Metode Peramalan Konsep Peramalan
14 nilai dari periode terbaru dari sekelompok data yang terlama dan memasukkan
nilai periode terbaru dari sekelompok data yang jumlahnya konstan. Prosedur moving average yang berarti jika observasi baru telah tersedia, rata-rata yang baru
dapat dihitung dengan menghilangkan data yang tertua dan menggantinya dengan yang terbaru.
Metode rata-rata bergerak sederhana cocok untuk pola data stasioner dan berusaha menghilangkan data musiman dan trend. Jika moving average
digunakan, pemilihan n perlu memperhatikan periode data. Nilai n yang optimal dapat dicari dengan trial and error coba-coba. Hal ini dimaksudkan untuk
menghindari nilai penyimpangan yang besar dari fluktuasi data yang telah memberikan pengaruh terhadap ramalan yang dihasilkan. Jika periode data
bulanan, paling tidak digunakan n=12. Jika n makin besar pengaruh penghalusan makin terasa Firdaus, 2006:128.
c. Metode Pelicinan Eksponensial Tunggal Single Eksponensial Smoothing Metode ini sangat baik diterapkan pada serial data yang memiliki pola
stasioner dan kemungkinan tidak efektif dalam menangani peramalan dengan kecendrungan data yang dimiliki komponen trend dan pola musiman. Hal ini
dikarenakan jika diterapkan pada serial data yang memiliki trend yang konstan, ramalan yang akan dibuat akan selalu berada di belakang trend. Selain itu, metode
eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai pengamatan terbaru dibanding periode sebelumnya.
15 Metode ini menggunakan
α sebagai koefisien pelicinan. Handoko 2008:280 menyatakan nilai-nilai
α rendah akan menyebabkan jarak yang lebih lebar dengan trend, karena hal itu memberikan bobot yang lebih kecil pada permintaan
sekarang. Nilai α yang rendah cocok digunakan bila data bersifat stabil. Nilai-nilai
α yang lebih tinggi berguna dimana perubahan-perubahan yang sesungguhnya cenderung terjadi karena lebih responsive terhadap fluktuasi permintaan. Mencari
nilai α yang tepat umumnya dapat ditentukan dengan pengujian trial and error
coba-coba terhadap α yang berbeda-beda untuk menemukan nilai α yang akan
menghasilkan nilai kesalahan terkecil. d. Metode Pelicinan Eksponensial Ganda Double Eksponensial Smoothing
Metode Double Eksponensial Smoothing memiliki dasar pemikiran yang sama dengan rata-rata bergerak linier. Berkaitan dengan hal tersebut, penerapan
metode double eksponensial smoothing ini cukup baik untuk deret data yang memiliki unsur trend. Metode double eksponensial smoothing memproses time
series yakni dengan mengekstrapolasikan data atas dasar trend terkahir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke suatu arah
yakni sesuai dengan trend terkahir. e. Metode Perhitungan Indeks Musiman
Perhitungan indeks musiman dalam Handoko 2008:278 dapat dihitung dengan mencari nilai rata-rata berbagai rasio kuartal nyata terhadap nilai garis
trend untuk setiap periode. Peramalan model ini merupakan estimasi penjualan yang hanya memasukan komponen trend dan musiman tanpa memperhatikan
pengaruh silikal. Rangkuti 2007:13 menyatakan indeks musiman perlu
16 dilakukan untuk mengetahui secara jelas apakah data time series yang dimiliki
mengandung unsur musiman atau tidak. f.
Metode Dekomposisi Salah satu pendekatan dalam analisis data runtut waktu adalah berusaha
untuk mengidentifikasi faktor-faktor komponen yang mempengaruhi nilai-nilai periodik dalam satu serial. Proses identifikasi ini disebut dekomposisi. Setiap
komponen diidentifikasi sehingga data runtut waktu dapat diproyesikan ke masa yang akan datang dan dapat digunakan untuk peramalan jangka pendek maupun
jangka panjang Arsyad, 1994:207. Subagyo 1994:31 mengatakan bahwa metode dekomposisi adalah salah
satu metode peramalan yang didasarkan pada kenyataan bahwa biasanya apa yang telah terjadi akan berulang atau terjadi kembali dengan pola yang sama, artinya
yang dulu selalu naik pada waktu yang akan datang biasanya akan naik, yang biasanya berkurang akan berkurang juga, yang biasanya berfluktuatif akan
berfluktuatif juga dan yang biasanya tidak teratur maka akan tidak teratur juga. g. Metode Winter’s
Metode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman . Metode exponentian smoothing yang telah dibahas sebelumnya dapat
digunakan untuk hampir segala jenis data stasioner atau non – stasioner sepanjang data tersebut tidak mengandung faktor musiman. Tetapi bilamana terdapat
musiman, metode ini dijadikan cara untuk meramalkan data yang mengandung faktor musiman, namun metode ini sendiri tidak dapat mengatasi masalah tersebut
17 dengan baik. Meskipun demikian, metode ini dapat menangani faktor musiman
secara langsung Makridakis, 1999:40.
h. Metode Box Jenkis ARIMA Metode peramalan Box-Jenkis merupakan suatu prosedur iterative memilih
model terbaik untuk series yang stasioner dari suatu kelompok model time series linier Mulyono, 2000:147. ARIMA merupakan singkatan dari autoegressive
integrated moving average. Metode ini tidak menggunakan variabel independen, melainkan menggunakan nilai-nilai sekarang dan nilai-nilai masa lampau dari
variabel dependen. Metode ARIMA adalah metode yang tepat untuk mengatasi terlalu rumitnya data deret waktu terdapat variasi dari pola data dan situasi
peramalan lainnya. Firdaus 2006:19, prosedur ARIMA terdiri dari beberapa tahapan yaitu
identifikasi, estimasi, evaluasi model dan peramalan. Penjelasan dengan tahap tersebut adalah sebagai berikut :
1. Indentifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu terhadap pola data; apakah terdapat unsur musiman atau tidak. Kedua,
identifikasi terhadap kestasioneran data. Ketiga, identifikasi terhadap pola atau perilaku ACF dan PACF.
2. Estimasi model. Pada tahap estimasi, pertama-tama dihitung nilai estimasi awal untuk parameter-parameter dari model tentatif, untuk menghitung
estimasi awal biasanya digunakan nilai 0 atau 1 sebagai koefisien estimasi untuk masing-masing parameter.
18 3. Evaluasi mode. Setelah diperoleh persamaan untuk model tentatif, dilakukan
pengujian kedekatan model dengan data. Uji ini dilakukan dengan menguji nilai residual, signifikasi dan hubungan-hubungan antara parameter. Nilai
residual merupakan nilai yang diperoleh dari selisih antara nilai skyual dengan nilai ramalan. Jika terdapat hasil uji yang tidak diterima atau tidak
memenuhi syarat, maka model harus diperbaiki dan langkah-langkah sebelumnya diulang kembali. Uji diagnostik untuk evaluasi model terdapat 6
kriteria, yaitu residual peramalan bersifat acak, model parsimonius sederhana, parameter yang diperoleh berbeda nyata dengan nol, proses
iterasi harus convergence dan memiliki nilai MSE terkecil. 2 Metode Kausal Regresi
Metode peramalan kausal didasarkan atas penggunaan analisa pola hubungan antara variabel yang diperkirakan dependen dengan variabel lain yang
mempengaruhinya independen, yang bukan waktu yang disebut metode korelasi atau sebab akibat causal method. Metode ini sering disebut metode regresi.
Metode regresi adalah suatu penyederhanaan pola hubungan suatu variabel dengan suatu variabel lain Mulyono, 2000:53. Kriteria yang digunakan untuk
menunjukkan keakuratannya yaitu nilai R-Square Rangkuti, 2007:19. Semakin besar nilai R-Square berarti model semakin akurat dalam meramalkan. Untuk
pengujian regresi dilakukan dengan membandingkan nilai ρ dengan tingkat α
yang akan digunakan. Nilai α yang digunakan 0,05 dengan derajat kepercayaan 95 persen. Jika ρ lebih kecil dari α maka variabel tersebut signifikan Muhidin dan
19 Abdurrahman, 2007:198. Hal tersebut menunjukkan bahwa variabel tersebut
berpengaruh nyata terhadap variabel dependen.