Anda di halaman 1dari 8

PENERAPAN METODE TIMES SERIES DALAM SIMULASI

FORECASTING PERKEMBANGAN AKADEMIK MAHASISWA


Ashari
Program Studi Teknik Informatika, STMIK AKBA
ashari.akba36@gmail.com

Abstrak
Perkembangan ilmu pengetahuan dan teknologi mendorong setiap saat manusia untuk
meningkatkan efisiensi dan efektifitasnya. Pemanfaatan teknologi informasi dan komunikasi
dilakukan hampir dalam setiap aspek kehidupan. Teknologi Informasi dapat mengotomatisasi
proses pengelolaan informasi mulai dari memasukkan informasi, menyimpan, dan
memperbaruinya setiap saat sehingga setiap orang bisa mendapatkan informasi terbaru dan
melakukan analisis dengan mudah. Keterlibatan teknologi informasi dan komunikasi di
dalam dunia pendidikan diantaranya dapat memantau perkembangan akademik mahasiswa.
Metode times series merupakan salah satu metode simulasi forecasting atau peramalan yang
dapat memperkirakan perkembangan akademik mahasiswa sehingga dosen pembimbing
akademik dapat memprediksi kualitas belajar mahasiswa bimbingannya dengan cara melihat
hasil belajar dan perilaku mahasiswa bimbingannya. Penelitian ini bertujuan memprediksi
perkembangan prestasi akademik mahasiswa berdasarkan indeks prestasi kumulatif (IPK)
berdasarkan data IPK sebelumnya. Metode yang digunakan dalam melakukan forcasting ini
adalah times series dengan teknik peramalan nilai terakhir (last value), nilai rata-rata
(average) dan rata-rata bergerak (moving average). Metode ini dipilih karena cukup
sederhana,sehingga proses prediksi tidak memakan waktu terlalu lama . Hasil Pengujian
menunjukkan bahwa teknik forecasting last value dan average lebih cenderung sesuai
dengan prediksi IPK mahasiswa, kecuali untu beberapa kasus mahasiswa yang mengalami
masalah lain yang bersifat non akademik.

Kata Kunci : Simulasi, Forecasting, Times Series, Perkembangan Akademik

1. PENDAHULUAN yang terdiri dari sistem informasi dan


infrastruktur pendukungnya.
1.1. Latar Belakang
Keberadaan teknologi informasi dan
Perkembangan teknologi informasi sangat komunikasi di dalam dunia pendidikan
pesat dalam era globalisasi sekarang ini, dapat membantu meringankan pekerjaan
sehingga manusia dituntut agar dapat akademik khususnya dalam memantau
mengikuti perkembangan dan selalu perkembangan akademik mahasiswa.
berusaha untuk mengadopsi teknologi Pemanfaatan teknologi informasi dalam
informasi terbaru untuk membantu memantau perkembangan akademik
kelancaran organisasi. Teknologi informasi mahasiswa, sehingga dosen pembimbing
tidak lagi dipandang hanya sebagai akademik dapat memprediksi kualitas
pelengkap akan tetapi sudah menjadi salah belajar mahasiswa bimbingannya dengan
satu penentu atas terlaksananya sasaran cara melihat hasil belajar dan perilaku
atau strategi organisasi yang handal. mahasiswa bimbingannya, sehingga dapat
Dukungan teknologi informasi terhadap melakukan tindakan preventif untuk
organisasi umumnya berbentuk sistem meningkatkan kemajuan belajar
mahasiswa.
9
Penerapan teknologi informasi untuk pengamatan ini membentuk suatu data
memprediksi perkembangan akademik time series dengan jarak bulanan selama
mahasiswa dapat dilakukan dengan metode dua tahun sehingga data tersebut terdiri
Time Series yang dapat membantu dosen dari 24 observasi.
pembimbing akademik dalam melkukan
simulasi forecasting menetukan Indeks Data time series ini merupakan suatu
Prestasi Kumulatif (IPK) mahasiswa deskripsi masa lampau dan digunakan
bimbingannya dari data semester untuk meramalkan masa depan, artinya
sebelumnya untuk memprediksi semester kita berharap masa depan dapat dijelaskan
berikutnya. Hal ini menjadi salah satu dengan informasi yang ada pada masa
upaya untuk membantu mahasiswa lampau.kalau memang hal ini yang terjadi,
bimbingan dalam meningkatkan program kita dapat menawarkan suatu model
belajar, melaksanakan kegiatan belajar, matematik yang mampu
mengatasi masalah belajar yang dihadapi merepresentasikan proses terjadinya data
dan mengembangkan potensi-potensi yang time series tersebut. Kemudian, kita
dimiliki oleh mahasiswa. gunakan model matematik ini untuk
membuat suatu ramalan tentang masa
1.2. Rumusan Masalah depan.
Kenyataannya, dalam kehidupan sehari-
Berdasarkan latar belakang masalah
hari, sering kali kita dihadapkan pada
tersebut, dapat dirumuskan permasalahan
keterbatasan informasi masa lalu sehingga
yang akan diselesaikan yaitu bagaimana
kita tidak dapat membuat model yang
membuat aplikasi penerapan metode times
dapat menceritakan masa lalu secara tepat.
series dalam simulasi forecasting
Oleh sebab itu, biasanya, yang dapat
perkembangan akademik mahasiswa
dilakukan hanyalah membuat model yang
STMIK AKBA.
dekat dengan model yang sebenarnya.
1.3. Tujuan Penelitian Sering kali pendekatan ini berdasarkan
pada pengamatan terhadap data time
Tujuan penelitian ini adalah membuat series.
aplikasi yang dapat digunakan untuk
penerapan metode times series dalam Bila data time series yang ada dibuat plot
simulasi forecasting perkembangan (grafik), maka akan terlihat berbagai
akademik mahasiswa STMIK AKBA. macam pola. Secara garis besar, pola data
time series dapat dikelompokan menjadi :
1. Level Konstan.
2. LANDASAN TEORI Pola konstan menunjukkan data
bergerak sekitar rata-rata,dengan
2.1 Times Series variasi jarak yang terkadang jauh
dan terkadang dekat. Akan tetapi
Suatu data time series dapat dilihat sebagai secara umum data tidak menunjukkan
suatu representasi dari realisasi suatu adanya perubahan tren, baik
variabel random yang biasanya meningkat maupun menurun.
mempunyai interval waktu yang sama dan 2. Tren Linear
diamati pada suatu periode tertentu. Pola data yang menunjukkan adanya
Misalkan,kita tertarik untuk mengamati perubahan rata-rata, tetapi varians
tingkat penggangguran yang dicatat secara tetap, merupakan karakteristik dari
bulanan dan diamati selama 2 tahun dari pola tren.
Januari 2011 sampai dengan Desember
2012. Data yang terbentuk dari
10
Analisis Time Series (Iriawan dan Astuti, Ft+1 = xt ;
2006:341) merupakan metode peramalan
kuantitatif untuk menentukan pola data Ft+1 = merupakan fungsi dari sebagian atau
masa lampau yang dikumpulkan semua data time series yang telah diamati
berdasarkan urutan waktu, yang disebut sampai dengan waktu t.
data time series. Dalam membuat prediksi
dengan asumsi bahwa masa depan Xt =merupakan variabel random yang
merupakan fungsi dari masa lalu dengan diamati pada waktu t
kata lain mereka melihat apa yang terjadi
selama kurun waktu tertentu dan
Dimana xt adalah realisasi dari xt dan
menggunakan data masa lalu tersebut
untuk level konstan,
untuk melakukan peramalan. Jika kita
xt dinyatakan sebagai:
memperkirakan penjualan pertahun mesin,
xt = A + et.
kita menggunakan data penjualan pada
tahun lalu untuk membuat ramalan
xt = merupakan variabel random yang diamati
penjualan pada tahun yang akan datang.
pada waktu t
Bila data time series yang dianalisis sudah A = level konstan dari model
teridentifikasi dan suatu pola telah dipilih
berdasarkan identifikasi tersebut, maka et= deviasi random yang terjadi pada waktu t
model matematik yang merupakan
representasi dari proses pembentukan data
sebagai contoh, bila xt merupakan
time series tersebut dapat ditentukan atau
banyaknya penjualan bulan terakhir, maka
dipilih. Misalnya saja, pola data yang kita
penjualan bulan depan diramal dengan
amati mendekati pola level konstan dengan
angka tersebut. Apakah metode ini
fluktuasi random, maka model matematik
rasional? Sudah tentu permintaan suatu
yang dapat dipilih adalah:
barang tersebut bulan ini. Metode ini
xt = A + et
menggunakan asumsi bahwa data sebelum
dimana xt merupakan variabel random
waktu t tidak relevan lagi sehingga data
yang diamati pada waktu t, A menyatakan
yang dipedulikan hanyalah data yang
level konstan dari model, dan et
terakhir saja. Hal ini bisa mendekati
menyatakan deviasi random yang terjadi
kebenaran (cukup rasional) kalau proses
pada waktu t. Kemudian, ramalan xt untuk
yang membentuk time series tersebut
waktu t + 1 yang dinotasikan sebagai Ft+1
berubah begitu cepat, yang mengakibatkan
dapat merupakan fungsi dari sebagaian
data historis yang sangat lama tidak dapat
atau semua data time series yang telah
digunakan untuk mengantisipasi masa
diamati sampai dengan waktu t.
depan.
Metode peramalan yang dianggap cocok 2. Metode Peramalan Rata-rata
untuk meramal data yang mempunyai pola (Average)
level konstan dengan fluktuasi random Prosedur ini menggunakan semua
dalam penelitian ini adalah : data yang telah diamati, kemudian
1. Metode Peramalan Nilai Terakhir (Last membuat rata-ratanya untuk digunakan
Value) membuat ramalan ke depan.
Metode ini menggunakan data time series
yang diobservasi pada waktu t, yaitu xt T
untuk meramal Ft+1. Dengan perkataan Ft+1 =
lain, formula ramalan yang digunakan t=1
adalah:

11
Menurut Zulkifli (2005 : 203) simulasi
adalah penampilan karakteristik-
Ft+1 = merupakan fungsi dari sebagian atau karakteristik yang terpilih dari bentuk fisik
semua data time series yang telah diamati atau ringkasan dari sistem lain.
sampai dengan waktu t. Sedangkan menurut Cleary dan Thierry
Malleret (2007 : 116) simulasi adalah
Xt =merupakan variabel random yang suatu cara yang efektif dalam
diamati pada waktu t mengembangkan pengertian dari
kemampuan perusahaan dalam berurusan
dengan resiko yang sistematik dan untuk
Teknik ini akan cocok digunakan bila mengetes daya lenturnya terhadap resiko
datanya stabil sehingga rata-ratanya
memang dekat sekali dengan nilai Simulasi merupakan salah satu cara untuk
observasi yang ada dan data yang akan memecahkan berbagai persoalan yang
datang diharapkan akan berkisar pada nilai dihadapi didunia nyata (real world).
rata-ratanya. Akan tetapi, bila datanya Banyak metode yang dibangun dalam
tidak stabil, mungkin ramalan ini akan Operations Research dan System Analyst
memberikan hasil yang meleset jauh. untuk kepentingan pengambilan keputusan
dengan menggunakan berbagai analisis
3. Metode Peramalan Rata-rata Bergerak data. Pendekatan yang digunakan untuk
(Moving Average) memecahkan berbagai masalah yang tidak
t
pasti dan kemungkinan jangka panjang
Ft+1 = yang tidak dapat diperhitungkan dengan
seksama adalah dengan simulasi.
I=t-(n-l)

1. Model simulasi
Ft+1 = merupakan fungsi dari sebagian atau Model model simulasi yang ada dapat
semua data time series yang telah diamati dikelompokkan ke dalam enam bagian,
sampai dengan waktu t. antara lain :
a. Model statik
Xt =merupakan variabel random yang Model statik tidak memperhatikan
diamati pada waktu t perubahan-perubahan nilai dari
variabel-variabel yang ada kalau terjadi
pada waktu yang berbeda. Waktu tidak
Berbeda dengan metode sebelumnya, berperan di sini. Contoh: Model Monte
metode ini hanya mengunakan Carlo.
pengamatan-pengamatan yang up-to-date b. Model dinamik
yang dianggap sudah stabil dan relevan Model yang memperhatikan
dan kurang stabil tidak digunakan untuk perubahan-perubahan nilai dari
meramal. Pada hakekatnya, metode ini variabel-variabel yang ada kalau terjadi
merupakan gabungan antara Metode Nilai pada waktu yang berbeda. Contoh:
Terakhir dan metode Rata-rata. Kalau Sistem conveyor di pabrik.
semua datanya digunakan, metode ini c. Model deterministik
menjadi metode Rata-rata, sedangkan bila Pada model ini tidak memiliki
hanya data terakhir saja yang digunakan, komponen probabilistik (random).
metode ini menjadi Metode Nilai Terakhir. Sehingga pemecahan menjadi lebih
sederhana.
2.2 Simulasi d. Model stokastik

12
Memiliki komponen input random, dan 3) Simulasi Campuran merupakan
menghasilkan output yang random simulasi dari suatu proses yang
pula. komponen-komponen sistemnya
e. Model kontinu ada yang bersifat diskrit dan ada
Status berubah secara kontinu terhadap yang bersifat kontinu.
waktu, misal: gerakan pesawat terbang. 4) Simulasi Monte Carlo merupakan
f. Model diskrit simulasi yang menggunakan data
Status berubah secara instan pada titik- empiris sebagai dasar.
titik waktu yang terpisah, misal: 3. Karakteristik simulasi
jumlah customer di bank. Karakteristik simulasi sebagai alat
perencanaan dan pengambilan
2. Jenis-jenis Simulasi keputusan yang tangguh:
Beberapa jenis simulasi yaitu: a. Mencakup saling ketergantungan
sistem (system interdependencies)
a. Simulasi menurut sifat dan waktu: b. Memperhitungkan variabilitas
1) Simulasi Statis merupakan simulasi sistem
model yang menggambarkan suatu c. Sanggup membuat model untuk
sistem atau proses yang tidak sistem apapun
dipengaruhi oleh waktu atau terjadi d. Memperlihatkan perilaku sistem
pada saat-saat tertentu saja. Contoh: setiap saat
Simulasi Monte Carlo e. Lebih murah, tidak menghabiskan
waktu dan tidak mengganggu sistem
2) Simulasi Dinamis merupakan nyata
simulasi model yang dipengaruhi f. Menarik perhatian (secara visual)
oleh waktu. Simulasi ini kebalikan g. Menyediakan hasil yang mudah
dari simulasi statis. Contoh: dimengerti dan dikomunikasikan
Simulasi kedatangan mobil ke h. Mencakup waktu yang nyata,
dalam jalan tol dimanfatkan, atau bahkan waktu
yang tertunda
b. Simulasi menurut ada tidaknya
i. Memberikan rancangan yang rinci.
peubah acak
1) Simulasi Deterministik merupakan 2.3 Forecasting
simulasi yang menggambarkan
suatu proses yang pasti terjadi. Peramalan adalah kegiatan yang
2) Simulasi Stokhastik atau berhubungan dengan meramalkan atau
Probabilistik merupakan simulasi kegiatan atau memproyeksikan hal-hal
yang menggambarkan suatu proses yang terjadi dimasa lampau kemasa depan.
yang mengandung unsur
ketidakpastian. Menurut (Heizer J. and Render B. ,2006:
c. Simulasi menurut peubah acaknya 162), Peramalan (forecasting) adalah seni
1) Simulasi Diskrit merupakan dan ilmu untuk memperkirakan kejadian
simulasi dari suatu proses yang dimasa depan. Hal ini dapat dikakukan
komponen-komponen sistemnya dengan melibatkan pengambilan data masa
bersifat diskrit. Contoh: Simulasi lalu dan menempatkannya kemasa akan
kedatang pembeli pada supermarket datang dengan suatu bentuk model
2) Simulasi Kontinu merupakan matematis. Bila juga merupakan prediksi
simulasi dari suatu proses yang intuasi yang bersifat subjektif. Atau bisa
komponen-komponen sistemnya juga dengan menggunakan kombinasi
bersifat kontinu. model matematis yang disesuaikan dengan
13
pertimbangan yang baik dari seorang mendapatkan beberapa kriteria
manajer. sebagai berikut:

1. Jenis-jenis forecasting a. Prediksi haruslah tepat waktu


Dilihat dari segi waktu, forecasting b. Prediksi haruslah dalam satuan-
dapat dibagi dalam tiga jenis, yaitu satuan sesuai dengan rencana
prediksi jangka panjang (Long-range keputusan yang akan dibuat.
forecasting), prediksi jangka
menengah (mediun-term forecasting) 3. ANALISIS DAN PERANCANGAN
dan prediksi jangka pendek (short-
term forecasting). Teknik analisis data dalam pembuatan
a. Long-range forecasting perangkat lunak menggunakan pemodelan
Prediksi jangka panjang umumnya perangkat lunak dengan paradigma
cenderung tidak akurat. Hal itu telah waterfall seperti terlihat pada Gambar 1
dibuktikan oleh W. Ascher yang yang meliputi beberapa proses
mencoba menguji ketepatan dari diantaranya:
prediksi (sering disebut proyeksi) a. System / Information Engineering
dalam bidang ekonomi, Merupakan bagian dari sistem yang
kependudukan, energi, transportasi terbesar dalam pengerjaan suatu proyek,
dan teknologi, yang akhirnya dimulai dengan menetapkan berbagai
membuat ia menemukan banyaknya kebutuhan dari semua elemen yang
bisa, disamping kesalahan-kesalahan diperlukan sistem dan mengalokasikannya
yang cukup berarti, mulai dari angka kedalam pembentukan perangkat lunak.
presentase yang kecil sampai pada
presentase yang ratusan. b. Analisis
Kecenderungan dari para pengambil Merupakan tahap menganalisis hal-hal
keputusan ialah menginginkan yang diperlukan dalam pelaksanaan proyek
masukan dari beberapa peramal. Lalu pembuatan perangkat lunak.
timbul masalah baru, yaitu prediksi
siapa yang akan diikuti. c. Design
b. Mediun-term forecasting Tahap penerjemahan dari data yang
Prediksi ini biasanya berjangka waktu dianalisis kedalam bentuk yang mudah
antara tiga bulan sampai dua tahun. dimengerti oleh user.
Prediksi ini biasanya diangkat dari
prediksi jangka panjang atau dari d. Coding
jangka pendek. Tahap penerjemahan data atau pemecahan
c. Short-term forecasting masalah yang telah dirancang keadalam
Prediksi jangka pendek pada bahasa pemrograman tertentu.
umumnya masih berpedoman pada
perkembangan sekarang karena secara e. Pengujian
teoritis gejala-gejala yang terjadi Merupakan tahap pengujian terhadap
sekarang masih dapat berlaku paling perangkat lunak yang dibangun.
tidak untuk jangka tiga bulan
berikutnya. f. Maintenance
2. Kriteria Prediksi Tahap akhir dimana suatu perangkat lunak
Variabel-variabel yang krusial dalam yang sudah selesai dapat mengalami
lingkungan perlu dipantau terus dan perubahanperubahan atau penambahan
nilai serta dampak masa depannya sesuai dengan permintaan user.
perlu diramalkan secara serius. Untuk
14
dan himpunan relasi yang dideskripsikan
lebih jauh melalui sejumlah atribut-atribut
(property) yang menggambarkan seluruh
fakta dari sistem yang ditinjau.

3.3 Perancangan Struktur Menu

Dalam perancangan sebuah aplikasi


dibutuhkan struktur menu yang berisikan
Gambar 1. Paradigma Waterfall menu dan submenu yang berfungsi untuk
memudahkan user dalam menggunakan
3.1 Analisa Sistem aplikasi tersebut.

Analisis Sistem dapat didefinisikan 4. IMPLEMENTASI


sebagai penguraian dari suatu sistem
informasi yang utuh ke dalam bagian Implementasi adalah tahap yang meliputi
bagian komponennya dengan maksud proses persiapan sistem, konversi dan
untuk mengidentifikasikan dan pengoperasian. Implementasi merupakan
mengevaluasi permasalahan yang terjadi prosedur yang dilakukan untuk
dan kebutuhan yang diharapkan sehingga menyelesaikan desain sistem yang ada
dapat diusulkan perbaikan-perbaikan. Atau dalam dokumen desain yang disetujui dan
secara lebih mudahnya, analisis sistem di uji kemudian diinstal guna dilakukan
adalah penelitian atas sistem yang telah pemrosesan data dengan sistem yang baru
ada dengan tujuan untuk merancang sistem atau sistem yang diperbaiki.
yang baru atau diperbarui. Tahap analisis
sistem ini merupakan tahap yang sangat 4.1 Lingkungan Pengembangan
kritis dan sangat penting, karena kesalahan
di dalam tahap ini akan menyebabkan juga Aplikasi ini dibuat dengan spesifikasi
kesalahan di tahap selanjutnya. Tugas komputer sebagai berikut:
utama analis sistem dalam tahap ini adalah 1. Sistem Operasi : Windows 7 Ultimate
menemukan kelemahan dari sistem yang 2. Processor : Intel Core i3-2330M
berjalan sehingga dapat diusulkan 3. RAM : 2 GB DDR3
perbaikannya.
4.2 Pemeliharaan Sistem
3.2 Analisa Basis Data Pemeliharaan terhadap sistem yang telah
dibangun secara khusus tidak harus
Struktur logika dari basis data dapat dilakukan pemeliharaan, kecuali jika
digambarkan dalam sebuah grafik dengan sistem ingin dikembangkan. Pemeliharaan
menggunakan Entity Relationship yang dapat dilakukan adalah pada sisi
Diagram (ERD). ERD merupakan database, dan program perhitungan
hubungan antara entitas yang digunakan prediksi peserta matakuliah pilihan.
dalam sistem untuk menggambarkan
hubungan antara entitas atau struktur data 4.2 Pengujian Program
dan relasi antar file. Untuk menguji program ini disediakan
data dari mahasiswa STMIK AKBA
Komponen utama pembentukan ERD yaitu sebagaimana dalam tampilan gambar 2.
Entity (entitas) dan Relation (relasi)
sehingga dalam hal ini ERD merupakan
komponen-komponen himpunan entitas
15
Daftar Pustaka

[1] Chen,S.M. 1996. Forecasting


Enrollment based on Fuzzy Time
Series. International Journal of
Applied Science and Engineering. Vol
: 81, Hal : 311-399
[2] Heizer, J., & Render, B. (2006).
Manajemen Operasi, Edisi 7. Jakarta:
Salemba Empat

[3] Nahrowi Djalal & Usman Hardius.


2004. Teknik Pengambilan Keputusan
Jakarta: Grasindo.
Gambar 2. Form Prediksi IPK mahasiswa
[4] Prasmanasi, Deasy Yuanita. Jenis
Untuk mengakses form ini, pilih menu Jenis Metode Peramalan. Malang
transaksi, prediksi. Form ini digunakan :Universitas Muhammadiyah
untuk memprediksi ipk mahasiswa. Dalam
form ini terdapat 3 cara perhitungan dari [5] Puspitasari,E . Linawati,L & H.A.
time series yaitu Last Value diperoleh Parhusip. 2012. Peramalan
3,13, Average didapatkan IPK =3,20 dan Persentase Perubahan Data Indeks
Moving Average dihasilkan IPK=3,20. Harga Saham Gabungan (IHSG)
Namun dalam percobaan simulasi cara dengan Fuzzy Time Series. Prosiding
perhitungan Moving Average tidak Seminar Nasional Sains dan
maksimal dalam melakukan prediksi Pendidikan Sains UKSW 21-22
dikarenakan Moving Average September 2012
menggunakan data pengamatan terbaru
yang konstan sedangkan data IPK [6] Saputro Doddy, 2012, Analisis
cenderung berubah-ubah. Peramalan dalam Memprediksikan
5. PENUTUP Permintaan dan Persediaan Mesin
Dengan Perhitungan EOQ dan
Berdasarkan hasil penerapan metode times Simulasi Monte Carlo Pada PT.Surya
series dalam simulasi forecasting Wahana Fortuna. Ubinus: Jakarta
perkembangan akademik mahasiswa
STMIK AKBA, maka dapat ditarik [7] Simartama Jenner, 2007, Perancangan
kesimpulan sebagai berikut: Basis Data. Yogyakarta: Andi
a. Metode times series yang cenderung
[8] Sutabri Tata, 2004, Analisis Sistem
digunakan untuk simulasi peramalan
Informasi. Yogyakarta: Andi
perkembangan IPK mahasiswa adalah
Last Value dan Average [9] Zulkifli Amsyah, 2007. Manajemen
b. Dengan aplikasi yang berbasis Sistem Informasi. Jakarta: Gramedia
teknologi informasi dihasilkan sebuah
metode yang bisa digunakan untuk Pustaka Utama
simulasi peramalan perkembangan
akademik mahasiswa STMIK AKBA.

16