JURNAL TEKNOLOGI INDUSTRI, 1999, VOL. III, NO. 1, Hal.

71-78 ISSN 1410-5004

PERAMALAN DENGAN REGRESI ORDE N

V. Ariyono INTISARI
Peramalan merupakan sarana penting dalam melakukan perencanaan. Peramalan bertujuan mendapatkan hasil ramalan yang dapat meminimumkan kesalahan meramal (forecast error) yang pada tulisan ini diukur dengan Mean Absolute Deviation (MAD). Pada tulisan ini ditinjau tiga program, yaitu : QS 3, REGRNDBL.EXE (untuk regresi orde n), dan Optimasi Peramalan dengan membandingkan harga MAD dan nilai statistik U dari Theil. Hasil yang didapat menunjukkan bahwa harga MAD dan statistik U Theil yang dihasilkan oleh regresi orde - n lebih kecil bila dibandingkan dengan QS 3 dan program Optimasi kecuali pada metode Winter di mana harga MAD dan statistik U Theil dari program Optimasi lebih kecil.

1. PENDAHULUAN Akhir-akhir ini banyak dijumpai mahasiswa yang mengambil topik mengenai Peramalan, baik sebagai Tugas Khusus dalam Kerja Praktek maupun dalam Tugas Akhirnya. Dalam bidang Teknik Industri, peramalan merupakan sarana yang penting untuk melakukan suatu perencanaan. Pada prakteknya, meskipun hasil yang diperoleh dari peramalan sering berbeda dengan kenyataanya, bukan berarti peramalan tidak penting, peramalan sangat penting sebagai pedoman dalam pembuatan rencana, karena bekerja dengan menggunakan peramalan akan lebih baik daripada tanpa peramalan sama sekali. 2. PERMASALAHAN Di dalam peramalan, orang selalu bertujuan agar hasil peramalan yang dapat dibuat dapat meminimumkan pengaruh ketidakpastian terhadap perusahaan. Dengan kata lain peramalan bertujuan mendapatkan hasil ramalan yang dapat meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), Mean Absolute Deviation (MAD), dan sebagainya. Untuk mendapatkan kesalahan meramal seminimum mungkin, biasanya mahasiswa dianjurkan untuk mencoba semua metode peramalan yang diketahui (pada paket program Quatitative System versi 3.0/QS 3) tanpa melihat pola datanya. Hal ini dilakukan karena dalam praktek sering didapatkan data yang polanya merupakan kombinasi dari pola-pola umum yang sudah diketahui. Beberapa waktu yang lalu, seorang rekan mengusulkan agar penulis mencoba membandingkan metode-metode peramalan yang ada pada QS 3 dengan Regresi Orde Tinggi (Regresi Orde - n) yang programnya telah dibuat dan dengan Program Optimasi Peramalan yang menjadi Tugas Akhir penulis.

V. Ariyono

72

3. DASAR TEORI SINGKAT 3.1. Pengertian Peramalan Ramalan (forecasts) adalah suatu prediksi mengenai kejadian-kejadian atau kondisi-kondisi yang akan terjadi di masa yang akan datang. Sedangkan kegiatan dalam memprediksi kejadian-kejadian atau kondisikondisi yang akan terjadi di masa yang akan datang disebut peramalan (forecasting). 3.2. Pola Data Dalam tulisan ini jenis data yang dipergunakan adalah jenis deret berkala. Deret berkala adalah rangkaian pengamatan yang kronologis pada suatu variabel. Pola data dalam deret berkala menurut Makridakis (1983) terbagi dalam : a. Pola Horisontal, terjadi bilamana nilai data berfluktuasi di sekitar nilai rerata yang konstan. b. Pola Trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. c. Pola Musiman, terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). d. Pola Siklis, terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. 3.3. Metode Umum Peramalan Secara umum ada tiga metode yang dipergunakan dalam peramalan, yaitu : A. Metode Naif Metode ini adalah metode yang paling sederhana yang mengasumsikan bahwa data pada waktu sekarang adalah prediktor yang baik untuk digunakan pada masa yang akan datang. B. Metode Perataan Metode ini dikembangkan berdasar rerata dari data hasil pengamatan yang digunakan, asumsi dari metode ini adalah data aktual di masa lampau berfluktuasi di sekitar nilai rerata yang konstan. Metode ini terbagi dalam : 1. Metode Rerata Total Pada metode ini peramalan untuk satu periode yang akan datang adalah hasil rerata dari data-data sebelumnya. Metode ini dapat digunakan bila dalam pola datanya tidak terdapat trend atau unsur musiman. 2. Metode Rerata Bergerak Tunggal Prinsip dari rerata bergerak tunggal adalah setiap muncul nilai observasi baru, nilai rerata dapat dihitung dengan membuang nilai observasi yang paling tua dan memasukkan nilai observasi yang terbaru. Rerata bergerak ini kemudian akan menjadi ramalan untuk periode mendatang. Metode ini kurang mampu menghadapi data dengan pola trend atau musiman. 3. Metode Rerata Bergerak Ganda Dalam metode ini pertama-tama dicari rerata bergerak dan ditaruh pada periode terakhir, kemudian dicari rerata bergerak lagi dari rerata bergerak yang pertama baru kemudian dibuat ramalannya.

Peramalan dengan Regresi Orde - N

73

Metode ini cukup mampu menghadapi data yang mempunyai trend linier. C. Metode Pemulusan Metode pemulusan didasarkan dari mererata data di masa lampau yang mempunyai bentuk eksponensial, metode ini terbagi dalam : 1. Metode Pemulusan Eksponensial Tunggal Secara prinsip, metode pemulusan eksponensial hampir analog dengan rerata bergerak yaitu dengan memuluskan data-data hasil pengamatan masa lampau untuk menghilangkan keacakan. Metode ini cukup mampu menghadapi data dengan fluktuasi yang acak (random). 2. Metode pemulusan Eksponensial Ganda Metode ini dikembangkan oleh Brown untuk mengatasi adanya perbedaan yang muncul antara data aktual dan nilai peramalan apabila ada trend pada plot datanya. Untuk itu Brown memanfaatkan nilai peramalan dari hasil pemulusan eksponensial tunggal dan ganda. Perbedaan dari kedua nilai peramalan tersebut kemudian ditambahkan pada harga dari pemulusan eksponensial tunggal, dengan demikian harga peramalan telah disesuaikan terhadap trend yang terdapat pada plot datanya. 3. Metode Pemulusan Eksponensial Tunggal dengan Pendekatan Adaptif Metode ini memiliki kelebihan yang nyata bila dibandingkan dengan Pemulusan Eksponensial Tunggal, di mana nilai konstanta pemulusannya dapat berubah secara terkendali dalam arti dapat berubah secara otomatis bilamana terdapat perubahan dalam pola data dasarnya. 4. Metode Pemulusan Eksponensial Ganda : Metode Dua Parameter Cara Holt Metode ini memuluskan trend dan gradien secara langsung dengan mempergunakan konstanta pemulusan trend dan konstanta pemulusan untuk data. Dalam metode Brown, hanya dipergunakan satu konstanta pemulusan, dan perkiraan nilai trend sangat sangat sensitif terhadap kerandoman, dalam metode Holt hal ini diatasi dengan konstanta pemulusan trend. 5. Metode Eksponensial Tripel : Metode Trend dan Musiman Tiga Parameter dari Winter Untuk data yang mempunyai pola musiman (seasonal) diperlukan metode yang tepat, dalam hal ini adalah metode tiga parameter dari Winter. Metode ini didasarkan pada persamaan tingkat pemulusan, trend dan musiman. Metode ini mirip dengan metode Holt, hanya ditambah dengan satu persamaan yang berhubungan dengan pola musiman. 3.4. Regresi Orde - N Jika Y adalah suatu variabel dependen dan X adalah variabel independen, maka persamaan regresi orde - n antara Y dan X dapat ditulis : Y = a0 + a1X + a2X2 + + amXm untuk hal ini, jumlah kuadrat residual adalah : (1)

V. Ariyono

74
(2) persamaan (2)

Sr =

i =1

(yi a0 a1X1 a2Xi2 - . . . amXim)2

Untuk menentukan harga koefisien-koefisiennya, dideferensiasikan terhadap setiap koefisien:

S r a 0 = -2 (y a a X a X 2 - . . . a X m) i 0 1 1 2 i m i S r a 1 = -2 x (y a a X a X 2 - . . . a X m) i i 0 1 1 2 i m i S r a 2 = -2 x 2 (y a a X a X 2 - . . . a X m)
. . . i i 0 1 1 2 i m i

S r a m = -2

xim (yi a0 a1X1 a2Xi2 - . . . amXIm)

Persamaan-persamaan ini dapat disamakan dengan nol, dan diatur kembali menjadi kumpulan persamaan normal yang berikut :

a0n + a1 a0

Xi + a2

Xi2 + . . . + am

Xim =

yi

Xi + a1

Xi2 + a2

Xi3 + . . . + am

Xim+1 =

XiYi

a0 Xi2 + a1 Xi3 + a2 Xi4 + . . . + am Xim+2 = Xi 2Yi . . . a0 Xim + a1 Xim+1 + a2 Xim+2 + . . . + am Xi2m = Xi mYi Persamaan-persamaan ini dapat diselesaikan dengan sistem persamaan linear simultan untuk mendapatkan harga koefisien-koefisiennnya. 3.5. Pengukuran Kesalahan Peramalan Peramalan adalah hasil taksiran kita akan suatu nilai di masa yang akan datang. Karena masih berupa taksiran, maka besar kemungkinan terjadinya kesalahan pada peramalan tersebut. Besarnya kesalahan pada waktu ke-i (ei) dinyatakan sebagai selisih antara data aktual pada waktu ke-i dengan hasil ramalannya pada waktu ke-i, yang secara matematis dapat ditulis :

ei = Xi FI

(3)

Peramalan dengan Regresi Orde - N

75

di mana : ei = kesalahan (residual) pada waktu ke-i Xi = data aktual pada waktu ke-i Fi = nilai hasil peramalan pada waktu ke-I Salah satu metode untuk mengevaluasi sebuah metode peramalan adalah dengan menjumlahkan kesalahan-kesalahan absolut. Rerata Simpangan Absolut (Mean Absolute Deviation/MAD) mengukur keakuratan peramalan dengan mererata besaran dari kesalahan meramal (nilai absolut dari masing-masing kesalahan). MAD dirumuskan sebagai : MAD =

e
n

(4)

Pengukur keakuratan peramalan yang lain adalah statistik U dari Theil. Pada dasarnya statistik ini melihat hasil perbandingan dari perubahan relatif hasil ramalan dengan perubahan relatif dari data aktual :

U =

F -X i+1X i+1 i =1 i +1
n 1

X 1 -X i+X i i =1 i
n 1

(5)

Secara sederhana, statistik ini dapat dipahami sebagai berikut : - Harga dari statistik U akan sama dengan 0 hanya jika perubahan relatif hasil ramalan sama dengan perubahan relatif data aktual atau hasil ramalan sama dengan data aktualnya (kesalahan meramal = 0) - Harga dari statistik U akan sama dengan 1 hanya jika perubahan relatif hasil ramalan sama dengan nol, hal ini dapat terjadi bila perubahan kesalahan meramal relatif sama dengan perubahan relatif data aktual. Hasil dari statistik U dapat dilihat dengan cara : - Jika U=1 maka metode naif dapat digunakan, karena hasilnya akan sama baiknya dengan metode peramalan yang sedang digunakan. - Jika U<1 maka metode peramalan yang sedang dipergunakan lebih baik dari metode naif. semakin kecil harga U maka metode peramalan yang sedang dipergunakan semakin baik dibanding metode naif. - Jika U>1 maka lebih baik digunakan metode peramalan yang lain, karena metode naif menghasilkan hasil yang lebih baik. 4. METODE PERAMALAN YANG DITINJAU Dalam tulisan ini, akan ditinjau 8 metode peramalan yaitu : 1. Rerata Total (QS 3 : Simple Average) 2. Rerata Bergerak Tunggal (QS 3 : Weighted Moving Average) 3. Rerata Bergerak Ganda (QS 3 : Moving Average with Linear Trend) 4. Pemulusan Eksponensial Tunggal (QS 3 : Single Exponential Smoothing) 5. Pemulusan Eksponensial Ganda Brown (QS 3 : Double Exponential Smoothing) 6. Pemulusan Eksponensial Ganda Holt (QS 3 : Double Exponential Smoothing with Linear Trend) 7. Metode Pemulusan Eksponensial Tunggal dengan Pendekatan Adaptif

V. Ariyono

76

(QS 3 : Adaptive Exponential Smoothing) 8. Metode Eksponensial Tripel : Metode Trend dan Musiman Tiga Parameter dari Winter (QS 3 : Winters Model) Tinjauan untuk kedelapan metode ini dilakukan dengan membandingkan hasil ukuran kesalahan (MAD) dan harga Statistik U dari 3 program : 1. Paket program Quantitative System versi 3.00 (QS 3) 2. Program Regresi Orde - n yang dibuat oleh Ir. Soegiarto, program ini sudah dicompile dengan nama REGRNDBL.EXE. Dalam tinjauan ini digunakan 3 orde, yaitu orde 3, orde 5, dan orde 9. 3. Program Optimasi Peramalan yang merupakan tugas akhir penulis, program ini dibuat dengan QuickBASIC dan masih dalam file berekstensi BAS. Data yang digunakan untuk perbandingan dari ketiga program tersebut diambil dari buku Makridakis dengan perincian sebagai berikut : 1. Untuk metode Rerata Total dan Rerata Bergerak Ganda diambil dari halaman 75. 2. Untuk metode Rerata Bergerak Ganda diambil dari halaman 80 3. Untuk metode Pemulusan Eksponensial Tunggal dan Pemulusan Eksponensial dengan Pendekatan Adaptif diambil dari halaman 88. 4. Untuk metode Pemulusan Eksponensial Ganda (metode Brown dan metode Holt) diambil dari halaman 96. 5. Untuk metode Pemulusan Eksponensial Tripel dari Winter diambil dari halaman 105.

5. HASIL YANG DIPEROLEH Hasil yang diperoleh adalah didapatkannya Rerata Simpangan Absolut (dalam Program REGRNDBL.EXE disebut Ralat Rata-rata) dan hasil perhitungan statistik U dari Theil untuk masing-masing metode dari ketiga program yang telah disebutkan di atas. Tabel 5-1 Hasil Perhitungan Rerata Simpangan Absolut (MAD) dari Ketiga Program yang Dibandingkan
Metode QS 3 Optimasi R E R N Orde 5 18,03 18,03 10,98 18,02 G D B L

Rerata Total Rerata Bergerak Tunggal Rerata Bergerak Ganda Pemulusan

54,05 50,9 21,60 45,51

43,67 17,22 45,57

Orde 3 39,5 39,5 11,09 39,55

Orde 9 14,73 14,73 10,94 14,73

Peramalan dengan Regresi Orde - N Eksponensial Tunggal Pemulusan Eksponensial Tunggal Pendekatan Adaptif Pemulusan Eksponensial Ganda (Brown) Pemulusan Eksponensial Ganda (Holt) Pemulusan Eksponensial Tripel (Winter) ( = 0,00059) 48,11 ( = 0,3) ( = 0,005) 44,35 ( = 0,8399) 39,55 18,02 14,73

77

14,66 ( = 0,81558) 12,91 ( = 0,24947 = 0,51181) 30,57 ( = 0,89702 = 0,55322 = 0,5)

13,04 ( = 0,26499) 13,53 ( = 0,31499 = 0,999) 21,22 ( = 0,9899 = 0,005 = 0,005)

10,56

8,39

8,38

10,56

8,39

8,38

47,16

47,16

36,41

Dari tabel 5-1 terlihat bahwa MAD yang dihasilkan oleh regresi orde - n lebih kecil bila dibandingkan dengan QS 3 dan program Optimasi kecuali pada metode Winter di mana MAD dari program Optimasi lebih kecil. Harga MAD yang kecil belum menjamin metode peramalan yang sedang digunakan sudah tepat, hal ini menjadi permasalahan penulis ketika menyelesaikan tugas akhir. Pada suatu kasus didapatkan harga MAD untuk suatu metode kecil, tetapi harga statistik U Theil-nya besar (mendekati 1, yang berarti hasil peramalan yang didapat akan sama baiknya jika digunakan metode naif) sehingga sebagai parameter pembanding, harga statistik U Theil perlu dihitung dan hasilnya disajikan pada tabel 5-2.

Tabel 5-2 Hasil Perhitungan Statistik U dari Theil dari Ketiga Program yang Dibandingkan
Metode Rerata Total Rerata Bergerak Tunggal Rerata Bergerak Ganda Pemulusan Eksponensial QS 3 Optimasi R E R N Orde 5 0,2036 0,5593 0,3897 G D B L

Orde 3 0,9172 0,9213 0,7544 0,6734 0,9496 0,7561 0,6831 0,5625 0,6719

Orde 9 0,4754 0,5361 0,2902

V. Ariyono Tunggal Pemulusan Eksponensial Tunggal Pendekatan Adaptif Pemulusan Eksponensial Ganda (Brown) Pemulusan Eksponensial Ganda (Holt) Pemulusan Eksponensial Tripel (Winter)

78
0,6719 0,3897 0,2902

0,7625

0,8218

0,9444

0,8681

0,6657

0,5999

0,5874

0,8631

0,9377

0,6657

0,5999

0,5874

0,5645

0,3009

0,6342

0,6328

0,5598

Dari tabel 5-2 dapat dilihat bahwa harga statistik U Theil yang dihasilkan oleh regresi orde - n lebih kecil bila dibandingkan dengan QS 3 dan program Optimasi kecuali pada metode Winter di mana harga statistik U Theil program Optimasi lebih kecil. Semakin kecil harga statistik U Theil maka metode peramalan yang sedang dipergunakan semakin baik dibanding dengan metode naif. Dari hasil ini belum dapat disimpulkan program mana yang paling cocok digunakan untuk peramalan, karena perlu dilihat pola hasil ramalan yang dihasilkan oleh ketiga program tersebut. Sebaiknya diadakan peninjauan mengenai pola hasil ramalan dari ketiga program ini, paling tidak dalam jangka waktu dua kali jangka waktu data asli. Hal ini dapat dijadikan topik yang cukup menarik untuk tugas akhir mahasiswa. 6. PENUTUP Dalam melakukan peramalan (untuk keperluan-keperluan tertentu) ada baiknya untuk mencoba seluruh metode peramalan yang ada, hal ini dikarenakan dalam praktek sering didapatkan data yang polanya merupakan kombinasi dari pola-pola umum yang telah diketahui. Dalam pengolahan data untuk mendapatkan hasil ramalan, sebaiknya ketiga program di atas (terutama program regresi orde tinggi) dicoba dan dibandingkan ukuran kesalahannya (MAD) beserta ukuran keakuratan peramalan (statistik U Theil). Bagi pembaca yang berminat menggunakan, Program Optimasi peramalan dan REGRNDBL.EXE dapat menghubungi penulis.

DAFTAR PUSTAKA Chapra, S.C., Canale, R.P., 1991, Metode Numerik untuk Teknik (dengan penerapan pada Komputer Pribadi), Penerbit Universitas Indonesia.

Peramalan dengan Regresi Orde - N

79

Hanke, J.E., and Reitsch, A.G., 1995, Bussiness Forecasting, fifth edition, Prentce Hall, Inc., New Jersey. Makridakis, S., Wheelwright, S.C., and McGee, V.E.,1983, Forecasting : Methods and Application, John Wiley & Sons, New York. Makridakis, S., Wheelwright, S.C., 1989, Forecasting Methods for Management, fifth edition, John Wiley & Sons, Inc., Canada. Sokolnikoff, I.S., Redheffer, R.M., 1958, Mathematics of Physics and Modern Engineering, Mc Graw-Hill Book Company, Inc.