🎥 Video Kuliah: Time-Series Forecasting
Video berikut dari seri Business Decision Modeling memberikan pengantar visual yang sangat baik untuk konsep-konsep time-series forecasting.
🎯 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.
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 Prediksi |
|---|---|---|
| Inventory | Berapa unit yang harus ada di gudang 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 |
Sebuah e-commerce ingin menyiapkan stok untuk Harbolnas 12.12. Jika prakiraan salah:
- Prakiraan terlalu rendah: Stok habis di hari H, customer kecewa, pindah ke kompetitor. Kerugian: Rp500 juta potensi penjualan hilang.
- Prakiraan 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
- ❌ “Forecasting bisa memprediksi masa depan dengan pasti.” → Salah!
- ❌ “Model kompleks selalu lebih baik.” → Salah!
- ❌ “Sekali prediksi, selesai.” → Salah!
Untuk memahami prinsip dasar forecasting dan aplikasinya di industri, baca NIST Engineering Statistics Handbook – Introduction to Time Series.
📊 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
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
- Aditif: Kalau variasi seasonal konstan
- Multiplikatif: Kalau variasi seasonal proporsional dengan level
📈 Bagian 3: Smoothing Methods — Moving Average & Exponential Smoothing
🤔 Apa Itu Smoothing?
Smoothing = teknik untuk menghaluskan fluktuasi acak sehingga pola dasar (trend, seasonal) lebih terlihat.
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)
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)
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
Baik MA maupun ES TIDAK BISA menangkap trend yang kuat atau pola seasonal. Untuk data dengan trend/seasonal, butuh metode yang lebih canggih.
Untuk memahami perbedaan moving average dan exponential smoothing dengan contoh visual, baca Wikipedia: Exponential Smoothing.
📊 Bagian 4: Least-Squares Trend Fitting — Linear, Quadratic, Exponential
📊 1. Linear Trend
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
Untuk data dengan percepatan atau perlambatan trend.
📊 3. Exponential Trend
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 |
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.
- 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)
Setelah estimasi: Yₜ = 2,5 + 0,75Yₜ₋₁
- A₁ = 0,75: Omzet hari ini 75% ditentukan oleh omzet kemarin
- Jika kemarin omzet Rp10 juta, besok diprediksi: Y = 2,5 + 0,75(10) = Rp10 juta
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
“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
- 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.
- 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.
- ☑️ 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 = Yₜ |
| Moving Average | Data tanpa trend/seasonal | MA(k) = rata-rata k observasi |
| Exponential Smoothing | Data dengan pola berubah | Fₜ₊₁ = αYₜ + (1−α)Fₜ |
| Linear Trend | Pertumbuhan konstan | Tₜ = b₀ + b₁t |
| Exponential Trend | Pertumbuhan persentase | Yₜ = b₀ × b₁^t |
| AR(p) | Autokorelasi kuat | Yₜ = A₀ + A₁Yₜ₋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?
🎯 Formula Sheet Ringkas
“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 Topik Advanced
Setelah menguasai time-series forecasting, Anda siap masuk ke topik advanced seperti:
- ARIMA — Autoregressive Integrated Moving Average
- VAR — Vector Autoregression untuk multivariate time-series
- Machine Learning untuk time-series — LSTM, Prophet
Selamat! 🎉
🚀 Siap Naik Level ke Advanced Time-Series?
Setelah menguasai fondasi forecasting di sesi ini, Anda siap menjelajahi topik-topik advanced seperti ARIMA, Vector Autoregression (VAR), dan Machine Learning untuk time-series (LSTM, Prophet). Metode-metode ini akan membuka pintu ke predictive analytics modern yang digunakan di industri fintech, e-commerce, dan data science.
🎓 Jelajahi Learning Path Lainnya →Selamat! Anda Telah Menyelesaikan Learning Path Statistika Bisnis!
Dari fondasi data (Sesi 01) sampai time-series forecasting (Sesi 14), Anda telah menguasai 14 modul lengkap statistika bisnis — dari deskriptif, inferensial, hypothesis testing, regresi, sampai forecasting. Ini adalah fondasi solid untuk riset bisnis, skripsi, tesis, dan karier di dunia data-driven.
“Statistics is the grammar of science.” — Karl Pearson
🎓 Kembali ke Learning Path & Eksplorasi Materi Lain