Gambar 3.1. Blok Diagram Prosedur Peramalan 3.1.2. Model Deret Berkala Time Series
3.1.2.1. Pola Data Model Deret Berkala
Ada empat jenis pola data untuk model deret berkala, yaitu : a. Pola Horizon H
Pola horizon ini terjadi jika nilai data berfluktuasi disekitar harga rata-rata yang konstan. Penjualan produk tidak bertambah atau tidak berkurang
disepanjang waktu. Pola horizon ini dapat digambarkan pada gambar 2.2. berikut.
Waktu
Produksi
Gambar 3.2. Pola Data Horizon
b. Pola Musiman S Pola ini terjadi bila deret berkala dipengaruhi oleh factor-faktor musiman
misalnya tahunan, kwartalan, bulanan, minggua n atau harian. Model ini dapat dilihat pada gambar 2.3. berikut.
Waktu
Produksi
Universitas Sumatera Utara
Gambar 3.3. Pola Data Musiman
c. Pola Siklis C Pola ini terjadi bila data dipengaruhi oleh fluktuasi ekonomi yang
waktunya relative panjang dan gerakannya tidak beraturan. Pola siklis ini dapat digambarkan seperti terlihat pada gambar 2.4.
Waktu
Produksi
Gambar 3.4. Pola Data Siklis
d. Pola Trend T Pola ini terjadi bila secara umum terjadi penambahan atau penurunan pada
data yang ada. Pola ini dapat digambarkan seperti yang terlihat pada gambar 2.5.
Waktu
Produksi
Gambar 3.5. Pola Trend
3.1.2.2. Teknik Permalan Deret Berkala
Universitas Sumatera Utara
Metode dan teknik peramalan deret berkala adalah metode peramalan berdasarkan periode waktu. Metode yang termasuk dalam deret berkala adalah :
a. Metode Penghalusan Smoothing
1. Metode Rata-rata Bergerak Moving Average: single Moving Average SMA dan Linear Moving Average LMA.
2. Metode Exponential Smoothing : Single Exponential Smoothing, Double
Exponential Smoothing, Triple Exponential Smoothing, Adaptive Response Rate E.S.
ARRSES, Holt 2-Parameters Linear E.S, dan Witer 3- Parameters Linear E.S.
b. Metode Regresi : Konstan, Regresi Linear Trend, Kuadratis,
eksponensial dan Siklis. c.
Metode Dekomposisi Metode yang akan digunakan pada permalan dalam analisis masalah dan
pemecahan masalah adalah : a.
Metode Single Exponential Smoothing Pengertian dasar dari metode ini adalah nilai ramalan pada periode t+1
merupakan nilai actual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai peramalan yang terjadi pada periode t tersebut.
Nilai peramalan dapat dicari dengan rumus sebagai berikut : F
t+1
= α.χ
t
+ 1 – α. F
Dimana : χ
t t
α = Faktorkonstanta pemulusan
= data permintaan pada periode – t
F
t+1
= Permalan untuk periode ke – t+1
Universitas Sumatera Utara
b. Metode Regresi Linear
Metode kecenderungan dengan regresi merupakan dasar garis kecenderungan untuk suatu persamaan, sehinggan dengan persamaan tersebut, dapat
diproyeksikan hal-hal yang akan diteliti pada masa yang akan dating. Untuk permalan jangka pendek dan jangka panjang, ketepatan peramalan dengan
metode ini sangat baik. Data yang dibutuhkan untuk metode ini adalah tahunan, semakin banyak data yang dimiliki, semakin baik hasil yang
diperoleh. Fungsi peramalan untuk regresi linear adalah :
Y
t
Dimana : = a + bt
b =
a = c. Metode Dekomposisi
Metode dekomposisi merupakan pendekatan peramalan yang tertua. Terdapat beberapa pendekatan alternative untuk mendekomposisikan suatu deret
berkala yang semuanya bertujuan memisahkan setiap komponen deret data seteliti mungkin. Konsep dasar permisahan bersifat empiris dan tetap, yang
mula-mula memisahkan unsure musiman, kemudian trend dan akhirnya unsure siklis. Langkah peramalan secara umum :
Universitas Sumatera Utara
1. Ramalkan fungsi regresi linear biasa 2. Hitung nilai indeks untuk unsure musiman yang ada
3. Gabungkan nilai perolehan indeks, lalu ramalkan nilai baru dengan mengalikan nilai indeks dengan nilai peramalan memakai fungsi regresi
linear tersebut.
3.1.2.3. Kriteria Pemilihan Trend
Kategori