Makalah Peramalan Bisnis -decomposition

PENGGUNAAN DATA TIME SERIES DAN PEMILIHAN METODE ANALISIS YANG TEPAT UNTUK PERAMALAN BISNIS1 Oleh: Dwi Putra Darmawan2 Dalam dunia bisnis, data time series diperlukan sebagai acuan pengambilan keputusan, proyeksi, dan perencanaan strategis pada saat ini maupun pada masa yang akan datang. Asumsi penting yang harus diperhatikan dalam penggunaan data time series untuk peramalan adalah: (1) adanya ketergantungan kejadian masa yang akan datang dengan masa lalu; (2) aktivitas pada masa yang akan datang mengukuti pola kejadian masa lalu; (3) keterkaitan dengan masa lalu dapat ditentukan dengan observasi/riset. Beberapa model analisis time series yang sering digunakan adalah analisis dekomposisi (decomposition) , rerata bergerak,

(moving

average) dan

penghalusan eksponensial (exponential smoothing). Untuk data yang sifatnya musiman, digunakan analisis dekomposisi, sedangkan untuk data yang bersifat tidak musiman (data tidak teratur sehingga tidak terlihat polanya) digunakan analisis rerata bergerak. Penghalusan eksponensial adalah metode peramalan dengan pemberian bobot (antara 0-1) pada peramalan. Metode dekomposisi didasarkan atas asumsi bahwa data time series merupakan gabungan dari komponen pola dan error. Artinya, Data (Yt) = pola + error = f(Tt, Ct, St) + It. Dalam hal ini, Yt = variabel dependen, Tt = secular trend, Ct = cyclical

1

2

Paper disampaikan dan didiskusikan pada “Pelatihan Metode Kuantitatif dengan Program SPSS, QM, AHP dan AMOS, diselenggarakan oleh Laboratorium Statistik dan Komputer, Fakultas Pertanian Universitas Mataram, di Mataram, Lombok, Nusa Tenggara Barat, tanggal 130 Juni 2004. Ketua Program Studi Sosial Ekonomi Pertanian (Agribisnis), Jurusan Sosial Ekonomi Pertanian, Fakultas Pertanian, Universitas Udayana, Denpasar, Bali.

1

movement, St = seasonal fluctuation, dan It = irreguler variation (random). Penyatuan pola data ini, dapat dilakukan dengan penambahan atau perkalian. Model perkalian sering disebut model klasik time series, yakni mengalikan empat komponen time series berikut: Yt = Tt·Ct·St·It. Tujuan analisis ini adalah mengekstrak komposisi time series menjadi sub pola (bukan pola dasar) sehingga ramalan menjadi lebih akurat. Menurut Lavine et al.3, faktor-faktor yang mempengaruhi data time series seperti pada Tabel 1. Tabel 1. Faktor-faktor yang Mempengaruhi Data Time Series Komponen

Klasifikasi

Definisi

Faktor yang mempengaruhi

Durasi

Trend

Sistematis

Kecenderungan perubahan jangka panjang

Perubahan teknologi, populasi, kekayaan, nilai

Beberapa tahun

Musiman

Sistematis

Fluktuasi yang terjadi secara terpola dalam 1 tahun, pola itu berulang pada tahun berikutnya

Cuaca, kebiasaan, sasial, agama

Dalam 1 tahun

Siklus

Sistematis

Perubahan yang terjadi berulang dalam beberapa tahun, meliputi 4 fase, yakni: prosperity, recession, depression, recovery

Beberapa faktor yang mempengaruhi kondisi ekonomi

2-10 tahun

Random

Tidak sistematis

Fluktuasi residu dari data time series setelah memperhatikan komponen sistematis, seperti trend, musiman, dan siklus

Variasi yang bersifat acak, yang tidak dapat diduga, seperti bencana alam dan perubahan politik

Sangat singkat dan biasanya tidak terulang

Sumber: Levine et al. (1997).

Dalam analisis dekomposisi, dibutuhkan informasi, antara lain: (a) panjang musim, tipe model adalah perkalian (multiplicative), komponen model adalah trend dan musiman, dan berapa periode yang akan diramal. Hasil peramalan sudah berupa ramalan terkoreksi, yakni nilai peramalan dikalikan indeks musiman 3

Lavine, D.M. et al., Statistics for Managers: Using Microsoft Excel, Prentice Hall, New Jersey, 1997.

2

(seasonal indices). Di pihak lain, analisis rerata bergerak (MA) membutuhkan input, seperti panjang periode MA (misalnya 3 bulan), jumlah periode yang akan diramal, sedangkan peramalan penghalusan eksponensial, baik single maupun double exponential, hanya memerlukan tambahan input bobot yang digunakan untuk penghalusan (bobot berkisar antara 0-1). Tingkat ketepatan model (accuracy of model), antara lain ditunjukkan oleh nilai MAPE (mean absolute percentage error), MAD (mean absolute deviation), dan MSD (mean square deviation). Semakin kecil nilai-nilai MAPE, MAD dan MSD sebuah model, semakin akurat peramalan yang dihasilkan oleh model tersebut. Dengan berkembangnya program komputer, seperti Minitab dan SPSS, saat ini pemilihan berbagai model analisis time series dapat dikerjakan jauh lebih mudah, cepat dan akurat. Untuk lebih mengapresiasi analisis time series dengan bantuan program komputer, berikut ini akan diberikan satu contoh analisis time series yang paling sering digunakan, yakni analisis dekomposisi dengan bantuan software Minitab 13. Data time series penjualan sebuah produk yang akan dianalisis sudah disiapkan terlebih dahulu dalam format Minitab dan disimpan dalam file Minitab Project. Langkah-langkah analisis dekomposisi dengan software Minitab sebagai berikut. 1. Aktifkan Minitab, pilih Open Project dan buka file dekomposisi-1.mpj. Selanjutnya, pada menu utama, pilih Stat, Time Series, dan Decomposition (Gambar 1), dan akan muncul kotak dialog Decomposition (Gambar 2).

3

Gambar 1. Menu Utama Statistik untuk Memilih Analisis Dekomposisi 2. Pada kotak dialog Decomposition, masukkan variabel sale ke dalam kotak Variabel, isi Seasonal Length dengan angka 4, yang menunjukkan empat triwulan (quarters) dalam setahun. Kemudian, aktifkan Multiplicative pada pilihan Model Type, dan Trend plus seasonal pada pilihan Model Components. Pada First obs.is in seasonal period, ketik angka1, lalu aktifkan Generate forecasts dan pada Number of forecast ketik angka 4, yang menunjukkan peramalan triwulanan selama setahun yang dimulai setelah data terakhir (dengan cara mengisi kotak Starting from origin dengan angka 16; data sale mempunyai length = 16), dan terakhir ketik OK. Hasil olahan analisis dekomposisi serta hasil peramalan selama setahun yang sudah terkoreksi dengan seasonal indices seperti pada Lampiran 1.

4

Gambar 2. Kotak Dialog Dekomposisi dengan Beberapa Pilihan Model dan Masukan untuk Analisis Dekomposisi Lampiran 1. Analisis Dekomposisi dan Peramalan Terkoreksi dengan Minitab Time Series Decomposition Data Length NMissing

sale 16.0000 0

Trend Line Equation Yt = 11.9 + 0.394118*t Seasonal Indices Period

Index

1 2 3 4

0.889655 1.15999 0.913351 1.03700

Accuracy of Model MAPE: MAD: MSD:

1.54914 0.23623 0.07229

Forecasts Row

Period

Forecast

1 2 3 4

17 18 19 20

16.5476 22.0331 17.7083 20.5143

5