yang mengandalkan intuisi pribadi dan metode peramalan kuantitatif yang berpegang teguh pada data masa lalu. Berikut akan dijabarkan mengenai kedua
metode peramalan tersebut.
3.1.2.1. Metode Peramalan Kualitatif
Metode Peramalan kualitatif merupakan metode peramalan yang diterapkan dengan mengandalkan intuisi dan hasil analisa pribadi. Metode
peramalan ini digunakan apabila data historis maupun data empiris dari variabel yang diramal tidak cukup, tidak ada atau tidak dapat dipercaya karena kurang
akurat. Peramalan ini tetap membut uhkan data kuantitatif, tetapi data kuantitatif ini hanya digunakan sebagai informasi kualitatif untuk menganalisa dan
meramalkan data tersebut tanpa proses kuantitatif. Proses yang digunakan adalah mencatat kebiasaan variabel lalu meramalk annya menggunakan perasaan peneliti.
Metode peramalan ini terbagi atas metode eksploratoris dan normatif. Metode eksploratoris terdiri dari metode Delphi, kurva-S analogi dan penelitian
morfologis, yang dimulai dari masa lalu dan masa kini sebagai titik awalnya dan bergerak secara heuristik dengan melihat semua kemungkinan yang ada.
Sedangkan metode normatif terdiri dari matriks keputusan, pohon relevansi dan analisis sistem, dimulai dengan menetapkan sasaran dan tujuan yang akan datang,
kemudian melihat ke masa lalu apakah hal ini dapat tercapai berdasarkan kendala, sumberdaya dan teknologi yang tersedia Makridakis, et al., 1999.
3.1.2.2. Metode Peramalan Kuantitatif
Metode peramalan kuantitatif merupakan metode peramalan yang didasarkan pada data kuantitatif masa lalu. Data kuantitatif yang telah diperoleh
selanjutnya akan melalui tahap penyusunan model, evaluasi model, ektrapolasi model peramalan aktual dan evaluasi peramalan Hanke, et al., 2003.
Metode peramalan kuantitatif sendiri terbagi menjadi dua, yaitu metode time series dan metode kausal. Metode time series menggunakan data yang
memiliki deret waktu yang dikumpulkan, dicatat, atau diamati dari rangkaian tahapan waktu Hanke, et al., 2003. Sedangkan metode kausal didasarkan atas
penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, metode ini sering disebut pula dengan
model regresi Assauri, 1984 dalam Azmi, 2004. 3.1.2.2.1. Metode Peramalan Model Kausal
Metode kausal didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya,
metode ini sering disebut pula dengan model regresi Assauri, 1984 dalam Azmi, 2004. Variabel yang nilainya ditentukan atau tergantung pada variabel lain
disebut sebagai variabel terikat dependent variabel, sedangkan variabel yang nilainya tidak dipengaruhi oleh apapun disebut sebagai variabel bebas
independent variabel. Model regresi menspesifikasi hubungan antara peubah terikat
dependent, explained variable dengan peubah bebas independent, explanatory variable. Apabila peubah terikatnya hanya satu dan peubah bebasnya berjumlah
lebih dari satu maka model tersebut disebut univariate multiple regression.
Sedangkan apabila baik peubah terikat maupun peubah bebasnya berjumlah lebih dari satu maka model tersebut disebut multivariate multiple regression
5
. 3.1.2.2.2. Metode Peramalan Model Time Series
Metode peramalan time series menganalisa pola hubungan data variabel yang akan diramal dengan deret waktu. Menurut Hanke et al. 2003, salah satu
aspek terpenting dari pemilihan metode peramalan yang sesuai dari data deret waktu adalah dengan memperhatikan jenis pola data yang berbeda. Pola data
tersebut terbagi menjadi empat, yaitu : 1. Pola Horisontal
Pola data horisontal muncul ketika data observasi berefluktuasi disekitar mean atau tingkatan yang konstan. Jenis deret ini disebut sebagai stasioner
terhadap mean. 2. Pola Trend
Trend adalah komponen jangka panjang yang mewakili pertumbuhan atau penururnan pada deret waktu dari suatu periode yang diperluas. Untuk
mengilustrasikan pertumbuhan atau penururnan ini maka digunakan garis trend linear.
3. Pola Musiman Pola musiman muncul apabila observasi data dipengaruhi oleh faktor
musiman. Komponen musiman adalah pola perubahan yang berulang sendiri antar periode.
5
Ghozali A. Tinjauan Metodologi: Structural Equation Modeling dan Penerapannya dalam Pendidikan. www.depdiknas.go.id.
4. Pola Siklik Pola siklik muncul ketika data observasi memperlihatkan kenaikan atau
penurunan pada periode yang tidak tetap. Komponen siklik adalah fluktusi gelombang data disekitar trend.
Berdasarkan dari pola data yang telah diuraikan diatas, maka metode peramalan model time series terdiri dari beberapa metode peramalan. Beberapa
metode peramalan tersebut akan diuraikan sebagai berikut.
A. Metode Naïve
Metode naïve digunakan untuk mengembangkan model sederhana yang mengasumsikan bahwa periode yang baru berlalu adalah prediktor terbaik masa
depan Hanke, et al., 2003. Karena peramalan naïve mengabaikan pengamatan lainnya, model peramalan ini melacak perubahan sangat cepat. Keuntungan model
ini adalah fluktuasi acak dapat dilacak setepatnya sedangkan pada model- model lainnya berubah
Peramalan dengan metode naïve menguntungkan dalam hal kecepatan meramalkan data, tetapi kelemahan utama pada pendekatan ini adalah
diabaikannya segala sesuatu yang terjadi sejak periode yang lalu termasuk unsur trend. Metode ini juga memerlukan kemampuan dan kelihaian dari analis.
B. Metode Rata-rata Sederhana
Metode rata-rata sederhana menggunakan mean nilai rataan semua pengamatan historis yang relevan sebagai ramalan periode mendatang Hanke, et
al., 2003. Metode ini sangat tepat digunakan untuk meramalkan data yang membentuk deret waktu telah distabilkan dan variabel- variabel lainnya secara
umum tidak berubah. Kekurangan dari metode ini adalah penyimpanan data,
karena ramalan disusun berdasarkan nilai rataan dari seluruh data yang ada, setiap penyusunan ramalan periode yang baru akan menggunakan data yang semakin
banyak. Tetapi, metode ini sangat cocok untuk pola data yang stasioner berada di sekitar nilai rataan.
C. Metode Rata-Rata Bergerak Sederhana
Metode rata-rata bergerak sederhana digunakan untuk memeprbaiki kesalahan dan kekurangan pada metode rata-rata sederhana. Metode rata-rata
bergerak sederhana digunakan dengan merata-ratakan nilai terkini dan nilai periode sebelumnya. Kelemahan metode ini adalah tidak dapat menangani data
dengan pola trend dan musiman dengan baik, walaupun metode ini lebih baik dibandingkan dengan metode rata-rata sederhana Hanke, et al., 2003.
D. Metode Rata-Rata Begerak Ganda
Metode rata-rata bergerak ganda merupakan suatu cara peramalan data deret waktu dengan trend linear Hanke, et al., 2003. Pada metode ini
perhitungan dilakukan dengan terus menjumlahkan rata-rata bergerak hasil perhitungan periode sebelumnya dengan rata-rata bergerak periode berikutnya.
Kelemahan dari metode ini adalah nilai peramalan yang dilakukan masih berada jauh dibawah garis trend, dengan kata lain nilai kesalahan pada metode ini masih
relatif lebih besar.
E. Metode Pelicinan Eksponensial Tunggal
Menurut Makridakis, et al. 1999, metode ini sangat baik diterapkan pada serial data yang memiliki pola stasioner dan kemungkinan tidak efektif dalam
menangani peramalan yang serial datanya memiliki komponen trend dan pola musiman. Pemulusan aksponensial merupakan prosedur yang berkesinambungan
merevisi ramalan dalam hal pengalaman yang lebih terkini Hanke, et al., 2003. Metode ini berbasis merata-ratakan pemulusan nilai lampau deret secara
menurun eksponensial, pengamatan diberi bobot dengan pengamatan terkini memiliki bobot yang lebih besar.
Pembobotan terhadap data digunakan dengan pemberian konstanta pemulusan a . Konstanta pemulusan a berperan sebagai faktor pembobotan.
Nilai aktual dari a menentukan sejauh mana observasi terkini mempengaruhi nilai ramalan. Kelemahan metode ini adalah metode ini tidak mampu digunakan untuk
menganalisa data yang memiliki pola data trend.
F. Metode Brown
Menurut Makridakis, et al. 1999, dasar pemikiran dari pemulusan eksponensial linear dari Brown adalah serupa dengan rata-rata bergerak linear.
Karena kedua nilai pemulusan tunggal dan ganda tertinggal dari data yang sebenarnya bilamana terdapat unsur trend, perbedaan antara nilai pemulusan
tunggal dan ganda dapat ditambahkan kepada nilai pemulusan tunggal dan disesuaikan untuk trend. Kelemahan dari metode ini adalah tidak dapat
meramalkan data yang memiliki data dengan pola musiman.
G. Metode Dekomposisi Aditif
Menurut Hanke, et al. 2003, dekomposisi adalah suatu pendekatan analisis deret waktu yang berupaya mengidentifikasi faktor- faktor komponen yang
mempengaruhi setiap nilai pada deret waktu. Model dekomposis aditif merupakan model yang memperlakukan nilai deret-deret waktu sebagai jumlah dari
komponen-komponen dalam model.
Kelebihan metode ini adalah perhitungannya yang mudah Makridakis, et al., 1999. Hanke, et al. 2003 menjelaskan bahwa metode dekomposisi aditif
bekerja sangat baik untuk deret waktu yang memiliki keragaman kurang lebih sama sepanjang deret.
H. Metode Dekomposisi Multiplikatif
Makridakis, et al. 1999, menerangkan bahwa metode ini didasari asumsi bahwa data historis merupakan gabungan atau komposisi dari faktor musiman
S
t
, komponen trend T
t
, komponen siklus C
t
serta komponen acak R
t
. metode dekomposisi multiplikatif memisahkan komponen-komponen dari time
series data, kajian terhadap komponen yang telah terpisah tersebut dapat dipakai sebagai dasar untuk menyusun kebijakan jangka panjang dan pendek.
Komponen ini juga dapat diektrapolasi untuk tujuan peramalan.
I. Metode Winters
Metode Winters memberikan cara yang mudah untuk menjelaskan musiman didalam model ketika data memiliki pola musiman. Metode ini
menghapus musim atau penyesuaian musim pada data. Model peramalan diaplikasikan untuk data musim terhapus, kemudian musiman dimasukkan
kembali untuk mendapatkan ramalan yang akurat Hanke, et al., 2003. Metode Winters cocok untuk data deret waktu dengan pola stasioner, pola trend konsisten
dan pola musiman, yang didasari oleh tiga persamaan yang masing- masing melicinkan faktor- faktor yang berkaitan dengan pola data, yaitu faktor random
keacakan, faktor trend kecenderungan dan faktor musiman Makridakis, et al., 1999.
