Memilih metode peramalan yang tepat

Seorang Robert T. Kiyosaki pernah mengatakan bahwa masa depan tidak pernah dapat diduga atau diprediksi. Akan tetapi saya merupakan orang yang tidak sependapat dengan hal ini. Bagi saya pribadi pendapat Kiyosaki mungkin hanya berlaku bagi orang yang kurang konsen atau tidak mempedulikan masa lalu untuk mempelajari hal-hal di masa mendatang. Mengutip pernyataan dari seorang dosen favorit saya Dr. Suhartono, M.Sc yang pernah mengatakan pada saya bahwa: a person who doesn’t care about the past is a person who doesn’t have “the future”. Mungkin Quote beliau inilah yang mendorong saya untuk “menjerumuskan” diri dalam dunia “masa lalu dan masa depan” alias time series analysis yang sampai detik ini merupakan salah satu cabang ilmu dari statistika yang sangat saya sukai. Dalam melakukan analisis terhadap data deret waktu akan selalu terkait dengan metode peramalan atau forecasting method.

Sebelum mengetahui metode mana yang tepat digunakan untuk meramalkan suatu data deret waktu, ada baiknya meluangkan waktu untuk mengetahui apa sebenarnya konsep, definisi atau penjelasan singkat mengenai peramalan ini. Untuk menghemat waktu dapat dilihat dan dibaca  pada artikel berikut (klik di sini).

Kunci utama dari time series analysis adalah terletak pada data deret waktu yang akan digunakan sebagai dasar melakukan peramalan. Berangkat dari data inilah kita akan dapat mengetahui metode peramalan yang tepat untuk digunakan. Setiap data deret waktu pasti memiliki suatu pola data terhadap waktu yang secara umum terdapat empat jenis pola yaitu: stasioner, trend, seasonal (musiman) dan cyclic (siklus). Akan tetapi dalam kondisi sebenarnya, seringkali dijumpai pola data yang merupakan kombinasi dari keempat pola (pola kombinasi data ini memerlukan pendalaman dan pemahaman lebih lanjut). Penjelasan dalam artikel ini hanya akan menjabarkan mengenai metode peramalan apa yang cocok digunakan pada data dengan masing-masing pola linier tersebut. Selanjutnya cobalah bergerak dengan jari dan mata untuk mengetahui lebih dalam mengenai metode-metode tersebut.

Pola Stasioner:

–          Autoregressive (AR)

–          Moving Averages (MA)

–          Single Exponential Smoothing

Pola Trend

–          Trend Linear Analysis (Time Series regression)

–          Double Moving Average

–          Double Exponential Smoothing

–          ARIMA

–          Holt’s model

Pola Seasonal (musiman)

–          Winter’s model

–          SARIMA

–          Dekomposisi

–          Time Series regression with Dummy

Pola Cyclic (Siklus)

–          Intervention Model

RELATED POST
[ display-posts tag=peramalan] [ display-posts tag=time series]

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: