ANALISIS DERET WAKTU

Transkripsi

1 ANALISIS DERET WAKTU

2 JENIS DATA Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time Series Satu pengamatan diamati selama sekian periode secara teratur Harga saham P.T. TELKOM di BEJ dari 2 Januari 2008 hingga 27 Februari 2008 Longitudinal/panel Beberapa pengamatan diamati bersama-sama selama kurun waktu tertentu (gabungan cross section dan time series) Harga saham P.T. TELKOM, P.T. INDOSAT, dan P.T. Mobile8 di BEJ dari 2 Januari 2008 hingga 27 Februari 2008

3 9 POLA DATA TIME SERIES Konstan Trend Seasonal Cyclic

4 METODE FORECASTING Metode forecasting dapat dibedakan menjadi dua kelompok: Smoothing Moving average, Single Exponential Smoothing, Double Exponential Smoothing, Metode Winter Modeling ARIMA, ARCH/GARCH

5 SMOOTHING

6 SEKILAS TENTANG SMOOTHING Prinsip dasar: pengenalan pola data dengan menghaluskan variasi lokal. Prinsip penghalusan umumnya berupa rata-rata. Beberapa metode penghalusan hanya cocok untuk pola data tertentu.

7 METODE YANG DIBAHAS Single Moving Average Double Moving Average Single Exponential Smoothing Double Exponential Smoothing Metode Winter untuk musiman aditif Metode Winter untuk musiman multiplikatif

8 SINGLE MOVING AVERAGE Ide: data pada suatu periode dipengaruhi oleh data beberapa periode sebelumnya Cocok untuk pola data konstan/stasioner Prinsip dasar: Data smoothing pada periode ke-t merupakan rata-rata dari m buah data dari data periode ke-t t hingga ke-(t-m+1) 1 S t m i t m 1 Data smoothing pada periode ke-t berperan sebagai nilai forecasting pada periode ke-t+1 F t = S t-1 dan F n,h = S n X i

9 ILUSTRASI MA DENGAN M=3 Periode (t) Data (X t ) Smoothing (S t ) Forecasting (F t )

10 PENGARUH PEMILIHAN NILAI M Semula MA (m=3) MA (m=6) Waktu MA dengan m yang lebih besar menghasilkan pola data yang lebih halus.

11 DOUBLE MOVING AVERAGE Mirip dengan single moving average Cocok untuk data yang berpola tren Proses penghalusan dengan rata-rata dilakukan dua kali Tahap I: S 1, t 1 t m i t m 1 X i Tahap II: S t 1 2, t S1, i m i t m 1

12 DOUBLE MOVING AVERAGE (LANJUTAN) Forecasting dilakukan dengan formula dengan F2, t, t h At Bt ( h) A 2S S t 1, t 2, t 2 B S S m 1 t 1, t 2, t

13 ILUSTRASI DMA DENGAN M=3 t X t S 1,t S 2,t A t B t F 2,t

14 SINGLE EXPONENTIAL SMOOTHING Metode Moving Average mengakomodir pengaruh data beberapa periode sebelumnya melalui pemberian bobot yang sama dalam proses merata-rata. Hal ini berarti bobot pengaruh sekian periode data tersebut dianggap sama. Dalam kenyataannya, bobot pengaruh data yang lebih baru mestinya lebih besar. Adanya perbedaan bobot pengaruh ini diakomodir metode SES dengan menetapkan bobot secara eksponensial.

15 SINGLE EXPONENTIAL SMOOTHING (LANJUTAN) Nilai smoothing pada periode ke-t: S t = X t + (1 ) S t 1 Nilai merupakan parameter pemulusan dengan nilai 0 < < 1. S 1 biasanya diambil dari rataan beberapa data pertama (5 untuk MINITAB) Nilai smoothing pada periode ke-t bertindak sebagai nilai forecast pada periode ke-(t+1) F t = S t 1 dan F n,h = S n

16 BOBOT PENGHALUSAN MA VS SES Perbandingan Bobot Penghalusan Moving Average Dengan Single Exponential Smoothing Bobot dalam penghalusan SES(0.7) MA(3) MA(6) Periode sebelumnya

17 ILUSTRASI SES DENGAN = 0.2 Periode (t) Data (X t ) Smoothing (S t ) Forecasting (F t )

18 PEMILIHAN MODEL Beberapa model dapat diterapkan untuk data yang sama (MA dengan m = 3 atau m = 6, SES dengan = 0.3 atau = 0.4) mana yang dipilih?? Membagi data menjadi dua bagian, training dan testing Training: bagian data yang digunakan untuk smoothing atau modeling Testing: bagian data yang digunakan untuk verifikasi

19 PEMILIHAN MODEL (LANJUTAN) Semula MA(m=3) MA(m=6) SES(0.3) SES(0.4) Waktu

20 ACCURACY MEASURES Beberapa ukuran yang dapat dipakai untuk penilaian seberapa baik metode mengepas data: Mean Absolute Deviation (MAD) n 1 MAD X Xˆ n t 1 t Mean Squared Deviation (MSD) n 1 MSD ( X Xˆ ) n t 1 t t t 2 Mean Absolute Percentage Error (MAPE) n 1 X ˆ t X MAPE n X t 1 t t 100%

21 DOUBLE EXPONENTIAL SMOOTHING Digunakan untuk data yang memiliki pola tren Semacam SES, hanya saja dilakukan dua kali Pertama untuk tahapan level Kedua untuk tahapan tren

22 DOUBLE EXPONENTIAL SMOOTHING (LANJUTAN) Nilai smoothing data ke-t: S t = L t-1 + T t-1 T t = (L t L t-1 ) + (1- )T t-1 L t = X t + (1- )(L t-1 + T t-1 ) Bila: Y t = a + b*t + e, maka L 0 = a dan T 0 = b Nilai forecasting diperoleh dengan formula F t,h = L t + h*t t

23 ILUSTRASI DES DENGAN = 0.2 DAN = 0.3 t X t L t T t S t F t

24 METODE WINTERS Merupakan salah satu pendekatan smoothing untuk data yang berpola musiman (seasonal) Memiliki dua prosedur penghitungan tergantung kondisi data: Aditif: komponen musiman bersifat aditif dengan komponen level dan tren Multiplikatif: komponen musiman bersifat multiplikatif dengan komponen level dan tren

25 SEASONAL ADITIF VS MULTIPLIKATIF Aditif Multiplikatif

26 METODE WINTERS - ADITIF Komponen model: L t = (Y t M t p ) + (1 )(L t 1 + T t 1 ) T t = (L t L t 1 ) + (1 )T t 1 M t = (Y t L t ) + (1 )M t-p Nilai Smoothing: S t = L t + T t + M t p Nilai Forecast: F t,h = L t + h*t t + M t p+h

27 NILAI AWAL - ADITIF Ambil 2q data pertama (q: ordo musiman) Hitung rata-rata masing-masing musim Musim I Musim II V V 1 2 q 1 q i 2q q i q 1 X X i i T 0 = (V 2 V 1 )/q L 0 = V 2 + T 0 (q 1)/2 Deseasonalized data: S t = X t (L 0 + tt 0 ) t = 2q+1, 2q+2,, 0 M q+1 = (M 2q+1 + M q+1 )/2,, M 0 = (M q + M 0 )/2

28 METODE WINTERS - MULTIPLIKATIF Komponen model: L t = (Y t M t p ) + (1 )(L t 1 + T t 1 ) T t = (L t L t 1 ) + (1 )T t 1 M t = (Y t L t ) + (1 )M t-p Nilai Smoothing: S t = (L t + T t )M t p Nilai Forecast: F t,h = (L t + h*t t )M t p+h

29 NILAI AWAL - MULTIPLIKATIF Serupa dengan versi aditif, hanya berbeda dalam menghitung deseasonalized data, di mana: S t = X t / (L 0 + tt 0 ) t = 2q+1, 2q+2,, 0

30 TREND ANALYSIS Konsep seperti regresi Peubah y Series data Peubah x Waktu Model: linier, kuadratik, eksponensial Y = 3 + 2*t + t Linier Kuadratik Eksponensial Y = 3 * 1.3 t Y = 3 + 2*t