Gesit Thabrani
Ilham Thaib
PERAMALAN BISNIS
Analisis Kasus dengan Microsoft Excel
Gesit Thabrani
Ilham Thaib
JURUSAN MANAJEMEN
FAKULTAS EKONOMI
UNIVERSITAS NEGERI PADANG
KATA PENGANTAR
Syukur Alhamdulillah, berkat rahmat dan karunia Allah SWT, akhirnya penulis
bisa menyelesaikan buku praktikum dengan judul Praktikum Peramalan Bisnis.
Buku ini disusun dengan tujuan agar dapat memberikan pemahaman praktis bagi
pengguna dalam melakukan peramalan dalam bisnis. Teknik-teknik peramalan
yang dibahas dalam buku ini meliputi model-model time series yaitu naïve, rata-
rata sederhana (simple average), rata-rata bergerak (moving average), pemulusan
eksponensial (exponential smoothing), proyeksi trend (trend projection),
dekomposisi, serta model kausal yaitu regresi sederhan (simple regression) dan
regresi berganda (multiple regression).
Penulis sangat menyadari buku ini masih memiliki banyak kekurangan, sehingga
penulis sangat mengharapkan saran dan masukan dari semua pihak yang dapat
membantu agar buku ini bisa diperbaiki menjadi lebih baik.
Terakhir penulis berterima kasih kepada semua pihak yang telah ikut
berkontribusi dan membantu dalam pembuatan buku ini. Semoga Allah SWT
membalas segala kebaikan dengan pahala yang berlipat ganda.
Gesit Thabrani
i
DAFTAR ISI
DAFTAR PUSTAKA
ii
Pendahuluan
Apa itu Peramalan dalam Bisnis?
1
Pendahuluan Apa itu Peramalan dalam Bisnis?
masa lalu. Berarti, model ini akan menggunakan data masa lalu untuk
meramalkan masa depan.
Peramalan dilakukan dengan dasar mengamati adanya pola tertentu dari
data. Asumsi yang digunakan adalah adanya pola tertentu setiap data time
series. Misal adanya kenaikan penjualan pada musim lebaran, penurunan
penjualan pada waktu tertentu, kenaikan penjualan dalam kurun wakti tertentu,
dan pola-pola lainnya. Yang dilakukan adalah mengamati pola, memasukkan
model yang tepat, dan melakukan prediksi.
Model time-series itu antara lain; moving average, exponential smoothing,
trend projection dan decomposition.
2) Model kausal
Model kausal memasukkan variabel atau faktor yang mungkin
mempengaruhi kuantitas yang diramalkan ke dalam model peramalan.
Misalnya, penjualan soft drink perhari mungkin dipengaruhi oleh musim, rata-
rata temperatur, kelembaban udara, dan sebagainya. Model kausal mungkin
akan memasukkan semua faktor tersebut ke dalam peramalan penjualan soft
drink tersebut. Model kausal bisa juga memasukkan data penjualan masa lalu.
Peramalan dilakukan dengan dugaan adanya hubungan di antara
sejumlah variabel. Pada model ini dikembangkan pemilihan mana variabel
dependen dan mana variabel independen. Kemudian proses dilanjutkan
dengan membuat sebuah model (biasanya dengan model regresi) dan
memprediksi berdasarkan model tersebut.
3) Model kualitatif
Jika model time-series dan model kausal menggunakan data kuantitatif,
maka model kualitatif mencoba memasukkan pendapat atau faktor-faktor
subyektif ke dalam model peramalan, seperti opini ahli dan pengalaman
individu. Model kualitatif akan sangat berguna jika memang faktor subyektif
sangat diperlukan atau pada saat data-data kuantitatif yang akurat sulit untuk
diperoleh. Diantara model kualitatif adalah metode Delphi, jury of executive
opinion, sales force composite dan consumer market survey.
2
Pendahuluan Apa itu Peramalan dalam Bisnis?
Teknik-teknik
Peramalan
Decomposition Consumer
Market Survey
3
Praktikum 1
Eksplorasi Pola Data Time-Series
2.1 Tujuan
Peserta diharapkan paham dan mampu untuk mengenali pola dari data observasi
sehingga dapat memilih metode peramalan yang tepat.
Pembagian Data
Data dapat dibedakan berdasarkan waktu pengumpulannya, yang terbagi menjadi
data runtut waktu (time-series) dan data cross section.
Data runtut waktu (time-series) atau data berkala adalah data yang datanya
menggambarkan sesuatu dari waktu ke waktu atau periode secara historis. Contoh
data time series adalah data perkembangan nilai tukar dollar amerika terhadap
euro Eropa dari tahun 2004 sampai 2006, Data penjualan bulanan sepeda motor di
4
Praktikum 1 Eksplorasi Pola Data Time Series
daerah A dari tahun 2000 sampai 2007. Ciri data time series adalah adanya
rentang waktu tertentu, dan bukannya data pada satu waktu tertentu.
Data cross section adalah data yang menunjukkan titik waktu tertentu.
Contohnya laporan keuangan per 31 Desember 2012, data pelanggan PT. AHP
bulan Mei 2004, data biaya promosi di sepuluh area pemasaran produk X selama
bulan Januari 2012 (data hanya diambil untuk satu bulan saja).
Secara ringkas, perbedaan antara data time-series dengan data cross-section
adalah: data cross-section memiliki variabel lebih dari satu, namun jangka waktu
pengamatan hanya satu waktu tertentu, sedangkan data time-series hanya
memiliki satu variabel, namun jangka waktu pengamatan dapat banyak.
5
Praktikum 1 Eksplorasi Pola Data Time Series
Uji pola data pada intinya adalah menguji apakah sebuah data dapat dikatakan
stasioner atau tidak. Jika pada data terdapat trend atau ada komponen musiman
atau siklus, maka data tidak dapat dikatakan stasioner. Namun sebaliknya, jika
pada data tidak ada trend, musiman atau siklus, maka data dapat dikatakan
stasioner. Stasioneritas data penting untuk menentukan lebih jauh metode
peramalan apa yang tepat dilakukan. Metode untuk data yang stasioner akan
berbeda dengan metode peramalan untuk data yang tidak stasioner.
Data stasioner adalah data di mana rata-rata nilainya tidak berubah dari waktu
ke waktu, atau dapat dikatakan data bersifat stabil. Sebaliknya data dapat saja
tidak stasioner, ketika pada uji pola data didapati adanya trend atau pola seasonal
(pengaruh musim). Melihat terlebih dahulu apakah data bersifat stasioner ataukah
tidak stasioner penting untuk menentukan metode peramalan yang akan
digunakan.
Pengujian stasioneritas data dapat dilakukan dengan dua cara:
6
Praktikum 1 Eksplorasi Pola Data Time Series
Y
nk
t Y Yt k Y
rk t 1
n
k = 0, 1, 2, …
t 1
(Y t Y ) 2
dimana,
rk = koefisien otokorelasi untuk satu lag pada periode ke-k
𝑌 = rata-rata dari nilai seri data
𝑌 = observasi pada periode waktu t
𝑌 = observasi pada k periode sebelumnya
Jika jumlah lag waktu (k) semakin besar, maka koefisien otokorelasinya
semakin rendah. Dari koefisien korelasi dapat disimpulkan:
a) Jika data bersifat acak, maka korelasi antara Yt dengan Yt-1 mendekati nol,
dan nilai runtut waktu berikutnya tidak terkait sama sekali.
b) Jika data berpola trend, maka Yt dan Yt-1 terkorelasi cukup kuat dan
koefisien otokorelasi biasanya secara signifikan tidak sama dengan nol
untuk beberapa lag waktu pertama kali dan kemudian secara perlahan turun
mendekati nol jika jumlah periode waktu meningkat.
c) Jika data punya pola musiman, maka koefisien otokorelasi yang signifikan
akan terjadi pada suatu lag waktu yang cocok: 4 untuk data kuartalan dan 12
untuk data bulanan.
7
Praktikum 1 Eksplorasi Pola Data Time Series
8
Praktikum 1 Eksplorasi Pola Data Time Series
b) Berdasarkan diagram scatter di atas, pola dari data penjualan Toko Buset
adalah:
..........................................................................................................................
..........................................................................................................................
Karena,
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
9
Praktikum 1 Eksplorasi Pola Data Time Series
1 123
2 130 123
3 125 130
4 138 125
5 145 138
6 142 145
7 141 142
8 146 141
9 147 146
10 157 147
11 150 157
12 160 150
10
Praktikum 1 Eksplorasi Pola Data Time Series
2 130
3 125 123
4 138 130
5 145 125
6 142 138
7 141 145
8 146 142
9 147 141
10 157 146
11 150 147
12 160 157
............................................................................................................................................
............................................................................................................................................
............................................................................................................................................
11
Praktikum 2 Mengukur Kesalahan Peramalan
Praktikum 2
Mengukur Kesalahan Peramalan
2.1 Tujuan
Peserta diharapkan paham dan mampu untuk mengukur kesalahan peramalan dari
setiap metode yang digunakan sehingga dapat memilih metode peramalan yang
tepat.
12
Praktikum 2 Mengukur Kesalahan Peramalan
𝑒 =𝑌 −𝑌
dimana,
1
𝑀𝐴𝐷 = 𝑌 −𝑌
𝑛
13
Praktikum 2 Mengukur Kesalahan Peramalan
1
𝑀𝑆𝐸 = (𝑌 − 𝑌 )
𝑛
1 𝑌 −𝑌
𝑀𝐴𝑃𝐸 =
𝑛 𝑌
14
Praktikum 2 Mengukur Kesalahan Peramalan
15
Praktikum 2 Mengukur Kesalahan Peramalan
Total
16
Praktikum 2 Mengukur Kesalahan Peramalan
MAD
MSE
MAPE
17
Praktikum 2 Mengukur Kesalahan Peramalan
MAD
MSE
MAPE
............................................................................................................................
............................................................................................................................
............................................................................................................................
Karena,
............................................................................................................................
............................................................................................................................
............................................................................................................................
18
Praktikum 3
Peramalan dengan Metode Naïve dan
Rata-rata Sederhana
3.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan dengan
metode Naïve dan Rata-rata Sederhana untuk data observasi time-series serta
dapat menentukan metode metode peramalan yang tepat.
19
Praktikum 3 Peramalan dengan Metode Naïve dan Rata-rata Sederhana
𝑌 =𝑌
dimana,
𝑌 = peramalan untuk periode waktu ke- t + 1
𝑌 = nilai aktual pada periode waktu ke-t
1
𝑌 = 𝑌
𝑡
Jika satu data tersedia, maka peramalan untuk periode berikutnya adalah
rata-rata dari data aktual dari periode yang lalu sampai periode data terbaru.
Metode rata-rata sederhana akan cocok digunakan apabila rangkaian data
cenderung stabil atau dengan kata lain pola data observasi adalah stasioner.
20
Praktikum 3 Peramalan dengan Metode Naïve dan Rata-rata Sederhana
21
Praktikum 3 Peramalan dengan Metode Naïve dan Rata-rata Sederhana
Berdasarkan diagram scatter di atas, pola dari data pesanan Office Supplies
adalah:
................................................................................................................................
................................................................................................................................
22
Praktikum 3 Peramalan dengan Metode Naïve dan Rata-rata Sederhana
23
Praktikum 3 Peramalan dengan Metode Naïve dan Rata-rata Sederhana
Diantara kedua metode peramalan di atas, yang paling tepat untuk digunakan
meramalkan pesanan bulan Nopember adalah:
............................................................................................................................
............................................................................................................................
............................................................................................................................
24
Praktikum 4
Peramalan dengan Metode Rata-rata Bergerak
4.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan dengan
metode Rata-rata bergerak (moving average) untuk data observasi time-series
serta dapat menentukan metode peramalan yang tepat.
25
Praktikum 4 Peramalan dengan Metode Rata-rata Bergerak
Rata-rata bergerak untuk peramalan periode ke-t adalah rata-rata dari k data
observasi terbaru. Dalam metode ini, bobot dari setiap observasi dianggap sama.
Tingkat respon terhadap perubahan pola data dipengaruhi oleh jumlah data, k,
dalam rata-rata bergerak tersebut.
Penggunaan metode moving average untuk data stasioner sehingga metode
ini tidak cukup baik untuk mengakomodir apabila ada pengaruh trend dan musim
pada data observasi. Namun, metode ini dianggap lebih baik daripada rata-rata
sederhana. Peramal harus menentukan berapa nilai k yang akan digunakan dalam
peramalan. Jika digunakan nilai k = 1, atau MA (1) maka nilai peramalan akan
sama dengan metode naïve.
26
Praktikum 4 Peramalan dengan Metode Rata-rata Bergerak
27
Praktikum 4 Peramalan dengan Metode Rata-rata Bergerak
28
Praktikum 4 Peramalan dengan Metode Rata-rata Bergerak
Diantara kedua metode peramalan di atas, yang paling tepat untuk digunakan
meramalkan pesanan bulan Nopember adalah:
............................................................................................................................
............................................................................................................................
............................................................................................................................
29
Praktikum 5
Peramalan dengan Metode Rata-rata Bergerak
yang Berbobot
5.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan dengan
metode Weighted Moving Average serta dapat menentukan bobot yang optimal
untuk peramalan dengan menggunakan software Solver pada Excel.
Solver adalah software tambahan (Add-Ins) pada excel yang dapat kita panggil
dengan cara:
Pada office button > klik excel option yang ada pada bagian bawah, sehingga
muncul tampilan sebagaimana berikut ini:
31
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
32
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
Pilih atau contreng (√) Analysis ToolPak, Analysis ToolPak-VBA dan Solver
Add-In, kemudian klik Ok. Maka computer akan menginstalkan Add-In tersebut
33
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
ke dalam program Excel kita. Sehingga jika telah terinstal akan muncul pada Tab
Data seperti pada gambar berikut:
Jika software solver sudah terinstal ke dalam komputer, maka kita dapat
menghitung bobot optimal bagi metode weighted moving average kita dengan
cara:
1) Pada Set Target Cell kita pilih $J$18, dan pada Equal To: kita pilih Min,
karena fungsi tujuan kita adalah meminimumkan nilai MAPE (sel J18)
2) Pada By Changing Cells: kita masukkan $D$6:$D$8, karena kita ingin
mengubah bobot dari rata-rata bergerak kita
34
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
Selanjutnya kita pilih Solve, sehingga muncul hasil perhitungan dengan bobot
optimal.
35
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
36
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
b) Berdasarkan diagram scatter di atas, pola dari data penjualan Lemari Kantor
CV Mekar adalah:
.....................................................................................................................
.....................................................................................................................
Karena,
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
37
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
(|࢚ |⁄࢚ ) %
Waktu Lemari Ramalan
(t) (࢚ ) ࢚)
( ࢚ |࢚ | ࢚
1 10
2 12
3 16
4 13
5 17
6 19
7 15
8 20
9 22
10 19
11 21
12 19
Total
MAD
MSE
MAPE
Hasil ramalan pesanan barang bulan Januari tahun depan (periode 13) dengan
metode Weighted Moving Average 3 bulan dengan bobot 1, 2, 3
38
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
(|࢚ |⁄࢚ ) %
Waktu Lemari Ramalan
(t) (࢚ ) ࢚)
( ࢚ |࢚ | ࢚
1 10
2 12
3 16
4 13
5 17
6 19
7 15
8 20
9 22
10 19
11 21
12 19
Total
MAD
MSE
MAPE
39
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
Hasil ramalan pesanan barang bulan Januari tahun depan (periode 13) dengan
metode Weighted Moving Average 3 bulan dengan bobot optimal
40
Praktikum 6
Peramalan dengan Metode Pemulusan
Eksponensial
6.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan dengan
metode Exponential Smoothing serta dapat menentukan konstanta yang optimal
untuk peramalan dengan menggunakan software Solver pada Excel.
41
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
Agar nilai konstanta pemulusan (α) tidak ditentukan dengan cara coba-coba, maka
kita dapat menggunakan software Solver Add-Ins.
Caranya:
42
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
1) Pada Set Target Cell kita pilih $I$18, dan pada Equal To: kita pilih Min,
karena fungsi tujuan kita adalah meminimumkan nilai MAPE (sel I18)
2) Pada By Changing Cells: kita masukkan $C$21, karena kita ingin mengubah
nilai alpha
3) Pada Subject to the Constraints: kita masukkan $D$21 <= 1, karena kita
ingin menetapkan bahwa konstanta tidak boleh lebih besar dari 1.
4) Kemudian, pada Option, kita klik Assume Non-Negative dan jangan
mengklik Assume Linear Model karena formula untuk fungsi tujuan kita
(yaitu MAPE) adalah nonlinier.
43
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
44
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
45
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
b) Berdasarkan diagram scatter di atas, pola dari data penjualan meja kantor CV
Mekar adalah:
.....................................................................................................................
.....................................................................................................................
Karena,
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
46
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
47
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
48
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
49
Praktikum 7
Peramalan dengan Metode Pemulusan
Eksponensial Ganda
7.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan dengan
metode Pemulusan Eksponensial Ganda untuk data time-series yang memiliki
pengaruh komponen trend.
Dimana:
= estimasi level (dipengaruhi oleh besaran )
= estimasi trend (dipengaruhi oleh besaran )
= nilai ramalan untuk periode mendatang
51
Praktikum 7 Peramalan dengan Metode Pemulusan Eksponensial Ganda
52
Praktikum 7 Peramalan dengan Metode Pemulusan Eksponensial Ganda
b) Berdasarkan diagram scatter di atas, pola dari data penjualan meja makan CV
Mekar adalah:
.....................................................................................................................
.....................................................................................................................
Karena,
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
53
Praktikum 7 Peramalan dengan Metode Pemulusan Eksponensial Ganda
d) Hasil ramalan pesanan barang bulan Oktober (periode 10) dengan Metode
Double Exponential Smoothing
54
Praktikum 7 Peramalan dengan Metode Pemulusan Eksponensial Ganda
55
Praktikum 8 Peramalan dengan Metode Proyeksi Trend
Praktikum 8
Peramalan dengan Metode Proyeksi Trend
8.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan bisnis di masa
yang akan datang dengan menggunakan metode Proyeksi Trend untuk data time
series.
56
Praktikum 8 Peramalan dengan Metode Proyeksi Trend
𝑦 = 𝑎 + 𝑏𝑥
dimana:
𝑦 = nilai terhitung dari dari variabel yang diprediksi (disebut variabel dependen)
𝑎 = intercept pada sumbu y
𝑏= kemiringan (slope) dari garis regresi (tingkat perubahan y pada setiap
perubahan x)
𝑥 = variabel independen (periode waktu)
∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦
𝑏=
∑ 𝑥 − 𝑛𝑥̅
57
Praktikum 8 Peramalan dengan Metode Proyeksi Trend
Dimana:
𝑏 = slope dari garis regresi
𝑥 = nilai dari variabe independen
𝑦 = nilai dari variabel dependen
𝑥̅ = rata-rata dari nilai 𝑥
𝑦 = rata-rata dari nilai 𝑦
𝑛 = jumlah data observasi
58
Praktikum 8 Peramalan dengan Metode Proyeksi Trend
b) Berdasarkan diagram scatter di atas, pola dari data penjualan genset pada
Susanto Elect. Co. adalah:
..........................................................................................................................
..........................................................................................................................
Karena,
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
59
Praktikum 8 Peramalan dengan Metode Proyeksi Trend
Nilai x rata-rata =
𝑥̅ =
Nilai y rata-rata =
𝑦=
Nilai slope =
𝑏=
Nilai intercept =
𝑎=
60
Praktikum 8 Peramalan dengan Metode Proyeksi Trend
61
Praktikum 9
Peramalan dengan Analisis Regresi
Sederhana
9.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan bisnis di masa
yang akan datang dengan menggunakan analisis regresi sederhana.
62
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
𝑌 =𝛽 +𝛽 𝑋+𝜀
dimana
Y = nilai dari variabel terikat yang diprediksi (dependent variable)
X = variabel bebas yang digunakan untuk memprediksi variabel
𝛽 = intercept atau titik potong sumbu Y (nilai Y ketika X = 0)
𝛽 = kemiringan (slope) garis regresi
𝜀 = error random
63
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
Nilai sebenarnya bagi intercept dan slope tidak diketahui, sehingga keduanya
diestimasi dengan menggunakan data sampel. Persamaan regresi berdasarkan data
sampel adalah sebagai berikut:
𝑌 =𝑏 +𝑏 𝑋
dimana
𝑌 = nilai prediksi dari Y
𝑏 = estimasi dari 𝛽
𝑏 = estimasi dari 𝛽
Walaupun banyak garis yang dapat dibuat dari titik-titik data untuk
memperlihatkan hubungan antara X dan Y, namun garis yang akan dipilih adalah
yang akan meminimalkan error. Error dapat didefinisikan sebagai:
Nilai error bisa jadi positif atau negatif, sedangkan rata-rata error dapat
bernilai 0 meskipun ada nilai error yang sangat besar positif atau negatif. Untuk
menghilangkan kesulitan diakibatkan karena adanya error negatif yang
mengeliminir error positif, maka error dapat dikuadratkan. Garis regresi terbaik
didefinisikan sebagai garis dengan jumlah kuadrat error-nya minimum.
Untuk mendapatkan persamaan garis yang meminimumkan jumlah kuadrat
error, dari persamaan regresi linier sederhana dapat dihitung nilai intercept dan
slope, sebagaimana berikut:
𝑌 =𝑏 +𝑏 𝑋
dimana:
∑
𝑋= = nilai rata-rata (mean) dari X
∑
𝑌= = nilai rata-rata (mean) dari Y
64
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
∑(𝑋 − 𝑋)(𝑌 − 𝑌)
𝑏 =
∑(𝑋 − 𝑋)
𝑏 =𝑌−𝑏 𝑋
SST = (𝑌 − 𝑌)
SSE = 𝑒 = (𝑌 − 𝑌 )
Nilai SSE lebih kecil dari SST. Penggunaan garis regresi telah menurunkan
variabilitas pada jumlah kuadrat. Nilai ini disebut sum of squares due to
65
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
SSR = (𝑌 −𝑌)
Terdapat hubungan yang sangat penting antara jumlah kuadrat yang dapat
dihitung:
(sum of square total) = (sum of square due to regression) + (sum of square error)
Koefisien Determinasi
SSR kadang disebut juga sebagai variabilitas pada Y yang dapat dijelaskan,
sedangkan SSE adalah variabilitas pada Y yang tidak dapat dijelaskan. Proporsi
dari variabilitas Y yang dapat dijelaskan oleh persamaan regresi disebut koefisien
determinasi dan disimbolkan dengan r2, dan dapat dihitung dengan:
𝑆𝑆𝑅 𝑆𝑆𝐸
𝑟 = =1−
𝑆𝑆𝑇 𝑆𝑆𝑇
Jika semua sampel data berada pada garis regresi, yang berarti semua error-
nya 0, berarti 100% dari variabilitas pada Y dapat dijelaskan oleh persamaan
regresi, sehingga r2 = 1 dan SSE = 0. Nilai terendah dari r2 adalah 0, yang berarti
X menjelaskan 0% terhadap variabilitas Y. jadi, r2 dapat bernilai antara 0 sampai
1. Dalam membentuk persamaan regresi, model yang baik adalah yang memiliki
nilai r2 mendekati 1.
Koefisien Korelasi
Persamaan regresi adalah suatu cara untuk menyatakan hubungan antar variabel.
Garis regresi bukanlah sebab akibat, namun menjelaskan hubungan antar-variabel.
66
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
67
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
𝑆 . = (𝑌 − 𝑌 ) /(𝑛 − 2)
Dimana:
𝑌 = nilai aktual dari variabel dependen pada data/observasi ke-i
𝑌 = nilai regresi (ramalan) dari variabel dependen pada data/observasi ke-i
n = jumlah observasi
68
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
69
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
Nilai x rata-rata =
𝑋=
Nilai y rata-rata =
𝑌=
70
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
Nilai slope =
𝑏 =
Nilai intercept =
𝑏 =
f) Ramalan penjualan pakaian jika biaya iklan yang dikeluarkan 13 milyar rupiah
adalah:
sum of the square total (SST) atau jumlah dari total kuadrat adalah:
71
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
jumlah dari kuadrat error (the sum of the squared error = SSE) adalah:
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
72
Praktikum 10
Peramalan dengan Analisis Regresi Berganda
10.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan bisnis di masa
yang akan datang dengan menggunakan analisis regresi berganda.
Variabel-variabel Independen
Sebagai contoh kasus seorang agen penjualan rumah di suatu kota yang
memprediksi harga jual rumah berdasarkan luas bangunan rumah. Hasil
73
Praktikum 10 Peramalan dengan Regresi Berganda
pengolahan data diketahui r2 = 0.493, yang berarti 49.3% harga jual rumah dapat
dijelaskan oleh satu variabel yaitu luas bangunan rumah, sedangkan 1-r2 = 50.7%
adanya faktor lain. Jika agen penjual rumah ini tidak puas dengan nilai r2
yangtidak terlalu besar dan ingin mendapatkan prediksi yang lebih akurat, maka ia
harus mencari variabel independen tambahan agar modelnya mampu menjelaskan
varians total lebih tinggi lagi sehingga peramalan semakin akurat dan kesalahan
semakin kecil.
Variabel independen lain yang ingin ditambahkan haruslah berhubungan
dengan penjualan. Namun, variabel independen baru ini tidak boleh memiliki
korelasi linier yang erat dengan variabel independen sebelumnya, karena bila
terdapat korelasi yang erat maka kedua variabel tersebut hanya akan menjelaskan
variasi yang sama. Korelasi yang erat antar variabel independen disebut
multikolinearitas (multicollinearity)
Matriks Korelasi
Misalkan agen penjualan rumah tersebut menambahkan luas tanah sebagai
variabel independen untuk memperbaiki peramalannya. Ia menyelidiki hubungan
antara harga rumah, luas rumah dan luas tanah dengan menggunakan matriks
korelasi. Matriks korelasi adalah alat untuk melacak apakah ada hubungan
antarvariabel dalam regresi berganda. Matriks korelasi dibangun dengan
menghitung koefisien korelasi sederhana untuk setiap kombinasi pasangan
variabel.
Variabel
Variabel
Harga Luas Rumah Luas Tanah
74
Praktikum 10 Peramalan dengan Regresi Berganda
Dari tabel terlihat bahwa luas tanah memiliki hubungan positif yang besar (r =
0,93) dengan variabel dependen yakni harga rumah, serta memiliki hubungan
positif sedang (r = 0,66) dengan variabel independen yakni luas rumah.
Kombinasi hubungan ini dapat memungkin luas tanah dapat menjelaskan
beberapa variasi dari harga rumah yang tidak dapat dijelaskan oleh luas rumah.
Sehingga jika kedua variabel independen, luas rumah dan luas tanah, digunakan
untuk menjelaskan variasi dari harga rumah, maka akan meningkatkan nilai r2 dari
model.
𝑌 = 𝛽 + 𝛽 𝑋 + 𝛽 𝑋 + ⋯+ 𝛽 𝑋 + 𝜀
dimana
𝑌 = variabel dependen (variabel respon)
𝑋 = variabel independen (variabel prediktor)
𝛽 = intersep (nilai Y ketika semua Xi = 0)
𝛽 = koefisien dari variabel independen ke-i
𝑘 = jumlah variabel independen
𝜀 = error random
Untuk mengestimasi nilai dari koefisien, sampel diambil dan persamaan regresi
berganda dengan data sampel dikembangkan menjadi:
𝑌 = 𝑏 + 𝑏 𝑋 +𝑏 𝑋 +⋯+𝑏 X
dimana
𝑌 = nilai prediksi untuk Y
𝑏 = intersep dari sampel (merupakan prediksi untuk 𝛽 )
75
Praktikum 10 Peramalan dengan Regresi Berganda
76
Praktikum 10 Peramalan dengan Regresi Berganda
H0 : β1 = 0
H1 : β1 ≠ 0
77
Praktikum 10 Peramalan dengan Regresi Berganda
78
Praktikum 10 Peramalan dengan Regresi Berganda
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
c) Nilai p-value untuk F-test
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
79
Praktikum 10 Peramalan dengan Regresi Berganda
e) Ramalan harga jual rumah sebuah rumah yang memiliki luas rumah 1.100 m2
dan umur 12 tahun adalah:
f) Ramalan harga jual rumah sebuah rumah yang memiliki luas rumah 2.100 m2
dan umur 18 tahun adalah:
80
Praktikum 11
Variabel Dummy dalam Peramalan Regresi
serta Memilih Persamaan Regresi Terbaik
11.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan bisnis di masa
yang akan datang dengan menggunakan analisis regresi berganda jika terdapat
variable dummy.
81
Praktikum 11 Variabel Dummy dalam Peramalan Regresi
Kita tidak perlu membuat variabel untuk kondisi cukup baik. Jika X3 dan X4
keduanya bernilai 0, berarti rumah dalam kondisi cukup baik.
Dalam perhitungan, kedua variabel dummy ini kita olah bersama dua variabel
independen sebelumnya, yaitu luas rumah (X1) dan umur rumah (X2), untuk
memprediksi harga jual rumah.
82
Praktikum 11 Variabel Dummy dalam Peramalan Regresi
83
Praktikum 11 Variabel Dummy dalam Peramalan Regresi
Tabel 11.1 Data Harga Jual, Luas Rumah, Umur dan Kondisi Rumah
84
Praktikum 11 Variabel Dummy dalam Peramalan Regresi
d) Persamaan regresi yang diestimasi untuk rumah dengan kondisi baik adalah:
85
Praktikum 11 Variabel Dummy dalam Peramalan Regresi
e) Persamaan regresi yang diestimasi untuk rumah dengan kondisi sangat baik
adalah:
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
86
Praktikum 11 Variabel Dummy dalam Peramalan Regresi
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
i) Ramalan harga jual rumah sebuah rumah yang memiliki luas rumah 1.100 m2
dan umur 12 tahun dengan kondisi rumah yang cukup baik adalah:
j) Ramalan harga jual rumah sebuah rumah yang memiliki luas rumah 2.100 m2
dan umur 18 tahun adalah dengan kondisi rumah sangat baik adalah:
87
Praktikum 11 Variabel Dummy dalam Peramalan Regresi
k) Apakah penambahan variabel kondisi rumah (cukup baik, baik dan sangat
baik) memberikan hasil peramalan yang lebih baik? Apa alasannya?
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
88
Praktikum 12
Variasi Musim dalam Peramalan Time Series
12.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan bisnis di masa
yang akan datang menggunakan model time series dengan data yang
menunjukkan adanya variasi musim.
89
Praktikum 12 Variasi Musim dalam Peramalan Time Series
nilai rata-rata dalam time-series. Melakukan analisis terhadap data dalam waktu
bulan atau pertiga bulan (kuartal) dapat memudahkan kita mengetahui adanya
pola variasi musim pada data. Untuk itu, dapat dihitung indeks dari setiap musim.
Langkah-langkah dalam menghitung indeks musim dan melakukan
penyesuaian peramalan apabila musimnya bersifat bulanan adalah sebagai berikut:
1) Plot data ke dalam scatter diagram sehingga terdeteksi apakah ada pengaruh
musim pada data.
2) Temukan rata-rata permintaan historis untuk setiap musim, dengan cara
menjumlahkan permintaan bulan tersebut dalam setiap tahun, dibagi dengan
jumlah tahun data yang tersedia.
3) Hitung rata-rata permintaan untuk semua bulan, dengan cara membagi rata-
rata permintaan tahunan total dengan jumlah musim.
4) Hitung indeks musiman untuk setiap musim dengan cara membagi permintaan
historis aktual bulan itu dengan rata-rata permintaan pada seluruh bulan.
5) Estimasi permintaan tahunan total untuk tahun depan
6) Bagi prediksi permintaan tahunan total dengan jumlah musim, kemudian
kalikan dengan indeks musiman bulan tersebut, sehingga menghasilkan
peramalan musiman.
90
Praktikum 12 Variasi Musim dalam Peramalan Time Series
91
Praktikum 12 Variasi Musim dalam Peramalan Time Series
Berdasarkan diagram scatter di atas, pola dari data penjualan printer pada Mesta
Supplies adalah:
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
Karena,
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
92
Praktikum 12 Variasi Musim dalam Peramalan Time Series
Januari
Pebruari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
Total
93
Praktikum 12 Variasi Musim dalam Peramalan Time Series
c) Jika telah diprediksi total permintaan tahun 2014 adalah 1.200 unit, ramalan
permintaan setiap bulan adalah:
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
94
Praktikum 13
Dekomposisi dalam Peramalan Time-Series
13.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan bisnis di masa
yang akan datang menggunakan model time-series dengan melakukan
dekomposisi terhadap data.
1) Model Multiplikatif
𝑌 =𝑇 ×𝑆 ×𝐶 ×𝐼
2) Model Aditif
𝑌 =𝑇 +𝑆 +𝐶 +𝐼
95
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
Ketika variasi musiman dan trend muncul pada data time-series, perubahan
data dari satu bulan ke bulan berikutnya dipengaruhi oleh trend dan variasi
musim. Karena itu, perlu dipisahkan terlebih dahulu pengaruh musim dan trend
dari data. Yang pertama dipisahkan adalah variasi musiman dengan cara
menghitung indeks musimnya. Hal ini dapat dilakukan dengan metode moving
average (MA) dengan jumlah periode sebanyak data seasonal yang ada. Misalnya
data dalam bulanan, maka dilakukan MA-12 bulan karena 1 tahun ada 12 bulan.
Jika data dalam triwulan (kuartal) maka dapat digunakan MA-4. Proses MA ini
akan menghilangkan komponen musim (S) dari data. Sedangkan untuk
menghilangkan komponen random (I) dapat dilakukan dengan proses center
moving average (CMA), dimana data MA yang telah terbentuk diproses dengan
melakukan rata-rata setiap dua data MA yang berurutan.
Langkah-langkah untuk melakukan peramalan dengan menggunakan
Metode Dekomposisi:
1) Hitunglah indeks musim dengan menggunakan moving average-12 bulan
(MA-12) untuk data yang panjang musimannya adalah 12 dan menggunakan
center moving average (CMA) untuk data kuartal.
2) Hilangkan pengaruh musiman dari data dengan melakukan deseasonalize data
dengan cara membagi setiap nilai dengan indeks musimnya
3) Tentukan persamaan garis trend dengan menggunakan deseasonalized data
4) Ramalkan periode yang akan datang dengan menggunakan garis trend
5) Kalikan hasil peramalan dari garis trend dengan indek musim
Apabila data observasi memiliki pengaruh musim yang panjangnya per tiga
bulan atau kuartal, maka indeks musim dapat ditentukan dengan menghitung
centered moving average (CMA) atau rata-rata bergerak yang terpusat. Cara
menghitung indeks musim dengan menggunakan CMA meliputi langkah-langkah
berikut ini:
a) Hitung CMA untuk setiap observasi
b) Hitung rasio musim (seasonal ratio) = data observasi/CMA
96
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
97
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
98
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
Penjualan
Kuartal Rata-rata
Tahun Tahun Tahun
2011 2012 2013
Rata-rata
99
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
Berdasarkan diagram scatter dan tabel di atas, pola dari data penjualan kipas
angin pada Fear Man Co. adalah:
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
Karena,
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
2011 1 108
2 125
3 150
4 141
2012 1 116
2 134
3 159
4 152
2013 1 123
2 142
3 168
4 165
100
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
- -
Tahun 2011
Tahun 2012
Tahun 2013 - -
Indeks Musim
2011 1 1 108
2 2 125
3 3 150
4 4 141
2012 1 5 116
2 6 134
3 7 159
4 8 152
2013 1 9 123
2 10 142
3 11 168
4 12 165
101
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
Periode Ramalan
Penjualan
Tahun Kuartal (x) Penjualan Penjualan
Unseasonal
Unseasonal
2011 1 1 108
2 2 125
3 3 150
4 4 141
2012 1 5 116
2 6 134
3 7 159
4 8 152
2013 1 9 123
2 10 142
3 11 168
4 12 165
102
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
2011 1 1 108
2 2 125
3 3 150
4 4 141
2012 1 5 116
2 6 134
3 7 159
4 8 152
2013 1 9 123
2 10 142
3 11 168
4 12 165
1 13
2 14
3 15
4 16
103
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
104
Praktikum 14
Analisis Regresi untuk Data Time-Series
14.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan bisnis di masa
yang akan datang menggunakan analisis regresi untu data time series yang
memiliki pengaruh trend dan musim.
𝑌 =𝑎+𝑏 𝑋 +𝑏 𝑋 +𝑏 𝑋 +𝑏 𝑋
dimana:
X1 = periode waktu
X2 = 1 jika kuartal 2, 0 jika bukan
X3 = 1 jika kuartal 3, 0 jika bukan
X4 = 1 jika kuartal 4, 0 jika bukan
105
Praktikum 14 Analisis Regresi untuk Data Time-Series
106
Praktikum 14 Analisis Regresi untuk Data Time-Series
2010 1 14
2 26
3 23
4 12
2011 1 19
2 28
3 25
4 18
2012 1 22
2 34
3 28
4 21
2013 1 24
2 36
3 30
4 20
107
Praktikum 14 Analisis Regresi untuk Data Time-Series
Penjualan
Kuartal Rata-rata
Tahun Tahun Tahun
2011 2012 2013
Rata-rata
108
Praktikum 14 Analisis Regresi untuk Data Time-Series
Berdasarkan diagram scatter dan tabel di atas, pola dari data penjualan kipas
angin pada Fear Man Co. adalah:
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
Karena,
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
109
Praktikum 14 Analisis Regresi untuk Data Time-Series
110
Praktikum 14 Analisis Regresi untuk Data Time-Series
Penjualan
Kuartal Rata-rata
Tahun Tahun Tahun Tahun
2010 2011 2012 2013
Rata-rata
111
Praktikum 14 Analisis Regresi untuk Data Time-Series
Berdasarkan diagram scatter dan tabel di atas, pola dari data penjualan AC pada
Hal Comforta adalah:
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
Karena,
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
112
Praktikum 14 Analisis Regresi untuk Data Time-Series
113
Daftar Pustaka
Beckman, S.L., D.B. Rosenfield. 2008. Operations Strategy: Competing in the 21st
Century. McGraw-Hill. New York.
Brown, S., Lamming, S., Bessant, J., and Jones, P. 2005. Strategic Operations
Management. Elsevier Butterworth-Heinemann
Chase, Richard B., Nicholas J. Aquilano and F. Robert Jacobs. 2006. Operations
Management for Competitive Advantage. 11th edition. McGraw-Hill.
Hanke, John E. and Wichern, Dean W. 2005. Business Forcasting. Eight Edition.
Prentice Hall Inc., New York.
Harijono Sugiarto. 2000. Peramalan Bisnis. PT. Gramedia Pustaka Utama, Jakarta.
Heizer, Jay and Render, Barry. 2008. Operations Management. 9th edition. Prentice
Hall, New Jersey, USA.
Lincolin Arsyad. 2001. Peramalan Bisnis. Edisi Pertama. BPFE UGM, Yogyakarta.
Russell, Roberta S. & Taylor III, Bernard W.2009. Operations Management: Along
the Supply Chain. 6th edition. John Wiley & Sons, New Jersey