9
PENERAPAN METODE TIMES SERIES DALAM SIMULASI
FORECASTING PERKEMBANGAN AKADEMIK MAHASISWA
Ashari
Program Studi Teknik Informatika, STMIK AKBA
ashari.akba36@gmail.com
Abstrak
Perkembangan ilmu pengetahuan dan teknologi mendorong setiap saat manusia untuk meningkatkan efisiensi dan efektifitasnya. Pemanfaatan teknologi informasi dan komunikasi dilakukan hampir dalam setiap aspek kehidupan. Teknologi Informasi dapat mengotomatisasi proses pengelolaan informasi mulai dari memasukkan informasi, menyimpan, dan memperbaruinya setiap saat sehingga setiap orang bisa mendapatkan informasi terbaru dan melakukan analisis dengan mudah. Keterlibatan teknologi informasi dan komunikasi di dalam dunia pendidikan diantaranya dapat memantau perkembangan akademik mahasiswa. Metode times series merupakan salah satu metode simulasi forecasting atau peramalan yang dapat memperkirakan perkembangan akademik mahasiswa sehingga dosen pembimbing akademik dapat memprediksi kualitas belajar mahasiswa bimbingannya dengan cara melihat hasil belajar dan perilaku mahasiswa bimbingannya. Penelitian ini bertujuan memprediksi perkembangan prestasi akademik mahasiswa berdasarkan indeks prestasi kumulatif (IPK) berdasarkan data IPK sebelumnya. Metode yang digunakan dalam melakukan forcasting ini adalah times series dengan teknik peramalan nilai terakhir (last value), nilai rata-rata (average) dan rata-rata bergerak (moving average). Metode ini dipilih karena cukup sederhana,sehingga proses prediksi tidak memakan waktu terlalu lama . Hasil Pengujian menunjukkan bahwa teknik forecasting last value dan average lebih cenderung sesuai dengan prediksi IPK mahasiswa, kecuali untu beberapa kasus mahasiswa yang mengalami masalah lain yang bersifat non akademik.
Kata Kunci : Simulasi, Forecasting, Times Series, Perkembangan Akademik
1. PENDAHULUAN
1.1. Latar Belakang
Perkembangan teknologi informasi sangat pesat dalam era globalisasi sekarang ini, sehingga manusia dituntut agar dapat mengikuti perkembangan dan selalu berusaha untuk mengadopsi teknologi informasi terbaru untuk membantu kelancaran organisasi. Teknologi informasi tidak lagi dipandang hanya sebagai pelengkap akan tetapi sudah menjadi salah satu penentu atas terlaksananya sasaran atau strategi organisasi yang handal. Dukungan teknologi informasi terhadap organisasi umumnya berbentuk sistem
yang terdiri dari sistem informasi dan infrastruktur pendukungnya.
10
Penerapan teknologi informasi untuk memprediksi perkembangan akademik mahasiswa dapat dilakukan dengan metode Time Series yang dapat membantu dosen pembimbing akademik dalam melkukan simulasi forecasting menetukan Indeks Prestasi Kumulatif (IPK) mahasiswa bimbingannya dari data semester sebelumnya untuk memprediksi semester berikutnya. Hal ini menjadi salah satu upaya untuk membantu mahasiswa bimbingan dalam meningkatkan program belajar, melaksanakan kegiatan belajar, mengatasi masalah belajar yang dihadapi dan mengembangkan potensi-potensi yang dimiliki oleh mahasiswa.
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah tersebut, dapat dirumuskan permasalahan yang akan diselesaikan yaitu bagaimana membuat aplikasi penerapan metode times series dalam simulasi forecasting perkembangan akademik mahasiswa STMIK AKBA.
1.3. Tujuan Penelitian
Tujuan penelitian ini adalah membuat aplikasi yang dapat digunakan untuk penerapan metode times series dalam simulasi forecasting perkembangan akademik mahasiswa STMIK AKBA.
2. LANDASAN TEORI
2.1 Times Series
Suatu data time series dapat dilihat sebagai suatu representasi dari realisasi suatu variabel random yang biasanya mempunyai interval waktu yang sama dan diamati pada suatu periode tertentu. Misalkan,kita tertarik untuk mengamati tingkat penggangguran yang dicatat secara bulanan dan diamati selama 2 tahun dari Januari 2011 sampai dengan Desember 2012. Data yang terbentuk dari
pengamatan ini membentuk suatu data time series dengan jarak bulanan selama dua tahun sehingga data tersebut terdiri dari 24 observasi.
Data time series ini merupakan suatu deskripsi masa lampau dan digunakan untuk meramalkan masa depan, artinya kita berharap masa depan dapat dijelaskan dengan informasi yang ada pada masa lampau.kalau memang hal ini yang terjadi, kita dapat menawarkan suatu model matematik yang mampu merepresentasikan proses terjadinya data time series tersebut. Kemudian, kita gunakan model matematik ini untuk membuat suatu ramalan tentang masa depan.
Kenyataannya, dalam kehidupan sehari-hari, sering kali kita dihadapkan pada keterbatasan informasi masa lalu sehingga kita tidak dapat membuat model yang dapat menceritakan masa lalu secara tepat. Oleh sebab itu, biasanya, yang dapat dilakukan hanyalah membuat model yang dekat dengan model yang sebenarnya. Sering kali pendekatan ini berdasarkan pada pengamatan terhadap data time series.
Bila data time series yang ada dibuat plot (grafik), maka akan terlihat berbagai macam pola. Secara garis besar, pola data time series dapat dikelompokan menjadi :
1. Level Konstan.
Pola konstan menunjukkan data bergerak sekitar rata-rata,dengan
variasi jarak yang terkadang „jauh‟ dan terkadang „dekat‟. Akan tetapi
secara umum data tidak menunjukkan adanya perubahan tren, baik meningkat maupun menurun.
2. Tren Linear
11
Analisis Time Series (Iriawan dan Astuti, 2006:341) merupakan metode peramalan kuantitatif untuk menentukan pola data masa lampau yang dikumpulkan berdasarkan urutan waktu, yang disebut data time series. Dalam membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi dari masa lalu dengan kata lain mereka melihat apa yang terjadi selama kurun waktu tertentu dan menggunakan data masa lalu tersebut untuk melakukan peramalan. Jika kita memperkirakan penjualan pertahun mesin, kita menggunakan data penjualan pada tahun lalu untuk membuat ramalan penjualan pada tahun yang akan datang.
Bila data time series yang dianalisis sudah teridentifikasi dan suatu pola telah dipilih berdasarkan identifikasi tersebut, maka model matematik yang merupakan representasi dari proses pembentukan data time series tersebut dapat ditentukan atau dipilih. Misalnya saja, pola data yang kita amati mendekati pola level konstan dengan fluktuasi random, maka model matematik yang dapat dipilih adalah:
xt = A + et
dimana xt merupakan variabel random
yang diamati pada waktu t, A menyatakan level konstan dari model, dan et
menyatakan deviasi random yang terjadi pada waktu t. Kemudian, ramalan xt untuk
waktu t + 1 yang dinotasikan sebagai Ft+1
dapat merupakan fungsi dari sebagaian atau semua data time series yang telah diamati sampai dengan waktu t.
Metode peramalan yang dianggap cocok untuk meramal data yang mempunyai pola level konstan dengan fluktuasi random dalam penelitian ini adalah :
1. Metode Peramalan Nilai Terakhir (Last Value)
Metode ini menggunakan data time series yang diobservasi pada waktu t, yaitu xt
untuk meramal Ft+1. Dengan perkataan
lain, formula ramalan yang digunakan adalah:
Ft+1 = xt ;
Dimana xt adalah realisasi dari xt dan
untuk level konstan, xt dinyatakan sebagai:
xt = A + et.
sebagai contoh, bila xt merupakan
banyaknya penjualan bulan terakhir, maka penjualan bulan depan diramal dengan angka tersebut. Apakah metode ini rasional? Sudah tentu permintaan suatu barang tersebut bulan ini. Metode ini menggunakan asumsi bahwa data sebelum waktu t tidak relevan lagi sehingga data yang dipedulikan hanyalah data yang terakhir saja. Hal ini bisa mendekati kebenaran (cukup rasional) kalau proses yang membentuk time series tersebut berubah begitu cepat, yang mengakibatkan data historis yang sangat lama tidak dapat digunakan untuk mengantisipasi masa depan.
2. Metode Peramalan Rata-rata (Average)
Prosedur ini menggunakan semua data yang telah diamati, kemudian membuat rata-ratanya untuk digunakan membuat ramalan ke depan.
Ft+1 =
T
t=1
Ft+1 = merupakan fungsi dari sebagian atau
semua data time series yang telah diamati sampai dengan waktu t.
Xt =merupakan variabel random yang
diamati pada waktu t
xt = merupakan variabel random yang diamati
pada waktu t
A = level konstan dari model
12
Teknik ini akan cocok digunakan bila datanya stabil sehingga rata-ratanya memang dekat sekali dengan nilai observasi yang ada dan data yang akan datang diharapkan akan berkisar pada nilai rata-ratanya. Akan tetapi, bila datanya tidak stabil, mungkin ramalan ini akan memberikan hasil yang meleset jauh.
3. Metode Peramalan Rata-rata Bergerak (Moving Average)
Ft+1 =
Berbeda dengan metode sebelumnya, metode ini hanya mengunakan pengamatan-pengamatan yang up-to-date yang dianggap sudah stabil dan relevan dan kurang stabil tidak digunakan untuk meramal. Pada hakekatnya, metode ini merupakan gabungan antara Metode Nilai Terakhir dan metode Rata-rata. Kalau semua datanya digunakan, metode ini menjadi metode Rata-rata, sedangkan bila hanya data terakhir saja yang digunakan, metode ini menjadi Metode Nilai Terakhir.
2.2 Simulasi
Menurut Zulkifli (2005 : 203) simulasi
adalah “penampilan karakteristik
-karakteristik yang terpilih dari bentuk fisik
atau ringkasan dari sistem lain.”
Sedangkan menurut Cleary dan Thierry Malleret (2007 : 116) simulasi adalah
“suatu cara yang efektif dalam
mengembangkan pengertian dari kemampuan perusahaan dalam berurusan dengan resiko yang sistematik dan untuk
mengetes daya lenturnya terhadap resiko”
Simulasi merupakan salah satu cara untuk memecahkan berbagai persoalan yang dihadapi didunia nyata (real world). Banyak metode yang dibangun dalam Operations Research dan System Analyst untuk kepentingan pengambilan keputusan dengan menggunakan berbagai analisis data. Pendekatan yang digunakan untuk memecahkan berbagai masalah yang tidak pasti dan kemungkinan jangka panjang yang tidak dapat diperhitungkan dengan seksama adalah dengan simulasi.
1. Model simulasi
Model – model simulasi yang ada dapat dikelompokkan ke dalam enam bagian, antara lain :
a. Model statik
Model statik tidak memperhatikan perubahan-perubahan nilai dari variabel-variabel yang ada kalau terjadi pada waktu yang berbeda. Waktu tidak berperan di sini. Contoh: Model Monte Carlo.
b. Model dinamik
Model yang memperhatikan perubahan-perubahan nilai dari variabel-variabel yang ada kalau terjadi pada waktu yang berbeda. Contoh: Sistem conveyor di pabrik.
c. Model deterministik
Pada model ini tidak memiliki komponen probabilistik (random). Sehingga pemecahan menjadi lebih sederhana.
d. Model stokastik
I=t-(n-l) t
Ft+1 = merupakan fungsi dari sebagian atau
semua data time series yang telah diamati sampai dengan waktu t.
Xt =merupakan variabel random yang
diamati pada waktu t
Ft+1 = merupakan fungsi dari sebagian atau
semua data time series yang telah diamati sampai dengan waktu t.
13
Memiliki komponen input random, dan menghasilkan output yang random pula.
e. Model kontinu
Status berubah secara kontinu terhadap waktu, misal: gerakan pesawat terbang. f. Model diskrit
Status berubah secara instan pada titik-titik waktu yang terpisah, misal: jumlah customer di bank.
2. Jenis-jenis Simulasi
Beberapa jenis simulasi yaitu:
a. Simulasi menurut sifat dan waktu:
1) Simulasi Statis merupakan simulasi model yang menggambarkan suatu sistem atau proses yang tidak dipengaruhi oleh waktu atau terjadi pada saat-saat tertentu saja. Contoh: Simulasi Monte Carlo
2) Simulasi Dinamis merupakan simulasi model yang dipengaruhi oleh waktu. Simulasi ini kebalikan dari simulasi statis. Contoh: Simulasi kedatangan mobil ke dalam jalan tol
b. Simulasi menurut ada tidaknya peubah acak
1) Simulasi Deterministik merupakan simulasi yang menggambarkan suatu proses yang pasti terjadi. 2) Simulasi Stokhastik atau
Probabilistik merupakan simulasi yang menggambarkan suatu proses yang mengandung unsur ketidakpastian.
c. Simulasi menurut peubah acaknya
1) Simulasi Diskrit merupakan simulasi dari suatu proses yang komponen-komponen sistemnya bersifat diskrit. Contoh: Simulasi kedatang pembeli pada supermarket 2) Simulasi Kontinu merupakan simulasi dari suatu proses yang komponen-komponen sistemnya bersifat kontinu.
3) Simulasi Campuran merupakan simulasi dari suatu proses yang komponen-komponen sistemnya ada yang bersifat diskrit dan ada yang bersifat kontinu.
4) Simulasi Monte Carlo merupakan simulasi yang menggunakan data empiris sebagai dasar.
3. Karakteristik simulasi
Karakteristik simulasi sebagai alat perencanaan dan pengambilan keputusan yang tangguh:
a. Mencakup saling ketergantungan sistem (system interdependencies) b. Memperhitungkan variabilitas
sistem
c. Sanggup membuat model untuk sistem apapun
d. Memperlihatkan perilaku sistem setiap saat
e. Lebih murah, tidak menghabiskan waktu dan tidak mengganggu sistem nyata
f. Menarik perhatian (secara visual) g. Menyediakan hasil yang mudah
dimengerti dan dikomunikasikan h. Mencakup waktu yang nyata,
dimanfatkan, atau bahkan waktu yang tertunda
i. Memberikan rancangan yang rinci.
2.3 Forecasting
Peramalan adalah kegiatan yang berhubungan dengan meramalkan atau kegiatan atau memproyeksikan hal-hal yang terjadi dimasa lampau kemasa depan.
14
pertimbangan yang baik dari seorang manajer.
1. Jenis-jenis forecasting
Dilihat dari segi waktu, forecasting dapat dibagi dalam tiga jenis, yaitu prediksi jangka panjang (Long-range
forecasting), prediksi jangka
menengah (mediun-term forecasting) dan prediksi jangka pendek (short-term forecasting).
a. Long-range forecasting
Prediksi jangka panjang umumnya cenderung tidak akurat. Hal itu telah dibuktikan oleh W. Ascher yang mencoba menguji ketepatan dari prediksi (sering disebut proyeksi) dalam bidang ekonomi, kependudukan, energi, transportasi dan teknologi, yang akhirnya membuat ia menemukan banyaknya bisa, disamping kesalahan-kesalahan yang cukup berarti, mulai dari angka presentase yang kecil sampai pada presentase yang ratusan. Kecenderungan dari para pengambil keputusan ialah menginginkan masukan dari beberapa peramal. Lalu timbul masalah baru, yaitu prediksi siapa yang akan diikuti.
b. Mediun-term forecasting
Prediksi ini biasanya berjangka waktu antara tiga bulan sampai dua tahun. Prediksi ini biasanya diangkat dari prediksi jangka panjang atau dari jangka pendek.
c. Short-term forecasting
Prediksi jangka pendek pada umumnya masih berpedoman pada perkembangan sekarang karena secara teoritis gejala-gejala yang terjadi sekarang masih dapat berlaku paling tidak untuk jangka tiga bulan berikutnya.
2. Kriteria Prediksi
Variabel-variabel yang krusial dalam lingkungan perlu dipantau terus dan nilai serta dampak masa depannya perlu diramalkan secara serius. Untuk
mendapatkan beberapa kriteria sebagai berikut:
a. Prediksi haruslah tepat waktu b. Prediksi haruslah dalam
satuan-satuan sesuai dengan rencana keputusan yang akan dibuat.
3. ANALISIS DAN PERANCANGAN
Teknik analisis data dalam pembuatan perangkat lunak menggunakan pemodelan perangkat lunak dengan paradigma waterfall seperti terlihat pada Gambar 1 yang meliputi beberapa proses diantaranya:
a. System / Information Engineering Merupakan bagian dari sistem yang terbesar dalam pengerjaan suatu proyek, dimulai dengan menetapkan berbagai kebutuhan dari semua elemen yang diperlukan sistem dan mengalokasikannya kedalam pembentukan perangkat lunak.
b. Analisis
Merupakan tahap menganalisis hal-hal yang diperlukan dalam pelaksanaan proyek pembuatan perangkat lunak.
c. Design
Tahap penerjemahan dari data yang dianalisis kedalam bentuk yang mudah dimengerti oleh user.
d. Coding
Tahap penerjemahan data atau pemecahan masalah yang telah dirancang keadalam bahasa pemrograman tertentu.
e. Pengujian
Merupakan tahap pengujian terhadap perangkat lunak yang dibangun.
f. Maintenance
15
Gambar 1. Paradigma Waterfall
3.1 Analisa Sistem
Analisis Sistem dapat didefinisikan sebagai penguraian dari suatu sistem informasi yang utuh ke dalam bagian bagian komponennya dengan maksud untuk mengidentifikasikan dan mengevaluasi permasalahan yang terjadi dan kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan-perbaikan. Atau secara lebih mudahnya, analisis sistem adalah penelitian atas sistem yang telah ada dengan tujuan untuk merancang sistem yang baru atau diperbarui. Tahap analisis sistem ini merupakan tahap yang sangat kritis dan sangat penting, karena kesalahan di dalam tahap ini akan menyebabkan juga kesalahan di tahap selanjutnya. Tugas utama analis sistem dalam tahap ini adalah menemukan kelemahan dari sistem yang berjalan sehingga dapat diusulkan perbaikannya.
3.2 Analisa Basis Data
Struktur logika dari basis data dapat digambarkan dalam sebuah grafik dengan menggunakan Entity Relationship
Diagram (ERD). ERD merupakan
hubungan antara entitas yang digunakan dalam sistem untuk menggambarkan hubungan antara entitas atau struktur data dan relasi antar file.
Komponen utama pembentukan ERD yaitu Entity (entitas) dan Relation (relasi) sehingga dalam hal ini ERD merupakan komponen-komponen himpunan entitas
dan himpunan relasi yang dideskripsikan lebih jauh melalui sejumlah atribut-atribut (property) yang menggambarkan seluruh fakta dari sistem yang ditinjau.
3.3 Perancangan Struktur Menu
Dalam perancangan sebuah aplikasi dibutuhkan struktur menu yang berisikan menu dan submenu yang berfungsi untuk memudahkan user dalam menggunakan aplikasi tersebut.
4. IMPLEMENTASI
Implementasi adalah tahap yang meliputi proses persiapan sistem, konversi dan pengoperasian. Implementasi merupakan prosedur yang dilakukan untuk menyelesaikan desain sistem yang ada dalam dokumen desain yang disetujui dan di uji kemudian diinstal guna dilakukan pemrosesan data dengan sistem yang baru atau sistem yang diperbaiki.
4.1 Lingkungan Pengembangan
Aplikasi ini dibuat dengan spesifikasi komputer sebagai berikut:
1. Sistem Operasi : Windows 7 Ultimate 2. Processor : Intel Core i3-2330M 3. RAM : 2 GB DDR3
4.2 Pemeliharaan Sistem
Pemeliharaan terhadap sistem yang telah dibangun secara khusus tidak harus dilakukan pemeliharaan, kecuali jika sistem ingin dikembangkan. Pemeliharaan yang dapat dilakukan adalah pada sisi database, dan program perhitungan prediksi peserta matakuliah pilihan.
4.2 Pengujian Program
16
Gambar 2. Form Prediksi IPK mahasiswa
Untuk mengakses form ini, pilih menu transaksi, prediksi. Form ini digunakan untuk memprediksi ipk mahasiswa. Dalam form ini terdapat 3 cara perhitungan dari time series yaitu Last Value diperoleh 3,13, Average didapatkan IPK =3,20 dan Moving Average dihasilkan IPK=3,20. Namun dalam percobaan simulasi cara perhitungan Moving Average tidak maksimal dalam melakukan prediksi dikarenakan Moving Average menggunakan data pengamatan terbaru yang konstan sedangkan data IPK cenderung berubah-ubah.
5. PENUTUP
Berdasarkan hasil penerapan metode times series dalam simulasi forecasting perkembangan akademik mahasiswa STMIK AKBA, maka dapat ditarik kesimpulan sebagai berikut:
a. Metode times series yang cenderung digunakan untuk simulasi peramalan perkembangan IPK mahasiswa adalah Last Value dan Average
b. Dengan aplikasi yang berbasis teknologi informasi dihasilkan sebuah metode yang bisa digunakan untuk simulasi peramalan perkembangan akademik mahasiswa STMIK AKBA.
Daftar Pustaka
[1] Chen,S.M. 1996. Forecasting Enrollment based on Fuzzy Time Series. International Journal of Applied Science and Engineering. Vol : 81, Hal : 311-399
[2] Heizer, J., & Render, B. (2006). Manajemen Operasi, Edisi 7. Jakarta: Salemba Empat
[3] Nahrowi Djalal & Usman Hardius. 2004. Teknik Pengambilan Keputusan Jakarta: Grasindo.
[4] Prasmanasi, Deasy Yuanita. Jenis – Jenis Metode Peramalan. Malang :Universitas Muhammadiyah
[5] Puspitasari,E . Linawati,L & H.A. Parhusip. 2012. Peramalan Persentase Perubahan Data Indeks Harga Saham Gabungan (IHSG) dengan Fuzzy Time Series. Prosiding Seminar Nasional Sains dan Pendidikan Sains UKSW 21-22 September 2012
[6] Saputro Doddy, 2012, Analisis Peramalan dalam Memprediksikan Permintaan dan Persediaan Mesin
Dengan Perhitungan EOQ dan
Simulasi Monte Carlo Pada PT.Surya Wahana Fortuna. Ubinus: Jakarta
[7] Simartama Jenner, 2007, Perancangan Basis Data. Yogyakarta: Andi
[8] Sutabri Tata, 2004, Analisis Sistem Informasi. Yogyakarta: Andi
