19 analisis jangka panjang seperti peramalan peubah yang terkait dengan
siklus hidup produk. 4. Pola Kecenderungan trend
Pola trend terbentuk ketika data observasi terlihat meningkatmenurun dalam periode waktu yang lebih panjang. Trend merupakan komponen
jangka panjang yang mendasari pertumbuhan atau penurunan data time series.
Langkah yang harus dilakukan untuk menganalisis data historis adalah dengan memplotkan data tersebut secara grafis. Dari hasil plot data tersebut dapat
diketahui apakah pola data stasioner, musiman, siklik atau trend. Dengan mengetahui secara jelas pola dari suatu data historis maka dapat dipilih tehnik-
tehnik peramalan yang mampu secara efektif mengekstrapolasi pola data.
3.1.6 Metode Peramalan Model Time Series
Metode yang digunakan dalam peramalan model time series antara lain : 1. Metode Pemulusan Eksponensial exponential smoothing
Metode ini merupakan metode yang secara kontinyu merevisi suatu nilai pendugaan atau nilai peramalan dengan mempertimbangkan perubahan
fluktuasi data terakhir Gaynor, 1994. Dalam pemulusan eksponensial, terdapat satu atau lebih parameter pemulusan yang digunakan. Pemberian
bobot pada setiap data adalah berbeda dan menurun secara eksponensial terhadap pengamatan yang lebih tua. Metode pemulusan terdiri dari :
20 a. Metode Pemulusan Eksponensial Tunggal single exponential
smoothing Metode ini digunakan untuk peramalan data time series tanpa trend
atau pola stansioner. Metode ini juga banyak mengurangi masalah penyimpanan data karena tidak perlu lagi menyimpan semua data
historis atau sebagian seperti halnya dalam metode rata-rata bergerak. b. Metode Pemulusan Eksponensial Ganda : metode linier satu parameter
dari Brown dobble exponential smoothing with linear trend Metode ini digunakan untuk peramalan data time series dengan
trend linier. Metode ini memiliki tambahan nilai pemulusan dan disesuaikan untuk mengatasi unsur trend.
2. Metode Winters Metode ini digunakan untuk peramalan data time series dengan trend
linier dan musiman. Metode ini memiliki kelebihan yaitu mudah dan cepat dalam mengupdate ramalan ketika data baru diperoleh. Metode ini
tidak memperhitungkan komponen sik lus sehingga tidak ada pengaruh siklus hasil ramalannya menjadi tidak baik. Metode Winters terdiri atas
model multiplikatif fluktuasi proporsional terhadap trend dari aditif fluktuasi relatif konstan. Dalam metode Winters terdapat tiga parameter
yang digunakan yaitu a, ß dan ? Gaynor, 1994. 3. Metode Dekomposisi
Metode ini dapat digunakan pada data historis yang memilki pola sembarang. Metode dekomposisi biasanya mencoba memisahkan
komponen trend, siklus dan musiman. Metode dekomposisi terbagi atas dekomposisi multiplikatif dan dekomposisi aditif. Metode ini memiliki
21 kelebihan yaitu mudah dan cepat dalam melakukan perhitungan.
Sedangkan kelemahannya adalah jika ada data baru maka pengolahan harus diulang lagi dan tidak ada variabel lain yang diperhitungkan.
Namun, metode ini umum dipakai, cukup sukses dan akurat hasilnya untuk ramalan jangka panjang Gaynor, 1994.
4. Metode Box Jenkins SARIMA Metode
Seasonal Autoregressive Integrated Moving Average
SARIMA merupakan metode yang dikembangkan oleh George Box dan Gwilyn Jenkins, sehingga nama mereka sering disinonimkan dengan
proses SARIMA. Metode ini berbeda dengan metode peramalan lain, karena metode ini tidak mensyaratkan suatu pola data tertentu supaya
model dapat bekerja dengan baik. Metode ini sangat tepat untuk kondisi dimana tersedia data yang memiliki jangka waktu pendek.
3.1.7 Pemilihan Model Peramalan