BAB III. KERANGKA PEMIKIRAN
3.1. Kerangka Pemikiran Teoritis
3.1.2. Peramalan
3.1.2.2. Metode Peramalan Kuantitatif
3.1.2.2.2. Metode Peramalan Model Time
Metode peramalan time series menganalisa pola hubungan data variabel yang akan diramal dengan deret waktu. Menurut Hanke et al. (2003), salah satu aspek terpenting dari pemilihan metode peramalan yang sesuai dari data deret waktu adalah dengan memperhatikan jenis pola data yang berbeda. Pola data tersebut terbagi menjadi empat, yaitu :
1. Pola Horisontal
Pola data horisontal muncul ketika data observasi berefluktuasi disekitar
mean atau tingkatan yang konstan. Jenis deret ini disebut sebagai stasioner terhadap mean.
2. Pola Trend
Trend adalah komponen jangka panjang yang mewakili pertumbuhan atau penururnan pada deret waktu dari suatu periode yang diperluas. Untuk mengilustrasikan pertumbuhan atau penururnan ini maka digunakan garis trend linear.
3. Pola Musiman
Pola musiman muncul apabila observasi data dipengaruhi oleh faktor musiman. Komponen musiman adalah pola perubahan yang berulang sendiri antar periode.
5 Ghozali A. Tinjauan Metodologi: Structural Equation Modeling dan Penerapannya dalam Pendidikan. www.depdiknas.go.id.
4. Pola Siklik
Pola siklik muncul ketika data observasi memperlihatkan kenaikan atau penurunan pada periode yang tidak tetap. Komponen siklik adalah fluktusi gelombang data disekitar trend.
Berdasarkan dari pola data yang telah diuraikan diatas, maka metode peramalan model time series terdiri dari beberapa metode peramalan. Beberapa metode peramalan tersebut akan diuraikan sebagai berikut.
A. Metode Naïve
Metode naïve digunakan untuk mengembangkan model sederhana yang mengasumsikan bahwa periode yang baru berlalu adalah prediktor terbaik masa depan (Hanke, et al., 2003). Karena peramalan naïve mengabaikan pengamatan lainnya, model peramalan ini melacak perubahan sangat cepat. Keuntungan model ini adalah fluktuasi acak dapat dilacak setepatnya sedangkan pada model- model lainnya berubah
Peramalan dengan metode naïve menguntungkan dalam hal kecepatan meramalkan data, tetapi kelemahan utama pada pendekatan ini adalah diabaikannya segala sesuatu yang terjadi sejak periode yang lalu termasuk unsur trend. Metode ini juga memerlukan kemampuan dan kelihaian dari analis.
B. Metode Rata-rata Sederhana
Metode rata-rata sederhana menggunakan mean (nilai rataan) semua pengamatan historis yang relevan sebagai ramalan periode mendatang (Hanke, et al., 2003). Metode ini sangat tepat digunakan untuk meramalkan data yang membentuk deret waktu telah distabilkan dan variabel- variabel lainnya secara umum tidak berubah. Kekurangan dari metode ini adalah penyimpanan data,
karena ramalan disusun berdasarkan nilai rataan dari seluruh data yang ada, setiap penyusunan ramalan periode yang baru akan menggunakan data yang semakin banyak. Tetapi, metode ini sangat cocok untuk pola data yang stasioner (berada di sekitar nilai rataan).
C. Metode Rata-Rata Bergerak Sederhana
Metode rata-rata bergerak sederhana digunakan untuk memeprbaiki kesalahan dan kekurangan pada metode rata-rata sederhana. Metode rata-rata bergerak sederhana digunakan dengan merata-ratakan nilai terkini dan nilai periode sebelumnya. Kelemahan metode ini adalah tidak dapat menangani data dengan pola trend dan musiman dengan baik, walaupun metode ini lebih baik dibandingkan dengan metode rata-rata sederhana (Hanke, et al., 2003).
D. Metode Rata-Rata Begerak Ganda
Metode rata-rata bergerak ganda merupakan suatu cara peramalan data deret waktu dengan trend linear (Hanke, et al., 2003). Pada metode ini perhitungan dilakukan dengan terus menjumlahkan rata-rata bergerak hasil perhitungan periode sebelumnya dengan rata-rata bergerak periode berikutnya. Kelemahan dari metode ini adalah nilai peramalan yang dilakukan masih berada jauh dibawah garis trend, dengan kata lain nilai kesalahan pada metode ini masih relatif lebih besar.
E. Metode Pelicinan Eksponensial Tunggal
Menurut Makridakis, et al. (1999), metode ini sangat baik diterapkan pada serial data yang memiliki pola stasioner dan kemungkinan tidak efektif dalam menangani peramalan yang serial datanya memiliki komponen trend dan pola musiman. Pemulusan aksponensial merupakan prosedur yang berkesinambungan
merevisi ramalan dalam hal pengalaman yang lebih terkini (Hanke, et al., 2003). Metode ini berbasis merata-ratakan (pemulusan) nilai lampau deret secara menurun (eksponensial), pengamatan diberi bobot dengan pengamatan terkini memiliki bobot yang lebih besar.
Pembobotan terhadap data digunakan dengan pemberian konstanta pemulusan (a ). Konstanta pemulusan (a) berperan sebagai faktor pembobotan. Nilai aktual dari a menentukan sejauh mana observasi terkini mempengaruhi nilai ramalan. Kelemahan metode ini adalah metode ini tidak mampu digunakan untuk menganalisa data yang memiliki pola data trend.
F. Metode Brown
Menurut Makridakis, et al. (1999), dasar pemikiran dari pemulusan eksponensial linear dari Brown adalah serupa dengan rata-rata bergerak linear. Karena kedua nilai pemulusan tunggal dan ganda tertinggal dari data yang sebenarnya bilamana terdapat unsur trend, perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan tunggal dan disesuaikan untuk trend. Kelemahan dari metode ini adalah tidak dapat meramalkan data yang memiliki data dengan pola musiman.
G. Metode Dekomposisi Aditif
Menurut Hanke, et al. (2003), dekomposisi adalah suatu pendekatan analisis deret waktu yang berupaya mengidentifikasi faktor- faktor komponen yang mempengaruhi setiap nilai pada deret waktu. Model dekomposis aditif merupakan model yang memperlakukan nilai deret-deret waktu sebagai jumlah dari komponen-komponen dalam model.
Kelebihan metode ini adalah perhitungannya yang mudah (Makridakis, et al., 1999). Hanke, et al. (2003) menjelaskan bahwa metode dekomposisi aditif bekerja sangat baik untuk deret waktu yang memiliki keragaman kurang lebih sama sepanjang deret.
H. Metode Dekomposisi Multiplikatif
Makridakis, et al. (1999), menerangkan bahwa metode ini didasari asumsi bahwa data historis merupakan gabungan atau komposisi dari faktor musiman (St), komponen trend (Tt), komponen siklus (Ct) serta komponen acak (Rt). metode dekomposisi multiplikatif memisahkan komponen-komponen dari time
series data, kajian terhadap komponen yang telah terpisah tersebut dapat dipakai
sebagai dasar untuk menyusun kebijakan (jangka panjang dan pendek). Komponen ini juga dapat diektrapolasi untuk tujuan peramalan.
I. Metode Winters
Metode Winters memberikan cara yang mudah untuk menjelaskan musiman didalam model ketika data memiliki pola musiman. Metode ini menghapus musim atau penyesuaian musim pada data. Model peramalan diaplikasikan untuk data musim terhapus, kemudian musiman dimasukkan kembali untuk mendapatkan ramalan yang akurat (Hanke, et al., 2003). Metode Winters cocok untuk data deret waktu dengan pola stasioner, pola trend konsisten dan pola musiman, yang didasari oleh tiga persamaan yang masing- masing melicinkan faktor- faktor yang berkaitan dengan pola data, yaitu faktor random (keacakan), faktor trend (kecenderungan) dan faktor musiman (Makridakis, et al., 1999).
J. Metode Box-Jenkins (ARIMA)
Metode Box-Jenkins merupakan suatu peramalan yang sangat berbeda dengan kebanyakan metode karena metode ini tidak mengasumsikan pola tertentu pada data historis deret yang diramalkan. Model sangat cocok untuk residual yang kecil, berdistribusi normal, dan umumnya tidak berisi informasi berguna. Metode ini mengacu pada himpunan prosedur untuk mengidentifikasikan, mencocokkan dan memeriksa model ARIMA dengan data deret waktu. Peramalan mengikuti langsung dari bentuk model disesuaikan (Hanke, et al., 2003).