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
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.
![[Suhartono] Analisis Data Statistik Dengan R](https://imgv2-1-f.scribdassets.com/img/document/98066704/149x198/6f7177b817/1609252510?v=1)
