Dokumen ini membahas analisis data berkala dan peramalan menggunakan metode least square. Metode least square adalah metode yang sering digunakan untuk meramal data berkala karena dianggap paling teliti. Dokumen ini juga memberikan contoh penerapan metode least square untuk meramal penjualan dua perusahaan berbeda.

1. BAB VI
ANALISIS DATA BERKALA
NAMA : FITRIA INDRIANI
N.P.M : 1615310227

2. ANALISIS DATA BERKALA
1. Pengertian Analisis Deret Berkala
lData yang dikumpulkan dari waktu ke waktu
untuk menggambarkan perkembangan suatu
kegiatan (perkembangan produksi, harga, hasil
penjualan, jumlah penduduk, jumlah
kecelakaan, jumlah kejahatan, dsb).
l Serangkaian nilai-nilai variabel yang disusun
berdasarkan waktu.

3. lSerangkaian data yang terdiri dari variabel Yi
yang merupakan serangkaian hasil observasi
dan fungsi dari variabel Xi yang merupakan
variabel waktu yang bergerak secara seragam
dan ke arah yang sama, dari waktu yang
lampau ke waktu yang mendatang.
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.

4. 2. Komponen Deret Berkala
Empat komponen deret berkala itu adalah:
lTrend, yaitu gerakan yang 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 keatas.
lVariasi Musim, yaitu ayunan sekitar trend
yang bersifat musiman serta kurang lebih
teratur.

5. lVariasi Siklus, yaitu ayunan trend yang
berjangka lebih panjang dan agak lebih
teratur.
lVariasi Yang Tidak Tetap (Irreguler), yaitu
gerakan yang tidak teratur sama sekali.
A.Metode Least Square (Kuadrat terkecil)
Metode ini paling sering digunakan untuk
meramalkan Y, karena perhitungannya lebih
teliti.Persamaan garis trend yang akan dicari
ialah
Y ‘ = a0 +bx a = ( ∑Y ) / n

6. dengan :
Y ‘ = data berkala (time series) = taksiran nilai
trend.trend
a0 = nilai trend pada tahun dasar.
b = rata-rata pertumbuhan nilai trend tiap
tahun
x = variabel waktu (hari, minggu, bulan atau
tahun).
Untuk melakukan penghitungan, maka
diperlukan nilai tertentu pada variabel waktu
(x) sehingga jumlah nilai variabel waktu adalah
nol atau ∑x=0.

7. Untuk n ganjil maka :
Jarak antara dua waktu diberi nilai satu
satuan. Di atas 0 diberi tanda negative.
Dibawahnya diberi tanda positif.
Untuk n genap maka :
Jarak antara dua waktu diberi nilai dua satuan.
Di atas 0 diberi tanda negatif.
Dibawahnya diberi tanda positif.

8. CONTH KASUS SOAL TENTANG ANALISIS DATA
BERKALA
Contoh I (Untuk jumlah data ganjil) :Ramalan
Penjualan Metode Least SquareData
Penjualan (Unit) PT. GALAU Tahun 1995-1999.

9. Dari data tersebut akan dibuat forecast
penjualan dengan menggunakan Metode least
Square.
Penyelesaian :Analisis menggunakan metode
Least Square

10. Mencari nilai a dan b :
a = 760 : 5 = 152
b = 100 : 10 = 10
Setelah mengetahui nilai variabel a dan b
maka persamaan trendnya dapat diketahui
yaitu :
Y = 152 + 10X

11. Dari persamaan fungsi Y diatas maka nilai
trend dari tahun 1995 sampai dengan 1999
dapat diketahui :

12. Dari persamaan fungsi Y diatas juga dapat
disusun ramalan penjualan pada tahun
berikutnya untuk dijadikan dasar pembuatan
anggaran penjualan.
Y(2000) = 152 +10 (3) = 182

13. Contoh II (Untuk jumlah data genap):
Ramalan Penjualan Metode Least SquareData
Penjualan (Unit ) PT. KAMSEUPAY Tahun 1995-
2000.

14. Dari data tersebut akan dibuat ramalan
penjualan dengan menggunakan Metode least
Square.
Penyelesaian :Analisis menggunakan metode
Least Square.

15. Mencari nilai a dan b
a = 945 : 6 = 157,5
b = 365 : 70 = 5,21
Setelah mengetahui nilai variabel a dan b
maka persamaan trendnya dapat diketahui
yaitu :
Y = 157,5 + 5,21X

16. Dari persamaan fungsi Y diatas maka nilai
trend dari tahun 1995 sampai dengan 2000
dapat diketahui :

17. Dengan cara yang sama dapat pula diketahui
ramalan penjualan untuk tahun 2001 – 2005 :

18. B.FORECASTING (PERAMALAN)
Pengertian peramalan (forecasting) : adalah
seni dan ilmu memprediksi peristiwa-peristiwa
yang akan terjadi dengan menggunakan data
historis dan memproyeksikannya ke masa
depan dengan beberapa bentuk model
matematis. Untuk melakukan peramalan
diperlukan metode tertentu dan metode
mana yang digunakan tergantung dari data
dan informasi yang akan diramal serta tujuan
yang hendak dicapai. Dalam prakteknya
terdapat berbagai metode peramalan antara
lain :

19. Peramalan berdasarkan jangka waktu :
1. Peramalan jangka pendek ( kurang satu
tahun, umumnya kurang tiga bulan :
digunakan untuk rencana pembelian,
penjadwalan kerja, jumlah TK, tingkat
produksi),
2. Peramalan jangka menengah ( tiga bulan
hingga tiga tahun : digunakan untuk
perencanaan penjualan, perencanaan dan
penganggaran produksi dan menganalisis
berbagai rencana operasi),

20. 3. Peramalan jangka panjang ( tiga tahun
atau lebih, digunakan untuk
merencanakan produk
baru,penganggaran modal, lokasi
fasilitas, atau ekspansi dan penelitian
serta pengembangan).
Peramalan berdasarkan rencana operasi
1. Ramalan ekonomi : membahas siklus
bisnis dengan memprediksi tingkat inflasi
dan indikator perencanaan lainnya

21. 2. Ramalan teknologi : berkaitan dengan
tingkat kemajuan teknologi dan produk
baru
3. Ramalan permintaan : berkaitan dengan
proyeksi permintaan terhadap produk
perusahaan. Ramalan ini disebut juga
ramalan penjualan, yang mengarahkan
produksi, kapasitas dan siatem
penjadualan perusahaan.

22. Peramalan berdasarkan metode /
pendekatan :
1. Metode Kuantitatif
menggunakan berbagai model
matematis atau metode statistik dan
data historis dan atau variabel-variabel
kausal untuk meramalkan permintaan,
Metode Peramalan Kuantitatif dapat
dikelompokkan menjadi dua jenis, yaitu :

23. A. Model Seri Waktu / Metode deret
berkala Model seri waktu / metode deret
berkala (time series) metode yang
dipergunakan untuk menganalisis
serangkaian data yang merupakan fungsi
dari waktu.
B. Model / metode kausal
(causal/explanatory model)Merupakan
metode peramalan yang didasarkan
kepada hubungan antara variabel yang
diperkirakan dengan variabel lain yang

24. mempengaruhinya tetapi bukan waktu
melainkan sebab akibat. Dalam
prakteknya jenis metode peramalan ini
terdiri dari :
Peramalan menggunakan metode
regresi:
Penggunaan metode ini didasarkan
kepada variabel yang ada dan yang akan
mempengaruhi hasil peramalan.

25. MELAKUKAN PERAMALAN
Menghitung kesalahan ramalan
(forecast error).
Perbedaan atau selisih antara nilai aktual
dan nilai ramalan disebut sebagai
“kesalahan ramalan (forecast error)” atau
deviasi yang dinyatakan dalam:
et = Y(t) – Y’(t)

26. Dimana :
Y(t) = Nilai data aktual pada periode t
Y’(t) = Nilai hasil peramalan pada periode t
t = Periode peramalan
Maka diperoleh Jumlah Kuadrat Kesalahan
Peramalan yang disingkat SSE (Sum of Squared
Errors) dan Estimasi Standar Error (SEE –
Standard Error Estimated).
SSE = S e(t)2 = S[Y(t)-Y’(t)]2

27. PENUTUP
Kesimpulan
Peramalan yang diberikan oleh metode least
square dalam data berkala cukup baik, itu
menunjukkan bahwa metode least square
merupakan metode yang lebih teliti sehingga
sering digunakan untuk menghitung data
berkala. Selain itu metode least square juga
dapat digunakan tidak hanya untuk
meramalkan penjualan tetapi berbagai macam
peramalan lainnya, seperti perkembangan KB,
perkembangan produksi, dll.

28. Saran
Pada perhitungan dengan metode least
square tentunya juga diperlukan ketelitian dan
kecermatan agar tidak terjadi kesalahan,
untuk memperkecil kesalahan pada metode
least square ini bisa menggunakan MS. Excel.