3.2.1 Jenis-jenis Peramalan
Menurut Assauri 1984 dalam Susanti 2006 pada umumnya peramalan dapat dibedakan dari beberapa segi. Apabila dilihat dari sifat penyusunannya
maka peramalan dapat dibedakan atas 2 macam yaitu : a Peramalan Subyektif, yaitu peramalan yang didasarkan atas
perasaanintuisi dari orang yang menyusunnya. Dalam hal ini pandanganjudgement dari orang yang menyusunnya sangat menentukan
baik tid aknya hasil ramalan. b Peramalan Obyektif, yaitu peramalan yang didasarkan atas data relevan
pada masa lalu, dengan menggunakan teknik-teknik dan metode- metode dalam penganalisaan tersebut.
Jika dilihat dari jangka waktu ramalan, maka peramalan dapat dibedakan atas 2 macam yaitu :
a Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan dengan jangka waktu kurang dari 1 12 tahun
atau 3 semester. b Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan dengan jangka waktu lebih dari 1 12 tahun atau 3 semester.
3.2.2 Teknik Peramalan
Teknik peramalan dibagi menjadi 2 Bowerman dan O’Connell, 1993: 1. Metode Peramalan Kualitatif : Teknik peramalan ini lebih mengandalkan
judgement dan intuisi manusia dibanding penggunaan data historis, dapat
digunakan jika data historis maupun empiris dari variabel yang diramal tidak ada, tidak cukup, atau kurang dapat dipercaya.
2. Metode Peramalan Kuantitatif : metode yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung
pada metode yang dipergunakan dalam peramalan tersebut. Metode peramalan kuantitatif digunakan jika terdapat 3 kondisi :
a Adanya data historis b Data bersifat numerik
c Dapat diasumsikan bahwa pola data masa lalu akan berkelanjutan pada masa yang akan datang.
Secara garis besar metode peramalan kuantitatif dapat dibedakan menjadi 2 kelompok, yaitu:
1. Metode Peramalan Model Kausal Menurut Bowerman 1993, metode peramalan kausal didasarkan atas
penggunaan analisis pola hubungan antar variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya. Metode ini juga disebut model regresi.
Model regresi adalah suatu penyederhanaan pola hubungan suatu variabel dengan satu atau variabel lain. Variabel yang nilainya tergantung atau ditentukan oleh
variabel lain disebut variabel terikat dependent variabel, sedangkan variabel yang nilainya mempengaruhi variabel terikat disebut variabel bebas independent
variabel .
Dalam analisis regresi, pola hubungan antar va riabel diekspresikan dalam sebuah persamaan regresi yang diduga berdasarkan data sampel. Setelah
parameter-parameter diuji secara statistik dan memenuhi syarat sebagai model
yang baik, maka model siap digunakan untuk peramalan jika variabel bebasnya dapat diketahui nilainya.
Model kausal membutuhkan pengetahuan awal untuk menentukan variabel- variabel yang akan dimasukkan sebagai variabel independen dan
dependen. Pengaruh dari variabel- variabel tersebut dianalisis satu per satu dimana satu variabel dibiarkan berubah sementara variabel lainnya dianggap konstan.
Menurut Makridakis et al 1999, bahwa peramalan kausal mengasumsikan adanya hubungan sebab akibat antara variabel independen dan variabel dependent
dari suatu sistem. Metode ini terdiri atas model regresi dan permodelan ekonometrik. Metode regresi terdiri atas regresi sederhana hanya terdapat satu
variabel independen dan regresi berganda terdapat lebih dari satu variabel independen. Permodelan ekonometrik menunjukkan suatu sistem persamaan
regresi yang diestimasikan secara simultan. Baik untuk peramalan jangka panjang maupun jangka pendek, ketepatan peramalan dengan metode ini cukup baik.
Metode ini dipergunakan untuk peramalan penjualan menurut kelas produk, atau keadaan ekonomi masyarakat seperti permintaan, harga dan penawaran.
2. Metode Peramalan Time Series
Pada metode peramalan time series, pendugaan masa depan dilakukan berdasarkan nilai masa lalu dari suatu variabel Bowerman dan O’Coneell, 1999.
Sasaran model time series adalah mengident ifikasi pola data historis dan mengekstrapolasi pola ini untuk masa mendatang. Dalam model time series nilai
suatu variabel di masa mendatang mengikuti pola data variabel tersebut pada waktu sebelumnya. Model ini terdiri dari model trend, model naive, model rata-
rata, model eksponensial, model dekomposisi, dan model ARIMA.
1. Model Trend
Model trend menggambarkan pergerakan data yang meningkat atau menurun dalam jangka waktu yang panjang. Model ini menggambarkan hubungan
antara periode waktu dan variabel yang diramal dengan menggunakan analisis regresi. Model ini cocok untuk peramalan satu periode ke depan.
2.Model Naive
Model ini cocok digunakan untuk deret berkala yang memiliki pola data horizontal atau stasioner. Model ini menggunakan informasi terakhir tentang nilai
aktual sebagai ramalan. Jika sebuah ramalan disiapkan untuk horison waktu satu periode, maka nilai aktual yang terakhir akan dipergunakan sebagai ramalan untuk
periode berikutnya Hanke,2003. Kelemahan utama dari model ini adalah diabaikannya segala sesuatu yang terjadi sejak tahun lalu termasuk unsur trend.
3. Model Rata-rata
Model ini memberikan pembobotan yang sama untuk semua nilai pengamatan dan cocok untuk data yang berpola stasioner, yaitu data dengan nilai
yang berfluktuasi di sekitar nilai rata-rata yang konstan, dengan kata lain tidak menunjukkan adanya trend dan musiman.Metode ini terdiri dari Makridakis et al,
1999 : 1 Metode rata-rata sederhana Simple Average
Cara kerja dari metode ini adalah dengan merata – ratakan seluruh data yang ada untuk menghasilkan ramalan periode berikutnya. Hasil
peramalannya tidak terlalu memperhatikan fluktuasi dari data deret waktu. Metode ini cocok untuk data time series dengan pola stasioner.
2 Model rata-rata bergerak sederhana Simple Moving Average Dalam model ini setiap muncul nilai pengamatan baru maka nilai rata-rata
baru dapat dihitung dengan membuang nilai observasi yang paling lama dan memasukkan nilai pengamatan yang terbaru. Dengan kata lain model ini
hanya mengikuti beberapa data terakhir untuk dicari nilai tengahnya sebagai ramalan periode berikutnya. Banyaknya data yang diikutsertakan disebut ordo.
Kelemahan dari metode ini, yaitu : 1. Metode ini tidak dapat menanggulangi dengan baik adanya trend atau
musiman walaupun metode ini lebih baik dibanding rata-rata sederhana. 2. Metode ini memerlukan penyimpanan yang lebih banyak karena semua
pengamatan terakhir harus disimpan, tidak hanya nilai tengahnya.
4. Model Pemulusan Eksponensial
Model ini memberikan bobot yang berbeda pada setiap data, pembobotan menurun secara eksponensial terhadap nilai pengamatan yang lebih lama. Dengan
metode ini, data yang paling lama memiliki bobot terendah sehingga tidak terlalu berpengaruh terhadap data yang baru. Model ini terdiri dari Makridakis et al,
1999: 1 Pemulusan Eksponensial Tunggal Single Exponential Smoothing
Metode ini banyak mengurangi masalah penyimpangan data, karena biasanya hanya menyimpan data terakhir, yaitu ramalan terakhir dan
pembobot smoothing a. Model ini cocok untuk data dengan pola horizontal
atau stasioner dan hanya mampu memberikan ramalan untuk satu periode ke depan. Metode ini tidak cukup baik diterapkan jika datanya bersifat tidak
stasioner, karena persamaan yang digunakan dalam metode eksponensial tunggal tidak terdapat prosedur pemulusan trend yang mengakibatkan data
tidak stasioner menjadi tetap tidak stasioner, tetapi metode ini merupakan dasar bagi metode- metode pemulusan eksponensial lainnya. Pembobot
smothing yang diberikan pada data akan semakin kecil dengan semakin lamanya data. Bowerman dan O’Connell, 1993.
2 Pemulusan Eksponensial Ganda Brown Metode ini memberikan bobot yang semakin menurun pada observasi
masa lalu. Model ini cocok untuk data yang berpola trend linier. Pada metode ini dilakukan dua kali pemulusan ya itu pemulusan tahap 1 untuk update
intercept , tujuannya untuk menghilangkan komponen error. Pemulusan tahap
2 untuk update slope tujuannya untuk menghilangkan komponen trend. 3 Pemulusan Eksponensial Ganda Holt
Pada prinsipnya metode ini sama dengan Metode Ganda Brown, kecuali metode ini menggunakan rumus pemulusan berganda secara langsung.
Sebagai gantinya, Holt memuluskan nilai trend dengan parameter yang berbeda dari parameter yang digunakan pada data asli. Pemulusan
eksponensial Holt menggunakan dua konstanta pemulusan a dan ß yang bernilai antara 0 dan 1 serta memiliki tiga persamaan. Pola data yang sesuai
adalah stasioner, dan pola trend konsisten.
4 Pemulusan Eksponensial Triple Winters
Metode ini dapat digunakan untuk data time series yang mempunyai pola
stasioner, pola trend konsisten, serta faktor musiman. Kelebihan metode ini adalah kemudahannya dalam update peramalan ketika data baru dihasilkan.
Kelemahan dari metode ini adalah tidak memperhitungkan komponen siklus sehingga jika ada pengaruh siklus hasil ramalannya menjadi tidak baik. Model
Winters memiliki dua bentuk Bowerman dan O’Connell,1993, yaitu : 1. Winters Aditif
Digunakan untuk data yang fluktuasi musiman relatif konstan atau stasioner.
2. Winters Multiplikatif Digunakan untuk pola data yang memiliki fluktuasi musiman cenderung
semakin besar.
5. Model Dekomposisi
Model Dekomposisi adalah salah satu pendekatan analisis deret waktu yang berupaya mengidentifikasi faktor- faktor komponen ya ng mempengaruhi
setiap nilai pada deret Hanke, 2003. Metode tersebut pada dasarnya bekerja dengan memecah pola deret waktu menjadi unsur trend, siklus, musiman, dan
acak serta mengidentifikasi masing- masing unsur tersebut secara terpisah. Kelemahan dari metode ini adalah tidak memiliki prosedur formal yang dapat
digunakan untuk meramalkan gerakan komponen siklus di masa mendatang. Gerakan siklus biasanya ditaksir dengan menggunakan metode peramalan
subjektif kualitatif atau pikiran manusia saja. Metode ini cukup efektif dalam
mengidentifikasi dan memisahkan unsur musiman dari deret waktu. Penjelasan dari masing- masing komponen tersebut adalah sebagai berikut Bowerman and
O’Connell, 1993 : 1. Trend, merupakan komponen yang mencerminkan pertumbuhan atau
penurunan suatu deret waktu. 2. Siklis, merupakan deret dengan bentuk seperti fluktuasi gelombang atau
siklis yang kejadiannya lebih dari satu tahun. Perubahan kondisi ekonomi umumnya menghasilkan siklis. Mempunyai jangka periode yang panjang
antara dua hingga sepuluh tahun. 3. Musiman, fluktuasi musiman umumnya terjadi triwulan, bulanan, atau
mingguan. Variasi musiman mengacu pada suatu pola perubahan yang muncul setiap tahun dan berulang dengan sendirinya di tahun-tahun
berikutnya. Umumnya diakibatkan oleh perubahan cuaca dan kebiasaan. 4. Ketidakteraturan, komponen acak terdiri dari fluktuasi tak terduga atau acak.
Model dekomposisi tersebut terdiri dari : 1 Model Dekomposisi Aditif, yaitu model yang digunakan untuk deret
waktu yang keragamannya kurang lebih sama sepanjang deret data. Jadi, semua nilai deret berada pada lebar yang konstan berpusat pada trend.
2 Model Dekomposisi Multiplikatif, yaitu model yang digunakan untuk deret waktu yang keragamannya menaik dengan tingkat tertentu. Jadi, nilai
deret tersebar mengikuti trend yang meningkat.
6. Metode Box-Jenkins ARIMA
ARIMA adalah teknik untuk mencari pola data yang paling cocok dari sekelompok data. Dengan demikian metode ARIMA memanfaatkan sepenuhnya
data masa lalu dan data sekarang untuk menghasilkan peramalan jangka pendek yang akurat. Model ARIMA mensyaratkan pola data yang stasioner. Apabila data
tidak stasioner maka dapat dilakukan diferensiasi yaitu untuk mentransformasi data asli menjadi data stasioner. Proses diferensiasi ini dapat dijelaskan sebagai
berikut. Misalkan Yt non stasioner, setelah dilakukan diferensiasi tingkat 1 d=1, Z
t
= ? Y
t
= Y
t
– Y
t-1
, jika ternyata diperoleh nilai Z
t
stasioner, maka Z
t
dikatakan first order homogeneous
dan Y
t
dikatakan non stasioner tingkat satu. Estimasi model peramalan dengan metodologi Box-Jenkins diterapkan
dengan asumsi data sudah stasioner. Suatu data time series Zt dikatakan stasioner apabila Firdaus,2006 :
1. Rataan series konstan untuk setiap periode pengamatan. Hal ini dapat dituliskan sebagai :
E Z
t
= µ untuk setiap t 2. Varians atau ragam series konstan untuk setiap periode pengamatan. Hal
ini dapat dituliskan sebagai : Var Z
t
= E [Z
t
- µ
2
= s
x 2
untuk setiap t 3. Kovarians atau koragam dua series konstan untuk setiap periode
pengamatan. Hal ini dapat dituliskan sebagai : Cov Z
t
, Z
t-k
= E [Z
t
- µZ
t-k
- µ] = ?
k
untuk setiap t Data stasioner dapat juga dikatakan sebagai data yang tidak mengandung
unsur trend.
Metode ARIMA dapat dilakukan melalui empat tahap yaitu identifikasi, estimasi dan pengujian serta penerapan model Hanke,2003.
1 Identifikasi Model, pada tahap ini dilakukan identifikasi terhadap 3 hal,
yaitu terhadap pola data, apakah terdapat unsur musiman atau tidak. Kedua, identifikasi terhadap kestasioneran data dan yang ketiga identifikasi terhadap
pola ACF dan PACF.
2 Estimasi Model, pada tahap ini, pertama menghitung nilai estimasi awal
untuk parameter-parameter dari model tentatif, kemudian dengan menggunakan program komputer melalui proses iterasi diperoleh nilai
estimasi akhir. Pemilihan model ARIMA yang digunakan didasarkan pada nilai MSE terkecil.
3 Evaluasi Model, setelah diperoleh persamaan untuk model tentatif,
dilakukan uji diagnostik untuk menguji kedekatan model dengan data. Uji ini dilakukan dengan menguji nilai residual dan signifikansi serta hubungan-
hubungan antara parameter. Secara umum model sudah memadai apabila plot residualnya bersifat acak. Jika ada hasil uji yang tidak dapat diterima
atau tidak memenuhi syarat, maka model harus diperbaiki.
4 Peramalan, setelah didapat model yang memadai, ramalan satu atau
beberapa periode dapat dikerjakan. Model ARIMA dibangun berdasarkan 2 batasan berikut :
a. Peramalan bersifat linier untuk observasi yang diamati. b. Seleksi model didasarkan pada prinsip parsimonious. Artinya model
yang dipilih adalah model dengan parameter yang paling efisien.
3.2.3 Pemilihan Teknik Peramalan
Faktor utama yang mempengaruhi pemilihan teknik-teknik peramalan adalah identifikasi dan pemahaman akan pola data historis. Jika pola trend, siklus
atau musiman yang tampak, maka teknik-teknik yang mampu digunakan secara efektif bisa dipilih, teknik-teknik tersebut, yaitu Hanke, 2003 :
1. Teknik Peramalan untuk Data Stasioner Data Stasioner adalah data yang nilai meannya tidak berubah sepanjang
waktu. Teknik yang cocok digunakan pada peramalan data stasioner terdiri dari metode Naive, metode rata-rata sederhana, metode rata-rata bergerak
sederhana, pemulusan eksponensial ganda Holt, dan model ARIMA. 2. Teknik Peramalan untuk Data Trend
Data trend didefinisikan sebagai suatu series yang mengandung komponen jangka panjang yang menunjukkan pertumbuhan atau penurunan dalam data
tersebut sepanjang suatu periode waktu. Teknik peramalan yang digunakan untuk data trend adalah metode rata-rata bergerak sederhana, pemulusan
eksponensial ganda Holt, regresi linier sederhana, kurva pertumbuhan, pemulusan eksponensial ganda Brown, dan ARIMA.
3. Teknik Peramalan untuk Data Musiman Data musiman didefinisikan sebagai suatu data time series yang mempunyai
pola perubahan yang berulang secara tahunan. Teknik peramalan yang dapat digunakan adalah metode dekomposisi, Sensus X-12, regresi berganda deret
waktu, pemulusan eksponensial Winters dan metode Box-Jenkins. 4. Teknik Peramalan untuk Data Siklus
Pengaruh siklus didefinisikan sebagai fluktuasi seperti gelombang di sekitar garis trend. Pola siklus cenderung berulang setiap dua, tiga tahun atau lebih.
Pola siklus sulit dibuat modelnya karena polanya tidak stabil. Teknik-teknik peramalan yang dapat dipertimbangkan adalah metode dekomposisi, indikator
ekonomi, model ekonometrik, regresi berganda, dan metode Box-Jenkins. Pemilihan teknik peramalan juga didasarkan pada faktor- faktor tertentu.
Bowerman dan O’Connell 1993 menyebutkan bahwa ada tujuh faktor utama yang harus diperhatikan dalam memilih metode peramalan, yaitu :
1. Bentuk hasil ramalan yang diinginkan, apakah berbentuk ramalan interval atau titik. Karena nantinya hasil ramalan dapat mempengaruhi metode
peramalan yang nantinya digunakan. 2. Horizon waktu, metode peramalan berhubungan denga n dua aspek horison
waktu, yaitu : cakupan waktu di masa yang akan datang dan jumlah periode ramalan yang diinginkan. Beberapa teknik dan metode hanya dapat sesuai
untuk peramalan satu atau dua periode dimuka, sedangkan teknik dan metode lain dapat dipergunakan untuk peramalan beberapa periode di masa depan.
3. Pola data, dasar utama dari metode peramalan adalah mengasumsikan jenis pola yang terdapat di dalam data yang diramal akan berkelanjutan. Akan tetapi
kemampuan metode peramalan untuk mengidentifikasi pola data berbeda, sehingga perlu adanya usaha penyesuaian antara pola data yang telah
diperkirakan dengan metode peramalan yang akan digunakan. 4. Biaya, umumnya ada empat unsur biaya yang tercakup dalam penggunaan
suatu prosedur ramalan, yaitu : biaya-biaya pengembangan, penyimpanan
data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik lainnya.
5. Ketepatan, menunjukkan kemampuan metode untuk meramal suatu variabel yang dilihat dari besarnya selisih antara hasil ramalan dengan kenyataan.
Ketepatan tersebut dapat diukur dengan memperhatikan nilai MSE. Semakin kecil nilai MSE maka metode tersebut makin baik.
6. Kemudahan memperoleh data, terutama ketika menggunakan metode kuantitatif.
7. Memahami dalam mengoperasikan masing- masing- masing tehnik peramalan agar nantinya hasil ramalan yang didapat akurat.
3.3 Analisis Regresi Berganda
Analisis regresi berganda adalah suatu alat yang digunakan untuk melihat pengaruh berbagai macam variabel independent variabel terhadap suatu variabel
dependent variabel Ramanathan,1998. Pengaruh dari setiap variabel bebas dalam mempengaruhi variabel tak bebas berbeda-beda, dapat dilihat dari nilai p
value atau t hitung masing- masing variabel. Baik tidaknya suatu model regresi
berganda dapat dilihat dari nilai R Sq, Semakin besar nilai dari R Sq model mendekati 100 , maka semakin baik model tersebut, karena semakin besar
variabel model yang dapat dijelaskan oleh variabel bebasnya.
3.4 Analisis Korelasi Sederhana
Korelasi merupakan istilah yang digunakan untuk mengukur kekuatan antar variabel. Analisis korelasi adalah cara untuk mengetahui ada atau tidak
Kategori