Skip links

PERAMALAN DATA DERET WAKTU

PERAMALAN DATA DERET WAKTU

Oleh: Uqwatul Alma Wizsa

Data deret waktu dapat diramalkan melalui dua pendekatan. Pertama secara non-parametrik atau pendekatan dengan tanpa model dan kedua secara parametrik atau dengan model. Pendekatan non-parametrik memberikan peramalan dengan bentuk grafik dan sajian angka. Metode grafik ini dapat disajikan berupa plot data deret waktu serta plot dari data hasil pemulusan, bentuk ini dikenal dengan metode pemulusan (smoothing). Pendekatan dengan non-parametrik ini tidak membutuhkan banyak asumsi dalam meramalkan data. Artinya cara ini lebih sederhana untuk diaplikasikan. Namun, akibat dari kurangnya asumsi, metode ini memberikan hasil yang tidak terlalu baik. Model ini diperlukan jika ada asumsi yang tidak dipenuhi dalam menggunakan model parametrik.

Pendekatan kedua adalah pendekatan secara parametrik, yaitu teknik peramalan dengan membentuk suatu model. Diantara model yang dapat digunakan dalam pendekatan parametrik ini adalah model ARIMA, ARCH, dan GARCH. Dalam mengaplikasikan metode parametrik dalam meramalkan data deret waktu, dibutuhkan beberapa asumsi yang harus dipenuhi agar peramalan menjadi baik untuk dilakukan. Tentunya dengan ketatnya aturan dalam menggunakan metode ini menjadikan hasil yang lebih baik dibandingkan pendekatan non-parametrik.

Ukuran Keakuratan Ramalan

Dalam deret waktu kita diberikan berbagai pilihan metode dan model yang dapat digunakan sesuai data. Acuan yang dapat digunakan untuk menentukan teknik ataupun model terbaik adalah dengan melihat tingkat keakuratan ramalan. Beberapa ukuran keakuratan ramalan yang dapat dijadikan sebagai acuan adalah.

  1. Mean Error (ME)
    Rumusan untuk menghitung mean error atau disebut juga average error adalah
  2. Mean Absolute Deviation (MAD)
    Mean absolute deviation juga sering disebut mean absolute error. Rumusan untuk menghitung mean absolute error adalah
  3. Sum of Square Error (SSE)
    Rumusan untuk menghitung sum of square error adalah
  4. Mean of Square Error (MSE)
    Rumusan untuk menghitung mean of square error adalah
  5. Mean Percent Forecast Error (MPE)
    Rumusan untuk menghitung mean percent forcase error adalah

    Dengan 
  6. Mean Absolute Percent Forecast Error (MAPE)
    Rumusan untuk menghitung mean absolute percent forecast error adalah

    Menurut Zainun dan Majid (2003) suatu model dengan kinerja sangat bagus memiliki nilai MAPE di bawah 10%, sedangkan kinerja bagus jika nilai MAPE diantara 10%-20%.
  7. Akaike Information Criterion (AIC)
    Rumusan untuk menghitung Akaike information criterion adalah

    Dengan  adalah nilai maksimum dari fungsi likelihood model, dan k adalah banyaknya parameter model.

Ketujuh ukuran ini tidak digunakan secara bersamaan untuk menentukan ukuran keakuratan ramalan. Beberapa ukuran di atas dapat dipilih sesuai dengan kebutuhan. Dari ketujuh ukuran tersebut yang paling sering digunakan adalah mean of square error (MSE) dan mean absolute percent forecast error (MAPE) karena keduanya dianggap lebih menggambarkan kondisi error dari hasil ramalan yaitu dengan menggunakan faktor hasil dari pengkuadratan dan persentase nilai mutlak forecast error yang dirata-ratakan. Selanjutnya, semakin kecil nilai ukuran keakuratan ramalan ini, maka semakin akurat hasil ramalan yang diperoleh. Hal ini bersesuaian dengan muatan dari ukuran keakuratan ramalan yang mengandung nilai error dari ralaman, yang mana semakin kecil nilai error atau kesalahan yang ada maka diperoleh hasil yang lebih baik.

Beberapa Istilah

Dalam analisis deret waktu terdapat beberapa istilah yang harus diketahui untuk memahami proses analisis dengan baik. Di antaranya terdapat istilah yang sering kali dipahami secara samar-samar hingga salah persepsi. Terdapat dua istilah yaitu forecast value (nilai dugaan/ramalan) dan fitted value (nilai fit) yang sering dipahami sebagai hal yang sama. Forecast value (nilai dugaan atau ramalan) merupakan nilai yang terbentuk dari nilai beberapa periode waktu sebelumnya, dimana periode waktu yang dinotasikan dengan . Dalam analisis biasanya dilambangkan dengan . Biasanya lebih sering digunakan , artinya nilai diduga mulai dari satu periode setelahnya. Sedangkan fitted value merupakan nilai yang diperoleh dari model yang telah dibangun berdasarkan estimasi parameter yang diperoleh. Nilai fit dinotasikan dengan 

Dari forecast value dapat diperoleh forecast error, dimana forecast error adalah  Sehingga forecast error dapat dikatakan sebagai selisih nilai sebenarnya dengan forecast value. Untuk lead-1 maka forecast error
. Sedangkan jika nilai sebenarnya dikurangi fitted value akan menghasilkan residual yang dinotasikan  Dalam hal ini, ukuran keakuratan ramalan yang telah diuraikan sebelumnya menggunakan nilai forecast error sebagai acuan pengukuranya.(-uaw2018)

Leave a comment

This website uses cookies to improve your web experience.
Beranda
Konsultasi
Call Center
Cari Artikel
× Add a menu in "WP Dashboard->Appearance->Menus" and select Display location "WP Bottom Menu"