Biaya yang sangat diperlukan dalam meneliti suatu objek. Yang termasuk biaya dalam penggunaan metode peramalan antara lain, biaya penyimpangan data, biaya-biaya
perhitungan, biaya untuk menganalisa dan biaya-biaya pengembangan. 5.
Ketepatan metode peramalan Tingkat ketepatan yang sangat erat hubungannya dengan tingkat perincian yang
dibutuhkan dalam suatu peramalan. Dalam mengambil keputusan, variasi atau penyimpangan atas peramalan yang dilakukan antara 10 sampai 15 bagi maksud-
maksud yang diharapakan, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa danya variasi atau penyimpangan atas ramalan sebesar 5 adalah cukup
berbahaya. 6.
Kemudahan dalam penerapan Metode peramalan yang digunakan adalah metode yang mudah dimengerti dan mudah
diterapkan dalam pengambilan keputusan dan analisisnya.
2.6 Metode Deret Berkala Time Series Box-Jenkins ARIMA
Metode peramalan yang sering digunakan adalah deret waktu time series, dimana sejumlah observasi, diambil selama beberapa periode sebagai dasar dalam penyusunan
suatu ramalan untuk beberapa periode dimasa depan yang diinginkan. Metode Box – Jenkins adalah salah satu metode untuk menganalisis waktu. Metode peramalan Box-
Jenkins merupakan suatu metode yang sangat tepat untuk menangani atau mengatasi kerumitan deret waktu dan situasi peramalan lainnya.
Pada dasarnya ada dua model dari metode Box – Jenkins, yaitu model linier untuk deret statis Stationery Series dan model untuk deret data yang tidak statis Non
Universitas Sumatera Utara
Stationery Series. Model – model linier untuk deret data yang statis menggunakan teknik penyaringan filtering untuk deret waktu, yaitu apa yang disebut dengan
ARMA Auto Regresive – Moving Average untuk suatu kumpulan data. Sedangkan untuk model yang tidak statis menggunakan apa yang disebut ARIMA Auto
Regresive – Integrated – Moving Average.
2.7 Metode Auto Regresive AR
Metode autoregressive adalah model yang menggambarkan bahwa variabel dependent dipengaruhi oleh variabel dependent itu sendiri pada periode-periode yang
sebelumnya, atau autokerelasi dapat diartikan juga sebagai korelasi linier deret berkala dengan deret berkala itu sendiri dengan selisih waktu lag 0,1,2 periode atau lebih.
Bentuk umum model autoregressive dengan ordo p atau dituliskan dengan AR p mempunyai persamaan sebagai berikut :
Yt = µ +
∅
+
∅
+ ... +
∅
+ Dimana :
∅
= Parameter autokorelasi ke-i dengan i= 1,2,...,p = Nilai kesalahan pada saat t
µ = Nilai konstan persamaan umum model ARp dapat juga ditulis sebagai berikut :
1 -
∅
B -
∅
- ... -
∅
= µ + Dalam hal ini B adalah operator mundur Backward shift Operator, bentuk
umum operator bergerak mundur ini dapat ditulis sabagai berikut:
Universitas Sumatera Utara
= . Artinya jika operator
bekerja pada maka menggeser data tersebut sebanyak d periode kebelakang.
Model autoregressive yang sering dijumpai dalam praktek adalah model AR1 dan AR2.
Persamaan AR1 ditulis dengan : 1 -
∅
B = µ + Persamaan AR2 ditulis dengan : 1 -
∅
B -
∅
= µ +
2.8 Metode Rataan Bergerak Moving Average MA
