PERAMALAN OPT PERKEBUNAN DENGAN MENGGUNAKAN SPSS Oleh : Arif Ashari, S.Si (Statistisi Ahli Pertama - BBPPTP Surabaya) I.
PENDAHULUAN Pengolahan dan analisis data serangan Organisme Pengganggu Tumbuhan (OPT) perkebunan sangat diperlukan dalam upaya untuk mengambil sebuah keputusan terkait pengendalian OPT, baik itu pengendalian yang sifatnya preventif maupun yang sifatnya kuratif. Salah satu bentuk pengolahan dan analisis data yang dapat dilakukan diantaranya adalah dengan melakukan peramalan OPT. Peramalan OPT merupakan komponen penting dalam strategi pengelolaan OPT karena hasil peramalan dapat memberikan suatu peringatan dini akan bahaya ledakan (eksplosi) serangan OPT di suatu wilayah. Dengan mengetahui hasil peramalan OPT, para petani dan pihak-pihak terkait dapat melakukan upaya-upaya preventif untuk mencegah tumbuh dan kembangnya serangan OPT pada tanaman perkebunan yang dibudidayakannya. Dengan demikian, ledakan serangan OPT dapat dicegah atau setidaknya dapat diminimalisir perkembangan dan penyebarannya. Salah satu permasalahan yang dihadapi dalam analisis peramalan, tak terkecuali peramalan OPT adalah masalah kompleksitas dalam hal perhitungan matematis dan statistik untuk membentuk model peramalan yang terbaik. Dengan semakin berkembangnya teknologi, beberapa software statistik telah mampu menjawab kompleksitas perhitungan matematis dan statistik dalam analisis peramalan ini. Salah satu software statistik yang cukup populer, yakni SPSS (SPSS versi 16.0 hingga versi yang terbaru) telah menyediakan fitur Expert Modeler pada menu Analyze Time Series untuk mempermudah proses analisis peramalan. Dengan adanya fitur ini, pengguna dapat dengan cepat dan mudah dalam mendapatkan model peramalan terbaik tanpa harus melakukan proses identifikasi pola data dan serangkaian uji perbandingan antar beberapa model peramalan yang mungkin untuk mendapatkan model peramalan terbaik. II.
KONSEP DASAR PERAMALAN
2.1 Definisi Peramalan Peramalan dapat didefinisikan sebagai suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya dapat diperkecil (Mulyono, 2000).
Page 1
2.2 Rentang Waktu Peramalan Rentang waktu peramalan dalam praktek sangat bervariasi. Ada yang melakukan peramalan secara rutin dengan jangka waktu yang pendek, baik itu bulanan, mingguan, bahkan harian. Namun, ada juga peramalan yang mempunyai rentang waktu lama, sampai bertahun-tahun. Menurut Santoso (2009), peramalan dari sudut rentang waktu dapat dibagi menjadi 3 macam, yakni : peramalan jangka pendek, jangka menengah dan jangka panjang. 1. Peramalan Jangka Pendek Jangka pendek meliputi kurun waktu mulai dari satu hari sampai satu musim, atau dapat sampai satu tahun. Peramalan ini umumnya menggunakan peramalan kuantitatif karena menganggap data masa lalu masih relevan untuk dijadikan bahan prediksi. 2. Peramalan Jangka Menengah Jangka menengah meliputi kurun waktu mulai dari satu musim (kuartal, triwulan atau yang lain) sampai dua tahun. Peramalan ini sebagian masih menggunakan peramalan kuantitatif dan kualitatif karena menganggap data masa lalu masih cukup relevan untuk memprediksi masa datang. 3. Peramalan Jangka Panjang Jangka panjang meliputi kurun waktu minimal lima tahun. Peramalan ini umumnya berdasarkan intuisi dan pengalaman seseorang karena menganggap data masa lalu sudah tidak lagi relevan, hanya sedikit yang masih menggunakan peramalan kuantitatif. 2.3 Tahapan Peramalan Menurut Santoso (2009), kegiatan peramalan secara umum meliputi beberapa tahapan baku sebagai berikut : 1. Perumusan Masalah dan Pengumpulan Data Tahap pertama yang sebenarnya paling penting dan menentukan keberhasilan peramalan adalah menentukan masalah tentang apa yang akan diprediksi. Formulasi msalah yang jelas akan menuntun pada ketepatan jenis dan banyaknya data yang akan dikumpulkan. Bisa saja masalah telah ditetapkan, namun data yang relevan tidak tersedia; hal ini akan memaksa diadakannya perumusan ulang, atau mengubah metode peramalan. 2. Menyiapkan Data Setelah masalah dirumuskan dan data telah terkumpul, tahap selanjutnya adalah menyiapkan data hingga dapat diproses dengan benar. Hal ini diperlukan karena dalam praktek ada beberapa masalah berkaitan dengan data yang telah terkumpul, seperti : jumlah data terlalu banyak atau terlalu sedikit, data tersedia namun rentang waktu data tidak sesuai dengan masalah yang ada, data tersedia namun cukup banyak data yang hilang (data tidak lengkap). Page 2
3. Membangun Model Setelah data dianggap memadai dan siap dilakukan kegiatan peramalan, proses selanjutnya adalah memilih metode (model) yang tepat untuk melakukan peramalan pada data tersebut. 4. Implementasi Model Setelah model peramalan ditetapkan, maka model dapat diimplementasikan pada data dan dapat dilakukan prediksi pada data untuk satu atau beberapa periode ke depan. 5. Evaluasi Hasil Peramalan Hasil peramalan yang telah ada kemudian dibandingkan dengan data actual. Tentu saja tidak ada metode (model) peramalan yang dapat memprediksi data di masa depan secara tepat; yang ada adalah ketepatan prediksi. Untuk itu, pengukuran kesalahan peramalan dilakukan untuk melihat apakah metode yang telah digunakan sudah memadai untuk memprediksi sebuah data. 2.4 Jenis Data pada Kegiatan Peramalan Menurut Santoso (2009), data yang akan diprediksi secara umum dibagi menjadi dua jenis, yakni data kualitatif dan data kuantitatif. Tidak semua data yang akan digunakan untuk kegiatan peramalan harus berupa angka. Ada data yang berupa pendapat dari manajer, saran dari para ahli bidang tertentu, masukan dari konsumen atau para pegawai. Data seperti itu biasanya berupa kalimat atau ringkasan pernyataan yang tidak semuanya harus direpresantisakan dalam bentuk angka. Data seperti inilah yang disebut sebagai data kualitatif. Sedangkan data yang berupa angka biasa disebut dengan data kuantitatif. Data kuantitatif ini masih dibagi lagi menjadi dua bagian, yakni : 1. Data Time Series Data time series adalah data yang ditampilkan berdasarkan waktu, seperti data bulanan, data harian, data mingguan atau jenis waktu yang lain. Contoh data time series misalnya : Data serangan Oryctes rhinoceros pada kelapa di wilayah Provinsi Jawa Timur selama 5 (lima) tahun terakhir. Berdasarkan sifat nilai rata-ratanya, data time series dibagi menjadi 2 macam, yakni : a. Data Stasioner, yaitu : data yang nilai rata-ratanya tidak berubah dari waktu ke waktu b. Data Non Stasioner, yaitu : data yang nilai rata-ratanya berubah-ubah dari waktu ke waktu. Perubahan ini bisa terjadi karena adanya pola musiman atau trend pada data. 2. Data Cross-Sectional Data cross-sectional adalah data yang ditampilkan tidak berdasarkan waktu, namun data pada satu (titik) waktu tertentu. Contoh data cross-sectional misalnya : Data serangan Oryctes rhinoceros pada kelapa di setiap kabupaten yang ada di wilayah Provinsi Jawa Timur pada bulan Oktober 2014. Page 3
2.5 Klasifikasi Peramalan Menurut Assauri (1984), berdasarkan sifat ramalannya, jenis peramalan dibagi menjadi dua macam, yaitu : 1. Peramalan Kualitatif Peramalan kuallitatif dapat digunakan jika data historis maupun empiris dari variabel yang diramal tidak ada, tidak cukup atau kurang dapat dipercaya. Hasil ramalan bersifat intuisi, pendapat, pengetahuan dan pengalaman dari penyusunnya. 2. Peramalan Kuantitatif Peramalan kuantitatif memerlukan data historis atau data empiris. Kualitas data dan metode yang digunakan akan menentukan kualitas hasil peramalan. Menurut Makridakris, et. al. (1999), peramalan kuantitatif dapat digunakan jika memenuhi tiga kondisi, yaitu adanya data historis, informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik, dapat diasumsikan bahwa pola data masa lalu akan berkelanjutan pada masa yang akan datang. Dalam peramalan kuantitatif, dikenal setidaknya dua macam metode peramalan, yakni : 1. Metode Peramalan Sebab Akibat (Causal Forecasting) Metode peramalan sebab akibat adalah suatu metode peramalan yang didasarkan atas analisis pola hubungan sebab akibat antara satu atau lebih variabel bebas dengan satu variabel terikat. Contoh model analisis pada metode peramalan ini adalah analisis regresi linier sederhana, analisis regresi linier berganda, dan lain-lain. Bentuk umum model causal forecasting adalah sebagai berikut : Yt = f(X1, X2, X3, … , Xn) 2. Metode Peramalan Runtun Waktu (Time Series Forecasting) Metode peramalan runtun waktu adalah suatu metode peramalan yang didasarkan atas analisis perilaku atau nilai masa lalu suatu variabel yang disusun menurut urutan waktu (Mulyono, 2000). Metode peramalan ini berdasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu. Contoh model peramalan pada metode peramalan runtun waktu ini adalah model Naïve, ARIMA, Eksponential Smoothing, Holt-Winters, Dekomposisi, dan lain-lain. Bentuk umum model Time Series Forecasting adalah sebagai berikut : Yt = f(Yt-1, Yt-2, … , Yt-n) a. Model Naive Menurut Mulyono (2000), model naive merupakan model peramalan sederhana yang menyatakan bahwa nilai suatu variabel saat ini merupakan perkiraan terbaik untuk nilai berikutnya atau nilai variabel di masa depan akan tetap sama. Selain itu, model naive adalah salah satu model dengan himpunan data yang sedikit dalam upaya peramalannya. Page 4
b. Model Trend Model trend menggambarkan pergerakan data yang meningkat atau menurun dalam jangka waktu yang panjang. Model peramalan ini menggambarkan hubungan antara periode dan variabel yang diramal dengan menggunakan analisis trend. Apabila pola data yang digunakan memiliki unsur musiman, maka komponen musiman dapat juga dicoba dalam model peramalan ini. c. Model Rata-rata Model rata-rata ini memberikan pembobotan yang sama untuk semua nilai-nilai pengamatan dan cocok untuk pola data stasioner, tidak menunjukkan adanya trend atau musiman. Model peramalan ini dapat dikelompokkan menjadi : 1) Model Rata-Rata Sederhana (Simple Average) Model peramalan ini menggunakan pendekatan di mana ramalan merupakan perhitungan rata-rata dari semua nilai masa lalu dan membutuhkan banyak data agar nilai tengahnya lebih stabil. 2) Model Rata-Rata Bergerak Sederhana (Simple Moving Average) Suatu cara memodifikasi pengaruh data masa lalu terhadap nilai rata-rata sebagai alat meramal adalah menetapkan seberapa banyak pengamatan terakhir yang diikutsertakan. Prosedur tersebut dinamakan moving average yang berarti jika pengamatan baru telah tersedia, rata-rata baru dapat dihitung dengan menghilangkan data tertua dan menggantinya dengan data terbaru (Mulyono, 2000). d. Model Penghalusan Eksponensial Menurut Mulyono (2000), penghalusan (smoothing) dapat dilakukan untuk dua keperluan, yaitu untuk peramalan dan untuk menghilangkan gejolak jangka pendek data time series. Model peramalan ini memberikan bobot yang berbeda pada setiap observasi. Observasi yang paling tua memiliki bobot terendah dan observasi terbaru, bobotnya tertinggi. Model penghalusan eksponensial dapat dikelompokan menjadi : 1) Penghalusan Eksponensial Tunggal (Single Exponential Smoothing) Model ini cocok untuk peramalan jangka pendek dengan pola data stasioner. Selain itu, model ini dapat mengurangi masalah mengenai penyimpanan data. Hal tersebut dikarenakan model ini hanya menyimpan data terakhir, ramalan terakhir dan konstan pemulusan (α). Model ini menggunakan persentase α tertentu dari kesalahan pada ramalan terakhir untuk menghasilkan ramalan sekarang. 2) Penghalusan Eksponensial Ganda (Double Exponential Smoothing) Model Brown Model ini cocok untuk data yang berpola trend linier. Hasil dari metode eksponensial tunggal dapat dihaluskan kembali melalui metode ini dengan memberi bobot yang menurun secara eksponensial. Page 5
3) Penghalusan Eksponensial Ganda (Double Exponential Smoothing) Model Holt Model pemulusan eksponensial ganda model Holt prinsipnya sama dengan Brown, tetapi pada model Holt tidak menggunakan rumus pemulusan berganda secara langsung, melainkan nilai trend dengan konstanta berbeda dari konstanta yang digunakan pada serial data. 4) Penghalusan Eksponensial Tripel (Triple Exponential Smoothing) Model Winters Model Winters digunakan untuk memodelkan data dengan pola musiman, baik mengandung trend maupun tidak. Winter’s Method memberikan tiga pembobotan dalam prediksinya, yaitu α, β dan γ yang bernilai antara 0 dan 1. Pembobotan α memberikan pembobotan pada nilai ramalan, β memberikan pembobotan pada slope, dan γ memberikan pembobotan pada efek musiman. Winter’s Method mempunyai dua bentuk model. Bila besarnya efek musiman konstan dari waktu ke waktu, maka bentuk model yang dipakai adalah Additive Seasonality (Winters’ Additive). Sedangkan bila besarnya efek musiman berubah dari waktu ke waktu,maka bentuk model yang dipakai adalah Multiplicative Seasonality (Winters’ Multiplicative). (Gaynor dan Kirkpatrick, 1994). e. Model Box-Jenkins (ARIMA) Model ini tidak menggunakan variabel independent, melainkan menggunakan nilai-nilai sekarang dan nilai masa lampau dari variabel dependen untuk menghasilkan peramalan jangka pendek. Semua pola data dapat digunakan dan akan bekerja dengan baik apabila data runtun waktu yang digunakan bersifat dependen atau berhubungan satu sama lain secara statistik (Sugiarto dan Harijono, 2000). Model ini terdiri dari : 1) Model ARMA (Autoregressive Moving Average), dipakai untuk deret yang statis. 2) Model ARIMA (Autoregressive Integrated Moving Average), dipakai untuk deret yang tidak statis. f. Model Dekomposisi Menurut Gaynor dan Kirkpatrick (1994), model ini memisahkan tiga komponen dari pola dasar yang cenderung mencirikan deret data ekonomi dan bisnis. Komponen
tersebut
adalah
faktor
trend,
siklus
dan
musiman.
Model
ini
dikelompokkan menjadi : 1) Dekomposisi adiktif (Decompositions’ Additive), untuk pola data yang fluktuasinya relatif konstan. 2) Dekomposisi multiplikatif (Decompositions’ Multiplicative), untuk pola data yang fluktuasinya proporsional terhadap trend.
Page 6
2.6 Uji Kelayakan Model Peramalan a. Uji Kelayakan Model Peramalan Sebab Akibat Model peramalan sebab akibat (misal : model persamaan regresi linier berganda) dikatakan layak jika variabel-variabel bebas secara serentak terbukti berpengaruh signifikan terhadap variabel terikat. Untuk mengetahui hal tersebut, dilakukan uji simultan (Uji F) dengan kriteria pengujian sebagai berikut : - Jika F hitung ≤ F tabel, maka variabel-variabel bebas secara serentak (simultan) tidak berpengaruh signifikan terhadap variabel terikat (model tidak layak). - Jika F hitung > F tabel, maka variabel-variabel bebas secara serentak (simultan) berpengaruh signifikan terhadap variabel terikat (model layak). Selain dengan melihat hasil uji F, model dinyatakan layak jika telah memenuhi asumsiasumsi klasik dalam analisis regresi liner berganda, seperti : asumsi normalitas sisaan, asumsi homoskedastisitas ragam sisaan, asumsi non-multikolinieritas antar variabel bebas, dan asumsi non-autokorelasi antar sisaan. b. Uji Kelayakan Model Peramalan Runtun Waktu Model peramalan runtun waktu dikatakan baik (layak) jika nilai error bersifat random, artinya sudah tidak mempunyai pola tertentu lagi. Dengan kata lain model yang diperoleh dapat menangkap dengan baik pola data yang ada. Untuk melihat kerandoman nilai error dilakukan pengujian terhadap nilai koefisien autokorelasi dari error, dengan menggunakan salah satu dari dua statistik berikut : 1)
Uji Q Box Pierce : = ′
2)
Uji Ljung-Box : =
′
( ′ + 2)
( ′− )
Menyebar secara Khi Kuadrat (χ2) dengan derajat bebas (db) =k-p-q-P-Q n’
= n - (d + SD)
d
= ordo pembedaan bukan faktor musiman
D
= ordo pembedaan faktor musiman
S
= jumlah periode per musim
m
= lag waktu maksimum
rk
= autokorelasi untuk time lag 1, 2, 3, 4, …, k
Kriteria pengujian
:
-
Jika Q ≤ χ2(α,db), berarti: nilai error bersifat random (model dapat diterima).
-
Jika Q > χ2(α,db), berarti: nilai error tidak bersifat random (model tidak dapat diterima). Page 7
2.7 Mengukur Ketepatan Peramalan Seperti dijelaskan di atas, dalam praktek ada banyak metode (model) peramalan secara kuantitatif. Dalam melakukan peramalan, terkadang digunakan beberapa metode secara bersamaan, kemudian mencari metode mana yang paling baik dan cocok untuk meramalkan data tertentu. Proses pemilihan ini memerlukan beberapa kriteria yang dipakai acuan untuk memilih metode yang terbaik. Beberapa poin berikut (a dan b) sangat penting untuk diperhatikan bila dalam membuat peramalan terdapat beberapa alternatif pilihan model. a. Ukuran Kesalahan Peramalan “in-sample” Dalam melakukan prediksi, baik tidaknya hasil ramalan suatu model sangat menentukan keputusan apakah model tersebut akan dipakai atau tidak. Sebuah model dengan kesalahan peramalan yang terkecil tentunya akan dipilih untuk melakukan prediksi di masa mendatang. Besarnya kesalahan tersebut dapat dihitung melalui ukuran kesalahan peramalan, diantaranya sebagai berikut: MAPE (Mean Absolute Percentage Error) Prosentase kesalahan absolut rata-rata atau MAPE memberikan petunjuk seberapa besar kesalahan peramalan dibandingkan dengan nilai sebenarnya. MAPE lebih banyak digunakan untuk perbandingan pada data-data yang mempunyai skala interval waktu berbeda. Misalnya membandingkan ketepatan ramalan suatu metode pada dua data penjualan, dimana salah satu data diamati harian, dan data yang lain diamati bulanan. =
1
−
100
MAE (Mean Absolute Error) Simpangan absolut rata-rata atau MAE mengukur akurasi peramalan dengan merataratakan nilai absolut kesalahan peramalan. Kesalahan diukur dalam unit ukuran yang sama saperti data aslinya. MAE digunakan bila ingin membandingkan ketepatan ramalan antara metode peramalan yang berbeda. =
1
|
−
|
MSD/ MSE (Mean Squared Deviation/ Mean Square Error) MSD sama dengan bentuk ukuran kesalahan MSE yang banyak dipakai sebagai ukuran kesalahan dalam pemodelan statistik. MSD menggunakan penyebut n tanpa memperhatikan derajat bebas model. MSD juga digunakan bila ingin membandingkan ketepatan ramalan antara metode peramalan yang berbeda, namun MSD memberikan ketelitian yang lebih baik daripada MAE sehingga banyak dipakai sebagai dasar dalam optimalisasi pembobotan. Page 8
=
1
(
−
)
Secara umum, semakin kecil nilai suatu ukuran kesalahan, maka akan semakin baik suatu model digunakan untuk prediksi. Namun untuk membandingkan antar metode peramalan yang berbeda, ukuran yang lebih tepat adalah MSD dan MAE (Makridakis, dkk.,1998). b. Ukuran Kesalahan Peramalan “out-of-sample” Dalam membangun suatu model peramalan yang baik, ukuran kesalahan tidak hanya dilihat dari hasil ramalan “in sample” (hasil ketepatan prediksi pada data masa lalu yang dipakai untuk membangun model) tetapi juga hasil ramalan “out of sample” (hasil ramalan di luar data yang dipakai untuk membangun model). Karena itu salah satu prosedur yang dilakukan dalam membangun model peramalan adalah dengan membagi data time series yang digunakan menjadi dua bagian yaitu initialization set dan test set. Tidak ada panduan khusus tentang banyaknya bagian dari data keseluruhan yang dipakai untuk initializaton set maupun test set. Beberapa literatur hanya memberikan acuan bahwa banyaknya test set bisa mengacu pada seberapa jauh prediksi ke depan akan dilakukan. Initialization set digunakan untuk melakukan estimasi parameter di dalam model yang dibangun, sedangkan test set digunakan untuk validasi apakah hasil ramalan dari model (yang dibangun dari initialization set) memang memberikan hasil yang baik. Ukuran-ukuran kesalahan MAPE, MAE dan MSD dapat juga dipakai untuk validasi ini. Makridakis, dkk (1998) menyebutkan bahwa bila test set tidak digunakan, maka hasil-hasil ramalan sematamata dibuat tanpa melibatkan validasi ramalan pada data-data terbaru (saat ini). Hal ini juga berguna untuk mewaspadai terjadinya overfitting pada saat model peramalan dibangun, karena tidak jarang terjadi suatu model memberikan ramalan yang baik pada ‘insample’, namun ternyata memberikan ramalan yang lebih jelek pada saat “out-of sample.” III. PERANAN KOMPUTER DALAM PERAMALAN Kemajuan teknologi informasi memungkinkan kegiatan peramalan saat ini dapat dilakukan dengan mudah lewat bantuan komputer. Seiring dengan kemajuan bidang software, saat ini banyak perangkat lunak aplikasi yang menyertakan fasilitas untuk analisis peramalan, bahkan ada yang khusus diterapkan untuk kegiatan peramalan. Salah satu software statistik yang cukup populer yang menyertakan fasilitas analisis peramalan adalah SPSS. Pada software SPSS versi 16.0 hingga yang terbaru telah menyediakan fitur yang memungkinkan pengguna untuk melakukan kegiatan peramalan runtun waktu dengan mudah dan cepat. Fitur yang dimaksud adalah Expert Modeler. Fitur ini terletak pada menu Analyze - Time Series – Create Model. Salah satu kelebihan utama fitur Expert Modeler adalah kemampuannya untuk Page 9
memilih model terbaik secara otomatis. Hal ini tentunya akan sangat membantu pengguna karena tidak perlu lagi melakukan trial and error dengan mencoba beberapa model yang mungkin untuk dibandingkan dan dipilih satu model yang terbaik. IV. TEKNIK PERAMALAN OPT DENGAN MENGGUNAKAN SPSS 4.1 Data dan Metode Peramalan OPT Data serangan OPT yang akan dibentuk model peramalannya merupakan data time series yang dikumpulkan sejak tahun 2007 hingga 2014. Bidang Proteksi BBPPTP Surabaya sejauh ini sudah memiliki arsip data serangan OPT perkebunan 8 tahun terakhir, terhitung mulai dari tahun 2007 hingga tahun 2014. Untuk tingkat provinsi di wilayah kerja BBPPTP Surabaya, data yang tersedia adalah data triwulanan, sedangkan untuk tingkat kabupaten di wilayah Provinsi Jawa Timur, data yang tersedia adalah data bulanan. Oleh karena data yang tersedia adalah data time series, maka metode peramalan yang digunakan adalah metode peramalan runtun waktu. Data time series yang digunakan sebagai contoh di sini adalah data luas serangan Oryctes rhinoceros pada kelapa di wilayah Provinsi Jawa Timur selama 8 tahun terakhir. Data tersebut berupa data triwulanan, mulai dari tahun 2007 hingga 2014. Dari data tersebut, akan coba dibuat model peramalan sekaligus angka ramalan serangannya untuk triwulan I hingga triwulan IV tahun 2015. Berikut adalah data time series yang digunakan sebagai contoh untuk dibuat model peramalannya. Tahun 2007
Triwulan 1
Serangan (ha) 20580.62
Tahun 2011
Triwulan 1
Serangan (ha) 18767.14
2007
2
18391.13
2011
2
18013.79
2007
3
16626.05
2011
3
18084.82
2007
4
27646.33
2011
4
15603.98
2008
1
19952.62
2012
1
16841.45
2008
2
19541.49
2012
2
15840.49
2008
3
10891.87
2012
3
16192.56
2008
4
19139.48
2012
4
16533.12
2009
1
11119.82
2013
1
17233.38
2009
2
11435.92
2013
2
18170.20
2009
3
14535.00
2013
3
17198.99
2009
4
16541.72
2013
4
17131.39
2010
1
16764.58
2014
1
16507.05
2010
2
18221.67
2014
2
17418.31
2010
3
18937.77
2014
3
18343.09
2010
4
18334.28
2014
4
19209.26
Page 10
4.2 Tahapan Peramalan OPT dengan menggunakan SPSS a. Memasukkan data historis serangan OPT pada SPSS Langkah-langkah memasukkan data historis serangan OPT pada SPSS adalah sebagai berikut : 1. Buka program SPSS melalui tombol Start Menu, sehingga di layar komputer Anda akan muncul kotak dialog sebagai berikut.
2. Klik Cancel, sehingga pada layar akan muncul dua buah file SPSS, yaitu : file data set SPSS, dan file output SPSS. 3. Masukkan data historis serangan OPT dengan meng-copy data tersebut dari file Excel dan mem-paste-nya ke dalam sheet Data View pada file data set SPSS.
Page 11
4. Untuk memudahkan dalam membaca output, beri nama variabel yang menjelaskan data tersebut, misal nama variabelnya adalah SERANGAN. Caranya, klik sheet Variable View, select VAR0001 pada baris pertama kolom Name, lalu ketikkan SERANGAN seperti pada gambar berikut.
b. Menetapkan periodisitas data serangan OPT pada SPSS Periodisitas data adalah satuan waktu pada data time series. Data time series bisa berupa data harian, mingguan, bulanan, triwulanan, maupun tahunan. Agar data historis serangan OPT yang telah dimasukkan ke dalam data set SPSS dapat diolah untuk dibuat model peramalannya, maka perlu ditetapkan periodisitasnya terlebih dulu. Untuk menetapkan periodisitas data, langkah-langkahnya adalah sebagai berikut : 1. Klik menu Data > Define Date, sehingga pada layar komputer akan muncul tampilan kotak dialog sebagai berikut.
Page 12
2. Pilih periodisitas data sesuai dengan data historis yang ada. Untuk data bulanan, pilih Years, quarters pada kotak Cases are dan ketikkan bulan dan tahun berapa data historis serangan OPT itu dimulai. Lalu, klik OK. Lebih jelas bisa dilihat gambar berikut.
3. Periksa file data set SPSS untuk memastikan periodisitas data sudah benar/sesuai.
c. Membentuk model peramalan dan memprediksi serangan OPT ke depan Langkah-langkah membentuk model peramalan sekaligus memprediksi serangan OPT pada satu atau beberpa periode ke depan pada SPSS adalah sebagai berikut : 1. Klik menu Analyze > Time Series > Create Models, sehingga pada layar komputer akan muncul tampilan kotak dialog sebagai berikut.
Page 13
2. Pada tab menu Variable, pilih (select) data yang akan dianalisis dan masukkan ke dalam kotak Dependent Variables dengan menekan tombol anah panah yang ada di sisi kirinya. Pastikan bahwa metode yang dipilih adalah Expert Modeler.
3. Pada tab menu Statistics, centang Display forecasts. Untuk pilihan-pilihan nilai statistik yang lain, boleh dicentang dan boleh dibiarkan seperti default.
Page 14
4. Pada tab menu Plots, centang semua pilihan pada kotak Each Plot Displays, Untuk pilihan-pilihan yang lain, biarkan seperti default.
5. Pada tab menu Save, centang Predicted values, bisa juga dicentang pilihan yang lain. Tab menu ini berfungsi untuk menampilkan nilai prediksi, batas bawah, batas atas, dan sisaan dari proses peramalan pada file data set SPSS.
6. Pada tab menu Options, pilih opsi First case after end of estimation period through a specific date untuk periode peramalannya.
Page 15
7. Klik OK, dan pada layar komputer akan muncul tampilan hasil output peramalan pada file output SPSS.
d. Menginterpretasikan hasil output peramalan dengan SPSS Ada sejumlah informasi yang didapatkan dari hasil output peramalan dengan menggunakan SPSS, seperti : jenis model peramalan, kelayakan model peramalan, ketepatan model peramalan, dan nilai ramalan. 1. Jenis Model Peramalan Untuk mengetahui jenis model peramalan terbaik yang didapatkan, dapat dilihat pada tabel Model Description seperti berikut : Model Description
Page 16
Interpretasi : Berdasarkan tabel Model Description di atas, dapat diketahui bahwa Model Peramalan yang terbaik dan sesuai dengan data historis yang dianalisis adalah Model Winters’ Multiplicative. Model peramalan ini menunjukkan bahwa fluktuasi serangan Oryctes rhinoceros pada kelapa di wilayah Provinsi Jawa Timur mengikuti pola musiman dengan besaran efek musiman yang berubah dari waktu ke waktu. Model peramalan yang dihasilkan dari proses peramalan bisa saja berubah dari waktu ke waktu mengikuti perkembangan pola data yang ada. Model pada contoh ini pun bisa jadi berbeda bila rentang waktu data yang digunakan diganti, misalkan jika data yang digunakan diganti menjadi 5 tahun terakhir, maka bisa jadi model peramalan yang didapat akan berbeda dengan model yang menggunakan data 8 tahun terakhir. 2. Kelayakan Model Peramalan Untuk mengetahui layak tidaknya model peramalan untuk digunakan, dapat dilihat dari nilai signifikansi statistik Ljung-Box Q pada tabel Model Statistics. Jika nilai signifikansinya lebih besar dari 0,05, maka model peramalan dinyatakan layak untuk digunakan, sebaliknya jika nilai signifikansinya lebih kecil dari 0,05, maka model peramalan dinyatakan tidak layak untuk digunakan. Model Statistics
Interpretasi : Berdasarkan statistik uji Ljung Box Q, dapat dilihat bahwa nilai signifikansinya sebesar 0,589. Oleh karena nilai signifikansinya > 0,05, maka dapat dinyatakan bahwa model peramalan layak untuk digunakan dalam memprediksi serangan Oryctes rhinoceros selama satu tahun ke depan. Sementara itu, nilai Stationary R-square sebesar 0,435 menunjukkan bahwa 43,5% serangan Oryctes rhinoceros pada masa yang akan datang dipengaruhi oleh pola data serangan yang terjadi pada masa lampau hingga saat ini, sedangkan sisanya (56,5%), dipengaruhi oleh faktor-faktor yang lain. 3. Ketepatan Model Peramalan Untuk mengetahui ketepatan model peramalan dalam memprediksi data, dapat dilihat ukuran-ukuran ketepatan model peramalan pada tabel Model Fit, seperti : MAPE, MAE, dan lain-lain. Page 17
Model Fit
Interpretasi : Dari tabel model fit di atas, dapat diketahui bahwa nilai MAPE sebesar 11,581% dan MAPE sebesar 11,581%. Hal ini menunjukkan bahwa tingkat akurasi rata-rata model dalam memprediksi serangan Oryctes rhinoceros pada kelapa adalah 11,581%. 4. Nilai Ramalan Untuk mengetahui nilai ramalan (prediksi) pada beberapa periode yang akan datang, dapat dilihat pada tabel Forecast. Sedangkan untuk mengetahui fluktuasi data, baik yang sudah terjadi atau yang akan diramalkan, dapat dilihat pada grafik di bawahnya. Forecast
Page 18
Interpretasi : Dari tabel forecast dapat diketahui nilai ramalan luas serangan Oryctes rhinoceros pada kelapa di wilayah Provinsi jawa Timur untuk periode triwulan I hingga triwulan IV tahun 2015. Sebagai contoh, luas serangan Oryctes rhinoceros pada triwulan I tahun 2015 diperkirakan sekitar 18.200 ha dengan kisaran antara 12.800 – 23.600 ha. Dari tabel tersebut juga bisa dihitung nilai perkiraan kesalahan maksimal dalam peramalan, sebagai contoh misalkan untuk triwulan I tahun 2015, dengan tingkat kepercayaan 95%, diperkirakan bahwa luas serangan Oryctes rhinoceros tidak akan menyimpang lebih dari 30% . Dari grafik forecast dapat dilihat bahwa serangan Oryctes rhinoceros pada triwulan I tahun 2015 diprediksi mengalami penurunan jika dibandingkan serangan pada triwulan IV tahun 2014, dan diprediksi akan meningkat cukup tajam pada triwulan II tahun 2015 dan selanjutnya meningkat secara landai pada triwulan III dan IV tahun 2015. Dari grafik juga terlihat bahwa garis UCL dan LCL ramalan semakin ke kanan semakin menjauhi garis ramalannya. Hal ini menunjukkan bahwa presisi hasil peramalan untuk triwulan I adalah yang terbaik dibandingkan dengan presisi hasil ramalan untuk triwulan II, III, dan IV. Dari sini dapat ditarik sebuah kesimpulan bahwa semakin jauh periode ramalan dengan periode data terakhir, maka semakin rendah pula tingkat presisi hasil ramalannya. Sebaliknya, semakin dekat periode ramalan dengan periode data terakhir, maka semakin tinggi pula tingkat presisi hasil ramalannya.
Page 19
DAFTAR PUSTAKA
Assauri, S. 1984. Teknik dan Metode Peramalan Penerapannya dalam Ekonomi dan Dunia Usaha. Edisi 1. Fakultas Ekonomi. Universitas Indonesia. Jakarta. Gaynor, PE and Kirkpatrick RC. 1994. Introduction to Time Series Modelling and Forecasting in Business and Economics. Mc Grow Hill. Singapore. Makridakis S, Steven C. Wheelwirgh, Victor E. Mc Gee. 1999. Metode dan Aplikasi Peramalan. Jilid 1. Edisi Kedua. Penerjemah : Hari Suminto. Bina Aksara. Jakarta. Mulyono, S. 2000. Peramalan Bisnis dan Ekonometrika. Edisi Pertama. BPPE. Yogyakarta. Santoso, Singgih. 2009. Business Forecasting – Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS. Elex Media Komputindo. Jakarta. Sugiarto dan Harijono. 2000. Peramalan Bisnis. Gramedia. Jakarta.
Page 20
