Program Studi Statistika, Departemen Pendidikan Matematika FMIPA UNY menerima visiting Professor yaitu Prof. Paulo Canas Rotrigues, Director of the Statistical Learning Laboratory (SaLLy). Beliau juga merupakan President of International Society for Business and Industrial Statistics (ISBIS). Kegiatan ini berdiskusi tentang topik 'Pengenalan Peramalan Deret Waktu dan Model ARIMA’ (Introduction to time Series Forecasting and ARIMA Models).
Topik ini membahas tentang forecasting atau peramalan, dan ARIMA Models. Dalam ilmu statistika, peramalan digunakan untuk memprediksi masa depan seakurat mungkin, mengingat semua informasi yang tersedia, termasuk data historis dan pengetahuan tentang peristiwa masa depan yang mungkin memengaruhi perkiraan. Forecasting dibagi menjadi tiga, yaitu jangka pendek, menengah, dan panjang.
Paulo Canas menjelaskan bahwa 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, untuk membeli bahan baku, merekrut personel, atau membeli mesin dan peralatan. 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.
“Model ARIMA 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. Selain itu juga dalam diskusi ini juga dikelaskan teknik autokorelasi. 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”, lanjutnya.