PENERAPAN METODE TIMES SERIES DALAM SIMULASI

PENERAPAN METODE TIMES SERIES DALAM SIMULASI

  Ashari Program Studi Teknik Informatika, STMIK AKBA

  Abstrak Perkembangan ilmu pengetahuan dan teknologi mendorong setiap saat manusia untuk meningkatkan efisiensi dan efektifitasnya. Pemanfaatan teknologi informasi dan komunikasi dilakukan hampir dalam setiap aspek kehidupan. Teknologi Informasi dapat mengotomatisasi proses pengelolaan informasi mulai dari memasukkan informasi, menyimpan, dan memperbaruinya setiap saat sehingga setiap orang bisa mendapatkan informasi terbaru dan melakukan analisis dengan mudah. Keterlibatan teknologi informasi dan komunikasi di dalam dunia pendidikan diantaranya dapat memantau perkembangan akademik mahasiswa. Metode times series merupakan salah satu metode simulasi forecasting atau peramalan yang dapat memperkirakan perkembangan akademik mahasiswa sehingga dosen pembimbing akademik dapat memprediksi kualitas belajar mahasiswa bimbingannya dengan cara melihat hasil belajar dan perilaku mahasiswa bimbingannya. Penelitian ini bertujuan memprediksi perkembangan prestasi akademik mahasiswa berdasarkan indeks prestasi kumulatif (IPK) berdasarkan data IPK sebelumnya. Metode yang digunakan dalam melakukan forcasting ini adalah times series dengan teknik peramalan nilai terakhir (last value), nilai rata-rata (average) dan rata-rata bergerak (moving average). Metode ini dipilih karena cukup sederhana,sehingga proses prediksi tidak memakan waktu terlalu lama . Hasil Pengujian menunjukkan bahwa teknik forecasting last value dan average lebih cenderung sesuai dengan prediksi IPK mahasiswa, kecuali untu beberapa kasus mahasiswa yang mengalami masalah lain yang bersifat non akademik.

  Simulasi, Forecasting, Times Series, Perkembangan Akademik

  Kata Kunci : yang terdiri dari sistem informasi dan

1. PENDAHULUAN infrastruktur pendukungnya.

1.1. Latar Belakang

  Keberadaan teknologi informasi dan Perkembangan teknologi informasi sangat komunikasi di dalam dunia pendidikan dapat membantu meringankan pekerjaan pesat dalam era globalisasi sekarang ini, akademik khususnya dalam memantau sehingga manusia dituntut agar dapat mengikuti perkembangan dan selalu perkembangan akademik mahasiswa. berusaha untuk mengadopsi teknologi Pemanfaatan teknologi informasi dalam informasi terbaru untuk membantu memantau perkembangan akademik mahasiswa, sehingga dosen pembimbing kelancaran organisasi. Teknologi informasi akademik dapat memprediksi kualitas tidak lagi dipandang hanya sebagai pelengkap akan tetapi sudah menjadi salah belajar mahasiswa bimbingannya dengan satu penentu atas terlaksananya sasaran cara melihat hasil belajar dan perilaku atau strategi organisasi yang handal. mahasiswa bimbingannya, sehingga dapat melakukan tindakan preventif untuk Dukungan teknologi informasi terhadap meningkatkan kemajuan belajar organisasi umumnya berbentuk sistem mahasiswa. Penerapan teknologi informasi untuk memprediksi perkembangan akademik mahasiswa dapat dilakukan dengan metode

  Time Series yang dapat membantu dosen

  dua tahun sehingga data tersebut terdiri dari 24 observasi. Data time series ini merupakan suatu deskripsi masa lampau dan digunakan untuk meramalkan masa depan, artinya kita berharap masa depan dapat dijelaskan dengan informasi yang ada pada masa lampau.kalau memang hal ini yang terjadi, kita dapat menawarkan suatu model matematik yang mampu merepresentasikan proses terjadinya data

  2. Tren Linear Pola data yang menunjukkan adanya perubahan rata-rata, tetapi varians tetap, merupakan karakteristik dari pola tren.

  Pola konstan menunjukkan data bergerak sekitar rata-rata,dengan variasi jarak yang terkadang „jauh‟ dan terkadang „dekat‟. Akan tetapi secara umum data tidak menunjukkan adanya perubahan tren, baik meningkat maupun menurun.

  Level Konstan.

  time series dapat dikelompokan menjadi : 1.

  Bila data time series yang ada dibuat plot (grafik), maka akan terlihat berbagai macam pola. Secara garis besar, pola data

  series .

  gunakan model matematik ini untuk membuat suatu ramalan tentang masa depan. Kenyataannya, dalam kehidupan sehari- hari, sering kali kita dihadapkan pada keterbatasan informasi masa lalu sehingga kita tidak dapat membuat model yang dapat menceritakan masa lalu secara tepat. Oleh sebab itu, biasanya, yang dapat dilakukan hanyalah membuat model yang dekat dengan model yang sebenarnya. Sering kali pendekatan ini berdasarkan pada pengamatan terhadap data time

  time series tersebut. Kemudian, kita

  time series dengan jarak bulanan selama

  pembimbing akademik dalam melkukan simulasi forecasting menetukan Indeks Prestasi Kumulatif (IPK) mahasiswa bimbingannya dari data semester sebelumnya untuk memprediksi semester berikutnya. Hal ini menjadi salah satu upaya untuk membantu mahasiswa bimbingan dalam meningkatkan program belajar, melaksanakan kegiatan belajar, mengatasi masalah belajar yang dihadapi dan mengembangkan potensi-potensi yang dimiliki oleh mahasiswa.

  Suatu data time series dapat dilihat sebagai suatu representasi dari realisasi suatu variabel random yang biasanya mempunyai interval waktu yang sama dan diamati pada suatu periode tertentu. Misalkan,kita tertarik untuk mengamati tingkat penggangguran yang dicatat secara bulanan dan diamati selama 2 tahun dari Januari 2011 sampai dengan Desember 2012. Data yang terbentuk dari pengamatan ini membentuk suatu data

  perkembangan akademik mahasiswa STMIK AKBA.

  forecasting

  Tujuan penelitian ini adalah membuat aplikasi yang dapat digunakan untuk penerapan metode times series dalam simulasi

  1.3. Tujuan Penelitian

  perkembangan akademik mahasiswa STMIK AKBA.

  series dalam simulasi forecasting

  Berdasarkan latar belakang masalah tersebut, dapat dirumuskan permasalahan yang akan diselesaikan yaitu bagaimana membuat aplikasi penerapan metode times

  1.2. Rumusan Masalah

2. LANDASAN TEORI

2.1 Times Series

  Analisis Time Series (Iriawan dan Astuti, 2006:341) merupakan metode peramalan kuantitatif untuk menentukan pola data masa lampau yang dikumpulkan berdasarkan urutan waktu, yang disebut data time series. Dalam membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi dari masa lalu dengan kata lain mereka melihat apa yang terjadi selama kurun waktu tertentu dan menggunakan data masa lalu tersebut untuk melakukan peramalan. Jika kita memperkirakan penjualan pertahun mesin, kita menggunakan data penjualan pada tahun lalu untuk membuat ramalan penjualan pada tahun yang akan datang.

  sebagai contoh, bila x t merupakan banyaknya penjualan bulan terakhir, maka penjualan bulan depan diramal dengan angka tersebut. Apakah metode ini rasional? Sudah tentu permintaan suatu barang tersebut bulan ini. Metode ini menggunakan asumsi bahwa data sebelum waktu t tidak relevan lagi sehingga data yang dipedulikan hanyalah data yang terakhir saja. Hal ini bisa mendekati kebenaran (cukup rasional) kalau proses yang membentuk time series tersebut berubah begitu cepat, yang mengakibatkan data historis yang sangat lama tidak dapat digunakan untuk mengantisipasi masa depan.

  x t = merupakan variabel random yang diamati pada waktu t

  merupakan variabel random yang diamati pada waktu t

  X t =

  t=1 F t+1 = merupakan fungsi dari sebagian atau semua data time series yang telah diamati sampai dengan waktu t.

  F t+1 = T

  (Average) Prosedur ini menggunakan semua data yang telah diamati, kemudian membuat rata-ratanya untuk digunakan membuat ramalan ke depan.

  2. Metode Peramalan Rata-rata

  t .

  Bila data time series yang dianalisis sudah teridentifikasi dan suatu pola telah dipilih berdasarkan identifikasi tersebut, maka model matematik yang merupakan representasi dari proses pembentukan data

  = A + e

  t

  F t+1 = x t ; Dimana x t adalah realisasi dari x t dan untuk level konstan, x t dinyatakan sebagai: x

  Metode ini menggunakan data time series yang diobservasi pada waktu t, yaitu x t untuk meramal F t+1 . Dengan perkataan lain, formula ramalan yang digunakan adalah:

  1. Metode Peramalan Nilai Terakhir (Last Value)

  dipilih. Misalnya saja, pola data yang kita amati mendekati pola level konstan dengan fluktuasi random, maka model matematik yang dapat dipilih adalah: x t = A + e t dimana x t merupakan variabel random yang diamati pada waktu t, A menyatakan level konstan dari model, dan e t menyatakan deviasi random yang terjadi pada waktu t. Kemudian, ramalan x t untuk waktu t + 1 yang dinotasikan sebagai F t+1 atau semua data time series yang telah diamati sampai dengan waktu t. Metode peramalan yang dianggap cocok untuk meramal data yang mempunyai pola level konstan dengan fluktuasi random dalam penelitian ini adalah :

  time series tersebut dapat ditentukan atau

  A = level konstan dari model e t = deviasi random yang terjadi pada waktu t

3. Metode Peramalan Rata-rata Bergerak

  • – model simulasi yang ada dapat dikelompokkan ke dalam enam bagian, antara lain : a.

  Model deterministik Pada model ini tidak memiliki komponen probabilistik (random).

  merupakan variabel random yang diamati pada waktu t

  X t =

  F t+1 = merupakan fungsi dari sebagian atau semua data time series yang telah diamati sampai dengan waktu t.

  merupakan variabel random yang diamati pada waktu t

  X t =

  I=t-(n-l) t F t+1 = merupakan fungsi dari sebagian atau semua data time series yang telah diamati sampai dengan waktu t.

  Model stokastik

  d.

  Sehingga pemecahan menjadi lebih sederhana.

  c.

  Teknik ini akan cocok digunakan bila datanya stabil sehingga rata-ratanya memang dekat sekali dengan nilai observasi yang ada dan data yang akan datang diharapkan akan berkisar pada nilai rata-ratanya. Akan tetapi, bila datanya tidak stabil, mungkin ramalan ini akan memberikan hasil yang meleset jauh.

  Model dinamik Model yang memperhatikan perubahan-perubahan nilai dari variabel-variabel yang ada kalau terjadi pada waktu yang berbeda. Contoh: Sistem conveyor di pabrik.

  b.

  Carlo.

  Model statik Model statik tidak memperhatikan perubahan-perubahan nilai dari variabel-variabel yang ada kalau terjadi pada waktu yang berbeda. Waktu tidak

  1. Model simulasi Model

  untuk kepentingan pengambilan keputusan dengan menggunakan berbagai analisis data. Pendekatan yang digunakan untuk memecahkan berbagai masalah yang tidak pasti dan kemungkinan jangka panjang yang tidak dapat diperhitungkan dengan seksama adalah dengan simulasi.

  Operations Research dan System Analyst

  Menurut Zulkifli (2005 : 203) simulasi adalah “penampilan karakteristik- karakteristik yang terpilih dari bentuk fisik atau ringkasan dari sistem lain.” Sedangkan menurut Cleary dan Thierry Malleret (2007 : 116) simulasi adalah “suatu cara yang efektif dalam mengembangkan pengertian dari kemampuan perusahaan dalam berurusan dengan resiko yang sistematik dan untuk mengetes daya lenturnya terhadap resiko” Simulasi merupakan salah satu cara untuk memecahkan berbagai persoalan yang dihadapi didunia nyata (real world). Banyak metode yang dibangun dalam

  Berbeda dengan metode sebelumnya, metode ini hanya mengunakan pengamatan-pengamatan yang up-to-date yang dianggap sudah stabil dan relevan dan kurang stabil tidak digunakan untuk meramal. Pada hakekatnya, metode ini merupakan gabungan antara Metode Nilai Terakhir dan metode Rata-rata. Kalau semua datanya digunakan, metode ini menjadi metode Rata-rata, sedangkan bila hanya data terakhir saja yang digunakan, metode ini menjadi Metode Nilai Terakhir.

  (Moving Average) F t+1 =

2.2 Simulasi

  Memiliki komponen input random, dan 3) Simulasi Campuran merupakan menghasilkan output yang random simulasi dari suatu proses yang pula. komponen-komponen sistemnya e. ada yang bersifat diskrit dan ada

  Model kontinu Status berubah secara kontinu terhadap yang bersifat kontinu. waktu, misal: gerakan pesawat terbang. 4)

  Simulasi Monte Carlo merupakan f. simulasi yang menggunakan data

  Model diskrit Status berubah secara instan pada titik- empiris sebagai dasar. titik waktu yang terpisah, misal: 3.

  Karakteristik simulasi jumlah customer di bank. Karakteristik simulasi sebagai alat perencanaan dan pengambilan 2. keputusan yang tangguh:

  Jenis-jenis Simulasi Beberapa jenis simulasi yaitu: a.

  Mencakup saling ketergantungan sistem (system interdependencies) a.

  Simulasi menurut sifat dan waktu:

  b. variabilitas Memperhitungkan sistem

  1) Simulasi Statis merupakan simulasi

  c.

  Sanggup membuat model untuk model yang menggambarkan suatu sistem apapun sistem atau proses yang tidak d.

  Memperlihatkan perilaku sistem dipengaruhi oleh waktu atau terjadi setiap saat pada saat-saat tertentu saja. Contoh: e.

  Lebih murah, tidak menghabiskan Simulasi Monte Carlo waktu dan tidak mengganggu sistem

  2) Dinamis merupakan Simulasi nyata simulasi model yang dipengaruhi f.

  Menarik perhatian (secara visual) oleh waktu. Simulasi ini kebalikan g.

  Menyediakan hasil yang mudah dari simulasi statis. Contoh: dimengerti dan dikomunikasikan

  Simulasi kedatangan mobil ke h.

  Mencakup waktu yang nyata, dalam jalan tol dimanfatkan, atau bahkan waktu yang tertunda b.

   Simulasi menurut ada tidaknya i.

  Memberikan rancangan yang rinci.

  peubah acak

  1) Simulasi Deterministik merupakan

  2.3 Forecasting

  simulasi yang menggambarkan suatu proses yang pasti terjadi.

  Peramalan adalah kegiatan yang Simulasi berhubungan dengan meramalkan atau

  Probabilistik merupakan simulasi kegiatan atau memproyeksikan hal-hal yang menggambarkan suatu proses yang terjadi dimasa lampau kemasa depan. yang mengandung unsur ketidakpastian.

  Menurut (Heizer J. and Render B. ,2006: c. 162), Peramalan (forecasting) adalah seni

  Simulasi menurut peubah acaknya 1) Diskrit merupakan

  Simulasi dan ilmu untuk memperkirakan kejadian simulasi dari suatu proses yang dimasa depan. Hal ini dapat dikakukan komponen-komponen sistemnya dengan melibatkan pengambilan data masa bersifat diskrit. Contoh: Simulasi lalu dan menempatkannya kemasa akan kedatang pembeli pada supermarket datang dengan suatu bentuk model

  2) Kontinu merupakan Simulasi matematis. Bila juga merupakan prediksi simulasi dari suatu proses yang intuasi yang bersifat subjektif. Atau bisa komponen-komponen sistemnya juga dengan menggunakan kombinasi bersifat kontinu. model matematis yang disesuaikan dengan

  Tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat mengalami perubahan

  Teknik analisis data dalam pembuatan perangkat lunak menggunakan pemodelan perangkat lunak dengan paradigma

  f. Maintenance

  Merupakan tahap pengujian terhadap perangkat lunak yang dibangun.

  e. Pengujian

  Tahap penerjemahan data atau pemecahan masalah yang telah dirancang keadalam bahasa pemrograman tertentu.

  d. Coding

  Tahap penerjemahan dari data yang dianalisis kedalam bentuk yang mudah dimengerti oleh user.

  c. Design

  Merupakan tahap menganalisis hal-hal yang diperlukan dalam pelaksanaan proyek pembuatan perangkat lunak.

  b. Analisis

  Merupakan bagian dari sistem yang terbesar dalam pengerjaan suatu proyek, dimulai dengan menetapkan berbagai kebutuhan dari semua elemen yang diperlukan sistem dan mengalokasikannya kedalam pembentukan perangkat lunak.

  a. System / Information Engineering

  yang meliputi beberapa proses diantaranya:

  waterfall seperti terlihat pada Gambar 1

  3. ANALISIS DAN PERANCANGAN

  pertimbangan yang baik dari seorang manajer.

  Prediksi haruslah dalam satuan- satuan sesuai dengan rencana keputusan yang akan dibuat.

  Prediksi haruslah tepat waktu b.

  2. Kriteria Prediksi Variabel-variabel yang krusial dalam lingkungan perlu dipantau terus dan nilai serta dampak masa depannya perlu diramalkan secara serius. Untuk mendapatkan beberapa kriteria sebagai berikut: a.

  Short-term forecasting Prediksi jangka pendek pada umumnya masih berpedoman pada perkembangan sekarang karena secara teoritis gejala-gejala yang terjadi sekarang masih dapat berlaku paling tidak untuk jangka tiga bulan berikutnya.

  c.

  Prediksi ini biasanya diangkat dari jangka pendek.

  Mediun-term forecasting Prediksi ini biasanya berjangka waktu antara tiga bulan sampai dua tahun.

  b.

  Long-range forecasting Prediksi jangka panjang umumnya cenderung tidak akurat. Hal itu telah dibuktikan oleh W. Ascher yang mencoba menguji ketepatan dari prediksi (sering disebut proyeksi) dalam bidang ekonomi, kependudukan, energi, transportasi dan teknologi, yang akhirnya membuat ia menemukan banyaknya bisa, disamping kesalahan-kesalahan yang cukup berarti, mulai dari angka presentase yang kecil sampai pada presentase yang ratusan. Kecenderungan dari para pengambil keputusan ialah menginginkan masukan dari beberapa peramal. Lalu timbul masalah baru, yaitu prediksi siapa yang akan diikuti.

  a.

  term forecasting ).

  menengah (mediun-term forecasting) dan prediksi jangka pendek (short-

  forecasting ), prediksi jangka

  1. Jenis-jenis forecasting Dilihat dari segi waktu, forecasting dapat dibagi dalam tiga jenis, yaitu prediksi jangka panjang (Long-range

  • –perubahan atau penambahan sesuai dengan permintaan user.

  Gambar 1. Paradigma Waterfall

  4. IMPLEMENTASI

  4.2 Pengujian Program

  Pemeliharaan terhadap sistem yang telah dibangun secara khusus tidak harus dilakukan pemeliharaan, kecuali jika sistem ingin dikembangkan. Pemeliharaan yang dapat dilakukan adalah pada sisi database, dan program perhitungan prediksi peserta matakuliah pilihan.

  4.2 Pemeliharaan Sistem

  3. RAM : 2 GB DDR3

  2. Processor : Intel Core i3-2330M

  1. Sistem Operasi : Windows 7 Ultimate

  Aplikasi ini dibuat dengan spesifikasi komputer sebagai berikut:

  4.1 Lingkungan Pengembangan

  Implementasi adalah tahap yang meliputi proses persiapan sistem, konversi dan pengoperasian. Implementasi merupakan prosedur yang dilakukan untuk menyelesaikan desain sistem yang ada dalam dokumen desain yang disetujui dan di uji kemudian diinstal guna dilakukan pemrosesan data dengan sistem yang baru atau sistem yang diperbaiki.

  Dalam perancangan sebuah aplikasi dibutuhkan struktur menu yang berisikan menu dan submenu yang berfungsi untuk memudahkan user dalam menggunakan aplikasi tersebut.

  3.1 Analisa Sistem

  3.3 Perancangan Struktur Menu

  sehingga dalam hal ini ERD merupakan komponen-komponen himpunan entitas dan himpunan relasi yang dideskripsikan lebih jauh melalui sejumlah atribut-atribut (property) yang menggambarkan seluruh fakta dari sistem yang ditinjau.

  Entity (entitas) dan Relation (relasi)

  Komponen utama pembentukan ERD yaitu

  hubungan antara entitas yang digunakan dalam sistem untuk menggambarkan hubungan antara entitas atau struktur data dan relasi antar file.

  Diagram (ERD). ERD merupakan

  Struktur logika dari basis data dapat digambarkan dalam sebuah grafik dengan menggunakan Entity Relationship

  3.2 Analisa Basis Data

  Analisis Sistem dapat didefinisikan sebagai penguraian dari suatu sistem informasi yang utuh ke dalam bagian bagian komponennya dengan maksud untuk mengidentifikasikan dan mengevaluasi permasalahan yang terjadi dan kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan-perbaikan. Atau secara lebih mudahnya, analisis sistem adalah penelitian atas sistem yang telah ada dengan tujuan untuk merancang sistem yang baru atau diperbarui. Tahap analisis sistem ini merupakan tahap yang sangat kritis dan sangat penting, karena kesalahan di dalam tahap ini akan menyebabkan juga kesalahan di tahap selanjutnya. Tugas utama analis sistem dalam tahap ini adalah menemukan kelemahan dari sistem yang berjalan sehingga dapat diusulkan perbaikannya.

  Untuk menguji program ini disediakan data dari mahasiswa STMIK AKBA sebagaimana dalam tampilan gambar 2.

  Daftar Pustaka [1] Chen,S.M. 1996.

  Forecasting Enrollment based on Fuzzy Time Series . International Journal of

  Applied Science and Engineering. Vol : 81, Hal : 311-399 [2] Heizer, J., & Render, B. (2006).

  Manajemen Operasi, Edisi 7. Jakarta:

  Salemba Empat [3] Nahrowi Djalal & Usman Hardius. 2004. Teknik Pengambilan Keputusan Jakarta: Grasindo.

  Gambar 2. Form Prediksi IPK mahasiswa

  • [4] Prasmanasi, Deasy Yuanita. Jenis Untuk mengakses form ini, pilih menu

  Jenis Metode Peramalan. Malang

  transaksi, prediksi. Form ini digunakan :Universitas Muhammadiyah untuk memprediksi ipk mahasiswa. Dalam

  form ini terdapat 3 cara perhitungan dari [5] Puspitasari,E . Linawati,L & H.A. time series yaitu Last Value diperoleh

  Parhusip. 2012. Peramalan 3,13, Average didapatkan IPK =3,20 dan

  Persentase Perubahan Data Indeks Moving Average dihasilkan IPK=3,20. Harga Saham Gabungan (IHSG)

  Namun dalam percobaan simulasi cara

  dengan Fuzzy Time Series. Prosiding

  perhitungan Moving Average tidak Seminar Nasional Sains dan maksimal dalam melakukan prediksi Pendidikan Sains UKSW 21-22 dikarenakan Moving Average September 2012 menggunakan data pengamatan terbaru yang konstan sedangkan data

  IPK

  [6]

  Saputro Doddy, 2012, Analisis cenderung berubah-ubah.

  Peramalan dalam Memprediksikan Permintaan dan Persediaan Mesin

5. PENUTUP

  Dengan Perhitungan EOQ dan Simulasi Monte Carlo Pada PT.Surya

  Berdasarkan hasil penerapan metode times

  Jakarta Wahana Fortuna. Ubinus: series dalam simulasi forecasting

  perkembangan akademik mahasiswa [7] Simartama Jenner, 2007, Perancangan

  STMIK AKBA, maka dapat ditarik

  Basis Data . Yogyakarta: Andi

  kesimpulan sebagai berikut: a.

  Metode times series yang cenderung [8] Sutabri Tata, 2004, Analisis Sistem digunakan untuk simulasi peramalan

  Informasi . Yogyakarta: Andi

  perkembangan IPK mahasiswa adalah

  Last Value dan Average

  [9] Zulkifli Amsyah, 2007. Manajemen b. Dengan aplikasi yang berbasis

  Sistem Informasi. Jakarta: Gramedia

  teknologi informasi dihasilkan sebuah Pustaka Utama metode yang bisa digunakan untuk simulasi peramalan perkembangan akademik mahasiswa STMIK AKBA.