Model Trend Model Rata-rata

1. Model Trend

Model trend menggambarkan pergerakan data yang meningkat atau menurun dalam jangka waktu yang panjang. Model ini menggambarkan hubungan antara periode waktu dan variabel yang diramal dengan menggunakan analisis regresi. Model ini cocok untuk peramalan satu periode ke depan. 2.Model Naive Model ini cocok digunakan untuk deret berkala yang memiliki pola data horizontal atau stasioner. Model ini menggunakan informasi terakhir tentang nilai aktual sebagai ramalan. Jika sebuah ramalan disiapkan untuk horison waktu satu periode, maka nilai aktual yang terakhir akan dipergunakan sebagai ramalan untuk periode berikutnya Hanke,2003. Kelemahan utama dari model ini adalah diabaikannya segala sesuatu yang terjadi sejak tahun lalu termasuk unsur trend.

3. Model Rata-rata

Model ini memberikan pembobotan yang sama untuk semua nilai pengamatan dan cocok untuk data yang berpola stasioner, yaitu data dengan nilai yang berfluktuasi di sekitar nilai rata-rata yang konstan, dengan kata lain tidak menunjukkan adanya trend dan musiman.Metode ini terdiri dari Makridakis et al, 1999 : 1 Metode rata-rata sederhana Simple Average Cara kerja dari metode ini adalah dengan merata – ratakan seluruh data yang ada untuk menghasilkan ramalan periode berikutnya. Hasil peramalannya tidak terlalu memperhatikan fluktuasi dari data deret waktu. Metode ini cocok untuk data time series dengan pola stasioner. 2 Model rata-rata bergerak sederhana Simple Moving Average Dalam model ini setiap muncul nilai pengamatan baru maka nilai rata-rata baru dapat dihitung dengan membuang nilai observasi yang paling lama dan memasukkan nilai pengamatan yang terbaru. Dengan kata lain model ini hanya mengikuti beberapa data terakhir untuk dicari nilai tengahnya sebagai ramalan periode berikutnya. Banyaknya data yang diikutsertakan disebut ordo. Kelemahan dari metode ini, yaitu : 1. Metode ini tidak dapat menanggulangi dengan baik adanya trend atau musiman walaupun metode ini lebih baik dibanding rata-rata sederhana. 2. Metode ini memerlukan penyimpanan yang lebih banyak karena semua pengamatan terakhir harus disimpan, tidak hanya nilai tengahnya.

4. Model Pemulusan Eksponensial