Bagi anda yang suka bola, tentunya tidak asing dengan istilah statistik bola. Isinya tentang pertandingan klub baik klub besar maupun klub kecil. Statistik bola tersebut biasanya digunakan untuk memprediksi kemenangan klub di pertandingan sebelumnya. Misal akan ada pertandingan antara Barcelona melawan Real Sociedad. Statistik atau history menunjukkan bahwa Barcelona selalu menang melawan Real Sociedad baik dalam kandang sendiri atau pun tandang. Tidak heran jika banyak yang menjagokan kemenangan Barcelona dalam pertandingan ini. Berbeda jika terjadi pertandingan antara Barcelona melawan Real Madrid, mungkin peluang penonton sepakbola sudah terbagi sama kuat antara Barcelona dan Real Madrid. Hal ini dikarenakan kedua tim sama sama kuat dan memiliki history yang seimbang.

Cerita diatas merupakan sebuah fenomena sederhana jika history atau data dahulu bisa dijadikan dasar untuk kita menentukan apa yang akan terjadi di pertandingan mendatang atau bisa dikatakan apa yang akan terjadi di masa mendatang. Cerita sederhana namun banyak dirasakan oleh pecinta sepakbola untuk membantu bagaimana data bisa melancarkan kita untuk menentukan sikap dimasa yang akan datang.

Dalam keseharian, ternyata tidak hanya dunia bola yang menggunakan data history atau time series untuk melakukan peramalan. Data BMKG misalnya, menentukan musim hujan pada bulan oktober sampai april. Hal ini selain ditentukan dari arah angin dan iklim permukaan laut, juga didasari oleh data time series 10 atau 20 tahun sebelumnya yang menghasilkan bahwa Bulan Oktober sampai April biasanya turun hujan.

Contoh lain adalah jumlah pengunjung dalam suatu mall. Ada jam jam tertentu dalam satu hari, mall itu selalu ramai, biasanya waktu pulang kantor hingga menjelang malam. Jika di telusuri secara lebih umum, bulan bulan tertentu  seperti menjelang lebaran atau natal biasanya mall sangat ramai dan bahkan sampai out stock atau kehabisan barang.

Lalu, apa masalahnya?

Peramalan yang dihasilkan oleh time series ini biasanya juga mempengaruhi keputusan individu atau lembaga dan instansi. Misalnya pada contoh musim hujan yag terjadi pada bulan oktober – april. Pemerintah DKI jakarta tentu meski harus membenahi sungai sebelum waktu tersebut agar banjir bisa dikurangi atau dihilangkan. Petani juga menentukan kapan waktu tanam saat mulai musim hujan. Kementerian pertanian mengeluarkan aplikasi kalender tanam yang dapat memandu para petani melakukan olah lahan dan komoditas berdasarkan prediksi curah hujan dan iklim serta kondisi lahan.

Contoh kedua tentang mall. Perusahaan produksi harus memperhitungkan berapa yang disupply di bulan sebelum hari raya, berapa yang harus diproduksi menjelang hari raya, dan berapa cadangan barang yang harus disediakan sebelum hari raya tiba. Semua itu berdasarkan angka perkiraan time series yang digunakan oleh perusahaan tersebut agar keuntungan yang diperoleh bisa maksimal atau perusahaan tidak mengalami kehilangan pembelian akibat kekurangan barang di mall tersebut. Jika perusahaan kehilangan pembelian akibat out stock, menjadi fatal akibatnya karena konsumen bisa beralih ke produk kompetitor dan berpeluang akan kehilangan konsumen jika ternyata konsumen tersebut menyukai produk kompetitor.

Saya sangat hapal problem supply chain ini karena pernah bekerja di perusahaan bagian supply chain dan perencanaan produksi.

Mengingat pentingnya perencanaan dan peramalan data di masa mendatang, maka salah satu ilmu kuantitatif ini, peramalan bisnis, menjadi salah satu mata kuliah yang harus dikuasai oleh calon pebisnis dan pengambil keputusan.

Pengertian Time Series

Time series atau data deret waktu adalah data yang dikumpulkan dan diamati atas rentang waktu tertentu. Terdapat empat unsur dalam data deret waktu; yakni trend, musiman, siklus, dan random atau komponen acak. Pola trend biasanya terlihat dari grafik yang naik atau turun dalam waktu yang panjang (10 tahun, 20 tahun, 15 tahun, 5 tahun). Sedangkan musiman biasanya data naik dan turun dalam jangka yang pendek misalnya satu tahun. Hal ini yang membedakan dengan siklus, siklus juga menunjukkan pola yang naik dan turun namun dalam jangka waktu yang lama. Komponen terakhir merupakan random yakni variable lain yang tidak dapat dijelaskan oleh ketiga komponen sebelumnya (acak).

Tehnik Time Series

Tehnik Time series merupakan data history yang digunakan untuk meramalkan data berikutnya. Hampir sama dengan regresi, Y merupakan data history dan X adalah data periode atau time itu sendiri, bisa bernilai 1 untuk data yang paling awal, dan bernilai 2 untuk data berikutnya dan seterusnya. Model yang dihasilkan akan digunakan untuk meramalkan nilai Y berikutnya. Lalu apakah menggunakan r-squared? Jawabnnya bisa, meskipun time series dalam pengukuran akurasinya tidak menggunakan R-squared, namun karena time series juga termasuk model persamaan, seharusnya R-squared juga bisa digunakan untuk menilai apakah persamaan yang dihasilkan baik atau tidak.

Berbagai macam tehnik time series adalah sebagai berikut:

Naïve

Tehnik naïve merupakan tehnik time series yang paling sederhana. Deskripsi singkat tentang tehnik naïve ini adalah kita memprediksi dengan data satu periode sebelumnya. Misalnya penjualan bulan maret adalah 20 unit, maka kita memprediksi penjualan april juga sebesar 20 unit. Atau dalam hitungan tahun, jika penjualan tahun 2010 sebesar 200 unit, maka kita memprediksi penjualan tahun 2011 juga sebanyak 200 unit.

Dalam persamaan dapat ditulis sebagai berikut:

Y prediksi = Y t-1

Moving average

Tehnik moving average (MA) merupakan pengembangan dari tehnik naïve. Jika naïve hanya menggunakan data 1 periode sebelumnya untuk menentukan atau meramalkan data kedepan, maka MA menggunakan beberapa data periode kedepan dan kemudian dirata-ratakan untuk menentukan data berikutnya. Jumlah data yang digunakan biasanya disebut ordo. Dikatakan moving average atau rataan yang bergerak karena average yang digunakan seolah bergerak tergantung data yang ingin diprediksi. Bingung? Perhatikan contoh ilustrasi berikut:

Data       1              = A
                2              = B
                3              = C
                4              = D
                5              = E

Untuk menentukan data ke 6, misal kita menggunakan MA (2), atau disebut MA ordo 2, maka

Ypred4 = average(B,C)
Ypred5 = average(C,D)
Ypred6 = average(D,E)
Ypred7 =average(E,F)

Perhatikan bahwa rataannya bergerak mengikuti Y prediksi. Jika ordo yang digunakan 3, maka jumlah data yang dirata-rata adalah 3 data sebelum Y prediksi. Paham?

Tehnik MA selanjutnya dapat dikembangkan menjadi tehnik double MA. Yakni hasil MA dari rataan bergerak nilai aktualnya dilakukan MA kembali atau melakukan rataan bergerak sebanyak dua kali.

Tehnik Trend

Tehnik trend merupakan tehnik yang umum digunakan pada analisis peramalan data kuantitatif. Pada dasarnya kita mencari pola trend pada data yang kita miliki; misalnya linear, kuadratic, S kurve, atau exponential; yang selanjutnya kita gunakan model tersebut untuk memperkirakan data selanjutnya.

Model linear : Ypred = a + bT + e, Model kuadratic: Ypred = a + bT2 + cT + e, Model S kurve : Ypred = L/(1+exp(a+b(T) + e), Model exponential: Ypred = a + eb.T

Anda tidak perlu kuatir dengan banyaknya pilihan yang digunakan untuk melakukan tehnik data peramalan karena dapat menggunakan software untuk membantu pemrosesan data.

Tehnik mana yang paling baik?

Kita bisa mengatakan sebuah model peramalan paling baik jika model tersebut memiliki kriteria error yang paling kecil. Jadi, model mendapatkan Ypred, yang kemudian dibandingkan dengan Yact, kemudian dihitung nilai errornya. Beberapa tehnik perhitungan nilai errornya adalah

Mean Absolut Error (MAE) atau Mean Absolut Deviation (MAD)

Berdasarkan namanya, merupakan nilai rata-rata dari nilai absolut error. Atau dapat ditulis dengan persamaan

14 mae

Mean Squared Error (MSE) atau Mean Squared Deviation (MSD)

Merupakan nilai rata-rata dari kuadrat errornya, atau dapat ditulis dengan persamaan:

15 mse

Mean Percentage error (MAPE)

Merupakan rata-rata dari persentase error terhadap nilai aktual

mape

Langsung saja, kita lanjutkan dengan praktek disoftware. Saya biasa menganalisis trend dengan menggunakan minitab. Bukan promosi, namun saya rasa aplikasi ini lebih ringan untuk menentukan model trend yang ingin kita gunakan.

Saya memiliki data produksi jagung di 11 tahun beruntun

00 time series

Kemudian klik stat – time series – trend analysis

Masukkan variabel jagung kemudian pilih model type. Kali ini saya gunakan linear terlebih dahulu pada model type. Anda bisa mengatur output yang akan keluar di minitab seperti grafik pada tombol graphs. Namun biasanya tidak saya lakukan sebelum saya tau model mana yang paling tepat. Kemudian klik OK

Maka muncullah sebuah grafik dengan informasi garis model linear dan Yact. Berikut data MSD, MAPE dan MAD.

Saya lakukan hal yang serupa diatas untuk mendapatkan model trend quadratic, exponential growth, dan S-curve. Hasil yang saya peroleh berturut-turut adalah sebagai berikut:

04 time series

05 time series

Untuk s-curve ternyata minitab langsung memberitahukan bahwa data diatas tidak cocok untuk model S-kurve

Data MSD MAD dan MAPE kemudian saya satukan dan saya tentukan mana nilai yang paling rendah.

06 time series

Dari model tersebut, terlihat bahwa model quadratic adalah model yang paling baik dari tehnik trend untuk menggambarkan nilai produksi jagung. Lalu bagaimana jika kita coba moving average? Kita bisa lakukan perbandingan kembali.

Masih di minitab, klik stat – time series – moving average

07 time series

Isi variabelnya, MA length merupakan ordo dari MA, kita isikan nilai 3 misalnya. Anda bisa mencoba coba mengisi 2 atau nilai lainnya. Kali ini saya coba langsung dengan nilai 3, karena artikel ini sudah mulai panjang. Minitab juga memberi pilihan moving average dalam bentuk center MA atau tidak. Penjelasan yang saya gunakan di bagian atas adalah tidak menggunakan center MA. Center MA adalah tehnik MA dengan nilai Ypred diperoleh dengan cara merata-ratakan dengan posisi Ypred ditengah. Artinya jika MA (3) berarti rata rata dari Yt-1, Yt, dan Yt+2. Pada latihan ini saya tidak menggunakan Center MA. Klik OK

08 time series

Hasil yang saya peroleh

08 time series

Kemudian nilai errornya saya bandingkan dengan model – model sebelumnya

10 time series

Ternyata masih trend quadratic yang pantas untuk melakukan peramalan data.

Maka kesimpulannya kita akan menggunakan model quadratic untuk meramalkan data. Bagaimana caranya, kita klik stat – time series – trend analisis. Kemudian kita pilih model quadratic. Kitaklik generate forecast. Kita isi number forecastnya 5, mulai dari data ke 11 (ini contoh, anda bisa mengisinya sesuai tujuan penelitian). Kemudian todak lupa kita mau menentukan nilai ypred atau di minitab dikenal istilah Fits dan residualnya untuk nanti menghitung R squared. Klik storage dan centang fits, forecast dan residualnya. Klik ok klik Ok

11 time series

Hasil yang diperoleh adalah seperti ini:

12 time series

Terlihat bahwa peramalan untuk data ke 12 sampai ke 16. Pada kolom C4 atau di session minitab.

R squared

Seperti yang saya janjikan sebelumnya, kita juga bisa mencari R-squared untuk mengetahui seberapa baik model yang kita gunakan seperti kita menilai model regresi.

Rumus R-squared adalah : 1 – (JKS/JKT)

JKS atau jumlah kuadrat sisaan = (Yact – Ypred)2
JKT atau jumlah kuadrat total = (Yact – Ymean)2,
Ymean merupakan nilai rata –rata dari Yact

Saya proses nilai Fits dan residu yang berasal dari minitab tadi, saya pindahkan ke excell dan kita hitung nilai R-squarednya. Saya peroleh hasil sebagai berikut:

13 time series

Hasilnya r-squared adalah 76%, artinya model kuadratic mampu menjelaskan nilai Y sebesar 76%, sedangkan sisanya adalah nilai error. Kategori model ini sudah dapat dikatakan baik untuk digunakan meramalkan data berikutnya.

Masih ada beberapa tehnik peramalan lainnya, pada awalnya saya ingin jelaskan semua dalam satu artikel, namun tampaknya tidak memungkinkan. Semoga saya bisa menulis artikel berikutnya tentang smoothing, dan Arima Sarima, juga masih merupakan tehnik peramalan data kuantitatif

Terima kasih sudah berkunjung

update:

Arima dan Sarima telah saya bahas di : ARIMA SARIMA: Si Kembar dari Time Series
video dibawah ini merupakan salah satu penggunaan analisis time series yang aplikatif:

Peneliti bidang sosial ekonomi pertanian. Pernah bekerja di bidang supply chain. Detil info silahkan kunjungi laman about me.

Join the Conversation

43 Comments

Your email address will not be published. Required fields are marked *

  1. Pak, mau tanya. Saya sementara mengerjakan tugas akhir saya. Saya mempunyai data harga beras di indonesia tahun 2015-2019 dan saya telah melakukan peramalan untuk 12 perioder selanjutnya menggunakan metode vector autoregressive time series multivariat. Tetapi hasil peramalan yang saya dapatkan dari setiap periode sama, misalnya periode 1 9867 begitu juga sampai dengan periode ke 12 9867. Dan saya mendapatnya grafik dari hasil peramalan yang konstan (lurus). Bagaimana solusinya pak? Makasih pak

    1. Semua itu bisa dipahami saat anda melihat rumus dari autoregressive itu sendiri. Yakni nilai peramalan ditentukan berdasarkan nilai terdahulunya atau periode sebelumnya. Katakanlah yt = a+byt-1 + cyt-2 … +Error.

      Jika rumus seperti itu besar kemungkinan anda akan menjumpai peramalan atau forecasting dalam bentuk garis lurus. Apalagi jika datanya tidak stasioner.

      Solusinya pastikan data anda stasioner. Atau gabungkan metodenya dengan moving average. Terima kasih

  2. Pak, apakah ada dasar atau teori pernyataan dari buku atau jurnal yang menyatakan bahwa data time series bisa digunakan dan di regresi apabila datanya 10 tahun saja?

  3. Assalamualaikum Pak. Agung. Ijin bertanya nggeh pak. Untuk acuan nilai errornya apakah cukup menggunakan 1 acuan saja (misal MAPE saja)?. Ataukah harus menggunakan lebih dari 1 acuan (misal MAPE, MAD dan MSD)?.

    Misalkan MAPE, MAD dan MSD digunakan secara bersama-sama sebagai acuan, yang lebih didahulukan/diprioritaskan nilainya yang mana dulu nggeh Pak?.
    Karena kemarin saya membandingkan 2 model trend analisis dengan kuadratik dan linier. Untuk MAPE & MADnya memang lebih kecil model quadratic, namun nilai MSDnya lebih kecil yang linier.

  4. Selamat Pagi Pak. Agung.
    Mohon maaf telah mengganggu waktu Bapak.
    Ijin bertanya Pak, untuk nilai MAPE, MAD dan MSD yang lebih diprioritaskan yang mana dulu Pak?.
    Karena kemarin saya melakukan analisis trend dengan model linear & kuadratik.
    Untuk MAPE dan MADnya memang lebih kecil model kuadratik, tetapi untuk MADnya lebih kecil yang model linier. Bagaimana Pak?. Mohon arahannya.
    Terima kasih.

  5. siang pak ijin bertanya jika saya memiliki data time series dari 2011-2015 kira kira saya dapat meramalkan untuk berapa tahun kedepan ya pak?

    1. selamat pagi tami… kuncinya adalah memperoleh satu siklus dari data yang ingin kita ramalkan. dan tentunya ini akan berbeda beda. lebih lengkap silahkan simak video channel youtube saya yang berjudul TJ Budi #1.

  6. Pak, teman saya lagi meneliti data time series kurun waktu dari 2005-2019. Supaya kenapa pak ?

  7. Pak, jika saya ingin melakukan peramalan jumlah penduduk menggunakan data tahunan sebanyak 18 data saja apa cukup? Terima kasih

    1. Sangat kurang sepertinyanya.. data penduduk pun sebenarnya itu adalah proyeksi. Sensus penduduk tidak tiap tahun.

  8. Mas Agung, saat ini keadaan sedang covid-19, dampak dari covid-19 kredit semakin berkurang, namun ada beberapa sektor kredit yang meningkat. Bagaimana / metode apa yang bisa untuk menganalisis sektor kredit mana yang punya peluang bagus?

    karena covid ada di awal januari 2020, maka saya hanya mengambil data dari januari 2020 sampai mar 2020. Kalau saya mengambil data 2 tahun terakhir maka data yang 2020 menjadi outlier. Data yang saya miliki data time series

    1. Iya..itu yang sudah saya bahas di artikel terbaru tentang time series. Maka pada kondisi ini time series belum bisa digunakan. Baiknya tetap mengikuti berita pertumbuham ekonomi di berbagai sektor yang dikeluarkan oleh BPS atau instansi lainnya baik dalam maupun luar negeri. Informasi juga bisa diperoleh dari fenomena banyak pengusaha besar dibidang makanan yang merugi. Ada juga yang sedang meroket seperti pertanian atau sektor pangan. Terima kasih

  9. Selamat pagi Pak Budi,
    Saya Hendri,
    Saya mau menanyakan, ketika sudah diperoleh peramalan dan nilainya untuk selanjutnya bagaimana caranya memadukan dengan safety stok/stok ideal pak,
    Apakah ada thread bapak yang membahas ini?
    Matur nuwun pak

    1. Komentar yang menarik. Dalam waktu dekat mudah mudahan bisa saya tuliskan artikel yang membahas ini ya mas… Terima kasih

  10. Selamat siang
    Jika saya hanya memiliki data masa lalu 12 bulan. Apakah bisa/cukup untuk melakukan peramalan 3 bulan kedepan?

      1. Jika memang bisa alasannya kenapa ya? Apakah ada literatur yang membahas mengenai minimal data untuk melakukan peramalan?
        Terimakasih

        1. sepertinya tidak akan ditemukan literatur tentang berapa minimal data time series. karena setiap kasus akan berbeda. contoh: forecasting produksi komoditas pertanian tentu akan berbeda dengan forecast saham, juga pasti akan berbeda kasusnya dengan forecast curah hujan. setiap kasus punya siklus masing masing.

          sebelumnya saya jawab bisa, karena dalam setahun itu setidaknya bisa menggambarkan siklus musiman secara utuh, meskipun akan kurang menjelaskan trend. terima kasih

  11. Selamat sore
    Kalo saya mau forecast inflasi 5 tahun ke depan, apakah bisa menggunakan aplikasi minitab atau ada aplikasi lain?
    Terima kasih

    1. Bisa pakai minitab juga bisa pakai software statistik lainnya. Silahkan pilih mana yang prefer aja. Semuanya sama. Terima kasih

  12. Aslm Mas Budi..

    Mau bertanya, saya baca terdapat berbagai jenis model/metode peramalan hubungan deret waktu. Diantaranya adalah: 1) Model Linear; 2) Model Quadratic; 3) Model Exponential Growth; 4) Model S-Curve (PearlReed Logistic); 5) Model Moving Average; 6) Model Single Exponential Smoothing; 7) Model Double Exponential Smoothing; 8) Metode Winter; 9) Model ARIMA.

    Yg saya pahami:
    Aplikasi miniTab hanya untuk model 1, 2, 3, 4.
    Aplikasi ARIMA untuk model Arima.

    1. Apakah perlu membandingkan 1-9 model tersebut, untuk dicari model terbaik (MAPE, MAD, MSD terkecil)

    2. Apakah ada aplikasi yg bisa untuk semua model tersebut?
    Jika tidak ada, apa aplikasi untuk model 5-8?

    Terimakasih atas bantuannya

    1. Wa alaikim salam.

      1. Ada baiknya semua dicoba untuk meyakinkan mana model yang sesuai. Tapi, bagi orang yang sudah menggunakan analisis time series biasanya sudah bisa menduga model mana yang akan dicoba krna diduga mendekati. Hal ini dikarenakan dia mengetahui sifat grafik dan pola forecast yang dibutuhkan.

      3. Semua jenis time series tersebut sudah ada di minitab versi 17. Menu stat – time series.

      Terima kasih

  13. Assalamualaikum mas Budi,
    Saya memiliki data penjualan harian toko selama 1 tahun lebih, 373 hari. apakah harus buat per bulan lalu dilakukan kalkulasi atau langsung saja dipakai data per hari nya untuk kalkulasi?…
    terimakasih
    wassalam

    1. wa alaikum salam mas fabr, klo secara scientificnya bisa dua duanya, bisa harian ataupun bulanan. hanya saja ada pertimbangan kenapa kita mengkalkulasikan dulu ke bulan. jika kita mengkalkulasikan dulu terhadap bulan, kita lebih mudh menentukan bulan mana penjualan turun dan bulan mana saat peak season dari grafik time series yang ada. jika tetap menggunakan hari pun tidak apa apa, hanya saja kita akan kesulitan karena periodenya akan panjang sampai 365 hari.

      ditambah lagi, dengan mengkalkulasikan ke bulan kita bisa dengan mudah mengaitkan momen dengan kejadian naik turunnya penjualan. misalnya adanya lebaran sehingga terjadi kenaikan penjualan, sehingga kita bisa mengatur berapa stok untuk menghadapi lebaran tahun depan. atau contoh lainnya seperti libur sekolah, natal dll. hal ini akan lebih mudah dievaluasi dengan mengkalkulasikan dulu ke bulan. Terima kasih

    1. Yang terbaik memang bulanan, sesuai datanya. Tapi bisa juga dijadikan triwulan, caturwulan, dsb. Namun itu akan mengurangi jumlah data karna merata – ratakan data sesuai periodenya. Terima kasih

  14. Assalamualaikum
    Maaf pak izin bertanya. Saya telah mencoba meramalkan data time series untuk 12 periode kedepan (Februari 2018-Januari 219). Saya menggunakan data impor dari Januari 2009-Januari 2018. Namun, hasil yang saya peroleh angka peramalannya sama untuk 12 periode tersebut. Misal pada periode pertama ramalannya sebesar 13567.08, kemudian hasil ramalan pada periode kedua s.d. periode 12 hasilnya akan sama dengan hasil ramalan periode I. Apakah ada kemungkinan suatu peramalan data time series akan menghasilkan nilai ramalan yang sama untuk setiap periodenya? Terima kasih.

    1. wa alaikum salam mbak… artinya model yang dihasilkan dalam peramalan tersebut bersifat konstan atau linear. coba diulang forecastnya dengan cara meramalkan satu periode e satu periode secara berurutan. misal periode 1 hasilnya a, maka kita masukkan a untuk periode tersebut dan menghitung periode 2. terima kasih

  15. Assalamualikum
    Selamat pagi Pak Agung.Saya makasiswa smt akhir pak.
    Dari kutipan bapak mengatakan kalah “Pola trend biasanya terlihat dari grafik yang naik atau turun dalam waktu yang panjang (10 tahun, 20 tahun, 15 tahun, 5 tahun)”. Nah, pertanyaan saya apabila saya memiliki data 3 th kmd saya ingin menghitung trend untuk 3 th mendatang itu bisa tidak ya pak?. kemudian dari kutipan bapak tersebut diatas jumlah tahun dlm pengambilan trend terdapat pd buku yg berjudul apa pak, halaman berapa, tahun berapa dan karangan siapa ya pak? soalnya saya disuruh dosen saya untuk mencari dasar teori mengenai pengambilan tahun tersebut namun saya belum menemukan. barangkali bapak bisa membantu saya.. terimakasih pak

    1. Wa alaikum salam,
      Sebenarnya sy sedikit enggan klo menjawab pertanyaan seperti ini. Tandanya mahasiswa kurang semangat melakukan literasi bahkan pertanyaan sedikit menyudutkan karena saya harus memberikan sampai tingkat halaman berapa..
      Buku wiley ataupun buku yang tertulis pengarang indonesia menyatakan bahwa peramalan ditentukan oleh data saat ini atau data sebelumnya. Tapi akan sangat jarang dijumpai harus 3 tahun, 4 tahun, 10 tahun dll.
      Karena ini tergantung konteks penelitian. Misalnya.. artikel jurnal yang saya tulis tentang iklim
      http://www.ejurnal.litbang.pertanian.go.id/index.php/jpptp/article/view/3496
      Tentu harus menggunakan data puluhan tahun, tidak mungkin hanya menggunakan data 3 tahun karna berbicara iklim.
      Berbeda halnya jika membahas saham atau harga bulanan. Mungkin tdk perlu sampai harus 5 tahun.
      Kuncinya bagaimana data tersebut menggambarkan siklus lengkap satu periode. Mulai dari dia meningkat kemudian turun dan seperti kembali ketitik normal dengan gambaran seasonal yang terulang.

      Karena hal itu pula saya tdk bisa menjawab apakah data yang mbk miliki 3 tahun bisa digunakan atau tidak, krna saya tdk tau kita membicarakan topik apa.

      Diskusikan ini dengan dosen anda apakah data yang dimiliki cukup u meramalkan kedepan. Mengenai literatur, saya rasa semua literatur menyatakan hal itu, bahwa peramalan ditentukan dari data sebelumnya.

      Lalu apakah bisa data 3 tahun meramalkan 3 tahun? Diluar konteks topik penelitian, saya berargumen bahwa ini tidak bisa. Karena rumus time series yang dikeluarkan spss minitab atau lainnya biasanya garis lurus. Tdk mencerminkan pola seasonalnya. Meramalkan sih boleh saja, tapi apa valid?

      Terima kasih

  16. Kalau saya hanya mmiliki data 12 bulan dan ingin meramalkan 5 tahun lg apakah bsa mas? Atau hnya bsa diramal 1 th kdepan saja baru stlah tau actualnya, diramalkan lg utk bbrp tahun kdpan? Terima kasih 🙂

    1. Jika datanya bulanan, lebih baik prediksinya juga bulanan ya bu.. agar bisa memprediksi 1 tahun kedepan, lebih baik datanya lebih dari 2 tahun (data bulanan). Hal ini agar pola trend atau musiman pada tahun tersebut dapat dipola kan.terima kasih

  17. Pagi mas. Mau tanya. Sy ingin memprediksi tren kunjungan di suatu destinasi wisata. Tapi sy hanya punya data kunjungan per bulan selama 2 th terakhir. Bisa ga membuat tren kunjungan selama bbrp tahun ke depan dgn data tsb? Terima kasih

    1. Selamat pagi mas budi. Dalam pandangan saya, data bulanan dalam 2 tahun sudah cukup untuk membuat forecast. 2 tahun berarti memberi gambaran 2 siklus pengunjung (satu siklus, satu tahun). Data musiman juga bisa tercover (misalnya selama libur panjang, dsb).

      Terima kasih

    1. terima kasih atas komentarnya. Sangat terbuka jika ada yng mau ditanyakan setelah membaca penjelasan artikel ini atau artikel lainnya di blog ini..