d. Pola Trend T terjadi karena terdapat kenaikan atau penurunan jangka
panjang dalam data. 3.
Jenis dari model Untuk mengklasifikasikan metode peramalan kuantitatif perlu diperhatikan model
yang didasarinya. Model sangat penting diperhatikan, karena masing-masing model mempunyai fungsi yang berbeda.
4. Biaya yang dibutuhkan Biaya yang sangat diperlukan dalam meneliti suatu objek. Yang termasuk biaya dalam
penggunaan metode peramalan antara lain, biaya penyimpanan data, biaya-biaya perhitungan, biaya untuk menganalisis dan biaya-biaya pengembangan.
5. Ketepatan metode peramalan Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat perincian
yang dibutuhkan dalam suatu peramalan. Dalam mengambil keputusan, variasi atau penyimpangn atas peramalan yng dilakukan antara 10 sampai 15 bagi maksud-
maksud yang diharapkan, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa danya variasi atau penyimpangan atas ramalan sebesar 5 adalah cukup
berbahaya. 6. Kemudahan dalam penerapan
Metode peramalan yang digunakan adalah metode yang mudah dimengerti dan mudah diterapkan dalam pengambilan keputusan dan analisisnya.
2.6 Metode Deret Berkala Time Series Box – Jenkins ARIMA
Metode peramalan yang sering digunakan adalah deret waktu time series, dimana sejumlah observasi, diambil selama beberapa periode dan digunakan sebagai dasar
Universitas Sumatera Utara
dalam penyusunan suatu ramalan untuk beberapa periode dimasa depan yang diinginkan. Metode Box -Jenkins adalah salah satu metode untuk menganalisis waktu.
Pada dasarnya ada dua model dari metode Box-Jenkins, yaitu model linier untuk deret statis Stationery Series dan model untuk deret data yang tidak statis Non
Stationery Series. Model-model linier untuk deret data yang statis menggunakan teknik penyaringan filtering untuk deret waktu, yaitu apa yang disebut dengan
ARMA Auto Regresive-Moving Average untuk suatu kumpulan data. Sedangkan untuk model yang tidak statis menggunakan apa yang disebut ARIMA Auto
Regresive-Integrated-Moving Average.
2.7 Metode Auto Regresive AR
Metode autoregressive adalah model yang mengambarkan bahwa variabel dependen dipengaruhi oleh variabel dependen itu sendiri pada periode-periode yang
sebelumnya, atau autokorelasi dapat diartikan juga sebagai korelasi linier deret berkala dengan deret berkala itu sendiri dengan selisih waktu lag 0, 1, 2 periode atau
lebih. Bentuk umum model autoregressive dengan ordo p atau dituliskan dengan ARp mempunyai persamaan sebagai berikut:
Y
t
= µ + ф
1
Y
t-1
+ ф
2
Y
t-2
+ …+ф
p
Y
t-p
+ e
t
Keterangan: Ф
i
= parameter autokorelasi ke-i dengan i = 1, 2, …, p e
t
= nilai kesalahan pada saat t
Universitas Sumatera Utara
µ = nilai konstan
persamaan umum model ARp dapat juga ditulis sebagai berikut: 1 –
ф
1
B – ф
2
B
2
- …- ф
p
B
p
Y
t
= µ + e
t
Dalam hal ini B adalah operator mundur Backward shift Operator, bentuk umum operator bergerak mundur ini dapat ditulis sebagai berikut:
B
d
Y
t
= Y
t-d
. Artinya jika operator B
d
bekerja pada Y
t
maka menggeser data tersebut sebanyak d periode kebelakang.
Model autoregressive yang sering dijumpai dalam praktek adalah model AR1 dan AR2.
Persamaan AR1 ditulis dengan : 1- ф
1
BY
t
= µ + e
t
Persamaan AR2 ditulis dengan : 1- ф
1
B – ф
2
B
2
Y
t
= µ + e
t
2.8 Metode Rataan Bergerak Moving Average MA