LAPORAN PRAKTIKUM PENGOLAHAN DATA PERIKANAN

ACARA VIII
TIME SERIES


Oleh:
Brigitta Laksmi Paramita
11/318053/PN/12375
Teknologi Hasil Perikanan



JURUSAN PERIKANAN
FAKULTAS PERTANIAN
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2013




I. TINJAUAN PUSTAKA

Analisis time series merupakan hubungan antara variabel yang dicari (dependent)
dengan variabel yang mempengaruhi-nya (independent variable), yang dikaitkan dengan
waktu seperti mingguan, bulan, triwulan, catur wulan, semester atau tahun (Kazmir, 2003).
Ukuran akurasi secara umum yang dipergunakan untuk peramalan. Berikut ini adalah
macam-macam ukuran peramalan berserta penjabarannya menurut Gaspersz (2004):
1. Mean Absolute Deviation
Rata-rata penyimpangan absolut merupakan penjumlahan kesalahan prakiraan tanpa
menghiraukan tanda aljabarnya dibagi dengan banyaknya data yang diamati, yang
dirumuskan sebagai berikut:



2. Mean Forecast Error
Rata-rata kesalahan kuadrat (MSE, mean square error) memperkuat pengaruh angka-
angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih
kecil dari satu unit.



3. Mean Absolute Percentage Error
Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara-
cara persentase kesalahan absolute, (MAPE) menunjukkan rata-rata kesalahan absolut
prakiraan dalam bentuk persentasenya terhadap data aktualnya.\



4. Tracking Signal
Pada setiap peramalan, tracking signal terkadang digunakan untuk melihat apakah
nilai-nilai yang dihasilkan berada didalam atau diluar batas-batas pengendalian
dimana nilai-nilai tracking signal itu bergerak antara -4 sampai +4. Tracking signal
yang memiliki nilai MAD terkecil maka aakan dibuat peta moving range berdasarkan
MAD tersebut.


5. Moving Range
Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Dengan kata lain, dapat melihat data permintaan aktual dan
membandingkannya dengan nilai peramalan pada periode yang sama. Peta tersebut
dikembangkan ke periode yang akan datang hingga dapat membandingkan data
peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian
kestabilan sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan
peta moving range adalah sebagai berikut (Hezier, 2005):









Pada peta Moving Range jika ditemukan satu titik yang berada diluar batas
kendali pada saat peramalan diverifikasi maka harus ditentukan apakah data harus
diabaikan atau mencari peramalan baru. Jika ditemukan sebuah titik berada diluar
batas kendali maka harus diselidiki penyebabnya. Penemuan itu mungkin saja
membutuhkan penyelidikan yang ekstensif. Jika semua titik berada di dalam batas
kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik.
Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang
didapat kuran baik dan harus direvisi. Kegunaan peta Moving Range yang pertama
ialah untuk melakukan verifikasi hasil peramalan Least Square terdahulu. Dalam
kasus-kasus tersebut, jika peta Moving Range menunjukkan keadaan diluar kriteria
kendali, maka hal itu berarti ada data yang tidak berasal dari sistem sebab-akibat yang
sama dan harus dibuang. Fungsi peramalan pun harus diulangi lagi.



II. INTERPRETASI DATA
1. Metode Naive
Hasil pada metode Naive disajikan pada tabel di bawah ini:
Week Value Naive
Forecase
Error Absolute
Square
Error
Percentage
Error
Absolute
Percentage
Error
1 18
2 13 18 -5 5 25 -38% 38%
3 16 13 3 3 9 19% 19%
4 11 16 -5 5 25 -45% 45%
5 17 11 6 6 36 35% 35%
6 14 17 -3 3 9 -21% 21%

MAE MSE

MAPE
4.4 20.8

32%

Dalam metode ini, diperoleh Mean Average Error, Mean Square Error, dan
Mean Average Percentage Error dengan cara menghitung Forecast Error, Absolute,
Square Error, Percentage Error, dan Absolute Percentage Error terlebih dahulu,
yang rumusnya akan dijabarkan di bawah ini:
a. Forecast Error = Value - Naive
b. Absolute = Pemutlakkan dari nilai i
c. Square Error = Kuadrat dari nilai Absolute
d. Percentage Error = (Forecast Error/Value) x 100%
e. Absolute Percentage Error = Pemutlakkan dari nilai Percentage
Error
Setelah didapatkan nilai dari masing-masing tersebut, dihitung Mean Average
Error yang merupakan rata-rata dari Absolute, Mean Square Error yang merupakan
rata-rata dari nilai Mean Square Error, dan Mean Average Percentage Error yang
merupakan rata-rata dari Absolute Percentage Error sehingga didapat nilai Mean
Average Error pada metode nave sebesar 4,4; Mean Square Error sebesar 20,8; dan
Mean Average Percentage Error sebesar 32%.


2. Metode Average of Past Values
Hasil pada metode Average of Value disajikan pada tabel di bawah ini:
Average Of
Past Value Forecase Error Absolute
Square
Error
Percentage
Error
Absolute
Percentage Error

18.00 -5.00 5.00 25.00 -38% 38%
15.50 0.50 0.50 0.25 3% 3%
15.67 -4.67 4.67 21.78 -42% 42%
14.50 2.50 2.50 6.25 15% 15%
15.00 -1.00 1.00 1.00 -7% 7%

MAE MSE

MAPE
2.73 10.86

21%

Dalam metode ini, diperoleh Mean Average Error, Mean Square Error, dan
Mean Average Percentage Error dengan cara yang sama dengan metode Nave yaitu
menghitung Forecast Error, Absolute, Square Error, Percentage Error, dan Absolute
Percentage Error terlebih dahulu, yang rumusnya akan dijabarkan di bawah ini:
f. Forecast Error = Value - Naive
g. Absolute = Pemutlakkan dari nilai i
h. Square Error = Kuadrat dari nilai Absolute
i. Percentage Error = (Forecast Error/Value) x 100%
j. Absolute Percentage Error = Pemutlakkan dari nilai Percentage
Error
Setelah didapatkan nilai dari masing-masing tersebut, dihitung Mean Average Error
yang merupakan rata-rata dari Absolute, Mean Square Error yang merupakan rata-
rata dari nilai Mean Square Error, dan Mean Average Percentage Error yang
merupakan rata-rata dari Absolute Percentage Error sehingga didapat nilai Mean
Average Error pada metode nave sebesar 2,73; Mean Square Error sebesar 10,86;
dan Mean Average Percentage Error sebesar 21%.
Perbandingan metode Naive dengan metode Average of Value dapat
ditampilkan pada tabel berikut:

Naive Average of past values
MAE 4.4 2.73
MSE 20.8 10.86
MAPE 32% 21%

Berdasarkan tabel di atas, dapat diketahui bahwa nilai eror pada metode naive
lebih tinggi dari nilai eror metode Average of Value. Hal ini berarti tingkat
kepercayaan metode Average of Value lebih tinggi dari metode Naive. Hasil ini
diperkuat dengan grafik di bawah ini:


Berdasarkan grafik di atas, dapat dilihat bahwa hasil pada metode Average of
Value lebih stabil dibandingkan dengan grafik metode Nave. Hal ini disebabkan
karena tingkat eror pada metode Average of Value lebih kecil sehingga kecil
kemungkinan terjadinya penyimpangan dan menghasilkan grafik yang tidak berkelok-
kelok.

3. Moving Average Model
Metode ini bertujuan untuk mengetaui pola peramalan dan peramalan nilai
penjualan. Untuk mengetahui pola peramalan, yang harus dillakukan adalah dengan
cara menghitung Moving Average Forecast, Ratio to Moving Average, Unajusted
Seasonal Index, Adjusted Seasonal Index, Seasonally Adjusted, Trend Forecast, dan
Seasonally Adjust Forecast yang cara perhitungannya akan dijabarkan sebagai
berikut:
1. Moving Average Forecast = Rata-rata penjualan dalam satu tahun
2. Ratio to Moving Average = Penjualan/Moving Average Forecast
3. Unajusted Seasonal Index = Rata-rata Ratio to Moving Average setiap
bulan di setiap tahun, misal, bulan Ratio to Moving Average di bulan September
pada tahun 1,2, dan 3.
4. Adjusted Seasonal Index = Unajusted Seasonal Index/rata-rata dari
Unajusted Seasonal Index
0
5
10
15
20
0 2 4 6 8
Penaksiran Nilai Penjualan
Value
Naive
average of past
value
0.00
1.00
2.00
3.00
4.00
5.00
0 20 40 60
Pola Peramalan
Sales
Seasonally
adjusted (sales-
asi)
5. Seasonally Adjusted = Penjualan/Adjusted Seasonal Index
6. Trend Forecast =
Dihitung berdasarkan hasil analisis anova sebagai berikut:
ANOVA
df SS MS F Significance F
Regression 1 0.618211705 0.618212 0.902733 0.347015498
Residual 46 31.50183621 0.684823
Total 47 32.12004792

Coefficients
Standard
Error t Stat P-value Lower 95%
Upper
95%
Lower
95.0%
Upper
95.0%
Intercept 2.338254 0.2426724 9.635434 1.31E-12 1.849779396 2.8267277 1.8497794 2.8267
X
Variable
1 0.008192 0.0086221 0.950122 0.347015 -0.00916331 0.0255474 -0.009163 0.0255

Setelah dilakukan uji anova seperti di atas, Trend forecast dihitung dengan
persamaan garis y = a + bx dengan a adalah Intercept, b adalah X Variable, dan x
adalah periode.
7. Seasonally Adjust Forecast = Trend Forecast/Adjusted Seasonal Index









Grafik di atas merupakan grafik pola peramalan yang menggunakan data
penjualan dan Seasonally Adjusted. Berdasarkan grafik di atas, dapat diketahui bahwa
penjualan dan pola peramalannya tidak tetap atau berubah-ubah. Hal ini ditunjukkan
dengan bentuk grafik yang berkelok-kelok.

y = 0.0082x + 2.3383
0.00
1.00
2.00
3.00
4.00
5.00
0 20 40 60 80
Peramalan Nilai Penjualan
Sales
Trend Forecast
(y=a+bx)
Seasonally Adjust
Forecast (TF*ASI)
Linear (Trend Forecast
(y=a+bx))








Sama halnya dengan grafik pola peramalan, grafik peramalan nilai penjualan
di atas juga tidak tetap yang dicirikan dengan bentuk grafik yang berkelok-kelok. Hal
ini menunjukkan adanya tingkat kesukaan yang bersifat musiman.














DAFTAR PUSTAKA
Gaspersz, V. 2004. Production Planning and Inventory Control. Jakarta: Gramedia Pustaka.
Utama.
Heizer, Jay., Render, Barry. 2005. Operation Management 7th edition. Manajemen
Operasi edisi 7, Buku 1. Jakarta: Penerbit Salemba Empat.
Kasmir, Jakfar. 2003. Studi Kelayakan Bisnis. Jakarta : Prenada Media.