Top Banner
15 BAB 3 LANDASAN TEORI 3.1 Konsep Kepuasan Konsumen Menurut Gerson, kepuasan konsumen merupakan pandangan konsumen bahwa harapannya telah terpenuhi atau terlampaui (Gerson,1999,p3). Sedangkan menurut Kotler, kepuasan konsumen merupakan tingkat perasaan puas ataupun kecewa terhadap perbandingan antara kesan kinerja suatu produk serta jasa yang diberikan dengan harapan dari orang tersebut. Dengan demikian kepuasan konsumen merupakan fungsi dari kesan kinerja dan harapan (Kotler,1995, p458). Suatu pelayanan dinilai memuaskan bila pelayanan tersebut dapat memenuhi kebutuhan dan harapan konsumen dengan cepat dan tepat. Apabila konsumen merasa tidak puas terhadap suatu pelayanan yang disediakan, maka pelayanan tersebut dapat dipastikan tidak efektif dan tidak efisien. Hal ini terutama sangat penting bagi pelayanan publik. Pada kondisi persaingan sempurna, dimana konsumen mampu untuk memilih diantara beberapa alternatif pelayanan dan memiliki informasi yang memadai, kepuasan konsumen merupakan satu determinan kunci dari tingkat permintaan pelayanan dan fungsi atau operasionalisasi pemasok. Tingkat operasionalisasi dari setiap perusahaan ditekankan untuk mencapai keseimbangan antara pengadaan produk dan kebutuhan pasar. Perencanaan yang kurang baik dapat mengakibatkan ketidakpuasan konsumen, sementara itu pengadaan produk yang berlebihan akan berakibat pada kelebihan stok. Estelar
42

2007-2-00550-STIF BAB3_Unlocked

Nov 27, 2015

Download

Documents

Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: 2007-2-00550-STIF BAB3_Unlocked

15

BAB 3

LANDASAN TEORI

3.1 Konsep Kepuasan Konsumen

Menurut Gerson, kepuasan konsumen merupakan pandangan konsumen bahwa

harapannya telah terpenuhi atau terlampaui (Gerson,1999,p3). Sedangkan menurut

Kotler, kepuasan konsumen merupakan tingkat perasaan puas ataupun kecewa

terhadap perbandingan antara kesan kinerja suatu produk serta jasa yang diberikan

dengan harapan dari orang tersebut. Dengan demikian kepuasan konsumen

merupakan fungsi dari kesan kinerja dan harapan (Kotler,1995, p458).

Suatu pelayanan dinilai memuaskan bila pelayanan tersebut dapat memenuhi

kebutuhan dan harapan konsumen dengan cepat dan tepat. Apabila konsumen merasa

tidak puas terhadap suatu pelayanan yang disediakan, maka pelayanan tersebut dapat

dipastikan tidak efektif dan tidak efisien. Hal ini terutama sangat penting bagi

pelayanan publik. Pada kondisi persaingan sempurna, dimana konsumen mampu

untuk memilih diantara beberapa alternatif pelayanan dan memiliki informasi yang

memadai, kepuasan konsumen merupakan satu determinan kunci dari tingkat

permintaan pelayanan dan fungsi atau operasionalisasi pemasok. Tingkat

operasionalisasi dari setiap perusahaan ditekankan untuk mencapai keseimbangan

antara pengadaan produk dan kebutuhan pasar. Perencanaan yang kurang baik dapat

mengakibatkan ketidakpuasan konsumen, sementara itu pengadaan produk yang

berlebihan akan berakibat pada kelebihan stok.

Estelar

Page 2: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 3: 2007-2-00550-STIF BAB3_Unlocked

17

maka stok barang juga harus ikut menurun. Jika terlalu banyak melakukan

penyimpanan stok maka akan meningkatkan biaya pemeliharaan dalam jumlah yang

besar. Oleh karena itu, jumlah penempatan stok harus mengikuti nilai atau turunnya

permintaan (Hohenstein, 1982,p153).

Biasanya perkiraan stok penjualan menggunakan laporan dari data masa lalu

sebagai informasi. Dengan kata lain barang yang dijual atau tingkat penjualan

menjadi sederhana jika didasarkan keputusan dari manager (”kira-kira membutuhkan

tiga paket setiap minggu”). Penjualan atau penggunaan sebuah barang akan

meningkat karena peningkatan kebutuhan. Bersamaan dengan itu permintaan akan

barang lain akan cenderung menurun. Bagaimana pun juga, jika hanya menggunakan

data masa lalu dan membuat keputusan, maka penempatan jumlah stok akan salah.

Oleh karena banyaknya barang yang memiliki tren naik dan turun, maka pengelolaan

stok yang efektif dapat dilakukan dengan melakukan peramalan (forecasting) stok

penjualan yang menggunakan metode aritmatik untuk mendapatkan perkiraan

penjualan yang lebih tepat pada periode mendatang. Hal ini lebih baik dari pada

dilakukan berdasarkan keputusan sepihak seorang manajer

(Hohenstein,1982,pp.142-143).

3.3 Peramalan

Pada bagian ini akan diberikan definisi tentang peramalan dan teori-teori

mengenai metode peramalan yang digunakan.

Estelar

Page 4: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 5: 2007-2-00550-STIF BAB3_Unlocked

19

kepada pimpinan sebagai dasar untuk membuat suatu keputusan dalam berbagai

kegiatan, seperti penjualan, permintaan, persediaan keuangan dan sebagainya.

Dengan demikian dapat dilihat bahwa peramalan memiliki peranan yang sangat

penting, baik dalam penelitian, perencanaan maupun dalam pengambilan keputusan.

Tetapi dapat diperhatikan bahwa peramalan memiliki tujuan untuk memperkecil

kemungkinan kesalahan. Baik tidaknya suatu ramalan sangat tergantung pada unsur

atau faktor data dan metode yang digunakan.

3.3.3 Jenis-Jenis Peramalan

Menurut Assauri (2002,pp. 3-4), peramalan dapat dibedakan dari berbagai segi

tergantung dari cara melihatnya. Apabila dilihat dari cara penyusunannya, maka

peramalan dapat dibedakan menjadi dua macam, yaitu :

1. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau

intuisi dari orang yang menyusunnya. Dalam hal ini pandangan

atau ”judgement” dari orang yang menyusunnya sangat menentukan baik

tidaknya hasil ramalan tersebut.

2. Peramalan yang objektif, adalah peramalan yang didasarkan atas data yang

relevan pada masa lalu, dengan menggunakan teknik-teknik dan

metode-metode dalam penganalisaan data tersebut.

Dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat

dibedakan atas dua macam, yaitu :

Estelar

Page 6: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 7: 2007-2-00550-STIF BAB3_Unlocked

21

2. Peramalan kuantitatif, yaitu peramalan yang didasarkan pada data historis.

Tujuan metode ini adalah mempelajari apa yang terjadi dimasa lalu untuk

prediksi nilai-nilai yang akan datang.

3.3.4 Metode Peramalan Kuantitatif

Menurut Makridakis, Wheelwright, dan McGee (1999,pp.19-20), metode

peramalan kualitatif dapat dibagi menjadi :

1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan

antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan

deret waktu, atau ”time series”.

2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan

antara variabel yang akan diperkirakan dengan variabel lain yang

mempengaruhinya, yang bukan waktu atau sering disebut sebagai motede

korelasi atau model regresi (”causal methods”).

3. (Rosadi,2006,p1) Panel atau Pooled data, yakni tipe data yang dikumpulkan

menurut urutan waktu dalam suatu rentang waktu tertentu pada sejumlah

individu atau kategori.

3.3.5 Deret Waktu (Time Series)

Data time series adalah data yang dikumpulkan, dicatat atau diobservasi

berdasarkan urutan waktu yang secara umum bertujuan untuk menemukan bentuk

pola variasi dari data dimasa lampau dan menggunakan pengetahuan ini untuk

melakukan peramalan terhadap sifat-sifat dari data dimasa yang akan datang

(Rosadi,2005, p16).

Estelar

Page 8: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 9: 2007-2-00550-STIF BAB3_Unlocked

23

pada suatu produk yang mempunyai jumlah penjualan yang tidak menaik atau

menurun selama beberapa waktu atau periode, seperti terlihat pada Gambar 3.1.

Gambar 3.1 Pola Data Horizontal (Assauri,1984,p46)

2. Pola Musiman atau seasonal, bila suatu deret waktu dipengaruhi oleh faktor

musim (seperti kuartalan, bulanan, mingguan dan harian). Banyak produk yang

penjualannya menunjukkan pola musiman, seperti minuman segar, ice cream,

jasa angkutan, obat-obatan tertentu, dan ban mobil. Contoh pola musiman

kwartalan seperti terlihat pada Gambar 3.2.

Gambar 3.2 Pola Data Musiman (Assauri,1984,p46)

3. Pola siklus atau cyclical bila data observasi dipengaruhi oleh fluktuasi ekonomi

jangka panjang yang berkaitan atau tergabung dengan siklus usaha (business

cycle). Ada beberapa produk yang penjualannya menunjukkan pola siklus,

seperti mobil sedan, besi baja, dan perkakas atau peralatan bengkel. Pola dari

jenis ini seperti terdapat pada Gambar 3.3

Waktu/Periode

Triwulan/Tahun Estelar

Page 10: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 11: 2007-2-00550-STIF BAB3_Unlocked

25

Metode ini sangat efektif untuk peramalan jangka pandek dan tidak

membutuhkan banyak data.

2. Metode Box Jenkins.

Metode ini menggunakan dasar deret waktu dengan model matematis dan

hanya cocok untuk jangka pendek.

3. Metode Proyeksi Trend.

Metode ini berdasarkan garis trend untuk suatu persamaan matematis. Cocok

untuk jangka pendek maupun jangka panjang. Makin banyak data yang tersedia,

hasilnya akan makin baik.

4. Metode Dekomposisi.

Metode ini memisahkan tiga komponen yaitu trend, siklis, dan musiman.

Metode ini cocok bagi rencana jangka pendek dan semakin banyak data yang

tersedia akan semakin baik hasil peramalannya.

3.3.6 Pemilihan Metode Peramalan Deret Waktu

Pola atau karakteristik data mempengaruhi teknik peramalan yang dipilih.

Seringkali, pola data tersebut merupakan karakteristik inherent dari kegiatan yang

sedang diteliti. Hubungan antar data dengan jangka waktu semakin jelas dengan

mengamati bahwa pola trend merupakan kecenderungan jangka panjang. Sedangkan

variasi musiman menunjukkan pola data yang berulang dalam satu tahun. Teknik

regresi cocok untuk hampir semua pola yang dapat diidentifikasi. Dalam

mengevalusi teknik-teknik yang dikaitkan dengan pola data, bisa saja diterapkan

lebih dari satu teknik untuk data yang sama. Misalnya, teknik-teknik tertentu

Estelar

Page 12: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 13: 2007-2-00550-STIF BAB3_Unlocked

27

Gambar 3.5 Pemilihan Metode Peramalan Deret Berkala

(Rosadi,2005,pp.16-17)

3.3.7 Teknik Peramalan Data Musiman

Data deret waktu yang berpola musiman didifenisikan sebagai suatu data deret

waktu yang bentuknya berupa fluktuasi berulang (dan beraturan) atau naik turunnya

Peramalan Time-Series

Plot Data Time-Series

Exponential Smoothing

Moving Average

Trend Linier

Trend ?

Tahunan

Cari Indeks Musiman

Model-Model Peramalan

Trend Kuadrat

Trend Eksponensial

Metode Box Jenkins

Metode Holt-Winters

Stationer Non Stationer

AR MA ARMA ARIMA SARIMA

Ya Tidak

Ya Tidak

Estelar

Page 14: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 15: 2007-2-00550-STIF BAB3_Unlocked

29

singkatan dari Autoregressive Integrated Moving Average. Dimana model ini, dapat

diduga bahwa model terdiri atas dua aspek, yaitu aspek autoregresi dan rata-rata

bergerak.

Model autoregresi merupakan model yang menggambarkan hubungan antara

variabel terikat Y dengan variabel bebas yang merupakan nilai Y pada waktu

sebelumnya, sedangkan model moving average merupakan model yang

menggambarkan ketergantungan variabel terikat Y terhadap nilai-nilai error pada

waktu sebelumnya yang berurutan. Error ini sering juga disebut nilai kesalahan atau

deviasi nilai prediksi terhadap nilai sesungguhnya. Secara umum, model ARIMA

dituliskan dengan notasi ARIMA (p,d,q). dimana p adalah derajat proses autoregresi

(AR), d adalah pembedaan, dan q adalah derajat proses moving average (MA).

Adanya nilai pembedaan (d) pada model ARIMA disebabkan karena aspek-aspek

AR dan MA hanya dapat diterapkan pada data time series yang stasioner. Pada

kenyataannya, sebagian besar time series menunjukkan perubahan dari waktu ke

waktu, baik rata-rata maupun variansnya. Data time series yang mempunyai sifat

demikian disebut data time series tidak stasioner. Beberapa model non stationer

menurut Rosadi (2006,p2), yakni model trend, model ARIMA, model SARIMA,

model ARIMAX, model ARC/GARCH.

Untuk dapat menggambarkan metode Box-Jenkins, maka George Box dan

Gwilyn Jenkins telah mengembangkan suatu diagram skema yang dapat dilihat pada

gambar 3.6 metode ini membagi masalah peramalan dalam tiga tahap yang

didasarkan pada postulasi atas kelas yang umum dari model-model peramalan. Pada

Estelar

Page 16: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 17: 2007-2-00550-STIF BAB3_Unlocked

31

Seperti telah diketahui bahwa konsep korelasi di antara dua variabel menyatakan

assosiasi atau hubungan diantara dua variabel. Nilai korelasi menunjukkan apa yang

terjadi atas salah satu variabel, terdapat perubahan dalam variabel lainnya.

Tingkat korelasi ini diukur dengan koefisien korelasi yang besarnya bervariasi

di antara +1 dan -1. Suatu nilai koefisien yang mendekati +1 menunjukkan kuatnya

hubungan positif diantara dua variabel itu. Ini berarti bahwa bila nilai dari salah satu

variabel meningkat atau bertambah, maka nilai daripada variabel lainnya juga

cenderung bertambah. Demikian pula halnya dengan nilai koefisien korelasi yang

mendekati -1, menunjukkan bertambahnya nilai salah satu variabel akan

mengakibatkan turunnya atau kurangnya nilai dari variabel lainnya. Suatu nilai

koefisien korelasi nol menunjukkan bahwa kedua variabel secara statistik adalah

bebas, tidak tergantung satu dengan lainnya, sehingga tidak ada perubahan dalam

satu variabel, bila variabel lainnya berubah.

Suatu koefisien autokorelasi adalah sama dengan suatu koefisien korelasi hanya

bedanya bahwa koefisien ini menggambarkan assosiasi atau hubungan antara

nilai-nilai dari variabel yang sama, tetapi pada periode waktu yang berbeda.

Autokorelasi memberikan informasi yang penting tentang susunan atau struktur

data dan polanya. Dalam suatu kumpulan data acak yang lengkap, autokorelasi di

antara nilai-nilai data dari ciri yang musiman dan siklus akan mempunyai

autokorelasi yang kuat. Sebagai contoh, informasi yang menunjukkan suatu

hubungan yang positif di antara temperatur setiap dua belas bulan berturut-turut,

merupakan informasi yang diperoleh dengan perhitungan autokorelasi yang dapat

Estelar

Page 18: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 19: 2007-2-00550-STIF BAB3_Unlocked

33

membantu menetapkan model ARIMA yang tepat untuk peramalan, kenyataannya,

ACF dan PACF memang dibentuk hanya untuk tujuan ini.

Koefisien autokorelasi parsial berorde m didefinisikan sebagai koefisien

autoregresi terakhir dari model AR(m). Sebagai contoh, persamaan-persamaan 3.2

sampai 3.6 masing-masing digunakan untuk menetapkan AR(1), AR(2),

AR(3),..AR(m). Koefisien X yang terakhir pada masing-masing persamaan

merupakan koefisien autokorelasi parsial. Ini berarti notasi 1Φ , 2Φ , 3Φ ,… 1−Φm , dan

mΦ adalah m buah koefisien autokorelasi parsial yang pertama untuk deret waktu

tersebut.

,11 ttt eXX +Φ= − Persamaan (3.2)

,2211 tttt eXXX +Φ+Φ= −− Persamaan (3.3)

,332211 ttttt eXXXX +Φ+Φ+Φ= −−− Persamaan (3.4)

:

,... 112211 tmtmttt eXXXX +Φ++Φ+Φ= +−−−− Persamaan (3.5)

tmtmmtmttt eXXXXX +Φ+Φ++Φ+Φ= −+−−−− 112211 ... Persamaan (3.6)

Dari persamaan-persamaan ini dapat dicari nilai 1Φ , 2Φ , 3Φ ,… 1−Φm , dan mΦ

perhitungan yang diperlukan akan memakan banyak waktu. Oleh karena itu lebih

memuaskan untuk memperoleh taksiran 1Φ , 2Φ , 3Φ ,… 1−Φm , mΦ berdasarkan pada

koefisien autokorelasi. Penaksiran tersebut dapat dilakukan dengan metode di bawah

ini.

Apabila ruas kiri dan kanan persamaan 3.2 dikalikan dengan Xt-1, hasilnya adalah

tttttt eXXXXX 11111 −−−− +Φ= Persamaan (3.7)

Estelar

Page 20: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 21: 2007-2-00550-STIF BAB3_Unlocked

35

1,...,2,1,...,2,1,1 −==−= −−

∧∧

∧∧

kjkjkkkkjkkj φφφφ Persamaan (3.13)

,....3,11

1,1

1

1,1 =⎟⎟

⎞⎜⎜⎝

⎛−⎟⎟

⎞⎜⎜⎝

⎛−= ∑∑

=−−

=−

krrr j

k

jjkjk

k

jjkkkk φφφ Persamaan (3.14)

Selanjutnya autokorelasi parsial akan digunakan untuk menetapkan model ARIMA

yang tepat. Apabila proses yang mendasari diperolehnya rangkaian (series) adalah

model AR(1), maka harus dimengerti bahwa hanya 1Φ yang secara nyata akan

berbeda dari nol, sedangkan 2Φ , 3Φ ,… 1−Φm , mΦ tidak akan berbeda nyata secara

statistika. Apabila proses pembangkit yang sebenarnya adalah AR(2), maka hanya

1Φ dan 2Φ yang akan berbeda nyata, sedangkan nilai-nilai taksiran lainnya tidak

akan signifikan. Hal ini berlaku untuk proses-proses AR yang berorde lebih tinggi.

Dengan kata lain, karena cara pembentukan 1Φ , 2Φ , 3Φ ,… 1−Φm , mΦ , maka

koefisien yang akan berbeda nyata dari nol hanya sampai pada orde proses AR yang

digunakan untuk membangkitkan data. Di dalam identifikasi model, kemudian

diasumsikan bahwa apabila hanya terdapat dua autokorelasi parsial yang berbeda

nyata dari nol, maka generating prosesnya berorde dua dan orde dari model

peramalannya adalah AR(2). Apabila ada p autokorelasi parsial yang signifikan,

maka orde yang diambil AR(p).

Apabila proses pembentukan datanya adalah MA bukannya AR, maka

autokorelasi parsial tidak akan menunjukkan orde proses MA tersebut, karena nilai

tersebut dibentuk untuk mencocokkan proses AR. Kenyataannya, nilai tersebut

menunjukkan suatu ketergantungan dari satu lag ke lag berikutnya yang

membuatnya menyerupai cara autokorelasi untuk proses AR. Autokorelasi parsial

Estelar

Page 22: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 23: 2007-2-00550-STIF BAB3_Unlocked

37

Dimana Yt adalah variabel yang diramalkan atau variabel terikat, misalnya

volume penjualan dan 1−tY , 2−tY ,..., ptY − adalah variabel yang menentukan atau

variabel bebas. Dalam kasus ini variabel bebasnya adalah varibel yang sama (auto

variable), yaitu volume penjualan tetapi pada periode-periode sebelumnya

(t-1,t-2,t-3,...,t-p). Sedangkan tε adalah unsur kesalahan atau residual yang

menunjukkan peristiwa acakan atau random events yang tidak dapat diuraikan atau

dijelaskan oleh model.

Model autoregresi (AR) pada persamaan 3.15 adalah sama dengan persamaan

regresi (y=a+b1X1+b2X2+b3X3+...+bpXp+ tε ). perbedaan antara persamaan

autoregresi (AR) model dengan persamaan regresi adalah bahwa pada model

autoregresi, variabel bebas atau yang menentukan adalah nilai yang lalu dari variabel

yang diramalkan (dependent variable). Perbedaan-perbedaan tersebut terletak pada

X1=Yt-1, X2=Yt-2, X3=Yt-3,...,Xp=Yt-p, sehingga variabel bebas yang menentukan

adalah nilai-nilai lag dari variabel yang diramalkan dengan lag waktu 1,2,3,..., p

periode. Perbedaan yang lain adalah parameter regresi, diestimasikan dengan

menggunakan metode least square yang linear, sedangkan parameter autoregresi

diperoleh dengan menggunakan metode least squares yang nonlinear.

Metode autoregresi (AR) yang umum dari persamaan 3.15 terdapat dalam

beberapa bentuk, tergantung pada derajat susunan (order) dari p. Bila p=1,

bentuknya menjadi model autoregresi dengan susunan (order) pertama atau AR(1)

atau ARIMA(1,0,0). Dalam bentuk umum, model ini dituliskan sebagai AR(p).

Seharusnya sebelum suatu model AR dapat dipergunakan untuk susunan (order) p

Estelar

Page 24: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 25: 2007-2-00550-STIF BAB3_Unlocked

39

koefisien 1θ . ARIMA(0,0,2) atau MA(2) dituliskan: 2211 −− −−= tttt eeeY θθ atau

tt eBBY )1( 221 θθ −−= dimana te adalah kesalahan (error) atau residual dan

1−te , 2−te ,... qte − adalah nilai terdahulu dari kesalahan (error).

Persamaan umum dari AR dan MA merupakan persamaan yang hampir sama,

sedangkan perbedaannya adalah bahwa persamaan MA mencantumkan variabel tidak

bebas yang diramalkan Y tergantung pada nilai-nilai sebelumnya dari unsur

kesalahan (error term), yaitu 1−te , 2−te ,... qte − , dan bukan dipengaruhi oleh variabel

itu sendiri.

Dengan perkataan lain, dalam model ini harus diperhatikan autokorelasi

diantara nilai berturut-turut dari residual atau kesalahan (error). Sebagai contoh,

penjualan pada masa yang akan datang dapat diramalkan dengan menggunakan

pertimbangan kesalahan dari masing-masing variabel pada beberapa periode yang

lalu.

Model MA dalam pendekatan Box-Jenkins penting karena beberapa pola data

tidak dapat diisolasikan dengan menggunakan model AR dengan susunan p atau

AR(p), dimana p sangat kecil. Model MA memberikan hasil ramalan Yt berdasarkan

atas kombinasi linear dari kesalahan-kesalahan yang lalu. Hal ini berbeda dengan

model AR yang menyatakan bahwa Yt pada masa-masa sebelumnya.

3.4.5 Metode ARIMA

(Assauri,1984,pp.158-168) Dalam melakukan peramalan, terlebih dahulu

dilakukan penganalisaan trend dan musiman dari deret waktu, dengan penyusunan

tabel dua arah. Walaupun tabel yang demikian membutuhkan estimasi koefisien

Estelar

Page 26: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 27: 2007-2-00550-STIF BAB3_Unlocked

41

Backshift operator B adalah suatu alat notasi yang mudah untuk menyatakan

model ARIMA dalam bentuk yang kompak (compact form). Bentuk ini dirumuskan

untuk operasi B dalam indek Y, sehingga BY menghasilkan Yt-1 yang nilai Yt

dirubah kembali dalam waktu satu unit, misalnya satu bulan. Oleh karena itu

diperoleh

B2Y = B(BYt) = BYt-1 = Yt-2

Operasi B2 merubah tanda dari t dari Yt dengan unit waktu. Demikian pula halnya

untuk:

BkYt = Yt-k Persamaan (3.17)

Dalam notasi B, suatu selisih atau pengurangan nilai yang pertama adalah:

Yt-Yt-1 = Yt-BYt = (1-B)Yt. Persamaan (3.18)

Hasilnya berupa suatu model polynomial dalam B ”operating” pada Yt. Dimana

model AR(1) menjadi:

( ) ttYB εαθ +=− 11 Persamaan (3.19)

Dimana tε merupakan kesalahan yang sangat kecil dan tidak berarti.

Didalam model ARIMA, dirumuskan tY dengan memasukkan α , sehingga

menjadi ( tY - α ). Dalam kenyataannya proses ini dapat diselesaikan dengan

menggunakan model Yt-Y, dimana Y adalah rata-rata dari deret waktu (time series).

Model AR (1) dapat dituliskan sebagai ( ) ttYB εθ =− 11 , yang bila dibagi dengan

( )B11 θ− , menghasilkan Yt dalam bentuk:

( )BY tt 11/ θε −= Persamaan (3.20)

Bila dilanjutkan dengan ( ) +++=− 2211 11/1 BBB θθθ ..., maka akan diperoleh

Estelar

Page 28: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 29: 2007-2-00550-STIF BAB3_Unlocked

43

Adalah ”stationary”.

Untuk suatu model ARIMA(p,d,q) teratur, bentuk umum diasumsikan sebagai :

( )( ) =−−−−− tdp

p YBBBB 1...1 221 θθθ ( ) t

qq BBB ε∂−−∂−∂− ...1 2

21

Persamaan (3.25)

Di mana tε adalah bilangan yang dapat diabaikan atau sangat kecil, yang

merupakan suatu urutan dari kesalahan yang tidak berkorelasi dan didistribusikan

secara identik. Untuk pemecahannya maka perlu dicari hasil-hasil akar dari kedua

persamaan polynomial dalam B , dan katakanlah akar-akar tersebut adalah ( ) 0=Bθ

dan ( ) 0=∂ B , Kondisi pertama menjamin ”stationary” dari Wt, yaitu keseimbangan

statistik disekitar rata-rata yang tetap. Kondisi yang kedua diketahui

sebagai ”invertability” untuk menjamin keunikan dari penggambaran bobot

timbangan yang dipergunakan untuk data historis yang lalu dari Wt, guna dapat

menghasilkan suatu ramalan.

Notasi tersebut sering disederhanakan menjadi

( )( ) ( ) ttd

p BYBB εθ ∂=−1 Persamaan (3.26)

Dimana unsur AR(p) dinyatakan dalam bentuk polynomial.

( ) ( )ppp BBBB φφφφ −−−−= ...1 2

21 Persamaan (3.27)

Dan unsur MA(q) adalah

( ) ( )qqq BBBB ∂−−∂−∂−=∂ ...1 2

21 Persamaan (3.28)

Sehingga model ARIMA(1,1,1) adalah menjadi bentuk

( )( ) ( ) tt BYBB εφ 11 111 ∂−=−− Persamaan (3.29)

Estelar

Page 30: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 31: 2007-2-00550-STIF BAB3_Unlocked

45

( ) ( ) ( ) ( )qqq BBBB θθθθ −−−−= ...1 2

21 merupakan MA non seasonal yang sama

seperti model ARIMA.

Notasi untuk model Seasonal ARIMA adalah :

SARIMA(p,d,q)x(P,D,Q)s Persamaan (3.31)

Dimana:

p,d,q masing-masing merupakan orde AR, pembeda, dan MA seperti pada ARIMA.

P merupakan jumlah lag pada seasonal AR.

Q merupakan jumlah lag pada seasonal MA.

D merupakan jumlah perbedaan seasonal.

s merupakan seasonal (misalnya untuk data bulanan maka s=12, kwartil maka s=4).

Jika s bernilai 1 maka model akan menjadi model ARIMA non seasonal.

Proses pemilihan model SARIMA yang tepat terdiri atas tiga tahap seperti yang

telah di uraikan sebelumnya pada model Box-Jenkins, yaitu identifikasi model,

estimasi parameter, dan pengecekan diagnostik.

1. Tahap Identifikasi :

(Makridakis,1999,p469) Pada tahap identifikasi, perlu mengenali adanya faktor

musiman yaitu antara lain dengan memeriksa koefisien autokorelasi pada lag time 12

yang memiliki nilai positif. Setelah itu perlu ditentukan pula apakah deret tersebut

stasioner, yaitu apakah deret waktu muncul beragam disekitar tingkat tertentu.

Teknik yang paling mudah untuk melihat kestasioneran data adalah membuat plot

antara waktu dan nilai.

Estelar

Page 32: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 33: 2007-2-00550-STIF BAB3_Unlocked

47

dan rata-rata bergerak terindikasi. Sedangkan untuk model seasonal, dapat

diidentifikasi dengan cara yang sama tetapi dengan melihat pola potongan yang

berulang setiap tahunnya.

Jika dalam satu model terdapat bentuk autoregresi dan rata-rata, maka terdapat

beberapa alat bantu statistik seperti Akaike Information Criterion (Akaike, 1974) dan

Schwartz’s Bayesian Criterion (Schwartz, 1987), yang dapat digunakan untuk

memilih model yang terbaik dari beberapa model yang mungkin dari kombinasi

model seasonal dan non seasonal. Model AIC dan BIC dapat dituliskan sebagai

berikut:

AIC = ln nr22 +σ Persamaan (3.32)

Dimana

Ln = logaritma natural.

2σ = jumlah kuadrat residu dibagi jumlah pengamatan.

n = jumlah pengamatan (residual).

r = jumlah total parameter (termasuk bentuk konstanta) dalam model SARIMA.

BIC = ln n

rn..ln2 +σ Persamaan (3.33)

Penggunaan AIC dan BIC untuk pemilihan model akan menghasilkan hasil

model yang jumlah parameternya hampir sama. AIC dan BIC hendaknya dilihat

sebagai tambahan prosedur dalam membantu pemilihan model. Kriteria tersebut

hendaknya tidak digunakan sebagai pengganti penelaahan cermat dari autokorelasi

sample dan autokorelasi parsial.

Estelar

Page 34: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 35: 2007-2-00550-STIF BAB3_Unlocked

49

( ))0(kk g−γ = )0(

kβ merupakan koefisien regresi yang menyatakan selisih perbedaan

koefisien.

),( )0(gxf i = )0(if merupakan peramalan dengan xi dan parameter iterasi ke-0.

)0(

1

0

),(

g

p

k k

ixf

=

=∑ ⎥

⎤⎢⎣

⎡∂

γγγ atau

)0(

),()0(

gk

iik

XfD=

⎥⎦

⎤⎢⎣

⎡∂

∂=

γγ

γ merupakan turunan pertama

terhadap parameter ke-k.

Penjabaran Taylor persamaan 3.34 untuk respon rata-rata untuk xi menjadi :

≅),( γixf )0(if + )0(

1

0ik

p

kD∑

=

. )0(kβ Persamaan (3.35)

Dan sebuah perkiraan untuk model nonlinear adalah :

iii XfY εγ += ),( Persamaan (3.36)

Maka dengan subsitusi persamaan 3.35 pada persamaan 3.36 menjadi :

=iY )0(if + )0(

1

0ik

p

kD∑

=

. )0(kβ + iε Persamaan (3.37)

Menjadi :

=)0(iY iY - )0(

if = )0(1

0ik

p

kD∑

=

. )0(kβ + iε untuk I = 1,2,...,n Persamaan (3.38)

Dari model diatas )0(iY merupakan residual, di daerah persamaan nonlinear

dengan memakai parameter pada perkiraan awal.

Pendekatan model linear dapat dituliskan dalam model matrik sebagai berikut :

εβ +≅ )0()0()0( DY Persamaan (3.39)

Dan untuk itu dapat diestimasi parameter )0(β dengan menggunakan

persamaan umum metode kuadrat terkecil sebagai berikut:

)0()'0(1)0()'0()0( )( YDDDb −= Persamaan (3.40)

Estelar

Page 36: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 37: 2007-2-00550-STIF BAB3_Unlocked

51

Dimana :

)(erk = residual autokorelasi pada selang k

N = jumlah residual

U = sD + d

D = pembedaan seasonal

d = pembedaan non seasonal

m = jumlah selang waktu yang disertakan dalam pengujian.

Apabila nilai chi-square (X2) dengan derajat bebas M-p-q-P-Q terkait dengan

statistik Qm kecil maka model dipertimbangkan tidak memadai. Analisis model baru

dipertimbangkan dan melanjutkan analisis sampai model yang memuaskan didapat.

3.5 Ketepatan Metode Peramalan

Makridakis, Wheelwright, dan McGee (1999, pp.57-58) menyatakan bahwa

dalam banyak hal, kata ”ketepatan (accuracy)”, menunjuk ke ”kebaikan suai”, yang

pada akhirnya penunjukkan seberapa jauh model peramalan tersebut mampu

mereproduksi data yang telah diketahui. Dalam pemodelan deret berkala, sebagian

data yang diketahui dapat digunakan untuk meramalkan sisa data berikutnya

sehingga memungkinkan orang untuk mempelajari ketepatan ramalan secara lebih

langsung. Bagi pemakai ramalan, ketepatan ramalan yang akan datang adalah yang

paling penting. Bagi pembuat model, kebaikan suai model untuk fakta yang diketahui

harus diperhatikan. Berikut akan dijelaskan mengenai beberapa metode yang

digunakan untuk mengetahui ketepatan sebuah metode peramalan.

Estelar

Page 38: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 39: 2007-2-00550-STIF BAB3_Unlocked

53

mengenai aspek kontrol dari perangkat lunak diisikan dalam control specification

(CSPEC).

3.7 Microsoft .Net

Microsoft .NET ialah istilah umum yang mencakup sejumlah teknologi yang

baru dikeluarkan oleh Microsoft (Duthie, 2003, p3). Sebagai suatu kesatuan,

teknologi ini ialah perubahan paling penting pada platform pengembangan Microsoft

sejak pergeseran dari 16 bit ke 32 bit. Microsoft .NET mencakup teknologi berikut

ini:

1. .NET Framework

2. .NET Enterprise Servers

3. Bahasa-Bahasa dan tool-tool bahasa. .NET

3.7.1 .Net Framework

.NET Framework adalah dasar dari pengembangan beberapa bahasa yang

digunakan untuk building, deploying, dan running XML Web services serta aplikasi.

.NET Framework terdiri dari 3 bagian antara lain (Duthie., 2002, p3):

1. Common Language Runtime

Runtime melakukan pengaturan terhadap component runtime dan waktu

pengerjaannya. Sewaktu component bekerja, runtime mengatur alokasi

memory, starting up dan stopping threads dan proses, dan menjalankan security

policy.

Estelar

Page 40: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.

Page 41: 2007-2-00550-STIF BAB3_Unlocked

55

3.7.2 ASP.Net

ASP.NET tidak sekedar upgrade dari ASP. ASP.NET menyediakan platform

pengembangan Web terdepan yang diciptakan dewasa ini. Yang membuat ASP.NET

menjadi sebuah revolusi ialah pembuatannya yang didasarkan pada platform baru

Microsoft .NET, atau lebih tepatnya .NET Framework.

ASP.NET memiliki beberapa kelebihan dibandingkan teknologi terdahulu,

antara lain :

1. Kemudahan mengakses berbagai library .NET Framework secara

konsisten dan powerfull, yang mempercepat pengembangan aplikasi.

2. Penggunaan berbagai macam bahasa pemrograman secara penuh

misalnya VB.NET, C#, J# dan visual C++. Selain itu tersedia berbagai

Web Control yang dapat digunakan membangun aplikasi secara cepat.

Code Behind, artinya kode-kode pemrograman yang menjadi logic aplikasi

ditempatkan terpisah dengan kode user interface yang berbentuk HTML. Ini sangat

memudahkan dalam debugging, karena kode untuk presentation layer tidak

tercampur dengan kode application logic.

3.7.3 Sistem Basis Data

Menurut Subekti (1997, p1), sistem basis data adalah sistem penyimpanan

record secara komputer (elektronis) sedangkan pengertian basis data sendiri menurut

Subekti (1997, p8), adalah tempat penyimpanan sekumpulan data yang telah

diorganisasi, yang dapat diakses, diatur dan diupdate dengan mudah. Basis data yang

paling lazim adalah relational database, sebuah basis data yang berupa tabel dimana

Estelar

Page 42: 2007-2-00550-STIF BAB3_Unlocked

 

 

 

 

 

This Blank Page has been intentionally inserted by Estelar PDF Unlock Tool Demo Version.

Buy Now the Full Version of Estelar PDF Unlock Tool Software and perform unlocking unlimited PDF files

without any watermarks.