18
5. Evaluasi hasil estimasi
Metode yang akan dibahas dalam penelitian ini adalah menggunakan peramalan yang akan terjadi pada masa mendatang secara kuantitatif yaitu dengan
menggunakan metode time series runtun waktu.
2.4.4. Metode Peramalan Time Series
Menurut Firdaus 2006: 2, metode peramalah kuantitatif terdiri dari dua golongan, model deret waktu satu rangam dan model kausal. Model deret waktu
satu ragam time series fokus pada observasi terhadap urutan pola data secara kronologis suatu peubah tertentu sebagai contoh teknik Naif, Perataan,
Pemulusan, Dekomposisi, Trend, Metodologi Box-Jenkins ARIMA-SARIMA dan ARCH-GARCH. Mulyono 2000: 91, metode peramalan time series
didasarkan atas penggunaan analisa pola hubungan variabel yang akan diperkirakan dengan variabel waktu yang merupakan data deret waktu time
series . Tujuan metode time series ialah menemukan pola dalam deret waktu dan
mengekstrapolasikan data tersebut ke masa depan. Metode-metode yang digunakan dalam peramalan time series terdiri dari beberapa metode, yaitu:
a. Metode Naif Naive
Menurut Firdaus 2006: 5 metode naif berdasarkan asumsi bahwa periode saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan
metode sederhana karena perhitungannya dengan menggunakan data yang lewat past data yang dijadikan sebagai ramalan waktu mendatang. Metode naif cocok
pada pola data stasioner. Menurut Mulyono 2000: 126 metode naif ini dianggap
19
bahwa dimasa datang suatu sistem cenderung mempertahankan momentum enggan berubah dari masa silam.
b. Metode Rata-rata Bergerak Moving Average
Menurut Firdaus 2006: 6, menyatakan metode perataan digunakan bila peramalan dilakukan secara berulang-ulang untuk data yang tidak terlalu besar.
Teknik ini digunakan untuk memasukkan informasi terbaru, setiap ada informasi terbaru akan diperoleh dengan menghilangkan informasi terlama dengan
memasukkan informasi terbaru, pada teknik ini semua informasi dibobot sama. Teknik ini baik untuk data stasioner. Kelebihan metode ini adalah jumlah data
yang dimasukkan ke dalam nilai rataan fleksibel sehingga dapat divariasikan sesuai dengan pola datanya. Selain itu metode ini mudah dipahami.
Kelemahannya, metode ini hanya baik untuk data stasioner yang cenderung bergerak tidak menaik atau menurun.
c. Metode Pemulusan Eksponensial Tunggal Single Eksponensial Smoothing
Metode ini baik diterapkan pada serial data yang memiliki pola stasioner dan kemungkinan tidak efektif dalam menangani peramalan dengan
kecenderungan data yang memiliki komponen trend dan pola musiman. Hal ini dikarenakan jika diterapkan pada serial data yang memiliki trend yang konsisten,
ramalan yang dibuat akan selalu berada dibelakang trend. Selain itu, metode eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai
pengamatan terbaru dibanding nilai-nilai periode sebelumnya. Metode ini menggunakan nilai . Firdaus 2006: 10 menyatakan hasil peramalan tergantung
pada besarna . Nilai yang besar biasanya cocok untuk ramalan yang
20
menghendaki respon yang cepat. Mencari nilai yang tepat umumnya dapat ditentukan dengan pengujian trial and error coba-coba terhadap yang berbeda-
beda untuk menemukan nilai yang menghasilkan nilai kesalahan terkecil. d.
Metode Pemulusan Ekponensial Ganda Double Eksponensial Smoothing Metode double eksponential smoothing memiliki dasar pemikiran yang
sama dengan rata-rata bergerak linier. Terkait dengan itu, penerapan metode double eksponential smoothing
ini cukup baik untuk deret data yang memiliki unsur trend. Metode double eksponential smoothing memproses time series yakni
dengan mengekstrapolasi data atas dasar trend terakhir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke satu arah yakni sesuai dengan
arah trend terakhir. e.
Metode Perhitungan Indeks Musiman Menurut Handoko 2000: 278, perhitungan indeks musiman dapat
dihitung dengan mencari nilai rata-rata berbagai rasio penjualan kuartal nyata terhadap nilai garis trend untuk setiap periode. Menurut Rangkuti 2005: 13
indeks musiman perlu dilakukan untuk mengetahui secara jelas apakah data time series
yang dimiliki mengandung unsur musiman atau tidak. f.
Metode Tren Trend Peramalan menggunakan metode trend sudah sangat umum dilakukan
dalam perusahaan bisnis, hal ini dikarenakan banyaknya data ekonomi dan bisnis yang mengandung unsur trend yang meningkat atau menurun.
Menurut Firdaus 2006: 14, model regresi merupakan teknik yang paling banyak digunakan dalam pemodelan trend lenier, sedangkan model regresi lenier
21
kubik dan kuadratik menggunakan model regresi berganda. Proses meregresikan peubah dependen terhadap waktu akan memperoleh koefisien regresi dari model
trend. Menurut Iriawan dan Septian 2006: 199 model regresi memiliki variabel
respons variabel dependen dan variabel prediktor variabel independen. Variabel respon adalah variabel yang dipengaruhi suatu variabel prediktor dan
peneliti tidak bebas mengendalikannya, variabel prediktor digunakan untuk memprediksi nilai variabel respons dan peneliti bebas mengendalikannya.
g. Metode Box-Jenkins ARIMA
Menurut Firdaus 2006: 19, ARIMA merupakan bagian dari analisis deret waktu satu ragam time series, ARIMA atau autoregressive integrated moving
average. Mulyono 2000: 147, menyatakan metode Box-Jenkins merupakan
suatu prosedur interatif memilih model terbaik untuk series yang stasioner dari suatu kelompok model time series lenier. Metode ARIMA adalah metode yang
tepat untuk mengatasi terlalu rumitnya deret waktu terdapat variasi dari pola data dan situasi peramalan lainnya.
Menurut Firdaus 2006: 19 prosedur Box-Jenkins terdiri dari beberapa tahapan, yaitu:
1. Identifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu
terhadap pola data, apakah terdapat unsur musiman atau tidak. Kedua, identifikasi terhadap kestasioneran data. Ketiga, identifikasi terhadap pola atau
perilaku ACF dan PACF. ACF Autocorrelation Function adalah hubungan antara nilai suatu variabel dengan nilai lampaunya, dapat dengan masa
tenggang lag satu atau lebih. Koefisien autocorrelation berkisar antara -1
22
dan +1, dimana 0 menunjukkan tidak ada hubungan. PACF Partial Autocorrelation Function
adalah hubungan antara nilai suatu variabel dengan nilai yang lebih awal daari varabel itu, jika pengaruh nilai-nilai diantaranya
lainnya dihilangkan. Sebagai contohnya jika ingin diketahui hubungan pada variabel di periode ke satu dengan periode ke empat, maka pengaruh dari
periode kedua dan ketiga dihilangkan. 2.
Estimasi model. Pada tahap estimasi, pertama-tama dihitung nilai estimasi awal untuk parameter-parameter dari model tentatif. Untuk menghitung nilai
estimasi awal, biasanya digunakan nilai 0 atau 1 sebagai koefisien estimasi untuk masing-masing parameter.
3. Evaluasi model. Setelah diperoleh persamaan untuk model tentatif, dilakukan
uji diagnostik untuk menguji kedekatan model dengan signifikansi dan hubungan-hubungan parameter. Jika ada hasil yang tidak dapat diterima atau
tidak memenuhi syarat, maka model harus diperbaiki dan langkah-langkah sebelumnya diulangi kembali. Uji diagnostik untuk evaluasi model terdapat 6
kriteria, yaitu residual peramalan bersifat acak, model parsimonius sederhana, parameter yang diperoleh berbeda nyata dengan nol, proses
iterasi harus convergence dan memiliki nilai MSE Mean Squared Error terkecil.
Menurut Firdaus 2006: 45, untuk data yang secara nyata mengandung unsur musiman dapat diterapkan metodologi serupa yang dikembangkan Box-
Jenkins. Dalam penerapanya model ini disebut season ARIMA SARIMA. Perbedaan dengan ARIMA adalah pada proses pembedaan serta identifikasi
23
perilaku ACF dan PACF data deret waktu yang dalam hal ini mengandung unsur musiman. Suatu deret waktu musiman seasonal time series juga harus stasioner
terlebih dahulu sebelum diestimasi dalam suatu model peramalan. Pembedaan musiman merupakan pengurangan dari dua pengamatan yang berbeda sejauh L
peiode. Dalam hal ini L didefinisikan sebagai jumlah periode musiman dalam satu tahun.
2.4.5. Pemilihan Metode Peramalan