satu atau lebih variabel lain. Variabel yang nilainya tergantung atau ditentukan oleh variabel lain dinamakan dependent variabel variabel terikat, sementara
variabel yang nilainya tidak dipengaruhi apapun, tapi justru menerangkan perubahan nilai variabel terikat disebut sebagai independent variabel variabel
bebas. Metode kausal membutuhkan pengetahuan awal untuk menentukan
variabel-variabel yang akan dimasukkan sebagai variabel independen dan dependen. Pengaruh dari variabel-variabel tersebut dianalisis satu-persatu dimana
satu variabel dibiarkan berubah sementara variabel lainnya dianggap konstan atau tetap cateris paribus. Dalam analisis regresi, pola hubungan antar variabel
diekspresikan dalam sebuah persamaan regresi yang diduga berdasarkan data sampel. Setelah parameter-parameter model diuji secara statistik dan mempunyai
ciri-ciri sebagai model yang baik, maka model siap digunakan untuk peramalan jika variabel bebasnya dapat diketahui nilainya. Dengan demikian model ini dapat
menjawab pertanyaan “apa yang akan terjadi jika” Mulyono, 2000.
3.1.4. Pemilihan Metode Peramalan
Makridakis, Wheelwright dan McGee 1999, mengemukakan enam faktor utama yang menggambarkan kemampuan dan kesesuaian dalam memilih metode
peramalan enam faktor tersebut adalah horizon waktu, pola data, daya tarik metode itu sendiri, ketepatan, biaya dan waktu, serta ketersediaan perangkat lunak
komputer.
1. Horison Waktu Metode peramalan berhubungan dengan dua aspek horizon waktu,
yaitu: cakupan waktu di masa yang akan datang dan jumlah periode ramalan yang diinginkan. Beberapa teknik metode peramalan hanya dapat sesuai
untuk peramalan satu periode ke depan, sedangkan teknik lainnya dapat dipergunakan untuk meramalkan beberapa periode ke depan.
2. Pola Data Setiap metode peramalan memiliki perbedaan kemampuan dalam
mengidentifikasi pola atau karakteristik data secara umum serial data dapat dikelompokkan dalam empat pola. Pola pertama adalah pola stasioner, yaitu
jika pola data berfluktuasi di sekitar nilai rata-rata yang konstan. Pola kedua adalah pola musiman, yaitu jika data membentuk fluktuasi konstan dan
proporsional dalam jangka pendek kurang dari satu tahun yang disebabkan oleh faktor musiman, pola ketiga adalah pola siklis, yaitu jika data yang
dipengaruhi oleh fluktuasi tersebut disebabkan oleh pengaruh ekonomi jangka panjang. Pola keempat adalah pola trend, yaitu jika data menunjukkan
kenaikan atau penurunan secara sekuler dalam jangka panjang. Perbedaan dari keempat pola data itu memerlukan penyesuaian antara
pola data dengan metode analisis yang akan digunakan. Usaha penyesuaian itu biasanya dilakukan dengan membuat sebuah asumsi bahwa ada satu
bentuk pola data dalam serial data yang terus berkelanjutan, kemudian dipilih metode yang sesuai dengan pola tersebut.
Berdasarkan keempat tipe pola data diatas, menurut Hanke 1999 ada empat teknik peramalan yang umum digunakan:
a Teknik peramalan untuk data stasioner Data stasioner didefinisikan sebagai sesuatu yang nilai meannya
tidak berubah sepanjang waktu. Situasi seperti ini muncul ketika pola data yang mempengaruhi deret relatif stabil. Teknik peramalan yang perlu
dipertimbangkan pada peramalan deret stasioner adalah metode naive, simple average, moving average, single exponential smoothing,
dan autoregressive integrated moving average
ARIMA. b Teknik peramalan untuk data musiman
Deret bermusim didefinisikan sebagai deret waktu dengan pola perubahan yang berulang dengan sendirinya dari tahun ke tahun. Metode
peramalan yang bisa dipilih adalah dekomposisi, pemulusan eksponensial winter, regresi berganda, dan ARIMA
c Teknik peramalan untuk data ber-siklis Siklis didefinisikan sebagai fluktuasi seperti gelombang disekitar
trend. Pola siklis cenderung berulang pada data setiap dua tahun, tiga tahun atau lebih. Teknik-teknik yang perlu dipertimbangkan adalah
dekomposisi indikator ekonomi, regresi berganda dan model ARIMA. d Teknik peramalan untuk data dengan trend
Deret data ber-trend didefinisikan sebagai deret waktu yang mempunyai komponen jangka panjang yang mewakili pertumbuhan atau
penurunan dalam deret di sepanjang periode waktu. Teknik peramalan yang perlu dipertimbangkan pada peramalan deret stasioner adalah
metode naive, linier regression, growth curve, moving average, single exponential smoothing,
dan ARIMA. 3. Daya Tarik Metode Peramalan
Daya tarik yang dimiliki oleh sebuah metode peramalan akan menjadi aspek penting yang perlu dipertimbangkan oleh peramal untuk memilihnya.
Secara umum, kesederhanaan dan kemudahan untuk diaplikasikan, serta daya tarik intuitif yang dirasakan oleh peramal.
4. Ketepatan Metode Peramalan Kuantitatif Ketepatan menunjukkan kemampuan metode untuk meramal suatu
variabel yang dilihat dari besarnya selisih antara hasil ramalan dengan kenyataan. Untuk mengukur ketepatan tersebut biasanya oleh peramal
digunakan nilai Mean Square Error MSE. Semakin kecil nilai MSE maka metode tersebut semakin baik. Pengukuran ketepatan metode peramalan ini
pada akhirnya memang dipakai sebagai kriteria dalam memilih metode peramalan.
5. Biaya dan Waktu Pemilihan metode peramalan juga dipengaruhi oleh biaya yang harus
dikeluarkan berkaitan dengan metode yang dipilih. Ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur ramalan, yaitu biaya
pengembangan, biaya penyimpanan data, operasi pelaksanaan dan kesempatan untuk menggunakan teknik-teknik lainnya.
6. Ketersediaan Perangkat Lunak Komputer Ketersediaan perangkat lunak komputer sangat penting untuk membantu
menyusun metode peramalan kuantitatif. Perangkat lunak komputer tersebut
harus mudah dipergunakan disertai dokumentasi yang lengkap dan bebas dari kesalahan besar, sehingga mudah untuk digunakan, dipahami dan
diinterpretasikan hasilnya. Akurasi peramalan tidak selalu berhubungan dengan kecanggihan atau kerumitan teknik yang dipakai. Teknik yang dipilih
sebagai yang terbaik saat ini pun tidak dapat memberikan jaminan hasil terbaik di masa depan karena masih menghadapi ketidakpastian. Hal ini yang
perlu untuk diperhatikan adalah kebaikan suatu model tidak ditentukan oleh seberapa jauh teknik tersebut dapat menirukan kenyataan pada masa lalu.
Jika kita menghadapi beberapa teknik yang memberikan kemampuan sama dalam menirukan kenyataan maka kita hendaknya memilih teknik atau model
yang paling sederhana Mulyono, 2000.
3.2. Kerangka Pemikiran Operasional
Tingkat produksi bawang merah yang tidak merata sepanjang tahun, seperti pada bulan Juni–Oktober merupakan bulan panen raya sebaliknya bulan
November–Mei dimana tingkat produksi sedikit, disamping itu komoditas bawang merah ini mempunyai sifat yang mudah rusak. Akibat peristiwa tersebut
menyebabkan terjadinya fluktuasi harga. Fluktuasi harga yang ditimbulkan mengakibatkan terjadinya resiko
kerugian akibat ketidakpastian harga, sehingga menyulitkan dalam hal pengambilan keputusan bagi produsen dan konsumen. Untuk mengurangi resiko
kerugian tersebut maka dilakukan suatu peramalan. Peramalan merupakan upaya memperkirakan hal-hal yang menjadi perhatian di masa depan. Peramalan
dilakukan dengan menggunakan metode time series dan metode kausal.