37
umum autoregressif dengan ordo p atau dituliskan dengan AR p mempunyai persamaan sebagai berikut:
X
t
= µ + Φ1 X
t-1
+ Φ µ X
t-2
+............... + Φ
p
X
t-p
+ e dimana :
Xt :variabel dependen
X
t-1
,........,X
t-p
:variable independen yang dalam ini merupakan lag beda waktu dari variable dependen pada satu
periode sebelumnya hingga p periode sebelumnya. µ
:nilai konstan Φ
:parameter autoregressive e : error
5. Proyeksi Trend
Proyeksi trend merupakan metode peramalan seri waktu. Teknik ini mencocokkan garis trend ke rangkaian titik data historis kemudian
memproyeksikan garis itu kedalam ramalan jangka menengah hingga jangka panjang.
Pendekatan ini menghasilkan garis lurus yang meminimalkan jumlah kuadrat perbedaan vertikal dari garis pada setiap observasi aktual.Rumus
trend garis lurus dengan metode kuadrat terkecil adalah: Y = a + bx
Dengan penyelesaian nilai a dan b pada dua persamaan normal berikut Handoko,2000:273.
∑ Y = n a + b
∑ X ∑ XY =
a ∑ X + b ∑ X
2
Bila titik tengah data sebagai tahun dasar, maka ∑ X = 0
∑Y
∑ Y = n a
a = n
∑ XY
∑ XY = b
∑ X
2
b =
∑ X
2
38
3.3.1.2. Pengujian Pola Data
Uji pola data pada intinya adalah menguji apakah dapat dikatakan stasioner ataukah tidak. Stasioneritas data penting dilakukan untuk menentukan
metode forecasting yang sesuai. Pengujian stasioneritas data dapat dilakukan dengan dua cara yaitu dengan grafik atau dengan menghitung autokorelasi.
Pengujian dengan cara melihat grafik uji korelasi lebih praktis untuk dilakukan. Pada gambar grafik korelasi terdapat bar batang berwarna biru yang
melambangkan besarnya ACF autocorelation. Jika bar berada dibawah garis berarti bernilai negatif, sedangkan jika bar berada diatas garis berarti bernilai
positif. Panjang bar menunjukkan besar korelasi secara proporsional. Di atas dan di bawah bar akan terdapat dua garis merah terputus-putus, garis tersebut adalah
garis upper dan lower dari angka korelasi yang tidak menunjukkan adanya autokorelasi. Jika bar-bar yang ada tidak melebihi garis merah yang di atas
maupun yang di bawah berarti tidak ada autokorelasi. Sebaliknya, jika terdapat sejumlah bar yang melewakti garis bawah ataupun garis atas maka dapat diduga
ada autokorelasi. Jika tidak ada autokorelasi maka data tidak terbukti ada trend dan bersifat random, sebaliknya jika ada autokorelasi maka diduga data tersebut
mempunyai pengaruh trend, musiman, atau siklis. Pengujian pola data cara kedua adalah dengan menghitung nilai
autokorelasi dengan rumus sebagai berikut: n
dimana: Yt = data saat ini yang ke-t ∑ Y
t
- Ŷ Y
t-k
– Ŷ
Ŷ = rata-rata data
r
k = t=k+1
Y
t-k
= data periode k n
sebelum data saat ini ∑
t=1
Y
t
– Ŷ
2
n = jumlah data
