Metode peramalan deret waktu merupakan suatu teknik peramalan yang menggunakan sekumpulan data yang dicatat selama periode tertentu yang digunakan untuk memprediksi atau meramalkan keadaan masa depan.
Komponen pola data deret berkala (time series) menurut Heizer dan Render (2005), yaitu :
1. Trend Sekuler yaitu arah data deret berkala jangka panjang yang cukup rata (smooth), atau pergerakan data sedikit demi sedikit meningkat atau menurun.
2. Siklus adalah pola data yang terjadi setiap beberapa tahun, atau naik turunnya suatu deret waktu selama periode yang lebih panjang dari satu tahun.
3. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan , atau kuartal.
4. Variasi acak adalah suatu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak biasa. Variasi acak tidak memiliki pola khusus, jadi tidak dapat diprediksi.
Pola data permintaan diidentifikasi dengan mengamati secara visual plot data penjualan yang diperoleh dari program Microsoft Excel dan plot autokorelasinya. Dari hasil plot data akan diketahui pola datanya untuk sementara, apakah data tersebut memiliki unsur trend, siklus maupun musiman. Pola data ini akan membantu dalam penggunaan metode yang paling cocok yang akan digunakan dalam proses peramalan. Langkah-langkah yang dilakukan pada identifikasi pola data penjualan Semen adalah menentukan apakah serial data yang digunakan bersifat stasioner atau tidak.
Data stasioner dapat diketahui dengan melihat nilai-nilai autokorelasinya sesuai rumus berikut ;
= ∑ ∑ – ( )
( ) ………. (1)
Keterangan :
rk : koefisien autokorelasi pada waktu lampau k Yt : penjualan semen pada periode ke t
Yt-k : penjualan semen periode t-k Y1 : rataan nilai dari deret waktu
Apabila nilainya turun dengan cepat atau mendekati nol sesudah nilai autokorelasi kedua atau ketiga, maka data tersebut bersifat stasioner.
Sedangkan apabila data tidak bersifat stasioner yang ditunjukkan oleh nilai-nilai autokorelasi yang tidak turun ke nol dan bernilai-nilai positif. Autokorelasi adalah istilah yang digunakan untuk menjelaskan ketergantungan bersama antara nilai-nilai suatu deret berkala yang sama pada periode berlainan (Hanke et al., 2003).
2.6.1. Metode Trend
Metode ini menggambarkan hubungan antara periode dan peubah yang diramalkan dengan menggunakan analisis trend. Apabila pola data yang digunakan memiliki unsur musiman, maka komponen musiman dapat juga dicoba dalam metode ini (Heizer dan Render, 2005). Persamaan proyeksi trend adalah :
Model trend linear : Ŷ = a + bx ……….. (2)
Keterangan: Ŷ : nilai terhitung dari peubah yang akan diramalkan a : persilangan sumbu y
b : kemiringan garis x : peubah bebas (waktu) t : periode waktu
2.6.2. Metode Rataan Bergerak (Moving Average)
Metode rataan menggunakan rataan semua data untuk meramal, jika tersedia data baru, maka data tersebut dihitung dengan menambahkan nilai terkini dan mengeluarkan nilai terlama. Jumlah periode pada metode rataan bergerak sederhana adalah sama tetapi akan selalu bergerak ke depan dan menghilangkan periode yang sebelumnya sesuai dengan pergerakannya.
Metode ini tidak menangani trend atau musiman dengan baik, walaupun metode ini lebih baik daripada rataan sederhana. Istilah rataan bergerak digunakan karena setiap diperoleh data aktual baru, maka rataan yang baru dapat dihitung dengan meninggalkan data periode yang terlama dan memasukkan data periode terbaru.
Metode rataan bergerak menggunakan nilai terakhir untuk membuat peramalan.Trend ini melicinkan Metode rataan bergerak yang akan digunakan sebagai peramalan untuk periode mendatang, dan seterusnya, secara matematik bentuk umum metode rataan bergerak dapat dirumuskan sebagai (Makridakis et al. (1995) berikut :
Yt + 1 : ( ) ………. (3)
Y t + 1 : ∑ ………. (4)
Rataan bergerak : ∑ …. (5)
Keterangan : Yt +1 : Nilai peramalan untuk periode t+1 Yi : data permintaan ke-i
k : jumlah deret waktu yang digunakan t : periode waktu
2.6.3. Metode Pemulusan (Smoothing) Eksponensial
Metode peramalan merupakan metode rataan bergerak yang memberikan bobot yang lebih kuat pada data terakhir daripada data awal.
Hal ini menjadi sangat berguna jika perubahan terakhir pada data terlebih dahulu yang merupakan akibat dari perubahan aktual (seperti, pola musiman) daripada hanya fluktuasi acak (dimana suatu ramalan rataan bergerak sederhana sudah cukup). Metode ini juga menerangkan bahwa metode ini melakukan pembobotan menurun secara eksponensial terhadap nilai peubah atau observasi yang lalu. Setiap data pengamatan mempunyai kontribusi dalam penentuan nilai peramalan periode sebelumnya (Makridakis et al., 1999).
Rumusan penghalusan eksponensial secara umum dapat ditunjukkan sebagai berikut :
Y t + 1 = ∝ + (1− ∝ )Y ……… (6)
Peramalan baru = peramalan periode baru + ∝ ( permintaan aktual periode lalu – peramalan periode baru)
Keterangan : Yt + 1 = nilai peramalan periode t + 1 Yt = data permintaan ke – t
∝ = konstanta penghalus ( 0 ≤∝ ≤ 1 ) Yt = nilai peramalan periode ke-t
2.6.4. Metode Dekomposisi
Makridakis et al, 1999, menjelaskan bahwa metode dekomposisi didasarkan pada asumsi bahwa data historis merupakan gabungan atau komposisi dari faktor musiman, komponen trend dan komponen siklus.
Secara matematik bentuk umum pendekatan dekomposisi dapat digambarkan sebagai berikut :
Yt = f(Trt, CIt, Snt, €t) ……….. (7) Keterangan : f : fungsi peramalan
Trt : komponen trend pada waktu t CIt : komponen siklus pada waktu t Snt : komponen musiman pada waktu t
€t : komponen kesalahan pada waktu t 2.6.5. Metode Winter’s Multiplikatif
Metode ini cocok untuk deret data dengan pola stationer, pola trend konsisten dan pola musiman. Metode Winter memiliki tiga komponen dasar, yaitu faktor acak atau random (at), faktor trend (bt) dan faktor musiman (Snt). Dalam menginisialisasi metode ini diperlukan minimal satu data musiman lengkap (L periode). Namun untuk mendapatkan α, β dan γ yang optimal diperlukan banyak percobaan pada berbagai kombinasi, sehingga memerlukan banyak parameter.
Secara matematik metode ini dapat dirumuskan sebagai berikut : Yt : a – (Yt / St-L) + ( 1-α) ( at-1 + bt-1) …………. (8) bt : β (at – at-1) + ( 1- β) bt-1 ………(9) Snt : γ (Yt/ at ) + ( 1- γ ) St-L ……… (10) Yt+m : ( at – mbt ) Snt-L+m ………(11) Keterangan : Yt = data aktual pada periode t
at = pemulusan terhadap deseasonalized data periode t bt = pemulusan terhadap dugaan trend pada periode t Snt = pemulusan terhadap dugaan musim pada periode t
Yt+m = ramalan m periode ke depan setelah periode t pada msing-masing produk
αβγ = pembobotan pemusulan
L = banyaknya periode dalam satu tahun 2.7. Metode Peramalan Kausal (Regresi)
Dalam metode kausal nilai suatu peubah yang akan diramalkan dipengaruhi oleh peubah lain. Makridakis et al. (1999) menyatakan bahwa permalan metode kausal mengasumsikan adanya hubungan sebab akibat antara variabel independen dengan variabel dependen dari suatu model.
Metode kausal sering juga disebut sebagai metode regresi. Metode regresi terdiri dari metode regresi sederhana yang terdiri dari satu variabel independen dan regresi berganda yang terdiri dari lebih dari satu variabel independen.
2.8 . Pemilihan Metode Peramalan Terbaik
Pengunaan peramalan dalam pengambilan keputusan oleh setiap pimpinan, baik pimpinan perusahaan maupun pimpinan organisasi merupakan hal sangat penting. Dengan demikian seorang peneliti atau analis sering menggunakan peramalan dalam penelitiannya, dapat menentukan teknik dan metode peramalan yang tepat. Dalam pemilihan teknik dan metode peramalan yang tepat perlu diketahui beberapa ciri-ciri penting yang sangat berpengaruh terhadap analisa dan pengambilan keputusan dalam mempersiapkan peramalan (Assauri, 1999).
Ciri utama yang perlu diperhatikan adalah :
1. Horison waktu. Periode waktu selama suatu keputusan atau analisa