You are on page 1of 28

Time Series and Forecasting

Oleh: Tri Widodo

Pendahuluan
Pengambil

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

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  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.

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 .

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

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

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

-eberapa metode runtun aktu akan dibahas pada bagian ini% yaitu: rata*rata bergerak% penghalusan eksponensial dan proyeksi kecenderungan. 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. .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. Sehingga% jika kita ingin meramalkan suatu nilai suatu +ariabel secara tahunan kita juga harus menggunakan data tahunan masa lalu.

    /ecenderungan (Trend.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). T) : kecenderungan naik"turun dalam jangka panjang )usiman (Seasonality. $) : perubahan data yang disebabkan oleh perubahan situasi yang tidak biasa. 1ariasi acak (Random Variation. . !alam hal ini% +ariasi acak tidak memiliki pola.Dekomposisi Data Runtun Waktu  . 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.

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 R .

&t = A t −# 2ni+ariate: Metode aif ! aive Method"    )etode nai# ini adalah metode runtun aktu yang sederhana. !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 . Pengambil keputusan meramalkan nilai +ariabel di masa datang sama dengan nilai +ariabel periode sebelumnya.t*& menunjukkan nilai data aktual pada periode sebelumnya atau t*&% maka rumus untuk model nai# adalah: &t = A t −# .

.

Secara matematik dapat dirumuskan sebagai berikut : MA )n ( = ∑' n i n . 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.&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.

.

.% 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.. melihat bah a tahun berbeda memiliki bobot yang berbeda: MA )n ( = ∑ α i x i n .. Oleh karena itu% W).&t = A t −# 2ni+ariate: Metode #ata$rata %er&erak Tertim(an& !)ei&hted Movin& 'vera&es* )M'"     !alam ).

.

&t = A t −# 2ni+ariate: Metode +en&halusan Eksponensial !Exponential Smoothin&"    .asil peramalan yang kita lakukan kemungkinan berbeda dengan kenyataan.dapun rumusnya sebagai berikut: !t = !t " # dimana : Ft Ft*& 8 .. : /onstanta penghalusan (9:8:&). )isal nilai hasil ramalan kita simbolkan dengan F sedangkan nilai kenyataan (actual) kita simbolkan dengan .t*& $ ( % t " # & !t " # ) : Peramalan baru (untuk periode aktu t ). )etode pengalusan eksponensial pada hakekatnya menggunakan perbedaan hasil ramalan dengan nilai kenyataan untuk peramalan di masa yang akan datang. : Peramalan sebelumnya (untuk periode aktu t*&). . : !ata asli pada periode sebelumnya .

.

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 = (# & β )Tt-1 + β (!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 +en&halusan Eksponensial den&an +enyesuaian Trend !Exponential Smoothin& .

.

&t = A t −# 2ni+ariate: Metode +royeksi .  )etode kuadrat terkecil (least s!uare) sering digunakan untuk mendapatkan garis proyeksi.  Terdapat beberapa model persamaan tren matematis yang biasa digunakan seperti: linier% eksponensial dan kuadratik.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. &"T = & +Pada T bagian ini hanya akan dibahas bentuk trend linier. )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 .

.

.

.

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

.

.

/...* ∧ < +ariabel dependen @ < +ariabel independen  Forecasting dengan metode kausal: 4ika @<...-+... )aka ? diprediksikan .... + . ....)etode /ausal ' = β# + β$ * Astimasi ? ∧ ' = $..