Metode Proyeksi Kecenderungan dengan Regresi

baru, lebaran, awal tahun ajaran sekolah, dan sebagainya. Terdapat dua kemungkinan dari pengaruh musiman.Pertama dapat bersifat addictive, yaitu mengabaikan laju penjualan setiap minggu selama bulan desember, hanya dikatakan penjualan selama bulan desember meningkat 200 unit.Kedua, pengaruh musiman bersifat multiplicative, laju penjualan setiap minggu selama bulan Desember meningkat dua kali lipat. Rumusan untuk Exponential Smoothing dengan musiman: S t ’ = α 1 1 1 1 − − − + ∝ − + t t t t b s I X I t = β 1 1 − − + t t t I S X β G t = γ S t – S t-1 + 1- γ b t-1 Maka rumus perhitungan peramalan: F t+m = S t + G + mI t-1 + m dimana : G = komponen trend L = panjang musiman I = faktor penyesuaian F t+m = ramalan untuk m periode ke muka.

3.3.5. Metode Proyeksi Kecenderungan dengan Regresi

Dalam meramalkan biaya-biaya yang termasuk di dalam biaya operasi dipergunakan pola trend karena biaya tersebut cenderung naik jika Universitas Sumatera Utara mesinperalatan semakin tua atau semakin lama jangka waktu pemakaiannya. Ada beberapa trend yang digunakan di dalam penyelesaian masalah ini yaitu : 1. Trend linier Bentuk persamaan umum : Y = a + bt sedangkan peramalannya mempunyai bentuk persamaan Yt = a + bt ∑ ∑ ∑ ∑ ∑ − − = 2 2 t t n Y t tY n b t t 2. Trend Eksponensial atau Pertumbuhan Bentuk persamaan umum : Y = ae bt sedangkan peramalannya mempunyai bentuk persamaan : Yt = ae bt n t b Y a t ∑ ∑ − = ln ln 3. Trend Logaritma Metode Proyeksi Kecenderungan dengan RegresiMetode ini merupakan dasar garis kecenderungan untuk suatu persamaan, sehingga dengan dasar persamaan n t b Y a t ∑ ∑ − = ∑ ∑ ∑ ∑ ∑ − − = 2 2 ln ln t t n Y t Y t n b t t Universitas Sumatera Utara tersebut dapat diproyeksikan hal-hal yang akan diteliti pada masa yang akan datang. Y = a + b log t Bentuk fungsi dari metode ini dapat berupa: a. Konstan, dengan fungsi peramalan Yt: Yt = a, dimana N Y a ∑ = 1 dimana : Yt = nilai tambah N = jumlah periode b. Linier, dengan fungsi peramalan: Yt = a + bt dimana : n bt Y a − = ∑ ∑ ∑ ∑ ∑ − − − = 2 2 t t n y t ty n b c. Kuadratis, dengan fungsi peramalan : Yt = a + bt + ct 2 dimana : n t c t b Y a ∑ ∑ ∑ − − = 2 ∂ − = α θ b c 2 α β θα δ − ∂ − ∂ = b ∑ ∑ − = ∂ 4 2 2 t n t ∑ ∑ ∑ − = tY n Y t δ ∑ ∑ ∑ − = Y t n Y t 2 2 θ ∑ ∑ ∑ − = 3 2 2 t n t t α ∑ ∑ − = 2 2 t n t β Universitas Sumatera Utara d. Eksponensial, dengan fungsi peramalan : Yt = ae bt dimana : n t b Y a ∑ ∑ − = ln ln 2 2 ln ln ln ∑ ∑ ∑ ∑ ∑ − − = t t n Y t Y t n β e. Siklis, dengan fungsi peramalan : n t c n t b a Y t π π 2 cos 2 sin ˆ + + = dimana : n t c n t b na Y π π 2 cos 2 sin ∑ ∑ + + = n t n t c n b n t a n t Y π π πτ π π 2 cos 2 sin 2 sin 2 sin 2 sin 2 ∑ ∑ ∑ + + = n t n t b n t c n t a n t Y π π π π π 2 cos 2 sin 2 cos 2 cos 2 cos 2 ∑ ∑ ∑ ∑ + + = 3.4.Kriteria Performance Peramalan Seorang perancang tentu menginginkan hasil perkiraan peramalan yang tepat atau paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan yang kecil memberikan arti ketelitian peramalan tinggi, keakuratan hasil peramalan tinggi, begitu pula sebaliknya. Besar kesalahan suatu peramalan dapat dihitung dengan metode Standard Error of Estimate SEE k m f f SEE m t t t − − = ∑ =1 2 ˆ dimana : Universitas Sumatera Utara k = derajat kebebasan Untuk data konstan, k = 1 Untuk data linier, k = 2 Untuk data kuadratis, k = 3 Untuk data siklis, k = 3 Untuk data eksponensial, k = 2

3.5. Pengujian Hipotesa Distribusi F