DERET BERKALA

(TIME SERIES)
Indra Sanjaya

DERET BERKALA (TIME SERIES)

Suatu deret berkala merupakan suatu himpunan observasi dimana variabel yang digunakan diukur dalam urutan periode waktu, misalnya tahunan, bulanan, triwulanan, dan sebagainya. Tujuan dari metode deret berkala adalah untuk menemukan pola data secara historis dan mengekstrapolasikan pola tersebut untuk masa yang akan datang. Peramalan didasarkan pada nilai variabel yang telah lalu dan atau peramalan kesalahan masa lalu.

KOMPONEN DERET BERKALA

Komponen Tren (Trend Component)

Merepresentasikan suatu perubahan dari waktu ke waktu (cenderung naik atau turun). Tren biasanya merupakan hasil perubahan dalam nilai produksi annual, perubahan iklim, kenaikan muka air laut, subsidence dan lain sebagainya.

Komponen Siklis (Cyclical Component)

Merepresentasikan rangkaian titik-titik dengan pola siklis (pergerakan secara siklis/naik-turun) di atas atau di bawah garis tren dalam kurung waktu satu tahun.

KOMPONEN DERET BERKALA

Komponen Musim (Seasonal Component)

Merepresentasikan pola berulang dengan durasi kurang dari 1 tahun dalam suatu deret berkala. Pola durasi dapat berupa jam atau waktu yang lebih pendek.

Komponen Tak Beraturan (Irregular Component)

Mengukur simpangan nilai deret berkala sebenarnya dari yang diharapkan berdasarkan komponen lain. Hal tersebut disebabkan oleh jangka waktu yang pendek (short-term) dan faktor yang tidak terantisipasi yang dapat mempengaruhi deret berkala.

METODE PERAMALAN
1. Rata-rata Bergerak (Moving Averages - MA) Menggunakan n nilai data terbaru dalam suatu deret berkala untuk meramalkan periode yang akan datang. Rata-rata perubahan atau pergerakan sebagai observasi baru. n Penghitungan rata-rata bergerak adalah sebagai Yi berikut: i n
MAn n

n jumlah periode dalam rerata bergerak Yi data dalam periode i

Contoh 1:
Dari laporan produksi bijih tembaga selama 10 bulan perusahaan A sebagai berikut di bawah ini susunlah peramalan menggunakan metode rata-rata bergerak 3 dan 5 bulanan Bulan Januari Pebuari Maret April Produksi (ton) 120 90 100 75

Rata-rata bergerak 3-bulanan

MAn

Y
i 1

Mei
Juni Juli Agustus September Oktober

110
50 75 130 110 90

3 120 90 100 3 103,3

MAn

Y
i 1

3 90 100 75 3 88,3

MAn

Y
i 1

3 100 75 110 3 95,0

dst

Bulan Januari Pebuari Maret April Mei Juni Juli Agustus

Produksi (ton) 120 90 100 75 110 50 75 130

Rata-rata bergerak 5-bulanan

MAn

Y
i 1

5 120 90 100 75 110 5 99,0

MAn

Y
i 1

5 90 100 75 110 50 5 85,0

September
Oktober

110
90

MA5

Y
i 1

5 100 75 110 50 75 5 82,0

dst

Bulan

Produksi per bln (ton)

Rata-rata bergerak 3-Bulanan

Rata-rata Bergerak 5 bulanan

Januari Pebuari Maret April Mei Juni Juli Agustus

120 90 100 75 110 50 75 130

103,3 88,3 95,0 78,3 78,3

99,0 85,0 82,0

September
Oktober November

110
90 -

85,0
105,0 110,0

88,0
95,0 91,0

MOVING AVERAGE (RATA-RATA BERGERAK)

METODE PERAMALAN
2. Rata-rata Bergerak Tertimbang (Weighted Moving Averages) Melibatkan penimbang untuk setiap nilai data dan kemudian menghitung rata-rata penimbang sebagai nilai peramalan. n Rumus: WMAn WiYi
i 1

.
Wi bobot untuk periode i (0 - 100%) Yi data dalam periode i
i

1.00

Contoh 2

Dalam contoh 1 perusahaan A menginginkan menghitung suatu rata-rata bergerak 3 bulanan dengan bobot 50 % untuk data bulan Oktober, 33% untuk data bulan september dan 17 % untuk data bulan Agustus. Bobot-bobot tersebut mencerminkan keinginan perusahaan bahwa sebagian besar data saat ini mempengaruhi secara kuat sebagian besar peramalannya
3

WMAn Wi Di
i 1

(0.50)(90) (0.33)(110) (0.17)(130 ) 103.4 ton

METODE PERAMALAN
3. Penghalusan Eksponensial (Exponential Smoothing) Merupakan kasus khusus dari metode Rata-rata Bergerak Tertimbang dimana penimbang dipilih hanya untuk observasi terbaru. Penimbang yang diletakkan pada observasi terbaru adalah nilai konstanta penghalusan, . Penimbang untuk nilai data lain dihitung secara otomatis dan semakin lama periode waktu suatu observasi nilainya akan lebih kecil.

RUMUS:
Ft 1 Yt (1 ) Ft Ft 1 Peramalan untuk periode t 1 Yt Data pada periode t Ft Peramalan untuk periode t faktor pembobotan

Contoh 3

Permintaan bijih timah terhadap perusahaan B selama 12 bulan lampau adalah seperti terlihat dalam tabel berikut. Perusahaan menginginkan mempertimbangkan peramalan menggunakan metode exponential smoothing dengan menggunakan faktor pembobotan (smoothing constant) sama dengan 0,30 dan 0,50
Periode Bulan Permintaan (ton)

1 2 3 4 5 6 7

Januari Pebuari Maret April Mei Juni Juli

37 40 41 37 45 50 43

8
9 10 11 12

Agustus
September Oktober November Desember

47
56 52 55 54

 = 0,30
Peramalan untuk periode 2 Ft 1 Y1 (1 ) F1 F2 (0,30)(37) (0,70)(37) 37 ton
Peramalan untuk periode 3 Ft 1 Y2 (1 ) F2 F3 (0,30)(40) (0,70)(37) 37,9 ton Peramalan untuk periode 4 Ft 1 Y3 (1 ) F3 F4 (0,30)(41) (0,70)(37,90) 38,83 ton

= 0,50
Peramalan untuk periode 2 Ft 1 Y1 (1 ) F1 F2 (0,50)(37) (0,50)(37) 37 ton
Peramalan untuk periode 3 Ft 1 Y2 (1 ) F2 F3 (0,50 )( 40 ) (0,50 )( 37 ) 38,50 ton

Peramalan untuk periode 4 Ft 1 Y3 (1 ) F3 F4 (0,50)(41) (0,50)(38,50) 39,75 ton

dst

dst

Periode

Bulan

Permintaan

Peramalan, Ft+1 =0,30 =0,50

1 2

Januari Pebuari

37 40

37,00

37,00

3
4 5 6 7 8 9 10 11

Maret
April Mei Juni Juli Agustus Septembe Oktober November

41
37 45 50 43 47 56 52 55

37,90
38,83 38,28 40,29 43,20 43,14 44,30 47,81 49,06

38,50
39,75 38,37 41,68 45,84 44,42 45,71 50,85 51,42

12
13

Desember
Januari

54
-

50,84
51,79

53,21
53,61

Exponential Smoothing

CONTOH

PT. X Coal Tbk adalah perusahaan yang bergerak dalam bidang pertambangan batubara. Untuk keperluan perencanaan pendapatan pada masa mendatang yang lebih baik, pihak manajemen ingin membangun model peramalan eksponensial smoothing. Pendapatan selama 10 tahun terakhir adalah sebagai berikut(Faktor pembobotan = 0,2 ): Tahun 1 2 3 4 5 6 7 8 9 10 Pendapatan (Juta US$) 34 40 35 39 41 36 33 38 43 40

Penghalusan Eksponensial (Exponential Smoothing) = 0.2, F1 = Y1 = 34 F2 = Y1 + (1 - )F1 = 0.2(34) + 0.8(34) = 34 F3 = Y2 + (1 - )F2 = 0.2(40) + 0.8(34) = 35.20 F4 = Y3 + (1 - )F3 = 0.2(35) + 0.8(35.20) = 35.16 . . . dan seterusnya

Tahun
1 2 3 4 5 6 7 8 9 10 11

pendapatan

Ramalan dg Exp. Smoothing

34.00 34.00 35.20 35.16 35.93 36.94 36.76 36.00 36.40 37.72 38.18

34 40 35 39 41 36 33 38 43 40 Ramalan untuk tahun y.a.d =

PENDAPATAN PT. X Coal Tbk

44 42 40 38 36 34 32 30 1 2 3 4 5 6 7 8 9 10

PENDAPATAN

TAHUN
Perkiraan

AKURASI PERAMALAN
Akurasi peramalan dapat diukur dari nilai berikut:

1. Mean Squared Error (MSE)

Merupakan rata-rata jumlah kuadrat kesalahan peramalan.

1 n ' 2 MSE ( Y Y t t) n t 1
2. Mean Absolute Deviation (MAD)

Merupakan rata-rata nilai absolut kesalahan peramalan.

1 n MAD Yt Yt' n t 1

Yt = nilai observasi

Yt = nilai perkiraan

Contoh : Selama 8 kuartal terakhir, Perusahaan X melakukan penambangan bijih kromit pada Pit Charlie. Manajer operasional tambang ingin menguji penggunaan penghalusan eksponensial utk melihat seberapa baik metode ini bekerja dlm memprediksi tonase bijih kromit yang ditambang dari Pit Charlie. Ia menebak peramalan produksi bijih kromit pada kuartal pertama adalah 175 ton. Dua nilai yg diuji =0,1 dan =0,5.

Penyelesaian :
Peramalan yg dibulatkan dgn =0,1
175 175,50 174,75 173,18 173,36 175,02 178,02 178,22 178,59

Kuartal
1 2 3 4 5 6 7 8 9

Tonase
180 168 159 175 190 205 180 182 ?

Peramalan yg dibulatkan dgn =0,5

175 177,50 172,75 165,88 170,44 180,22 192,61 186,30 184,15

Perhitungan MAD :
Kuartal 1 2 3 4 5 6 7 8 Tonase Aktual 180 168 159 175 190 205 180 182 Peramalan = 0,1 175 175,50 174,75 173,18 173,36 175,02 178,02 178,22 Deviasi Absolut =0,1 5,00 Peramalan = 0,5 175 177,50 172,75 165,88 170,44 180,22 192,61 186,30 Deviasi Absolut =0,5 5,00

7,50
15,75 1,82 16,64 29,98 1,98 3,78 82,45 10,31

9,50
13,75 9,12 19,56 24,78 12,61 4,30 98,62 12,33

Jumlah Deviasi Absolut MAD

Kesalahan Kuadrat Rata-rata (MSE)

Kuartal 1 Tonase B/M Aktual 180 Peramalan =01 175 (Kesalahan)2 25 56,25

2
3 4 5 6 7 8

168
159 175 190 205 180 182

175,50
174,75 173,18 173,36 175,02 178,02 178,22

248,06
3,33 276,89 898,70 3,92 14,31 1.526,46 190,80

Jumlah Kesalahan dikuadratkan = MSE=(Jumlah Kesalahan dikuadratkan)/n =

Latihan: Bulan Curah hujan

242

Januari

Februari
Maret April Mei

212
263 196 119

1. Eksponensial smoothing = 0,1; 0,2; 0.3; 0,4 dan 0.5 2. Nilai mana yang dianggap lebih dipercaya

Juni
Juli Agustus September Oktober

123
126 103 108 165 196 214

Nopember
Desember

SEKIAN