BAB I

PENDAHULUAN

1.1 Latar Belakang

Analisis runtun waktu adalah suatu metode kuantitatif untuk menentukan pola data masa
lalu yang telah dikumpulkan secara teratur. Analisis runtun waktu merupakan salah satu
metode peramalan yang menjelaskan bahwa deretan observasi pada suatu variable dipandang
sebagai realisasi dari variable random berdistribusi bersama.
Analisis runtun waktu pada dasarnya digunakan untuk melakukan analisis data yang
mempertimbangkan pengaruh waktu. Data-data yang dikumpulkan secara periodic
berdasarkan urutan waktu, bias dalam jam, hari, minggu, bulan, kuartal dan tahun. Selain itu
analisis runtun waktu bias digunakan untuk peramalan data beberapa periode kedepan.
Dari suatu analisis runtun waktu akan dapat diketahui pola pengembangan suatu
peristiwa, kejadian atau variable. Jika perkembangan suatu peristiwa mengikuti suatu pola
yang teratur, maka berdasarkan pola perkembangan tersebut akan diramalkan peristiwa yang
bakal terjadi dimasa yang akan datang.
Jika nilai variable atau besarnta gejala (peristiwa) dalam runtun waktu (serangkaian
waktu) diberi symbol Y1, Y2, . , Yn dan waktu waktu pencatatan nilai variable (peristiwa)
diberi symbol X1, X2, X3, ., Xn maka runtun waktu dari nilai variable Y dapat ditunjukkan
oleh persamaan Y = f(X) yaitu besaenya nilai variable Y tergantung pada waktu terjadinya
peristiwa itu.
1.2 Rumusan Masalah

Rumusan Masalah dalam makalah ini adalah :

1. Apa yang dimaksud dengan Metode Pemulusan?
2. Apa yang dimaksud dengan Metode Single Moving Average?
3. Apa yang dimaksud dengan Metode Double Moving Average?
4. Apa yang dimaksud dengan Metode Single Exponential?
5. Apa yang dimaksud dengan Metode Double Exponential?
6. Apa yang dimaksud dengan Metode ARIMA?
7. Apa yang dimaksud dengan Metode AR?
8. Apa yang dimaksud dengan Metode ARMA?
1.3 Tujuan
Tujuan dalam makalah ini adalah :
1. Mengetahui apa yang dimaksud dengan metode pemulusan.
2. Mengetahui apa yang dimaksud dengan metode Single Moving Average
3. Mengetahui apa yang dimaksud dengan metode Double Moving Average
4. Mengetahui apa yang dimaksud dengan metode Single Exponential.
5. Mengetahui apa yang dimaksud dengan metode Double Exponential.
6. Mengetahui apa yang dimaksud dengan metode ARIMA.
7. Mengetahui apa yang dimaksud dengan metode AR.
8. Mengetahui apa yang dimaksud dengan metode ARMA.
 BAB II

PEMBAHASAN

1. Metode Pemulusan.
Dalam model peramalan pemulusan eksponensial, apabila forecast error adalah
positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A-F > 0),
maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalan.
Sebaliknya apabila forecasts error adalah negatif, yang berarti nilai aktual permintaan lebih
rendah daripada nilai ramalan (A-F < 0), maka model pemulusan eksponensial akan secara
otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung terus-menerus,
kecuali apabila forecasts error telah mencapai nol. Kenyataan inilah yang mendorong
peramal (forecaster) lebih suka menggunakan model peramalan pemulusan eksponensial,
apabila pola histories dari data aktual permintaan bergejolak atau tidak stabil dari waktu ke
waktu.
Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan
formula berikut:
Ft = Ft-1 + (At-1 Ft-1)
dimana:
Ft = nilai ramalan untuk periode waktu ke-t
Ft-1 = nilai ramalan untuk satu periode waktu yang lalu
= koefisien pemulusan
At-1 = nilai aktual untuk satu periode waktu yang lalu
Permasalahan umum yang dihadapi apabila menggunakan model pemulusan
eksponensial adalah memilih konstanta pemulusan, , yang diperkirakan tepat. Nilai
konstanta pemulusan dapat dipilih di antara nilai 0 dan 1 karena berlaku 0 < < 1.
Bagaimanapun juga, untuk penetapan nilai yang diperkirakan tepat, dapat digunakan
panduan berikut:
Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil
dari waktu ke waktu, dipilih nilai = 0,9; namun dapat juga dicoba nilai-nilai lain yang
mendekati satu.
 Apabila pola historis dari data aktual permintaan cenderung stabil dari waktu ke
waktu, dipilih nilai = 0,1; namun dapat juga dicoba nilai-nilai yang lain yang mendekati
nol.

2. Metode Single Moving Average.

Rata-rata bergerak tunggal (Single Moving Average) adalah suatu metode peramalan
yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari nilai rata-rata
tersebut sebagai ramalan untuk periode yang akan datang. Metode Single Moving
Average mempunyai karakteristik khusus yaitu ;
- untuk menentukan ramalan pada periode yang akan datang memerlukan data historis
selama jangka waktu tertentu. Misalnya, dengan 3 bulan moving average, maka ramalan
bulan ke 5 baru dibuat setelah bulan ke 4 selesai/berakhir. Jika bulan moving
averages bulan ke 7 baru bisa dibuat setelah bulan ke 6 berakhir.
- Semakin panjang jangka waktu moving average, efek pelicinan semakin terlihat dalam
ramalan atau menghasilakan moving average yang semakin halus.

3. Metode Double Moving Average.

Dalam metode ini langkah pertama adalah mencari moving averages, hasilnya ditaruh
pada periode terakhir, kemudian dicari moving averages lagi dari moving averages pertama,
baru kemudian dibuat forecast. Adapun prosedur untuk membuat forecast dengan metode
double moving averages adalah sebagai berikut :
1) Menentukan moving averages yang pertama (Pengestu Subagyo, 2004 : 5)

S = Xt + Xt-1 + + Xt-n+1
n
2) Menentukan moving averages yang kedua (Pengestu Subagyo, 2004 : 5)
St = St + St-1 + + St-n+1
n

3) Menentukan konstanta (Pengestu Subagyo, 2004 : 5)

at = St + (St St )
 4) Menentukan slope (Pengestu Subagyo, 2004 : 6)
Bt = 2 (St St )
V-1
V adalah jangka waktu moving averages
5) Menentukan forecast (Pengestu Subagyo, 2004 : 6)
Ft+m = at + btm

m adalah jangka waktu forecast kedepan

4. Metode Single Exponential Smoothing.

Menurut Pengestu Subagyo (Forecasting Konsep dan Aplikasi, 2004 : 7) metode

single exponential smoothing lebih cocok digunakan untuk meramalkan hal-hal yang

fluktuasoninya secara random (tidak teratur). Untuk membuat forecast dengan metode single

expential smoothing dicari dengan rumus :

Ft+1= Xt + (1 - ) St

Dalam metode ini nilai bisa ditentukan secara bebas yang bisa mengurangi forecast
error, yaitu antara 0 dan 1.
5. Metode Double Exponential Smoothing.

Metode double exponential smoothing biasanya lebih tepat digunakan untuk

maramalkan data yang mengalami kecenderungan trend naik. (Pengestu Subagyo, 2004 : 8).

Dalam metode ini dilakukan proses smoothing dua kali, adapun prosedur untuk membuat

forecast dengan double exponential smoothing adalah sebagai berikut :

1) Menentukan smoothing pertama

St = Xt + (1 - )St-1

2) Menentukan smoothing kedua

St = St + (1 - )St-1
 3) Menentukan konstanta

at = 2St St

4) Menentukan slope

bt = 1 ( ")

5) Menentukan forecast

Ft+m = at + btm

m adalah jangka waktu forecast kedepan

6. Metode ARIMA.
ARIMA (Autoregressive Integreated Moving Average) pertama kali dikembangkan
oleh George Box dan Gwilym Jenkins untuk pemodelan analisis deret waktu. ARIMA
mewakili tiga pemodelan yaitu dari autoregressive model (AR), moving average (MA), serta
autoregressive dan moving average model (ARMA). Tahapan pelaksanaan dalam pencarian
metodenya yaitu :
Metode diidentifikasi menggunakan autokorelasi dan parsial autokorelasi
Metode ditafsir dan diestimasi menggunakan data masa lalu dengan menggunakan
metode kuadrat terkecil atau metode Cramer.
Pengujian dilakukan untuk mendapatkan metode yang layak dipakai untuk
penerapan peramalan.
Penerapan, yaitu peramalan nilai data deret berkala yang akan datang menggunakan
metode yang telah diuji.
7. Metode AR.
Penentuan koefisien autokorelasi parsial digunakan untuk mengukur tingkat
kedekatan antara Xt dan Xt-k apabila pengaruh dati time lag 1,2,...,k. [4]. Tujuan penggunaan
koefisien autokorelasi parsial dalam analisis data deret berkala adalah untuk membantu
penetapan metode ARIMA yang tepat untuk peramalan, khususnya untuk menentukan ordo p
dari model AR (p). Berikut ini merupakan rumus dari AR:
Xt = + 1Xt-1 + 2Xt-2 + + pXt-p + et
 Keterangan:
tX : data ke-t.
: nilai suatu konstanta.
j: parameter autoregresif ke-j.
et : nilai error pada saat ke-t.

8. Metode ARMA.
Pada Metode ARMA ordo p dan q (AR(p) dan MA(q)) adalah gabungan antara
Autoregressive Model (AR) dan Moving Average (MA). Berikut ini merupakan rumus dari
ARMA:
Xt = + 1Xi-1 + 2Xt-2 + + pXt-n
, + et 1et-1 2et-2 - - qet-q
Keterangan:
Xt : data ke-t. '
: nilai konstan.
j : parameter autoregresif ke-j. te : nilai error pada saat ke-t.
j: parameter moving average ke j.