita pindahkan ke t=T saat dilakukan peremajaan. Matriks keadaan setimbang dari
model regresi linier
k
xt   1 z1[t ]   t ; t  1, 2,..., T
i 1
adalah:
T 1  
G[T ]    j Z [ j ] Z  [ j ]
j 0

dengan
 Z1[ j ] 
 
 Z [ j ]   
Z [ j ]   2      dan Z [ j ]  adalah transpose dari Z [ j ].
  
 
 Z k [ j ] 
3. Membuat matriks transisi

Selanjutnya untuk menghitung vektor a[T ] dari i:
 
a[T ]  G 1 g[T ]

juga masih memerlukan perhitungan vektor g[T ]
pada setiap periode T.
Untuk menghindari ini, kita perlu matriks transisi L:
 
Z [t  1]  L Z [t ]
dengan L adalah matriks transisi berukuran (k x k)
4. Mencari vektor penghalus
5. Cara mencari vektor pada setiap periode T,
6. Dalil 1
Jika vektor
  
g[T ]   L1 g[T 1]  xT Z [0] maka vektor
  
a[T ]   G 1 L1 G a[T 1]  xT G 1 Z [0]
Dalil 2
 
Jika h  G 1
Z [0] dan e1[T ]  xT  xˆT [T 1] galat ramalan periode T yang dibuat di
  
akhir periode (T – 1), maka
a[T ]  L a[T  1]  h e1[T ]
 
Vektor
h  G 1 Z [0] dinamakan vektor penghalus

5. Penelusuran Jejak
A. Galat yang diperhalus
Hipotesis:

H 0 = ramalan bersifat bias

H1 = ramalan bersifat takbias

hipotesis ini dapat dirumuskan sebagai berikut:

H 0 =E ( e T [ T −1 ] ) =0 untuk setiap T
H 1=E ( e T [ T −1 ] ) ≠0 untuk suatu T
 dengan
Ε ( e T [ T −1 ] )
= Q [T ] , yakni galat yang diperhalus
Bila digunakan metode penghalusan eksponensial dengan konstanta penghalus α , maka
Q [ T ] =α e T [ T-1 ] −( 1+α ) Q [ T-1 ]

Bila digunakan metode penghalusan langsung dengan faktor penyusut  maka:

Q [ T ] =( 1−λ ) eT [ T-1 ] + λ Q [ T-1 ]

dengan Q [ 0 ]=0

B. Statistik Penghalus Jejak

Taksiran harga Var ( Q [ T ] ) adalah

ˆ  Q  T  = α ˆ  e  T-1 
Var Var
 2-α 
2 T

α π 2
= Δ  T
 2-α 
2
2

Statistik penelusur jejak pada saat T atau disingkat SPJ[T].

Q [T ]
SPJ [ T ] =
Δ̄ [ T ]

α π
Hipotesis
H 0 ditolak pada tingkat signifikansi y, jika
|SPJ [ T ]|>u y /2 .
√ 2 ( 2-α )
2

Pemeriksaan Data Pencilan

A. Beberapa Kemungkinan Terjadinya Ramalan yang Bias
Apablla statistik penelusur jejak SPJ[T] melewati batas yang dijinkan untuk 2 (atau lebih)
periode berturut-turut, maka hal ini merupakan pertanda kuat bahwa dalam sistem
peramalan ada sesuatu yang tidak beres. Oleh karena itu diperlukan suatu tindakan
perbaikan. Tindakan yang diambil tentu tergantung pada apa yang harus diperbaiki. Ada
beberapa kemungkinan yang patut diperhatikan mengapa ramalan bersifat bias (SPJ[T]
melewati batas yang dijinkan atau berada pada daerah kritis),
1. Model yang digunakan sudah cukup baik, tetapi penaksiran parameternya belum baik
sebab parameternya merupakan fungsi dari waktu. Dalam hal ini penaksiran parameter
perlu diperbaiki misalnya dengan memperbesar konstanta penghalus untuk beberapa
periode sampai diperoleh kembali ramalan tak bias. Setelah itu dapat kita gunakan
kembali konstanta penghalus yang semula.
2. Ramalan yang bias pada suatu periode T mungkin disebabkan karena data pengamatan

xT berasal dari pola runtun waktu yang berbeda. Artinya

xT merupakan data
pencilan (outlier).
3. Model yang digunakan tidak cukup baik menggambarkan pola runtun waktu. Dalam hal
ini mungkin ada beberapa variabel bebas yang harus ditambahkan ke dalam model.
Atau mungkin ada beberapa variabel bebas yang harus di buang dari model. Untuk
memperbaiki model, diperlukan pemahaman teori yang berada diluar cakupan
matakuliah ini.

4. Variasi dari
ε t tidak konstan. Dalam hal ini Var ( ε t ) sebanding dengan t, dapat kita
gunakan konstanta penghalus yang lebih besar. Hal ini akan mempengaruhi harga
SPJ[T] dan daerah kritisnya. Dengan demikian diharapkan ramalan menjadi tak bias.
Dari uraian di atas maka yang patut diperhatikan lebih lanjut adalah pengujian kehadiran
data pencilan.

Statistik Pemeriksaan Data Pencilan

Data pencilan dapat mengakibatkan ramalan yang bias. Karena sifat data pencilan yang
berbeda dengan kelompok data yang lain, maka data pencilan harus ditangani tersendiri
atau mungkin harus dikeluarkan dari proses peramalan.
Statistik pemeriksaan data pencilan pada saat T adalah :

e T [ T-1 ]
S PP [ T ] =| |
Δ^ [ T ]

π
x T adalah data pencilan, Jika S PP [ T ] >k 2 √ dengan k=2 atau lebih.

π
Harga
k
√ 2 dinamakan titik kontrol.

Sumber :
BMP Metode Peramalan
Materi Inisiasi 1-8