chesstim: Maret 2012

Andri Setianingsih (35104)

Jurusan Teknologi Informasi

Fakultas Teknik Universitas Gadjah Mada

Abstrak

Lagi-lagi salah salah satu pengaruh perkembangan tekhnologi yang semakin pesat berdampak pada perkembangan dunia idustri yang diikuti dengan persaingan bisnis yang semakin meningkat. Hal ini mau tidak mau menuntut para pelaku bisnis untuk terus meningkatkan effisiensi di segala bidang, baik dalam strategi marketing/penjualan, produksi, dan pengambilan keputusan yang lainnya. Peramalan merupakan bagian awal dari suatu proses pengambilan suatu keputusan. Sebelum melakukan peramalan harus diketahui terlebih

dahulu apa sebenarnya persoalan dalam pengambilan keputusan itu, karena suatu keputusan itu berpengaruh terhadap keadaan masa dapan yang penuh dengan resiko dan ketidak pastian. Resiko itu menunjuk keadaan yang tingkat ketidakpastiannya lebih rendah karena telah mempergunakan data yang tersedia untuk meramalkan terjadinya suatu keadaan tertentu. Sedangkan ketidakpastian menunjuk ada suatu keadaan yang benar-benar tidak ada data yang dapat dipergunakan untuk memprediksi atau meramalkan terjadinya peristiwa tertentu. Meskipun perusahaan tidak dapat membuat peramalan yang sama persisi dengan kenyataan, namun peramalan sangat penting sebagai pedoman dalam membuat rencana.

Peramalan dapat dilakukan untuk jangka pendek, jangka menengah, maupun jangka panjang. Untuk peramalan jangka pendek biasanya digunakan untuk merencanankan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi. Untuk peramalan jangka menengah misalnya mencakup penjualan, anggaran produksi, anggaran kas, dan analisis bermacam-macam operasi. Sedangkan untuk jangka panjang diguakan untuk merencanakan produk baru, pembelanjaan modal lokasi atau pembangunan fasilitas serta enelitian pengembangan.

Analisis time series adalah salah satu model/teknik dalam forecasting dimana banyak dilakukan dalam berbagai bidang, misal pertanian, teknik, ekonomi, geofisik dan kedokteran.

I. Pendahuluan

a) Pengertian Forecast

Sebelum mengupas lebih dalam mengenai Time Series Model alangkah lebih baik kita tahu apa yang dimaksud dengan forecasting. Forecasting atau peramalan adalah proses untuk membuat pernyataan atas suatu kejadian dimana kejadian tersebut belum diketahui atau diobservasi (www.wikipedia.org).

Menurut (Arman hakim: 2003, hal 25) peramalan adalah proses untuk memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam ranka memenuhi permintaan barang ataupun jasa.

Menurut Heizer (2005) Peramalan/forecasting adalah seni dan ilmu untuk memperikirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model yang matematis, dan bisa juga dalam bentuk prediksi intuisi yang bersifat subjektif. Ataupun bisa juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manajer.

Kemudian apakah perbedaannya peramalan dengan perencanaan?? Jelas berbeda, Rencana adalah penentuan apa yang akan dilakukan oleh perusahaan pada waktu yang akan datang, sedang dengan peramalan hanya perkiraan apa yang akan terjadi , namun belum tentu dapat di laksanakan.

Setelah memahami berbagai istilah forecast menurut pendapat orang lain seperti di atas, jadi forecast menurut saya adalah suatu kegiatan yang memperkirakan/menaksirkan suatu kejadian yang akan datang dengan merujuk/menganalisis data-data yang ada, yang kemungkinan dapat terjadi ataupun tidak terjadi.

b) Model/tenik forecast

Teknik peramalan merupakan cara memperkirakan apa yang akan terjadi pada masa mendatang secara sistematis dan pragmatis atas dasar data yang relevan pada masa yang lalu, sehingga dengan demikian teknik peramalan diharapkan dapat memberikan objectivitas yang lebih besar. Metode/teknik peramalan memberikan cara pengerjaan yang teratur dan terarah, dengan demikian dapat dimungkinkan pengguna teknik-teknik pengaalisisan yang lebih maju, yang dapat diharapkan memberikan tingkat kepercayaan atau keyakinan yang lebih besar, karana dapat diuji dan dibuktikan penyimpangan atau deviasi yang terjadi secara ilmiah.

Forecast/Peramalan biasanya dapat diklasifikasikan berdasarkan horizon waktu masa depan yang dicakupnya. Berikut ini adalah kategori peramalan berdasarkan horizon waktu:

1. Peramalan jangka pendek

Peramalan ini mancakup jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan. Peramalan ini biasanya digunakan untuk merencanakan pembelian, penjadwalan kerja, penjualan, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi.

2. Peramalan jangka menengah

Peramalan ini umumnya mencakup hitungan bulanan hingga waktu 3 tahun. Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas, dan menganalisis bermacam-macam rencana operasi.

3. Peramalan jangka panjang

Umunya untuk waktu perencanaan masa 3 tahun atau lebih. Permalan jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan (litbang).

Sedangakan tipe peramalan berdasarkan aspek strategis dalam perencanaan operasi di masa depan antara lain:

1. Peramalan ekonomi (economic forecast), peramalan ini menjelaskan/meramalkan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan, dan indicator perencanaan lainnya.

2. Peramalan teknologi (technological forecast), memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.

3. Peramalan permintaan (demand forecast), adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan ini disebut juga Peramalan Penjualan yang mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.

Secara umum teknik atau metode peramalan dapat dibagi menjadi dua kategori, yang masing-masing kategori terdiri dari beberapa model. Hal ini dapat dijelaskan sebagai berikut (Spyros Makridakis, 1993 hal 8-10)

1. Metode Kualitatif

Metode ini lebih menekankan pada keputusan-keputusan hasil diskusi pendapat pribadi seseorang, dan intuisi yang meskipun kelihatannya kurang ilmiah tetapi dapat memberikan hasil yang baik. Metode ini dibagi menjadi 2 yakni

a) Metode eksploritas

b) Metode normatif

2. Metode kuantitatif

Merupakan prosedur peramalan yang mengikuti aturan-aturan matematis dan statistik dalam menunjukan hububgan antara permintaan dengan satu atau lebih variabel yang mempengaruhinya. Peramalan kuantitatif mengasumsikan bahwa tingkat keeratan dan macam dari hubungan antara variabel-variabel bebas dengan permintaan yang terjadi pada masa lalu akan berulang pada masa akan datang.

Prosedur umum yang digunakan dalam peramalan secara kuantitatif

adalah:

1. Definisikan tujuan peramalan.

2. Pembuatan diagram pencar.

3. Pilih minimal dua metode peramalan yang dianggap sesuai.

4. Hitung parameter – parameter fungsi peramalan.

5. Hitung kesalahan setiap metode peramalan.

6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil.

7. Lakukan verifikasi peramalan.

Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut:

a) Tersedianya informasi tentang masa lalu

b) Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik

c) Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut dimasa yang akan datang.

Bagan diatas merupakan gambaran Metode Kuantitatif yang dikelompokan menjadi dua, yaitu

1. Time series model

Time series model didasarkan pada serangkaian data-data berurutan yang berjarak sama (misalnya: mingguan , bulanan, tahunan, dll). serangkaian data ini yang merupakan serangkaian observasi berbagai variabel menurut waktu, biasanya ditabulasikan dan digambarkan dalam bentuk grafik yang menunjukan perilaku subyek. Time series sangat tepat dipakai untuk meramalkan permintaan yang berpola permintaan dimasa lalunya cukup konsisten dalam periode waktu yang lama, sehingga pola tersebut masih akan teteap berlanjut.

Analisa deret waktu didasarkan pada asumsi bahwa deret waktu tersebut terdiri dari komponen-komponen, yaitu: Pola kecenderungan (T), Pola siklus/cycle (C), Pola musim (S), Variasi acak(R)

Seperti yang terlihat pada tabel di atas Time series model mempunya beberapa metode, antara lain yakni : ARIMA, bayesian, Autocorelation, filter kalman, multivariate, smooting dan regresion.

2. Casual model (model sebab akibat)

Model casual model adalah model peramalan yang mempertimbangkan variabel-variabel atau vaktor-vaktor yang bisa mempengaruhi jumlah yang sedang diramalkan. Atau lebih mudahnya bahwa Metode ini menggunakan pendekatan sebab-akibat, dan bertujuan untuk meramalkan keadaan di masa yang akan datang dengan menemukan dan mengukur beberapa variabel bebas (independen) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang akan diramalkan. Pada metode kausal terdapat tiga kelompok metode yang sering dipakai :

a. Metoda regresi dan korelasi memakai teknik kuadrat terkecil (least square). Metoda ini sering digunakan untuk prediksi jangka pendek. Contohnya: meramalkan hubungan jumlah kredit yang diberikan dengan giro, deposito dan tabungan masyarakat.

b. Metoda ekonometri berdasarkan pada persamaan regresi yang didekati secara simultan. Metoda ini sering digunakan untuk perencanaan ekonomi nasional dalam jangka pendek maupun jangka panjang. Contohnya: meramalkan besarnya indikator moneter buat beberapa tahun ke depan, hal ini sering dilakukan pihak BI tiap tahunnya.

c. Metoda input output biasa digunakan untuk perencanaan ekonomi nasional jangka panjang. Contohnya: meramalkan pertumbuhan ekonomi seperti pertumbuhan domestik bruto (PDB) untuk beberapa periode tahun ke depan 5-10 tahun mendatang. Tahapan perancangan peramalan Secara ringkas terdapat tiga tahapan yang harus dilalui dalam perancangan suatu metoda peramalan, yaitu :

- Melakukan analisa pada data masa lampau. Langkah ini bertujuan untuk mendapatkan gambaran pola dari data bersangkutan.

- Memilih metoda yang akan digunakan. Terdapat bermacam-macam metoda yang tersedia dengan keperluannya. Metoda yang berlainan akan menghasilkan sistem prediksi yang berbeda pula untuk data yang sama. Secara umum dapat dikatakan bahwa metoda yang berhasil adalah metoda yang menghasilkan penyimpangan (error) sekecilkecilnya antara hasil prediksi dengan kenyataan yang terjadi.

- Proses transformasi dari data masa lampau dengan menggunakan metoda yang dipilih. Kalau diperlukan, diadakan perubahan sesuai kebutuhannya.

II. Analisis Time Series model

Time series adalah suatu himpunan pengamatan yang dibangun secara berurutan dalam waktu. Waktu atau periode yang dibutuhkan untuk melakukan suatu peramalan itu biasanya disebut sebagai lead time yang bervariasi pada tiap persoalan. Berdasarkan himpunan pengamatan yang tersedia maka time series dikatakan kontinu jika himpunan pengamatan tersebut adalah kontinu dan dikatakan diskrit bila himpunan pengatamatan tersebut juga diskrit.

a. Pendekatan dalam analisis data time series:

- Pendekatan Ekonomi

- Pendekatan Statistik

- Pendekatan Visual

b. Komponen data time series ini sebagai penentuan pola data:

1) Siklus è Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek (sekitar 2‑10 tahun). Lamanya dan besarnya fluktuasi juga sangat beragam dari perusahaan ke perusahaan, dan dari industri ke industri.

Gerakan / variasi siklis adalah gerakan / variasi jangka panjang disekitar garis trend (berlaku untuk data tahunan). Gerakan siklis ini bisa terulang setelah jangka waktu tertentu dan bisa juga terulang dalam jangka waktu yang sama. contoh gerakan siklis yakni kemakmuran (prosperity), kemunduran (recession), depresi (depression), dan pemulihan (recovery)

Penjualan produk dapat memiliki siklus yang berulang secara periodik. Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang memiliki kecenderungan periodic. Komponen siklis ini sangat berguna dalam peramalan jangka menengah. Pola data ini terjadi bila data memiliki kecendrungan untuk naik atau turun terus-menerus.

2) Musiman è Musiman merupakan fluktuasi yang terjadi dalam lingkup satu tahun. Ada beberapa penyebab timbulnya fluktuasi musiman seperti disebutkan di muka:

(1) Karena peristiwa tertentu, misal karena peristiwa lebaran atau tahun baru,

(2) Karena cuaca, misal musim hujan dan musim kemarau.

Perkataan musim menggambarkan pola penjualan yang berulang setiap periode. Komponen musim dapat dijabarkan ke dalam faktor cuaca, libur, atau kecenderungan perdagangan. Pola musiman berguna dalam meramalkan penjualan dalam jangka pendek. Pola data ini terjadi bila nilai data sangat dipengaruhi oleh musim

Gerakan / variasi musiman adalah gerakan yang mempunyai pola tetap dari waktu ke waktu, misalnya naiknya harga pohon cemara menjelang Natal, menurunnya harga beras pada waktu panen, dan lain sebagainya. Walaupun pada umumnya gerakan musiman terjadi pada data bulanan yang dikumpulkan dari tahun ke tahun, namun juga berlaku bagi data harian, mingguan, atau satuan waktu yang lebih kecil lagi.

Pola data musiman dapat digambarkan sebagai berikut:

3) Ketidakeraturan è Fluktuasi semacam ini disebabkan karena faktor‑faktor yang munculnya tidak teratur, dengan jangka waktu yang pendek.

Misalkan suatu perusahaan mengalami musibah karena salah satu gudangnya terbakar, maka data keuntungan perusahaan pada periode tersebut akan terpengaruh. Dalam beberapa situasi, analis ingin memecaha data time-series ke dalam empat komponen tersebut

Gerakan / variasi yang tidak tetap adalah gerakan / variasi yang sifatnya sporadis, misalnya naik-turunnya produksi akibat banjir yang datangnya tidak teratur.

4) Trend è Trend merupakan pergerakan time series dalam jangka panjang, bisa merupakan tren naik atau turun. Diperlukan waktu jangka panjang (15 atau 20 tahun) untuk melihat pola tren tersebut. Tren tersebut bisa dipengaruhi oleh perubahan jumlah penduduk, perubahan teknologi, dan semacamnya.

Gerakan trend jangka panjang adalah suatu gerakan yang menunjukkan arah perkembangan secara umum (kecenderungan menaik / menurun). Garis trend sangat berguna untuk membuat ramalan (forecasting) yang sangat diperlukan bagi perencanaan.

Dalam pembahasan model dekomposisi additive ditunjukkan sebagai berikut:

(5)

dengan

= nilai observasi dalam time series pada periode

= komponen trend pada periode t

= komponen faktor musiman pada periode t

= komponen siklis pada periode t

= komponen perubahan-perubahan yang bersifat random periode t

c. Beberapa metode dalam time series

Seperti yang sudah di sebutkan di atas sebelumnya bahwa metode dalam time series ada beberapa yaitu:

1. ARIMA (Autoregressive Integrated Moving Average) pada dasarnya menggunakan fungsi eret waktu, metode ini memerlukan pendekatan model identification serta penaksiran awal dari paramaternya.

Model ARIMA musiman digunakan pada data yang mempunyai korelasi yang tinggi pada periode waktu (musim) yang sama. Model ARIMA musiman satu periode dapat dinyatakan sebagai berikut (Cryer, 1986; Wei, 1990; Box dkk., 1994).

, (6)

dengan

= .

Adapun adalah panjang periode musiman, adalah operator mundur atau back shift operator, dan adalah suatu deret white noise dengan rata-rata nol dan varians konstan.

2. Kalman Filter banyak digunakan pada bidang rekayasa sistem untuk memisahkan sinyal dari noise yang masuk ke sistem. Metoda ini menggunakan pendekatan model state space dengan asumsi white noise memiliki distribusi Gaussian.

3. Bayesian merupakan metode yang menggunakan state space berdasarkan model dinamis linear (dynamical linear model). Sebagai contoh: menentukan diagnosa suatu penyakit berdasarkan data-data gejala (hipertensi atau sakit jantung).

4. Metode smoothing dipakai untuk mengurangi ketidakteraturan data yang bersifat musiman dengan cara membuat keseimbangan rata-rata dari data masa lampau.

a. Metode Rata – Rata

Ø Metode rata-rata bergerak tunggal

Ø Metode rata-rata bergerak ganda

- Menghitung rata-rata bergerak pertam è

- Menghitung rata-rata bergerak kedua è

- Menentukan besarnya nilai at (konstana) è

- Menentukan besarnya nilai bt (slope). è

Dimana V= jangka waktu rata-rata bergerak

- Menentukan ramalan. è

Dimana m =jangka waktu peramalan ke depan

b. Metode Pemulusan (Smoothing) Eksponensial

Bentuk umumnya è

Ft+1 = αXt + (1 – α)Ft

Ft+1 = αXt + α(1 – α)Xt-1 +α(1 – α)2Xt-2 + ……………+ (1 – α)N Ft+(N-1)

Dengan :

Ft+1 = ramalan suatu periode ke depan

Xt = data aktual periode t

Ft = ramalan pada periode

α = parameter pemulusan (0<α<1)

5. Regresi menggunakan dummy variabel dalam formulasi matematisnya. Sebagai contoh: kemampuan dalam meramal sales suatu produk berdasarkan hargan

Time series regression merupakan model yang digunakan untuk tujuan peramalan dimana variabel dependen ( y_t ) dan variabel prediktor merupakan deretan waktu. Model time series regression sebagaimana tertulis pada Bowerman dan O’Connell (1993) adalah

dengan

= nilai observasi pada periode t

= trend pada periode t

= faktor musiman pada periode t

= error pada periode t

Pada model musiman dengan pendekatan regresi maka faktor musiman dimodelkan melalui variabel dummy (Cryer, 1986; Bowerman dan O’Connell, 1993)

dengan adalah variabel dummy yang didefinisikan sebagai berikut

d. Pemilihan Teknik dan Metode Peramalan

Dalam pemilihan teknik dan metode peramalan, pertama-tama perlu diketahui ciri – ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan dalam mempersiapkan peramalan.

Ada 6 (enam) faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan, yaitu :

ü Horizon Waktu

Ada 2 (dua) aspek dari Horizon Waktu yang berhubungan dengan masing – masing metode peramalan. Pertama adalah cakupan waktu dimasa yang akan datang, kedua adalah jumlah periode untuk peramalan yang diinginkan.

ü Pola Data

Dasar utama dari metode peramalan adalah anggapan bahwa macam – macam dari pola yang didapati didalam data yang diramalkan akan berkelanjutan.

ü Jenis dari Model

Model – model merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan – perubahan dalam pola. Model – model perlu diperhatikan karena masing – masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan.

ü Biaya yang Dibutuhkan

Umumnya ada 4 (empat) unsur biaya yang tercakup di dalam penggunaan suatu prosedur peramalan, yaitu biaya – biaya pengembangan, penyimpanan (Storage) data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik – teknik dan metode lainnya.

ü Ketepatan Metode Peramalan Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan.

ü Kemudahan dalam Penerapan

Metode – metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan suatu prinsip umum bagi pengambil keputusan.

e. Ukuran Akurasi Hasil Peramalan

Untuk mendapat hasil peramalan yang lebih akurat adalah ramalan yang bias

meminimalkan kesalahan meramal (forecast error). Besarnya (forecast error) dihitung

dengan è e_i = X_i − F_i

Dimana : X_i = data periode ke-i

F_i =ramalan period eke-i

Untuk mengukur kesalahan ramalan (error forecast) biasanya digunakan mean

absolute error, mean square error, atau mean absolute percentage error.

- Percentage error

- Absolut percentage error (APE) à kesalahan persentase absolute

- Mean percentage error (MPE)à persentase rata-rata kesalahan absolute

- Mean percentage error (MPE) à persentase rata-rata kesalahan absolute

X : data sebenarnya terjadi

F_t : data ramalan dihitung dari model yang digunakan pada waktu atau tahun t

n : banyak data hasil ramalan

III. Kesimpulan

Jadi dapat ditarik kesimpulan bahwa:

ü Forecasting berperan sangan penting dalam pengambilan keputusan khususnya dalam dunia bisnis.

ü Ada 2 pendekatan yang dapat di pakai dalam peramalan yakni analisis kuantitatif dan kualitatif. Analisis kuantitatif menggunakan model matematis dengan data historis dan kausal. Sedangkan analisis kualitatif menggunakan pendekatan yang bersifat subjectif.

ü Time series sangat tepat dipakai untuk meramalkan permintaan yang berpola permintaan dimasa lalunya cukup konsisten dalam periode waktu yang lama, sehingga pola tersebut masih akan teteap berlanjut

ü Analisa deret waktu didasarkan komponen-komponen, yaitu: Pola kecenderungan (T), Pola siklus/cycle (C), Pola musim (S), Variasi acak(R)

ü Untuk mengukur tingkat kesalahan peramalan keseluruhan dapat dilakukan degan menganalisis MSE, MAD, MAPE.

IV. Referensi

www.ocw.usu.ac.id/course/download/tdi_437_handout_peramalan1.pdf. diakses 26 Maret 2012

www.library.upnvj.ac.id/pdf/2s1teknikindustri/206415002/bab2.pdf. diakses 26 Maret 2012

www.google.com/thesis.binus.ac.id/eColls/eThesisdoc/2011-1-00504-mn%202.pdf. diakses 26 Maret 2012

www.mukhyi.staff.gunadarma.ac.id/FORECASTING+(PERAMALAN). diakses 26 Maret 2012

www.directory.umm.ac.id/doc/METODE_PERAMALAN_SKB.doc. diakses 26 Maret 2012

www.books.google.co.id/books?isbn=9792066373. diakses 26 Maret 2012

www.pustakaskripsi.com/penggunaan-metode-exponential-smoothin. diakses 26 Maret 2012

www.fmipa.uny.ac.id/semnasmatematika/3663-wahyunisuryaningtyas.d. diakses 26 Maret 2012

www.imanph.files.wordpress.com/2012/03/pertemuan-6.ppt. diakses 26 Maret 2012