ID Peramalan Pola Data Musiman Dengan Model
ID Peramalan Pola Data Musiman Dengan Model
1, 2015
Abstrak
Peramalan merupakan seni dan ilmu untuk memperkirakan kejadian di masa depan, sehingga hasil dari
peramalan dapat digunakan oleh pemangku kebijakan dalam mengambil kebijakan strategis untuk
menyelesaikan persoalan dimasa mendatang. Peramalan melibatkan analisis time series dimana urutan
pengamatan berdasarkan interval waktu yang sama dan pengamatan tersebut memiliki korelasi. Model time
series yang digunakan pada penelitian ini antara lain model winter’s dan model ARIMA yang diaplikasikan
pada data debit air di telaga warna. Pemilihan model terbaik dengan meggunakan nilai MSE terkecil.
Berdasarkan hasil perbandingan model time series diperoleh model terbaik dengan MSE terkecil yaitu pada
model ARIMA.
.
Pendahuluan yang muncul pada metode peramalan sebelumnya,
yaitu mengatasi permasalahan adanya trend dan
Time series atau deret berkala adalah urutan musiman (Utami & Darsyah, 2015). Model winter’s
pengamatan berdasarkan interval waktu yang sama dikenal juga dengan istilah exponential smoothing.
dimana pengamatan tersebut memiliki korelasi atau Terdapat dua model pada model winter’s, yaitu
saling bebas (Wei, 1990). Tiap-tiap pengamatan sebagai berikut :
dianggap saling dependent antara satu dengan yang a. Model Multiplikatif, yaitu :
lain, atau pengamatan pada deret berkala ini
[
merupakan pengamatan yang memiliki korelasi.
Lt = a (Yt / St-p) + (1-a) [Lt-1 + Tt-1] (1)
Kumpulan pengamatan-pengamatan dalam deret
Tt = g [Lt - Lt-1] + (1 - g)Tt-1 (1- d) St-p
waktu ini dinyatakan sebagai variabel yang sering
dinotasikan sebagai Z. Data-data tersebut diamati t = (Lt-1 + Tt-1) St-p
dengan :
pada waktu ti , yaitu t1 , t2 ,...tn dan variabel
Lt : Level pada waktu ke-t, a adalah bobot untuk
tersebut ditulis dalam notasi Z t1 , Z t2 ,...Z tn . level
Tt : Trend pada waktu ke-t, g adalah bobot untuk
Dengan pesatnya perkembangan dunia usaha saat
trend
ini, setiap perusahaan (industri) dituntut untuk
St : Komponen musiman pada waktu ke-t, d adalah
memahami ilmu peramalan (forecasting) karena
bobot untuk komponen musiman
tidak adanya kepastian yang akan terjadi di masa
p : periode musiman
depan. Peramalan merupakan seni dan ilmu untuk
Yt : nilai data pada waktu ke-t
memperkirakan kejadian di masa depan, sehingga
hasil dari proses peramalan dapat digunakan oleh t : nilai fit pada waktu ke-t
pihak perusahaan untuk mengambil kebijakan yang b. Model Additif, yaitu :
strategis ke depannya. Biasanya, peramalan
melibatkan analisis time series (analisis deret Lt = a (Yt / St-p) + (1-a) [Lt-1 + Tt-1] (2)
waktu; the study of historical data). Dalam analisis Tt = g [Lt - Lt-1] + (1 - g)Tt-1
time series terdapat berbagai macam model yang St = d (Yt / Lt) + (1 - d) St-p
populer yaitu metode dekomposisi, model winter’s,
t = Lt-1 + Tt-1+ St-p
regresi deret waktu, dan model ARIMA. Keempat
model di atas dapat digunakan untuk peramalan dengan :
data yang mengandung pola musiman dan/atau tren. Lt : Level pada waktu ke-t, a adalah bobot untuk
Peramalan yang akurat akan menghasilkan sistem level
manajemen perusahaan yang efektif.Tujuan dari Tt : Trend pada waktu ke-t, g adalah bobot untuk
penelitian ini adalah menerapkan dan trend
membandingkan model time series pada data debit St : Komponen musiman pada waktu ke-t, d adalah
air telaga warna. bobot untuk komponen musiman
p : periode musiman
Model winter’s merupakan metode peramalan Yt : nilai data pada waktu ke-t
yang dikembangkan untuk mengatasi permasalahan
72
Value Added, Vol. 11, No. 1, 2015
adalah koefisien komponen MA non musiman antara Fn (x) dan F0 ( x) , Sup masing-masing
dengan order q
merupakan fungsi Kolmogorov peluang kumulatif
at : error white noise, at ~ IIDN(0, a2 ) yang dihitung dari data sampel, fungsi peluang
B : operator Backward kumulatif distribusi normal, dan nilai supremum
(1 B) d : pembedaan tak musiman dengan order untuk semua at . Daerah Kritis: Tolak H0 jika
pembedaan tak musiman d D D1 ,n atau P-value < , dengan = 5%.
Order pembedaan yang bernilai bulat tak negatif Kemudian, membandingkan performansi atau
dapat memberikan indikasi terhadap kestasioneran kebaikan hasil pemodelan, dengan menggunakan
suatu model ARIMA (Box et al., 1994). kriteria data testing (out sampel) berdasarkan nilai
Mean Square Error (MSE) terkecil.
Metode Penelitian
Jika model ARIMA yang digunakan maka Hasil dan Pembahasan
dapat dilakukan tiga tahapan Box-Jenkins sebagai
berikut :
Time Series Plot of Xt
0,30
73
Value Added, Vol. 11, No. 1, 2015
dengan metode ARIMA, Berdasarkan output yang residual berditribusi normal, dapat dilakukan
dihasilkan maka dapat diketahui bahwa modelnya dengan pengujian Kolmogorov-Smirnov.
yaitu 1 - 1 B**(12), hal ini berarti pada data kasus
mengikuti model ARIMA (0,0,0) (1,0,1)12. Nilai Probability Plot of RESI1
Normal
Percent
60
50
40
30
Autocorrelation Function for RESI1 20
(with 5% significance limits for the autocorrelations) 10
5
1.0 1
0.8 0,1
-300 -200 -100 0 100 200 300
0.6
RESI1
0.4
Autocorrelation
0,20
0.2
0.0
Data
0,15
-0.2
0,10
-0.4
-0.6 0,05
-0.8 0,00
-1.0 1 10 20 30 40 50 60 70 80 90
Index
1 5 10 15 20 25 30 35 40 45
Lag
Gambar 5. Plot perbandingan forecasting
Gambar 3. Plot ACF Model ARIMA
Berdasarkan Gambar 5, terlihat bahwa dari hasil
Dari plot ACF di atas dapat diketahui bahwa tidak peramalan tidak jauh berbeda antara nilai
ada lag yang keluar sehingga disimpulkan bahwa forecasting masing-masing metode.
data sudah stasioner terhadap mean dan varians.
74
Value Added, Vol. 11, No. 1, 2015
75