11 lalu telah diketahui maka dapat ditetapkan metode peramalan untuk
memperkirakan ramalan di masa yang akan datang. Identifikasi pola data dapat dilakukan dengan visualisasi plot data secara
grafik dan uji akar unit ADF. Identifikasi pola data penjualan bertujuan untuk mengetahui komponen unsur-unsur yang ada seperti trend, stasioner, musiman
dan siklus. Trend adalah komponen data deret waktu yang menunjukkan peningkatan atau penurunan dalam jangka panjang selama periode waktu yang
diamati. Unsur variasi musiman adalah fluktuasi data yang berulang setiap beberapa hari, minggu atau bulanan karena faktor cuaca, hari raya dll. Siklus
adalah fluktuasi seperti gelombang di sekitar trend, dengan kata lain pola musiman dalam jangka waktu yang lebih panjang berulang biasanya setiap lima
sampai sepuluh tahun. Unsur stasioner adalah fluktuasi data dimana relatif konstan walaupun ada kenaikan atau penurunan, jika dirata-ratakan masih berada
pada titik rata-rata. Pola data penjualan lebih jelas dipaparkan pada Gambar 2. Cara selanjutnya dengan menggunakan uji akar unit ADF. Uji ini
merupakan pengujian yang populer, dikembangkan oleh David Dickey dan Wayne Fuller dengan sebutan Augmented Dickey-Fuller ADF Test. Suatu deret
waktu dikatakan stasioner apabila memiliki nilai ADF lebih besar dari pada nilai kritis. Insukindro, 1994:42.
12
Gambar 2. Pola data metode time series; a stasioner, b musiman, c sklus dan d trend Sumber : Herjanto 2008:80
Dari Gambar 2 jelas terlihat bahwa a data berfluktuasi bergerak di sekitar nilai rata-rata yang konstan. Deret seperti ini adalah stasioner terhadap
nilai rata-ratanya. Suatu deret waktu dipengaruhi oleh fakor musiman yang terjadi secara berulang, misalnya harian, mingguan, bulanan, atau kuartalan seperti
terlihat pada b. Bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti yang berhubungan dengan siklus bisnis c dan apabila terjadi
13 kecenderungan menaik atau menurun dalam jangka panjang dalam data dikatan
pola data tersebut mengandung unsur trend d.
2.3.3 Metode Peramalan
Berdasarkan Mulyono 2000:91 metode kuantitaif yang digunakan dalam perkiraan, pada dasarnya dapat dikelompokkan dalam 2 jenis, yaitu metode time
series dan metode kausal regresi. 1 Metode time series
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 data deret waktu dan mengekstrapolasikan data tersebut
ke masa depan. Metode-metode yang digunakan dalam peramalan times series terdiri dari beberapa metode yaitu :
a. Metode Naïve Menurut Firdaus 2006:4 metode ini didasarkan pada asumsi bahwa periode
saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan metode sederhana karena perhitungan peramalannya dengan menggunakan data
yang lewat pass data yang dijadikan sebagai peramalan waktu mendatang. Metode naïve cocok pada pola data stasioner.
b. Metode rata-rata bergerak sederhana moving average Metode ini menetapkan bahwa ramalan periode mendatang merupakan nilai
rataan dengan menggunakan nilai dari periode yang terlama dan memasukkan
14 nilai dari periode terbaru dari sekelompok data yang terlama dan memasukkan
nilai periode terbaru dari sekelompok data yang jumlahnya konstan. Prosedur moving average yang berarti jika observasi baru telah tersedia, rata-rata yang baru
dapat dihitung dengan menghilangkan data yang tertua dan menggantinya dengan yang terbaru.
Metode rata-rata bergerak sederhana cocok untuk pola data stasioner dan berusaha menghilangkan data musiman dan trend. Jika moving average
digunakan, pemilihan n perlu memperhatikan periode data. Nilai n yang optimal dapat dicari dengan trial and error coba-coba. Hal ini dimaksudkan untuk
menghindari nilai penyimpangan yang besar dari fluktuasi data yang telah memberikan pengaruh terhadap ramalan yang dihasilkan. Jika periode data
bulanan, paling tidak digunakan n=12. Jika n makin besar pengaruh penghalusan makin terasa Firdaus, 2006:128.
c. Metode Pelicinan Eksponensial Tunggal Single Eksponensial Smoothing Metode ini sangat baik diterapkan pada serial data yang memiliki pola
stasioner dan kemungkinan tidak efektif dalam menangani peramalan dengan kecendrungan data yang dimiliki komponen trend dan pola musiman. Hal ini
dikarenakan jika diterapkan pada serial data yang memiliki trend yang konstan, ramalan yang akan dibuat akan selalu berada di belakang trend. Selain itu, metode
eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai pengamatan terbaru dibanding periode sebelumnya.
