Translated Copy of Business Forecasting - Exploring Data

MENJELAJAHI POLA DATA
DAN PENGANTAR UNTUK

TEKNIK PERAMALAN
Salah satu bagian peramalan yang paling memakan waktu dan sulit adalah pengumpulan
data yang valid dan andal. Petugas pengolah data gemar menggunakan ungkapan “garbage
in, garbage out” (GIGO). Ungkapan ini juga berlaku untuk peramalan. Fore cast tidak bisa
lebih akurat daripada data yang menjadi dasarnya. Model peramalan yang paling canggih
akan gagal jika diterapkan pada data yang tidak dapat diandalkan.
Kekuatan dan kapasitas komputer modern telah menyebabkan akumulasi jumlah data
yang luar biasa di hampir semua subjek. Tugas sulit yang dihadapi sebagian besar peramal
adalah bagaimana menemukan data yang relevan yang akan membantu memecahkan
masalah pengambilan keputusan khusus mereka.
Empat kriteria dapat diterapkan saat menentukan apakah data akan berguna:
1. Data harus andal dan akurat. Perawatan yang tepat harus diambil bahwa data
dikumpulkan dari sumber yang dapat dipercaya dengan perhatian yang tepat diberikan
untuk akurasi.
2. Data harus relevan. Data harus mewakili keadaan di mana mereka digunakan.
3. Data harus konsisten. Ketika definisi tentang pengumpulan data berubah, penyesuaian
perlu dilakukan untuk mempertahankan konsistensi dalam pola historis. Ini bisa
menjadi masalah, misalnya, ketika instansi pemerintah mengubah bauran atau
“keranjang pasar” yang digunakan dalam menentukan indeks biaya hidup.
Bertahun-tahun yang lalu komputer pribadi bukanlah bagian dari campuran produk
yang dibeli oleh konsumen; sekarang mereka.
4. Data harus tepat waktu. Data yang dikumpulkan, dirangkum, dan dipublikasikan secara
tepat waktu akan menjadi nilai terbesar bagi peramal. Mungkin ada terlalu sedikit data
(tidak cukup sejarah yang menjadi dasar hasil masa depan) atau terlalu banyak data
(data dari periode sejarah yang tidak relevan jauh di masa lalu).
Secara umum, ada dua jenis data yang menarik bagi peramal. Yang pertama adalah data
yang dikumpulkan pada satu titik waktu, baik itu satu jam, sehari, seminggu, sebulan, atau
seperempat. Yang kedua adalah pengamatan data yang dilakukan dari waktu ke waktu.
Ketika semua pengamatan berasal dari periode waktu yang sama, kami
menyebutnyacross-sectionaldata. Tujuannya adalah untuk memeriksa data tersebut dan
kemudian mengekstrapolasi atau memperluas hubungan yang terungkap ke populasi yang
lebih besar. Menggambar sampel acak file personalia untuk mempelajari keadaan karyawan
perusahaan adalah salah satu contohnya. Mengumpulkan data tentang usia dan biaya
pemeliharaan sembilan bus Otoritas Transit Spokane saat ini adalah hal lain. Diagram pencar
seperti Gambar 1 membantu kita memvisualisasikan hubungan dan menyarankan usia dapat
digunakan untuk membantu memperkirakan anggaran pemeliharaan tahunan.
Dari Bab 3 dariPeramalan Bisnis, Edisi Kesembilan. John E. Hanke, Dekan W. Wichern. Hak Cipta ©
2009 oleh Pearson Education, Inc. Semua hak dilindungi undang-undang.
15
Menjelajahi Pola Data dan Pengantar Teknik Peramalan
GAMBAR 1Diagram Pencar Umur dan Biaya Pemeliharaan untuk
Sembilan Bus Otoritas Transit Spokane
Cross-sectionaldata adalah pengamatan yang dikumpulkan pada satu titik waktu.
Variabel apa pun yang terdiri dari data yang dikumpulkan, direkam, atau diamati selama
pertambahan waktu yang berurutan disebut aderet waktu.Produksi bir bulanan A.S
contoh time series.
Aderet waktuterdiri dari data yang dikumpulkan, direkam, atau diamati selama suc
peningkatan waktu yang signifikan.
MENJELAJAHI POLA DATA DERET WAKTU
Salah satu langkah terpenting dalam memilih metode peramalan yang tepat untuk
data deret waktu adalah dengan mempertimbangkan berbagai jenis pola data. Biasanya ada
empat jenis pola umum: horizontal, tren, musiman, dan siklus.
Ketika data yang dikumpulkan dari waktu ke waktu berfluktuasi di sekitar tingkat atau rata-rata yang konstan, a
horisontalpola ada.Jenis seri ini dikatakantidak bergerakdalam artiannya. Bulanan
penjualan untuk produk makanan yang tidak meningkat atau menurun secara konsisten dalam waktu yang lama
periode akan dianggap memiliki pola horizontal.
Ketika data tumbuh atau menurun selama beberapa periode waktu, akecenderunganpola ada. Gambar 2
menunjukkan pertumbuhan (tren) jangka panjang dari variabel deret waktu (seperti biaya perumahan)
dengan poin data terpisah satu tahun. Garis tren linier telah ditarik untuk menggambarkan hal ini
pertumbuhan. Meskipun biaya perumahan variabel tidak meningkat setiap tahun, bergerak
ment variabel umumnya naik antara periode 1 dan 20. Contoh
kekuatan dasar yang mempengaruhi dan membantu menjelaskan kecenderungan suatu rangkaian adalah pertumbuhan
penduduk,
inflasi harga, perubahan teknologi, preferensi konsumen, dan peningkatan produktivitas.
16
25
Puncak Siklus
20
HAI
15
Garis TrenLembah Siklus
10
0 10
20
Tahun
GAMBAR 2Komponen Tren dan Siklus dari Deret Waktu

Tahunan Seperti Biaya Perumahan
Banyak variabel ekonomi makro, seperti produk nasional bruto (GNP) AS,
ketenagakerjaan, dan produksi industri menunjukkan perilaku seperti tren. Gambar 10 berisi
contoh time series lain dengan tren yang berlaku. Angka ini menunjukkan pertumbuhan
pendapatan usaha Sears dari tahun 1955 hingga 2004.
Itukecenderunganadalah komponen jangka panjang yang mewakili pertumbuhan atau

penurunan deret waktu selama periode waktu yang diperpanjang.
Ketika pengamatan menunjukkan naik dan turun yang bukan periode tetap, pola siklus
adakomponen siklusadalah fluktuasi mirip gelombang di sekitar tren yang biasanya
dipengaruhi oleh kondisi ekonomi secara umum. Komponen siklis, jika ada, biasanya
menyelesaikan satu siklus selama beberapa tahun. Fluktuasi siklus sering dipengaruhi oleh
perubahan ekspansi dan kontraksi ekonomi, yang biasa disebut sebagai siklus bisnis.
Gambar 2 juga menunjukkan time series dengan komponen siklis. Puncak siklus pada tahun
ke-9 menggambarkan ekspansi ekonomi dan lembah siklus pada tahun ke-12
menggambarkan kontraksi ekonomi.
Itukomponen siklusadalah fluktuasi mirip gelombang di sekitar tren.
Ketika pengamatan dipengaruhi oleh faktor musiman, ada pola musiman. Itukomponen
musimanmengacu pada pola perubahan yang berulang dari tahun ke tahun. Untuk seri
bulanan, komponen musiman mengukur variabilitas seri setiap Januari, setiap Februari, dan
seterusnya. Untuk rangkaian triwulanan, ada empat elemen musiman, satu untuk setiap
triwulan. Gambar 3 menunjukkan penggunaan listrik untuk Washington
17
Penggunaan Listrik untuk Tenaga Air Washington: 1980–1991
1.100
1.000
900
menghadapi
Di dalam
dulu
K 1980 1982 1984 1986

800
1988 Tahun
700
600
500 1990
GAMBAR 3Penggunaan Listrik untuk Tenaga Air Washington

Perusahaan, 1980–1991
Pelanggan perumahan Water Power tertinggi pada kuartal pertama (bulan-bulan musim dingin).
setiap tahun. Gambar 14 menunjukkan bahwa penjualan triwulanan untuk Coastal Marine biasanya rendah
pada kuartal pertama setiap tahun. Variasi musim dapat mencerminkan kondisi cuaca,
jadwal sekolah, hari libur, atau panjang bulan kalender.
Itukomponen musimanadalah pola perubahan yang berulang dari tahun ke tahun.
MENJELAJAHI POLA DATA DENGAN ANALISIS AUTOKORELASI
Ketika suatu variabel diukur dari waktu ke waktu, pengamatan dalam periode waktu yang berbeda adalah bebas
sangat terkait atau berkorelasi. Korelasi ini diukur dengan menggunakan autokorelasi
koefisien.
Autokorelasiadalah korelasi antara variabel yang tertinggal satu kali atau lebih
periode dan dirinya sendiri.
Pola data, termasuk komponen seperti tren dan musiman, dapat dipelajari
menggunakan autokorelasi. Pola dapat diidentifikasi dengan memeriksa autokorelasi
koefisien tion pada jeda waktu yang berbeda dari suatu variabel.
Konsep autokorelasi diilustrasikan dengan data yang disajikan pada Tabel 1. Catatan
DANT-1 DanDANT-2
bahwa variabel sebenarnya adalahDANnilai-nilai yang telah tertinggal oleh satu dan
dua periode waktu, masing-masing. Nilai untuk bulan Maret, yang ditampilkan pada baris untuk
DANT=125DANT-1=130
periode waktu 3, adalah penjualan Maret, ; Penjualan Februari, ; dan penjualan Januari,
DAN.T-2=123
18
Menjelajahi Pola Data dan Pengantar Teknik PeramalanTABEL 1Data
VCR untuk Contoh 1
Waktu Y Tertinggal Y Tertinggal

t Bulan Satu Periode Dua Periode
Data Asli Y T YT-1 YT-2
1 Januari 123
2 Februari 130 123
3 Maret 125 130 123
4 April 138 125 130
5 Mei 145 138 125
6 Juni 142 145 138
7 Juli 141 142 145
8 Agustus 146 141 142
9 September 147 146 141
10 Oktober 157 147 146
11 Nopember 150 157 147
12 Desember 160 150 157
Persamaan 1 adalah rumus untuk menghitung lagkkoefisien autokorelasi (Rk)DANT-k

antara observasi,DANTdan itukperiode terpisah.
N
A 1DANT-k-DAN
T=k+1
2 k=0, 1,
Rk= (1)
1DANT-DAN2 2,Pada
N
AT=1
1DANT-DAN22
Di mana
Rk=koefisien autokorelasi untuk lagkperiode

DAN=rata-rata dari nilai deret tersebut
DANT=pengamatan dalam periode waktuT
DANT-k=pengamatankperiode waktu sebelumnya atau pada periode waktuT-k
Contoh 1
Harry Vernon telah mengumpulkan data jumlah VCR yang terjual tahun lalu oleh Toko Musik
Vernon. Data tersebut disajikan pada Tabel 1. Tabel 2 menunjukkan perhitungan yang mengarah
pada perhitungan koefisien autokorelasi lag 1. Gambar 4 berisi diagram pencar dariDANT,DANT-1
pasangan pengamatan ( ). Jelas dari diagram pencar bahwa korelasi lag 1 akan positif.
Koefisien autokorelasi lag 1 (R1), atau autokorelasi antaraDANTDan ,
dihitung dengan menggunakan total dari Tabel 2 DANT-1
dan Persamaan 1. Jadi,N
A -DAN2N
T=1+1 1.474=.572
1DANT-1-D
=843
AN21DANT
R1=
AT=1 AN22
1DANT-D
Seperti yang disarankan oleh plot pada Gambar 4, autokorelasi lag 1 positif ada saat
iniDANT-1
seri. Korelasi antaraDANTdan atau autokorelasi untuk jeda waktu 1, adalah 0,572. Ini berarti
bahwa penjualan VCR bulanan berturut-turut agak berkorelasi satu sama lain. Informasi ini
mungkin memberi Harry wawasan berharga tentang deret waktunya, dapat membantunya bersiap
untuk menggunakan metode peramalan lanjutan, dan mungkin memperingatkannya tentang
penggunaan analisis regresi dengan datanya.
19
MEJA 2 Perhitungan Koefisien Autokorelasi Lag 1

untuk Data pada Tabel 1
Waktu t Y TDANT-11DANT-DAN2 1DANT-1-DAN2 1DAN-DAN22(DANT–1——

(dan dan)T-DAN2
1 123 — –19 — 361 —
2 130 123-12-19 144 228
3 125 130-17-12 289 204
4 138 125-4-17 16 68
5 145 138 3-4 9-12
6 142 145 0 3 0 0
7 141 142-1 0 1 0
8 146 141 4-1 16-4
9 147 146 5 4 25 20
10 157 147 15 5 225 75
11 150 157 8 15 64 120
12 160 150 18 8 324 144
Jumlah 1.704 0 1.474 843
DAN=1.704
12=142
R1=843
1.474=.572
Koefisien autokorelasi orde kedua (R2), atau korelasi antaraDANTDan

DANT-2 Persamaan 1.N
untuk data Harry, juga
dihitung menggunakan
A 1DANT-DA N21DANT-2
R2= T=2+1
-DAN2
1.474=.463
=682
N
A
T=1
DAN
1DANT-DAN22
DANT 1
GAMBAR 4Diagram Pencar untuk Data Toko Musik Vernon untuk

Contoh 1
20
Tampaknya ada autokorelasi sedang dalam deret waktu ini yang tertinggal dua periode
waktu. Korelasi antaraDANTdan , atau autokorelasi untuk jeda waktu 2, adalah 0,463. Melihat
DANT-2
bahwa koefisien autokorelasi pada time lag 2 (0,463) lebih kecil daripada koefisien autokorelasi
pada time lag 1 (0,572). Umumnya, sebagai jumlah jeda waktu (k) meningkat, besarnya koefisien
autokorelasi menurun.
Gambar 5 menunjukkan plot autokorelasi versus jeda waktu untuk data Harry Vernon
yang digunakan dalam Contoh 1. Skala horizontal di bagian bawah grafik menunjukkan
setiap jeda waktu yang diinginkan: 1, 2, 3, dan seterusnya. Skala vertikal di sebelah kiri
menunjukkan kisaran yang mungkin dari koefisien autokorelasi,-1 ke 1. Garis horizontal di
tengah grafik menunjukkan autokorelasi nol. Garis vertikal yang memanjang ke atas di atas
jeda waktu 1 menunjukkan koefisien autokorelasi sebesar 0,57, atau . Garis vertikal yang
memanjang ke atas
R1=.57
di atas jeda waktu 2 menunjukkan koefisien autokorelasi sebesar 0,46, atau . Garis putus-putus
R2=.46
dan T (test) dan LBQ (Ljung-BoxQ) statistik yang ditampilkan di jendela Sesi akan dibahas
di Contoh 2 dan 3. Pola dalam korelogram digunakan untuk menganalisis fitur utama data,
sebuah konsep yang ditunjukkan di bagian selanjutnya. Paket komputer Minitab (lihat bagian
Aplikasi Minitab di akhir bab untuk petunjuk khusus) dapat digunakan untuk menghitung
korelasi otomatis dan mengembangkan korelasiogram.
Itucorrelogramataufungsi autokorelasiadalah grafik autokorelasi untuk berbagai lag

dari deret waktu.
GAMBAR 5Correlogram atau Fungsi Autokorelasi untuk Data

Digunakan dalam Contoh 1
21
Dengan tampilan seperti pada Gambar 5, pola data termasuk trend dan sea sonality
dapat dipelajari. Koefisien autokorelasi untuk jeda waktu yang berbeda untuk suatu variabel
dapat digunakan untuk menjawab pertanyaan berikut tentang deret waktu:
1. Apakah datanya acak?
2. Apakah data memiliki kecenderungan (apakah tidak stasioner)?
3. Apakah data stasioner?
4. Apakah data bersifat musiman?
DANT-k
Jika suatu deret acak, autokorelasi antaraDANTdan untuk jeda waktu apa punkmendekati
nol. Nilai berurutan dari deret waktu tidak terkait satu sama lain. Jika rangkaian memiliki
tren, pengamatan berurutan sangat berkorelasi, dan koefisien korelasi otomatis biasanya
berbeda secara signifikan dari nol untuk beberapa jeda waktu pertama dan kemudian secara
bertahap turun menuju nol saat jumlah jeda meningkat. Koefisien autokorelasi untuk selang
waktu 1 seringkali sangat besar (mendekati 1). Koefisien autokorelasi untuk jeda waktu 2
juga akan besar. Namun, itu tidak akan sebesar jeda waktu 1.
Jika suatu rangkaian memiliki pola musiman, koefisien autokorelasi yang signifikan
akan terjadi pada jeda waktu musiman atau kelipatan dari jeda musiman. Lag musiman
adalah 4 untuk data triwulanan dan 12 untuk data bulanan.
Bagaimana seorang analis menentukan apakah koefisien autokorelasi secara signifikan
berbeda dari nol untuk data Tabel 1? Quenouille (1949) dan lainnya telah menunjukkan
bahwa koefisien autokorelasi dari data acak memiliki distribusi sampling yang dapat
didekati dengan kurva normal dengan rata-rata nol dan 1> 1N
perkiraan standar deviasi dari.Mengetahui hal ini, analis dapat membandingkan koefisien
autokorelasi sampel dengan distribusi sampling teoretis ini dan menentukan apakah, untuk
jeda waktu tertentu, mereka berasal dari populasi yang rata-ratanya nol.
Sebenarnya, beberapa paket perangkat lunak menggunakan rumus yang sedikit berbeda,
seperti yang ditunjukkan pada Persamaan 2, untuk menghitung standar deviasi (atau
kesalahan standar) dari koefisien autokorelasi. Rumus ini mengasumsikan bahwa ada
autokorelasi sebelum jeda waktukberbeda dari nol dan setiap autokorelasi pada waktu
tertinggal lebih besar dari atau sama dengankadalah 1> 1N
nol. Untuk autokorelasi pada jeda waktu 1, kesalahan baku digunakan.k-1
N
(2) 2= RSaya2
Di mana SE1Rk T
1+2
ASaya=1
SE1Rk2 =kesalahan standar1perkiraan standar deviasi2

dari autokorelasi pada jeda waktuk
RSaya=autokorelasi pada jeda waktuSaya
k=jeda waktu
N=jumlah pengamatan dalam deret waktu
Perhitungan ini akan ditunjukkan pada Contoh 2. Jika deret benar-benar acak,
hampir semua koefisien autokorelasi sampel harus berada dalam rentang yang ditentukan
dengan nol, plus atau minus sejumlah kesalahan standar. Pada keyakinan tertentu
tingkat, suatu deret dapat dianggap acak jika masing-masing koefisien autokorelasi dihitung
ficients berada dalam interval sekitar 0 diberikan oleh 0 ±T⋅SE(Rk), di mana pengaliTadalah
titik persentase yang sesuai dari aTdistribusi.
22
Meskipun pengujian masing-masingRkuntuk melihat apakah itu secara individual
berbeda secara signifikan dari 0 berguna, itu juga merupakan praktik yang baik untuk
memeriksa satu set berturut-turutRk’Ssebagai sebuah kelompok. Kita dapat menggunakan tes
nilai-nilai, adalah
portmanteau untuk melihat apakah set, katakanlah, dari 10 yang pertamaRk
signifi
sangat berbeda dari himpunan di mana semua 10 nilai adalah nol.
Satu tes portmanteau umum didasarkan pada Ljung-BoxQstatistik (Persamaan 3). Tes
ini biasanya diterapkan pada residual model perkiraan. Jika autokorelasi dihitung dari proses
acak (white noise), statistikQmemiliki distribusi chi kuadrat denganM(jumlah jeda waktu
yang akan diuji) derajat kebebasan dom. Namun, untuk sisa model prakiraan,
statistikQmemiliki distribusi chi-kuadrat dengan derajat kebebasan sama denganMdikurangi
jumlah parameter yang diestimasi dalam model. Nilai dariQstatistik dapat dibandingkan
dengan tabel chi-kuadrat (Tabel 4 dalam Lampiran: Tabel) untuk menentukan apakah itu
lebih besar dari yang kita harapkan berada di bawah hipotesis nol bahwa semua autokorelasi
dalam himpunan adalah nol. Alternatifnya, theP-nilai yang dihasilkan oleh statistik
ujiQdapat dihitung dan diinterpretasikan. ItuQstatistik diberikan dalam Persamaan 3. Ini
akan ditunjukkan dalam Contoh 3.
M N-k
(3) Q=N1N+22
Ak=1
Rk2
Di mana
N=jumlah pengamatan dalam deret waktu

k=jeda waktu
M=jumlah jeda waktu yang akan diuji
Rk=fungsi autokorelasi sampel dari residu tertinggalkperiode waktu
Apakah Datanya Acak?

Model acak sederhana, sering disebut amodel kebisingan putih,ditampilkan pada Persamaan
, yang merupakan
4. PengamatanDANTterdiri dari dua bagian:C,tingkat keseluruhan, dan T
lari
komponen kesalahan dom. Penting untuk dicatat bahwa Tkomponen diasumsikan tidak
berkorelasi dari periode ke periode.
(4)
DANT=C+T
Apakah data pada Tabel 1 konsisten dengan model ini? Masalah ini akan dieksplorasi dalam
Contoh 2 dan 3.
Contoh 2
Uji hipotesis dikembangkan untuk menentukan apakah koefisien autokorelasi tertentu berbeda
secara signifikan dari nol untuk korelasiogram yang ditunjukkan pada Gambar 5. Hipotesis nol
dan alter asli untuk menguji signifikansi koefisien autokorelasi populasi lag 1 adalah
H0 :R1=0
H1 :R1DENGAN0
Jika hipotesis nol benar, statistik uji
T=(5)R1- R1
SE1R12 =R1-0
SE1R12 =R1
SE1R12
23
df=N-1N-1=12-1=11
mempunyai sebuahTdistribusi dengan . Di sini, , jadi untuk tingkat signifikansi 5%, aturan
keputusannya adalah sebagai berikut:
67
JikaT2.2 atauT2.2, tolakH0dan menyimpulkan autokorelasi lag 1 berbeda nyata dengan 0.
Nilai kritis 2.2 adalah poin 0,025 atas dan bawah dari aTdistribusi dengan 11 derajat kebebasan.
Kesalahan standar dariR1adalah , dan
R
nilai statistik uji menjadiT= 1 SE1R12 = 11>12= 1.083=.289
SE1R12 =.572
.289=1.98
H0 :R1=0
Menggunakan aturan keputusan di atas, tidak dapat ditolak, karena-2,2 < 1,98 < 2,2.T=1.98
Perhatikan nilai statistik pengujian kita, , sama dengan kuantitas pada baris Lag 1 di bawah tajuk
T pada keluaran Minitab pada Gambar 5. Nilai T pada keluaran Minitab hanyalah nilai statistik uji
untuk pengujian untuk nol autokorelasi di berbagai kelambatan.
Untuk menguji autokorelasi nol pada jeda waktu 2, kami pertimbangkan
H0 :R2=0
H1 :R2DENGAN0
dan uji statistik
T=R2- R2
SE1R22 =R2-0
SE122 =R2
SE1R22
Menggunakan Persamaan 2,
1+2 2-1
A 1+2 R2Saya
k-1 A
R2Saya
= 2
N Q1+21.5722
2= Saya=1 =
SE1R2 TDan 12 A1,6544
Saya=1 12= 1.138=.371

=
N T T=.463
.371=1.25
Hasil ini sesuai dengan nilai T untuk Lag 2 pada keluaran Minitab pada Gambar 5.
Menggunakan aturan keputusan di atas, tidak dapat ditolak pada tingkat 0,05, karena
H0 :R1=0
-2.2 1.25 2.2.Cara alternatif untuk memeriksa autokorelasi yang signifikan adalah dengan membangun,
katakanlah, 95% batas kepercayaan berpusat pada 0. Batasan untuk selang waktu 1 dan 2 ini adalah sebagai berikut:
tertinggal 1:0;T.025*SE1R12atau0;2.21.2892 : 1-.636, .6362

tertinggal 2:0;T.025*SE1R22atau0;2.21.3712 : 1-.816, .8162
jatuh
Autokorelasi berbeda secara signifikan dari 0 ditunjukkan setiap kali nilai untukRk sisi batas kepercayaan yang sesuai. Batas kepercayaan
95% ditunjukkan pada Gambar 5 oleh
garis putus-putus pada tampilan grafis fungsi autokorelasi.
Contoh 3
Minitab digunakan untuk menghasilkan deret waktu dari 40 angka tiga digit acak semu
ditunjukkan pada Tabel 3. Gambar 6 menunjukkan grafik deret waktu dari data tersebut. Karena data ini
acak (independen satu sama lain dan semua dari populasi yang sama), autokorelasi untuk
24
TABEL 3Time Series dari 40 Angka Acak untuk Contoh 3
t Y Tt Y T t Y Tt Y T
1 343 11 946 21 704 31 555 2 574 12 142 22 291 32 476 3 879 13 477 23 43 33 612 4 728
14 452 24 118 34 574 5 37 15 727 25 682 35 518 6 227 16 147 26 577 36 296 296 7 682 35
518 6 227 1677 26 26 26 26 26 26 26 26 26 26 26 26 26 26 17 199 27 834 37 970 8 157 18
744 28 981 38 204 9 571 19 627 29 263 39 616 10 72 20 122 30 424 40 97
semua jeda waktu secara teoritis harus sama dengan nol. Tentu saja, 40 nilai pada Tabel 3
hanyalah satu set dari sejumlah besar sampel yang mungkin berukuran 40. Setiap sampel akan
menghasilkan autokorelasi yang berbeda. Sebagian besar sampel ini akan menghasilkan koefisien
autokorelasi sampel yang mendekati nol. Namun, ada kemungkinan suatu sampel akan
menghasilkan koefisien autokorelasi yang secara kebetulan berbeda secara signifikan dari nol.
Selanjutnya, fungsi autokorelasi yang ditunjukkan pada Gambar 7 dikonstruksi
menggunakan Minitab. Perhatikan bahwa dua garis putus-putus menunjukkan batas kepercayaan
95%. Sepuluh jeda waktu diperiksa, dan semua koefisien autokorelasi individu berada dalam batas
ini. Tidak ada alasan untuk meragukan bahwa masing-masing autokorelasi untuk 10 kelambatan
pertama adalah nol. Namun, meskipun autokorelasi sampel individu tidak berbeda secara
's sebagai grup yang lebih besar dari
signifikan dari nol, adalah besaran dari 10 yang pertama.Rk
yang diharapkan di bawah hipotesis tanpa autocorre
lation di setiap lag? Pertanyaan ini dijawab
oleh Ljung-BoxQ(LBQ di Minitab) statistik.
Jika tidak ada autokorelasi pada setiap lag, makaQstatistik memiliki distribusi chi-kuadrat
dengan, dalam hal ini, . Akibatnya, nilai yang besar untukQ(di bagian ekor chi-square dis
df=10
kontribusi) adalah bukti terhadap hipotesis nol. Dari Gambar 7, nilai dariQ(LBQ) untuk 10 time
lag adalah 7,75. Dari Tabel 4 di Lampiran: Tabel, titik 0,05 atas dari distribusi chi-kuadrat dengan
10 derajat kebebasan adalah 18,31. Karena 7,75 < 18,31 maka hipotesis nol tidak dapat ditolak
pada tingkat signifikansi 5%. Data ini tidak berkorelasi pada jeda waktu apa pun, hasil yang
konsisten dengan model pada Persamaan 4.
T
DAN
GAMBAR 6Time Series Plot 40 Angka Acak Digunakan

dalam Contoh 3
25
GAMBAR 7Fungsi Autokorelasi untuk Data yang Digunakan pada Contoh 3
Apakah Data Memiliki Tren?

Jika suatu rangkaian memiliki tren, terdapat hubungan yang signifikan antara rangkaian waktu yang berurutan
nilai. Koefisien autokorelasi biasanya besar untuk beberapa jeda waktu pertama
dan kemudian secara bertahap turun menuju nol saat jumlah kelambatan meningkat.
Atidak bergerakderet waktu adalah salah satu yang sifat statistik dasarnya, seperti rata-rata
dan varians, tetap konstan dari waktu ke waktu. Akibatnya, seri yang bervariasi tentang tetap
tingkat (tidak ada pertumbuhan atau penurunan) dari waktu ke waktu dikatakan stasioner. Seri yang berisi a
tren dikatakannonstasioner. Koefisien autokorelasi untuk deret stasioner
penurunan ke nol cukup cepat, umumnya setelah jeda waktu kedua atau ketiga. Di sisi lain
Di sisi lain, sampel autokorelasi untuk deret nonstasioner tetap cukup besar untuk beberapa deret
periode waktu. Seringkali, untuk menganalisis deret nonstasioner, tren dihilangkan sebelum addi
pemodelan nasional terjadi.
Sebuah metode disebutmembedakansering dapat digunakan untuk menghapus tren dari nonsta
seri tionary. Data VCR awalnya disajikan pada Tabel 1 ditampilkan lagi di
Gambar 8, kolom A. TheDANTnilai tertinggal satu periode, , ditampilkan di kolom B.
DANT-1
Perbedaannya, (kolom A-kolom B), ditampilkan di kolom C. Untuk
DANT-DANT-1
contoh, nilai pertama untuk selisihnya adalah . Perhatikan
DAN2-DAN1=130-123=7
pertumbuhan atau tren ke atas dari data VCR yang ditunjukkan pada Gambar 9, plot A. Sekarang amati
pola stasioner dari data yang dibedakan pada Gambar 9, plot B. Diferensiasi
data telah menghapus tren.
Contoh 4
Maggie Trymane, seorang analis untuk Sears, ditugaskan untuk meramalkan pendapatan operasi
untuk tahun 2005. Dia mengumpulkan data dari tahun 1955 hingga 2004, yang ditunjukkan pada Tabel 4. Data
diplot sebagai deret waktu pada Gambar 10. Perhatikan bahwa, meskipun pendapatan operasi Sears
menurun selama periode 2000–2004, tren umum selama periode 1955–2004
bingkai sudah habis. Pertama, Maggie menghitung interval kepercayaan 95% untuk koefisien autokorelasi
ficients pada time lag 1 menggunakan mana, untuk sampel besar, standar normal
0;DENGAN.02511> 1N2
0,025 poin telah menggantikan yang sesuaiTtitik persentase distribusi:
0;1.96111>502
0;.277
Selanjutnya, Maggie menjalankan data pada Minitab dan menghasilkan fungsi autokorelasi
ditunjukkan pada Gambar 11. Setelah pemeriksaan, dia melihat bahwa autokorelasi untuk yang pertama
26
ANGKA 8 Hasil Excel untuk Membedakan Data VCR Contoh 1
DAN
GAMBAR 9Plot Time Series dari Data VCR dan
Perbedaan Data VCR Contoh 1
27
TABEL 4Pendapatan Operasional Tahunan untuk Sears, 1955–2004, untuk Contoh 4
Tahun Y TTahun Y TTahun Y TTahun Y TTahun Y T

1955 3.307 1967 7.296 1979 17.514 1991 57.242 2003 23.253
1956 3.556 1968 8.178 1980 25.195 1992 52.345 2004 19.701
1957 3.601 1969 8.844 1981 27.357 1993 50.838
1958 3.721 1970 9.251 1982 30.020 1994 54.559
1959 4.036 1971 10.006 1983 35.883 1995 34.925
1960 4.134 1972 10.991 1984 38.828 1996 38.236
1961 4.268 1973 12.306 1985 40.715 1997 41.296
1962 4.578 1974 13.101 1986 44.282 1998 41.322
1963 5.093 1975 13.639 1987 48.440 1999 41.071
1964 5.716 1976 14.950 1988 50.251 2000 40.937
1965 6.357 1977 17.224 1989 53.794 2001 36.151
1966 6.769 1978 17.946 1990 55.972 2002 30.762
Sumber: Survei Industri, berbagai tahun.

GAMBAR 10Time Series Plot Pendapatan Operasional Sears
untuk Contoh 4
empat jeda waktu berbeda secara signifikan dari nol (0,96, 0,92, 0,87, dan 0,81) dan bahwa nilainya
kemudian secara bertahap turun ke nol. Sebagai pemeriksaan terakhir, Maggie melihatQstatistik untuk 10 jeda waktu.
LBQ adalah 300,56, yang lebih besar dari nilai chi-kuadrat 18,3 (titik atas 0,05 dari
distribusi chi-kuadrat dengan 10 derajat kebebasan). Hasil ini menunjukkan adanya autokorelasi
tions untuk 10 lag pertama sebagai kelompok berbeda secara signifikan dari nol. Dia memutuskan bahwa
data sangat berkorelasi otomatis dan menunjukkan perilaku seperti tren.
Maggie menduga bahwa serial tersebut dapat dibeda-bedakan untuk menghilangkan tren dan menciptakan a
seri stasioner. Dia membedakan data (lihat bagian Aplikasi Minitab di bagian akhir
dari bab), dan hasilnya ditunjukkan pada Gambar 12. Deret yang berbeda tidak menunjukkan evi
dence dari tren, dan fungsi autokorelasi, ditunjukkan pada Gambar 13, tampaknya mendukung
kesimpulan ini. Memeriksa Gambar 13, Maggie mencatat bahwa koefisien autokorelasi di
jeda waktu 3, 0,32, berbeda secara signifikan dari nol (diuji pada tingkat signifikansi 0,05). Itu
autokorelasi pada lag selain lag 3 kecil, dan statistik LBQ untuk 10 lag juga
relatif kecil, jadi hanya ada sedikit bukti yang menunjukkan bahwa data yang berbeda berkorelasi otomatis.
Namun Maggie bertanya-tanya apakah ada pola dalam data ini yang dapat dimodelkan
salah satu teknik peramalan yang lebih maju.
28
GAMBAR 11Fungsi Autokorelasi untuk Operasi Sears

Pendapatan untuk Contoh 4
GAMBAR 12Time Series Plot Perbedaan Pertama dari
Pendapatan Operasi Sears untuk Contoh 4
GAMBAR 13Fungsi Autokorelasi untuk Perbedaan Pertama dari

Pendapatan Operasi Sears untuk Contoh 4
29
TABEL 5Penjualan Kuartalan untuk Coastal Marine,

1994–2006, misalnya Contoh 5
Tahun Anggaran 31 Desember 31 Maret 31 Juni 30 September 30
1994 147,6 251,8 273,1 249,1

1995 139,3 221,2 260,2 259,5
1996 140,5 245,5 298,8 287,0
1997 168,8 322,6 393,5 404,3
1998 259,7 401,1 464,6 479,7
1999 264,4 402,6 411,3 385,9
2000 232,7 309,2 310,7 293,0
2001 205,1 234,4 285,4 258,7
2002 193,2 263,7 292,5 315,2
2003 178,3 274,5 295,4 286,4
2004 190,8 263,5 318,8 305,5
2005 242,6 318,8 329,6 338,2
2006 232,1 285,6 291,0 281,4
Apakah Data Musiman?

Jika rangkaian bersifat musiman, pola yang terkait dengan kalender akan berulang pada rangkaian tertentu
interval waktu (biasanya satu tahun). Pengamatan pada posisi yang sama untuk laut yang berbeda
periode son cenderung terkait. Jika data triwulanan dengan pola musiman dianalisis,
kuartal pertama cenderung mirip, kuartal kedua cenderung mirip, dan seterusnya, dan a
koefisien autokorelasi yang signifikan akan muncul pada time lag 4. Jika data bulanan
dianalisis, koefisien autokorelasi yang signifikan akan muncul pada time lag 12. Artinya,
Januari akan berkorelasi dengan Januari lainnya, Februari akan berkorelasi dengan lainnya
Februari, dan seterusnya. Contoh 5 membahas serial yang bersifat musiman.
Contoh 5
Perkin Kendell adalah seorang analis untuk Coastal Marine Corporation. Dia selalu merasakan itu
penjualan bersifat musiman. Perkin mengumpulkan data yang ditunjukkan pada Tabel 5 untuk penjualan kuartalan
Coastal Marine Corporation dari tahun 1994 hingga 2006 dan memplotnya sebagai grafik deret waktu
ditunjukkan pada Gambar 14. Selanjutnya, dia menghitung interval kepercayaan 95% sampel besar untuk mobil
koefisien korelasi pada jeda waktu 1:
0;1.9611>52
0;.272
Kemudian Perkin menghitung koefisien autokorelasi yang ditunjukkan pada Gambar 15. Dia mencatat
bahwa koefisien autokorelasi pada lag waktu 1 dan 4 berbeda secara signifikan dari nol
( ). Dia menyimpulkan bahwa penjualan Coastal Marine bersifat musiman
R1=.397.272 danR4=.747.333
secara triwulanan.
MEMILIH TEKNIK PERAMALAN
Teks ini sebagian besar dikhususkan untuk menjelaskan berbagai teknik peramalan dan setan
stratifikasi kegunaannya. Pertama, pekerjaan penting memilih di antara beberapa peramalan
teknik ditujukan.
Beberapa pertanyaan yang harus dipertimbangkan sebelum memutuskan yang paling sesuai
teknik peramalan yang tepat untuk suatu masalah tertentu adalah sebagai berikut:
• Mengapa prakiraan diperlukan?
• Siapa yang akan menggunakan perkiraan?
30
GAMBAR 14Time Series Plot Penjualan Kuartalan untuk Pesisir
Kelautan Contoh 5
GAMBAR 15Fungsi Autokorelasi untuk Penjualan Kuartalan untuk

Pesisir Laut Contoh 5
• Apa karakteristik dari data yang tersedia?

• Berapa periode waktu yang akan diramalkan?
• Apa persyaratan data minimum?
• Seberapa besar akurasi yang diinginkan?
• Berapa perkiraan biayanya?
Untuk memilih teknik peramalan yang tepat dengan benar, peramal harus dapat
mencapai hal-hal berikut:
• Tentukan sifat dari masalah peramalan.
• Jelaskan sifat data yang sedang diselidiki.
• Jelaskan kemampuan dan keterbatasan teknik peramalan yang berpotensi berguna. •
Mengembangkan beberapa kriteria yang telah ditentukan di mana keputusan seleksi dapat
dibuat.
Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan
pemahaman pola historis dalam data. Jika tren, siklis, atau musiman
31
pola dapat dikenali, kemudian teknik yang mampu mengekstrapolasi secara efektif
pola ini dapat dipilih.
Teknik Peramalan untuk Data Stasioner
Atidak bergerakderet didefinisikan sebelumnya sebagai deret yang nilai rata-ratanya tidak berubah
waktu. Situasi seperti itu muncul ketika pola permintaan yang mempengaruhi rangkaian rela
cukup stabil. Penting untuk diketahui bahwa data stasioner tidak harus bervariasi
secara acak tentang tingkat rata-rata. Deret stasioner bisa autokorelasi, tetapi sifatnya
asosiasi sedemikian rupa sehingga data tidak menyimpang dari rata-rata untuk apa pun
periode waktu yang diperpanjang. Dalam bentuknya yang paling sederhana, peramalan rangkaian stasioner melibatkan
menggunakan riwayat seri yang tersedia untuk memperkirakan nilai rata-ratanya, yang kemudian menjadi
ramalan untuk periode mendatang. Teknik yang lebih canggih memungkinkan beberapa kedepan pertama
gips menjadi agak berbeda dari perkiraan rata-rata tetapi kemudian kembali ke rata-rata
untuk periode mendatang tambahan. Prakiraan dapat diperbarui saat informasi baru menjadi
tersedia. Memperbarui berguna ketika perkiraan awal tidak dapat diandalkan atau ketika stabilitas
dari rata-rata dipertanyakan. Dalam kasus terakhir, memperbarui memberikan beberapa derajat
daya tanggap terhadap potensi perubahan pada level yang mendasari rangkaian tersebut.
Teknik peramalan stasioner digunakan dalam keadaan berikut:
•Kekuatan yang menghasilkan rangkaian telah stabil, dan lingkungan di mana
seri ada relatif tidak berubah.Contohnya adalah jumlah kerusakan per
minggu pada jalur perakitan yang memiliki tingkat produksi seragam, penjualan unit a
produk atau jasa dalam tahap pematangan siklus hidupnya, dan jumlah penjualan
dihasilkan dari tingkat usaha yang konstan.
•Model yang sangat sederhana diperlukan karena kurangnya data atau untuk kemudahan penjelasan atau
penerapan.Contohnya adalah ketika bisnis atau organisasi masih baru dan sangat
hanya sedikit data historis yang tersedia.
•Stabilitas dapat diperoleh dengan melakukan koreksi sederhana untuk faktor-faktor seperti populasi
pertumbuhan ekonomi atau inflasi.Contohnya adalah mengubah pendapatan menjadi pendapatan per kapita dan
mengubah penjualan dolar ke jumlah dolar konstan.
•Serial ini dapat diubah menjadi seri yang stabil.Contohnya adalah mengubah a
seri dengan mengambil logaritma, akar kuadrat, atau perbedaan.
•Deret adalah sekumpulan kesalahan ramalan dari suatu teknik peramalan yang dianggap
memadai.(Lihat Contoh 7.)
Teknik yang harus diperhatikan dalam peramalan deret stasioner antara lain
metode naif, metode rata-rata sederhana, rata-rata bergerak, dan mov autoregressive
model rata-rata (ARMA) (metode Box-Jenkins).
Teknik Peramalan Data dengan Tren
Secara sederhana dinyatakan, akecenderungandalam deret waktu adalah pertumbuhan atau penurunan jangka panjang yang
terus-menerus. Untuk sebuah
tren waktu seri, tingkat seri tidak konstan. Itu umum untuk ekonomi
time series mengandung tren.
Teknik peramalan untuk tren data digunakan dalam keadaan berikut:
•Peningkatan produktivitas dan teknologi baru menyebabkan perubahan gaya hidup.Contoh
adalah permintaan komponen elektronik, yang meningkat dengan munculnya
komputer, dan penggunaan kereta api, yang menurun dengan munculnya pesawat terbang.
•Pertambahan jumlah penduduk menyebabkan peningkatan permintaan akan barang dan jasa.Contoh
adalah pendapatan penjualan barang konsumsi, permintaan konsumsi energi, dan penggunaan
dari bahan baku.
•Daya beli dolar mempengaruhi variabel ekonomi karena inflasi.
Contohnya adalah gaji, biaya produksi, dan harga.
32
•Penerimaan pasar meningkat.Contohnya adalah periode pertumbuhan dalam siklus hidup

produk baru.
Teknik yang harus dipertimbangkan saat meramalkan rangkaian tren meliputi rata-rata
bergerak, pemulusan eksponensial linier Holt, regresi sederhana, kurva pertumbuhan, model
eksponensial, dan model rata-rata bergerak terintegrasi otomatis (ARIMA) (metode
Box-Jenkins).
Teknik Peramalan Data Musiman

Rangkaian musiman didefinisikan sebelumnya sebagai rangkaian waktu dengan pola
perubahan yang berulang dari tahun ke tahun. Salah satu cara untuk mengembangkan
prakiraan musiman adalah dengan memperkirakan indeks musiman dari sejarah rangkaian
tersebut. Misalnya dengan data bulanan, ada indeks bulan Januari, indeks bulan Februari,
dan seterusnya. Indeks ini kemudian digunakan untuk memasukkan musiman dalam
prakiraan atau untuk menghilangkan efek tersebut dari nilai yang diamati. Proses terakhir ini
disebut sebagai penyesuaian data secara musiman.
Teknik peramalan untuk data musiman digunakan dalam keadaan berikut:
•Cuaca mempengaruhi variabel bunga.Contohnya adalah konsumsi listrik, aktivitas musim
panas dan musim dingin (misalnya olahraga seperti ski), pakaian, dan musim tanam
pertanian.
•Kalender tahunan mempengaruhi variabel bunga.Contohnya adalah penjualan eceran
yang dipengaruhi oleh hari libur, akhir pekan tiga hari, dan kalender sekolah.
Teknik yang harus diperhatikan dalam peramalan rangkaian musiman antara lain
dekomposisi klasik, SensusX-12, pemulusan eksponensial Winter, regresi berganda, dan
model ARIMA (metode Box-Jenkins).
Teknik Peramalan Deret Siklus

Efek siklus didefinisikan sebelumnya sebagai fluktuasi seperti gelombang di sekitar tren.
Pola siklus sulit untuk dimodelkan karena polanya biasanya tidak stabil. Fluktuasi seperti
gelombang naik-turun di sekitar tren jarang berulang pada interval waktu yang tetap, dan
besarnya fluktuasi juga cenderung bervariasi. Metode dekomposisi dapat diperluas untuk
menganalisis data siklis. Namun, karena perilaku siklus yang tidak teratur, menganalisis
komponen siklus dari suatu rangkaian, jika memang ada, seringkali memerlukan penemuan
indikator ekonomi yang tepat atau utama.
Teknik peramalan untuk data siklis digunakan dalam keadaan berikut:
•Siklus bisnis mempengaruhi variabel minat.Contohnya adalah faktor ekonomi, pasar, dan
persaingan.
•Pergeseran selera populer terjadi.Contohnya adalah mode, musik, dan makanan.
•Pergeseran populasi terjadi.Contohnya adalah perang, kelaparan, epidemi, dan bencana
alam.
•Pergeseran dalam siklus hidup produk terjadi.Contohnya adalah pengenalan,
pertumbuhan, pematangan dan kejenuhan pasar, dan penurunan.
Teknik yang harus diperhatikan dalam peramalan deret siklis antara lain dekomposisi
klasik, indikator ekonomi, model ekonometrik, regresi berganda, dan model ARIMA
(metode Box-Jenkins).
Faktor Lain yang Perlu Dipertimbangkan Saat Memilih Teknik
PeramalanCakrawala waktu untuk peramalan memiliki pengaruh langsung pada
pemilihan teknik peramalan. Untuk peramalan jangka pendek dan menengah, berbagai
teknik kuantitatif dapat diterapkan. Namun, ketika cakrawala peramalan meningkat,
sejumlah
33
teknik ini menjadi kurang dapat diterapkan. Misalnya, rata-rata bergerak, pemulusan
eksponensial, dan model ARIMA adalah prediktor yang buruk dari titik balik ekonomi,
sedangkan model ekonometrik lebih berguna. Model regresi cocok untuk jangka pendek,
menengah, dan panjang. Berarti, rata-rata bergerak, dekomposisi klasik, dan proyeksi tren
adalah teknik kuantitatif yang sesuai untuk cakrawala waktu pendek dan menengah. Teknik
Box-Jenkins dan ekonometrika yang lebih kompleks juga sesuai untuk peramalan jangka
pendek dan menengah. Metode kualitatif sering digunakan untuk jangka waktu yang lebih
lama.
Penerapan teknik peramalan umumnya sesuatu peramal berdasarkan pengalaman.
Manajer sering membutuhkan peramalan dalam waktu yang relatif singkat. Pemulusan
eksponensial, proyeksi tren, model regresi, dan metode dekomposisi klasik memiliki
keunggulan dalam situasi ini. (Lihat Tabel 6.)
Biaya komputer tidak lagi menjadi bagian penting dari pemilihan teknik. Komputer
desktop (mikroprosesor) dan paket perangkat lunak peramalan menjadi hal biasa bagi
banyak organisasi. Karena perkembangan ini, kriteria lain kemungkinan besar akan
membayangi pertimbangan biaya komputer.
Pada akhirnya, ramalan akan disajikan kepada manajemen untuk disetujui dan
digunakan dalam proses perencanaan. Oleh karena itu, kemudahan memahami dan
menginterpretasikan hasil merupakan pertimbangan penting. Model regresi, proyeksi tren,
dekomposisi klasik, dan teknik pemulusan eksponensial semuanya dinilai tinggi pada
kriteria ini.
Penting untuk diperhatikan bahwa informasi yang ditampilkan pada Tabel 6 harus
digunakan sebagai panduan untuk pemilihan teknik peramalan. Ini adalah praktik yang baik
untuk dicoba
TABEL 6Memilih Teknik Peramalan

Cakrawala Persyaratan Data Nonmusiman
Pola Data
Jenis Model Minimal Musiman
metode Waktu
Naif ST, T, S S TS 1
Rata-rata sederhana ST S TS 30
Rata-rata bergerak ST S TS 4–20
Pemulusan eksponensial ST S TS 2
Pemulusan eksponensial linier T S TS 3
Pemulusan Eksponensial Kuadrat T S TS 4
Pemulusan eksponensial musiman S S TS 2⋅S
Penyaringan adaptif S S TS 5⋅S
Regresi sederhana T I C 10
Regresi berganda C, S I C 10⋅DI DALAM
Dekomposisi klasik S S TS 5⋅S
Model tren eksponensial T I, L TS 10
S-kurva pas TI, L TS 10
Model Gompertz T I, L TS 10
Kurva pertumbuhan T I, L TS 10
SensusX-12 S S TS 6⋅S
Kotak-Jenkins ST, T, C, S S TS 24 3⋅S
Indikator utama C S C 24
Model ekonometrik C S C 30
Regresi berganda deret waktu T, S I, L C 6⋅S
Pola data:ST, stasioner; T, tren; S, musiman; C. siklus
Cakrawala waktu:S, jangka pendek (kurang dari tiga bulan); I, jangka menengah; L, jangka panjang
Jenis model:TS, deret waktu; C. kausal
Musiman:s, panjang musiman
Variabel:V, jumlah variabel
34
lebih dari satu metode peramalan untuk masalah tertentu, bertahan beberapa baru-baru ini
data, dan kemudian untuk menghitung prakiraan pengamatan ketidakhadiran ini menggunakan yang berbeda
metode. Performa metode untuk kasus uji ketidakhadiran ini bisa jadi
ditentukan dengan menggunakan satu atau lebih ukuran akurasi yang didefinisikan dalam Persamaan 7
sampai 11, dibahas di bawah ini. Dengan asumsi kecocokan yang memadai dengan data, yang paling akurat
metode (yang memiliki kesalahan ramalan terkecil) adalah pilihan yang masuk akal untuk yang "terbaik"
metode. Ini mungkin bukan metode terbaik dalam situasi selanjutnya.
Evaluasi Empiris Metode Peramalan
Penelitian empiris telah menemukan bahwa akurasi perkiraan metode sederhana seringkali sama
sebaik teknik yang rumit atau canggih secara statistik (lihat Fildes et al., 1997;
Makridakis et al., 1993; dan Makridakis dan Hibon, 2000). Hasil M3–IJF
Persaingan, di mana pakar yang berbeda menggunakan metodologi peramalan favorit mereka
masing-masing menghasilkan prakiraan untuk 3.003 deret waktu yang berbeda, cenderung mendukung temuan ini
(Makridakis dan Hibon, 2000). Tampaknya semakin kompleks secara statistik a
tekniknya, semakin baik ia memprediksi pola deret waktu. Sayangnya, estab
pola deret waktu yang tercantum dapat dan memang berubah di masa mendatang. Jadi, memiliki model itu
paling baik merepresentasikan data historis (hal yang dilakukan dengan baik oleh metode kompleks) tidak diperlukan
sarily menjamin akurasi lebih dalam prediksi masa depan. Tentu saja kemampuan kedepan
kastor juga memainkan peran penting dalam pengembangan ramalan yang baik.
Kompetisi M3–IJF diadakan pada tahun 1997. Ramalan dihasilkan oleh berbagai pihak
teknik peramalan dibandingkan di sampel 3.003 deret waktu, dengan
akurasi dinilai menggunakan berbagai ukuran pada set holdout. Tujuan tahun 1997
studi adalah untuk memeriksa empat kesimpulan utama dari M-Kompetisi asli pada a
kumpulan data yang lebih besar (lihat Makridakis et al., 1982). Makridakis dan Hibon (2000) meringkas
kompetisi terbaru sebagai berikut:
1. Seperti yang telah dibahas sebelumnya, metode yang canggih atau rumit secara statistik tidak diperlukan
pada dasarnya menghasilkan ramalan yang lebih akurat daripada metode yang lebih sederhana.
2. Berbagai ukuran akurasi menghasilkan hasil yang konsisten bila digunakan untuk mengevaluasi dif
metode peramalan yang berbeda.
3. Kombinasi tiga metode pemulusan eksponensial mengungguli, rata-rata
usia, metode individu digabungkan dan berhasil dibandingkan dengan
metode lain.
4. Performa dari berbagai metode peramalan bergantung pada lamanya waktu
cakrawala peramalan dan jenis data (tahunan, triwulanan, bulanan) yang dianalisis.
Beberapa metode bekerja lebih akurat untuk cakrawala pendek, sedangkan yang lain
lebih cocok untuk yang lebih panjang. Beberapa metode bekerja lebih baik dengan data tahunan, dan
lainnya lebih sesuai untuk data triwulanan dan bulanan.
Sebagai bagian dari seleksi akhir, setiap teknik harus dievaluasi dari segi religinya
kemampuan dan penerapan pada masalah yang dihadapi, efektivitas biaya dan akurasinya
dibandingkan dengan teknik bersaing, dan penerimaannya oleh manajemen.Tabel 6 jumlah
marizes teknik peramalan yang sesuai untuk pola data tertentu. Seperti yang kita miliki
ditunjukkan, tabel ini menunjukkan tempat untuk memulai—yaitu, metode yang perlu dipertimbangkan untuk data
dengan karakteristik tertentu. Pada akhirnya, setiap metode yang dipilih harus terus menerus
dimonitor untuk memastikan itu cukup melakukan pekerjaan yang dimaksudkan.
MENGUKUR KESALAHAN PERAMALAN
Karena teknik peramalan kuantitatif seringkali melibatkan data deret waktu, a

notasi matematika dikembangkan untuk merujuk pada setiap periode waktu tertentu. SuratDAN
akan digunakan untuk menunjukkan variabel deret waktu kecuali ada lebih dari satu variabel
35
terlibat. Periode waktu yang terkait dengan pengamatan ditampilkan sebagai subskrip.
Dengan demikian,DANTmengacu pada nilai deret waktu pada periode waktuT.Data
triwulanan untuk Perusahaan Kelautan Pesisir yang disajikan dalam Contoh 5 akan
dilambangkan
DAN1=147,6,DAN2=251.8,DAN3=273.1, . . .
Notasi matematika juga harus dikembangkan untuk membedakan antara nilai aktual dari
deret waktu dan nilai ramalan. A ^ (topi) akan ditempatkan di atas nilai untuk DANN
. Akurasi
menunjukkan bahwa itu sedang diramalkan. Nilai perkiraan untukDANTadalahT
kedepan
teknik pengecoran sering dinilai dengan membandingkan seri aslinya,DAN1,DAN2, .
. . . , keDANN1,DANN2,
rangkaian nilai ramalan, ....
Notasi peramalan dasar diringkas sebagai berikut:
DANT=nilai deret waktu pada periodeT
DANNT=nilai ramalan dariDANT
N
DiaT=DANT-DANT =kesalahan residual atau perkiraan
Beberapa metode telah dirancang untuk meringkas kesalahan yang dihasilkan oleh
teknik peramalan tertentu. Sebagian besar ukuran ini melibatkan rata-rata beberapa fungsi
dari perbedaan antara nilai aktual dan nilai ramalannya. Perbedaan antara nilai yang diamati
dan nilai perkiraan ini sering disebut sebagai residu.
Asisaadalah perbedaan antara nilai aktual yang diamati dan nilai perkiraannya.
Persamaan 6 digunakan untuk menghitung kesalahan atau residual untuk setiap periode perkiraan.
(6) DiaT=DANT-DANNT
Di mana
DiaT=kesalahan perkiraan dalam periode waktuT

DANT=nilai aktual dalam periode waktuT
DANNT=nilai ramalan untuk periode waktuT

Salah satu metode untuk mengevaluasi suatu teknik peramalan menggunakan
penjumlahan kesalahan absolut. Deviasi absolut rata-rata (GILA) mengukur keakuratan
ramalan dengan merata-ratakan besaran kesalahan ramalan (nilai absolut kesalahan).
ItuGILAberada di unit yang sama dengan seri aslinya dan memberikan ukuran rata-rata
"miss" terlepas dari arahnya. Persamaan 7 menunjukkan bagaimanaGILAdihitung.
N
1 N
A T=1
ƒDANT-DANT ƒ (7)
GILA= N
Kesalahan kuadrat rata-rata (MSE) adalah metode lain untuk mengevaluasi teknik
peramalan. Setiap kesalahan atau sisa dikuadratkan; ini kemudian dijumlahkan dan dibagi
dengan jumlah pengamatan. Pendekatan ini menghukum kesalahan peramalan yang besar,
karena kesalahan tersebut dikuadratkan. Ini penting karena teknik yang menghasilkan
kesalahan sedang mungkin lebih disukai daripada teknik yang biasanya memiliki kesalahan
kecil tetapi terkadang menghasilkan kesalahan yang sangat besar. ItuMSEdiberikan oleh
Persamaan 8.
N
1 N 1DANT-DANT 22 (8)
MSE= N A T=1
Akar kuadrat dariMSE, atau kesalahan akar rata-rata kuadrat (RMSE), juga digunakan
untuk mengevaluasi metode peramalan. ItuRMSE, sepertiMSE, menghukum kesalahan besar tapi
36
memiliki satuan yang sama dengan deret yang diramalkan sehingga besarannya lebih mudah
ditafsirkan. ItuRMSEditampilkan di bawah.
RMSE= 1 N 2 (9)
A NA T=1 1DANT-DANNT2
Terkadang lebih berguna untuk menghitung kesalahan perkiraan dalam bentuk

persentase daripada jumlah. Rata-rata kesalahan persentase absolut (PETA) dihitung dengan
menemukan galat absolut pada setiap periode, membaginya dengan nilai pengamatan aktual
untuk periode itu, dan merata-rata persentase galat absolut ini. Hasil akhir kemudian
dikalikan dengan 100 dan dinyatakan sebagai persentase. Pendekatan ini berguna ketika
kesalahan relatif terhadap ukuran masing-masing nilai deret waktu penting dalam
mengevaluasi keakuratan ramalan. ItuPETAsangat berguna ketikaDANTnilainya besar.
ItuPETAtidak memiliki satuan pengukuran (ini adalah persentase) dan dapat digunakan
untuk membandingkan keakuratan teknik yang sama atau berbeda pada dua deret yang sama
sekali berbeda. Persamaan 10 menunjukkan caranyaPETAdihitung.
N
1 N ƒDANT- DANT ƒ (10)
PETA = NA t=1
ƒDANTƒ
Perhatikan ituPETAtidak dapat dihitung jika salah satu dariDANTadalah nol. Kadang-kadang
perlu untuk menentukan apakah suatu metode peramalan bias (peramalan secara konsisten
rendah atau tinggi). Rata-rata persentase kesalahan (DAN) digunakan dalam kasus ini. Ini
dihitung dengan mencari kesalahan di setiap periode, membaginya dengan nilai sebenarnya
untuk periode itu, dan kemudian merata-ratakan persentase kesalahan ini. Hasilnya biasanya
dikalikan dengan 100 dan dinyatakan sebagai persentase. Jika pendekatan peramalan tidak
bias,DANakan menghasilkan angka yang mendekati nol. Jika hasilnya adalah persentase usia
negatif yang besar, metode peramalan secara konsisten melebih-lebihkan. Jika hasilnya
adalah persentase positif yang besar, metode peramalan selalu diremehkanDANdiberikan
oleh
N
1 N 1DANT-DANT 2D (11)
DAN= NA T=1 ANT
Keputusan untuk menggunakan teknik peramalan tertentu sebagian didasarkan pada

penentuan apakah teknik tersebut akan menghasilkan kesalahan peramalan yang dianggap
cukup kecil. Sangat realistis mengharapkan teknik peramalan yang baik untuk menghasilkan
kesalahan peramalan yang relatif kecil secara konsisten.
Lima ukuran akurasi ramalan yang baru saja dijelaskan digunakan
• Untuk membandingkan akurasi dari dua (atau lebih) teknik yang
berbeda. • Untuk mengukur kegunaan atau keandalan teknik tertentu.
• Untuk membantu mencari teknik yang optimal.
Contoh 6 akan mengilustrasikan bagaimana masing-masing pengukuran kesalahan ini dihitung.
Contoh 6
Tabel 7 menunjukkan data jumlah pelanggan harian yang membutuhkan pekerjaan
perbaikan,DANT, dan aDANNT
perkiraan data ini, , untuk stasiun Chevron Gary. Teknik peramalan menggunakan jumlah
pelanggan yang dilayani pada periode sebelumnya sebagai peramalan pada periode sekarang.
Perhitungan berikut digunakan untuk mengevaluasi model ini
menggunakanGILA,MSE,RMSE,PETA, DanDAN.
1 N
GILA= NA T=1
N 34
ƒDANT-DANT ƒ= 8=4
.3
37
188
8=23.5
1 N
MSE= NA T=1
1DANT-DANNT22=
RMSE= 1MSE= 123.5=4.8
1 N N
1YT- DANT 2
PETA = NA t=1
1 N DANT=.162
DAN = NA t=1
N
ƒDANT- DANT ƒ
DANT=.556
8=.020312,03%2
8=.069516,95%2
TABEL 7Data Digunakan dalam Perhitungan untuk Mengukur Prakiraan

Kesalahan untuk Contoh 6
Ramalan
NKesalahan eT|danT| DiaT2|danT|/YTDiaT/DANT
Waktu t Pelanggan Y TDANT
1 58 — — — — — —
2 54 58-4 4 16 .074-.074
3 60 54 6 6 36 .100 .100
4 55 60-5 5 25 .091-0,091
5 62 55 7 7 49 .113 .113
6 62 62 0 0 0 .000 .000
7 65 62 3 3 9 .046 .046
8 63 65-2 2 4 .032-.032
9 70 63 7 7 49 .100 .100
Total 12 34 188 .556 .162
ItuGILAmenunjukkan bahwa setiap perkiraan menyimpang dengan rata-rata 4,3 pelanggan. Itu
MSEdari 23,5 (atauRMSEdari 4.8) danPETAsebesar 6,95% akan dibandingkan denganMSE
(RMSE) danPETAuntuk metode lain yang digunakan untuk meramalkan data ini. Akhirnya, yang kecil
DANsebesar 2,03% menunjukkan bahwa teknik tersebut tidak bias: Karena nilainya mendekati nol, maka
teknik tidak secara konsisten melebih-lebihkan atau meremehkan jumlah pelanggan yang dilayani
sehari-hari.
MENENTUKAN KECUKUPAN TEKNIK PERAMALAN
Sebelum peramalan dengan teknik yang dipilih, kecukupan pilihan harus

dievaluasi. Peramal harus menjawab pertanyaan-pertanyaan berikut:
• Apakah koefisien autokorelasi dari residu menunjukkan deret acak?
Pertanyaan ini dapat dijawab dengan memeriksa fungsi autokorelasi untuk
residu, seperti yang akan ditunjukkan dalam Contoh 7.
• Apakah residual kira-kira terdistribusi secara normal? Pertanyaan ini bisa
dijawab dengan menganalisis histogram residu atau plot probabilitas normal.
• Apakah semua estimasi parameter memiliki signifikansiTrasio? Aplikasi dariTrasio adalah
ditunjukkan pada Contoh 2.
• Apakah teknik ini mudah digunakan, dan dapatkah para perencana dan pembuat kebijakan memahaminya?
Persyaratan dasar agar pola residual menjadi acak diverifikasi dengan pemeriksaan
koefisien autokorelasi dari residu. Seharusnya tidak ada autocor yang signifikan
koefisien relasi. Contoh 2 mengilustrasikan bagaimana koefisien autokorelasi dapat terjadi
digunakan untuk menentukan apakah suatu deret bersifat acak. Kotak LjungQstatistik juga digunakan untuk
38
uji bahwa autokorelasi untuk semua lag hingga lag yang diberikanKsama dengan nol.
Contoh 7 mengilustrasikan prosedur ini dengan residu dari dua model yang dipasang.
Contoh 7
Maggie Trymane, analis Sears, telah diminta untuk meramalkan penjualan untuk tahun 2005.
Data ditunjukkan pada Tabel 4 untuk tahun 1955 sampai 2004. Pertama, Maggie mencoba
meramalkan data tersebut dengan menggunakan rata-rata pergerakan lima bulan. Residual,
perbedaan antara nilai aktual dan nilai prediksi, dihitung dan disimpan. Koefisien autokorelasi
untuk residu ini ditunjukkan pada Gambar 16. Pemeriksaan koefisien autokorelasi ini
menunjukkan bahwa keduanya berbeda secara signifikan dari nol, . Koreksi otomatis yang
signifikan
R1=.77 danR2=.58
koefisien lasi menunjukkan beberapa asosiasi atau pola dalam residu. Selanjutnya, fungsi
autokorelasi itu sendiri memiliki pola koefisien yang menurun secara halus. Meneliti 10
autokorelasi pertama sebagai sebuah grup, theQstatistik untuk 10 kelambatan adalah 73,90, jauh
lebih besar dari nilai atas 0,05 dari variabel chi-kuadrat dengan 10 derajat kebebasan, 18,3.
Hipotesis bahwa 10 autokorelasi pertama konsisten dengan rangkaian acak jelas ditolak pada
tingkat 5%. Karena salah satu persyaratan dasar untuk teknik peramalan yang baik adalah
memberikan rangkaian residual atau kesalahan yang pada dasarnya acak, Maggie menilai teknik
rata-rata pergerakan lima bulan tidak memadai.
Maggie sekarang mencoba pemulusan eksponensial linier Holt. Fungsi autokorelasi untuk
deret residual yang dihasilkan oleh teknik ini ditunjukkan pada Gambar 17. Pemeriksaan terhadap
koefisien autokorelasi ini menunjukkan bahwa tidak ada yang berbeda secara signifikan dari
GAMBAR 16Fungsi Autokorelasi untuk Residu dengan Pola

untuk Contoh 7
GAMBAR 17Fungsi Autokorelasi untuk Residual
Itu Pada dasarnya Acak untuk Contoh 7
39
nol (pada tingkat 5%). ItuQstatistik untuk 10 jeda waktu juga diperiksa. Nilai LBQ
dari 7,40 dalam keluaran Minitab kurang dari nilai atas 0,05 dari variabel chi-kuadrat
dengan delapan derajat kebebasan, 15,5. (Dalam hal ini, derajat kebebasan sama dengan
jumlah kelambatan yang akan diuji dikurangi jumlah parameter dalam eksponensial linier
smoothing model yang telah dipasangkan pada data.) Secara berkelompok, 10 residual pertama
autokorelasi tidak berbeda dengan deret yang benar-benar acak. Maggie memutuskan untuk
pertimbangkan teknik pemulusan eksponensial linier Holt sebagai model yang mungkin untuk diramalkan
Pendapatan operasi 2005 untuk Sears.
APLIKASI UNTUK MANAJEMEN
Konsep dalam bab ini memberikan dasar untuk memilih teknologi peramalan yang tepat
unik dalam situasi tertentu. Penting untuk dicatat bahwa dalam banyak situasi praktis,
lebih dari satu metode atau model peramalan dapat menghasilkan hasil yang dapat diterima dan mendekati
prakiraan yang tidak dapat dibedakan. Nyatanya, adalah praktik yang baik untuk mencoba beberapa alasan yang masuk akal
teknik pengecoran. Seringkali penilaian, berdasarkan kemudahan penggunaan, biaya, lingkungan eksternal
kondisi tal, dan sebagainya, harus digunakan untuk memilih satu set perkiraan tertentu dari,
katakanlah, dua set nilai yang hampir tidak bisa dibedakan.
Berikut ini adalah beberapa contoh situasi yang selalu muncul di dalam bus
dunia ness di mana teknik peramalan suara akan membantu pengambilan keputusan
proses:
• Sebuah perusahaan minuman ringan ingin memproyeksikan permintaan untuk produk utamanya selama
dua tahun ke depan, per bulan.
• Sebuah perusahaan telekomunikasi besar ingin meramalkan dividen kuartalan
pembayaran saingan utamanya untuk tiga tahun ke depan.
• Sebuah universitas perlu memperkirakan jam kredit mahasiswa per kuartal untuk empat jam berikutnya
tahun untuk mengembangkan proyeksi anggaran untuk badan legislatif negara bagian.
• Kantor akuntan publik membutuhkan prakiraan tagihan dolar bulanan agar dapat merencanakan
untuk posisi akuntansi tambahan dan mulai merekrut.
• Manajer kontrol kualitas pabrik yang membuat ingot aluminium membutuhkan a
perkiraan mingguan cacat produksi untuk manajemen puncak perusahaan.
• Seorang bankir ingin melihat pendapatan bulanan yang diproyeksikan dari pabrik sepeda kecil
turer yang sedang mencari pinjaman besar untuk melipatgandakan kapasitas produksinya.
• Badan pemerintah federal memerlukan proyeksi tahunan rata-rata mil per galon
mobil buatan Amerika selama 10 tahun ke depan untuk membuat peraturan
rekomendasi.
• Seorang manajer personalia membutuhkan ramalan bulanan tentang hari absen untuk perusahaan
tenaga kerja untuk merencanakan pengeluaran lembur.
• Sebuah perusahaan simpan pinjam membutuhkan ramalan pinjaman tunggakan di masa depan
dua tahun dalam upaya untuk menghindari kebangkrutan.
• Sebuah perusahaan yang membuat chip komputer memerlukan ramalan industri untuk jumlahnya
komputer pribadi dijual selama 5 tahun ke depan untuk merencanakan penelitian dan
anggaran pembangunan.
• Perusahaan Internet membutuhkan prakiraan permintaan layanan selama enam tahun ke depan
bulan untuk mengembangkan rencana kepegawaian untuk pusat panggilannya.
40
Menjelajahi Pola Data dan Pengantar Teknik PeramalanGlosarium
Autokorelasi.Autokorelasi adalah korelasi antara Komponen musiman.Komponen musiman adalah pola

variabel tertinggal satu atau lebih periode dan dirinya perubahan yang berulang dari tahun ke tahun.
sendiri. Seri stasioner.Deret stasioner adalah deret yang sifat
Korelogram atau fungsi autokorelasi.Cor relogram statistik dasarnya, seperti rata-rata dan varian, tetap
(fungsi autokorelasi) adalah grafik autokorelasi untuk konstan dari waktu ke waktu.
berbagai kelambatan deret waktu. Deret waktu.Rangkaian waktu terdiri dari data yang
Cross-sectional.Data cross-sectional adalah observasi dikumpulkan, direkam, atau diamati selama
yang dikumpulkan pada satu titik waktu. peningkatan waktu yang berurutan.
Komponen siklus.Komponen siklis adalah fluktuasi Kecenderungan.Tren adalah komponen jangka
mirip gelombang di sekitar tren. panjang yang mewakili pertumbuhan atau penurunan
Sisa.Residual adalah perbedaan antara nilai aktual yang deret waktu selama periode waktu yang lama.
diamati dan nilai perkiraannya.
Formula Kunci
orde-th
A
1DANT-DAN21DANT-k-DAN2
kkoefisien autokorelasi
Rk= N AT=1 1DANT-DA (1)
T=k+1
N22
Standard error koefisien autokorelasi
k-1
R2Saya
(2) 2= Model acak
SE1Rk T
M
1+2 Q=N1N+22
Kotak HeatherQstatistik ASaya=1 Ak=1
N R2k
(3) N-k
(4)
DANT=C+T
Tstatistik untuk menguji signifikansi autokorelasi lag 1
T=R1
(5)
SE1R12
Kesalahan prakiraan atau sisa
Dia(6)T=DANT-DANNT 41
Menjelajahi Pola Data dan Pengantar Teknik PeramalanBerarti
penyimpangan mutlak
(7) 1DANT-DANNT22
Kesalahan kuadrat RMSE= 1 N

rata-rata A NA
T=1
1 N N
GILA= NA T=1 ƒDANT- DANT ƒ ƒDANTƒ
Rata-rata kesalahan
ƒDANT-DANNTƒ persentase absolut (9)
(8)
Akar kesalahan kuadrat

rata-rata (10)
1 N
PETA = NA
1 N
MSE= NA T=1 t=1
N
1DANT-DANT 22
Rata-rata persentase
kesalahan
1 N
DAN= NA T=1
Masalah 1DANT-DANNT2DANT
(11)
1. Jelaskan perbedaan antara teknik peramalan kualitatif dan kuantitatif.
2. Apa yang dimaksud deret waktu?
3. Jelaskan masing-masing komponen dalam rangkaian waktu.
4. Apa itu autokorelasi?
5. Apa yang diukur oleh koefisien autokorelasi?
6. Jelaskan bagaimana korelasiogram digunakan untuk menganalisis korelasi otomatis untuk berbagai kelambatan
dari rangkaian waktu.
7. Tunjukkan apakah setiap pernyataan berikut menjelaskan stasioner atau non
seri stasioner.
A. Seri yang memiliki tren
B. Serangkaian yang rata-rata dan variansnya tetap konstan dari waktu ke waktu
C. Serangkaian yang nilai rata-ratanya berubah seiring waktu
D. Seri yang tidak mengandung pertumbuhan atau penurunan
8. Deskripsi disediakan untuk beberapa jenis seri: acak, stasioner, tren,
dan musiman. Identifikasi jenis seri yang dijelaskan masing-masing.
A. Seri ini memiliki sifat statistik dasar, seperti rata-rata dan varians
tetap konstan dari waktu ke waktu.
B. Nilai berurutan dari deret waktu tidak terkait satu sama lain.
C. Hubungan yang tinggi ada di antara setiap nilai berurutan dari suatu seri.
42
D. Koefisien autokorelasi yang signifikan muncul pada jeda waktu 4 untuk data
triwulanan.
e. Serial ini tidak mengandung pertumbuhan atau penurunan.
F. Koefisien autokorelasi biasanya berbeda secara signifikan dari nol untuk beberapa
jeda waktu pertama dan kemudian secara bertahap menurun menuju nol seiring
dengan bertambahnya jumlah jeda.
9. Buatlah daftar beberapa teknik peramalan yang harus diperhatikan dalam peramalan
deret stasioner. Berikan contoh situasi di mana teknik ini dapat diterapkan.
10. Sebutkan beberapa teknik peramalan yang harus dipertimbangkan saat meramalkan
rangkaian tren. Berikan contoh situasi di mana teknik ini dapat diterapkan.
rangkaian musiman. Berikan contoh situasi di mana teknik ini dapat diterapkan.
rangkaian siklus. Berikan contoh situasi di mana teknik ini dapat diterapkan.
13. Jumlah pernikahan di Amerika Serikat diberikan pada Tabel P-13. Hitung perbedaan
pertama untuk data ini. Plot data asli dan data selisih sebagai deret waktu. Apakah ada
tren di salah satu seri ini? Membahas.
14. Hitung interval kepercayaan 95% untuk koefisien autokorelasi untuk jeda waktu 1 untuk
deret yang berisi 80 suku.
15. Ukuran akurasi perkiraan mana yang harus digunakan dalam setiap situasi berikut?
A. Analis perlu menentukan apakah metode peramalan bias. B. Analis merasa bahwa
ukuran atau besarnya variabel peramalan penting dalam mengevaluasi keakuratan
peramalan.
C. Analis perlu menghukum kesalahan peramalan yang besar.
TABEL P-13
Tahun Pernikahan (1.000 detik) Tahun Pernikahan (1.000 detik)
1985 2.413 1995 2.336

1986 2.407 1996 2.344
1987 2.403 1997 2.384
1988 2.396 1998 2.244
1989 2.403 1999 2.358
1990 2.443 2000 2.329
1991 2.371 2001 2.345
1992 2.362 2002 2.254
1993 2.334 2003 2.245
1994 2.362 2004 2.279
Sumber: BerdasarkanAbstrak Statistik Amerika Serikat, berbagai tahun.
43
16. Manakah dari pernyataan berikut yang benar tentang ukuran akurasi yang digunakan
untuk mengevaluasi perkiraan?
A. ItuPETAmempertimbangkan besarnya nilai yang diramalkan.
B. ItuMSEDanRMSEmenghukum kesalahan besar.
C. ItuDANdigunakan untuk menentukan apakah suatu model memprediksi secara sistematis juga
tinggi atau terlalu rendah.
D. Keuntungan dariGILAmetode adalah bahwa hal itu berhubungan ukuran kesalahan dengan
pengamatan yang sebenarnya.
17. Allie White, kepala bagian pinjaman Dominion Bank, ingin menanyakan
melisiskan portofolio kredit bank untuk tahun 2001 sampai dengan 2006. Data ditampilkan dalam
Tabel P-17.
A. Hitung autokorelasi untuk jeda waktu 1 dan 2. Uji untuk menentukan apakah
koefisien autokorelasi ini secara signifikan berbeda dari nol pada
0,05 tingkat signifikansi.
B. Gunakan program komputer untuk memplot data dan menghitung autokorelasinya
enam jeda waktu pertama. Apakah deret waktu ini stasioner?
TABEL P-17Triwulanan Pinjaman ($ juta) untuk

Bank Dominion, 2001–2006
Kalender Mar. 31 Juni 30 September 30 Des. 31
2001 2.313 2.495 2.609 2.792

2002 2.860 3.099 3.202 3.161
2003 3.399 3.471 3.545 3.851
2004 4.458 4.850 5.093 5.318
2005 5.756 6.013 6.158 6.289
2006 6.369 6.568 6.646 6.861
Sumber: Berdasarkan catatan Dominion Bank.
18. Pertanyaan ini mengacu pada Soal 17. Hitung selisih pertama triwulanan
data pinjaman untuk Dominion Bank.
A. Hitunglah koefisien autokorelasi untuk jeda waktu 1 menggunakan perbedaan
data.
B. Gunakan program komputer untuk memplot data yang berbeda dan menghitung autocor
hubungan untuk data yang berbeda untuk enam jeda waktu pertama. Apakah ini seri waktu
tidak bergerak?
19. Analisis koefisien autokorelasi untuk deret yang ditunjukkan pada Gambar 18 sampai
21. Jelaskan secara singkat setiap seri.
20. Seorang analis ingin menentukan apakah ada pola laba per
saham untuk Price Company, yang mengoperasikan grosir/eceran tunai dan angkut
bisnis di beberapa negara bagian dengan nama Price Club. Data ditunjukkan pada Tabel
P-20. Jelaskan pola apa saja yang ada pada data tersebut.
A. Temukan nilai prakiraan laba triwulanan per saham untuk Price Club
setiap kuartal dengan menggunakan pendekatan naif (yaitu, perkiraan untuk kuartal pertama 1987
adalah nilai untuk kuartal keempat 1986, 0,32).
B. Evaluasi perkiraan naif menggunakanGILA.
44
C. Evaluasi perkiraan naif

menggunakanMSEDanRMSE.D. Evaluasi perkiraan naif
menggunakanPETA.
e. Evaluasi perkiraan naif menggunakanDAN.
F. Tulis memo yang meringkas temuan Anda.
Fungsi Autokorelasi untuk Perdagangan
1.0
0,8
0,6
N
HAI
0,0
dia
A
−0,2
l
−0,4
−0,6
Dia
−0,8
R
HAI
C −1.0
HAI
itu
A
5 10 15
0,4
0,2
GAMBAR 18Fungsi Autokorelasi untuk Soal 19
Fungsi Autokorelasi untuk Asam
1.0
0,8
0,6
N
HAI
0,0
dia
A
−0,2
l
−0,4
−0,6
Dia
−0,8
R
HAI
C −1.0
HAI
itu
A
2 7 12 17
0,4
0,2
Fungsi Autokorelasi untuk Trade First Difference
1.0
0,8
0,6
N
HAI
0,0
dia
A
−0,2
l
−0,4
−0,6
Dia
−0,8
R
HAI
C −1.0
HAI
itu
5 15 25
A
0,4
0,2
45
Fungsi Autokorelasi untuk Bahan Bakar
1.0
0,8
0,6
N
HAI
0,0
dia
A
−0,2
l
−0,4
−0,6
Dia
−0,8
R
HAI
C −1.0
HAI
itu
5 10 15
A
0,4
0,2
TABEL P-20Laba Triwulanan per Saham untuk

Klub Harga: Kuartal 1986–1993
Tahun 1 2 3 4
1986 .40 .29 .24 .32
1987 .47 .34 .30 .39
1988 .63 .43 .38 .49
1989 .76 .51 .42 .61
1990 .86 .51 .47 .63
1991 .94 .56 .50 .65
1992 .95 .42 .57 .60
1993 .93 .38 .37 .57
Sumber: Survei Investasi Garis Nilai(New York: Garis Nilai,

1994), hal. 1646.
TABEL P-21Penjualan Mingguan Item Makanan

(Baca seberang)
2649,9 2898,7 2897,8 3054,3 3888,1 3963,6 3258,9 3199,6
3504,3 2445,9 1833,9 2185,4 3367,4 1374,1 497,51699.0

1425,4 1946,2 1809,9 2339,9 1717,9 2420,3 1396,51612.1
1367,9 2176,8 2725,0 3723,7 2016,0 862,2 1234,61166.5

1759,5 1039,4 2404,8 2047,8 4072,6 4600,5 2370,13542.3
2273,0 3596,6 2615,8 2253,3 1779,4 3917,9 3329,31864.4
3318,9 3342,6 2131,9 3003,2
21. Tabel P-21 berisi penjualan mingguan untuk suatu jenis makanan selama 52 minggu berturut-turut.
A. Plot data penjualan sebagai deret waktu.
B. Apakah menurut Anda deret ini stasioner atau nonstasioner?
C. Menggunakan Minitab atau program serupa, hitung autokorelasi penjualan
seri untuk 10 jeda waktu pertama. Apakah perilaku autokorelasi konsisten
dengan pilihan Anda di bagian b? Menjelaskan.
46
22. Pertanyaan ini mengacu pada Soal 21.

A. Cocokkan model acak yang diberikan oleh Persamaan 4 dengan data pada Tabel
N
P-21 dengan estimasiDiaT= DANT- DANNT= DANT- DANDAN DANT=DAN
padaCdengan sampel berarti begitu. Hitung sisa dengan menggunakan .
B. Menggunakan Minitab atau program serupa, hitung autokorelasi residu dari bagian c
untuk 10 jeda waktu pertama. Apakah model acak cukup untuk data penjualan?
Menjelaskan.
23. Tabel P-23 memuat pendapatan kuartalan Southwest Airlines sebelum pos luar biasa
($MM) untuk tahun 1988–1999.
A. Plot data pendapatan sebagai deret waktu dan gambarkan setiap pola yang
ada. B. Apakah deret ini stasioner atau nonstasioner? Menjelaskan.
C. Menggunakan Minitab atau program serupa, hitung autokorelasi dari deret
pendapatan untuk 10 jeda waktu pertama. Apakah perilaku autokorelasi konsisten
dengan pilihan Anda di bagian b? Menjelaskan.

A. Gunakan Minitab atau Excel untuk menghitungkeempatperbedaan data pendapatan
pada Tabel P-23. Perbedaan keempat dihitung dengan membedakan pengamatan empat
periode waktu terpisah. Dengan data triwulanan, prosedur ini terkadang berguna untuk
membuat deret stasioner dari deret nonstasioner. Akibatnya,
data yang dibedakan keempat akan 2=
DAN5-DAN1=19.64-.17=19.47,DAN6-DAN
.
19.24-15.13=4.11, . . . , Dan seterusnya
B. Plot deret waktu perbedaan keempat. Apakah deret waktu ini tampak stasioner atau
nonstasioner? Menjelaskan.

A. Pertimbangkan metode peramalan naif di mana pendapatan kuartal pertama
digunakan untuk meramalkan pendapatan kuartal pertama untuk tahun berikutnya,
pendapatan kuartal kedua digunakan untuk meramalkan pendapatan kuartal kedua,
dan seterusnya. Misalnya, perkiraan pendapatan kuartal pertama tahun 1998
disediakan oleh pendapatan kuartal pertama tahun 1997, 50,87 (lihat Tabel P-23).
Gunakan metode naif ini untuk menghitung prakiraan pendapatan kuartalan untuk
tahun 1998–1999.
TABEL P-23Pendapatan Triwulanan untuk Southwest Airlines ($MM)
Tahun 1 2 3 4
1988 0,17 15,13 26,59 16,07
1989 19,64 19,24 24,57 8,11
1990 5,09 23,53 23,04 -4,58
1991 -8,21 10,57 15,72 8,84
1992 13,48 23,48 26,89 27,17
1993 24,93 42,15 48,83 38,37
1994 41,85 58,52 58,62 20,34
1995 11,83 59,72 67,72 43,36
1996 33,00 85,32 60,86 28,16
1997 50,87 93,83 92,51 80,55
1998 70,01 133,39 129,64 100,38
1999 95,85 157,76 126,98 93,80
Sumber:BerdasarkanBasis Data Triwulan Industri Compustat.
47
B. Dengan menggunakan prakiraan di bagian a, hitunglahGILA,RMSE, DanPETA.

C. Mengingat hasil di bagian b dan sifat pola dalam rangkaian pendapatan, apakah
menurut Anda metode peramalan naif ini layak? Bisakah Anda memikirkan metode
naif lain yang mungkin lebih baik?
KASUS
KASUS 1A FURNITUR
MURPHY BROTHERS
menemukan teknik peramalan?
Pada tahun 1958, saudara-saudara Murphy

mendirikan toko furnitur di pusat kota Dallas.
Selama bertahun-tahun, mereka cukup sukses dan
memperluas jangkauan ritel mereka ke seluruh Barat 48
dan Midwest. Pada tahun 1996, rantai toko furnitur banyak publikasi federal. Setelah melihat-lihat salinan
mereka telah mapan di 36 negara bagian. terbaru dariSurvei Bisnis Saat Ini,dia menemukan
Julie Murphy, putri salah satu pendiri, baru saja riwayat penjualan bulanan untuk semua toko ritel di
bergabung dengan firma tersebut. Ayah dan Amerika Serikat dan memutuskan untuk menggunakan
pamannya canggih dalam banyak hal tetapi tidak variabel ini sebagai pengganti variabel minatnya, dolar
dalam bidang keterampilan kuantitatif. Secara penjualan Murphy Brothers. Dia beralasan bahwa, jika
khusus, mereka berdua merasa bahwa mereka tidak dia dapat membuat prakiraan yang akurat untuk
dapat memperkirakan secara akurat penjualan penjualan nasional, dia dapat menghubungkan
Murphy Brothers di masa depan dengan prakiraan ini dengan penjualan Murphy sendiri dan
menggunakan teknik komputer modern. Untuk menghasilkan prakiraan yang dia inginkan.
alasan ini, mereka meminta bantuan Julie sebagai Tabel 8 menunjukkan data yang dikumpulkan Julie,
bagian dari pekerjaan barunya. dan Gambar 22 menunjukkan plot data yang disediakan
Julie pertama kali mempertimbangkan untuk oleh program komputer Julie. Julie memulai analisisnya
menggunakan dolar penjualan Murphy sebagai dengan menggunakan komputer untuk mengembangkan
variabelnya, tetapi menemukan bahwa beberapa plot koefisien autokorelasi.
tahun sejarahnya hilang. Dia bertanya kepada Setelah memeriksa fungsi autokorelasi yang
ayahnya, Glen, tentang hal ini, dan dia mengatakan dihasilkan pada Gambar 23, jelas bagi Julie bahwa
kepadanya bahwa pada saat itu dia "tidak datanya mengandung tren. Koefisien autokorelasi awal
menganggap itu penting". Julie menjelaskan sangat besar, dan turun menuju nol dengan sangat
pentingnya data masa lalu kepada Glen, dan dia lambat seiring berjalannya waktu. Untuk membuat
menyatakan bahwa dia akan menyimpan data masa rangkaian stasioner sehingga berbagai metode
depan. peramalan dapat dipertimbangkan, Julie memutuskan
Julie memutuskan bahwa penjualan Murphy untuk membedakan datanya terlebih dahulu untuk
mungkin terkait erat dengan angka penjualan melihat apakah tren tersebut dapat dihilangkan. Fungsi
nasional dan memutuskan untuk mencari variabel korelasi otomatis untuk data yang dibedakan pertama
yang sesuai di salah satu ditunjukkan pada Gambar 24.
PERTANYAAN
1. Apa yang harus Julie simpulkan tentang seri 3. Teknik peramalan apa yang harus Julie coba? 4.
penjualan eceran? Bagaimana Julie mengetahui teknik mana yang paling
2. Apakah Julie membuat kemajuan yang baik dalam berhasil?
TABEL 8Penjualan Bulanan ($ miliar) untuk Semua Toko Eceran, 1983–1995
1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995Januari 81,3 93,1 98,8
105,6 106,4 113,6 122,5 132,6 130,9 142,1 148,4 154,6 167,0 Feb. 78,9 93,7 95,6 99,7 105,8 115,0
118,9 127,3 128,6 143,1 145,0 155,8 164,0 Mar. 93,8 103,3 110,2 114,2 120,4 131,6 141,3 148,3
149,3 154,7 164,6 184,2 192,1 Apr. 93.8 103.9 113.1 115.7 125.4 130.9 139.8 145.0 148.5 159.1 170.3
181.8 187.5 97.8 111.8 120.3 125.4 129.1 136.0 150.3 154.1 159.8 165.8 176.1 187.2 201.4 Jun. 100,6
112,3 115,0 120,4 129,0 137,5 149,0 153,5 153,9 164,6 175,7 190,1 202,6 Jul. 99,4 106,9 115,5 120,7
129,3 134,1 144,6 148,9 154,6 166,0 177,7 185,8 194,9 Agt. 100,1 111,2 121,1 124,1 131,5 138,7
153,0 157,4 159,9 166,3 177,1 193,8 204,2 Sep. 97,9 104,0 113,8 124,4 124,5 131,9 144,1 145,6 146,7
160,6 171,1 185,9 192,8 Okt. 100,7 109,6 115,8 123,8 128,3 133,8 142,3 151,5 152,1 168,7 176,4
189,7 194,0 November 103,9 113,5 118,1 121,4 126,9 140,2 148,8 156,1 155,6 167,2 180,9 194,7
202,4 Des. 125,8 132,3 138,6 152,1 157,2 171,0 176,5 179,7 181,0 204,1 218,3 233,3 238,0
Sumber:BerdasarkanSurvei Bisnis Saat Ini, berbagai tahun.
GAMBAR 22Grafik Time Series Penjualan Bulanan
untuk Semua Toko Eceran A.S., 1983–1995
GAMBAR 23Fungsi Autokorelasi untuk Penjualan Bulanan

untuk Semua Toko Eceran A.S
49
GAMBAR 24Fungsi Autokorelasi untuk Penjualan Bulanan
untuk Semua Toko Eceran A.S. Perbedaan Pertama
TABEL 9Penjualan Bulanan untuk Murphy Brothers Furniture,
1992–1995Januari Februari Merusak. April Mei Jun. Juli Agustus September
Oktober November Desember
1992 4.906 5.068 4.710 4.792 4.638 4.670 4.574 4.477 4.571 4.370 4.2933,911 1993 5,389
5,507 4,727 5,030 4,926 4,847 4,814 4,744 4,844 4,769 4,483 4,120 1994 5,270 5,835 5,147
5,354 5,290 5,271 5,328 5,164 5,372 5,313 4,924 4,552 1995 6,283 6,051 5,298 5,659 5,343
5,461 5,568 5,287 5,555 5,501 5,201 4,826
Sumber:Catatan penjualan Murphy Brothers.
KASUS 1B MEBEL MURPHY BROTHERS
Glen Murphy tidak senang dihukum oleh putrinya.

Dia memutuskan untuk melakukan pencarian intensif
atas catatan Murphy Brothers. Setelah melakukan50
investigasi, dia bersemangat untuk menemukan data Tabel 9. Dia terkejut saat mengetahui bahwa Julie tidak
penjualan selama empat tahun terakhir, 1992 sampai memiliki antusiasme yang sama. Dia tahu bahwa
1995, seperti yang ditunjukkan pada memperoleh data penjualan aktual selama 4 tahun
terakhir adalah kejadian yang positif. Masalah Julie
adalah dia tidak yakin apa yang harus dilakukan dengan
data yang baru diperoleh.
PERTANYAAN
1. Apa yang harus Julie simpulkan tentang data
penjualan Murphy Brothers?
2. Bagaimana pola data penjualan aktual
dibandingkan dengan pola data penjualan eceran 3. Data apa yang harus digunakan Julie untuk
yang disajikan pada Kasus 1A? mengembangkan model pengecoran depan?
Menjelajahi Pola Data dan Pengantar Teknik Peramalan KASUS
2 Tn. TUX
data penjualan Mr. Tux.
Terakhir, John menggunakan program komputer
John Mosby, pemilik beberapa toko persewaan Mr. Tux, lain untuk menghitung persentase varian dalam data asli
mulai meramalkan variabel bisnis terpentingnya, yang dijelaskan oleh komponen tren, musiman, dan
penjualan dolar bulanan. Salah satu karyawannya, acak.
Virginia Perot, telah mengumpulkan data penjualan. Program menghitung persentase varians dalam data
John memutuskan untuk menggunakan semua data asli yang dijelaskan oleh faktor-faktor dalam analisis:
selama 96 bulan yang telah dikumpulkannya. Dia
menjalankan data pada Minitab dan mendapatkan FAKTOR % DIJELASKAN
fungsi autokorelasi yang ditunjukkan pada Gambar 25.
Karena semua koefisien autokorelasi adalah positif dan Data 100
]
menghilang dengan sangat lambat, John menyimpulkan Tren 6

Musiman 45
bahwa datanya memiliki tren.
Acak 49
Selanjutnya, John meminta program menghitung
perbedaan pertama dari data. Gambar 26 menunjukkan
fungsi autokorelasi untuk data yang dibedakan.
Koefisien autokorelasi untuk jeda waktu 12 danR12=.68
danR24=.42
24, , masing-masing, keduanya berbeda secara
signifikan dari nol. 3. Bagaimana Anda menjelaskan kalimat “Acak 49%.”?
4. Pertimbangkan autokorelasi yang
signifikan,R12DanR24, untuk data yang dibedakan.
PERTANYAAN Apakah Anda menyimpulkan bahwa perbedaan
1. Ringkaslah hasil analisis John dalam satu paragraf penjualan pertama memiliki komponen musiman? Jika
yang dapat dipahami oleh seorang manajer, bukan ya, apa implikasinya terhadap peramalan, katakanlah,
peramal. perubahan bulanan dalam penjualan?
2. Jelaskan tren dan efek musiman yang muncul dalam
GAMBAR 25Fungsi Autokorelasi untuk Mr. Tux Data

51
GAMBAR 26Fungsi Autokorelasi untuk Mr. Tux Data Perbedaan
Pertama KASUS 3 KONSELING KREDIT
KONSUMEN
berbagai teknik eksplorasi data, disepakati untuk

Marv Harnishfeger, direktur eksekutif, prihatin tentang menganalisis masalah. Dia meminta Marv untuk
ukuran dan penjadwalan staf untuk sisa tahun 1993. Dia memberikan data bulanan untuk jumlah klien baru yang
menjelaskan masalahnya kepada Dorothy Mercer, dilihat. Marv memberikan data bulanan yang
presiden komite eksekutif yang baru terpilih. Dorothy ditunjukkan pada Tabel 10 untuk jumlah klien baru
memikirkan masalahnya dan menyimpulkan bahwa yang dilihat oleh CCC untuk periode Januari 1985
Konseling Kredit Konsumen (CCC) perlu menganalisis hingga Maret 1993. Dorothy kemudian menganalisis
jumlah klien baru yang diperolehnya setiap bulan. data ini menggunakan plot deret waktu dan analisis
Dorothy, yang bekerja untuk utilitas lokal dan akrab autokorelasi.
dengannya
TABEL 10Jumlah Klien Baru Dilihat oleh CCC dari Januari 1985
sampai Maret 1993
Januari Februari Merusak. April Mei Jun. Juli Agustus September Oktober November Desember
1985 182 136 99 77 75 63 87 73 83 82 74 75 1986 102 121 128 128 112 122 104 108 97 141 97 87
1987 145 103 113 150 100 131 96 92 88 118 98 98 1988 101 153 138 107 100 114 78 78 94 94 94
94 98 1988 1988 153 138 107 100 114 78 78 78 94 94 94 94 98 103 104 1989 150 102 151 100 100
98 97 120 98 135 141 67 1990 127 146 175 110 153 117 121 121 131 147 121 110 1991 171 185
172 168 142 152 151 141 128 151 121 126 1992 166 138 175 108 112 147 168 168 168 128 126
126 1992 166 138 175 108 118 118 118111111111 145 149 169 138 1993 152 151 199
52
Menjelajahi Pola Data dan Pengantar Teknik
PeramalanPERTANYAAN
1. Jelaskan bagaimana Dorothy menggunakan analisis analisis ini?

autokorelasi untuk mengeksplorasi pola data 3. Jenis teknik peramalan apa yang Dorothy
jumlah klien baru yang dilihat oleh CCC. rekomendasikan untuk kumpulan data ini?
2. Apa yang dia simpulkan setelah menyelesaikan
KASUS 4 TOKO MAKANAN ALOMEGA

1. Apa kesimpulan Julie tentang pola data Penjualan
Alomega?
Presiden Alomega, Julie Ruth, telah mengumpulkan variabel prediktor mana yang terbaik untuk tujuan ini.
data dari operasi perusahaannya. Dia menemukan Julie menyelidiki hubungan antara penjualan dan
beberapa bulan data penjualan bersama dengan kemungkinan variabel prediktor. Dia sekarang
beberapa kemungkinan variabel prediktor. Saat tim menyadari bahwa langkah ini terlalu dini karena dia
analisisnya bekerja dengan data untuk memperkirakan bahkan tidak mengetahui pola data penjualannya. (Lihat
penjualan bulanan, dia menjadi tidak sabar dan Tabel 11.)
bertanya-tanya
PERTANYAAN
TABEL 11Penjualan Bulanan untuk 27 Alomega
Toko Makanan, 2003–2006
Bulan 2003 2004 2005 2006
Januari 425.075 629.404 655.748 455.136

Februari 315.305 263.467 270.483 247.570
Maret 432.101 468.612 429.480 732.005
Apr 357.191 313.221 260.458 357.107
Mei 347.874 444.404 528.210 453.156
Juni 435.529 386.986 379.856 320.103
Juli 299.403 414.314 472.058 451.779
Agu 296.505 253.493 254.516 249.482
Sep 426.701 484.365 551.354 744.583
Oktober 329.722 305.989 335.826 421.186
Nov 281.783 315.407 320.408 397.367
Des 166.391 182.784 276.901 269.096
53
Menjelajahi Pola Data dan Pengantar Teknik Peramalan KASUS
5 ASSORTMENT COOKIES
GAMESA. Dia mengumpulkan data permintaan agregat
bulanan (dalam kilogram) untuk kue Surtido dari
Perusahaan GAMESA adalah produsen kue, makanan Januari 2000 hingga Mei 2003. Hasilnya ditunjukkan
ringan, dan kue kering terbesar di Meksiko dan pada Tabel 12.
Amerika Latin.
Jame Luna, seorang analis untuk SINTEC, yang
merupakan perusahaan konsultan rantai pasokan
penting yang berbasis di Meksiko, bekerja sama dengan
GAMESA pada sistem perutean dan docking kendaraan
yang optimal untuk semua pusat distribusi di Meksiko. PERTANYAAN
Prakiraan permintaan untuk produk GAMESA akan 1. Apa yang harus Jame simpulkan tentang pola data
membantu menghasilkan rencana kebutuhan truk penjualan kue Surtido?
pelampung dan gudang terkait dengan rute kendaraan Surtido adalah campuran berbagai kue dalam satu
dan sistem dok yang optimal. penyajian. Jame tahu produk ini biasa disajikan di acara
Sebagai titik awal, Jame memutuskan untuk fokus pertemuan, pesta, dan reuni. Ini juga populer selama
pada salah satu produk utama dari Divisi Cookies liburan Natal. Jadi Jame cukup yakin akan ada
komponen musiman dalam rangkaian waktu penjualan
bulanan, tapi dia tidak yakin apakah ada tren penjualan. penjualan bulan Januari tahun 2000–2002 akan
Dia memutuskan untuk memplot rangkaian penjualan digunakan untuk meramalkan penjualan bulan Januari
dan menggunakan analisis autokorelasi untuk tahun 2003 dan seterusnya.
membantunya menentukan apakah data ini memiliki
tren dan komponen musiman.
Karin, salah satu anggota tim Jame, menyarankan
bahwa perkiraan penjualan bulanan di masa mendatang
dapat dihasilkan hanya dengan menggunakan rata-rata
penjualan setiap bulan. Jame memutuskan untuk
2. Apa yang dipelajari Jame tentang akurasi ramalan
menguji saran ini dengan "menahan" penjualan bulanan
saran Karin?
untuk tahun 2003 sebagai kasus uji. Kemudian rata-rata
TABEL 12Penjualan Bulanan (dalam kg) untuk Surtido Cookies,

Januari 2000–Mei 2003
Bulan 2000 2001 2002 2003
Januari 666.922 802.365 574.064 1.072.617
Februari 559.962 567.637 521.469 510.005
Mar 441.071 527.987 522.118 579.541
April 556.265 684.457 716.624 771.350
Mei 529.673 747.335 632.066 590.556
Juni 564.722 658.036 633.984
Juli 638.531 874.679 543.636
Agustus 478.899 793.355 596.131
Sep 917.045 1.819.748 1.606.798
Okt 1.515.695 1.600.287 1.774.832
Nov 1.834.695 2.177.214 2.102.863
Des 1.874.515 1.759.703 1.819.749
54
Aplikasi minitab
Masalah.Dalam Contoh 4, Maggie Trymane, seorang analis Sears, ingin meramalkan

penjualan untuk tahun 2005. Dia perlu menentukan pola data penjualan untuk tahun-tahun berikutnya
1955 hingga 2004.
Solusi Minitab
1. Masukkan data Sears yang ditunjukkan pada Tabel 4 ke dalam kolom C1. Karena datanya sudah
disimpan dalam file bernama Tab4.MTW, klik
File> Buka Lembar Kerja
dan klik dua kali file Minitab Ch3. Klik pada Tab4.MTW dan Buka file. Itu
Data Sears akan muncul di C1.
2. Untuk membuat fungsi autokorelasi, klik menu berikut, seperti yang ditunjukkan pada
Gambar 27:
Stat>Time Series>Autokorelasi
3. Muncul kotak dialog Autocorrelation Function seperti pada Gambar 28.

A. Klik dua kali pada variabel Pendapatan dan akan muncul di sebelah kanan Seri.
B. Masukkan Judul di ruang yang sesuai dan klik OK. Koreksi otomatis yang dihasilkan
fungsi lation ditunjukkan pada Gambar 11.
4. Untuk membedakan data, klik menu-menu berikut:
Stat>Deret Waktu>Perbedaan
GAMBAR 27Menu Autokorelasi Minitab
55
GAMBAR 28Autokorelasi Minitab
Kotak Dialog Fungsi
GAMBAR 29Kotak Dialog Perbedaan Minitab
Opsi Perbedaan berada di atas opsi Autokorelasi yang ditunjukkan pada Gambar 27.
5. Kotak dialog Perbedaan yang ditunjukkan pada Gambar 29 muncul.
A. Klik dua kali pada variabel Pendapatan dan akan muncul di sebelah kanan Seri.
B. Tab untuk Menyimpan perbedaan dalam: dan masukkan C2. Data yang dibedakan sekarang akan muncul
di lembar kerja di kolom C2.
56
Aplikasi Excel
Masalah.Harry Vernon ingin menggunakan Excel untuk menghitung koefisien autokorelasi

cients dan correlogram untuk data yang disajikan pada Tabel 1.
Solusi Excel
1. Buat file baru dengan mengklik menu berikut:
Berkas> Baru
2. Posisikan mouse pada A1. Perhatikan bahwa, setiap kali Anda memosisikan mouse pada sebuah sel,
itu disorot. Ketik tajuk TOKO MUSIK VERNON. Posisikan
mouse di A2 dan ketik JUMLAH VCRS TERJUAL.
3. Posisikan mouse pada A4 dan ketik Bulan. Tekan <enter> dan sel A5 tinggi
berlampu. Sekarang masukkan setiap bulan, dimulai dengan Januari di A5 dan diakhiri dengan
Desember di A16.
4. Posisikan mouse pada B4 dan ketikDAN.Masukkan data dari Tabel 1, dimulai dari sel
B5. Posisikan mouse di C4 dan ketikDENGAN.
5. Sorot sel B4:C16 dan klik menu berikut:
Sisipkan>Nama>Buat
Di kotak dialog Buat Nama, klik kotak centang Baris atas, dan klik OK.
Langkah ini menciptakan namaDANuntuk rentang B5:B16 dan namanyaDENGANuntuk jangkauan
C5:C16.
6. Sorot C5 dan masukkan formula
=(B5-RATA-RATA(Y))/STDEV(Y)
Salin C5 ke sisa kolom dengan menyorotnya lalu klik Isi

pegangan di sudut kanan bawah dan seret ke bawah ke sel C16. Dengan sel
C5:C16 masih disorot, klik tombol Turunkan Desimal (ditunjukkan pada Gambar 30
ke arah tengah atas) hingga tiga tempat desimal ditampilkan. Penurunan
Tombol desimal ada di bilah tugas Pemformatan. Bilah tugas ini dapat ditampilkan oleh
klik kanan File lalu klik kiri Formatting.
7. Masukkan label LAG dan ACF di sel E4 dan F4. Untuk memeriksa enam yang pertama
jeda waktu, masukkan angka 1 sampai 6 di sel E5:E10.
8. Sorot F5 dan masukkan rumusnya
=SUMPRODUCT(OFFSET(Z,E5,0,12–E5),OFFSET(Z,0,0,12-E5))/11
Sorot F5, klik gagang Isi di sudut kanan bawah, dan seret ke bawah ke sel
F10. Dengan sel F5:F10 masih disorot, klik tombol Turunkan Desimal hingga
tiga tempat desimal ditampilkan. Hasilnya ditunjukkan pada Gambar 30.
9. Untuk mengembangkan fungsi autokorelasi, sorot sel F5:F10. Klik pada
Alat ChartWizard (ditunjukkan pada Gambar 31 ke arah tengah atas).
10. ChartWizard—Kotak dialog Langkah 1 hingga 4 muncul. Pada langkah 1, pilih jenis bagan menurut
mengklik Kolom dan kemudian Berikutnya. Di kotak dialog untuk langkah 2, klik Seri
kotak dialog. Di bagian kosong di sebelah Nama, ketik Kor.. Klik Berikutnya dan dialog langkah 3
kotak muncul. Di bawah Judul bagan, hapus Kor.. Di bawah Kategori (X) sumbu, ketik Waktu
Lag. Sekarang klik pada kotak dialog Tabel Data dan pada kotak di sebelah Tampilkan data
meja. Klik Berikutnya untuk mendapatkan kotak dialog langkah 4 dan kemudian Selesai untuk menghasilkan
57
GAMBAR 30Spreadsheet Excel untuk Data VCR
GAMBAR 31Output Excel untuk Fungsi Autokorelasi
fungsi autokorelasi ditunjukkan pada Gambar 31. Klik salah satu sudut grafik,
dan memindahkannya ke luar untuk memperbesar fungsi autokorelasi.
11. Untuk menyimpan data, klik
Berkas>Simpan Sebagai
Di kotak dialog Simpan Sebagai, ketikkan Tab1 di ruang di sebelah kanan Nama file. Klik
Simpan dan file akan disimpan sebagai Tab1.xls.
58
Menjelajahi Pola Data dan Pengantar Teknik PeramalanReferensi
Armstrong, J.S., ed.Prinsip Peramalan: Buku

Pegangan untuk Peneliti dan Praktisi. Norwell,
Massa.: Kluwer, 2001.
Diebold, F.X.Elemen Peramalan, edisi ke-3.
Cincinnati, Ohio: Barat Daya, 2004.
Ermer, C. M. "Biaya Kesalahan Mempengaruhi
Pemilihan Model Peramalan."Jurnal Peramalan
Bisnis9 (Musim Semi 1991): 10–12.
Fildes, R., M. Hibon, S. Makridakis, dan N. Meade.
"Keakuratan Metode Peramalan Ekstrapolatif: Bukti
Empiris Tambahan."Jurnal Peramalan
Internasional13 (1997): 13.
Makridakis, S., A. Andersen, R. Carbone, R. Fildes,
M. Hibon, R. Lewandowski, J. Newton, E. Parzen,
dan R. Winkler. "Keakuratan Metode Ekstrapolasi
(Rangkaian Waktu): Hasil Kompetisi
Peramalan."Jurnal Peramalan1 (1982): 111–153.
Makridakis, S., C. Chatfield, M. Hibon, M.
Lawrence, T. Mills, J. K. Ord, dan L. F. Simmons.
“The M2- Competition: Studi Peramalan Berbasis
Penilaian Real Time.”Jurnal Internasional dari
Peramalan9 (1993): 5–30.
Makridakis, S., dan M. Hibon. “M3-
Persaingan: Hasil, Kesimpulan dan
Implikasi."Jurnal Peramalan Internasional16
(2000): 451–476.
Newbold, P., dan T. Bos.Bisnis pengantar dan
Peramalan Ekonomi, edisi ke-2. Cincinnati, Ohio:
Barat Daya, 1994.
Quenouille, M. H. "Distribusi Bersama Koefisien
Korelasi Serial."Sejarah dari
Statistik Matematika20 (1949): 561–571.
Wilkinson, G. F. “Bagaimana Model Peramalan
Terpilih."Jurnal Peramalan Bisnis7
(Musim panas 1989): 7–8.
59
Halaman ini sengaja dikosongkan

Translated Copy of Business Forecasting - Exploring Data

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Translated Copy of Business Forecasting - Exploring Data

Diunggah oleh

Hak Cipta:

Format Tersedia

MENJELAJAHI POLA DATA

DAN PENGANTAR UNTUK

Cross-sectionaldata adalah pengamatan yang dikumpulkan pada satu titik waktu.

MENJELAJAHI POLA DATA DERET WAKTU

Garis TrenLembah Siklus

GAMBAR 2Komponen Tren dan Siklus dari Deret Waktu

Itukecenderunganadalah komponen jangka panjang yang mewakili pertumbuhan atau

Itukomponen siklusadalah fluktuasi mirip gelombang di sekitar tren.

Penggunaan Listrik untuk Tenaga Air Washington: 1980–1991

K 1980 1982 1984 1986

GAMBAR 3Penggunaan Listrik untuk Tenaga Air Washington

Itukomponen musimanadalah pola perubahan yang berulang dari tahun ke tahun.

MENJELAJAHI POLA DATA DENGAN ANALISIS AUTOKORELASI

VCR untuk Contoh 1

Waktu Y Tertinggal Y Tertinggal

Persamaan 1 adalah rumus untuk menghitung lagkkoefisien autokorelasi (Rk)DANT-k

Rk=koefisien autokorelasi untuk lagkperiode

dan Persamaan 1. Jadi,N

MEJA 2 Perhitungan Koefisien Autokorelasi Lag 1

Waktu t Y TDANT-11DANT-DAN2 1DANT-1-DAN2 1DAN-DAN22(DANT–1——

Koefisien autokorelasi orde kedua (R2), atau korelasi antaraDANTDan

GAMBAR 4Diagram Pencar untuk Data Toko Musik Vernon untuk

Itucorrelogramataufungsi autokorelasiadalah grafik autokorelasi untuk berbagai lag

GAMBAR 5Correlogram atau Fungsi Autokorelasi untuk Data

SE1Rk2 =kesalahan standar1perkiraan standar deviasi2

N=jumlah pengamatan dalam deret waktu

Apakah Datanya Acak?

Jika hipotesis nol benar, statistik uji

dan uji statistik

Saya=1 12= 1.138=.371

tertinggal 1:0;T.025*SE1R12atau0;2.21.2892 : 1-.636, .6362

TABEL 3Time Series dari 40 Angka Acak untuk Contoh 3

GAMBAR 6Time Series Plot 40 Angka Acak Digunakan

GAMBAR 7Fungsi Autokorelasi untuk Data yang Digunakan pada Contoh 3

Apakah Data Memiliki Tren?

TABEL 4Pendapatan Operasional Tahunan untuk Sears, 1955–2004, untuk Contoh 4

Tahun Y TTahun Y TTahun Y TTahun Y TTahun Y T

Sumber: Survei Industri, berbagai tahun.

GAMBAR 11Fungsi Autokorelasi untuk Operasi Sears

GAMBAR 13Fungsi Autokorelasi untuk Perbedaan Pertama dari

TABEL 5Penjualan Kuartalan untuk Coastal Marine,

Tahun Anggaran 31 Desember 31 Maret 31 Juni 30 September 30

1994 147,6 251,8 273,1 249,1

Apakah Data Musiman?

MEMILIH TEKNIK PERAMALAN

GAMBAR 15Fungsi Autokorelasi untuk Penjualan Kuartalan untuk

• Apa karakteristik dari data yang tersedia?

•Penerimaan pasar meningkat.Contohnya adalah periode pertumbuhan dalam siklus hidup

Teknik Peramalan Data Musiman

Teknik Peramalan Deret Siklus

TABEL 6Memilih Teknik Peramalan

MENGUKUR KESALAHAN PERAMALAN

Karena teknik peramalan kuantitatif seringkali melibatkan data deret waktu, a

DiaT=kesalahan perkiraan dalam periode waktuT

DANNT=nilai ramalan untuk periode waktuT

Terkadang lebih berguna untuk menghitung kesalahan perkiraan dalam bentuk

Keputusan untuk menggunakan teknik peramalan tertentu sebagian didasarkan pada

Contoh 6 akan mengilustrasikan bagaimana masing-masing pengukuran kesalahan ini dihitung.

TABEL 7Data Digunakan dalam Perhitungan untuk Mengukur Prakiraan

MENENTUKAN KECUKUPAN TEKNIK PERAMALAN

Sebelum peramalan dengan teknik yang dipilih, kecukupan pilihan harus

GAMBAR 16Fungsi Autokorelasi untuk Residu dengan Pola

APLIKASI UNTUK MANAJEMEN