Pada dasarnya metode peramalan time series terdiri dari:
A. Metode Naive
Menurut Mulyono 2000 dalam model naive keadaan sekarang merupakan penjelas yang baik untuk masa yang akan datang. Metode ini
menganggap bahwa di masa depan suatu sistem cenderung mempertahankan momentum enggan berubah dari masa silam. Model naive merupakan metode
yang paling sederhana dan mudah digunakan tanpa bantuan komputer. Pada model naive, nilai data aktual terakhir dijadikan dasar peramalan untuk periode
berikutnya. Metode ini cocok untuk pola data horizontal dan relatif konstan dan hanya mampu menghasilkan ramalan satu periode ke depan.
Bentuk persamaan umum dari model naive adalah Hanke, 2005: 2.1
dimana: : nilai ramalan untuk periode satu periode ke depan
Y
t
: nilai aktual pada waktu ke-t
B. Metode Smoothing
Metode smoothing atau pemulusan digunakan untuk mengurangi ketidakteraturan musiman dari data yang lalu maupun keduanya dengan membuat
rata-rata tertimbang dari sederetan data yang lalu. Metode ini lebih tepat jika diterapkan dalam jangka pendek, sedangkan dalam jangka panjang menjadi
kurang tepat. Data yang dibutuhkan untuk menggunakan metode ini adalah minimum dua tahun atau dua periode waktu. Contoh kasus yang dapat
menggunakan peramamalan metode smoothing adalah perencanaan pengendalian
produk dan keuangan. Metode smoothing terdiri dari metode rata-rata dan metode smoothing eksponensial.
B.1 Metode Rata-rata
Metode ini menetapkan bahwa rata-rata pada sekelompok data pada masa lalu dapat dijadikan acuan dalam peramalan periode mendatang. Metode ini dapat
dikelompokkan menjadi dua, yaitu:
B.1.1 Metode Rata-rata Sederhana Simple Average
Metode ini memakai nilai rata-rata dari seluruh nilai ramalan periode berikutnya. Jika data yang digunakan telah berkisar pada nilai tengahnya atau
stasioner, dengan cara tersebut nilai ramalan akan lebih akurat. Metode ini tidak memperhitungkan trend dan musiman, dan hanya mampu memberikan ramalan
untuk satu periode ke depan serta tidak praktis karena peramal harus menyimpan semua data historis nilai rata-rata data secara keseluruhan ramalan untuk periode
berikutnya. Bentuk umum persamaan metode Simple Average, yaitu:
2.2 dimana :
= nilai ramalan untuk satu periode ke depan Y
t
= nilai aktual pada waktu ke-t
B.1.2 Metode Rata-rata Bergerak Sederhana Simple Moving Average
Mulyono 2000 menjelaskan bahwa metode simple moving average digunakan dengan memodifikasi pengaruh data masa lalu terhadap nilai rata-rata
untuk menetapkan seberapa banyak observasi terakhir yang diikutsertakan dalam
peramalan. Jika terdapat observasi baru, maka rata-rata yang baru dapat dihitung dengan menghilangkan data terlama dan menggantinya dengan data terbaru.
Persamaan umum untuk metode rata-rata bergerak sederhana adalah: 2.3
dimana: = nilai ramalan untuk satu periode ke depan
Y
t
= nilai aktual pada waktu ke-t k
= ordo dari rata-rata bergerak Y
t - k+1
= nilai pada waktu sebelum t dengan ordo selanjutnya k+1
B.2 Metode Eksponensial
Metode ini dilakukan dengan merevisi nilai ramalan secara terus menerus dengan mempertimbangkan fluktuasi data terakhir untuk dapat menghilangkan
komponen random dari data tersebut. Kelebihan metode ini adalah lebih akurat untuk peramalan dalam jangka pendek, lebih mudah dalam penyiapan peramalan,
tidak membutuhkan data historis yang besar, dan peramalan untuk periode berikutnya mudah dihitung. Namun, pada tahap awal membutuhkan waktu untuk
mendapatkan pembobot yang optimal dan nilai tersebut harus selalu dimonitor. Metode peramalan ini terdiri dari dua kelompok, yaitu:
B.2.1 Metode Pemulusan Eksponensial Tunggal Single Exponential
Smoothing
Metode ini cocok digunakan untuk peramalan jangka pendek dengan memanfaatkan data time series tanpa trend. Metode ini memiliki keunggulan yaitu
kemudahan penyimpanan data. Kelemahannya terletak pada penentuan nilai
koefisien pemulusan α yang optimal. Penentuan tersebut dengan cara melakukan coba-coba secara berulang sampai menemukan koefisien yang optimal. Hal
tersebut menjadikan metode ini cukup menyita waktu. Bentuk persamaan umum dari metode eksponensial tunggal adalah:
2.4 dimana:
= nilai ramalan untuk satu periode ke depan = nilai ramalan pada waktu ke-t
α = koefisien pemulusan 0 α 1
= nilai aktual pada periode ke-t
B.2.2 Metode Pemulusan Eksponensial Ganda Holt Holt ’s Double
Exponential Smoothing
Dalam metode eksponensial berganda Holt, peramalan tidak menggunakan perhitungan pemulusan berganda secara langsung, menghaluskan nilai trend
dengan konstanta yang berbeda dari konstanta yang digunakan pada serial data merupakan cara peramalannya. Persamaan yang digunakan dalam metode ini
terdiri dari tiga persamaan yaitu persamaan perhitungan untuk smoothing eksponensial data, trend dugaan dan peramalan periode mendatang. Tingkat
kerumitan dalam penggunaan metode ini cukup tinggi dimana peramal harus menemukan dua parameter yaitu koefisien pemulusan
α dan koefisien estimasi trend
yang optimal. Penentuan tersebut dilakukan dengan cara coba-coba.
Tiga bentuk umum persamaan eksponensial ganda Holt yang digunakan, yaitu:
1. Pemulusan eksponensial: 2.5
2. Estimasi trend 2.6
3. Peramalan periode ke-p 2.7
dimana: = nilai pemulusan aktual estimasi level saat ini
= koefisien pemulusan pada level 0 1 = nilai aktual pada periode ke-t
= koefisien estimasi trend 0 1 = estimasi trend
= periode peramalan di masa yang akan datang = peramalan untuk periode ke-
pada waktu yang akan datang
B.2.3 Metode Eksponensial Ganda Winters Winters’s Double Exponential
Smoothing
Metode ini memperhitungkan adanya trend dan pola musiman. Persamaan yang digunakan dalam metode ini terdiri dari empat persamaan yaitu persamaan
perhitungan untuk pemulusan eksponensial data, estimasi trend, estimasi musiman dan peramalan periode mendatang. Dalam metode ini juga diperlukan koefisien
untuk pemulusan eksponensial data α, koefisien untuk estimasi trend dan koefisien untuk estimasi musiman
. Koefisien-koefisien tersebut ditentukan
dengan cara coba-coba sampai menemukan koefisien yang optimal yang mampu mewakili variabelnya.
Empat persamaan yang digunakan dalam metode Winters’, yaitu: 1.
Exponentially smoothed series 2.8
2. Estimasi trend 2.9
3. Estimasi musiman 2.10
4. Peramalan untuk periode ke-p 2.11
dimana: = nilai pemulusan aktual
= koefisien pemulusan untuk level = nilai aktual pada periode ke-t
= koefisien pemulusan untuk estimasi trend = estimasi trend
= koefisien pemulusan untuk estimasi musiman = estimasi musiman
= periode peramalan di masa yang akan datang = panjang musim
= peramalan untuk periode ke-p
C. Metode Box-Jenkins ARIMA
Kategori