BAB II.docx
Transcript of BAB II.docx
BAB II
LANDASAN TEORI
2.1. Peramalan (Forecasting) 1
Peramalan merupakan bagian awal dari suatu proses pengambilan suatu
keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa
sebenarnya persoalan dalam pengambilan keputusan itu. Peramalan adalah
pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau
beberapa produk pada periode yang akan datang.
Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah
permintaan terhadap suatu produk dan merupakan langkah awal dari proses
perencanaan dan pengendalian produksi.
2.2. Pendefenisian Tujuan Peramalan
Tujuan peramalan dilihat dengan waktu yaitu:
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)
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 Baik1 Rosnani Ginting. Sistem Produksi (Cet.I; Yogyakarta: Graha Ilmu, 2007). h. 31-37.
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 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.
2.4. Faktor-faktor yang Mempengaruhi Pemilihan Teknik Peramalan
Peramalan dimaksudkan untuk memperkecil resiko yang timbul akibat
pengambilan keputusan dalam suatu perencanaan produksi. Semakin besar upaya
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. Jumlah periode dimana ramalan diinginkan
Beberapa 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 dari 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 dipergunakan dalam pengambilan keputusan
dan analisa.
2.5. Prinsip-prinsip Peramalan2
Ada lima prinsip peramalan yang sangat perlu diperhatika untuk
mendapatkan hasil peramalan yang baik yaitu:
Prinsip 1:
Peramalan pasti mengandung error. Hampir tidak pernah ditemui bahwa hasil
peramalan persis seperti kenyataan di lapangan. Peramalan mengurangi faktor
ketidakpastian tetapi tidak peran mampu untuk menghilangkannya. Artinya
2 Sukaria Sinulingga. Perencanaan dan Pengendalian Produksi (Cet. I; Yogyakarta : Graha Ilmu, 2009),h. 112.
peramal hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak
dapat menghilangkan ketidakpastian tersebut.
Prinsip 2 :
Peramalan seharusnya mencakup ukuran dari error. Karena peramalan pasti
mengandung kesalahan, maka adalah penting bagi peramal untuk
menginformasikan seberapa besar kesalahan yang mungkin terjadi. Besarnya
kesalahan dapat dijelaskan dalam bentuk kisaran hasil peramalan baik dalam unit
atau persentase dan probablitias tentang permintaan sesungguhnya akan berada
dalam kisaran tersebut.
Prinsip 3:
Peramalan item yang dikelompokkan dalam famili selalu lebih akurat
dibandingkan dengan peramalan dalam item per item. Jika famili produk sebagai
sebuah kesatuan diramalkan maka persentasse I akan semakin kecil, tetapi apabila
diramalkan masing-masing sebagai indivudual product maka persentase erorr
akan semakin tinggi.
Prinsip 4:
Peramalan jangka pendek lebih akurat dibanding dengan peramalan jangka
panjang. Hal ini disebabkan karena pada peramalan jangka pendek faktor-faktor
yang mempengaruhi permintaan relatif masih konstan sedangkan peramalan
jangka panjang kemungkinan terjadinya perubahan faktor-faktor yang
mempengaruhi permintaan besar.
Prinsip 5:
Apabila dimungkinkan, perkiraan besarnya permintaan lebih disukai berdasasrkan
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 bahan baku untuk produk tersebut lebih baik
dihitung berdasarkan principle of dependent demand dari pada masing-masing
ditetapkan berdasarkan hasil peramalan.
2.6. Klasifikasi Teknik Peramalan3
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung
dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka peramalan
dapat dibedakan atas dua macam, yaitu:
1. Dilihat dai sifat penyusunannya
a. Peramalan yang subjektif
Yaitu peramalan yang lebih menekankan pada keputusan-keputusan hasil
diskusi, pendapat pribadi seseorang, intuisi dari orang yang menyusunnya.
Dalam hal ini pandangan dari 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 teknik-teknik dan metode-metode dalam
penganalisaan data tersebut.
2. Dilihat dari jangka waktu ramalan yang disusun
a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah
tahun. Peramalan seperti ini misalnya diperlukan dalam penyusunan
rencana pembangunan suatu negara, dan rencana investasi suatu
perusahaan.
b. Paramalan jangka menengah, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan dalam jangka waktu satu bulan atau dua bulan
sampai satu tahun. Ramalan jangka menengah umumnya lebih berkaitan
dengan rencana produksi tahunan dan akan mencerminkan hal-hal seperti
puncak dan lembah suatu permintaan dan kebutuhan untuk menjamin
adanya tambahan sumber daya untuk tahun berikutnya.
c. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu
setengah tahun. Contohnya adalah penyusunan rencana produksi, rencana
penjualan, rencana persediaan, dan anggaran perusahaan.
3 Rosnani Ginting, op.cit., h.38-44.
3. Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat
dibedakan atas dua macam, yaitu:
a. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif
pada masa lalu. Hasil peramalan yang dibuat sangat tergantung dengan
orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut
ditentukan berdasarkan pemikiran yang bersifat pendapat, intuitif,
pengetahuan, dan pengalaman.
2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data
kuantitatif masa lalu. Hasil peramalan yang dibuat sangat tergantung pada
metode yang dipergunakan dalam peramalan tersebut.
Gambar 2.1. Taksonomi Teknik Peramalan
(Sumber: http//:jiunkpe/s1/tmi/1999/jiunkpe-ns-bahan-appendices.pdf)
2.7. Peramalan Kualitatif (Judgement Method)
Peramalan kualitatif biasanya digunakan bila tidak ada atau sedikit data
masa lalu tersedia. Dalam metode ini, pendapat pakar dan prediksi mereka
dijadikan dasar untuk menetapkan permintaan yang akan datang. Beberapa
metode kualitatif yang banyak dikenal antara lain:
1. Metode Delphi
Adapun tahapan yang dilakukan adalah:
a. Tentukan beberapa pakar mengisi sebagai partisipan. Sebaiknya bervariasi
dengan latar belakang disiplin ilmu yang berbeda.
b. Melalui kuisioner (e-mail), diperoleh peramalan dari seluruh partisipan,
c. Simpulkan hasilnya, kemudian distribusikan kembali kepada seluruh
partisipan dengan pertanyaan yang baru.
d. Simpulakan kembali revisi peramalan dan kondisi, kemudian
dikembangkan dengan pertanyaan yang baru.
e. Apabila diperlukan ulangi tahap 4. Seluruh hasil akhir akhir
didistribusikan kepada seluruh partisipan.
2. Dugaan manajemen (management estimate) atau Panel Consensus
Dimana peramalan semata-mata berdasarkan pertimbangan manajemen,
umumnya oleh manajer senior. Metode ini akan cocok dalam situasi yang
sangat sensitif terhadap intuisi dari suatu atua sekelompok kecil orang yang
karena pengalamannya mampu memberikan opini yang kritis dan relevan.
Teknik akan dipergunakan dalam situasi dimana tidak ada situasi dimana
tidak ada alternatif lain dari model peramalan yang dapat diterapkan.
3. Riset Pasar
Metode ini mengumpulkan dan menganalisa fakta secara sistematis pada
bidang yang berhubungan dengan pemasaran. Salah satu teknik utama adalah
survei pasar yang akan memberikan informasi mengenai selera yang
diharapkan konsumen, dimana informasi tersenut diperoleh dengan cara
kuesioner.
4. Metode Kelompok Terstruktur.
Metode ini melibatkan orang-orang yang berpengalaman dalam berbagai
bidang. Perbedaan dengan metode Delphi terletak pada interaksi antar
anggota panel. Dalam metode ini terdapat diskusi antaranggota secara
langsung sedangkan dalam metode Delphi sama sekali tidak ada interaksi
lisan.
5. Analogi Historis
Metode ini berdasarkan pada data masa lalu dari produk-produk yang dapat
disamakan secara analogi. Analogi historis cenderung akan menjadi terbaik
untuk penggantian produk di pasar dan apabila terdapat hubungan substitusi
langsung dari produk dalam pasar itu.
2.8. Peramalan Kuantitatif
Pada metode ini, data historis masa lalu digunakan untuk meramalkan
permintaan masa depan. Ada dua kelompok besar metode kuantitatif, yaitu:
1. Metode time series
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 diidentifikasikan semata-mata atas dasar data
historis serial itu. Ada empat komponen utama yang mempengaruhi yaitu:
a. Pola siklis (cycle)
Penjualan produk dapat memiliki siklus yang berulang secara periodik.
Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang
terkadang memiliki kecenderungan periodik. Komponen siklis ini sangat
berguna dalam peramalan jangka menengah.
Gambar 2.2. Pola Siklis
Sumber: mandorkawat2009.wordpress.com/ 13 September 2012
b. Pola musiman (seasonal)
Perkataan musim menggambarkan pola penjualan yang berulang setiap
periode. Komponen musim dapat dijabarkan ke dalam faktor cuaca, libur,
atau kecenderungan perdagangan. Pola musiman berguna untuk
meramalkan penjualan dalam jangka pendek.
Gambar 2.3. Pola Musiman
Sumber: dc219.4shared.com/ 13 September 2012
c. Pola horizontal
Pola data ini terjadi apabila data berfluktuasi di sekitar nilai rata-rata.
Gambar 2.4. Pola Horizontal
Sumber: fariedpradhana.wordpress.com/ 13 September 2012
d. Pola Trend
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau
turun terus-menerus.
Gambar 2.5. Pola Trend
Sumber: citatoungy.blogspot.com/ 13 September 2012
Dalam meramalkan biaya-biaya yang termasuk di dalam biaya operasi
dipergunakan pola trend karena biaya tersebut cenderung naik jika mesin
atau peralatan semakin tua atau semakin lama jangka waktu
pemakaiannya. Ada beberapa trend yang digunakan di dalam penyelesaian
masalah ini, yaitu:
1) Trend Linier
2) Trend Eksponensial atau Pertumbuhan
3) Trend Logaritma
4) Trend Geometrik
5) Trend Hyperbola
Adapun metode peramalan yang termasuk model time series adalah sebagai
berikut:
1) Metode Smoothing
Metode smoothing digunakan untuk mengurangi ketidakteraturan ramalan
berdasarkan data yang lalu dengan membuat rata-rata tertimbang dari sederetan
data masa lalu. Metode smoothing dapat dibagi lagi menjadi beberapa metode,
antara lain :
i. Moving Average
Moving Average diperoleh dengan merata-rata permintaan berdasarkan
beberapa data masa lalu yang terbaru. Tujuannya adalah untuk mengurangi
atau menghilangkan variasi acak permintaan dalam hubungannya dengan
waktu. Metode ini terdiri atas:
a) Single Moving Average
b) Linier Moving Average
c) Double Moving Average
d) Weigthed Moving Average
ii. Metode Exponential Smoothing
Peramalan dengan metode ini pada umumnya digunakan untuk perkiraan
potensi penjualan produk-produk secara individu.
a) Single exponential smoothing
b) Double exponential smoothing
c) Exponential smoothing dengan musiman
2) Metode Proyeksi Kecenderungan dengan Regresi
Metode kecenderungan dengan regresi merupakan dasar kecenderungan untuk
suatu persamaan, sehingga dengan dengan dasar persamaan tersebut dapat
diproyeksikan hal-hal yang akan diteliti pada masa yang akan datamg. Untuk
peramalan jangka pendek dan jangka panjang, ketepatan peramalan dengan
metode ini sangat baik. Data yang dibutuhkan untuk metode ini adalah
tahunan, minimal lima tahun. Namun, semakin banyak data yang dimiliki
semakin baik hasil yang diperoleh.
Bentuk fungsi dari metode ini dapat berupa:
a. Konstan, dengan fungsi peramalan (Yt):
Yt = a, dimana a=
∑ Y 1
N
Dimana:
Yt = nilai tambah
N = jumlah periode
b. Linear, dengan fungsi peramalan:
Yt = a + bt
Dimana :
a=Y−btn
b=n∑ ty−∑ (t )∑ ( y )
n−∑ t2−(∑ t )2
c. Kuadratis, dengan fungsi peramalan:
Yt = a + bt + ct2
Dimana :
a=∑ Y−b∑ t−c∑ t2
n c=θ−bα∂
b=∂δ−θα
∂ β−α2
∂=(∑ t2 )2−n∑ t4
δ=∑ t∑ Y−n∑ tY
θ=∑ t2∑ Y−n∑ t2Y
α=∑ t2∑ t2−n∑ t3
β=(∑ t )2−n∑ t2
d. Eksponensial, dengan fungsi peramalan :
Yt = aebt
Dimana :
ln a=∑ ln Y−b∑ t
nb=
n∑ t ln Y−∑ t∑ ln Y
n∑ t2−(∑ t )2
e. Siklis, dengan fungsi peramalan :
Y t=a+b sin2 πt
n+c cos
2πtn
Dimana :
∑Y =na+b sin2 πt
n+c∑ cos
2 πtn
∑Y sin2 πt
n=a∑ sin
2πtn
+b sin2 2 πtn
+c∑ sin2πt
ncos
2πtn
∑Y cos2 πt
n=a∑ cos
2 πtn
+c∑ cos2 2 πtn
+b∑ sin2 πt
ncos
2 πtn
3) Metode Dekomposisi
Yaitu hasil ramalan ditentukan dengan kombinasi dari fungsi yang ada
sehingga tidak dapat diramalkan secara biasa. Model tersebut didekati dengan
fungsi linear 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 sebagai berikut:
a. Ramalkan fungsi Y biasa (dt=a+bt)
b. Hitung nilai indeks
c. Gabungkan nilkai perolehan indeks kemudian ramalkan yang baru.
2. Metode Kausal
Metode kausal mengasumsikan faktor yang diperkirakan menunjukkan adanya
hubungan sebab akibat dengan satu atau beberaoa variabel bebas. Sebagai
contoh, jumlah pendapatan berhubungan dengan faktor-faktor seperti jumlah
penjualan, harga jual, dan tingkat promosi. Kegunaan dari metode kausal
adalah untuk menemukan bentuk hubungan antara variabel-variabel tersebutt
dan menggunakannya untuk meramalkan nilai dari variabel tidak bebas.
Metode kausal terdiri atas beberapa metode, antara lain:
a. Metode regresi dan korelasi
Metode ini pada penetapan suatu persammaan estimasi menggunakan
teknik least squares. Hubungan yang ada pertama-tama dianalisis secara
statistik. Ketepatan peramalan dengan menggunakan metode ini sangat
baik untuk peramalan jangka pendek, sedangkan untuk peramalan jangka
panjang ternyata ketepatan kurang begitu baik.
b. Metode ekonometrik
Metode ini didasarkan atas peramalan sistem persamaan regresi yang
diestimasikan secara simultan. Baik untuk peramalan jangka pendek
maupun peramalan jangka panjang, ketepatan peramalan dengan metode
ini sangat baik. Metode peramalan ini selalu dipergunakan untuk
peramalan penjualan menurut kelas produk atau peramalan keadaan
ekonomu masyarakat, seperti peramalan, harga dan penawaran.
c. Metode input-output
Metode ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka
panjang. Model ini kurang baik ketepatannya untuk peramalan jangka
panjang. Model ini dipergunakan untuk peramalan penjualan perusahaan,
penjualan sektor industri dan sub sektor industri, produksi dari sektor dan
sub sektor industri. Data yang dibutuhkan untuk penggunaan metode atau
model ini adalah data tahunan selama sekitar sepuluh sapai lima belas
tahun.
2.9. Kriteria Performance Peramalan
Besar kesalahan suatu peramalan dapat dihitung dengan beberapa cara
antara lain, yaitu:
1. Mean Square Error (MSE)
MSE=∑t=1
m
( X t−F t )2
N
dimana:
X t : data aktual periode t
F t : nilai ramalan periode t
N : banyaknya periode
2. Standard Error of Estimate (SEE) :
SEE=√∑t=1
m
(X t−F t )2
N−t
A
A
B
B
C
C
LCL
UCLL2/3 UCL
1/3 UCL
2/3 LCL
2/3 LCL
CCLCLLCLllLKMLL
dimana :
F = Derajat Kebebasan
Untuk data konstan, f=1
Untuk data linear, f=2
Untuk data kwadratis, f=3
Untuk data siklis, f=3
3. Percentage Error (PEt) :
PEt=( X t−F t
X t)×100%
dimana nilai dari PEt bisa positip ataupun negatip
4. Mean Absolute Percentage Error (MAPE)
MAPE=∑t=1
m
|PEt|
N
2.10. Proses Verifikasi
Proses verifikasi dilakukan untuk melihat apakah metode peramalan yang
diperoleh representative terhadap data. Proses verifikasi dengan menggunakan
Moving Range Chart (MRC), dapat digambarkan pada Gambar 2.2.
Harga MR diperoleh dari:
M R=∑t=2
N −1
MR t
n−1
Dimana : MR t=|(Y T−Y T t)−(Y t−1−Y F
t−1)|
atau : MR t=e t−e t−1
Gambar 2.6. Moving Range Chart
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.
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.
2.11. Koefisien Korelasi4
Dalam pasal ini kita akan membicarakan masalah pengukuran hubungan
antara dua peubah X dan Y, dan bukan meramalkan nilai Y dari pengetahuan
mengenai peubah bebas X seperti dalam regresi linear. Sebagai misal, bila X
menyatakan besarnya biaya iklan dan Y besarnya penjualan tahunan total.
Perlu diingatkan bahwa koefisien korelsi antara dua peubah adalah suatu
ukuran hubungan linear antara kedua peubah tersebut, sehingga nilai r = 0
berimplikasi tidak adanya hubungan linear, bukan bahwa antara kedua peubah itu
pasti tidak terdapat hubungan. Jadi, bila antara X dan Y terdapat suatu hubungan
4 Ronald Walpole, Pengantar Statistik (Cet. I; Jakarta: PT Gramedia, 1993), h. 369-372.
kuadratik yang kuat, kita masih akan memperoleh korelasi nol meskipun jelas ada
hubungan tak linear yang kuat antara kedua peubah tersebut.
Ukuran korelasi linear antara dua peubah yang paling banyak digunakan
adalah yang disebut koefisien korelasi momen hasil kali Pearson atau ringkasnya
koefisien korelasi contoh. Sekarang akan diberikan rumus untuk menghitung
koefisien korelasi tersebut dari data hasil pengukuran, meskipun kedua peubahnya
diukur dalam satuan yang berbeda. Jadi, bila X dan Y menyatakan tinggi dan
bobot badan seseorang, maka rumus berikut ini masih dapat memberikan suatu
ukuran hubungan linear antara kedua peubah tersebut.
Koefisien korelasi. Ukuran hubungan linear antara linear antara dua peubah X dan
Y diduga dengan koefisien korelasi contoh r, yaitu:
r =
n∑ X i Y i−(∑ X i)(∑Y i)
√{n∑ X2i−(∑ X i)
2 }{n∑ Y2i−(∑Y i )
2}
Dari penjelasan tersebut diperoleh bahwa:
JKG= (n—1) (s2y-b2s2
x)
dimana, JKG merupakan jumlah kuadrat galat.
Dengan membagi kedua sisi persamaan ini dengan (n-1)s2y
Dengan membagi kedua sisi persamaan ini dengan (n-1) s2y , kita
memperoleh hubungan
r2 =1-
JKG
√(n-1 )s2 y
dan karena JKG dan s2y keduanya tidak pernah negatif , maka kita simpulkan
bahwa r2 nilainya pasti nol dan 1. Akibatnya , r mengambil nilai dari -1 sampai
+1. Nilai r = -1 akan terjadi bila JKG = 0 dan semua titik contoh perletak pada
suau garis lurus yang mempunyai kemiringan negatif. Bila semua titik contoh
terletak paada satu titik garis lurus denan kemiringan positif, maka JKG = 0 dan
kita memperoleh nilai r = +1. Jadi, hubungan linear sempurna terdapat antara
nilai-nilai X dan Y dalam contoh, bila r = +1 atau -1. Bila r mendekati +1 dan -1,
hubungan antara kedua peubah tersebut kuat dan kita katakana terdapat korelasi
yang tinggi antara keduanya. Akan tetapi, bila r mendekati nol, hubungan linear
antara X dan Y sangat lemah atau mungkin tidak sama sekali.
Harus sangat berhati-hati dalam menafsirkan r di luar yang dikatakan di
atas. Sebagai, misal, nilai r = 0,3 dan r = 0,6 hanya bermakna bahwa kita
mempunyai dua korelasi positif, yang satu sedikit lebih kuat daripada yang lain.
Adalah salah satu bila disimpulkan bahwa r = 0,6 menunjukkan adanya hubungan
linear yang dua kali lebih kuat daripada yang ditunjukkan oleh r = 0,3. Di pihak
lain, bila kita perhatikan r2 , yang biasanya disebut koefisien determinasi contoh,
maka kita mempunyai bilangan yang menunjukkan hubungan yang menyatakan
proporsi keragaman total nilai-nilai peubah Y yang dapat dijelaskan oleh nilai-
nilai peubah X melalui hubungan linear tersebut. Jadi suatu korelasi sebesar r =
0,6 bermakna bahwa 0,36 atau 36% diantara keragaman total nilai-nilai Y dalam
contoh dapat dijelaskan oleh hubungan linearnya dengan nilai-nilai X.
Untuk lebih mengetahui seberapa jauh derajat antara variabel-variabel
tersebut, maka dapat dilihat dalam perumusan berikut:
-1,00 ≤ r ≤ -0,8 berarti korelasi kuat secara negatif
-0,79 ≤ r ≤ -0,5 berarti korelasi sedang secara negatif
-0,49 ≤ r ≤ 0,49 berarti korelasi lemah
0,50 ≤ r ≤ 0,79 berarti korelasi sedang secara negatif
0,80 ≤ r ≤ 1 berarti korelasi kuat secara negatif
2.12. Metode Gauss-Jordan 5
Salah satu metode yang dapat digunakan untuk menyelesaikan sistem
persamaan linier adalah metode eliminasi Gauss-Jordan. Metode ini diberi nama
Gauss-Jordan untuk menghormati Carl Friedrich Gauss dan Wilhelm Jordan.
Metode ini sebenarnya adalah modifikasi dari metode eliminasi Gauss, 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 pada bentuk baris
eselon (row echelon form).
Selain untuk menyelesaikan sistem persamaan linier, metode eliminasi
Gauss-Jordan ini dapat pula 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 matriks A menjadi dalam bentuk baris eselon yang tereduksi.
Contoh 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
3. Mengalikan baris dengan sebuah bilangan skalar positif.
Ai = k * Aj
4. 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 jika telah memenuhi syarat-syarat berikut ini.
5 http://www.mail-archive.com/[email protected]/msg03441.html. Diakses pada kamis, 4 Mei 2013 Pukul 20.00 WIB
1. Jika sebuah baris seluruhnya bukan merupakan angka nol, maka angka bukan
nol pertama pada baris tersebut adalah 1 (leading 1).
2. Jika ada baris yang seluruhnya terdiri dari angka nol, maka baris tersebut
dikelompokkan di baris paling bawah dari matriks.
3. Jika ada 2 baris berurutan yang sama-sama tidak terdiri dari angka nol
seluruhnya, maka leading 1 dari baris yang lebih bawah berada di sebelah
kanan dari leading 1 yang berada di baris yang lebih atas.
4. Pada setiap kolom yang memiliki leading 1 di kolomnya, maka nilai yang ada
di kolom tersebut kecuali leading 1 adalah nol.
Sebuah matriks yang hanya memenuhi syarat 1 sampai 3 adalah matriks
yang dalam bentuk baris eselon. Sedangkan jika syarat keempat juga dipenuhi,
maka matriks tersebut dapat dikatakan dalam bentuk baris eselon yang
tereduksi.
Berikut beberapa contoh matriks yang sudah dalam bentuk baris eselon
tereduksi.
Berikut contoh langkah-langkah yang dilakukan untuk menyelesaikan
sistem persamaan linier dengan metode eliminasi Gauss-Jordan.
Diketahui sistem persamaan linier sebagai berikut.
2x + 4y - 2z = 12
x + 5y + 3z = 8
-3x + y + 3z = -4
1. Ubah sistem persamaan linier di atas menjadi matriks augmentasi.
¿
2. Kalikan baris pertama dengan 0.5
¿3. Tambahkan baris kedua dengan (-1) kali baris pertama
¿
4. Tambahkan baris ketiga dengan 3 kali baris pertama
¿
5. Kalikan baris kedua dengan 1/3
¿
6. Tambahkan baris pertama dengan (-2) kali baris kedua
¿
7. Tambahkan baris ketiga dengan (-7) kali baris kedua
¿
8. Kalikan baris ketiga dengan -1/9.33
¿
9. Menambahkan baris pertama dengan 3.67 kali baris ketiga
¿
10. Menambahkan baris kedua dengan (-0.33) kali baris ketiga
¿
Setelah langkah ke-10, maka matriks ini telah dalam bentuk baris eselon
tereduksi. Dari matriks terakhir ini dapat disimpulkan bahwa nilai x = 1, y = 2,
dan z = -1.