BAB II
-
Upload
sudikse-inggrid -
Category
Documents
-
view
222 -
download
1
Transcript of BAB II
BAB II
LANDASAN TEORI
2.1. Pengertian Peramalan (Forecasting)1
Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan
terhadap satu atau beberapa produk pada periode yang akan datang. Pada
hakekatnya peramalan hanya merupakan suatu perkiraan (guess), tetapi dengan
menggunakan teknik-teknik tertentu, maka peramalan menjadi lebih sekedar
perkiraan. Peramalan dapat dikatakan perkiraan yang ilmiah (educated
guess).Setiap pengambilan keputusan yang menyangkut keadaan di masa yang
akan datang, maka pasati ada peramalan yang melandasi pengambilan keputusuan
tersebut.
2.2. Fungsi dan Tujuan Peramalan (Forecasting)
Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah
permintaan terhadap suatu produk dan merupakan langkah awal dari proses
perencanaan dan pengendalian produksi. Tujuan peramalan dalam kegiatan
produksi adlaah unutk meredam ketidakpastian, sehingga diperoleh suatu
perkiraan yang mendekati keadaan yang sebenarnya.
Tujuan peramalan dilihat dengan waktu terdiri atas:
1. Jangka pendek (Short Term)
Menentukan kuantitas dan waktu dari item dijadikan produksi. Biasanya
bersifat harian ataupun mingguan dan ditentukan oleh Low Management.
2. Jangka Menengah (Medium Term)
Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya bersifat
bulanan ataupun kuartal dan ditentukan oleh Middle Management.
3. Jangka Panjang (Long Term)
1Rosnani Ginting, Sistem Produksi (Yogyakarta: Graha Ilmu, 2007), hal. 31-34.
Merencanakan kuantitas dan waktu dari fasilitas produksi. Biasanya bersifat
tahunan, 5 tahunan, 10 tahunan, ataupun 20 tahun dan ditentukan oleh Top
Management.
2.3. Karakteristik Peramalan yang Baik
Peramalan yang baik mempunyai beberapa kriteria yang penting, antara
lain akurasi, biaya, dan kemudahan. Penjelasan dari kriteria-kriteria tersebut
adalah sebagai berikut:
1. Akurasi
Akurasi dari suatu peramalan diukur dengan hasil kebiasaan dan konsistensi
peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut
terlalu tinggi atau telalu rendah dibanding dengan kenyataan yang sebenarnya
terjadi. Hasil peramalan dikatakan konsisten jika besarnya kesalahan
peramalan relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan
kekurangan persediaan sehingga permintaan konsumen tidak dapat dipenuhi
segera, akibatnya perusahaan kemungkinan kehilangan pelanggan dan
keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan
terjadinya penumpukan barang / persediaan, sehingga banyak modal tersia-
siakan. Keakuratan hasil peramalan berperan dalam menyeimbangkan
persediaan ideal.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung jumlah
item yang diramalkan, lamanya periode peramalan, dan metode peramalan
yang digunakan. Pemilihan metode peramalan harus sesuai dengan dana yang
tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang
penting akan diramalkan dengan metode yang sederhana dan murah. Prinsip
ini merupakan adopsi dari hukum Pareto (Analisa ABC).
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah percuma
memakai metode yang canggih tetapi tidak dapat diaplikasikan pada sistem
perusahaan karena keterbatasan dana, sumber daya manusia, maupun
peralatan teknologi.
4. Ketelitian2
Sasaran pertama dalam peramalan permintaan ialah mendapatkan hasil
peramalan dengan tingkat akurasi yang tinggi. Ada dua ukuran yang
digunakan dalam mengevaluasi akurasi peramalan yaitu penyimpangan (bias)
dan konsistensi (consistency). Penyimpangan terjadi apabila hasil peramalan
memperlihatkan secara terus-menerus angka yang tinggi atau rendah.
Konsistensi berkaitan dengan ukuran atau besarnya error.
5. Respon
Sistem peramalan haruslah stabil dalam arti hasil peramalan tidak
memperlihatkan fluktuasi yang bersifat liar karena faktor random yang
berlebihan. Pada pihak lain, apabila tingkat permintaan yang sebenarnya
berubah maka peramalan juga harus menunjukkan hasil peramalan yang
berubah.
6. Kesederhanaan
Metode peramalan yang lebih sederhana selalu lebih diinginkan dibandingkan
dengan metode yang rumit karena akan lebih mudah dirancang, digunakan,
dan dipahami, Apabila kesulitan terjadi dengan penggunaan metode yang
sederhana maka akan lebih mudah menelusuri masalah yang terkait serta
melakukan perbaikannnya. Namun demikian, pilihan yang terbaik ialah harus
sesuai dengan sasaran penggunaannya.
2.4. Prinsip-Prinsip Peramalan
Ada lima prinsip peramalan yang snagat perlu diperhatikan untuk
mendapatkan hasil peramalan yang baik yaitu:
1. Peramalan selalu mengandung eror. Hampir tidak pernah ditemui bahwa hasil
peramalan persis seperti kenyataan di lapangan. Peramalan mengurangi faktor
2 Sukaria Sinulingga. Perencanaan dan pengendalian Produksi. (Yogyakarta: Graha Ilmu, 2013) hal. 111-113 .
ketidakpastian, tetapi tidak pernah mampu untuk menghilangkannya.Para
pengguna atau pelaksana peramalan harus benar-benar memahami situasi ini.
2. Peramalan harus mencakup ukuran dari error. Karena peramalan selalu
mengandung error maka para pengguna perlu mengetahui besarnya eror yang
terkandung. Besarnya error dapat dijelaskan dalam bentuk kisaran sekitar hasil
peramalan baik dalam unit atau presentase.
3. Peramalan item yang dikelompokkan dalam famili selalu lebih akurat
dibandingkan dengan peramalan dalam item per item. Jika famili dari produk
sebagai sebuah kesatuan diramalkan maka presentase eror akan semakin kecil,
tetapi apabila diramalkan masing-masing sebagai individual product maka
presentase error akan semakin tinggi.
4. Peramalan untuk jangka pendek selalu lebih akurat dibandingkan dengan
peramalan untuk jangka panjang. Dalam jangka pendek, kondisi yang
mempengaruhikecenderungan permintaan hampir sama atau kalaupun berubah
sedikit dan berjalan sangat lambat. Apabila rentang waktu peramalan
bertambah panjang maka kecenderungan permintaan dipengaruhi oleh
berbagai faktor sehingga error akan semakin besar.
5. Apabila dimungkinkan, perkiraan besarnya permintaan lebih disukai
berdasarkan perhitungan dari pada hasil peramalan. Misalnya dalam
perencanaan produksi dalam lingkungan make to stock, apabila besarnya
permintaan terhadap produk akhir telah diperkirakan berdasarkan hasil
peramalan maka besarnya jumlah part, komponen, sub-assembly dan semua
bahan baku untuk produk tersebut lebih baik dihitung beerdasarkan principle
of dependent demand dari pada masing-masing ditetapkan berdasarkan hasil
peramalan.
2.5. Faktor-faktor yang Mempengaruhi Pemilihan Teknik Peramalan3
Peramalan dimaksudkan untuk memperkecil resiko yang timbul akibat
pengambilan keputusan dalam suatu perencanaan produksi. Semakin besar upaya
3 Rosnani Ginting, opcit, hal. 35-37; 38-40.
yang dikeluarkan tentu resiko dapat diperkecil. Namun upaya memperkecil resiko
tersebut dibatasi biaya yang diperlukan.
Faktor-faktor yang harus dipertimbangkan dalam peramalan:
1. Horizon Peramalan
Ada dua aspek dari horison waktu yang berhubungan dengan masing-masing
metode peramalan yaitu:
a. Cakupan waktu di masa yang akan datang
Perbedaan dari metode peramalan yang digunakan sebaiknya disesuaikan.
b. Periode peramalan
Ada teknik dan metode peramalan yang hanya dapat meramal untuk
peramalan satu atau dua periode di muka, teknik dan metode lain dapat
meramalkan beberapa waktu di depan.
2. Tingkat Ketelitian
Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan tingkat
perincian yang dibutuhkan dalam suatu peramalan. Dalam suatu pengambilan
keputusan diharapkan variasi atau penyimpangan atas ramalan antara 10% -
15% sedangkan pengambilan keputusan yang lain variasi 5% sudah
berbahaya.
3. Ketersediaan Data
Metode yang digunakan sangat besar manfaatnya. Apabila dari data yang lalu
diketahui adanya pola musiman, maka untuk untuk peramalan satu tahun ke
depan sebaiknya digunakan metode variasi musiman. Sedangkan apabila
diketahui hubungan antar variabel saling mempengaruhi, maka perlu
digunakan metode sebab akibat atau korelasi.
4. Bentuk Pola Data
Dasar utama metode peramalan adalah anggapan bahwa pola data yang
diramalkan akan berkelanjutan. Sebagai contoh, beberapa deret yang
menunjukan pola musiman, atau trend. Metode peramalan yang lain mungkin
lebih sederhana, terdiri atas satu nilai rata-rata, dengan fluktuasi yang acakan
atau random yang terkandung. Karena perbedaan kemampuan metode
peramalan untuk mengidentifikasi pola-pola data, maka perlu adanya usaha
penyesuaian pola data.
5. Biaya
Umumnya ada empat jenis biaya dalam proses peramalan yaitu: biaya
pengembangan, biaya penyimpanan, biaya operasi, dan biaya kesempatan
penggunaan teknik peramalan. Adanya perbedaan nyata berpengaruh atas
menarik tidaknya penggunaan metode tertentu untuk suatu keadaan yang
dihadapi.
6. Jenis Dari Model
Sebagai tambahan perlu diperhatikan anggapan beberapa dasar yang penting
dalam nyata. Banyak metode peramalan telah menganggap adanya beberapa
model dari keadaan yang diramalkan. Model-model ini merupakan suatu derat
dimana waktu digambarkan sebagai unsur penting untuk menentukan
perubahan-perubahan dalam pola, yang mungkin secara sistematik dapat
dijelaskan dengan analisis regresi atau korelasi.
7. Mudah Tidaknya Penggunaan dan Aplikasinya.
Satu prinsip umum dalam penggunaan metode ilmiah dari peramalan untuk
manajemen dan analisis adalah metode-metode yang dapat dimengerti dan
mudah diaplikasikan yang akan digunakan dalam pengambilan keputusan dan
analisa.
2.6. Klasifikasi Teknik Peramalan
Pada umumnya peramalan dapat dibedakan dari beberapa cara melihatnya.
Apabila dilihat dari sifat penyusunannya maka peramlaan dapat dibedakan atas
dua macam, yaitu:
1. Dilihat dari sifat penyusunannya:
a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan
atau intuisi dari orang yang menyusunnya. Dalam hal ini pandnagan
orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan
tersebut.
b. Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang
relevan pada masa lalu, dengan menggunakan teknikteknik dan metode-
metode dalam penganalisaannya.
2. Dilihat dari jangka waktu ramalan yang disusun:
a. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya satu tahun atau kurang.
Peramalan ini digunakan untuk mengambil keputusan dalam hal perlu
tidaknya lembur, penjadwalan kerja dan lain-lain keputusan kontrol
jangka pendek.
b. Peramalan jangka menengah, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya satu hingga lima tahun
ke depan. Peramalan ini lebih mengkhususkan dibandingkan peramalan
jangka panjang, biasanya digunakan untuk menentukan lairan kas,
perencanaan produksi dan penetuan anggaran.
c. Peramalan jangka panjang, yaitu peramalan yang dilakukan utnuk
menyusun hasil ramalan yang jangka waktunya lebih dari lima tahun yang
akan datang. Peramalan jangka panjang, biasanya digunakan untuk
pengambilan keputusan mengenai perencanaan produk dan perencanaan
pasar, pengeluaran biaya oerusahaanm studi kelayakan pabrik, anggaran,
purchase order, perencanaan tenaga kerja serta perencanaan kapasitas
kerja.
3. Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat
dibedakan atas dua macam, yaitu:
a. Peramalan kualitatif, yaitu peramalan yang didasarkan atas kulitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang
yang menyusunnya. Hal ini penting karena hasil peramalan tersebut
ditentukan berdasarkan pemikiran yang bersifat intuisi, judgement, atau
pendapat, dan pengertahuan serta pengalaman dari penyusunnya.
Biasanya peramalan secara kualitati ni didasarkan atas hasil penyelidikan,
seperti Delphi, S-Curve, analogis, dan penelitian bentuk atau
morphological research atau didasarkanatas ciri-ciri normatif seperti
decision matrics atau decision trees.
b. Metode Kuantitatif, yaitu peramlan yang didasrkan atas data kuantitatif
pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada
metode yang dipergunakan dalam peramlaan tersebur. Dengan metode
yang berbbeda akan dihasilkan hasil peramalan yang berbeda, adapun
yang perlu diperhatikan dari penggunaan metode tersebut adalah baik
tidaknya metode yang digunakan, sangat ditentukan oleh perbedaan atau
penyimpangan antara hasil ramalan dengan kenyataan yang terjadi.
2.6.1. Peramalan Kualitatif4Peramalan kualitatif adalah metode penaksiran permintaan berdasarkan
perkiraan secara subjektif atau opini terhadap ramalan. Dengan sifatnya yang
demikian itu, ramalan atas hal yang sama yang dilakukan oleh orang yang berbeda
berkemungkinan memberikan hasil yang juga berbeda. 5Metode kualitatif pada
umumnya digunakan apabila data kuantitatif tentang peramalan masa lalu tidak
tersedia atau akurasinya tidak memadai.6Metode yang dipakai pada peramalan kualitatif adalah:
1. Keputusan Manajemen, merupakan metode yang paling umum digunakan
dalam meperkirakan besarnya permintaan produk untuk jangka panjang.
Sekelompok anggota eksekutif dari bagian marketing, engineering, dan
manufacturing bertemu dan berdiskusi tentang isu-isu yang terkait dengan
perusahaan dan melakukan perkiraan ke depan tentang besarnya permintaan
sehubungan dengan isu-isu yang dibahas. Keragaman pengalaman dan bidang
kepakaran dari pada peserta diskusi snagat membantu dalam membuat
perkiraan yang lebih reliable.
2. Teknik Delphi, digunakan untuk melakukan peramalan jangka panjang dalam
lingkungan yang cukup kompleks yaitu perkembangan teknologi yang pesat,
4H. Murdifin Haming. Manajemen Produksi Modern Operasi Manufaktur dan Jasa. Edisi Pertama. (Jakarta: Bumi Aksara), hal.123.5 Sukaria Sinulingga. Sukaria Sinulingga. Perencanaan dan pengendalian Produksi. (Yogyakarta: Graha Ilmu, 2013) hal. 113 .6Ibid, hal. 114-116.
perubahan kondisi ekonomi global dan suasana geo-politik yang berubah
cepat, sering dibutuhkan pembentukan sebuah panel yang beranggotakan para
pakar atau ahli dari berbagai latar belakang dan pengalaman dari luar
perusahaan.
3. Gabungan Pendapat Tenaga Penjual
Para penjual (salesforces) karena selalu berada pada posisi paling depan di
pasar memahami benar perilaku para pembeli. Apabila mereka diberi
kesempatan menyampaikan pendapat sesuai dengan pengalaman masing-
masing dan pendapat mereka digabung secara bersama (sales forces
composite) akan diperoleh sebuah hasil peramalan yang sering cukup
dipercaya. Penggunaan hasil peramalan ini dapat mengandung penyimpangan
karena faktor subjektivias masing-masing tenaga penjual tersebut.
4. Riset Pasar
Riset pasar adalah pengumpulan data secara sistematis dan analisis terhadap
fakta-fakta yang berhubungan dengan pemasaran. Maksudnya ialah mencari
solusi terhadap permasalahan yang berhubungan dnegan produk dan metode
marketing. Salah satu bentuk riset pasar adalah survey pelanggan.
5. Analogis Historis
Pertumbuhan permintaan terhadap produk baru kadang-kadang diramalkan
berdasarkan metode analogis historis dari produk dan teknologi yang terkait
dengan produk tersebut.
6. Kurva Siklus Daur Hidup
Kurva daur hidup sering dikembangkan untuk produk-produk baru. Kurva ini
terutama berguna untuk peramalan permintaan produk-produk yang
mempunyai daur hidup beberapa tahun seperti microcomputer dan produk-
produk elektronik lainnya. Kurva daur hidup sering juga disebut sebagai
kurva-S. Kurva ini dapat dilakukan dengan model logistik:
Yt= k/ (1+ea+b)
Dimana, Yt = Permintaan pada tahun t
e = Bilangan Napier (logaritma natural)
a,b = Konstanta
k = Asimptot atas
Model lain dari kurva daur hidup disebut algorithmicseond curve:
Log yt = a+b+c2
7. 7Metode Akar Rumput, adalah metode peramalan yang memanfaatkan data
taksiran penjualan dari para aparatur penjualan dan wiraniaga dari seluruh
wilayah pemasaran perusahaan dalam perhitungan dan penetapan ramalan
permintaan di masa yang akan datang. Metode ini dipakai oleh perusahaan
grosir suatu produk tertentu dalam peramalan permintaan satu tahun atau
lebih di masa yang akan datang.
8. Kesepakatan Panel, merupakan metode pembuatan peramalan yang dilakukan
melalui diskusi panel yang bebas untuk melakukan tukar pikiran diantara
berbagai partisipan, misalnya para eksekutif perusahaan, wiraniagawan, dan
atau pelanggan perusahaan.
2.6.2. Peramalan Kuantitatif8Pada dasarnya metode peramalan kuantitatif ini dapat dibedakan atas dua
bagian, yaitu:
1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel waktu, yang
merupakan deret watu atau time series.
2. Metode peramalan yang digunakan atas penggunaan analisis pola hubungan
antara variabel yang akan diperkirakan dengan variabel lain yang
mempengaruhinya, yang bukan waktu disebut metode korelasi atau sebab-
akibat (causal method).
2.6.2.1. Metode Time Series9
7 H. Murdifin Haming. Opcit, hal.124,139.8 Rosnani Ginting, SistemProduksi (Yogyakarta: Graha Ilmu, 2007), hal. 43-44.9Ibid, hal. 46-58.
Metode time series adalah metode yang digunakan untuk menganalisis
serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan
beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola
dasarnya dapat diidentifikasi semata-mata atas dasar data historis dari serial itu.
Terdapat 4 komponen yang mempengaruhi analisis ini, yaitu:
1. Pola Siklis
Penjualan produk dapat memiliki siklus yang berulang secara periodik.
Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang
memiliki kecenderungan periodik. Komponen siklis ini akan sangat berguna
dalam peramalan jangka menengah. Pola data ini memiliki kecenderungan
untuk naik atau turun terus-menerus. Pola siklik ini dapat dilihat pada grafik
yang terlihat pada Gambar 2.1.
Sumber: http://2.bp.blogspot.com/nKF4S91uFLg/s1600/pb.jpg (diakses pada tanggal 6 Juli
2015, pukul 12:59 WIB).
Gambar 2.1. Pola Siklik
2. Pola Musiman
Perkataan musiman menggambarkan pola penjualan yang berulang setiap
periode. Komponen musim dapat dijabarkan ke dalam faktor cuaca, libur, atau
kecenderungan perdagangan. Pola musiman berguna dalam meramalkan
penjualan dalam jangka pendek. Pola ini terjadi bila data sangat dipengaruhi
oleh musim. Pola musim ini dapat dilihat pada Gambar 2.2.
Sumber: http://2.bp.blogspot.com/nKF4S91uFLg/s1600/pb.jpg (diakses pada tanggal 6 Juli
2015, pukul 12:59 WIB).
Gambar 2.2. Pola Musiman
3. Pola Horizontal
Pola ini terjadi apabila nilai data berfluktuasi disekitar nilai rata-rata. Pola
horizontal ini dapat dilihat pada Gambar 2.3.
Sumber: http://2.bp.blogspot.com/nKF4S91uFLg/s1600/pb.jpg (diakses pada tanggal 6 Juli
2015, pukul 12:59 WIB).
Gambar 2.3. Pola Horizontal
4. Pola Trend
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun
terus menerus. Gambar pola trend ini dapat dilihat pada Gambar 2.4.
Sumber: http://2.bp.blogspot.com/nKF4S91uFLg/s1600/pb.jpg (diakses pada tanggal 6 Juli
2015, pukul 12:59 WIB).
Gambar 2.4. Pola Trend
Pola data dalam bentuk trend ini dapat dijabarkan sebagai berikut:
a. Trend Linier
Bentuk persamaan umum = Y= a + bt, sedangkan peramalannya
mempunyai bentuk persamaan = Yt = a + bt
Dimana Yt= nilai peramalan pada periode ke t
t= waktu atau periode
Dengan menggunakan metode kuadrat terkecil, maka harga konstanta a
dan b diperoleh dari persamaan di bawah ini:
b = n ∑tYt−∑t ∑Yt
n∑ t2−(∑t)2 dan a = ∑Yt−b∑t
n
b. Trend Eksponensial Atau Pertumbuhan
Bentuk persamaan umum = Y = aebt
Sedangkan peramalannya mempunyai bentuk persamaan Yt = aebt
Dimana Yt= nilai peramalan pada periode ke t
t= waktu atau periode
Dengan menggunakan transformasi logaritma natural maka harga
konstanta a dan b diperoleh dari persamaan
b = n ∑tlnYt−∑t ∑lnYt
n∑t 2−(∑ log t)2 dan ln a = ∑ ln Yt−b ∑t
n
c. Trend Logaritma
Persamaan umumnya = Y= a + b log t
Sedangkan peramalannya mempunyai bentuk persamaan = Yt = a + b log t
Dimana Yt= nilai peramalan pada periode ke t
t= waktu atau periode
Dengan menggunakan transformasi logaritma natural maka harga
konstanta a dan b diperoleh dari persamaan berikut:
b = n ∑tlogYt−∑logt ∑Yt
n ∑t 2−(∑t )2 dan ln a = ∑Yt−b∑ log t
n
d. Trend Geometrik
Bentuk persamaan umumnya = Y = atb
Sedangkan peramalannya mempunyai bentuk persamaan = Yt = atb
Dimana Yt= nilai peramalan pada periode ke t
t= waktu atau periode
Dengan menggunakan transformasi logaritma maka harga konstanta a dan
b diperoleh dari persamaan
b = n ∑tlog log Yt−∑ log t ∑ log Yt
n ∑ log2t−(∑ log t)2 dan ln a = ∑Yt−b ∑ log t
n
e. Trend Hyperbola
Bentuk persamaan umumnya adalah:
Y =a
bt
Peramalannya mempunyai bentuk persamaan = Yt = a
bt
Dimana Yt= nilai peramalan pada periode ke t
t= waktu atau periode
Dengan menggunakan transformasi logaritma maka harga konstanta a dan
b diperoleh dari persamaan
b = n ∑t log Yt−∑t ∑ logYt
(∑ t )2−n∑t 2 dan ln a = ∑ log Yt−log b∑t
n
Metode peramalan yang termasuk model time series adalah:
1. Metode Penghalusan (Smoothing)
Metode Penghalusan digunakan untuk mengurangi ketidakteraturan musiman
dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetam data
masa lalu. Ketepatan peramalan dengan metode ini akan terdapat pada
peramlaan jangka pendek, sedangkan unuk peramalan jangka panjang kurang
akurat. Metode ini terdiri dari beberapa jenis, antara lain:
a. Metode Rata-Rata Bergerak (Moving Average), terdiri atas:
1). Single Moving Average (SMA)
Single moving average pada suau periode merupakan peramalan untuk
satu periode ke depan dari periode rata-rata tersebut. Persoalan timbul
dari penggunaan metode ini adalah menetukan nolai t. Semakin besar
nilai t maka peramalan yang dihasilkan akan semakin menjauhi pola
data. Secara matematis rumus fungsi peramalan metode ini adalah:
Ft+1=Xt−N+1+…+Xt+1+ XtN
Dimana: Xt = data pengamatan periode i
N = jumlah deret waktu yang digunakan
Ft+1 = nilai peramalan periode t+1
2). Linier Moving Average (LMA)
Dasar metode ini adalah penggunaan moving average kedua untuk
memperolehpenyesuaian bentuk pola trend. Tahapan metode linier
moving average adalah:
i). Hitung ‘single moving average’ dari data dengan periode perata-rataan
tertentu; hasilnya dinotasikan dengan St’
ii). Setelah semua single moving average dihitung, dihitung moving
average kedua yaitu moving average dari St’ dengan periode perata-
rataan yang sama. Hasilnya dinotasikan dengan St”
iii). Hitung komponen trend at dengan rumus:
At = St’ + (St’-St”)
iv). Hitung komponen trend bt dengan rumus:
Bt = 2
N−1¿-St”)
v). Peramalan untuk periode ke depan setelah t adalah sebagai berikut:
Ft+m = at+bt.m
3). Double Moving Average
Notasi yang diberikan adalah MA (M x N), artinya M- periode MA
dan N- periode MA.
4). Weighted Moving Average
Data pada periode tertentu diberi bobot, semakin dekat dengan saat
sekarang semakin besar bobotnya. Bobot ditentukan berdasarkan
pengalaman. Rumusnya adala sebagai berikut:
Ft = w 1 At−a+w 2 At−2+wnAt−n
w 1+w 2+wn
Dimana: w1 = bobot yang diberikan pada peiode t-1
w2 = bobot yang diberikan pada periode t-2
wn= bobot yang diberikan pada periode t-n
n = jumlah periode
b. Metode Exponential Smoothing, terdiri atas:
1). Single Exponential Smoothing
Pengertian dasar dari metode ini adalah: nilai ramalan pada periode
t+1 merupakan nilai aktual pada periode t ditambah dengan
penyesuaian yang berasal dari kesalahan nilai ramalan yang terjadi
pada periode t tersebut. Nilai peramalan dapat dicari dengan
menggunakan rumus berikut:
Ft+1 = a. X1 + (1-a). Ft
Dimana: Xt = data permintaan pada periode t
a = faktor/konstata pemulusan
Ft+1 = peramalan untuk periode t
2). Double Exponential Smoothing (DES), terbagi atas:
i). Satu parameter (Brown’s Linier Method), merupakan metod yang
hampir sama dengan linier moving average, disesuaikan dengan
menambahkan satu parameter.
S’t = α Xt + (1-α) S’t-1
S”t = αS t (1-α) S”t-1
Dimana S’t merupakan single exponential smoothing, sedangkan S”t
merupakan double exponential smoothing.
at = S' t+¿
bt = α
1−α¿
Rumus perhitungan peramlaan pada periode ke t :
Ft+m = at + bt.m
ii). Dua parameter (Holt’s Method)
Merupakan metode DES untuk time series dengan trend linier.
Terdapat konstanta yaitu α dan β. Adapun rumusnya sebagai berikut:
St = α Dt + (1-α)(Dt-1+Gt-1)
Gt = β (St-St-1) + (1-β)Gt-1
Dimana: G = komponen trend
L = panjang musiman
I = faktor penyesuaian
Ft+m = ramalan untuk m ke periode muka
2. Metode Proyeksi Kecenderungan dengan Regresi
Metode kecenderungan dengan regresi merupakan dasar garis kecenderungan
untuk suatu persamaan, sehingga dengan dasar persamaan tersebut dapat
diproyeksikan hal-hal yang akan diteliti pada masa yang akan datang. Untuk
peramalan jangka pendek dan jangka panjang, ketepatan peramalan dengan
metode ini sangat baik. Data yang dibutuhkan untuk meode ini adalah tahunan,
minimal lima tahun. Bentuk fungsi dari metode ini dapat berupa:
a. Konstan.
Dengan fungsi peramalan (Yt) = Yt = a, dimana a = ∑Yt/N
Dimana Yt= nilai tambah
N= Jumlah Periode
b. Linier.
Dengan fungsi peramalan = Yt = a + bt
Dimana a= Y−bt
n dan b=
n∑ ty−∑ (t )∑ ( y)
n−∑ t2−¿¿
c. Kuadratis.
Dengan fungsi peramalan = Yt = a + t + ct2
Dimana a= ∑ Y−b∑ t−c∑ t 2
n ; c=
θ−bα∂
; b=∂ δ−θα
∂ β−α2
∂=¿
∂=∑ t∑Y −n∑ tY
∂=∑ t 2∑Y−n∑ t2 Y
∂=∑ t∑ t 2−n∑ t 3
d. Eksponensial.
Dengan fungsi peramalan = Yt = aebt
Dimana ln a= ∑ ln Y−b∑ t
n ; b=
n∑ t ln Y −∑ t∑ lnY
n∑ t2−¿¿¿
e. Siklis.
Dengan fungsi peramalan = Yt = a + b sin 2 πn
+cos2 πt
n
Dimana ∑Y =na+b∑ sin2 πt
n+c∑ cos
2 πtn
∑Y sin2 πt
n=a∑ sin
2πtn
+b sin2 2πtn
+c∑ sin2 πtn
cos2πtn
∑Y cos2 πt
n=a∑ cos
2 πtn
+c cos2 2 πtn
+b∑ sin2 πt
ncos
2 πtn
3. Metode Dekomposisi
Metode Dekomposisi yaitu hasil ramalan yang ditentukan dengan kombinasi
dari fungsi yang ada sehingga dapat diramalkan secara biasa. Model tersebut
didekati dengan fungsi linier atau siklis, kemudian bagi t atas kwartalan
sementara berdasarkan pola data yang ada. Metode dekomposisi merupakan
pendekatan peramalan yang tertua. Terdapat beberapa pendekatan alternatif
untuk mendekomposisikan suatu deret berkala yang semuanya bertujuan
memisahkan setiap komponen deret data seteliti mungkin. Konsep dasar
pemisahan bersifat empiris dan tetap, yang mula-mula memisahkan unsur
musiman, kemudian trend, dan akhirnya unsur siklis. Adapun langkah-langkah
perhitungannya adalah:
a. Ramalkan fungsi Y biasa (dt = a +bt)
b. Hitung nilai indeks
c. Gabungkan nilai perolehan indeks kemudian ramalkan yang baru.
4. Metode Regresi dengan Metode Kuadrat Kecil (Least Square)10
Metode ini merupakan suatu teknik peramalan yang didasarkan atas analisis
perilaku atau nilai masa lalu suatu variabel yang disusun menurut urutan
waktu. Metode ini berdasarkan atas penggunaan analisis pola hubungan antara
variabel yang akan diperkirakan dengan variabel waktu. Bentuk persamaan
umum dari metode ini adalah: Y = a + bx
Dimana Y = variabel dependen ; a = konstanta ; b = koefisien regresi dan x =
variabel waktu.
5. Metode ARIMA (Autoregressive Integrated Moving Average)11
ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA
sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk
peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya
akan cenderung flat(mendatar/konstan) untuk periode yang cukup panjang.
Model Autoregresive Integrated Moving Average (ARIMA) adalah model
yang secara penuh mengabaikan independen variabel dalam membuat
peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel
dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA
10Rival Zunaidhi. Aplikasi Peramalan Penjualan Menggunakan Metode Regresi Linier. Jurusan Teknik Informatika, Fakultas Teknologi Informasi, UPN “Veteran” Jawa Timur. Vol VII. No. 3. http://daps.bps.go.id/file_artikel/77/arima.pdf (diakses pada tanggal 10 Juli 2015, pukul 10:15 WIB).11
cocok jika observasi dari deret waktu (time series) secara statistik
berhubungan satu sama lain (dependent). Model ARIMA terdiri dari tiga
langkah dasar, yaitu tahap identifikasi, tahap penaksiran dan pengujian, dan
pemeriksaan diagnostik. Tiga langkah dasar tersebut dapat dilihat pada
Gambar 2.5. berikut.
Sumber: http://daps.bps.go.id/file_artikel/77/arima.pdf (diakses pada tanggal 10 Juli 2015,
pukul 10:15 WIB).
Gambar 2.5. Tiga Langkah Dasar pada ARIMA (Autoregressive
Integrated Moving Average)
Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu:
a. Model Autoregressive (AR),
Bentuk umum model autoregressive dengan ordo p (AR(p)) atau model
ARIMA (p,0,0) dinyatakan sebagai berikut:
Xt = μ'+∅1Xt-1+∅ 2Xt-2+…+∅ pXt-p + et[0]
Dimana: μ'=suatu konstanta
∅ p = parameter autoregresif ke-p
et = nilai kesalahan pada saat t
b. Moving Average (MA),
Bentuk umum model moving average ordo q (MA(q)) atau ARIMA (0,0,q)
dinyatakan sebagai berikut:
Xt = μ '+ et-θ1et-1-θ2et-2-…-θqet-k
Dimana: μ'=suatu konstanta
θ1sampaiθq = parameter-parameter moving average
et-k = nilai kesalahan pada saat t-k
c. Model Campuran ARIMA (Autoregresive Moving Average).
(i). Proses ARMA
Model umum untuk campuran proses AR(1) murni dan MA(1) murni,
misal ARIMA (1,0,1) dinyatakan sebagai berikut:
Xt = μ'+∅1Xt-1+et-θ1et-1atau (1-∅ 1B)Xt = μ'+¿1B)et
AR (1) MA(1)
(ii). Proses ARIMA
Apabila nonstasioneritas ditambahkan pada campuran proses ARMA,
maka model umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus
sederhana ARIMA (1,1,1) adalah sebagai berikut:
(1-B)(1-∅ 1B)Xt= μ'+¿1B)et
Pembedaan pertama AR(1) MA(1)
2.6.2.2.Metode Kausal
Metode kausal adalah metode yang kuantitatif untuk menganalisis
pengaruh dan juga hubungan antara variabel, independen dengan variable
dependen. Alat analisis yang dipakai pada metode ini adalah:
1. Analisis regresi dan korelasi, merupakan metode yang dipakai untuk
mengetahui hubungan kausal atau saling memperngaruhi antara variabel
dependen dan variabel independen. Dipakai untuk membuat suatu garis tren
dari suatu sebaran data historis yang relevan dengan sebaran data. Metode
yang paling umum dipakai adalah metode kuadrat paling kecil (Least Square
Method).
2. Proyeksi tren, merupakan suatu metode matematik yang dipakai untuk
membuat garis tren suatu hasil plotting data untuk mengetahui kecenderungan
perkembangan di masa mendatang, naik atau turun. Model ini pada umumnya
terintegrasi ke dalam analisis regresi.
3. Model ekonometrik, adalah metode yang dipakai untuk menerangkan perilaku
gejala ekonomi berdasarkan data runtun waktu dengan beberapa macam
variabel bebas.
4. Model input-output, adalah metode analisis yang dipakai untuk mengukur
hubungan keterkaitan masukan-keluaran berbagai sektor usaha dalam
perekonomian dan pemerintahan melalui aktivitas penjualan keluarannya.
5. Indikator tertentu, analisis yang dipakai untuk menaksir suatu perubahan
sektor yang dipengaruhi jika sektor berpengaruh itu mengalami perubahan.
2.7. Langkah-Langkah Peramalan secara Kuantitatif
Langkah-langkah dalam melakukan peramalan secara kuantitatif adalah:
1. Definisikan tujuan peramalan.
2. Pembuatan diagram pencar.
3. Pilih minimal dua metode peramalan yang dianggap sesuai.
4. Hitung parameter-parameter fungsi peramalan. Adapun parameter fungsi
peramalan adalah nilai yang menyatakan ciri dari populasi data yang
diramalkan.
5. Hitung kesalahan setiap metode peramalan.
6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil.
7. Lakukan verifikasi peramalan.
Langkah-langkah tersebut dapat dilihat pada blok diagram yang terlihat
pada Gambar 2.6.
Sumber: Rosnani Ginting. Sistem Produksi. (Yogyakarta: Graha Ilmu) h.45.
Gambar 2.6. Langkah-langkah Peramalan secara Kuantitatif
2.8. Kriteria Pemilihan Metode Peramalan12
Kriteria peramalan yang terbaik antara lain:
1. Mean Square Error (MSE)
MSE=∑t=1
m
( f t−f̂ t)2
m
Dimana:
f t : data aktual periode t
f̂ t : nilai ramalan periode t
m : banyaknya periode
2. Percentage Error (PEt)
PEt=( f t− f̂ t
f t)×100 %
12 Rosnani Ginting. Opcit. hal. 58-62.
Dimana nilai dari PEtbisa positif ataupun negatif.
3. Standard Error of Estimate (SEE)
SEE=√∑t=1
m
( f t− f̂ t )2
m−k
Dimana:
k = derajat kebebasan
k = 1 karena data konstan hanya memiliki satu parameter, yaitu a, unuk data
konstan
k = 2 karena data linear memiliki 2 parameter, yaitu a dan b, unuk data linier
k = 3 karena data kuadratis memiliki 3 parameter yang harus dicari, yaitu a, b,
dan c, unuk data kuadratis
k = 3 karena data siklis memiliki 3 parameter, yaitu a, b, dan c, unuk data
siklis
4. Mean Absolute Percentage Error (MAPE)
MAPE=∑t=1
m
|PEt|
m
5. Mean Square Error (MSE)
13
MSE = 1n∑t=1
n
(Yt−Y t ')2
6. Mean Absolute Deviation (MAD)
MAD= 1n∑t=1
n
¿Yt−Y t'∨¿¿
2.8.1. Verifikasi dan Pengendalian Peramalan
13 http://winita.staff.mipa.uns.ac.id/files/2011/09/pemilihan-teknik-peramalan.pdf. diakses pada tanggal 10 Juli 2015, pukul 10:15 WIB).
Verifikasi digunakan untuk melihat apakah metode peramalan yang
diperoleh representatif terhadap data. Proses verifikasi dilakukan dengan
menggunakan Moving Range Chart (RMC). Dari chart ini dapat dilihat apakah
sebaran masih dalam kontrol ataupun sudah berada di luar kontrol. Jika sebaran di
luar kontrol, maka fungsi/ metode peramalan tersebut tidak sesuai, artinya pola
peramlaan terhadap data (Y-Yt) tersebut tidak representatif. RMC dapat dilihat
pada Gambar 2.7.
Sumber: http://community.asdlib.org/imagefiles/2013/08/Figure15.3.jpg (diakses pada
tanggal 6 Juli 2015, pukul 12:59 WIB).
Gambar 2.7. Moving Range Chart
Harga MR diperoleh dari:
M̄ R̄=∑t=2
N −1
MRt
N−1
Dimana: MRt=|(Y t−Y T t )−(Y t−1−Y F
t−1)| atau: MR t=e t−e t−1
Kondisi out of control dapat diperiksa dengan menggunakan empat aturan
berikut:
1. Aturan Satu Titik
Bila ada titik sebaran (Y-YF) berada di luar UCL dan LCL.
A
A
B
B
C
C
LCL
UCLL
2/3 UCL
1/3 UCL
2/3 LCL
2/3 LCL
CCL
2. Aturan Tiga Titik
Bila ada tiga buah titik secara berurutan berada pada salah satu sisi, yang
mana dua diantaranya jatuh pada daerah A.
3. Aturan Lima Titik
Bila ada lima buah titik secara berurutan berada pada salah satu sisi, yang
mana empat diantaranya jatuh pada daerah B.
4. Aturan Delapan Titik
Bila ada delapan buah titik secara berurutan berada pada salah satu sisi, pada
daerah C. Bagan yang dijelaskan pada MCR tersebut dapat dilihat pada
Gambar 2.8.
Sumber: Rosnani Ginting. Sistem Produksi. (Yogyakarta: Graha Ilmu) h.61.
Gambar 2.8. Bagan Batas Kendali Out of Control
2.9. Pengujian Hipotesa14
Hipotesis statistik adalah pernyataan ayau dugaan engenai satu atau lebih
populasi. Benar atau salahnya suatu hippotesis tidak akan diketahui dengan pasti,
kecuali bila kita memeriksa seluruh populasi. Tentu saja, dalam kebanyakan
situasi hal itu tidak mungkin dilakukan. Oleh karena itu, kita dapat mengambil
suatu contoh acak dari populasi tersebut dan menggunakan informasi yang
dikandung contoh itu untuk memutuskan apakah hipotesis tersebut kemungkinan
besar benar atau salah. Bukti dari contoh, yang tidak konsisten dengan hipotesis
14Ronald E. Walpole, Pengantar Statistika (Jakarta: PT. Gramedia Pustaka Utama, 1995), hal. 288-289.
yang dinyatakan tentu saja membawa kita kepada penolakan hipotesis tersebut,
sedangkan bukti yang mendukung hipotesis akan membawa pada penerimaannya.
Hipotesis yang dirumuskan dengan harapan akan ditolak membawa penggunaan
istilah hipotesis nol. Sekarang ini istilah itu digunakan pada sembarang hipotesis
yang ingin diuji dan dilambangkan dengan H0. Penolakan H0mengakibatkan
peneriman suatu hipotesis alternatif yang dilambangkan dengan H1.15Uji hiipotesis
satu arah adalah wilayah kritik bagi hipotesis alternatif θ>θ0 terletak seuruhnya
diekor kanan sebaran tersebut, sedangkan wilayah kritik bagi hipotesis alternaif
θ<θ0 terletak selutuhnya di ekor kiri. Tanda pertidaksamaan tersebut menunju ke
arah wilayah kritiknya. Suatu uji yang bersifat satu arah dapat diliht pada cotoh
berikut:
Ho ;: θ=θ0
H1 : θ>θ0
Uji hipotesis dua arah adalah wilayah kritiknya dipisah menjadi dua bagian yang
ditempatkan di masing-masing ekor sebaran statistik ujinya, Hipotesis
alternatifnya 0≠θ0 menyatakan bahwa θ<θ0 atau θ>θ0 . Uji dua arah telah
digunakan untuk menguji hipoesis nol bahwa μ=¿68 kilogram lawan alternatifnya
yang dua arah kiloogram lawan alternatifya μ ≠68 kilogram bagi populasi kontinu.
Hipotesis nol akan selalu dituliskna dengan tanda kesamaan sehingga
menspesifikasi suatu nilai tunggal. Dengan cara demikian, peluangmelakukan
galat jenis I dapat dikendalikan. Hipotsis alternatif yang demikian ini selalu
menghasilkan uji satu arah dengan wilayah kritiknya terletak di ekor kanan
sebenarnya.
2.9.1. Uji/ Analisis Ragam (Uji F)
16Analisis ragam adalah suatu metode untuk menguraikan keragaman total
data kita menjadi komponen-komponen yang mengukur berbagai sumber
keragaman. Misalkan dalam suatu percobaan, tiga varitas gandum ditanam pada
beberapa petak yang bentuk dan luasnya sama, kemudian hasil panen setiap petak
15Ibid., hal. 298-299.16 Ronald E. Walpole, Opcit, hal. 382.
dicatat, kemudian akan diuji hipotesis nol bahwa ketiga varitas gsndum tersebut
secara rata-rata memberikan hasil panen yang sama. Dari percobaan tersebut akan
diperoleh 2 komponen, yang pertama mengukur keragaman yang disebabkan oleh
galat percobaan dan yang kedua dilakukan perhitungan terhadap galat percobaan
plus keragaman yang disebabkan oleh keragaman varitas. Bila hipotesis nol benar
sehingga ketiga varitas gandum itu memberikan nilai dugaan bagi galat
percobaan. Dengan demikian kita mendasarkan uji kita pada perbandingan kedua
komponen tersebut dengan menggunakan sebaran F.17Langkah-langkah/ urutan menguji hipotesa dengan distribusi F:
1. Merumuskan hipotesa
Ho : β1 = β2 = β3 = β4 = 0, berarti secara bersama-sama tidak ada pengaruh
variabel bebas terhadap variabel terikat.Ha : β1 ≠ β2 ≠ β3 ≠ β4 ≠ 0, berarti secara
bersama-sama ada pengaruh variabel bebas terhadap variabel terikat.
2. Menentukan taraf nyata/ level of significance = α
Taraf nyata/derajat keyakinan yang digunakan sebesar α = 1%, 5%,
10%.Derajat bebas (df) dalam distribusi F ada dua, yaitu:
df numerator = dfn = df1 = k – 1
df denumerator = dfd = df2 = n – k
Dimana:
df = degree of freedom/derajat kebebasan
n = jumlah sampel
k = banyaknya koefisien regresi
3. Menentukan daerah keputusan, yaitu daerah dimana hipotesa nol diterima atau
tidak.
Ho diterima apabila F hitung ≤ F tabel, artinya semua variabel bebas secara
bersama-sama bukan merupakan variabel penjelas yang signifikan terhadap
variabel terikat.Ho ditolak apabila F hitung > F tabel, artinya semua variabel
bebas secara bersama-sama merupakan penjelas yang signifikan terhadap
variabel terikat.
17https://googledrive.com/host/...3SE5/.../doc.docx (dikases pada tanggal 10 Juli, pukul 22:00 WIB).
4. Menentukan uji statistik nilai F
Bentuk distribusi F selalu bernilai positif
Sumber: http://3.bp.blogspot.com/Kurva+Distribusi+F.png(diakses pada tanggal 10 Juli
2015, pukul 22:25 WIB).
Gambar 2.9. Distribusi F dengan Satu Arah
5. Mengambil keputusan
Keputusan bisa menolak Ho atau menolak Ho menerima Ha.Nilai F tabel yang
diperoleh dibanding dengan nilai F hitung apabila F hitung lebih besar dari
Ftabel, maka ditolak sehingga dapat disimpulkan bahwa ada pengaruh yang
signifikan antara variabel independen dengan variabel dependen.
2.10. Metode Gauss Jordan
Salah satu metode yang dapat digunakan untuk menyelesaikan sistem
persamaan linier adalahmetode eliminasi Gauss-Jordan. Metode ini diberi nama
Gauss-Jordan untuk menghormati CarlFriedrich Gauss dan Wilhelm Jordan.
Metode ini sebenarnya adalah modifikasi dari metode eliminasiGauss, yang
dijelaskan oleh Jordan di tahun 1887.Metode Gauss-Jordan ini menghasilkan
matriks dengan bentuk baris eselon yang tereduksi(reduced row echelon form),
sementara eliminasi Gauss hanya menghasilkan matriks sampai padabentuk baris
eselon (row echelon form).Selain untuk menyelesaikan sistem persamaan linier,
metode eliminasi Gauss-Jordan ini dapatpula digunakan untuk mencari invers dari
sebuah matriks.Prosedur umum untuk metode eliminasi Gauss-Jordan ini adalah:
1.Ubah sistem persamaan linier yang ingin dihitung menjadi matriks augmentasi.
2.Lakukan operasi baris elementer pada matriks augmentasi (A|b) untuk
mengubah matriksA menjadi dalam bentuk baris eselon yang tereduksi.
Contoh mengubahnya dapat dilihat pada Gambar 2.10. berikut.
Sumber: http://referensi.dosen.narotama.ac.id/files/2011/12/gaussjordan.pdf(diakses pada
tanggal 26 Juli 2015, pukul 22:25 WIB)
Gambar 2.10.Mengubah Sistem Persamaan Linier Menjadi Matriks
Augmentasi
Pengubahan dilakukan dengan membuat matriks yang elemen-elemennya adalah
koefisien-koefisien dari sistem persamaan linier, sedangkan langkah-langkah pada
operasi baris elementer yaitu :
1. Menukar posisi dari 2 baris.
Ai↔Aj
2. Mengalikan baris dengan sebuah bilangan skalar positif.
Ai = k * Aj
3. Menambahkan baris dengan hasil kali skalar dengan baris lainnya.
Ai = Ai + k * Aj
Sebuah matriks sendiri bisa dikatakan sudah memiliki bentuk baris eselon
yang tereduksi jikatelah memenuhi syarat-syarat berikut ini.
1. Jika sebuah baris seluruhnya bukan merupakan angka nol, maka angka bukan
nol pertamapada baris tersebut adalah 1 (leading 1).
2. Jika ada baris yang seluruhnya terdiri dari angka nol, maka baris tersebut
dikelompokkandi baris paling bawah dari matriks.
3. Jika ada 2 baris berurutan yang sama-sama tidak terdiri dari angka nol
seluruhnya, makaleading 1dari baris yang lebih bawah berada di sebelah kanan
dari leading 1yang beradadi baris yang lebih atas.
4. Pada setiap kolom yang memiliki leading 1di kolomnya, maka nilai yang ada
di kolomtersebut kecuali leading 1adalah nol
2.10.1. Metode Gauss Jordan18Eliminasi Gauss-Jordan adalah pengembangan dari eliminasi Gauss
yang hasilnya lebih sederhana. Caranya adalah dengan meneruskan operasi baris
dari eliminasi Gauss sehingga menghasilkan matriks yang Eselon-baris tereduksi.
Ini juga dapat digunakan sebagai salah satu metode penyelesaian persamaan linear
dengan menggunakan matriks. Caranya dengan mengubah persamaan linear
tersebut ke dalam matriks teraugmentasi dan mengoperasikannya. Setelah menjadi
matriks Eselon-baris tereduksi, maka langsung dapat ditentukan nilai dari
variabel-variabelnya tanpa substitusi balik.19Dalam aljabar linear, eliminasi Gauss-Jordan adalah algoritma versi
dari eliminasi Gauss. Pada metode eliminasi Gauss-Jordan kita membuat nol
elemen-elemen di bawah maupun di atas diagonal utama suatu matriks. Hasilnya
adalah matriks tereduksi yang berupa matriks diagonal satuan (Semua elemen
pada diagonal utama bernilai 1, elemen-elemen lainnya nol).Metode eliminasi
Gauss-Jordan kurang efisien untuk menyelesaikan sebuah SPL, tetapi lebih efisien
daripada eliminasi Gauss jika kita ingin menyelesaikan SPL dengan matriks
koefisien sama.
18 https://id.wikipedia.org/wiki/Aljabar_linear (diakses pada tanggal 10 Juli 2015 pukul 15:00 WIB).19https://id.wikipedia.org/wiki/Eliminasi_Gauss-Jordan (diakses pada tanggal 10 Juli 2015 pukul 15:00 WIB).