YOGYAKARTA, JOGPAPER.NET — Prof Paulo Canas Rotrigues mengungkapkan Autoregressive Integrated Moving Average (ARIMA) Prediction Model dapat memprediksi masa depan lebih akurat. ARIMA merupakan model analisis statistik yang menggunakan data deret waktu untuk lebih memahami kumpulan data atau memprediksi tren masa depan.
Paulo Canas Rotrigues mengungkapkan hal tersebut pada Visiting Professor di Program Studi Statistika, Departemen Pendidikan Matematika, Fakultas Matematika Ilmu Pengetahuan Alam, Universitas Negeri Yogyakarta (FMIPA UNY), belum lama ini. Visiting Professor mengangkat topik ‘Pengenalan Peramalan Deret Waktu dan Model ARIMA (Introduction to Time Series Forecasting and ARIMA Models).’
Paulo Canas Rotrigues merupakan International Society for Business and Industrial Statistics (ISBIS) Executive Committee Members, Director of the Statistical Learning Laboratory (SaLLy). Paulo Canas Rotrigues juga President Federal University of Bahia, Brazil.
Dalam ilmu statistika, kata Paulo Canas, peramalan digunakan untuk memprediksi masa depan seakurat mungkin. Sebab semua informasi telah tersedia, termasuk data historis dan pengetahuan tentang peristiwa masa depan yang mungkin mempengaruhi perkiraan.
Forecasting atau peramalan, kata Paulo, dibagi menjadi tiga yaitu jangka pendek, menengah, dan panjang. Peramalan jangka pendek diperlukan untuk penjadwalan personel, produksi, dan transportasi. Sebagai bagian dari proses penjadwalan, peramalan permintaan sering kali juga diperlukan.
Peramalan jangka menengah diperlukan untuk menentukan kebutuhan sumber daya di masa mendatang. Di antaranya untuk menghitung pembelian bahan baku, merekrut personel, atau membeli mesin dan peralatan.
Sedang peramalan jangka panjang digunakan dalam perencanaan strategis. Keputusan tersebut harus memperhitungkan peluang pasar, faktor lingkungan, dan sumber daya internal.
Teknik statistika ARIMA Model, pendekatan analisis data untuk peramalan deret waktu. Model ARIMA bertujuan untuk menggambarkan autokorelasi dalam data. “Perataan eksponensial dan model ARIMA adalah dua pendekatan yang paling banyak digunakan untuk peramalan deret waktu. Keduanya saling melengkapi. Sedangkan model perataan eksponensial didasarkan pada deskripsi tren dan kemusiman dalam data,” kata Paulo.
Model ARIMA, tambah Paulo, dapat diterapkan dengan mengetahui konsep stasioneritas dan teknik pembedaan deret waktu. Model ini meliputi stasioneritas dan diferensiasi, notasi backshift, model autoregresif, model rata-rata bergerak, model ARIMA non-musiman, estimasi dan pemilihan order, model ARIMA dalam tabel, dan model ARIMA musiman.
“Autokorelasi digunakan untuk mengukur hubungan liner antara nilai-nilai yang tertinggal dari suatu deret waktu. Teknik analisis ini sangat bermanfaat dan banyak digunakan di industri Perusahaan untuk analisis data,” tandas Paulo Canas Rotrigues. (*)
