34
2.10. Metode Peramalan Time Series
Peramalan merupakan pendugaan terhadap kejadian di masa yang akan datang. Metode peramalan dapat berdasarkan pada pengalaman, penilaian, dan
pendapat dari pakar. Secara umum terdapat dua macam metode peramalan, yaitu peramalan kualitatif dan metode peramalan kuantitatif. Peramalan kualitatif
didasarkan pada intuisi atau pengalaman empiris dari perencana atau pengambil keputusan, sehingga relatif lebih bersifat subjektif. Makridakis 1999
menyatakan bahwa metode peramalan kualitatif membutuhkan input yang tergantung pada metode tertentu dan biasanya dari hasil pemikiran intuitif,
pertimbangan dan pengetahuan yang telah didapat. Pendekatan dengan metode ini seringkali memerlukan input dari sejumlah orang yang terlatih secara khusus.
Metode peramalan kuantitatif memiliki sifat yang lebih obyektif berdasarkan pada keadaan aktual data yang diolah dengan menggunakan
metode-metode tertentu. Penggunan metode juga harus didasarkan pada fenomena manajemen atau bisnis apa yang diramalkan dan tujuan yang ingin
dicapai melalui peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi sebagai berikut Makridakis, 1999 :
1. Tersedia informasi masa lalu. 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik.
3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa yang akan datang.
Metode peramalan time series merupakan metode yang mengasumsikan nilai dari suatu peubah pada masa datang mengikuti pola data peubah tersebut
pada waktu sebelumnya Firdaus, 2006. Metode ini didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel
waktu yang merupakan data deret waktu, metode ini terdiri dari : 1. Metode Rata-Rata.
a. Metode Rata-Rata Sederhana Simple Average Metode ini menggunakan mean semua pengamatan historis yang
relevan sebagai ramalan periode mendatang. Metode rata-rata sederhana
35 adalah teknik yang tepat apabila gejolak yang membentuk deret waktu telah
distabilkan dan lingkungan dimana deret-deret berada secara umum tidak berubah. Contoh jenis deretnya adalah kuantitas penjualan suatu produk pada
tahap kematangan maturity dalam daur hidup produk. b. Metode Rata-Rata Bergerak Sederhana Simple Moving Average
Metode ini menggunakan rata-rata sebagai ramalan untuk periode mendatang. Pada setiap nilai, muncul nilai pengamatan baru, nilai rata-rata
baru dapat dihitung dengan membuang nilai observasi yang paling lama dan memasukkan nilai pengamatan yang terbaru. Rata-rata bergerak ini kemudian
digunakan untuk meramalkan periode mendatang. c. Metode rata-rata bergerak ganda Double Moving Averages
Salah satu cara untuk meramalkan data time series yang memiliki trend linear adalah dengan menggunakan metode rata-rata bergerak ganda. Metode
ini sebagaimana namanya; satu kelompok bergerak dihitung, dan kemudian kelompok kedua dihitung rata-rata bergerak hasil pada kelompok pertama.
2. Metode Pemulusan Eksponensial Exponential Smoothing Pemulusan eksponensial menyediakan rata-rata bergerak tertimbang secara
eksponensial semua nilai pengamatan yang lalu. Modelnya seringkali cocok untuk data tanpa tren yang tidak dapat diprediksi meningkat atau menurun.
Sasarannya adalah untuk estimasi tingkat saat ini. Tingkat estimasi ini kemudian digunakan sebagai peramalan nilai masa depan. Ketepatan dari penggunaan
metode ini terdapat pada peramalan jangka pendek. Beberapa metode pemulusan, yaitu :
a. Single Exponential Smoothing Metode dapat mengatasi kesulitan nilai-nilai historis dari variabel yang
harus dilakukan pada metode rata-rata bergerak sederhana. Metode ini digunakan untuk peramalan time series tanpa tren atau pola stasioner.
b. Double Exponential Smoothing Metode ini didapat dengan melakukan pemulusan kembali hasil dari
pemulusan Single Exponential Smoothing. Pendekatan metode ini lebih
36 memberikan bobot yang semakin menurun pada observasi masa lalu
dibandingkan Single Exponential Smoothing. c. Triple Exponential Smoothing Winters
Metode ini digunakan untuk peramalan data time series dengan tren kurva linear atau kuadratik. Dengan metode ini faktor random, tren, dan
musiman dapat diatasi atau dimuluskan. 3. Metode Dekomposisi
Metode dekomposisi berupaya mengidentifikasi faktor-faktor komponen yang mempengaruhi setiap nilai pada deret. Setiap komponen diidentifikasi
secara terpisah. Proyeksi setiap komponen kemudian dapat dikombinasikan yang menghasilkan nilai ramalan masa depan deret waktu. Metode dekomposisi bisa
digunakan untuk peramalan jangka pendek ataupun jangka panjang. Metode ini juga bisa digunakan hanya sekedar menampilkan pertumbuhan dan penurunan
suatu deret, atau untuk menyesuaikan deret dengan cara menghilangkan satu atau beberapa komponen.
4. Metode Box Jenkins ARIMA-SARIMA Metode ini dikembangkan oleh George Box dan Gwilym Jenkins. Metode
ini bisa digunakan untuk hampir semua pola data dan akan dapat bekerja dengan baik apabila data deret waktu yang digunakan bersifat dependen atau berhubungn
satu sama lain secara statistik. Metode Box – Jenkins ini juga sering disebut model Autoregressive Integrated Moving Average ARIMA. Jika tidak terdapat
unsur musiman penulisannya adalah ARIMA p,d,q, sedangkan jika terdapat unsur musiman maka penulisan modelnya menjadi ARIMA p,d,q P,D,Q
L
. Autoregressive AR menggambarkan bahwa variabel dependen dipengaruhi oleh
lag variabel dependen itu sendiri dan beberapa lag yang dipergunakan sering dilambangkan dengan “p”. Moving Average MA menggambarkan bahwa
variabel dependen dipengaruhi oleh nilai residual pada periode sebelumnya dan berapa lag residual yang dipakai dilambangkan oleh “q”. Integrated I sendiri
berhubungan dengan pembedaan yang dilakukan agar data menjadi stasioner. Firdaus 2006 mengungkapkan beberapa prosedur dalam metode Box Jenkins ini:
37 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 ACF dan PACF. 2. Estimasi Model. Pada tahap estimasi, pertama-pertama dihitung nilai
estimasi awal untuk parameter-parameter dari model tentatif; kemudian dengan menggunakan program komputer melalui proses
iterasi diperoleh nilai estimasi akhir. Walaupun ada beberapa formula 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 data. Uji ini dilakukan dengan menguji nilai residual dan dengan menguji
signifikansi dan hubungan-hubungan antara parameter. Jika ada hasil uji yang tidak dapat diterima atau tidak memenuhi syarat, maka model
harus diperbaiki dan langkah-langkah sebelumnya harus diulangi kembali.
4. Peramalan. Nilai peramalan disediakan dalam output komputer. Model ARIMA dibangun berdasarkan dua batasan berikut :
a. Peramalan bersifat linear untuk observasi yang diamati. b. Seleksi model didasarkan pada prinsip parsimonius. Artinya
model yang dipilih adalah model dengan parameter paling efisien jumlah parameter sesedikit mungkinsederhana.
2.11. Pemilihan Metode Peramalan