Analisis Time Series
Ada dua jenis metode peramalan yang digunakan secara luas yakni metode kualitatif dan metode kuantitatif. Peramalan kualitatif bersifat subjektif dan membutuhkan penilaian dari para ahli, sedangkan peramalan kuantitatif menggunakan data historis untuk membuat model peramalan.
Peramalan (forecasting) dapat diartikan sebagai kegiatan memprediksi suatu peristiwa atau hal yang akan terjadi ke depan. Seperti dikemukakan oleh Neils Bohr, membuat prediksi yang baik tidaklah selalu mudah (It is difficult to make predictions, especially about the future). Ini karena topik mengenai peramalan yang cukup luas dan dalam penerapannya membutuhkan pengetahuan akan disiplin ilmu lain.
Terlepas dari luasnya topik terkait peramalan, hanya ada dua jenis teknik peramalan yang digunakan secara luas yakni metode kualitatif dan metode kuantitatif. Kita akan membahas secara singkat kedua metode tersebut di artikel ini.
Teknik peramalan kualitatif bersifat subjektif dan membutuhkan penilaian dari para ahli. Peramalan kualitatif sering digunakan dalam situasi di mana hanya ada sedikit atau bahkan tidak ada data historis yang menjadi dasar peramalan.
Contohnya adalah ketika hendak melakukan pengenalan produk baru, yang mana tidak memiliki data historis yang relevan. Dalam situasi ini, perusahaan mungkin menggunakan pendapat dari staf ahli penjualan atau pemasaran untuk memperkirakan penjualan produk secara subjektif selama fase pengenalan produk baru tersebut.
Dalam materi analisis time series yang disajikan di website ini, kita tidak akan banyak membahas mengenai metode peramalan kualitatif, melainkan kita akan fokus pada teknik peramalan kuantitatif.
Teknik peramalan kuantitatif menggunakan data historis untuk membuat model peramalan. Model tersebut secara formal merangkum pola dalam data dan mengungkapkan hubungan statistik antara nilai variabel sebelumnya dengan nilai sekarang (current values). Kemudian model tersebut digunakan untuk memproyeksi pola dalam data ke masa yang akan datang.
Dengan kata lain, model peramalan digunakan untuk mengekstrapolasi perilaku masa lalu dan saat ini ke masa depan. Ada beberapa jenis model peramalan yang umumnya digunakan. Tiga model yang paling banyak digunakan yaitu model regresi, model pemulusan, dan model deret waktu.
Model regresi (regression model) menggunakan hubungan antara variabel yang diteliti (variabel tak bebas) dengan satu atau lebih variabel prediktor terkait (variabel bebas). Terkadang model regresi disebut model peramalan kausal (causal forecasting models), karena variabel prediktor diasumsikan menggambarkan kekuatan yang menyebabkan atau mendorong nilai dari variabel yang diteliti (variable of interest).
Kita telah membahas model regresi secara mendalam dalam materi mengenai analisis regresi. Contoh sederhana dari model regresi yaitu penggunaan data pembelian rumah sebagai variabel prediktor untuk meramalkan penjualan perabotan rumah tangga (furniture) pada tahun tertentu.
Model pemulusan (smoothing model) biasanya menggunakan fungsi sederhana dari pengamatan sebelumnya untuk memberikan peramalan terhadap variabel yang diteliti. Metode ini mungkin yang paling sederhana dan paling sedikit memuat dasar statistik yang formal. Meskipun demikian, metode ini sering digunakan dan dibenarkan secara heuristik atas dasar bahwa metode tersebut mudah digunakan dan memberikan hasil yang cukup memuaskan.
Model deret waktu (time series model) menggunakan data historis untuk menentukan model yang tepat dan kemudian mengestimasi parameter yang tidak diketahui dari model tersebut dengan metode kuadrat terkecil atau metode estimasi parameter model yang lainnya. Model yang diperoleh selanjutnya digunakan untuk memperkirakan nilai dari suatu variabel di waktu mendatang atau untuk memprediksi kemungkinan suatu fenomena akan terjadi.
Dalam materi analisis time series ini, kita akan membahas kedua jenis model peramalan kuantitatif yakni model pemulusan (smoothing model) dan model deret waktu (time series model).
Cukup sekian ulasan singkat mengenai metode peramalan kualitatif dan kuantitatif dalam artikel ini. Terima kasih telah membaca artikel ini sampai selesai. Jika Anda merasa artikel ini bermanfaat, boleh dibantu share ke teman-temannya, supaya mereka juga bisa belajar dari artikel ini.
It is difficult to make predictions, especially about the future.
NEILS BOHR, Danish physicist