3.3.3. Metode
Time Series
Metode
time series
adalah metode peramalan yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu
11
. Langkah penting dalam memilih suatu metode time series yang tepat adalah dengan mempertimbangkan
jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Adapun metode peramalan yang termasuk dalam metode time series adalah metode
smoothing,
proyeksi kecenderungan dengan regresi, dan dekomposisi.
3.3.3.1. Metode Proyeksi Kecenderungan dengan Regresi
Metode kecenderungan dengan regresi merupakan dasar garis kecenderungan untuk suatu persamaan, sehingga dengan dasar persamaan tersebut dapat diproyeksikan
hal-hal yang akan diteliti pada masa yang akan datang. Untuk peramalan jangka pendek dan jangka panjang, ketepatan peramalan dengan metode ini sangat baik. Data yang
dibutuhkan untuk metode ini adalah tahunan, minimal lima tahun. Namun, semakin banyak data yang dimiliki semakin baik hasil yang diperoleh. Bentuk fungsi dari
metode ini dapat berupa: a. Konstan, dengan fungsi peramalan Yt:
Yt = a
, dimana
N Y
a
1
dimana :
Yt
= nilai tambah
N
= jumlah periode b. Linier, dengan fungsi peramalan:
11
Ginting, Rosnani. Sistem Produksi. Yogyakarta : Graha Ilmu, 2007. Hal 46, 55-56.
Universitas Sumatera Utara
Yt = a + bt
n bt
Y a
2 2
t t
n y
t ty
n b
c. Kuadratis, dengan fungsi peramalan :
Yt = a + bt + ct
2
dimana :
n t
c t
b Y
a
2
b c
2
b
4 2
2
t n
t
tY n
Y t
Y t
n Y
t
2 2
3 2
2
t n
t t
d. Eksponensial, dengan fungsi peramalan : Yt = ae
bt
dimana :
n t
b Y
a
ln ln
2 2
ln ln
ln
t t
n Y
t Y
t n
a
e. Siklis, dengan fungsi peramalan :
n t
c n
b a
Y
t
2 cos
2 sin
ˆ
Universitas Sumatera Utara
dimana :
n t
c n
t b
n a Y
2 cos
2 sin
n t
n t
c n
b n
t a
n t
Y
2 cos
2 sin
2 sin
2 sin
2 sin
2
n t
n t
b n
c n
t a
n t
Y
2 cos
2 sin
2 cos
2 cos
2 cos
2
3.3.3.2. Metode Dekomposisi
Bila pola data tidak dapat ditentukan dengan kombinasi dari fungsi yang ada sehingga tidak dapat diramalkan secara biasa
12
, Pola tersebut didekati dengan fungsi linear atau siklis, kemudian dibagi atas segmen waktu tertentu berdasarkan pola data
yang ada. Metode dekomposisi merupakan pendekatan peramalan yang tertua. Terdapat beberapa pendekatan alternatif untuk mendekomposisikan suatu deret berkala yang
semuannya bertujuan memisahkan setiap komponen deret data seteliti mungkin. Konsep dasar pemisahan bersifat empiris dan tetap, yang mula-mula memisahkan unsur
musiman dan trend. Adapun langkah-langkah pekerjaan peramalan dengan metode dekomposisi, yaitu:
1. Menghitung nilai rata-rata bergerak
Nilai rata-rata bergerak yang dihitung adalah rata-rata bergerak dalam kurun waktu per t periode selama n periode. Nilai rata-rata diletakkan di pertengahan
periode.
12
Forgarty W. Donald. Production Inventory Management Ohio : South – Westren Publishing.Co.1991.
hal 101 - 107
Universitas Sumatera Utara
2. Menghitung nilai indeks musim
Nilai indeks musim dihitung dengan menggunakan nilai indeks rata-rata bergerak yang telah dihitung sebelumnya. Hal pertama yang dilakukan adalah
menghitung nilai faktor musim dengan cara membagikan hasil rata-rata bergerak dengan permintaan di periode yang sama, kemudian menghitung nilai indeks
musim dengan cara merata-ratakan nilai dari faktor musim yang ada. 3.
Mencari persamaan garis trend Garis trend dapat dicari dengan menggunakan persamaan: YX = a + bX
Berdasarkan persamaan tersebut maka langkah pertama yang harus dilakukan untuk mencari persamaan garis trend adalah menghitung nilai a dan b:
b =
∑ ∑ ∑ ∑
a = Y
– bx 4.
Menghitung nilai persamaan garis trend Nilai persamaan garis trend dihitung di setiap periode peramalan yang diinginkan.
Nilai persamaan garis trend dapat dihitung dengan memasukkan nilai periode yang diinginkan.
5. Menghitung nilai ramalan akhir
Nilai ramalan akhir didapatkan dengan cara mengalikan nilai persamaan garis trend dengan nilai indeks musim.
Universitas Sumatera Utara
3.3.4. Kriteria Performance Peramalan
Kategori