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
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 1-
30 Juni 2004.
2
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 Perubahan teknologi, Beberapa

jangka panjang populasi, kekayaan, nilai tahun
Musiman Sistematis Fluktuasi yang terjadi Cuaca, kebiasaan, sasial, Dalam 1
secara terpola dalam 1 agama tahun
tahun, pola itu berulang
pada tahun berikutnya
Siklus Sistematis Perubahan yang terjadi Beberapa faktor yang 2-10
berulang dalam beberapa mempengaruhi kondisi tahun
tahun, meliputi 4 fase, ekonomi
yakni: prosperity,
recession, depression,
recovery
Random Tidak Fluktuasi residu dari data Variasi yang bersifat acak, Sangat
sistematis time series setelah yang tidak dapat diduga, singkat
memperhatikan komponen seperti bencana alam dan dan
sistematis, seperti trend, perubahan politik biasanya
musiman, dan siklus 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 sale
Length 16.0000
NMissing 0

Trend Line Equation

Yt = 11.9 + 0.394118*t

Seasonal Indices

Period Index

1 0.889655
2 1.15999
3 0.913351
4 1.03700

Accuracy of Model

MAPE: 1.54914
MAD: 0.23623
MSD: 0.07229

Forecasts

Row Period Forecast

1 17 16.5476
2 18 22.0331
3 19 17.7083
4 20 20.5143