Time Series and Forecasting

Oleh: Tri Widodo

Pendahuluan
Pengambil

keputusan (decision maker) dalam perencanaan selalu terkait dengan peramalan akan suatu hal di masa datang.

Teknik Peramalan
Teknik

peramalan (forecasting) adalah suatu teknik peramalan mengenai sesuatu yang belum terjadi atau perkiraan tentang apa yang akan terjadi pada aktu yang akan datang. !alam teknik forecasting, model"metode yang digunakan yaitu metode kualitati# dan metode kuantitati# ($ender% dkk% &''():
peramalan kualitati# adalah metode peramalan bersi#at subyekti#% intuiti# dan berdasarkan pengalaman pengambil keputusan. )etode peramalan kuantitati# adalah metode peramalan di mana nilai di masa yang akan datang ditentukan didasarkan atas perhitungan*perhitungan numerik seperti: rata*rata bergerak (moving average)% proyeksi kecendurangan (trend projection)
)etode

Teknik Peramalan

Model Kualitatif

Model Kuantitatif

Metode Runtun Waktu

Metode Kausal

Metode "elphi Jury of Executive Opinion Staff force composite Consumer market survey

Rata-Rata Bergerak Penghalusan Exponensial Proyeksi kecenderungan

Analisis Regresi Regresi multi aria!el

Metode Kualitatif
Teknik

model peramalan kualitati# berusaha untuk menggunakan penilaian (judgement) atau #aktor subyekti# indi+idu dalam peramalan. Opini ahli% pengalaman pribadi dan #aktor subyekti# lain sangat diperhatikan dalam teknik kualitati# ini. )odel kualitati# sangat berguna terutama ketika #aktor subyekti# diharapkan sangat penting atau ketika data kuantitati# yang akurat sulit didapatkan.

Metode Delphi (Delphi Method). Proses iterati# kelompok ini menggunakan ahli (expert) yang berbeda dalam melakukan peramalan. Terdapat tiga jenis partisipan dalam proses !elphi% yaitu: pengambil keputusan (decision maker)% sta# (personel staff) dan responden (misal masyarakat). Metode Jury of Executive Opinion. )etode ini mengumpulkan pendapat*pendapat kelompok kecil manajer tingkat tinggi * sering digabungkan dengan model statistik dan menghasilkan estimasi kelompok. Metode Staff Force Composite. !alam pendekatan ini% masing*masing sta# mengestimasi. ,asil ramalan kemudian dire+ie untuk meyakinkan apakah masing*masing sta# realistis dan kemudian peramalan sta# tadi digabung menjadi satu. Metode Consumer Market Survey. )etode ini mengumpulkan input dari konsumen atau konsumen potensial tentang suatu hal di masa datang. )etode ini sering digunakan karena tidak hanya berkaitan dengan peramalan tetapi juga perbaikan pelayanan dan perencanaan pelayanan baru.

Metode Kuantitatif
Secara

umum model kuantitati# dapat dibedakan menjadi dua yaitu runtun waktu (time series) sebutan lebih lengkap adalah univariate time series ) dan kausal. Metode runtun waktu pada hakekatnya melihat perilaku data historis untuk menentukan nilai di masa yang akan datang. Metode kausal lebih menekankan pembentukan model yang terdiri dari +ariabel dependen dan +ariabel indenpenden. Perubahan +ariabel independen akan mempengaruhi perubahan +ariabel dependen.

Metode Runtun Waktu (Univariate Time Series)

)etode runtun aktu (time series atau lebih lengkap univariate time series) adalah suatu teknik peramalan nilai suatu +ariabel di masa depan dengan menggunakan data historis% dengan asumsi bah a apa yang terjadi di masa yang akan datang adalah suatu #ungsi dari apa yang telah terjadi dimasa yang lalu. Peramalan dengan runtun aktu mengimplikasikan bah a nilai suatu +ariabel hanya diprediksi dari nilai*nilai +ariabel tersebut di masa lalu dan tidak memperhatikan +ariabel*+ariabel yang lain meskipun +ariabel*+ariabel tersebut berkaitan erat. Sehingga% jika kita ingin meramalkan suatu nilai suatu +ariabel secara tahunan kita juga harus menggunakan data tahunan masa lalu. -eberapa metode runtun aktu akan dibahas pada bagian ini% yaitu: rata*rata bergerak% penghalusan eksponensial dan proyeksi kecenderungan.

Dekomposisi Data Runtun Waktu

.nalisis data runtun aktu memiliki arti memilah data runtun aktu menjadi komponen*komponen dan memproyeksikannya ke depan. !ata runtun aktu pada hakekatnya memiliki empat komponen yaitu: kecenderungan (trend)% musiman (seasonality)% siklus (cycle) dan +ariasi acak (random variation).

/ecenderungan (Trend, T) : kecenderungan naik"turun dalam jangka panjang )usiman (Seasonality, S) : adalah pola #luktuasi data di sekitar kecenderungan pada setiap tahun Siklus (Cycle/siklus% 0) : pola data dalam beberapa tahun yang biasanya dikaitkan dengan siklus bisnis. 1ariasi acak (Random Variation, $) : perubahan data yang disebabkan oleh perubahan situasi yang tidak biasa. !alam hal ini% +ariasi acak tidak memiliki pola.

Dekomposisi Runtun Waktu

nilai Puncak Musiman "ata aktual Komponen Kecenderungan

Rata-rata

Tahun #

Tahun $

Tahun %

Tahun

)odel Perkalian: Data Runtun Waktu = T x S x C x R )odel Penjumlahan: Data Runtun Waktu = T S C

&t = A t #

2ni+ariate: Metode aif ! aive Method"

)etode nai# ini adalah metode runtun aktu yang sederhana. Pengambil keputusan meramalkan nilai +ariabel di masa datang sama dengan nilai +ariabel periode sebelumnya. !engan kata lain% nilai +ariabel tahun ini diramalkan sama dengan nilai +ariabel tahun lalu3 nilai +ariabel tahun depan diramalkan sama dengan nilai +ariabel tahun ini% dan seterusnya. 4ika Ft menunjukkan nilai prediksi periode t dan .t*& menunjukkan nilai data aktual pada periode sebelumnya atau t*&% maka rumus untuk model nai# adalah:

&t = A t #

&t = A t #

2ni+ariate: Metode #ata$rata %er&erak !Movin& 'vera&es"

$ata*rata bergerak sangat berguna ketika kita mengasumsikan bah a data runtun aktu akan tetap sepanjang aktu. Teknik ini digunakan dengan asumsi bah a data runtun aktu dapat bertahan dari aktu ke aktu )etode ini dilakukan hanya dengan menjumlahkan besarnya data selama runtun aktu tertentu% kemudian dibagi jumlah runtun aktu tersebut. Secara matematik dapat dirumuskan sebagai berikut :

MA )n ( =

'
n

&t = A t #

2ni+ariate: Metode #ata$rata %er&erak Tertim(an& !)ei&hted Movin& 'vera&es* )M'"

!alam ).% kita menganggap +ariabel tahun yang berbeda adalah sama*sama penting. !alam kenyataan% kemungkinan +ariabel dengan tahun berbeda akan memiliki dampak yang berbeda. Sebagai contoh% pengeluaran konsumsi kita saat ini mungkin dipengaruhi lehih besar oleh konsumsi tahun sebelumnya dibandingkan konsumsi 5%6%7%.... tahun sebelumnya. Oleh karena itu% W). melihat bah a tahun berbeda memiliki bobot yang berbeda:

MA )n ( = i x i
n

&t = A t #

2ni+ariate: Metode +en&halusan Eksponensial !Exponential Smoothin&"

,asil peramalan yang kita lakukan kemungkinan berbeda dengan kenyataan. )isal nilai hasil ramalan kita simbolkan dengan F sedangkan nilai kenyataan (actual) kita simbolkan dengan .. )etode pengalusan eksponensial pada hakekatnya menggunakan perbedaan hasil ramalan dengan nilai kenyataan untuk peramalan di masa yang akan datang. .dapun rumusnya sebagai berikut: !t = !t " #
dimana : Ft Ft*& 8 .t*&

$ ( % t " # & !t " # )

: Peramalan baru (untuk periode aktu t ). : Peramalan sebelumnya (untuk periode aktu t*&). : /onstanta penghalusan (9:8:&). : !ata asli pada periode sebelumnya

&t = A t #

2ni+ariate: Metode +en&halusan Eksponensial den&an +enyesuaian Trend !Exponential Smoothin& ,ith Trend 'd-ustment"

)odel penghalusan eksponensial dapat ditambahkan komponen tren untuk mendapatkan model yang lebih kompleks. ;de dasarnya adalah dengan menghitung peramalan model penghalusan eksponensial baru kemudian disesuaikan &"T = & +dengan T nilai positi# atau negati# kelambanan tren. Penghalusan eksponensial dengan penyesuaian kecenderungan dapat dirumuskan sebagai berikut:

t t t

&"Tt = &t + Tt
< < < < < <

dimana : F!Tt Tt Tt*& = Ft Ft*&

Tt = (# & )Tt-1 + (!t Ft-1)

#orecast dengan tren trend periode t trend eriode sebelumnya konstanta penghalusan trend yang kita pilih ramalan periode t ramalan periode sebelumnya

&t = A t #

2ni+ariate: Metode +royeksi .ecenderun&an !Trend +ro-ection"

Proyeksi /ecenderungan (Trend rojection) mencoba membuat garis proyeksi pada data historis dan memproyeksikannya untuk nilai di masa yang akan datang. Terdapat beberapa model persamaan tren matematis yang biasa digunakan seperti: linier% eksponensial dan kuadratik. &"T = & +Pada T bagian ini hanya akan dibahas bentuk trend linier. )etode kuadrat terkecil (least s!uare) sering digunakan untuk mendapatkan garis proyeksi. )etode ini pada hakekatnya mencoba membuat garis yang melalui data historis sedemikian hingga meminimumkan penjumlahan kuadrat jarak +ertikal (simbol ui) antara garis proyeksi dengan masing*masing data historis tersebut.

t t t

)etode yang dipilih>

.kurasi

model peramalan dapat ditentukan dengan membandingkan nilai* nilai prediksi dengan data aktual. 4ika nilai prediksi pada periode t disimbolkan Ft sedangkan nilai aktual pada periode t disimbolkan .t maka nilai kesalahan atau penyimpangan peramalan (dt) dapat dirumuskan:

dt < .t * Ft

)etode /ausal
' = # + $ * Astimasi
?

' = $../... + .-+,*

< +ariabel dependen @ < +ariabel independen Forecasting dengan metode kausal:
4ika

@<...... )aka ? diprediksikan ......