Peramalan (forecasting) merupakan salah satu cara yang digunakan untuk memperkirakan apa yang akan terjadi di masa depan berdasarkan kumpulan data yang berurutan dari waktu ke waktu (time series). Dalam dunia bisnis masa depan menjadi salah satu ketidakpastian dan tidak bisa di kontrol namun harus dihadapi dengan persiapan sebaik mungkin. Tanpa adanya prediksi dan perencanaan, sebuah bisnis tidak dapat berkembang secara maksimal. Nah, dengan melihat dan mengidentifikasi data-data di masa lalu dan memperkirakan apa yang akan terjadi di masa depan dapat mengurangi resiko negatif yang kemungkinan terjadi.
Forecasting diperlukan dalam banyak situasi mencakup bidang bisnis, pemerintahan, ekonomi, politik, kedokteran, sosial, dan keuangan.
Data time series secara teoritis dapat ditulis sebagai berikut :
xt= b1z1t+b2z2t+…+bkzkt+k
Dimana :
bk = parameter ke-k
zkt = Fungsi matematik ke-k pada t
k = komponen acak ke-k
Data time series terbagi menjadi dua yaitu stasioner dan tidak stasioner. Stasioner apabila data time series memiliki nilai tengah (rataan) dan ragam (fluktuasi) yang konstan dari waktu ke waktu.
Forecasting biasanya dikategorikan menjadi tiga jenis:
- Jangka pendek (short-term) : memprediksi peristiwa hanya beberapa periode waktu (hari, minggu, dan bulan) ke masa depan
- Jangka menengah (medium-term) : perkiraan dari satu hingga dua tahun ke depan
- Jangka Panjang (long-term) : lebih dari 2 tahun ke depan
Forecasting jangka pendek dan menengah biasanya didasarkan pada identifikasi, pemodelan, dan ekstrapolasi pola yang ditemukan dalam data historis. Data historis biasanya menunjukkan inersia dan tidak berubah secara dramatis dengan sangat cepat. (Montgomery DC, dkk. 2015)
Secara garis besar tipe pola data time series terbagi menjadi 5 yaitu :
- Pola Data Horizontal, terjadi ketika data berfluktuasi di sekitar rata-rata yang konstan
- Pola Data Musiman, terjadi bila suatu data time seriesdipengaruhi oleh faktor musiman
- Pola Data Siklis, Terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis
- Pola Data Trend, Terjadi ketika kenaikan atau penurunan sekuler jangka Panjang dalam data
- Pola Gabungan, Gabungan dari beberapa pola data time seriesyang disebutkan di atas.
Pola Data Time Series
Metode dalam analisis time series :
- ARIMA (Autoregressive Integrated Moving Average), pada dasarnya menggunakan fungsi deret waktu (chronological), metode ini memerlukan pendekatan model identifikasi serta penaksiran awal dari parameternya
- Regresi, menggunakan dummy variabel dalam formulasi matematisnya
- Bayesian, merupakan metode yang menggunakan yang menggunakan state space berdasarkan model dinamis linear (dynamical linear model)
- Smoothing, dipakai untuk mengurangi ketidakteraturan data yang bersifat musiman dengan cara membuat keseimbangan rata-rata dari data masa lampau. Pada metode ini digunakan beberapa cara seperti di bawah ini:
- Rata-rata bergerak tunggal (Single Moving Average), untuk data stasioner.
- Rata-rata bergerak berganda (Double Moving Average), untuk data tidak stasioner.
- Pemulusan eksponensial tunggal (Single Exponential Smoothing), untuk data stasioner.
- Pemulusan Eksponensial Ganda (Double Exponential Smoothing), untuk data tidak stasioner.
- Pemulusan Metode Winter (aditif dan multiplikatif), untuk data yang terdapat faktor musiman.
Kriteria kebaikan peramalan (evaluation metrics) yang dapat digunakan pada time series :
- MAD (Mean Absolute Deviation), rata-rata dari nilai absolute simpangan.
- MAPE (Mean Absolute Percentage Error), rata-rata dari keseluruhan persentase kesalahan (selisih) antara data aktual dengan data hasil peramalan. Ukuran akurasi dicocokkan dengan data time series, dan ditunjukkan dalam persentase.
- MSE (Mean Squared Error), rata-rata kuadrat kesalahan.
Terdapat sejumlah indikator dalam pengukuran akurasi forecasting, namun yang paling sering digunakan adalah MAD, MAPE, dan MSE. Akurasi forecasting akan semakin tinggi apabila nilai error MAD, MAPE, dan MSE relatif kecil.
Referensi :
Montgomery DC, Jennings CL, Kulahci M. 2015. Time Series Analysis and Forecasting. New Jersey : Wiley & Sons, Inc.
