Penentuan model terpilih pada analisis potensi SDI dilihat dari nilai koefisien determinasi R. Nilai R terbesar dari kedua model tersebut
menunjukkan bahwa model tersebut terpilih untuk digunakan dalam pendugaan potensi SDI.
4.2.2 Analisis Prakiraan
Analisis prakiraan dilakukan untuk mendapatkan gambaran mengenai tingkat kegiatan perikanan produksi, nilai produksi, jumlah kapal dan nelayan,
serta proyeksi tingkat kebutuhan pelayanan di PPSC. Prakiraan adalah suatu upaya untuk memperkirakan kejadian masa depan dengan memperhatikan
informasi-informasi yang diketahui. Masa depan mempunyai ketidakpastian maka tugas manajerial adalah memperkecil ketidakpastian tersebut, dengan usaha
mempelajari proses kejadian masa lalu atau memperkirakan masa depan atas dasar informasi yang telah diketahui Djauhari 1986 dan Makridakis et al. 1993.
Keadaan yang dihadapi dalam melakukan prakiraan sangat bervariasi, baik dari segi: 1 horizon waktu; 2 faktor-faktor yang menentukan hasil aktual
dari kejadian yang diduga, dan 3 tipe pola data yang digunakan sebagai dasar melakukan prakiraan. Penerapan suatu metode dalam melakukan peramalan di
tentukan oleh ketiga keadaan tersebut Machfud 1999. Analisis prakiraan dilakukan terhadap data-data produksi ikan, jumlah
kapal per masing-masing aktivitas di PPSC dan harga ikan. Pengolahan data prakiraan aktivitas di PPSC dilakukan dengan beberapa metode antara lain :
a Rata-rata bergerak tunggal Single Moving Average. b Rata-rata bergerak ganda Double Moving Average.
c Rata-rata bergerak tertimbang Weighted Moving Average. d Pemulusan eksponensial tunggal Single Exponensial Smoothing.
e Dekomposisi Arrses.
f Pemulusan eksponensial linear Holt Liniear Exponential Smoothing.
g Pemulusan eksponensial linear Brown’s Liniear Exponential Smoothing. h Pemulusan eksponensial linear dan musiman Winters.
i Pemulusan Dekomposisi.
j Trend linear model.
a Metode rata-rata bergerak tunggal Single Moving Average
N X
X X
F
N t
t t
t 1
1 1
...
+ −
− +
+ +
+ =
Keterangan: = nilai observasi sebenarnya dari variabel itu pada periode t, t-1,
X
t, t-1, t-2
t-2,... N
= jumlah deret waktu yang digunakan t =
jumlah periode waktu = nilai perkiraan periode t+1Makridakis et al. 1993; Assauri 1984
F
t+1
b Metode rata-rata bergerak ganda Double Moving Average
N X
X X
S
N t
t t
t 1
1
...
+ −
−
+ +
=
N X
S S
S
N t
t t
t 1
1
...
+ −
−
+ +
=
2
t t
t
S S
a −
= 1
2 −
× −
= N
S S
b
t t
t
m b
a F
t t
m t
+ =
+
Keterangan : ’ = rata-rata bergerak tunggal pemulusan tahap 1 periode t
S
t
’’ = rata-rata bergerak ganda pemulusan tahap 2 periode t S
t
N = jumlah data yang digunakan dalam rata-rata = nilai aktual pada periode t
X
t t
a
= nilai perbedaan pemulusan 1 dan 2 intersept periode t
t
b
= nilai penyesuaian trend slope periode t F
t+m
= ramalan untuk periode t+m Makridakis et al. 1993 c Metode rata-rata bergerak tertimbang Weighted Moving Average
t t
t t
N t
N t
t
X W
X W
X W
F +
+ +
=
− −
+ −
+ −
+ 1
1 1
1 1
...
di mana:
1 ...
1 1
= +
+ +
− +
−
t t
N t
W W
W
W
t
adalah persentasi bobot yang diberikan untuk periode t Assauri 1984; Herjanto 1997
d Metode pemulusan eksponensial tunggal Single Exponensial Smoothing
t t
t
F X
F .
1 .
1
α α
− +
=
+
Keterangan:
t
X
= nilai aktual pada periode t
α
= faktor atau konstanta pemulusan bobot, 0
α1 =
prakiraan untuk periode t+1 Makridakis et al. 1993; Assauri 1984: Herjanto 1997
1 +
t
F
e Dekomposisi Arrses
t t
t t
t
F X
F 1
1
α α
− +
=
+
Keterangan:
t
X
= nilai aktual pada periode t
t
α
= faktor atau konstanta pemulusan
= prakiraan untuk periode t Makridakis et al. 1993
1 +
t
F
f Metode pemulusan eksponensial linear Holt Liniear Exponential Smoothing
1 .
1 1
− −
+ −
+ =
t t
t t
T S
X S
α α
1 1
1 .
− −
− +
− =
t t
t t
T S
S T
β β
m t
t m
t
T S
F
.
+ =
+
3
3 4
2 3
1 2
1
X X
X X
X X
T −
+ −
+ −
=
Keterangan: S
t
= nilai pemulusan pada periode t T
t
= estimasi trend pada periode t F
t+m
= ramalan periode t+m m = peride yang diramalkan ke depan
T
1
= taksiran kemiringan slope bola mata eye ball setelah data diplot Makridakis et al. 1993; Herjanto 1997
g Metode pemulusan eksponensial linear Brown’s Liniear Exponential
Smoothing
1
1
−
− +
=
t t
t
S X
S α
α
1
1
−
− +
=
t t
t
S S
S α
α
t t
t t
t t
S S
S S
S a
2 −
= −
+ =
1
t t
t
S S
b −
− =
α α
m b
F
t t
m t
+ =
+
α
Keterangan: ’ = rata-rata bergerak tunggal pemulusan tahap 1 periode t
S
t
’’ = rata-rata bergerak ganda pemulusan tahap 2 periode t S
t
= nilai aktual pada periode t X
t
α
= intersept periode t b
t
= slope periode t = ramalan untuk periode t+m Makridakis et al. 1993; Herjanto 1997
F
t+m
h Metode pemulusan eksponensial linear dan musiman Winters Metode ini didasarkan atas tiga persamaan, yaitu masing-masing untuk unsur
stasioner, trend dan musiman sebagai berikut:
1 1
1
1
− −
−
+ −
+ =
t t
t t
T St
I X
S α
α
1 1
. 1
− −
− +
− =
t t
t
T S
S T
t
β β
1
. 1
−
− +
=
t t
t t
I S
X I
γ γ
m t
t t
m
I m
T S
F
+ −
+
+ =
1 1
.
Keterangan: L = jumlah periode dalam satu siklus musiman
α = konstanta pemulusan eksponensial 0
≤α≤1 = konstanta pemulusan trend 0
≤ ≤1 =
konstanta pemulusan musiman 0 ≤ ≤1 Makridakis et al. 1993;
Herjanto 1997 i Pemulusan Dekomposisi
, ,
,
t t
t t
t
R C
T S
f X
=
Keterangan: = komponen musiman pada periode t
S
t
T
t
= komponen trend pada periode t = komponen siklus pada periode t
C
t
= komponen random kesalahan pada periode t Herjanto 1997 R
t
j Metode trend linear model Metode analisis regresi dari analisis time series menurut Makridakis et al.
1993; Assauri 1984 dan Herjanto 1997 adalah:
x b
a Y
. +
=
2 2
X X
N Y
X XY
N b
∑ −
∑ ∑
∑ −
∑ =
N X
b N
Y a
∑ −
∑ =
Keterangan: y = variabel tidak bebas yang diramalkan di PPSC
a = bilangan tetap nilai dari Y bila X = 0 b = perubahan rata-rata Y terhadap perubahan per unit X
x = variabel bebas waktu
] [
] Σ
[ y
Σxy
2 2
2 2
n y
y n
x x
n x
Σ −
Σ Σ
− Σ
Σ −
r = Keterangan:
r = koefisien korelasi n = jumlah sampel
x = tahun dalam waktu y = variabel tidak bebas yang diramalkan
Dalam menentukan model prakiraan harus sesuai dengan kinerja sistem nyata aktifitas di PP, sehingga memenuhi syarat sebagai model ilmiah yang taat
fakta dibutuhkan validasi kerja sebagai aspek pelengkap metode berpikir sistem. Caranya adalah memvalidasi kinerja model dengan data empiris, untuk melihat
sejauh mana perilaku output model sesuai dengan perilaku data empirik Muhammadi et al. 2001. Ada dua cara validasi kinerja model, yaitu:
1 Cara kualitatif, yaitu membandingkan visual antara simulasi dengan kondisi aktual.
2 Cara kuantitatif atau statistik, yaitu membandingkan hasil simulasi dengan aktual, berdasarkan pendekatan mean absolute deviation, average error,
mean absolute persentage error atau tracking signal. Output analisis prakiraan terhadap aktivitas di PPSC diharapkan mampu
memberikan gambaran tentang kondisi mendatang, sehingga implementasi kebijakan pengembangan PPSC yang akan dikeluarkan akan tepat sasaran.
4.2.3 Analisis Tingkat Pemanfaatan Fasilitas
