BAB I PENDAHULUAN
1.1
Latar Belakang Di dalam aspek kehidupan ini, banyak ditemui permasalahan yang
berkaitan dengan prediksi masa depan yang tidak pasti. Peramalan adalah suatu usaha untuk memperkirakan kejadian di masa depan melalui kejadian di masa lalu. Peramalan merupakan masalah penting yang mencakup berbagai bidang termasuk bisnis dan industri, pemerintahan, ekonomi, ilmu lingkungan, kedokteran, ilmu sosial, politik, dan keuangan. Alasan bahwa peramalan sangat penting adalah bahwa prediksi kejadian masa depan adalah masukan yang penting dalam berbagai jenis perencanaan dan proses pembuatan keputusan. Sebagai contoh, dalam manajemen operasi, organisasi bisnis secara rutin menggunakan perkiraan penjualan produk atau permintaan dalam menyusun jadwal produksi, mengelola rantai pasokan, dan mengontrol persediaan. Dalam bidang keuangan dan manajemen risiko, investor tertarik meramalkan pengembalian dari investasi mereka. Keputusan investasi lainnya dapat dibuat relatif terhadap perkiraan suku bunga, opsi, nilai tukar mata uang, dan lain-lain. Manajemen risiko keuangan membutuhkan perkiraan volatilitas dari pengembalian aset sehingga risiko yang terkait dengan investasi portofolio dapat dievaluasi dan diasuransikan. Contohcontoh tersebut semakin memperkuat pentingnya melakukan peramalan untuk memprediksi masa depan. Salah satu metode peramalan yang populer digunakan adalah metode exponential smoothing. Metode exponential smoothing menggambarkan sebuah kelas dari metode-metode peramalan. Bahkan, beberapa metode peramalan yang paling sukses didasarkan pada konsep exponential smoothing. Nama exponential smoothing mencerminkan fakta bahwa bobot berkurang secara eksponensial ketika waktu pengamatan semakin lama. Ide exponential smoothing awalnya berasal dari Robert G. Brown pada tahun 1944 ketika ia bekerja untuk angkatan laut Amerika Serikat (US Navy) sebagai analis riset operasi. Brown menggunakan
1
2
ide dalam perangkat komputasi mekanik untuk melacak kecepatan dan sudut yang digunakan dalam menembak kapal selam. Ada berbagai metode yang masuk dalam keluarga exponential smoothing yang masing-masing memiliki sifat yang perkiraannya adalah kombinasi terbobot dari pengamatan-pengamatan di masa lalu, dengan pengamatan-pengamatan terbaru diberikan bobot lebih berat daripada pengamatan yang lebih lama. Salah satu metode tersebut adalah metode Double Exponential Smoothing (DES). Metode Double Exponential Smoothing juga dikenal sebagai metode Brown. Metode ini berguna untuk meramalkan time series yang menunjukkan karakteristik tren linier. Pada praktiknya, terkadang data bersifat acak dan berfluktuasi sehingga diperlukan metode yang lebih fleksibel untuk menangani keacakan data. Accumulated generating operator secara luas digunakan dalam teori sistem grey karena kemampuannya dalam melakukan smoothing (pemulusan) pada data asli yang acak. Teori sistem grey, ditemukan oleh Julong Deng pada tahun 1982, adalah metodologi baru yang berfokus pada studi masalah yang melibatkan sampel kecil dan kekurangan informasi. Teori sistem grey berkaitan dengan sistem yang tidak pasti dengan informasi yang diketahui secara parsial melalui pembangkitan dan penggalian informasi yang berguna dari apa yang tersedia. Di alam ini, sistem yang tidak pasti dengan sampel kecil dan kekurangan informasi secara umum ada. Kenyataan ini menentukan luasnya penerapan teori sistem grey. Dari pemikiran tersebut, dikembangkan metode peramalan baru yang dinamakan Grey Double Exponential Smoothing (GDES). Untuk menyelesaikan permasalahan yang ada antara keinginan untuk mendapatkan efek pemulusan yang baik dan keinginan untuk memberikan bobot tambahan pada perubahan terbaru, grey accumulated generating operator dimasukkan ke dalam metode Double Exponential Smoothing. Grey accumulated generating operator digunakan untuk memuluskan efek gangguan acak pada sistem. Konstanta pemulusan digunakan untuk memberikan bobot tambahan pada perubahan terbaru dan untuk memperoleh kesalahan minimal.
3
1.2
Rumusan Masalah Rumusan masalah dari penulisan skripsi ini adalah: 1. Apa definisi metode peramalan Grey Double Exponential Smoothing (GDES)? 2. Bagaimana
mengaplikasikan
metode
peramalan
Grey
Double
Exponential Smoothing (GDES)? 1.3
Tujuan Penelitian Tujuan yang ingin dicapai dari penulisan skripsi ini adalah: 1. Mempelajari dan memahami metode peramalan Grey Double Exponential Smoothing (GDES) untuk meramalkan data time series yang mengandung trend. 2. Mengaplikasikan metode peramalan Grey Double Exponential Smoothing (GDES) untuk menyelesaikan permasalahan pada studi kasus.
1.4
Manfaat Penelitian Manfaat dari penulisan skripsi ini adalah: 1. Menambah pengetahuan mengenai statistika dalam bidang peramalan data time series. 2. Memperkenalkan metode peramalan Grey Double Exponential Smoothing (GDES) yang berguna untuk meramalkan data time series yang mengandung trend. 3. Mengetahui
pengaplikasian
metode
Grey
Double
Exponential
Smoothing (GDES) dalam meramalkan data time series yang mengandung trend.
1.5
Pembatasan Masalah Berdasarkan latar belakang masalah, penulis membatasi penulisan skripsi
ini hanya pada pembahasan dan melakukan aplikasi metode peramalan Grey Double Exponential Smoothing (GDES) untuk meramalkan data time series yang
4
mengandung trend. Studi kasus dilakukan dengan menggunakan data sekunder yang berasal dari publikasi Badan Pusat Statistik (BPS) Indonesia, yaitu data produksi hasil kilang minyak diesel (dalam satuan barel) tahun 2005 sampai dengan tahun 2014 dan data pajak perdagangan internasional berupa bea masuk (dalam miliar rupiah) tahun 2007 sampai dengan tahun 2015. Pembatasan masalah sangat diperlukan supaya pembahasan yang disampaikan jelas dan fokus pada tujuan.
1.6
Tinjauan Pustaka Metode Exponential Smoothing (ES) menggambarkan sebuah kelas dari
metode-metode peramalan. Masing-masing metode tersebut mempunyai sifat yang prediksinya adalah kombinasi terbobot pengamatan-pengamatan terakhir dengan pengamatan terbaru diberikan bobot relatif lebih berat daripada pengamatan yang lebih lama. Salah satu metode tersebut adalah metode Double Exponential Smoothing (DES). Double Exponential Smoothing (DES) merupakan perluasan dari exponential smoothing yang dirancang untuk time series yang mengandung trend. Sementara itu, metode Holt-Winters (triple exponential smoothing) memperhitungkan baik perubahan musiman maupun tren. Metode ini memberikan prediksi yang baik dengan formulasi sederhana. Kedudukan sentral exponential smoothing dalam analisis time series telah diperkuat oleh keberhasilan berulang terhadap pendekatan yang lebih canggih. Manipulasi dengan pentingnya elemen terakhir pada suatu rangkaian dan digabungkan dengan strategi pemulusan yang berbeda dikembangkan oleh Ragulskis, et al. (2011) dan metode ini telah menunjukkan bahwa prediktor berdasarkan identifikasi evolusi dari kerangka aljabar near-optimal (yang tidak linier ataupun tidak stasioner) dapat diaplikasikan dengan baik untuk rangkaian-rangkaian nonlinier dan nonstasioner. Banyak penelitian telah dilakukan untuk meningkatkan akurasi prediksi dan simulasi dari exponential smoothing. Beberapa contoh yang khas antara lain: Vercher, et al. (2012) membahas estimasi gabungan dari kondisi awal dan pemulusan parameter yang dapat dicapai melalui maximum likelihood melalui optimasi nonlinier boxconstrained, Yager (2013) membahas metode exponential
5
smoothing diperluas untuk kasus dengan pengamatan dapat mempunyai perbedaan signifikansi dalam proses pemulusan, Maia, et al. (2011) membahas time series interval nilai pasar saham diprediksi dengan menggabungkan metode smoothing Holt dengan neural network, Koehler, et al. (2012) membahas sebuah metode untuk
mengidentifikasi
outlier
dalam
exponential
smoothing
dengan
menggunakan inovasi model state space, dan Chung dan Kim (2013) membahas pengembangan skema pengurangan jitter baru berdasarkan double exponential smoothing yang performanya lebih baik dibandingkan dengan
metode
pengurangan jitter yang lebih umum digunakan, yaitu metode pengurangan jitter berdasarkan pengurangan jitter Kalman Filter (KF) dan Extended Kalman Filter (EKF). Double Exponential Smoothing juga dikenal sebagai metode Brown. Metode ini berguna untuk time series yang menunjukkan karakteristik tren linier. Untuk menyelesaikan permasalahan yang ada antara keinginan untuk efek pemulusan yang baik dan keinginan untuk memberikan bobot tambahan pada perubahan terbaru, Wu, et al. (2016) memasukkan grey accumulated generating operator ke dalam metode Double Exponential Smoothing. Grey accumulated generating operator digunakan untuk memuluskan efek gangguan acak pada sistem. Konstanta pemulusan digunakan untuk memberikan bobot tambahan pada perubahan terbaru dan untuk memperoleh kesalahan minimal. Artikel inilah yang menjadi acuan penulisan skripsi ini.
1.7
Metode Penelitian Metode penelitian yang digunakan dalam skripsi ini adalah berdasarkan
studi literatur melalui sumber-sumber resmi seperti artikel-artikel ilmiah dan buku-buku yang berisi teori-teori yang berkaitan dengan tema skripsi ini. Sumber lain dari penulisan ini juga diperoleh melalui situs-situs pendukung yang tersedia di internet. Sementara itu, analisis data dilakukan dengan bantuan program R versi 2.11.1 dan Microsoft Excel 2010.
6
1.8
Sistematika Penulisan Skripsi ini disusun dengan sistematika sebagai berikut. BAB I
PENDAHULUAN Bab pendahuluan membahas latar belakang masalah yang diambil,
rumusan
masalah,
tujuan
penelitian,
manfaat
penelitian, pembatasan masalah, tinjauan pustaka, metode penelitian, dan sistematika penulisan BAB II
DASAR TEORI Bab ini membahas teori-teori yang berhubungan dengan tema skripsi, khususnya teori-teori yang berhubungan dengan Grey Double Exponential Smoothing (GDES). Diantaranya adalah model peramalan exponential smoothing dan teori sistem grey.
BAB III
GREY DOUBLE EXPONENTIAL SMOOTHING (GDES) Bab ini merupakan pokok dari permasalahan dan pembahasan dalam skripsi ini, yaitu metode peramalan Grey Double Exponential Smoothing (GDES).
BAB IV
STUDI KASUS Pada bab ini dibahas tentang penerapan Grey Double Exponential Smoothing (GDES) untuk meramalkan data yang mengandung trend dengan pengolahan data menggunakan software statistik R versi 2.11.1 dan Microsoft Excel 2010. Data yang digunakan dalam studi kasus ini ada dua jenis, yaitu data produksi hasil kilang minyak diesel (dalam satuan barel) tahun 2005 sampai dengan tahun 2014 dan data pajak perdagangan internasional berupa bea masuk (dalam miliar rupiah) tahun 2007 sampai dengan tahun 2015. Data tersebut
7
merupakan data sekunder yang berasal dari publikasi Badan Pusat Statistik (BPS) Indonesia. BAB V
PENUTUP Bab ini merupakan kesimpulan yang diperoleh dari hasil pembahasan pada bab-bab sebelumnya dan juga memberikan saran untuk perkembangan skripsi ini pada khususnya serta perkembangan ilmu statistika pada umumnya.