14

Modul ke:

Statistik
Fakultas
Analisis Data Time Series (Deret
Ekonomi dan
Bisnis
Berkala) : Trend
Program Studi
Manajemen Liony Ariannet, B.I.A.M, M.B.A
Deret Berkala (Time Series)
• Suatu deret berkala merupakan suatu himpunan
observasi dimana variabel yang digunakan
diukur dalam urutan periode waktu, misalnya
tahunan, bulanan, triwulanan, dan sebagainya.
• Tujuan dari metode deret berkala adalah untuk
menemukan pola data secara historis dan
mengekstrapolasikan pola tersebut untuk masa
yang akan datang.
• Peramalan didasarkan pada nilai variabel yang
telah lalu dan atau peramalan kesalahan masa
lalu.
Komponen Deret Berkala
• Trend Sekuler (Trend Secular)
– Adalah gerakan berjangka panjang yang menunjukkan adanya
kecenderungan menuju ke satu arah kenaikan dan penurunan
secara keseluruhan dan bertahan dalam jangka waktu (yang
biasa digunakan sebagai ukuran) 10 tahun keatas
– Tren biasanya merupakan hasil perubahan dalam
populasi/penduduk, faktor demografi, teknologi, dan atau
minat konsumen.

• Komponen Siklis (Cyclical Component)

– Merepresentasikan rangkaian titik-titik dengan pola siklis
(pergerakan secara siklis/naik-turun) di atas atau di bawah
garis tren dalam kurung waktu satu tahun.
Komponen Deret Berkala
• Komponen Musim (Seasonal Component)
– Merepresentasikan pola berulang dengan durasi kurang dari 1
tahun dalam suatu deret berkala.
– Pola durasi dapat berupa jam atau waktu yang lebih pendek.
– Contoh: penjualan pakaian wanita dan pria, akan mengalami
kenaikan drastis dalam penjualan saat lebaran, dan akan
mengalami penjualan yang rendah setelah lebaran usai

• Komponen Tak Beraturan (Irregular Component)

– Mengukur simpangan nilai deret berkala sebenarnya dari yang
diharapkan berdasarkan komponen lain.
– Hal tersebut disebabkan oleh jangka waktu yang pendek
(short-term) dan faktor yang tidak terantisipasi yang dapat
mempengaruhi deret berkala.
Ukuran Akurasi Peramalan
(Forecasting)
Akurasi peramalan dapat diukur dari nilai berikut:

1. Mean Squared Error (MSE)

– Merupakan rata-rata jumlah kuadrat kesalahan peramalan.
1 n
MSE  
n t 1
(Yt  Y ' 2
t )

2. Mean Absolute Deviation (MAD)

– Merupakan rata-rata nilai absolut kesalahan peramalan.

1 n
MAD   Yt  Yt '
n t 1
– Yt = nilai observasi Yt’ = nilai perkiraan
Metode Penghalusan/Pemulusan
Dalam Peramalan
1. Rata-rata Bergerak (Moving Averages - MA)
– Menggunakan n nilai data terbaru dalam suatu
deret berkala untuk meramalkan periode yang
akan datang.
– Rata-rata perubahan atau pergerakan sebagai
observasi baru.
– Penghitungan rata-rata bergerak adalah sebagai
berikut:
MA 
 (n nilai data terbaru)
n
Contoh – Moving Average
Contoh disamping, siklus nya berulang
setiap 7 tahun dan amplitude 4
(dimana akan mencapai puncaknya
tepat setelah 4 tahun).
Tahap untuk menghitung Moving
average-nya :
1. Tentukan pergerakan total 7
tahun (total penjualan selama 7
tahun)
2. Total-nya dibagi dengan 7 untuk
mendapatkan moving average

Note: moving total pertama

diposisikan di tahun 1994 karena dari
1991-1997, 1994 lah yang jadi tengah
tahun grup tersebut
Metode Penghalusan Dalam
Peramalan
2. Rata-rata Bergerak Tertimbang (Weighted Moving
Averages)
– Melibatkan penimbang untuk setiap nilai data
dan kemudian menghitung rata-rata penimbang
sebagai nilai peramalan.
– Contoh, rata-rata bergerak terimbang 3 periode
dihitung sebagai berikut

Ft+1 = w1(Yt-2) + w2(Yt-1) + w3(Yt)

dimana jumlah total penimbang (nilai w) = 1.

Contoh – Weighted Moving Average

Cedar Fair mengoperasikan 11 taman

bermain, 3 water park, 1 indoor
water park, 5 hotel. Penggabungan
kehadiran karyawan selama 10 tahun
ada pada tabel berikut. Untuk
menghitung trend kehadirannya,
hitung 3 tahun moving average dan 3
tahun weighted moving average
dengan jumlah total penimbang
masing-masing 0.2, 0.3, 0.5
Jawaban – 3 Tahun Moving Average
Jawaban – 3 weighted moving average
Metode Penghalusan Eksponensial
3. Penghalusan Eksponensial (Exponential Smoothing)
– Merupakan kasus khusus dari metode Rata-rata Bergerak Tertimbang
dimana penimbang dipilih hanya untuk observasi terbaru.
– Penimbang yang diletakkan pada observasi terbaru adalah nilai
konstanta penghalusan, α.
– Penimbang untuk nilai data lain dihitung secara otomatis dan semakin
lama periode waktu suatu observasi nilainya akan lebih kecil.
Rumus:
Ft+1 = αYt + (1 - α)Ft
Dimana
Ft+1 = nilai peramalan untuk periode t+1
Yt = nilai sebenarnya untuk periode t+1
Ft = nilai peramalan untuk periode t
α = konstanta penghalusan (0 < α < 1)
Contoh
CONTOH : EXECUTIVE SEMINARS, INC.
Executive Seminars bergerak dalam manajemen
penyelenggaraan seminar. Untuk keperluan
perencanaan pendapatan dan biaya pada masa
mendatang yang lebih baik, pihak manajemen
ingin membangun model peramalan untuk
seminar “Manajemen Waktu”. Pendaftar pada 10
seminar “MW” terakhir adalah:
Seminar 1 2 3 4 5 6 7 8 9 10
Pendaftar 34 40 35 39 41 36 33 38 43 40
Jawaban
CONTOH : EXECUTIVE SEMINARS, INC.

• Penghalusan Eksponensial (Exponential Smoothing)

Misal α = 0.2, F1 = Y1 = 34
F2 = α Y1 + (1 - α)F1
= 0.2(34) + 0.8(34) = 34
F3 = α Y2 + (1 - α)F2
= 0.2(40) + 0.8(34) = 35.20
F4 = α Y3 + (1 - α)F3
= 0.2(35) + 0.8(35.20) = 35.16
. . . dan seterusnya
Jawaban
CONTOH : EXECUTIVE SEMINARS, INC.
Seminar Pendaftar Ramalan dg Exp. Smoothing
1 34 34.00
2 40 34.00
3 35 35.20
4 39 35.16
5 41 35.93
6 36 36.94
7 33 36.76
8 38 36.00
9 43 36.40
10 40 37.72
11 Ramalan untuk seminar y.a.d = 38.18
Grafik Peramalan Penjualan
Executive Seminars, Inc.
44

42
Jumlah Pendaftar

40

38

36

34

32

30
1 2 3 4 5 6 7 8 9 10
Seminar

Pendaftar Perkiraan
Proyeksi Tren dengan Persamaan
Tren Linier
• Menggunakan metode Least Squares (kuadrat terkecil)
• Persamaan Tren Linier:

Tt = b0 + b1t
dimana
Tt = nilai tren pada periode t (sebagai variabel tak
bebas/dependent variabel)
b0 = intercept/potongan garis tren.
b1 = slope/kemiringan garis tren
t = waktu (sebagai variabel bebas/independent
variable)
Proyeksi Tren dengan Persamaan
Tren Linier
• Menghitung Slope (b1) dan Intercept (b0)

 tYt  
t  Yt
b1  n   Yt  t 
dan b0     b1  
( t ) 2 n n
t 2

n
   

dimana
Yt = nilai sebenarnya pada periode t
n = banyaknya periode dalam deret berkala
Contoh Soal
CONTOH : PENJUALAN PRODUK “X”

• Manajemen perusahaan penghasil produk “X” ingin membuat metode

peramalan yang dapat mengontrol stok produk mereka dengan baik.
Penjualan tahunan (banyaknya produk “X” terjual) dalam 5 tahun
terakhir adalah sebagai berikut:

Tahun 1 2 3 4 5
Penjualan 11 14 20 26 34
Jawaban

Tahap-tahap:
- Buat tabel awal untuk mencari b0 dan b1
t Yt tYt t2

1 11 11 1

2 14 28 4

3 20 60 9

4 26 104 16

5 34 170 25

Total 105 373 55

Jawaban
- Menggunakan rumus penghitungan b0 dan b1 ,

 tYt  
t  Yt
b1  n   Yt  t 
b0     b1  
( t ) 2 n n
t 2
n
   
373  (15)(105)
b1 
(15 ) 2
5  5,8 
b0  105 5  (5,8)15 5   3,6
55 
5
sehingga Tt = 3,6 + 5,8 t
• Perkiraan penjualan pada tahun ke-6 =
T6 = 3,6 + (5,8)(6) = 38,4
• Grafik perkiraan penjualan produk X
40

35

30
25

20
15

10
5

0
1 2 3 4 5

Yt Yt'
Latihan Soal

• Tentukan 3 tahun moving average untuk data

penjualan Waccamaw Machine Tool Inc.

Tahun Jumlah Produksi

(dalam ribuan)
2011 2
2012 6
2013 4
2014 5
2015 3
2016 10
Latihan Soal

• Dibawah ini adalah tabel data penjualan tiket

bioskop di megaria (dalam ribuan) periode
2004 sampai 2016. hitung 5 tahun weighted
moving average dengan menggunakan jumlah
total penimbang masing-masing 0.1, 0.1, 0.2,
0.3, 0.3
Latihan Soal
PENJUALAN PRODUK DARI JENSEN FOODS

Dibawah ini adalah data penjualan dari Jensen Foods,

sebuah toko grosir di Texas dari tahun 2012 sampai 2016.
dari data yang tersedia, tentukan persamaan regresinya
menggunakan proyeksi tren linier, dan hitung berapa
kenaikan penjualan setiap tahunnya? Berapa perkiraan
penjualan tahun 2018?

Tahun 1 2 3 4 5
Penjualan 7 10 9 11 13
Terima Kasih
Liony Ariannet, B.I.A.M., M.B.A