METODE PENELITIAN
4.6 Metode Peramalan Time Series
Metode peramalan kuantitatif yang akan digunakan adalah metode peramalan time series. Metode peramalan time series menganalisis pola hubungan data variabel yang akan diramalkan dengan deret waktu. Metode time series yang digunakan terdiri dari Metode Tren, Metode Rata-rata Sederhana (Moving
Average), Metode Rata-rata Bergerak Sederhana (Center Moving Average),
Penghalusan Eksponensial Tunggal (Single Eksponential Smoothing-SES), Metode Penghalusan Eksponensial Ganda (Brown), Metode Winters Aditif, Metode Winter Multiplikatif dan Metode Box-Jenkins.
4.6.1 Metode Regresi Sederhana (Trend)
Teknik trend yang akan digunakan adalah teknik trend linier yang sering disebut regresi sederhana. Persamaannya adalah (Makridarkis et al, 1999) :
Yt = ΕΆt + Ξ΅t π = π + π1 (π‘πππ) π1 = π π‘π β π‘ π π π‘2 β ( π‘)2 π = π π β π1 π‘ π
Dimana : Yt = nilai Aktual Y pada periode ke-t ΕΆt = nilai Ramalan Y pada periode ke-t
Ξ΅t = errort yaitu perbedaan antara Nilai Aktual dan Ramalan Y periode ke-t
b = koefisien slope a = intercept
4.6.2 Metode Rata-rata Sederhana (Moving Average)
Tehnik rata-rata sederhana menggunakan pendekatan dimana ramalan merupakan perhitungan kumulatif nilai rataan dari seluruh data masa lalu yang dimiliki. Persamaannya adalah (Hanke et al, 2003) :
π π‘+1 = ππ‘
π π‘=1
π
Dimana: ππ‘+1 = nilai ramalan untuk satu periode ke depan setelah t
ππ‘ = nilai aktual pada waktu ke t n = jumlah periode data historis
4.6.3 Metode Rata-rata Bergerak Sederhana (Center Moving Average)
Langkah kerja dalam mengaplikasikan teknik rata-rata bergerak sederhana adalah sebagai berikut:
1. Menentukan ordo dan bobot rata-rata bergerak. Ordo dari rata-rata bergerak jumlah data masa lalu yang dimasukkan kedalam rataan yang disimbolkan dengan (n).
2. Menetapkan persamaan teknik peramalan. π π‘+1 = ππ
π‘
π=π‘βπ+1
π
Dimana: π π‘+1 = nilai ramalan untuk satu periode ke depan setelah t Yt = nilai aktual pada waktu ke-t
N = ordo t = waktu
4.6.4 Metode Dekomposisi
Teknik dekomposisi berupaya memisahkan berbagai komponen yang mempengaruhi pola perilaku deret data. Pemisahan (dekomposisi) ini bertujuan untuk membantu pemahaman atas deret data sehingga dapat dicapai keakuratan peramalan yang lebih baik. Komponen yang mempengaruhi deret data dapat dikelompokkan menjadi empat macam, yaitu : trend, musiman, siklus dan faktor acak. Secara umum persamaannya adalah :
Yt = fungsi (St, Tt, Ct) dan Rt
Bila variasi musim data historis menurun atau meningkat, fungsi data historis dapat berbentuk multiplikatif sebagai berikut:
Yt = St .Tt .Ct . Rt
Yt = St +Tt +Ct + Rt
Dimana: Yt = nilai aktual pada periode t
St = komponen musiman pada waktu t Tt = komponen trend pada waktu t Ct = komponen siklus pada waktu t Rt = komponen acak pada waktu t
4.6.5 Metode Single Eksponential Smoothing
Persamaan dalam teknik pelicinan eksponensial tunggal dapat dihitung melalui (Gaynor dan Kirkpatrick, 1994) :
ΕΆt+1 = Ξ±Yt + (1-Ξ±) ΕΆt
Dimana: ΕΆt = nilai ramalan pada periode ke-t ΕΆt+1 = nilai ramalan pada periode ke t+1 Ξ± = koefisien pelicinan
4.6.6 Metode Double Eksponential Smoothing (Brown)
Teknik pelicinan eksponensial dari Brown menetapkan bahwa ramalan merupakan hasil dari perhitungan dua kali pelicinan secara eksponen. Cara pelicinannya dengan pengambilan perbedaan antara nilai-nilai tunggal yang dilicinkan, asal diselaraskan dengan bentuk trend. Persamaan-persamaan dalam teknik ini adalah (Gaynor dan Kirkpatrick, 1994) :
ΕΆt+m = at + bt (t)
St = Ξ±St + (1 β Ξ±)St-1 St(2) = Ξ±St + (1 β Ξ±)St-1(2)
at = 2 St - St(2)
bt = (Ξ± / (1 β Ξ±)) (St - St(2))
Dimana: St = pelicinan tahap 1 St(2) = pelicinan tahap 2 Ξ± = koefisien pelicinan
at = Nnilai penyesuaian intersep bt = nilai penyesuaian trend ΕΆt+m = nilai ramalan periode t+m
t = jumlah periode kedepan
4.6.7 Metode Winter Additive
Terdiri dari 3 tahap proses pemulusan (Gaynor dan Kirkpatrick, 1994) : 1. Untuk menduga nilai rata-rata level (intercept/(a)) dari data. 2. Untuk menduga komponen slope (b).
3. Untuk menduga komponen musiman dari data.
Untuk meramalkan data time series dengan trend linear dan memiliki variasi musiman aditif.
Perkiraan nilai awal parameter yang diperbaharui biasanya diperoleh dari model dekomposisi aditif.
Model awal: ππ‘ = πππ‘+ πππ‘ + ππ‘ dengan πππ‘ = π + π(π‘) Update Parameter
Update komponen level
ππ‘ = πΌ ππ‘ β πππ‘βπΏ + 1 β πΌ ππ‘β1+ ππ‘β1 Update komponen slop
ππ‘ = π½ ππ‘ β ππ‘β1 + 1 β π½ ππ‘β1 Update komponen seasonal
πππ‘ = πΎ ππ‘βππ‘ + 1 β πΎ πππ‘βπΏ Ramalan (Y) pada (m) periode kedepan
π π‘+π = ππ‘+ ππ‘(π) + πππ‘βπΏβπ Ramalan selang untuk 1 periode kedepan π π‘+1 Β± ππΌ
2 ππ΄π·π‘ ππ‘ dan ππ΄π·π‘ = ππ‘βπππ‘βπΏβ ππ‘β1+ππ‘β1 π‘
dt = konstanta bernilai 1,25 untuk peramalan satu periode ke depan
4.6.8 Metode Winter Multiplikatif
Untuk meramalkan data time series dengan trend linear dan memiliki variasi musiman tidak konstan. Perkiraan nilai awal parameter yang diperbaharui
biasanya diperoleh dari model dekomposisi multiplikatif. Persamaan model ini adalah (Gaynor dan Kirkpatrick, 1994) :
Model awal: οt ο½Trt*Snt*ο₯t, dengan Trt ο½aο«b(t). Update parameter :
Update komponen level.
) )( 1 ( ) (ο ο ο« ο ο1 ο« ο1 ο½ t t L t t t Sn a b a ο‘ ο‘
Update komponen Slope.
) )( 1 ( ) ( ο ο1 ο« ο ο1 ο½ t t t t a a b b ο’ ο’
Update komponen seasonal.
) )( 1 ( ) ( t t t L t a Sn Sn ο½ο§ ο ο« οο§ ο
Ramalan (Y) pada (m) periode ke depan
ο
t tο
t L m m tο« a b m Snο ο« ο ο« ο½ ο ( ) *Ramalan selang untuk 1 periode ke depan ) )( ( 2 / 1 t t t ο±Zο‘ MAE d ο ο« ο , dengan
ο ο ο¨ ο©
t b a Sn MAEtο₯
οt tοL ο tο ο« tο ο½ 1 1 , dan td konstanta bernilai 1,25 untuk peramalan satu periode ke depan.
Keterangan: ο‘,ο’ , dan ο§ merupakan konstanta smoothing. Menentukan nilai awal:
Dari hasil Metode Dekomposisi Multiplikatif dapat diperoleh nilai a0, b0,
L L L L Sn Sn Sn1ο , 2ο ,..., ο t t Sn Tr * ο½ οο , dengan Trt ο½aο«b(t), sehingga οοt ο½(aο«b(t))*Snt ππ1βπΏ = ππ1 ππ2βπΏ = ππ2, β¦ πππΏβπΏ = πππΏ ππ & ππ
Jika menggunakan QSB, digunakan data 1 tahun pertama (Y1, Y2,β¦, YL), yakni:
L a L L ο ο« ο« ο ο« ο ο½ 1 2 ... ; bL ο½0; Sn1 ο½ο1/aL,Sn2 ο½ο2/aL,...,SnL ο½οL/aL.
4.6.9 Metode Box Jenkis
Tekniks Box-Jenkins mengacu pada himpunan prosedur untuk mengidentifikasikan, mencocokkan dan memeriksa model ARIMA
(autoregressive integrated moving average) dengan data deret waktu. Peramalan mengikuti langsung dari bentuk model disesuaikan (Makridakis, 1999).
ARIMA terbagi atas model MA (moving average), AR (auto regressive), ARMA (autoregressive moving average), dan ARIMA (auto regressive
integrated moving average). Persamaan model-model tersebut adalah:
1. Model AR
Yt = b0+b1 Yt-1+b2 Yt-2+ β¦ +bp Yt-p +et
Dimana:
Yt = nilai series yang stasioner Yt-1.. Yt-p = nilai sebelumnya
bt-1.. bt-p = konstanta dan koefisien model et = kesalahan peramalan
p = merupakan bilangan asli tak terhingga (1,2,3,β¦dst)
Tingkat dari model (nilai p) ditunjukkan oleh banyaknya nilai lampau yang diikutsertakan dalam model. Sebagai contoh, AR (1) merupakan model
Autoregressive tingkat satu yang menggunakan satu nilai lampau terakhir dalam
model.
2. Model MA
Jika series yang stasioner merupakan fungsi linier dari kesalahan peramalan sekarang dan masa lalu yang berurutan maka persamaan itu dinamakan
moving avarage model (MA). Bentuk umum model ini dapat ditulis sebagai
berikut:
Yt = a0 + et β a1et-1 - a2et-2 - β¦ -aq et-Q
Dimana: Yt = nilai series yang stasioner et = kesalahan peramalan et-1β¦et-q = kesalahan masa lalu
a0, a1β¦aq = konstanta dan koefisien model
q = merupakan bilangan asli tak terhingga (1,2,3,β¦dst)
Tingkat model MA ini (nilai q) ditunjukkan dengan banyaknya kesalahan masa lampau yang digunakan dalam model. Jika dalam model digunakan dua kesalahan peramalan pada masa lampau maka dinamakan model moving avarage tingkat dua, ditulis MA (2).
3. Model ARIMA
Model ARIMA adalah gabungan dari model AR dan MA. Pada model ini
series stasioner adalah fungsi dari nilai lampaunya dan nilai sekarang serta
kesalahan lampaunya. Bentuk umum model ini adalah: Yt = b0 + b1 Yt-1β¦ + bp Yt-p + et β a1et-1 - β¦- aqet-q
Dimana: Yt = nilai series yang stasioner Yt-1β¦ Yt-p = nilai sebelumnya
et-1β¦ et-q = kesalahan masa lalu
b0, b1, bp, a1, aq = konstanta dan koefisien model et = kesalahan peramalan
bt-1 β¦ bt-p = konstanta dan koefisien model
p dan q = merupakan bilangan asli tak terhingga (1,2,3,β¦dst)
Secara umum notasi model ARIMA yang diperluas dengan memperhatikan unsur musiman adalah sebagai berikut:
ARIMA (p,d,q) (P,D,Q)L dimana L adalah banyaknya periode dalam setahun. Tahapan dalam Metode Box-Jenkins (ARIMA)
Metode ARIMA dapat digunakan melalui tiga tahap sebagai berikut: