Metode-metode Forecasting
Metode-metode untuk melakukan prediksi ke masa depan sangat banyak tetapi pada pelatihan ini hanya akan dibahas metode forecasting terutama berkaitan dengan univariate time series
analysis sebagaimana sebelumnya telah dijelaskan diantaranya :
1. Simple linear regression terhadap trend waktu
2. Simple moving average
3. Exponential smooting
4. ARIMA modelling
Metode-metode di atas disesuaikan dengan kondisi datanya apakah datanya mengikuti trend, musiman atau random sehingga hasil estimasi yang dilakukan bisa akurat.
I. Simple Linear Regression terhadap trend waktu
Dengan metode ini suatu data yang akan diprediksi dianggap linier terhadap waktu independen variabel. Trend waktu yang digunakan bisa juga menggunakan trend kuadratik
dan trend kubik. Adapun model yang dipilih ialah model yang memiliki R
2
yang paling tinggi karena nilai R
2
yang tinggi mencerminkan kemampuan variabel waktu independen dalam menjelaskan model Gujarati,1996. Adapun model-model yang bisa dipakai untuk forecasting
adalah : Y
t
= +
1
t … 1.1 Y
t
= +
1
t
2
… 1.2 Y
t
= +
1
t
3
… 1.3 Y
t
= +
1
t +
2
t
2
…..1.4 Y
t
= +
1
t +
2
t
2
+
3
t
3
…..1.5
Rumus regresi untuk menentukan nilai dan
1
pada model 1.1 ialah :
− −
=
2 2
1 i
i i
i i
i
t t
n y
t Y
t n
α
− −
=
2 2
2 i
i i
i i
i i
t t
n Y
t t
Y t
α Untuk melakukan estimasi ini gunakan data seriesc.sav pada SPSS yang isinya merupakan data
permintaan advaced microcomputer. Caranya :
File | open | data | seriesc.sav
sehingga muncul data sebaga berikut :
Untuk estimasi model 1.1 maka pada daftar menu :
Klik Analyze | Regression | Linear
Masukan setiap variabel yang diperlukan ke dalam variabel dependen dan variabel independen lalu
sehingga didapat hasil output sebagai berikut :
Dari hasil estimasi regresi didapat : Y = 532,699 + 12,208 t R
2
= 0,954
Ulangi untuk model 1.2, 1.3, 1.4 Jika diestimasi lagi maka didapat :
Y
t
= 649,155 + 0,231 t
2
R
2
= 0,869 Y
t
= 696,649 + 0,005 t
3
R
2
= 0,768 Y
t
= 507,997 + 15,172 t – 0,060 t
2
R
2
= 0,957 Y
t
= 486,929 + 20,080 t - 0,308 t
2
+ 0,003 t
3
R
2
= 0,959
Untuk mendapatkan hasil estimasi yang baik gunakan model dengan R
2
yang paling tinggi karena semakin besar R
2
berarti semakin baik model tersebut bisa memprediksi variabel dependennya yaitu Y.
Sebagai latihan, prediksi tingkat permintaan advanced microcomputer untuk tahun 2005 hingga tahun 2010 dengam menggunakan model 1.5 di atas.
II. Simple moving Average
Metode estimasi dengan
simple moving average
dilakukan ketika menghadapi data time series yang tidak mengandung pola trend dan musiman. Pendekatan
Single Moving Average
secara sederhana menggunakan rata-rata data historis untuk menghasilkan informasi masa depan. Rata-
rata ini diaplikasikan secara konsisten bergerak ke depan sehingga disebut
moving average
.
Nilai moving average MA untuk spesifik interval n secara sederhana ialah penjumlahan dari data historis aktual Y yang yang diatur dan diindex dalam waktu secara berurutan :
n Y
MA
n i
i n
=
=
1
Misal jika ingin mengetahui nilai SMA pada bulan Oktober dengan interval 4 bulan ialah : SMA4Oktober=Mei + Juni + Juli + Agustus4 = A
t-4
+ A
t-3
+A
t-2
+A
t-1
4
Buka data seriese.xls pada microsoft excel kemudian pada menu Tools : Pilih Data Analysis | pilih moving average
sehingga muncul kotak dialog sebagai berikut :
Isi input range dengan data yang akan diestimasi yaitu dari B2 :B40 Isi Interval sesuai kebutuhan misal interval 3 bulan
Isi Output Range di mana hasil output akan ditampilkan Checklist
pada pilihan Chart Output dan Standar Errors jika ingin menampilkan grafik dan
standar errornya.
Berapakah nilai forecasting untuk periode Berikutnya ? Apakah naik atau turun nilainya ?
III. Single Exponential Smoothing