Metode Peramalan Deret Waktu Pika Silvianti, M.Si Akbar Rizki, M.Si
Toleransi 15 menit Absen Pakaian Sopan dan Rapi Pengguna kaos pendek/tanpa lengan dan ketat dilarang mengikuti perkuliahan Pengguna sandal juga dilarang mengikuti perkuliahan
A>=75; 75>AB>=70; 70; 70>B>=65; 65>BC>=60; 60>C>=50; 50>D>=40; E<40 Penilaian UTS UAS PR Paper Quiz
What is a forecast? Why Forecast? Forecasting Forecast Types How to Forecast
enables us to do something about it. to discern what is most likely to happen in the future, https://researchplaybook.wordpress.com/2010/08/25/why do we forecast/
Good Forecasting
We gain insight into what could happen next. This insight allows users of the forecast to take action and influence the vision of the future offered by the forecaster.
Forecasting Types
Qualitative forecasting techniques are subjective, based on the opinion and judgment of consumers, experts; they are appropriate when past data are not available. Predicting the impact of gasoline price if and when it hits rp. 10.000/ltr.
Quantitative forecasting models are used to forecast future data as a function of past data; they are appropriate when past data are available. (http://en.wikipedia.org/wiki/forecasting#qualitative_vs._quantitative_methods )
1. Information about the past is available. 2. This information is available in the form of numerical data 3. Assumption of continuity: i It can be assumed that some aspects of the past pattern will continue into the future. Continuity assumption is also need for qualitative forecasting https://web.njit.edu/
data yang diamati berdasarkan urutan waktu dengan rentang yang sama (jam, hari, minggu, bulan, tahun, dsb) Misalnya : data ekspor gula tahunan, data nilai tukar rupiah harian, dsb. pertanian Data produksi beras tahunan
Data keuangan Data Stok Barang Data supply demand Data daya tukar nilai uang
Kapan data didekati dengan metode deret waktu? Kalau diduga kuat bahwa keragaman dalam data ada faktor waktu yang dominan (faktor faktor lain yang mempengaruhi, juga dipengaruhi waktu)
Data deret waktu secara teoritis ditulis sebagai: dimana
Secara garis besar, data DW dibedakan menjadi dua, yaitu stasioner dan tidak stasioner Dikatakan stasioner apabila data DW memiliki nilai tengah (rataan) dan ragam (fluktuasi) yang konstan dari waktu ke waktu
8 7 6 5 4 3 2 EKSPOR 1 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 Sequence number
10 0-10 -20 PR ROFIT -30 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 Sequence number
Secara garis besar pola data time series adalah: Pola Data Horizontal Terjadi bila data berfluktuasi di sekitar rata rata yang konstan. Contoh: Data penjualan yang konstan Pola Data Musiman Terjadi dibilamana suatu deret tdipengaruhi oleh lh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari hari pada minggu tertentu) Contoh: Data produksi tanaman
Pola Data Siklis Terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan mobil Pola Data Trend Terjadi bilamana kenaikan atau penurunan sekuler jangka panjang dalam data Contoh: GNP Pola Gabungan antara beberapa pola yang telah disebutkan diatas.
Pola Data Time Series 9 50 8 45 7 40 35 6 30 5 25 4 20 3 15 2 10 1 5 18 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0 Konstan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 Trend 16 25 14 20 12 10 15 8 6 10 4 5 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 Seasonal 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 Cyclic
Dt Data deret waktu terdiri iatas 3 komponen: Komponen Musiman Komponen tren dan siklik Komponen sisaan (containing anything else in the time series). ModelAditif Yt=St+Tt+Et, dengan: yt=data periode t, St= komponrenmusiman musiman periode t, Tt=komponen tren siklik periode t Et komponen sisaan(or irregular or error) period t. Model Multiplikatif Yt=St Tt Et.
Time Series plot sangat penting untuk melihat pola data deret waktu yang akan kita analisa lebih lanjut. Dibawah ini adalah contoh data deret waktu penjualan yang memiliki pola musiman. Time Series Plot of penjualan 18 16 14 12 penjuala an 10 8 6 4 2 0 1 7 14 21 28 35 Index 42 49 56 63 70
Pemulusan Peramalan Pemodelan
Problem definition Data Collection Data Analysis Forecasting Model Deployment Model Validation Model Selection and Fitting Monitoring Forecasting Model Performance
ARIMA (Autoregressive Integrated Moving Average) pada dasarnya menggunakan fungsi deret waktu, metode ini memerlukan pendekatan model identifikasi serta penaksiran awal dari paramaternya. Sebagai contoh: peramalan nilai tukar mata uang asing, pergerakan nilai IHSG. Regresi menggunakan dummy variabel dalam formulasi matematisnya. Sebagaicontoh: kemampuan dalammeramal meramal sales suatu produk berdasarkan harganya.
Bayesian merupakan metode yang menggunakan state space berdasarkan model dinamis linear (dynamical linear model). Sebagai contoh: menentukan diagnosa suatu penyakit berdasarkan data data gejala (hipertensi atau sakit jantung), mengenali warna berdasarkan fitur indeks warna RGB, mendeteksi warna kulit (skin detection) berdasarkan fitur warna chrominant. Metode smoothing dipakai untuk mengurangi ketidakteraturan data yang bersifat musiman dengan cara membuat keseimbangan rata rata dari data masa lampau.
MetodePemulusan (Smoothing) Rata rata bergerak tunggal (single moving average) utkdata stasioner Pemulusan exponensial tunggal (single exponential smoothing) utk data stasioner Pemulusan exponensial ganda (double exponential smoothing) utk data tidak stasioner Pemulusan Metode Winter utkdata yang ada faktor musiman Metode Pemodelan Box Jenkins (ARIMA)
qualitative forecasting techniques relied on human judgments and intuition more than manipulation of past historical data, atau metode yang hanya didasarkan kepada penilaian dan intuisi, bukan kepada pengolahan data historis.
Beberapa ukuran yang dapat dipakai untuk penilaian seberapa baik metode mengepas data: Mean Absolute Deviation (MAD) n 1 MAD = X ˆ t X t n t = 1 Mean Squared Deviation (MSD) n 1 MSD = ( X Xˆ ) n t = 1 t Mean Absolute Percentage Error (MAPE) n 1 X ˆ t Xt MAPE = 100% n X t= 1 t t 2
AIC (Akaike information criterion) BIC (Bayesian information criterion) TUGAS 1 MINGGU DEPAN
No. Pokok Bahasan Perkiraan Waktu Daftar (menit) Kepustakaan 1. Pendahuluan 1 x (2 x 50 ) 1: Bab 1 2. Metode Pemulusan Rataan Bergerak 1 x (2 x 50 ) Sederhana (RBS) dan Rataan Bergerak Ganda (RBG) 3. Metode Pemulusan Eksponensial 1 x (2 x 50 ) 1: Bab 4 Sederhana 4. Metode Pemulusan Eksponensial 1 x (2 x 50 ) 1: Bab 4 Ganda 5. Metode Pemulusan Winter (Aditif) 1 x (2 x 50 ) 1: Bab 4 6. Metode Pemulusan Winter 1 x (2 x 50 ) 1: Bab 4 (Multiplikatif) 7. Model Regresi untuk Data Deret 1 x (2 x 50 ) 4 : Bab 4 Waktu (1)
8. Model Regresi untuk Data Deret Waktu 1 x 4 : Bab 4 (2) (2 x 50 ) 9. Model Regresi untuk Data Deret Waktu 1 x 4 : Bab 4 (3) (2 x 50 ) 10. Model Regresi dengan peubah lag 1 x 3 : Bab 2 dan Bab 3 (2 x 50 ) 11. Pemodelan Data Deret Waktu 1 x 2 : Bab 4 Stasioner Berdasarkan Noise (2 x 50 ) 12. Pengidentifikasian Model 1 x 2 : Bab 6 (2 x 50 ) 13. Pendugaan Parameter Model, 1 x 2: Bab 7 dan Bab 8 Diagnostik dan Peramalan (1) (2 x 50 ) 14. Pendugaan Parameter Model, 1 x Diagnostik dan Peramalan (2) (2 x 50 ) 2: Bab 9
1. Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis 2nd. John Wiley 2. Cryer, J.D. and Chan, K.S. 2008. Time Series Analysis with Application in R. Springer 3. Abraham, B and Ledolter, J. 2005. Statistical Methods for Forecasting, John Wiley 4. Hyndman, R.J and Athanasopoulos, G. 2013. Forecasting: principles i and practice https://www.otexts.org/fpp/6/1
Catatan Kuliah dapat di download di Catatan Kuliah dapat di download di pikasilvianti.staff.ipb.ac.id
Carilah data deret waktu dalam bidang keilmuan anda (minimal 10 series), buat plot deret waktunya dan berikan komentar anda Contoh: