lampau deret secara menurun eksponensial. Pemulusan eksponensial sederhana menyediakan rata-rata bergerak tertimbang secara eksponensial
semua nilai pengamatan yang lalu. 2.
Single-equation regression method Metode ini disebut juga analisis regresi sederhana yaitu hanya memiliki satu
variabel dependen dan satu variabel independen. 3.
Simultaneous-equation regression model Metode ini disebut juga analisis regresi berganda yaitu melibatkan
penggunaan lebih dari satu variabel bebas dalam prediksi variabel terikat. 4.
Autoregressive integrated moving average ARIMA model Model ARIMA berasal dari gabungan antara AR autoregression dan MA
Moving Average yang sudah didiferen. Konsep ini mendasar pada asumsi bahwa “data speak for themselves”, karena nilai data pada masa sekarang
dipengaruhi oleh nilai data pada masa-masa sebelumnya. 5.
Vector Auto Regression VAR Vector Auto Regression VAR merupakan alat analisis atau metode statistik
yang bisa digunakan baik untuk memproyeksikan sistem variabelvariabel runtut waktu maupun untuk menganalisis dampak dinamis dari faktor
gangguan yang terdapat dalam sistem variabel tersebut. Selain itu, VAR Analisis juga merupakan alat analisis yang sangat berguna, baik di dalam
memahami adanya hubungan timbal balik interrelationship antara variabel-variabel ekonomi maupun di dalam pembentukan model ekonomi
berstruktur.
2.5. Peramalan Penjualan
Peramalan penjualan sangat penting dalam mengkaji situasi dan kondisi pada masa depan dan dapat digunakan untuk memperkirakan apa yang akan
terjadi di masa mendatang. Dengan melihat pada kondisi data di masa sekarang hal ini diperlukan untuk dapat melaksanakan kebijaksanaan yang akan di ambil
perlu melakukan perkiraan akan kesempatan atau peluang yang ada. Menurut Keown, et al. 2004, unsur-unsur pokok dalam proses
perencanaan perusahaan adalah meramalkan penjualan. Perhitungan ini biasanya
dihasilkan dengan informasi dari berbagai sumber. Paling sedikit, perkiraan penjualan untuk tahun depan akan mencerminkan:
1. Kecenderungan penjualan masa lalu yang diharapkan akan terulang lagi
pada tahun berikutnya 2.
Pengaruh setiap peristiwa apapun yang mungkin secara material mempengaruhi kecenderungan itu.
2.6. Kointegrasi
Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan
Engle dan Granger, 1987. Tetapi, proses ini justru akan menghilangkan hubungan jangka panjang yang mungkin terdapat dalam variabel-variabel time
series yang diteliti dan hanya memberikan hubungan jangka pendek time series. Disinilah penting nya proses kointegrasi dimana konsep ini membantu
memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner.
Dengan kata lain konsep ini mengatakan bahwa apabila terdapat dua atau lebih time series yang tidak stasioner mempunyai unit roots dan terintegrasi
pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi seri di dalamnya white nose, maka time series tersebut dinamakan terkointegrasi.
Didalam konsep kointegrasi ini terdapat beberapa hal penting yang perlu diperhatikan, yaitu Enders, 2004:
1. Kointegrasi merupakan kombinasi linear dari dua atau lebih dari time series
yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak unik karena dengan suatu konstanta yang tidak
nol λ, maka λβ juga benar sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran
digunakan untuk normalisasi vektor kointegrasi dengan menetapkan koefisiennya menjadi satu.
2. Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua
variabel yang terintegrasi pada orde yang sama terkointegrasi. 3.
Bila vektor mempunyai n komponen, maka akan ada n-1 vektor
kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah
vektor kointegrasi ini dinamakan peringkat kointegrasi cointegration rank, biasanya dilambagkan dengan r.
Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan
atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabel- variabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi
akan menjadi stasioner dalam jangka panjang Enders, 2004.
2.7. Vector Auto Regression VAR
