Anda di halaman 1dari 15

ANALISIS FORECASTING DALAM SPSS

Nama

: GEOVANI

NPM

: 14210059

Kelas

: 3.2.1.2

Semester/Jurusan

: Tiga ( 3) / Akuntansi

Mata Kuliah

: APLIKASI KOMPUTER STATISTIK

DOSEN MATA KULIAH

: SUPRIYADI, SE

ANALISIS FORECASTING DALAM SPSS

1. Pengertian Peramalan
Peramalan dapat didefinisikan sebagai suatu proses memperkirakan secara
sistematis tentang apa yang paling mungkin terjadi di masa depan berdasarkan
informasi masa lalu dan sekarang yang dimiliki agar kesalahannya dapat
diperkecil (Mulyono, 2000).
2. Rentang Waktu Peramalan
Rentang waktu peramalan dalam praktek sangat bervariasi. Ada yang
melakukan peramalan secara rutin dengan jangka waktu yang pendek, baik
itu bulanan, mingguan, bahkan harian. Namun, ada juga peramalan yang
mempunyai rentang waktu lama, sampai bertahun-tahun.
Menurut Santoso (2009), peramalan dari sudut rentang waktu dapat dibagi
menjadi 3 macam, yakni : peramalan jangka pendek, jangka menengah dan
jangka panjang.
a. Peramalan Jangka Pendek
Jangka pendek meliputi kurun waktu mulai dari satu hari sampai satu
musim, atau dapat sampai satu tahun. Peramalan ini umumnya menggunakan
peramalan kuantitatif karena menganggap data masa lalu masih relevan
untuk dijadikan bahan prediksi.
b. Peramalan Jangka Menengah
Jangka menengah meliputi kurun waktu mulai dari satu musim (kuartal,
triwulan atau yang lain) sampai dua tahun. Peramalan ini sebagian masih

menggunakan peramalan kuantitatif dan kualitatif karena menganggap data


masa lalu masih cukup relevan untuk memprediksi masa datang.

c. Peramalan Jangka Panjang


Jangka panjang meliputi kurun waktu minimal lima tahun. Peramalan ini
umumnya

berdasarkan

intuisi

dan

pengalaman

seseorang

karena

menganggap data masa lalu sudah tidak lagi relevan, hanya sedikit yang
masih menggunakan peramalan kuantitatif.
3. Contoh Peramalan dalam SPSS
a) Peramalan dengan Metode ARIMA melalui program SPSS 17
Tulisan ini hanyalah teknik peramalan dengan metode ARIMA
yang menggunakan Aplikasi SPSS 17. Untuk teorinya silahkan baca buku
Ekonometrika
1. Buka Aplikasi SPSS 17
2. Buka File \Ekonometrika\data\arima_indeks_trans.xls
3. Lakukan uji stasioneritas dengan mengklik :
Analyze Forecasting - Autocorrelation
4. Masukkan variable closing ke dalam kolom variable, hilangkan tanda
centang partial correlation pada parameter display lalu klik Ok

5. Hasilnya

6. Dari gambar di atas menunjukkan bahwa data tidak stasioner, oleh


karena itu harus dilakukan differencing.
7. Lakukan lagi langkah ke-3 kali ini pada parameter transform beri tanda
centang pada difference dan isi kolom dengan 1, hasilnya:

8. Hasil pengolahan menunjukkan data telah stasioner, berarti siap untuk


permodelan dengan ARIMA.
9. Untuk menentukan ordo pada model ARIMA, lakukan lagi langkah ke3 tapi kali ini beri tanda centang pada partial autocorrelations
sehingga hasilnya menjadi:

10. Dari hasil-hasil di atas, maka dapat dibuat model ARIMA (p,d,q)
sebagai ARIMA (1,1,1)
11. Langkah untuk membuat model klik Analyze-create model, pilih
ARIMA pada parameter methods, buat ordo (1,1,1) pada tombol
criteria.

12. Pada Tabs Statistik beri centang Parameter estimates pada Statistic
for Individual Model.

13. Pada Tabs Save beri centang Noise Residual lalu OK

14. Hasilnya sebagai berikut:


ARIMA Model Parameters
Estimate
ClosingModel_1

Closing No
Transformation

Constant
AR

Lag 1

Difference
MA

Lag 1

SE

Sig.

1.022

.492

2.078

.042

.838

.192

4.368

.000

.261

2.499

.015

1
.653

Model ARIMA yang dibuat:


Yt
= 1,022 + 0,838 Yt-1 0,653e t-1
Yt (Yt-1 )
= 1,022 + 0,838(Yt-1 - Yt-2) - 0,653e t-1
Yt
= 1,022 + 1,83 Yt-1 0,83 Yt-2 - 0,653e t-1

15. Apakah model sudah baik? Model baik jika:


a. Semua koefisien signifikan kecuali intercept (konstant), Pada kolom
sig menunjukkan syarat pertama terpenuhi.
b. Errornya White Noise (pure random), artinya error tidak dipengaruhi
oleh error-error waktu yang lalu.

16. Untuk mengetahui apakah error white noise atau tidak ikuti langkah
analyze forecasting autocorrelation. Kali ini variabelnya noise
residual from closing lalu, hilangkan centang partial correlation lalu
OK. Hasilnya:

17. Hasil di atas menunjukkan bahwa error tidak white noise. Untuk itu
model ARIMA harus diturunkan dengan metode trial error misalnya
ARIMA (1,1,0) atau ARIMA (0,1,1) Untuk itu ulangi langkah ke-11
hingga ke-16.
18. Jika tidak ditemukan model yang baik yang memenuhi 2 syarat di atas,
maka dilakukan permodelan dengan ARCH/GARCH
b) Peramalan dengan Metode Moving Average dengan software SPSS 17
dapat dilihat pada contoh berikut ini:
Jika kita memiliki data penjualan gula di TOKO ASOY per
minggu seperti pada tabel berikut ini:

Mingg

Jumlah

Sales

Sales
(kg)

Mingguberikutnyadenganmet
ode Simple Moving Average
.?

100

265

150

240

200

170

160

a. Langkah pertama adalah memasukkan data ke dalam worksheet SPSS


sebagai berikut:

Data View:

Variable View: Nama Variabel kemudian diganti menjadi minggu dan sales

b. Kemudian pilih Transform Create Time Series Seperti Gambar:

c. Setelah itu akan muncul kotak dialog berikut, pilih Sales dan klik panah
sehingga variabel sales berpindah ke kolomvariabel New Variabel di
sebelah kanan.

d. Setelah itu pilih Centered Moving Average, atau bisa juga Prior Moving
Average.
e. Kemudian isi kan span dengan 3, dan klik change. Span diisi dengan angka
3 artinya mengalami proses 3 kali smoothing yang biasa kita kenal juga
dengan Weighted Moving Average. Adapun proses 1 dan 2 kali smoothing
kita sebut Single Moving Average dan Double Moving Average.

f. Output yang didapat dari metode Centered Moving Average Weighted


Moving Average adalah sebagai berikut:

Dari output diatas, dapat diketahui bahwa Nilai Sales pada minggu ke-8 hingga
12 berdasarkan metode centered moving average berturut-turut adalah 171,67,
218,33, 196,67, 203,33, dan176,67.
Output yang didapat dari metode Prior Moving Average adalah sebagai berikut:

Maka Nilai Sales yang didapatkan pada minggu ke-8 hingga 12 berdasarkan
metode prior moving average berturut-turut adalah 171,67, 218,33, 196,67, dan
203,33.
Sejak keduanya merupakan metode simple moving average dengan span 3,
maka hasil peramalannya akan sama.

DAFTAR PUSTAKA

Mulyono, S. 2000. Peramalan Bisnis dan Ekonometrika. Edisi Pertama. BPPE.


Yogyakarta.

Santoso, Singgih. 2009. Business Forecasting Metode Peramalan Bisnis


Masa Kini dengan Minitab dan SPSS. Elex Media Komputindo. Jakarta.

http://www.academia.edu/8422386/PERAMALAN_DENGAN_METODE_ARIM
A_MELALUI_PROGRAM
https://ariyoso.wordpress.com/tag/peramalan-dengan-spss/