KATA PENGANTAR
Puji syukur Kehadirat Tuhan Yang Maha Kuasa atas segala rahmat, karunia terutama kesempatan yang diberikan-Nya, sehingga penulis dapat menyelasaikan penulisan makalah ini secara tuntas, walaupun masih banyak terdapat kekurangan.
Selama proses penulisan makalah ini, penulis memperoleh banyak bantuan dari berbagai pihak, baik secara langsung maupun secara tidak langsung. Untuk itu dari hati yang paling dalam penulis menyampaikan ucapan terima kasih kepada
·
Ibu Fitriyana Setyowati, selaku Dosen Pada Mata Kuliah
STATISTIKA DESKTIPTIF.
·
Teman-teman semua yang telah mendukung dan memberi semangat
kepada kami.
·
semua pihak yang telah membantu penulisan makalah ini.
Sebagai manusia biasa penulis menyadari bahwa dalam penulisan
makalah ini masih banyak terdapat kekurangan dan kekeliruan, baik dari segi isi
maupun dari segi penulisanya. Segala kritikan dan masukan dari semua pihak,
akan menjadi pengalaman yang sangat berharga bagi penulis demi kesempurnaan
makalah ini.
Ciputat, November 2012
(Penulis)
DAFTAR ISI
Cover
Kata Pengantar i
Daftar isi ii
Kata Pengantar i
Daftar isi ii
BAB I :
Pendahuluan 1
1.1.
Latar Belakang Masalah 1
1.2.
Metode Penulisan 2
1.3.
Maksud Dan Tujuan 2
1.4.
Manfaat Penulisan 3
BAB II :
Landasan Teori 4
2.1. Pengertian
Peramalan 4
2.2. Manfaat
Peramalan 4
BAB III: Pembahasan 6
3.1. Pengertian Deret Berkala 6
3.2. Komponen Deret Berkala 6
3.3. Ciri-ciri Trend Sekuler 8
3.4. Rumus Metode Semi Average 9
BAB III: Pembahasan 6
3.1. Pengertian Deret Berkala 6
3.2. Komponen Deret Berkala 6
3.3. Ciri-ciri Trend Sekuler 8
3.4. Rumus Metode Semi Average 9
3.5. Contoh
Soal 9
3.5.1. Data Genap Kelompok Genap 13
3.5.1. Data Genap Kelompok Genap 13
3.5.2. Data Genap Kelompok Ganjil 13
3.5.3. Data Ganjil 17
BAB IV: Penutup 23
4.1. Kesimpulan 23
4.2. saran 23
Daftar Pustaka 24
BAB IV: Penutup 23
4.1. Kesimpulan 23
4.2. saran 23
Daftar Pustaka 24
BAB I
PENDAHULUAN
1.1
Latar Belakang
Banyak analisis
statistika bertujuan untuk mengetahui apakah ada hubungan antara dua atau lebih
peubah. Bila hubungan demikian ini dapat dinyatakan dalam bentuk rumus
matematik, maka kita akan dapat menggunakannya untuk keperluan peramalan.
Masalah peramalan dapat
dilakukan dengan menerapkan persamaan regresi. Mendekati nilai tengah populasi.
Sekarang ini, istilah regresi ditetapkan pada semua jenis peramalan, dan tidak
harus berimplikasi suatu regresi mendekati nilai tengah populasi. Sedangkan
Teknik korelasi merupakan teknik analisis yang melihat kecenderungan pola dalam
satu variabel berdasarkan kecenderungan pola dalam variabel yang lain.
Maksudnya, ketika satu variabel memiliki kecenderungan untuk naik maka kita
melihat kecenderungan dalam variabel yang lain apakah juga naik atau
turun atau tidak menentu. Jika kecenderungan dalam satu variabel selalu diikuti
oleh kecenderungan dalam variabel lain, kita dapat mengatakan bahwa kedua
variabel ini memiliki hubungan atau korelasi.
Jika variabel Yi
merupakan serangkaian observasi dan ti merupakan variabel waktu yang bergerak
secara bersamaan ke arah yang sama, dari masa lalu ke masa mendatang, maka
serangkaian data yang terdiri dari Yi dan yang merupakan
fungsi dari ti tersebut
dinamakan sebagai deret berkala (time series) atau data historis (historical
data). Schumpeter merumuskan deret berkala sebagai variabel historis
(historical variables) dan merupakan hasil perpaduan antara pengaruh
kekuatan-kekuatan yang beraneka ragam. Faktor random dan non random
(sistematis) selalu ditemukan dalam variabel historis tersebut.
Deret berkala atau
runtut waktu adalah serangkaian pengamatan terhadap
peristiwa, kejadian atau variabel yang diambil dari waktu ke waktu, dicatat
secara teliti menurut urut-urutan waktu terjadinya, kemudian disusun sebagai
data statistik.
Dari suatu rutut waktu
akan dapat diketahui pola perkembangan suatu peristiwa, kejadian atau variabel.
Jika perkembangan suatu peristiwa mengikuti suatu pola yang teratur, maka
berdasarkan pola perkembangan tersebut akan dapat diramalkan peristiwa yang
bakal terjadi dimasa yang akan datang.
Secara konvensional,
analisis deret berkala selalu didasarkan pada anggapan bahwa nilai deret
berkala merupakan hasil perkalian (multiplikatif) dari trend sekuler, variasi
musim, variasi siklikal, dan variasi random. Namun demikian, data deret berkala
juga dapat merupakan hasil penjumlahan atau kombinasi antara perkalian dan
penjumlahan dalam seribu satu cara dari komponen-komponennya.
1.2
Metode Penulisan
Metode
penulisan yang digunakan adalah dengan metode GOOGLE SEARCH dan studi pustaka
(mencari di mbah GOOGLE dan mencari referensi dari BUKU)
(mencari di mbah GOOGLE dan mencari referensi dari BUKU)
1.3
Maksud dan Tujuan penulisan
Untuk memenuhi Tugas
UAS (Ujian Akhir Semester) STATISTIKA.
1.4
Manfaat penulisan
1.
Untuk menambah pengetahuan dalam menganalisis perkembangan suatu variabel dari
tahun ketahun.
2.
Untuk menambah pengetahuan dalam pembuatan makalah
BAB II
LANDASAN TEORI
1.1
Pengertian Peramalan
Pada dasarnya peramalan
adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan
dimasa depan, tetapi dengan menggunakan metode – metode tertentu maka peramalan
akan menjadi lebih dari sekedar perkiraan. Peramalan dilakukan dengan
memanfaatkan informasi terbaik yang ada pada masa itu, untuk menimbang kegiatan
dimasa yang akan datang agar tujuan yang diinginkan dapat tercapai.
Pertimbangan tentang
peramalan telah tumbuh karena beberapa faktor, yang pertama adalah karena
meningkatnya kompleksitas organisasi dan lingkungan. Hal ini menjadikan semakin
sulit bagi pengambil keputusan untuk mempertimbangkan semua faktor secara
memuaskan. Kedua, dengan meningkatnya ukuran organisasi, maka bobot dan
kepentingan suatu keputusan meningkat pula. Ketiga lingkungan dari kebanyakan
organisasi telah berubah dengan cepat.
Peramalan diperlukan
karena adanya perbedaan – perbedaan waktu antara kebijaksanaan baru dengan
waktu pelaksanaan tersebut. Oleh karena itu, dalam menentukan kebijaksanaan
perlu diperlukan kesempatan atas peluang yang ada, dan gangguan yang mungkin
terjadi pada saat kebijaksanaan baru tersebut dilaksanakan. Peramalan
diperlukan untuk mengantisipasi suatu peristiwa yang dapat terjadi pada masa
yang akan datang, sehingga dapat dipersiapkan kebijaksanaan atau
tindakan-tindakan yang perlu dilakukan.
1.2
Manfaat Peramalan
Adapun
manfaat dari peramalan adalah sebagai berikut :
1.
Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan secara
tepat.
2. Merupakan suatu pedoman dalam menentukan tingkat persediaan perencanaan dan dapat Sebagai masukan untuk penentuan jumlah investasi.
3. Membantu menentukan pengembangan suatu pekerjaan untuk periode selanjutnya.
2. Merupakan suatu pedoman dalam menentukan tingkat persediaan perencanaan dan dapat Sebagai masukan untuk penentuan jumlah investasi.
3. Membantu menentukan pengembangan suatu pekerjaan untuk periode selanjutnya.
BAB III
PEMBAHASAN
3.1 Pengertian
Analisa Deret Berkala
Analisa deret berkala
merupakan prosedur analisis yang dapat digunakan untuk mengetahui gerak
perubahan atau perkembangan nilai suatu variabel sebagai akibat dari perubahan
waktu. Dalam analisis ekonomi dan lingkungan bisnis biasanya analisa deret
berkala digunakan untuk meramal (forecasting ) nilai suatu
variabel pada masa lalu dan masa yang akan datang berdasarkan pada
kecenderungan dari perubahan nilai variabel tersebut.
Analisa deret berkala (time
series) juga merupakan suatu analisis yang berdasarkan hasil ramalan
yang disusun atas pola hubungan antara variabel yang dicari dengan variabel
waktu yang mempengaruhinya. Pendugaan masa depan dilakukan berdasarkan nilai
masa lalu dari suatu variabel.
Analisa deret
berkala bertujuan untuk:
1.
Mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu.
2.
Meramal (forecast) nilai suatu variabel pada suatu waktu
tertentu.
3.2
Komponen Deret Berkala
Analisis deret berkala
atau time series meliputi identifikasi komponen-komponen yang menyebabkan
terjadinya fluktuasi dalam serangkaian data historis. Komponen-komponen dari
time series sebagai berikut:
- Trend (T)
Trend (atau trend
sekuler) adalah gerakan berjangka panjang yang menunjukkan adanya
kecenderungan kenaikan dan penurunan secara keseluruhan. Komponen trend ini
dapat ditunjukkan dengan garis regresi yang bersesuaian dengan titik-titik time
series baik yang memiliki slope (sudut) positif maupun negatif.
- Seasonal (S)
Komponen seasonal atau
musiman juga merupakan fluktuasi periodik, tetapi periode waktunya sangat
singkat yaitu satu tahun atau kurang. Sebagai contoh, penjualan secara eceran
untuk kebutuhan alat-alat mandi cenderung lebih tinggi pada saat musim semi
(spring) dan lebih rendah pada musim dingin (winter). Demikian juga, department
store biasanya mengalami puncaknya pada saat menjelang hari Lebaran dan hari
Natal, biro perjalanan pada saat liburan musim panas, dan toko kelontong pada
saat gajian para pegawai.
- Siklikal
Komponen siklikal
adalah fluktuasi pada time series yang berulang sepanjang waktu, dengan periode
lebih dari satu tahun antara satu puncak (peak) ke puncak berikutnya. Siklus
bisnis adalah sebuah contoh dari fluktuasi jenis ini. Kadang-kadang, siklus
dapat terjadi dalam ribuan tahun, misalnya temperatur global merupakan sikuls
100,000 tahunan.
- Random/Residu
Komponen ini memperlihatkan
fluktuasi yang random atau “noise” sebagai akibat adanya suatu
perubahan yang mendadak, misalnya mogok kerja, embargo minyak, kesalahan fungsi
peralatan, atau kejadian lainnya baik yang menguntungkan maupun yang merugikan.
Variasi random ini dapat menyulitkan kita dalam mengidentifikasi efek dari
komponen yang lain (trend, siklus, dan musim).
3.3
Ciri-ciri Trend Sekuler
Trend (T) (atau trend sekuler) adalah gerakan berjangka panjang yang menunjukkan
adanya kecenderungan menuju ke satu arah kenaikan dan penurunan secara
keseluruhan dan bertahan dalam jangka waktu yang digunakan sebagai ukuran
adalah 10 tahun ke atas, perlu diketahui bahwa trend sangat berguna untuk
membuat ramalan yang sangat diperlukan bagi perencanaan.
Misalnya:
1.
Menggambarkan hasil penjualan
2.
Jumlah peserta KB
3.
Perkembangan produksi harga
4.
Volume penjualan dari waktu ke waktu (dll)
Analisis trend merupakan suatu metode analisis statistika yang ditujukan untuk melakukan
suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan
peramalan dengan baik maka dibutuhkan berbagai macam informasi (data) yang
cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang,
sehingga hasil analisis tersebut dapat mengetahui sampai berapa besar fluktuasi
yang terjadi dan faktor-faktor apa saja yang mempengaruhi terhadap perubahan
tersebut.
|
Y = a + b(x)
|
Dimana: Y :
nilai variabel Y pada suatu waktu tertentu
a : perpotongan antara garis trend dengan sumbu tegak (Y)
b : kemiringan (slope) garis
trend
x : periode waktu deret
berkala
Ada beberapa metode yang
dapat digunakan untuk menentukan persamaan garis yang menunjukkan hubungan
antara nilai variabel dengan waktu, yaitu metode tangan bebas, metode semi rata-rata, metode
rata-rata bergerak dan metode kuadrat terkecil.
3.4
Rumus Metode Semi Average (Rata-rata Semi)
Metode trend setengah
rata-rata menentukan bahwa untuk mengetahui fungsi Y = a + bx, semua data
historis dibagi menjadi dua kelompok dengan jumlah anggota masing-masing
sama.
a. Metode Setengah
Rata-rata dengan data historis dalam jumlah genap.
b.Metode Setengah
Rata-rata dengan data historis dalam jumlah ganjil
Persamaan trend
yang diperoleh dengan menggunakan metode ini, selain dapat digunakan untuk
mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu, juga
dapat digunakan untuk meramal nilai suatu variabel tersebut pada suatu
waktu tertentu. Persamaannya adalah sebagai berikut :
b =Y2-Y1/
n
Keterangan
: b : perubahan nilai variabel setiap tahun
Y1:
rata-rata kelompok pertama
Y2:
rata-rata kelompok kedua
n : periode
tahun antara tahun A
3.5 Contoh Soal
3.5.1 Data Genap
Kelompok Genap
|
Tahun
|
Bawang Merah
(Ton)
|
|
2001
|
861150
|
|
2002
|
766572
|
|
2003
|
762795
|
|
2004
|
757399
|
|
2005
|
732609
|
|
2006
|
794931
|
|
2007
|
802810
|
|
2008
|
853615
|
|
2009
|
965164
|
|
2010
|
1048934
|
|
2011
|
893124
|
|
1012
|
964221
|
Jumlah seluruh data di atas yakni 12 data (Genap). Oleh karena itu
analisis data dilakukan dengan cara sebagai berikut:
- Mengelompokkan data menjadi 2 kelompok. Karena jumlah data genap langsung dibagi dua yang masing-masing kelompok terdiri dari 2 data (Genap).
- Menentukan periode dasar. Misalnya diasumsikan periode dasar menggunakan tahun tengah data tahun kelompok I sehingga periode dasar terletak antara tahun 2003 dan tahun 2004.
- Menentukan Angka Tahun. Karena periode dasar berangka tahun x = 0 dan terletak antara tahun 2003 dan 2004, maka angka tahun untuk tahun 2003 adalah -1 dan angka tahun untuk 2004, 2005, 2006 berturut-turut adalah 1, 3, 5 dst.
- Menentukan nilai Semi Total yakni Jumlah total penjualan masing-masing kelompok.
- Menentukan Semi average tiap Kelompok data yaitu dengan cara membagi semi total dengan banyak data dalam masing-masing kelompok yatitu dibagi dengan 6.
- Menentukan trend awal tahun yaitu dengan mengurangkan semi average kelompok 2 dengan semi average kelompok 1 dan membagi dengan banyak data yaitu 6.
- Dan untuk menentukan peramalan gunakan rumus yang dijadikan kelompok 1.
|
Tahun
|
Bawang
Merah
(Ton)
|
Kel
|
X
|
Semi Total
|
Semi
Average
|
TrendAwal
Tahun
|
|
|
2001
|
861150
|
I
|
-5
|
4.675.456
|
|
779.242,6667+23.678,1111(x)
|
|
|
2002
|
766572
|
-3
|
|||||
|
2003
|
762795
|
-1
|
|||||
|
2004
|
757399
|
1
|
|||||
|
2005
|
732609
|
3
|
|||||
|
2006
|
794931
|
5
|
|||||
|
2007
|
802810
|
II
|
7
|
5.527.868
|
|
921.311,3333+23.678,1111(x)
|
|
|
2008
|
853615
|
9
|
|||||
|
2009
|
965164
|
11
|
|||||
|
2010
|
1048934
|
13
|
|||||
|
2011
|
893124
|
15
|
|||||
|
2012
|
964221
|
17
|
Penyelesian:
Untuk Kelompok I
Semi Total =
861150 + 766572 + 762795 + 757399 + 732609 + 794931
=
4.675.456
Semi Average = 4.675.456
6
=
779.242,6667
Untuk Kelompok II
Semi Total =
802810 + 853615 + 965164 + 1048934 + 893124 + 964221
=
5.527.868
Semi Average = 5.527.868
6
=921.311,3333
b = Y2 – Y1
n
= 921.311,3333 - 779.242,6667
6
= 142.068,6666
6
= 23.678,1111
Maka rumus peramalan yang digunakan yaitu
|
Y’= a + b(x)
Y’= 779.242,6667+23.678,1111(x)
|
Grafik produksi bawang merah di indonesia
Tahun 2001 - 2012
Misalkan untuk meramal pada tahun 2017
Maka x=27/2
=13,5
Y’2017 = a+ b(x)
=779.242,6667 + 23.678,1111(13,5)
=
779.242,6667 + 319.654,4999
Y’2017 = 1.098.897,167
Jadi, dapat diramalkan untuk tahun 2017 produksi Indonesia terhadap bawang
merah yaitu 1.098.897 ton.
Dapat diramalkan juga untuk tahun berikut:
2013 = 1.004.187 ton
2014 = 1.027.862 ton
2015 = 1.051.540 ton
2016 = 1.075.219 ton
2017 = 1.098.897 ton
3.5.2 Data Genap
Kelompok Ganjil
|
Tahun
|
Bawang
Merah(Ton)
|
|
1999
|
938293
|
|
2000
|
772818
|
|
2001
|
861150
|
|
2002
|
766572
|
|
2003
|
762795
|
|
2004
|
757399
|
|
2005
|
732609
|
|
2006
|
794931
|
|
2007
|
802810
|
|
2008
|
853615
|
|
2009
|
965164
|
|
2010
|
1048934
|
|
2011
|
893124
|
|
2012
|
964221
|
Jumlah seluruh data di atas
yakni 14 data (Genap). Oleh karena itu analisis data dilakukan dengan cara
sebagai berikut:
- Mengelompokkan data menjadi 2 kelompok. Karena jumlah data genap langsung dibagi dua yang masing-masing kelompok terdiri dari 7 data (Ganjil).
- Menentukan periode dasar. Misalnya diasumsikan periode dasar menggunakan tahun tengah data tahun kelompok II, sehingga periode dasarnya adalah tahun 2009
- Menentukan Angka Tahun. Karena periode dasar tahun 2009 berangka tahun x = 0, maka angka tahun untuk tahun 2010, 2011, 2012 adalah 1, 2, 3 dan angka tahun untuk 2008,2007, 2006 adalah -1, -2, -3 ..., dst.
- Menentukan nilai Semi Total yakni Jumlah total penjualan masing-masing kelompok.
- Menentukan Semi average tiap Kelompok data. Semi Average untuk kelompok 1 yaitu membagi semi total dengan banyaknya data yaitu dengan dibagi 7.
- Menentukan trend awal tahun yaitu dengan mengurangkan semi average kelompok 2 dengan semi average kelompok 1 dan membagi dengan banyak data yaitu 7.
- Dan untuk menentukan peramalan gunakan rumus yang dijadikan sebagai kelompok 1.
|
Tahun
|
Bawang
Merah (Ton)
|
Kel
|
x
|
Semi Total
|
Semi
Average
|
Trend Awal
Tahun
|
|
|
1999
|
938293
|
II
|
-10
|
5.591.636
|
|
798.805,14
+ 14.921,7(x)
|
|
|
2000
|
772818
|
-9
|
|||||
|
2001
|
861150
|
-8
|
|||||
|
2002
|
766572
|
-7
|
|||||
|
2003
|
762795
|
-6
|
|||||
|
2004
|
757399
|
-5
|
|||||
|
2005
|
732609
|
-4
|
|||||
|
|
|
|
|
|
|
|
|
|
2006
|
794931
|
I
|
-3
|
6.322.799
|
|
903.257 +
14.921,7(x)
|
|
|
2007
|
802810
|
-2
|
|||||
|
2008
|
853615
|
-1
|
|||||
|
2009
|
965164
|
0
|
|||||
|
2010
|
1048934
|
1
|
|||||
|
2011
|
893124
|
2
|
|||||
|
2012
|
964221
|
3
|
Penyelesaian
Untuk Kelompok I
Semi Total =
794931 + 802810 + 853615 + 965164 + 1048934 + 893124 + 964221
=
6.322.799
Semi Average = 6.322.799
7
=
903.257
Untuk Kelompok II
Semi Total =
938293 + 772818 + 861150 + 766572 + 762795 + 757399 + 732609
= 5.591.636
Semi Average = 5.591.636
7
=798.805,14
b = Y2 – Y1
n
= 903.257
- 798.805,14
7
=
14.921,7
Maka rumus peramalan yang digunakan yaitu
|
Y’ = a+ b(x)
Y’ = 903.257 + 14.921,7(x)
|
Grafik produksi Indonesia terhadap bawang
merah (ton)
Misalkan untuk meramal pada tahun 2020 yang akan
datang
Untuk tahun 2020, x= 11
Y’2020 = a + b(x)
Y’2020 = 903.257 + 14.921,7(11)
Y’2020 = 903.257 + 164.138,7
Y’2020 = 1.067.395,7
Jadi, dapat diramalkan untuk tahun 2020 produksi Indonesia terhadap bawang
merah yaitu 1.067.395,7 ton.
Dapat diramalkan juga untuk tahun berikut:
2013 = 962.943,8 ton
2014 = 977.865,5 ton
2015 = 992.787,2 ton
2016 = 1.007.708,9 ton
2017 = 1.171.847,6 ton
3.5.3 Data Ganjil
|
Tahun
|
Wortel
(Ton)
|
|
2000
|
326693
|
|
2001
|
300648
|
|
2002
|
282248
|
|
2003
|
355802
|
|
2004
|
423722
|
|
2005
|
440002
|
|
2006
|
391371
|
|
2007
|
350171
|
|
2008
|
367111
|
|
2009
|
358014
|
|
2010
|
403827
|
|
2011
|
526917
|
|
2012
|
465534
|
Grafik produksi wortel
(ton) di Indonesia
Dalam metode semi average
yang jumlah datanya ganjil dapat dikerjakan dengan 2 cara, yaitu :
1. Jumlah deret berkala dikelompokkan menjadi 2 bagian yang sama
dengan cara memasukkan periode tahun serta nilai deret berkala tertengah ke
dalam tiap kelompok.
b
= Y2 - Y1
n-1
|
Tahun
|
Wortel
(Ton)
|
Kel
|
x
|
Semi
Total
|
Semi
Average
|
Trend
Awal Tahun
|
|
|
2000
|
326 693
|
I
|
-3
|
2.520.486
|
|
360.069,4286
+ 8153,78571x
|
|
|
2001
|
300 648
|
-2
|
|||||
|
2002
|
282 248
|
-1
|
|||||
|
2003
|
355 802
|
0
|
|||||
|
2004
|
423 722
|
1
|
|||||
|
2005
|
440 002
|
2
|
|||||
|
2006
|
391 371
|
3
|
|||||
|
|
|
|
|
|
|
|
|
|
2006
|
391 371
|
II
|
3
|
2.862.945
|
|
408.992,1429
+ 8153,78571x
|
|
|
2007
|
350 171
|
4
|
|||||
|
2008
|
367 111
|
5
|
|||||
|
2009
|
358 014
|
6
|
|||||
|
2010
|
403 827
|
7
|
|||||
|
2011
|
526 917
|
8
|
|||||
|
2012
|
465 534
|
9
|
Untuk kelompok I
Semi Total = 326693 + 300648 + 282248 + 355802 +
423722 + 440002 + 391371
= 2.520.486
Semi Average = 2.250.486
7
=
360.069,4286
Untuk kelompok II
Semi Total = 391371 + 350171 + 367111 + 358014 +
403827 + 526917 + 465534
= 2.862.945
Semi Average = 2.862.945
7
=
408.992,1429
b = Y2 – Y1
n-1
= 408.992,1429
- 360.069,4286
7
– 1
= 48.922,7143
6
=
8153,785717
Maka rumus peramalan yang digunakan yaitu
|
Y’ = a + b(x)
Y’ = 360.069,4286 + 8153,785717(x)
|
Misalkan untuk meramal pada tahun 2015 yang akan
datang
Untuk tahun 2015, x = 12
Y’2015 = a+ b(x)
Y’2015 = 360.069,4286 + 8153,785717(12)
Y’2015 = 360.069,4286 + 97.845,42852
Y’2015 = 457.914,8571
Jadi, dapat diramalkan untuk tahun 2015 produksi Indonesia terhadap wortel
yaitu 457.914 ton.
Dapat pula diramalkan untuk tahun berikut:
2013 = 441.607 ton.
2014 = 449.761 ton.
2015 = 457.914 ton.
2. Jumlah deret berkala dikelompokkan menjadi 2 bagian yang sama
dengan cara menghilangkan periode tahun serta nilai deret berkala tertengah.
b
= Y2- Y1
n+1
|
Tahun
|
Wortel
(Ton)
|
Kel
|
x
|
Semi
Total
|
Semi
Average
|
Trend
Awal Tahun
|
|
|
2000
|
326 693
|
I
|
-5
|
2.129.115
|
|
354.852,5
+ 8153,785714(x)
|
|
|
2001
|
300 648
|
-3
|
|||||
|
2002
|
282 248
|
-1
|
|||||
|
2003
|
355 802
|
1
|
|||||
|
2004
|
423 722
|
3
|
|||||
|
2005
|
440 002
|
5
|
|||||
|
2007
|
350 171
|
II
|
9
|
2.471.574
|
|
411.929
+ 8153,785714(x)
|
|
|
2008
|
367 111
|
11
|
|||||
|
2009
|
358 014
|
13
|
|||||
|
2010
|
403 827
|
15
|
|||||
|
2011
|
526 917
|
17
|
|||||
|
2012
|
465 534
|
19
|
Untuk kelompok I
Semi Total = 326 693 +300 648 + 282 248 + 355 802 + 423 722 + 440 002
= 2.129.115
Semi Average = 2.129.115
6
= 354.852,5
Untuk kelompok II
Semi Total = 350 171 + 367 111 + 358 014 + 403 827 + 526 917 + 465 534
= 2.471.574
Semi Average = 2.471.574
6
= 411.929
b = Y2 – Y1
n+1
= 411.929 - 354.852,5
6+1
= 57.076,5
7
= 8153,785714
Jadi rumus peramalan yang digunakan yaitu
|
Y’ = a + b(x)
Y’ = 354.852,5 + 8153,785714(x)
|
Misalkan untuk meramalkan pada tahun 2019
Untuk tahun 2019, x = 33/ 2 =16,5
Y’2019 = a + b(x)
Y’2019 = 354.852,5 + 8153,785714(x)
Y’2019 = 354.852,5 + 8153,785714(16,5)
Y’2019 = 354.852,5 + 134.537,4643
Y’2019 = 489.389,9643
Jadi, dapat diramalkan untuk tahun 2019 produksi Indonesia terhadap wortel
yaitu 489.389 ton.
Dapat pula diramalkan untuk tahun berikut :
2013 = 440.467 ton
2014 = 448.621 ton
2015 = 456.774 ton
BAB
IV
PENUTUP
4.1
Kesimpulan
Metode trend setengah rata – rata
merupakan salah satu tekhnik yang di gunakan dalam melakukan suatu forecast , namun metode ini jarang digunakan dalam menentukan peramalan. Untuk
melakukan peramalan dengan metode ini dapat dilakukan dengan dua cara :
a. Metode Setengah
Rata-rata dengan data historis dalam jumlah genap.
b.Metode Setengah
Rata-rata dengan data historis dalam jumlah ganjil
4.2 Saran
Sebaiknya
melakukan peramalan dengan metode ini dapat diperdalam lagi dalam
pembelajarannya karena kadang kala metode ini tidak begitu tepat dalam
melakukan peramalannya maka dari itu dibutuhkan penjelasan yang lebih mendalam
lagi
Daftar
Pustaka
Drs.Andi Supangat, M.Si,statistika dalam kajian
deskriptif, bandung,2007.
Algifari,satistika deskriptif plus,upp stim ykpn,
yogyakarta,2013.
Google search,
www.bps.go.id
