Statistika Bisnis Sesi 14 - aurinoworks.com

🔮 Sesi 14: Time-Series Forecasting — Meramalkan Masa Depan dengan Data

“Berapa omzet bulan depan?” “Berapa stok yang harus disiapkan untuk Lebaran?” “Apakah penjualan akan naik atau turun kuartal berikutnya?” Pertanyaan-pertanyaan ini adalah jantung dari keputusan bisnis. Time-series forecasting adalah seni dan ilmu untuk menjawabnya — menggunakan pola masa lalu untuk memprediksi masa depan. Dari moving averages yang sederhana sampai autoregressive models yang canggih, sesi ini akan membekali Anda dengan toolkit lengkap untuk meramal dengan percaya diri (dan menyadari batasannya!).

🎥 Video Kuliah: Time-Series Forecasting

Video berikut dari seri Business Decision Modeling memberikan pengantar visual yang sangat baik untuk konsep-konsep time-series forecasting.

Catatan: Video ini mencakup konsep-konsep dasar forecasting yang akan kita perdalam di sesi ini.

🎯 Bagian 1: Mengapa Business Forecasting Sangat Penting?

🤔 Apa Itu Forecasting?

Forecasting = proses memprediksi nilai masa depan berdasarkan data historis dan analisis pola. Dalam konteks bisnis, forecasting adalah dasar dari hampir semua keputusan strategis.

🧭 Analogi Nakhoda Kapal:
Seorang nakhoda tidak bisa hanya melihat ke belakang (data historis). Dia harus membaca ombak, angin, dan arus untuk memperkirakan ke mana kapal akan bergerak. Forecasting adalah “kompas” bisnis.

📊 Mengapa Forecasting Krusial dalam Bisnis?

Area Bisnis	Pertanyaan Forecasting	Dampak Jika Salah Ramal
Inventory	Berapa unit yang harus distok bulan depan?	Overstock atau stockout
Finance	Berapa cash flow kuartal berikutnya?	Kekurangan likuiditas atau idle cash
HR	Berapa karyawan tambahan yang dibutuhkan?	Overstaffing atau understaffing
Marketing	Berapa sales dari kampanye baru?	ROI negatif atau missed opportunity
Production	Berapa kapasitas produksi yang dibutuhkan?	Mesin menganggur atau overload

🛒 Contoh Nyata: Toko Online Menjelang Harbolnas
Sebuah e-commerce ingin menyiapkan stok untuk Harbolnas 12.12. Jika ramalan salah:

Ramal terlalu rendah: Stok habis di hari H, customer kecewa, pindah ke kompetitor. Kerugian: Rp500 juta potensi penjualan hilang.
Ramal terlalu tinggi: Stok menumpuk setelah event, biaya gudang Rp100 juta, produk jadi usang. Kerugian langsung: Rp300 juta.

Prinsip Dasar Forecasting

Forecasting selalu salah — pertanyaannya adalah seberapa salah
Forecast jangka pendek lebih akurat daripada jangka panjang
Kombinasi beberapa metode biasanya lebih baik dari satu metode
Forecast harus diupdate saat data baru tersedia

⚠️ Mitos Forecasting:

❌ “Forecasting bisa meramal masa depan dengan pasti.” → Salah!
❌ “Model kompleks selalu lebih baik.” → Salah!
❌ “Sekali ramal, selesai.” → Salah!

Bagian 2: 4 Komponen Time-Series — Membongkar Pola Data

Apa Itu Time-Series?

Time-series = kumpulan observasi yang dicatat secara berurutan dalam waktu (harian, bulanan, kuartalan, tahunan).

📊 4 Komponen Time-Series

📈 Trend (T)

Pola jangka panjang — naik, turun, atau stagnan selama bertahun-tahun.

Contoh: Omzet UMKM naik konsisten 10% per tahun selama 5 tahun.

🌸 Seasonal (S)

Pola berulang dalam periode tetap (tahunan, bulanan, mingguan).

Contoh: Penjualan baju muslim melonjak setiap Ramadhan.

🔄 Cyclical (C)

Fluktuasi jangka panjang (>1 tahun) tanpa periode tetap, terkait siklus ekonomi.

Contoh: Resesi ekonomi setiap 7-10 tahun.

🎲 Irregular (I)

Variasi acak yang tidak bisa diprediksi — noise, kejadian tak terduga.

Contoh: Penjualan anjlok karena pandemi COVID-19.

📊 Model Dekomposisi

Model Aditif: Y = T + S + C + I

Model Multiplikatif: Y = T × S × C × I

🎵 Analogi Musik:
Bayangkan sebuah lagu:

Trend: Melodi utama yang berjalan sepanjang lagu
Seasonal: Chorus yang berulang setiap 30 detik
Cyclical: Bridge yang muncul beberapa kali dengan interval tidak tetap
Irregular: Noise dari rekaman, suara penonton, dll

💡 Kapan Pakai Aditif vs Multiplikatif?

Aditif: Kalau variasi seasonal konstan
Multiplikatif: Kalau variasi seasonal proporsional dengan level

Dalam bisnis, multiplikatif lebih umum.

📈 Bagian 3: Smoothing Methods — Moving Average & Exponential Smoothing

🤔 Apa Itu Smoothing?

Smoothing = teknik untuk menghaluskan fluktuasi acak sehingga pola dasar (trend, seasonal) lebih terlihat.

🌊 Analogi Ombak Laut:
Bayangkan Anda melihat permukaan laut dari jauh. Ada riak kecil (noise), ada ombak sedang (seasonal), dan ada arus besar (trend). Smoothing seperti memakai kacamata khusus yang menghilangkan riak kecil.

1. Moving Average (MA)

MA(k) = (Yₜ + Yₜ₋₁ + … + Y₋ₖ₊₁) / k

🛒 Contoh: Moving Average 3-Bulan
Data omzet (juta Rp): Jan=10, Feb=12, Mar=11, Apr=14, Mei=15, Jun=13

MA-3 Maret = (10+12+11)/3 = 11,0
MA-3 April = (12+11+14)/3 = 12,3
MA-3 Mei = (11+14+15)/3 = 13,3

📊 2. Exponential Smoothing (ES)

Fₜ₊₁ = αYₜ + (1 − α)Fₜ

Dimana α adalah smoothing constant (0 < α ≤ 1).

α besar (0,7-0,9): Sangat responsif, cocok untuk data volatile
α kecil (0,1-0,3): Lebih halus, cocok untuk data stabil

⚠️ Keterbatasan Smoothing Methods:
Baik MA maupun ES TIDAK BISA menangkap trend yang kuat atau pola seasonal. Untuk data dengan trend/seasonal, butuh metode yang lebih canggih.

Bagian 4: Least-Squares Trend Fitting — Linear, Quadratic, Exponential

📊 1. Linear Trend

Tₜ = b₀ + b₁t

🛒 Contoh: Linear Trend Omzet UMKM
Setelah regresi OLS: Tₜ = 8,5 + 1,2t

Omzet awal (2019) = Rp8,5 juta
Pertumbuhan per tahun = Rp1,2 juta
Forecast 2025 (t=7): T₇ = 8,5 + 1,2(7) = Rp16,9 juta

📊 2. Quadratic Trend

Tₜ = b₀ + b₁t + b₂t²

Untuk data dengan percepatan atau perlambatan trend.

📊 3. Exponential Trend

Y = b₀ × (b₁)^t

Untuk data dengan pertumbuhan persentase konstan (compounding).

Jenis Trend	Model	Karakteristik
Linear	Tₜ = b₀ + b₁t	Pertumbuhan konstan per periode
Quadratic	Tₜ = b₀ + b₁t + b₂t²	Ada percepatan/perlambatan
Exponential	Yₜ = b₀ × b₁^t	Pertumbuhan persentase konstan

⚠️ Bahaya Ekstrapolasi:
Semua model trend sangat berbahaya jika diekstrapolasi terlalu jauh. Forecast maksimal 2-3 periode ke depan untuk data bulanan, 1-2 tahun untuk data tahunan.

Bagian 5: Autoregressive (AR) Modeling — Memanfaatkan “Memori” Data

🤔 Apa Itu Autoregressive Model?

AR model = memprediksi nilai masa depan berdasarkan nilai-nilai masa lalunya sendiri.

Analogi Memori:

AR(1): “Cuaca besok mirip cuaca hari ini”
AR(2): “Cuaca besok mirip rata-rata cuaca hari ini dan kemarin”

📊 First-Order Autoregressive: AR(1)

Yₜ = A₀ + A₁Y₋₁ + δₜ

🛒 Contoh: AR(1) untuk Omzet Harian
Setelah estimasi: Yₜ = 2,5 + 0,75Y₋₁

A₁ = 0,75: Omzet hari ini 75% ditentukan oleh omzet kemarin
Jika kemarin omzet Rp10 juta, besok diramal: Y = 2,5 + 0,75(10) = Rp10 juta

⚠️ Syarat AR Model: Stasioneritas
AR model hanya valid jika data stasioner (mean dan varians konstan).
Cek: Plot data, ADF test.
Solusi jika tidak stasioner: Differencing, transformasi, atau pakai ARIMA.

🎯 Bagian 6: Choosing an Appropriate Forecasting Model

Bagaimana Memilih Model yang Tepat?

Pola Data	Model yang Cocok
Tidak ada pola (stasioner, acak)	Naïve, Moving Average, Exponential Smoothing
Trend linear	Linear trend, Double Exponential Smoothing (Holt)
Trend eksponensial	Exponential trend, Log-linear regression
Trend + Seasonal	Winters method, Decomposition + regression, SARIMA
Autokorelasi kuat	AR, ARMA, ARIMA

📊 Metrik Evaluasi Forecast

MAE = Σ|Yₜ − Fₜ| / n

MSE = Σ(Yₜ − Fₜ)² / n

MAPE = [Σ|(Yₜ − Fₜ)/Yₜ| / n] × 100%

RMSE = √MSE

💡 Prinsip Parsimony:
“Pilih model paling sederhana yang performanya cukup baik.” Jangan pakai ARIMA(2,1,3) kalau Exponential Smoothing sudah cukup.

Bagian 7: Time-Series Forecasting of Seasonal Data

🤔 Apa Itu Seasonal Data?

Seasonal data = data dengan pola berulang pada interval tetap.

Tahunan: Penjualan baju muslim naik saat Ramadhan
Bulanan: Omzet retail naik di akhir bulan (gajian)
Mingguan: Pengunjung mall ramai di weekend

📊 Metode 1: Seasonal Indices

Forecast = Trend Forecast × Seasonal Index

🛒 Contoh: Forecast Januari 2025

Trend forecast: Rp110 juta
Seasonal index Januari: 80%
Forecast = 110 × 0,80 = Rp88 juta

📊 Metode 2: Winters Method (Triple Exponential Smoothing)

Menangkap 3 komponen sekaligus: level, trend, dan seasonal.

Level: Lₜ = α(Yₜ/Sₜ₋ₛ) + (1−α)(Lₜ₋₁+Tₜ₋₁)
Trend: Tₜ = β(L−Lₜ₋₁) + (1−β)Tₜ₋₁
Seasonal: Sₜ = γ(Yₜ/Lₜ) + (1−γ)Sₜ₋ₛ

💡 Tips untuk Bisnis Indonesia:

Perhatikan kalender lokal: Ramadhan, Lebaran, Harbolnas (11.11, 12.12), Imlek
Gunakan dummy variables untuk event khusus
Update seasonal indices setiap tahun

🚨 Bagian 8: 8 Kesalahan Fatal dalam Time-Series Forecasting

❌ Kesalahan #1: Percaya 100% pada Forecast

Selalu sertakan confidence interval. Siapkan skenario best/worst case.

❌ Kesalahan #2: Ekstrapolasi Terlalu Jauh

Forecast maksimal 2-3 periode ke depan untuk data bulanan, 1-2 tahun untuk data tahunan.

❌ Kesalahan #3: Tidak Cek Stasioneritas

Selalu cek stasioneritas (plot, ADF test) sebelum pakai AR model.

❌ Kesalahan #4: Mengabaikan Seasonal Pattern

Pakai metode yang menangani seasonal (Winters, decomposition, SARIMA).

❌ Kesalahan #5: Tidak Validasi Model

Split data jadi training (70-80%) dan testing (20-30%).

❌ Kesalahan #6: Pakai Model Kompleks Tanpa Alasan

Mulai dari model sederhana. Naik ke kompleks hanya kalau simple model performanya buruk.

❌ Kesalahan #7: Tidak Update Forecast

Update forecast setiap periode baru tersedia (rolling forecast).

Kesalahan #8: Mengabaikan Context & Judgment

Gabungkan forecast kuantitatif + judgment kualitatif.

💡 Self-Check Sebelum Present Forecast:

☑️ Sudah sertakan confidence interval?
☑️ Sudah validasi model dengan data testing?
☑️ Sudah cek asumsi (stasioneritas, residual)?
☑️ Sudah pertimbangkan informasi kualitatif terbaru?
️ Sudah siapkan skenario alternatif?
☑️ Sudah jelaskan keterbatasan forecast ke stakeholder?

✅ Bagian 9: Ringkasan & Checklist Praktis Sesi 14

🗺️ Peta Konsep Sesi 14

Metode	Cocok Untuk	Rumus Utama
Naïve	Baseline	Fₜ₊₁ = Y
Moving Average	Data tanpa trend/seasonal	MA(k) = rata-rata k observasi
Exponential Smoothing	Data dengan pola berubah	Fₜ₊₁ = αYₜ + (1−α)F
Linear Trend	Pertumbuhan konstan	Tₜ = b₀ + b₁t
Exponential Trend	Pertumbuhan persentase	Yₜ = b₀ × b₁^t
AR(p)	Autokorelasi kuat	Yₜ = A₀ + A₁Y₋₁ + … + δₜ
Winters	Trend + Seasonal	3 persamaan (level, trend, seasonal)

📋 Checklist 10 Langkah Time-Series Forecasting

☑️ Sudah plot data dan identifikasi pola?
☑️ Sudah cek stasioneritas (ADF test)?
☑️ Sudah split data training-testing (70-30)?
☑️ Sudah coba minimal 3 model berbeda?
☑️ Sudah bandingkan akurasi (MAPE, RMSE)?
☑️ Sudah cek residual (apakah white noise)?
☑️ Sudah pilih model terbaik dengan prinsip parsimony?
☑️ Sudah generate forecast dengan confidence interval?
☑️ Sudah pertimbangkan informasi kualitatif terbaru?
☑️ Sudah jelaskan keterbatasan forecast ke stakeholder?

MAPE: MAPE = [Σ|(Yₜ − F)/Yₜ| / n] × 100%

💡 Prinsip LEAN untuk Forecasting:
“Forecasting adalah seni menggabungkan data, model, dan judgment — bukan ramalan ajaib.”

Selalu ingat:

Semua model salah, tapi beberapa berguna — George Box
Lebih baik kira-kira benar daripada tepat salah
Forecast adalah starting point, bukan final answer

📚 Persiapan Sesi Berikutnya

Setelah menguasai time-series forecasting, Anda siap masuk ke topik advanced seperti ARIMA, VAR, dan Machine Learning untuk time-series (LSTM, Prophet). Selamat! 🎉

📖 Mau versi lebih teknis dengan Excel/SPSS output?
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas.

↓ Gulir ke bawah untuk materi pelengkap ↓

Learning Guide

Sesi ini membahas peramalan bisnis sebagai dasar perencanaan dan pengambilan keputusan strategis. Fokus diberikan pada analisis deret waktu (time series) dan berbagai metode peramalan kuantitatif.

Learning Objectives

Menjelaskan pentingnya peramalan bisnis
Mengidentifikasi komponen deret waktu
Menggunakan metode peramalan yang sesuai

16.1 Importance of Business Forecasting

Peramalan digunakan untuk:

Perencanaan produksi dan persediaan
Penganggaran dan perencanaan keuangan
Penentuan kapasitas dan sumber daya

Prinsip Penting:
Peramalan tidak bertujuan untuk memprediksi masa depan secara pasti, melainkan mengurangi ketidakpastian.

16.2 Components of a Time Series

Trend: arah jangka panjang
Seasonal: pola musiman
Cyclical: fluktuasi siklus ekonomi
Irregular: variasi acak

16.3 Forecasting Methods

a. Moving Averages

Digunakan untuk data tanpa tren dan musiman yang kuat.

b. Exponential Smoothing

Memberikan bobot lebih besar pada data terbaru.

c. Trend Models

Linear trend
Quadratic trend
Exponential trend

d. Autoregressive Models

Nilai masa lalu digunakan sebagai prediktor nilai masa depan.

e. Seasonal Least-Squares Models

Digunakan ketika data memiliki pola musiman yang konsisten.

Pemilihan Metode:
Tergantung pada pola data (trend, seasonal) dan tujuan peramalan.

Praktik Excel

=FORECAST.LINEAR()
=FORECAST.ETS()

Sumber: Levine et al. (2017), Chapter 16

Statistika Bisnis Sesi 13

Stat Bis