Teori Forecasting
Transcript of Teori Forecasting
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.
1Rosnani Ginting, Sistem Produksi (Yogyakarta: Graha Ilmu, 2007),hal. 31-34.
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)
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
2 Sukaria Sinulingga. Perencanaan dan pengendalian Produksi.(Yogyakarta: Graha Ilmu, 2013) hal. 111-113 .
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
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 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
3 Rosnani Ginting, opcit, hal. 35-37; 38-40.
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-
4H. Murdifin Haming. Manajemen Produksi Modern Operasi Manufaktur dan Jasa.Edisi Pertama. (Jakarta: Bumi Aksara), hal.123.5 Sukaria Sinulingga. Sukaria Sinulingga. Perencanaan dan pengendalianProduksi. (Yogyakarta: Graha Ilmu, 2013) hal. 113 .6Ibid, hal. 114-116.
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, 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
7 H. Murdifin Haming. Opcit, hal.124,139.8 Rosnani Ginting, SistemProduksi (Yogyakarta: Graha Ilmu, 2007),hal. 43-44.
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
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
9Ibid, hal. 46-58.
turun terus-menerus. Pola siklik ini dapat dilihat
pada grafik yang terlihat pada Gambar 2.1.
Gambar 2.1. Pola SiklikSumber: http://2.bp.blogspot.com/nKF4S91uFLg/s1600/pb.jpg (diakses pada tanggal
6 Juli 2015, pukul 12:59 WIB).
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.
Gambar 2.2. Pola MusimanSumber: http://2.bp.blogspot.com/nKF4S91uFLg/s1600/pb.jpg (diakses pada tanggal
6 Juli 2015, pukul 12:59 WIB).
3.Pola Horizontal
Pola ini terjadi apabila nilai data berfluktuasi
disekitar nilai rata-rata. Pola horizontal ini dapat
dilihat pada Gambar 2.3.
Gambar 2.3. Pola HorizontalSumber: http://2.bp.blogspot.com/nKF4S91uFLg/s1600/pb.jpg (diakses pada tanggal
6 Juli 2015, pukul 12:59 WIB).
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.
Gambar 2.4. Pola Trend
Sumber: http://2.bp.blogspot.com/nKF4S91uFLg/s1600/pb.jpg (diakses pada tanggal
6 Juli 2015, pukul 12:59 WIB).
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∑Ytn∑t2−(∑t)2
dan a = ∑Yt−b∑tn
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∑lnYtn∑t2−(∑logt)2
dan ln a = ∑lnYt−b∑tn
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∑Ytn∑t2−(∑t)2
dan ln a = ∑Yt−b∑logtn
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∑tloglogYt−∑logt∑logYtn∑log2t−(∑logt)2
dan ln a =
∑Yt−b∑logtn
e. Trend Hyperbola
Bentuk persamaan umumnya adalah:
Y = abt
Peramalannya mempunyai bentuk persamaan = Yt = abt
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∑tlogYt−∑t∑logYt
(∑t )2−n∑t2 dan ln a =
∑logYt−logb∑tn
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:
- 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+Xt
NDimana: Xt = data pengamatan periode i
N = jumlah deret waktu yang digunakan
Ft+1 = nilai peramalan periode t+1
- Linier Moving Average (LMA)
Dasar metode ini adalah penggunaan moving average
kedua untuk memperolehpenyesuaian bentuk pola
trend. Tahapan metode linier moving averageadalah:
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 = 2N−1
¿-St”)
v). Peramalan untuk periode ke depan setelah t
adalah sebagai berikut:
Ft+m = at+bt.m
- Double Moving Average
Notasi yang diberikan adalah MA (M x N), artinya
M- periode MA dan N- periode MA.
- 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 = w1At−a+w2At−2+wnAt−nw1+w2+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:
- 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
- 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
b). 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 =
Y∑ t/N
Dimana Yt= nilai tambah
N= Jumlah Periode
b. Linier.
Dengan fungsi peramalan = Yt = a + bt
Dimana a= Y−btn dan b=
n∑ ty−∑ (t)∑(y)
n−∑t2−¿¿
c. Kuadratis.
Dengan fungsi peramalan = Yt = a + t + ct2
Dimana a= ∑ Y−b∑t−c∑ t2n ; c=θ−bα
∂ ; b=∂δ−θα∂β−α2
∂=¿
∂=∑t∑ Y−n∑tY
∂=∑t2∑Y−n∑ t2Y
∂=∑t∑t2−n∑t3
d. Eksponensial.
Dengan fungsi peramalan = Yt = aebt
Dimana ln a= ∑ lnY−b∑tn ; b=
n∑ tlnY−∑t∑ lnYn∑ t2−¿¿¿
e. Siklis.
Dengan fungsi peramalan = Yt = a + b sin2πn
+cos 2πtn
Dimana ∑ Y=na+b∑sin 2πtn
+c∑cos 2πtn
∑ Ysin 2πtn
=a∑ sin2πtn
+bsin2 2πtn
+c∑ sin2πtn
cos 2πtn
∑ Ycos 2πtn
=a∑ cos2πtn
+ccos2 2πtn
+b∑ sin2πtn
cos 2πtn
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
10Rival Zunaidhi. Aplikasi Peramalan Penjualan Menggunakan Metode RegresiLinier. 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 padatanggal 10 Juli 2015, pukul 10:15 WIB).11
peramalan jangka pendek yang akurat. ARIMA 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.
Gambar 2.5. Tiga Langkah Dasar pada ARIMA
(Autoregressive Integrated Moving Average)Sumber: http://daps.bps.go.id/file_artikel/77/arima.pdf (diakses pada tanggal 10 Juli
2015, pukul 10:15 WIB).
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'=suatukonstanta∅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'=suatukonstantaθ1sampaiθq = 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.
Gambar 2.6. Langkah-langkah Peramalan secara
KuantitatifSumber: Rosnani Ginting. Sistem Produksi. (Yogyakarta: Graha Ilmu) h.45.
2.8. Kriteria Pemilihan Metode Peramalan12
Kriteria peramalan yang terbaik antara lain:
1. Mean Square Error (MSE)
MSE=∑t=1
m
(ft−f̂t )2
m
Dimana:ft : data aktual periode t
f̂t : nilai ramalan periode t
m : banyaknya periode
2. Percentage Error (PEt)12 Rosnani Ginting. Opcit. hal. 58-62.
PEt=(ft−f̂tft )×100 %
Dimana nilai dari PEtbisa positif ataupun negatif.
3. Standard Error of Estimate (SEE)
SEE=√ ∑t=1
m
(ft−f̂t)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
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).
MSE = 1n∑
t=1
n(Yt−Yt')2
6.Mean Absolute Deviation (MAD)
MAD= 1n∑t=1
n¿Yt−Yt'∨¿¿
2.8.1. Verifikasi dan Pengendalian Peramalan
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.
Gambar 2.7. Moving Range Chart
A
B
C
C
UCLL2/3 UCL
1/3 UCL
2/3 LCL
CCL
Sumber: http://community.asdlib.org/imagefiles/2013/08/Figure15.3.jpg
(diakses pada tanggal 6 Juli 2015, pukul 12:59 WIB).
Harga MR diperoleh dari:
M̄ R̄=∑t=2
N−1MRt
N−1
Dimana: MRt=|(Yt−YTt)−(Yt−1−YFt−1)| atau: MRt=et−et−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.
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.
A
B
LCL
2/3 LCL
Gambar 2.8. Bagan Batas Kendali Out of Control
Sumber: Rosnani Ginting. Sistem Produksi. (Yogyakarta: Graha Ilmu) h.61.
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 yang dinyatakan tentu saja membawa kita
kepada penolakan hipotesis tersebut, sedangkan bukti
yang mendukung hipotesis akan membawa pada
14Ronald E. Walpole, Pengantar Statistika (Jakarta: PT. Gramedia Pustaka Utama, 1995), hal. 288-289.
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 sebarantersebut, sedangkan wilayah kritik bagi hipotesis
alternaif θ<θ0 terletak selutuhnya di ekor kiri. Tandapertidaksamaan tersebut menunju ke arah wilayah
kritiknya. Suatu uji yang bersifat satu arah dapat
diliht pada cotoh berikut:
Ho ;: θ=θ0
H1 : θ>θ0Uji 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 arahtelah 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
15Ibid., hal. 298-299.
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 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
16 Ronald E. Walpole, Opcit, hal. 382.17https://googledrive.com/host/...3SE5/.../doc.docx (dikases pada tanggal 10Juli, pukul 22:00 WIB).
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.
4.Menentukan uji statistik nilai F
Bentuk distribusi F selalu bernilai positif
Gambar 2.9. Distribusi F dengan Satu ArahSumber: http://3.bp.blogspot.com/Kurva+Distribusi+F.png(diakses pada
tanggal 10 Juli 2015, pukul 22:25 WIB).
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.
Gambar 2.10.Mengubah Sistem Persamaan Linier Menjadi
Matriks AugmentasiSumber:
http://referensi.dosen.narotama.ac.id/files/2011/12/gaussjordan.pd
f(diakses pada tanggal 26 Juli 2015, pukul 22:25 WIB)
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 padatanggal 10 Juli 2015 pukul 15:00 WIB).19https://id.wikipedia.org/wiki/Eliminasi_Gauss-Jordan (diaksespada tanggal 10 Juli 2015 pukul 15:00 WIB).