32
4. Setiap nilai Y ditetapkan peringkatnya relatif terhadap semua nilai Y yang teramati, dari yang terkecil hingga yang terbesar. Peringkat nilai Y ke-i diberi
notasi RY
1
, dan RY
1
= 1 bila Y
1
adalah nilai Y teramati yang paling kecil. 5. Jika di antara nilai-nilai X atau Y terdapat angka sama masing-masing nilai
yang sama diberi peringkat rata-rata dari posisi-posisi yang seharusnya. 6. Jika data terdiri atas hasil pengamatan nonnumerik bukan angka, data tersebut
harus dapat diperingkatkan seperti yang telah dijelaskan. Sedangkan hipotesis-hipotests yang dapat digunakan dalam analisis
asosiasi metode rank Spearman antara lain : 1. Dua sisi A
Ho : X dan Y saling bebas H1 : X dan Y entah saling bertalian langsung atau invers.
2. Satu sisi B Ho : X dan Y saling bebas
H1 : Ada suatu bertalian langsung antara X dan Y 3. Satu sisi C
Ho : X dan Y saling bebas H1 : Ada suatu bertalian invers antara X dan Y
Jika sampel-sampel berukuran 4 hingga 30, digunakan tabel nilai kritis
korelasi rank Spearman Lampiran 1. Sedangkan untuk memilih hipotesis ada
kaidah-kaidah yang harus dipenuhi. Berikut kaidah-kaidah yang harus dipenuhi untuk memilih hipotesis mana yang signifikan :
1. Untuk A dua sisi : Tolak Ho pada taraf nyata α, jika nilai r
s hitung
lebih daripada positif nilai r
s tabel
atau nilai r
s hitung
lebih kecil daripada negatif nilai r
s tabel
pada taraf nyata 1- α2.
2. Untuk B satu sisi : Tolak Ho pada taraf n
yata α, jika nilai r
s hitung
lebih besar daripada r
s tabel
pada taraf nyata 1- α.
3. Untuk C Satu sisi : Tolak Ho pada nyata α, jika nilai r
s hitung
lebih kecil daripada negatif nilai r
s tabel
pada taraf nyata 1- α.
3.1.5. Peramalan
Peramalan merupakan suatu kegiatan yang bertujuan untuk memprediksi kejadian atau kondisi yang akan terjadi dimasa yang akan datang Lavenbach, et
33
all. , 1981. Peramalan dibutuhkan ketika tidak ada kepastian yang terdapat dalam
lingkungan bisnis atau lingkungan bisnis atau ekonomi yang diperlukan dalam perencanaan. Peramalan bukanlah hasil akhir, melainkan sebagai masukan dalam
proses pengambilan keputusan. Makridakis et. al. 1999 menyatakan bahwa alasan utama dilakukannya perencanaan dan peramalan adalah adanya selang
waktu time lag antara kebutuhan mendatang dengan peristiwa yang terjadi sekarang. Dengan semakin meningkatnya aktivitas bisnis, maka peramalan bisnis
sangatlah diperlukan. Peramalan yang hanya didasari hanya pada pendugaan peristiwa yang
terjadi di masa yang akan datang hanya didasarkan pada intuisi atau kecermatan peramal yang sering bersifat subjektif. Sering kali pengambil keputusan sadar
bahwa dugaannya tidak dapat dijadikan patokan utama karena adanya faktor- faktor eksternal lain yang yang mempengaruhi : kondisi makro, kondisi alam,
kondisi kebijakan pemerintah dan lain sebagainya Makridakis, et all., 1999. Untuk itu perlu ada metode peramalan yang cukup akurat yang mampu
dikuantitatifkan berdasarkan
keadaan historis
pada menggambarkan
kecenderungan pergerakkan pola data dari data historis yang ada dengan mengasumsikan faktor-faktor eksternal lainnya konstan.
3.1.6. Identifikasi Pola Data
Peramalan dilakukan dengan menganalisis data historis yang kita peroleh. Data historis atau deret waktu adalah data yang dikumpulkan dan diamati atas
rentang waktu tertentu Firdaus, 2006. Untuk dapat menentukan metode peramakan yang dapat digunakan dari suatu deret data historis, terlebih dahulu
kita perlu mengetahui komponen atau perilaku data sepanjang periode yang kita amati. Kompponen data historis dapat dibedakan menjadi empat pola :
a. Pola Trend Trend
merupakan komponen data historis yang menunjukkan kenaikkan atau penurunan sekuler jangka panjang dalam data.Kadangkala trend suatu data
memiliki pola yang rumit yang tidak berbentuk garis lurus. Ada tidaknya unsur trend dalam suatu data dapat dilihat dengan memplotkan data tersebut
dalam suatu grafik dan melalui analisis autocorrelation Hanke, 1996. b. Pola Musiman Seasonal
34
Pola ini terjadi apabila suatu data historis dipengaruhi oleh faktor musiman seperti : harian, mingguan, bulanan, triwulanan, semesteran, dan lain
sebagainya. data yang mengandung musiman cenderung akan berulang sepanjang waktu pengamatan yang sama. Biasanya unsur musiman ini
disebabkan oleh beberapa faktor, diantaranya : hari raya, kondisi cuaca, dan lain-lain.
c. Pola Siklus Cycles Terdapatnya unsur siklus dalam satu deret data historis terjadi karena data
dipengaruhi oleh fluktuasi ekonomi jangka panjang yang terjadi pada siklus bisnis. Data yang mengandung pola siklus akan membentuk gelombang di
sepanjang trend atau disebut juga musiman jangka panjang yang berulang biasanya lima sampai sepuluh tahun Firdaus, 2006. Pada kenyataannya,
trend dan siklus sering dianggap pola tunggal Levenbach, et ,al., 1981.
d. Pola Acak Random Pola acak adalah poladata yang tidak mengandung ketiga pola data yang telah
disebutkan diatas. Makridakis et all.1999, menyatakan bahwa pola data selain trend, musiman, dan siklus adalah pola horizontal yaitu pola data yang
terjadi di sekitar nilai rataan data yang konstan atau disebut pola stasioner. Pengamatan terhadap sebaran data ekspor, konsumsi domestik dan
produksi CPO dapat diamati secara visual dengan cara memplotkan data tersebut, atau dengan cara melihat plot autokolerasinya. Autokolerasi adalah
keterikatan antara variabel dengan data variabel tersebut satu atau beberapa periode ke belakang. Korelasi ini diukur dengan koefisien autokorelasi r
k
. Kumpulan dari koefisien autokolerasi inilah yang disebut autocorrelation
function ACF yang kemudian dapat menunjukkan bahwa data memiliki
unsur trend, musiman atau sudah stasioner. Beberapa kemungkinan pola yang terdapat dalam suatu deret data
berdasarkan nilai koefisien korelasinya diantaranya : 1. Jika data memiliki deret yang acakrandom, maka nilai autokorelasi antara Y
t
dengan Y
t-k
untuk setiap selang mendekati nol dan urutan pada deret waktu tidak berkaitan satu sama lainnya.
35
2. Jika data memiliki unsur trend, maka antara Y
t
dengan Y
t-k
akan terdapat autokolerasi yang tinggi. Gejala ini terlihat dari nilai koefisien autokolerasi
yang berbeda signifikan dari nol untuk beberapa selang waktu pertama dan kemudian menurun seiring peningkatan jumlah periode. Pada nilai r
k
di selang pertama cenderung tinggi mendekati satu dan tetap tinggi pada selang
kedua tetapi lebih kecil daripada selang pertama, begitu juga pada selang- selang berikutnya. Pola data dengan pola r
k
menurun secara perlahan disebut juga dying down Firdaus,2006.
3. Apabila data mengandung unsur musiman, maka terdapat selang dimana nilai r
k
mendekati satu dan berulang pada selang waktu kelipatannya. Data yang mengandung unsur trend dan musiman akan menunjukkan kombinasi antara
penjelasan pada poin dua dan terdapat kelipatan selang waktu yang menunjukkan nilai koefisien autokolerasinya berbeda nyata dengan nol.
4. Jika data memiliki ragam dan rataan yang konstan sepanjang waktu pengamatan stasioner, maka nilai koefisien autokolerasi pada ACF akan
tinggi mendekati satu pada selang periode pertama dan menurun dengan cepat pada selang berikutnya. Apabila ternyata pada selang ketiga r
k
kembali mendekati satu, maka data tersebut tetap belum stasioner. Pola r
k
yang menurun secara cepat antara selang waktu satu dengan selang waktu yang lain
disebut cut off Firdaus, 2006.
3.1.7 Metode Peramalan Time Saries ARIMA Box-Jenkins