b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut
di masa mendatang. Model kuantitatif dapat dipergunakan dalam prakiraan, pada dasarnya dapat
dikelompokkan dalam dua jenis, yaitu metode deret berkala time series dan metode regresi atau kausal Spyros M, Steven C, Victor E, 1995, hal. 9 :
1. Metode Time Series
Merupakan metode dimana pendugaan masa depan dilakukan berdasarkan nilai masa lalu dari suatu variabel atau kesalahan masa lalu. Tujuan metode
peramalan deret berkala seperti itu adalah dengan menemukan pola dalam deret historis dan mengekstrapolasikan pola tersebut ke masa depan. Langkah
penting dalam memilih suatu metode time series yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan
pola tersebut dapat diuji. 2.
Metode Kausal Dengan mengasumsikan bahwa faktor yang diperkirakandiramalkan
menunjukkan adanya hubungan sebab-akibat dengan satu atau lebih variabel bebas. Maksud dari model kausal adalah menemukan bentuk hubungan
tersebut dan menggunakannya untuk meramalkan nilai mendatang dari variabel tidak bebas.
c. Metode Double Moving Average Moving Average With Trend
Untuk mengurangi kesalahan sistematis yang terjadi bila rata-rata bergerak dipakai pada berkecenderungan, maka dikembangkan metode rata-rata bergerak
linier linier moving averages. Dasar metode ini adalah menghitung rata-rata
bergerak yang kedua. Rata-rata bergerak ganda ini merupakan rata -rata bergerak dari rata-rata bergerak, dan menurut simbol dituliskan sebagai MA MxN dimana
artinya adalah MA M-periode dari MA N-periode. Jadi prosedur peramalan rata-rata bergerak linier meliputi tiga aspek, yaitu:
1. Penggunaan rata-rata bergerak tunggal pada waktu t ditulis S’t.
2. Penyesuaian yang merupakan perbedaan antara rata-rata bergerak tunggal dan
ganda pada waktu t dituiis S’t – S”t. 3.
Penyesuaian untuk kecenderungan dari periode t ke periode t+1 atau ke periode t+m jika kita ingin meramalkan m periode ke muka
Penyesuaian ke 2 paling efektif bila trend bersifat linier dan komponen kesalahan randomnya tidak begitu kuat. Penyesuaian ini efektif karena adanya
kenyataan bahwa MA tunggal tertinggal lags di belakang deret data yang menunjukkan trend.
Secara umum pembahasan tersebut dapat diformulasikan sebagai berikut :
N X
... X
X X
S
1 N
t 2
t 1
t t
t
.............................................. 1
N S
... S
S S
S
1 N
t 2
t 1
t t
t
................................................. 2
t t
t t
t t
S S
2 S
S S
a
....................................................... 3
t t
t
S S
1
N 2
b
...................................................................... 4 m
. b
a F
t t
m t
............................................................................. 5 Spyros M, Steven C, Victor E,1995, hal. 8
Dimana : -
Persamaan 1 mempunyai asumsi bahwa saat ini kita berada pada periode
waktu t dan mempunyai nilai masa lalu sebanyak N.MA N tunggal dituliskan dengan St.
- Persamaan 2 menganggap bahwa semua rata-rata bergerak tunggal S
telah dihitung. Dengan persamaan ini pula kita menghitung rata-rata bergerak N-periode dari nilai-nilai S tersebut. Rata-rata bergerak ganda
dituliskan sebagai S. -
Persamaan 3 mengacu pada penyesuaian Moving Average tunggal S,, dengan perbedaan S,- S.
- Persamaan 4 menentukan taksiran kecenderungan dari periode waktu yang
satu ke periode waktu berikutnya. -
Persamaan 5 menunjukkan bagaimana memperoleh ramalan untuk m periode ke depan dari t.
d. Metode Pemulusan Smoothing Eksponensial Ganda : Metode Dua