44
Y = b + b
1
P
t
+ b
2
t + ε
t
Dimana : Y
= Permintaan b
= intersep dari masing-masing komoditi b
k
= Slope dari masing-masing komoditi P
= Harga jual rata-rata t
= Periode waktu ε
t
= error pada periode ke-t Kriteria yang digunakan untuk menunujukan keakuratannya yaitu dari
nilai R-sqaure Koefisien determinasi. Semakin besar nilai R-sqaure berarti model yang digunakan semakin akurat dalam meramalkan Y permintaan.Nilai
maksimal dari koefisien determinasi yaitu 100 persen. Kriteria kedua yang menunjukan tingkat keakuratan dari model kausal ini yaitu MSE Mean Square
Error , semakin kecil nilai MSE maka model semakin akurat.
4.7. Pemilihan Metode Peramalan Time Series
Pemilihan model peramalan yang digunakan yaitu yang sesuai dan tepat untuk data permintaan pada masing-masing model ban. Ketepatan dari model
yang akan dipakai merupakan kriteria dalam pemilihan, ketepatan menunjukan seberapa jauh model mampu menghasilkan ramalan yang tidak jauh berbeda
dengan keadan aktualnya. Model yang terpilih adalah metode yang memiliki nilai MSE terendah, selain itu unsur kemudahan dalam penggunaan metode peramalan
merupakan hal yang perlu dipertimbangkan dalam memilih suatu metode peramalan.
Rumus penghitungan nilai Mean Square Error yaitu ;
45
MSE =
∑
= n
t
n
1
1
Y
t
- Ŷ
t
2
Dimana : Y
t
= Nilai aktual Ŷ
t
= Nilai ramalan Y
t
– Ŷ
t
= Kesalahan peramalan error n
= Banyaknya dataobservasi
46
4.8. Definisi Operasional 1. Variabel
Variabel adalah karakter dari unit amatan yang akan diobservasi. Variabel- variabel tersebut adalah variabel permintaan ban model GT3 dan ban model
Eagle Ventura, harga produk, dan periode waktu.
2. Variabel independen
Variabel independen adalah variabel yang menjadi penyebab terjadinya atau yang mempengaruhi variabel dependen. Variabel-variabel tersebut adalah
harga produk, dan periode waktu.
3. Variabel dependen
Variabel dependen adalah variabel yang nilainya dipengaruhi oleh variabel independen, variabel tersebut adalah permintaan ban.
4. Autokorelasi
Autokorelasi adalah hubungan antara nilai suatu variabel dengan nilai lampaunya, dapat dengan gap satu atau lebih. Koefisien autokorelasi berkisar
antara -1 dan +1, dimana 0 menunjukkan tidak ada korelasi.
5. Deret data
Deret data adalah sekelompok data dari suatu variabel yang disusun menurut urutan waktu kejadiannya.
6. Pola data stasioner
Data stasioner adalah data yang nilai-nilai dalam deret datanya memiliki rata-rata dan varian tetap sesuai dengan berjalannya waktu.
47
7. Pola data musiman
Data musiman merupakan pola data yang membentuk fluktuasi konstan dan proposional dalam jangka pendek kurang dari satu tahun yang disebabkan
oleh faktor musiman.
8. Pola data Siklus
Data siklus adalah pola data yang dipengaruhi oleh fluktuasi yang disebabkan oleh pengaruh ekonomi jangka panjang, biasanya dapat terlihat dari
data dengan panjang 2 – 10 tahun atau 10 tahun.
9. Trend kecenderungan
Trend merupakan pola data yang menunjukkan kenaikan atau penurunan secara sekuler dalam jangka panjang.
10. Autocorelation Function ACF
ACF digunakan untuk menjelaskan ketergantungan bersama nilai-nilai suatu deret berkala yang sama pada periode waktu yang berlainan.
11. Partial Autocorelation Function PACF
PACF digunakan untuk menunjukkan besarnya hubungan antara suatu variabel saat ini dengan nilai sebelumnya dari variabel yang sama nilai-nilai
untuk keterlambatan waktu dengan menganggap pengaruh dari semua keterlambatan waktu yang lainnya konstan.
48
BAB V GAMBARAN UMUM PERUSAHAAN
