Irena Veronika Damanik : Peramalan Jumlah Pengangguran Di Sumatera Utara Pada Tahun 2010, 2009. USU Repository © 2009
BAB 4
METODE ANALISIS DATA
4.1 Pengertian Peramalan
Peramalan kadangkala dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis
peramalan didefenisikan sebagai kegiatan memperkirakan apa yang terjadi pada masa yang akan datang dengan menggunakan data dan informasi yang ada. Sedangkan
ramalan adalah suatu situasi atau kondisi yang memperkirakan akan terjadi di masa yang akan datang.
Dengan hasil analisa peramalan akan dapat menunjukkan yang akan terjadi di masa yang akan datang. Dalam peramalan ini, pada umumnya akan berhadapan
dengan ketidakpastian.
Ada beberapa metode yang digunakan dalam peramalan. Tetapi metode yang digunakan penulis dalam tugas akhir ini adalah Metode Pemulusan Smoothing
Eksponensial Ganda dengan Metode Linier Satu Parameter dari Brown.
Irena Veronika Damanik : Peramalan Jumlah Pengangguran Di Sumatera Utara Pada Tahun 2010, 2009. USU Repository © 2009
4.2 Metode Pemulusan Smoothing Eksponensial
Metode pemulusan ini menjelaskan sekelompok metode yang menunjukan pembobotan menurunsecara eksponensial terhadap nilai observasi yang lebih tua.
Oleh karena itu metode ini disebut prosedur pemulusan smoothing eksponensial.
Seperti halnya dengan rata-rata bergerak, metode pemulusan smoothinng eksponensial terdiri atas tunggal, ganda, dan metode yanng lebih rumit. Semuanya
mempunyai sifat yang sama, yaitu nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai observasi yang lebih lama.
Dalam kasus rata-rata bergerak, bobot yang dikenakan pada nilai-nilai observasi merupakan hasil sampingan dari sistem MA Moving Average tertentu
yang diambil. Tetapi dalam pemulusan smoothing eksponensial, terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil pilihan ini
menentukan bobot yang dikenakan pada nilai observasi.
4.3 Metode Linier Satu Parameter Dari Brown
Dari cara analog yang dipakai pada waktu berangkat dari rata-rata bergerak tunggal ke pemulusan eksponensial tunggal, kita dapat juga berangkat dari rata-rata bergerak
ganda ke pemulusan eksponensial ganda. Salah satu dari keterbatasan rata-rata bergerak tunggal,yaitu perlunya menyimpan N nilai terakhir, masih terdapat rata-rata
bergerak linier, kecuali bahwa nilai data yang diperlukan sekarang adalah 2N-1.
Irena Veronika Damanik : Peramalan Jumlah Pengangguran Di Sumatera Utara Pada Tahun 2010, 2009. USU Repository © 2009
Pemulusan eksponensial linier dapat dihitung hanya dengan tiga nilai data dan satu nilai untuk . Pendakatan ini juga memberikan bobot yang semakin menurun
pada observasi masa lalu.
Dasar pimikiran dari pemulusan eksponensial dari Brown adalah serupa dengan rata-rata bergerak linier. Rumus yang dipakai dalam implementasi pemulusan
eksponensial linier satu parameter dari Brown di tunjukan di bawah ini: a.Menentukan Smoothing Pertama
S
1
1
−
− +
=
t t
S X
S α
α Dimana :
S : Nilai pemulusan eksponensial tunggal priode t X
t
: Nilai real priode t
1 −
t
S : Nilai pemulusan eksponensial tunggal priode t-1
: Dengan nilai 0,2
b. Menentukan Smoothing Kedua S
1
1
−
− +
=
t t
t
S S
S α
α Dengan :
1 −
t
S : Nilai pemulusan eksponensial ganda pada priode t
c. Menentukan Besarnya Konstanta a
t
t t
t t
S S
S a
− +
=
t t
S S
2 −
=
d. Menentukan Besarnya Slope b
t
Irena Veronika Damanik : Peramalan Jumlah Pengangguran Di Sumatera Utara Pada Tahun 2010, 2009. USU Repository © 2009
b
t
=
1
t t
S S
− −
α α
e. Menentukan Besarnya Nilai Ramalan Forecast F
t+m
F
t+m
= a
t
+ b
t
. m Dimana, m = jumlah priode ke muka yang akan diramalkan.
F = nilai ramalan
Agar dapat menggunakan rumus smoothing pertama S dan smoothing kedua
S , nilai
1 −
t
S dan
1 −
t
S harus tersedia. Tetapi pada saat t =1, nilai-nilai tersebut
tidak tersedia. Jadi nilai-nilai ini harus ditentukan pada awal priode. Hal ini dapat dilakukan dengang hanya ditetapkan
t
S dan
t
S sama dengan X
t
atau dengan menggunakan nilai rata-rata dari beberapa nilai pertama sebagai titik awal.
Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan smoothing eksponensial. Jika parameter pemulusan tidak mendekati nol, pengaruh
dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi, jika mendekati nol, proses inisialisasi tersebut dapat memainkan
peranan yang nyata selama priode waktu ke muka yang panjang.
4.4 Perhitungan Penyimpangan Atau Kesalahan Peramalan
