Anda di halaman 1dari 12

METODE DEKOMPOSISI, MODEL WINTER’S, REGRESI DERET

WAKTU, DAN MODEL ARIMA UNTUK PERAMALAN DATA YANG


MENGANDUNG POLA MUSIMAN DAN ATAU TREN
Azwar Rhosyied – 1305 100 054
go_fauzan@yahoo.com

Abstract
In everyday life common time series data with seasonal patterns or trends. The
writing of this paper aims to apply the models of time series data related to the
seasonal pattern and containing or trends, and then compare which among the
best methods. Three real data is used as a case study, the data is the average
temperature in Iowa, data on the number of aircraft passengers of international
channels in the USA and sales data for a fashion product in a retail company. Iowa
case more appropriate data meggunakan Time Series Regression method Dummy,
Airline data cases more appropriate when using the method of Arima, while the
third data cases no suitable method to be applied. The best method selection is
based on the value of accuracy measures, such as RMSE MAPE, MAD and MSD.

Keywods : Seasonal model, Dekompostioni, Winter’s, Time Series Regression,


ARIMA, RMSE

1. Pendahuluan
Analisis deret waktu merupakan analisis yang berhubungan erat dengan
peramalan. Kondisi data yang ada sesuai dengan urutan waktu atau memiliki
periode tertentu. Secara umum, semua aktifitas yang dilakukan manusia sering
mengalami ketidakpastian dalam hal pengambilan keputusan sehingga diperlukan
suatu peramalan untuk memprediksi kejadian di masa yang akan datang.
Dalam kehidupan sehari-hari sering ditemui data deret waktu dengan pola
musiman dan atau tren. Contoh data musiman adalah rata-rata suhu per bulan di
suatu kota, data produksi padi bulanan di suatu kabupaten atau propinsi, serta data
jumlah wisatawan asing yang berkunjung ke suatu Negara. Penulisan makalah ini
bertujuan untuk menerapkan model-model deret waktu yang berkaitan dengan data
yang mengandung pola musiman dan atau tren. Tiga data aktual digunakan sebagai
studi kasus, yaitu data suhu rata-rata di lowa (Cryer, 1986), data jumlah penumpang
pesawat udara jalur internasional di USA atau dikenal data Airline (Box dkk., 1994)
dan data penjualan baju perempuan di suatu perusahaan ritel. Pemodelan dilakukan
dengan menerapkan metode Dekomposisi, metode Winter’s, Regresi time series
dan model ARIMA. Pemilihan metode terbaik didasarkan pada nilai ukuran
ketepatan yaitu RMSE, MAPE, MAD dan MSD.

2. Tinjauan Pustaka
2.1. Metode Dekomposisi
Metode dekomposisi digunakan untuk data yang memiliki pola trend, acak,
dan musiman. Metode ini menguraikan komponen musiman dari komponen lainnya

1 Copyright @ Azwar Rhosyied


dari suatu deret data. Model dekomposisi dapat ditulis sebagai berikut (Bowerman
dan O’Connel,1993) :

Yt = Tt × St × Ct × I t (1)

Dengan :
Yt = nilai pengamatan ke-t
Tt = komponen trend ke-t
St = komponen musiman ke-t
Ct = komponen siklik ke-t
I t = komponen irregular ke-t

1.2. Metode Winter


Metode winter dapat mengatasi masalah data dengan menggunakan pola
komponen data trend dan seasonal yang tidak dapat diatasi oleh metode moving
average dan metode exponential smoothing. Apabila identifikasi pada historis dari
data aktual permintaan menunjukkan adanya fluktuasi musiman, perlu dilakukan
penyesuain terhadap pengaruh musiman itu melalui menghitung indeks musiman
(seasonal index). Sebagai contoh untuk menjelaskan pengaruh musiman
menggunakan angka indeks musiman.

1.3. Regresi Deret Waktu


Seringkali ekonomi time series berdasarkan data bulanan atau kuarter yang
mengikuti pola musiman (pergerakan naik-turun secara teratur). Oleh karena itu
perlu menghilangkan faktor musiman dari data time series tersebut, sehingga bisa
fokus pada kondisi seperti trend saja. Proses penghilangan faktor musiman ini
disebut deseasonalization atau seasonal adjustment, salah satunya metode
deseasonalization adalah dengan metode variabel dummy.
Berikut adalah contoh model dengan menggunakan teknik dummy dengan
pola musiman 3 bulanan (quarterly) :
Yt = α1 D1t + α 2 D2t + α 3t D3t + α 4t D4t + ut
dimana Yt adalah penjualan refrigator dalam ribuan dan D adalah variabel dummy-
nya. (Gujarati, 2004)

1.4. Model ARIMA (p,d,q) dan Musiman (p,d,q)(P,D,Q)S


Suatu data time series {Z t } disebut mengikuti model autoregressive
integrated moving average jika difference ke-d Wt = (1 – B)d Zt merupakan proses
stasioner ARMA. Jika Wt adalah ARMA (p,q) maka Zt adalah ARIMA (p,d,q). Secara
umum model ARIMA adalah :

φ p ( B )(1 − B ) d Z t = θ q ( B )a t (2)

dimana :

φ p (B) = 1 − φ1 B − φ 2 B 2 − ... − φ p B p (3)

2 Copyright @ Azwar Rhosyied


adalah koefisien komponen MA non musiman dengan order q
at : residual white noise, at ~ IIDN(0, σ a2 )
B : operator mundur
(1 − B) d : pembedaan tak musiman dengan order pembedaan tak musiman d Order
pembedaan yang bernilai bulat tak negatif dapat memberikan indikasi terhadap
kestasioneran suatu model ARIMA (Box et al., 1994).
2.8 Pemilihan Model Terbaik
Untuk memilih model terbaik pada analisis deret waktu, kriteria pemilihan
model biasanya didasarkan nilai RMSE (Root Mean Square Error), MAPE (Mean
Absolute Percentage Error), MAD (Mean Absolute Deviation) dan MSD (Mean
Squared Deviation) yant terkecil. Demikian juga bisa dilihat secara visual
perbandingan plot peramalan dengan data testing, semakin dekat data peramalan
dengan data testing, maka semakin bagus model tersebut.
3. Metodologi Penelitian
Dalam penelitian ini digunakan tiga data yaitu data suhu rata-rata di lowa
(Cryer, 1986) atau dikenal dengan data Iowa, data jumlah penumpang pesawat
udara jalur internasional di USA atau data Airline (Box et al., 1944) dan data
penjualan ritel baju perempuan. Dari ketiga data tersebut akan dilakukan pemodelan
time series. Metode yang digunakan adalah Dekomposisi, Winter’s, Regresi Time
Series dan ARIMA.
Proses analisis untuk ketiga data tersebut yaitu data dibagi menjadi dua,
data training dan data testing. Data testing diambil 2 tahun terakhir. Hasil peramalan
masing-masing metode dibandingkan dengan data testing secara visual, dan
akurasi peramalan dari masing-masing metode juga dibandingkan dengan
menggunakan RMSE, MAPE, MAD dan MSD.
Pada metode ARIMA tahapan-tahapan yang digunakan adalah tahapan Box-
Jenkins, langkah-langkahnya sebagai berikut.
1. Identifikasi model sementara, pada tahap ini dilakukan identifikasi stasioneritas
data, baik dalam mean atau varians. Pemeriksaan statsioneritas dilakukan
dengan memeriksa time series plot pada keselruhan data.
2. Estimasi Parameter Model
Secara umum ada tiga metode estimasi dalam model ARIMA, yaitu metode
moment, Least Square atau Maximum Laikelihood.
3. Cek Diagnosa
Cek diagnosa kesesuaian model yang digunakan yaitu dengan uji asumsi
apakah residual sudah random (white noise) serta berdistribusi normal.
4. Analisis dan Pembahasan
4.1 Kasus Data Iowa
Berikut adalah plot data training dan testing time series untuk data Iowa
(data suhu rata-rata).

3 Copyright @ Azwar Rhosyied


Time Series Plot of yt
Jan/1974
80
7 7 7 6 78 7
7 78 78
78 8 78
68 8 68 67 6 6 78 6 6
70 6 8 9 6 8
5 6
9 5 9 9 9 9 69 5 9 5 9 9 5
5 9
60 5 5 10 5 10
9
5 5 5
10 10
10 10 10 4 10 4 10
10 4 10 4 4
50 4
4 4 10 4
4 4
3 4 11
11 3
40 11 3 11 11 11 11

yt
3 11 11
11 11 11 3
3 12 3 3
3 3
30 12 12 12
12 3 12 2 12
2 12 3
2 1 1
122 12 12 122 2 122 12
20 1 2 12 1
2 1 1
1 1
1
10

0
Month Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan
Year 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975

Gambar 1 Plot Time Series Data Iowa

Dari Gambar 1 diketahui bahwa data kasus 1 adalah tipe data deret waktu
yang bertipe aditif karena tidak ada tren yang menunjukkan pola tertentu.

4.1.1 Metode Dekomposisi


Dalam kasus kedua ini, tipe model yang dipakai adalah aditif. Adapun
rangkuman hasil dengan menggunakan metode dekomposisi adalah sebagai
berikut.

Tabel 1. Ukuran Ketepatan Ramalan Metode Dekomposisi


Ukuran Ketepatan
Model Data Training
RMSE MAPE MAD MSD
Yt = 46.3 − 0.00039t 87.97 8.5358 2.5549 11.5969

Berikut adalah visualisasi ramalan untuk 24 bulan kedepan.

Time Series Decomposition Plot for yt(in sample)


Additive Model
80 Variable
Actual
70 Fits
Trend
60 Forecasts

Accuracy Measures
yt(in sample)

50 MAPE 8.5358
MAD 2.5549
MSD 11.5969
40

30

20

10

0
1 14 28 42 56 70 84 98 112 126 140
Index

Gambar 2 Plot Data Training dan Peramalan

4.1.2 Metode Winter’s


Berikut adalah rangkuman hasil dengan menggunakan metode Winter’s
terhadap kasus data Iowa.

Tabel 2 Ukuran Ketepatan Ramalan Metode Winter’s


Ukuran Ketepatan
RMSE MAPE MAD MSD
83.54 11.59 3.46 18.96

4 Copyright @ Azwar Rhosyied


Winters' Method Plot for yt(in sample)
Additive Method
90 Variable
A ctu al
80 F its
F o recasts
70 95.0% P I

60 S mo o thing C on stan ts

yt(in sample)
A lp h a (lev el) 0.2
Gamma (trend ) 0.2
50
Delta (seaso n al) 0.2

40 A ccu racy M easures


MA PE 11.5865
30 MA D 3.4575
MSD 18.9573
20

10

0
1 14 28 42 56 70 84 98 112 126 140
Index

Gambar 3 Plot Data Training dan Peramalan

4.1.3 Regresi Time Series


Metode regresi time series menggunakan regresi dummy untuk masing-
masing bulan dan regresi trigonometri untuk setiap periode. Dengan regresi dummy
model yang didapatkan adalah sebagai berikut.
Yt = 16.6d1 + 20.7 d 2 + 32.5d 3 + 46.5d 4 + 58.1d 5 + L + 23.6d12
dimana variabel d1=bulan 1, d2=bulan 2, d3=bulan 3 dan seterusnya. Sedangkan
dengan regresi trigonometri didapatkan model persamaan sebagai berikut.

Yt = 46.3 − 15.2 sin 2πt ( 12


)− 22.3 cos(2πt 12)
Berikut adalah tabel perbandingan ukuran ketepatan suatu model.

Tabel 3 Ukuran Ketepatan Ramalan Metode Regresi Time Series


Ukuran Ketepatan
Model
RMSE MAPE MAD MSD
Reg. Dummy 0.634 6.54 2.46 9.24
Reg. Trigonometri 0.69 7.4 2.86 10.95

Dari Tabel 3 di atas bisa diketahui bahwa ukuran ketepatan baik RMSE,
MAPE, MAD dan MSD untuk Regresi Dummy lebih kecil dibandingakan Regresi
Trigonometri. Sehingga untuk data kasus Iowa ini, metode Regresi Dummy lebih
baik daripada Regresi Trigonometri.

4.1.4 ARIMA
Dari kemungkinan model ARIMA yang bisa dipakai, maka model ARIMA
(0,1,1)12 adalah model terbaik berdasarkan nilai MSE yang terkecil. Berikut adalah
model persamaannya beserta ukuran ketepatan model tersebut.

Tabel 4 Ukuran Ketepatan Ramalan Metode ARIMA


Ukuran Ketepatan
Model
RMSE MAPE MAD MSD
(
Yt = 1 − 0.6268 B 12
)a t 0.717 7.66 2.81 11.81

4.1.4 Perbandingan Model Terbaik


Untuk mengetahui model mana yang terbaik dalam meramalkan data Iowa,
maka dilakukan perbandingan ukuran ketepatan dari masing-masing metode.

5 Copyright @ Azwar Rhosyied


Tabel 5 Perbandingan Ukuran Ketepatan Ramalan Tiap Metode
Ukuran Ketepatan
Metode
RMSE MAPE MAD MSD
Metode Dekomposisi* 87.97 5.07 11.54 215.59
Metode Winter’s** 83.54 4.04 9.718 165.48
Regresi Time Series* 0.634 6.54 2.46 9.24
ARIMA** 0.717 7.66 2.81 11.81
Ket : * Residual berdistribusi tidak normal dan white noise
** Residual berdistribusi normal dan white noise

Berikut adalah plot perbandingan peramalan Metode Dekomposisi, Metode


Winter, Regresi Dummy dan ARIMA.

Time Series Plot of FORE_Dekom, FORE_winter, FORE_RegDum, FORE_arima

80
Variable
70 FORE_Dek om
FORE_winter
FORE_RegDum
60 FORE_arima

50
Data

40

30

20

10
2 4 6 8 10 12 14 16 18 20 22 24
Index

Gambar 4. Perbandingan Ketepatan Ramalan


tiap Metode

Pada Gambar 4 dapat dilihat bahwa semua data ramalan hampir sama
dengan mengikuti pola data testing. Oleh karena itu untuk dapat melihat secara
lebih jelas metode terbaik adalah dengan memeriksa nilai ukuran ketepatan RMSE,
MAPE, MAD dan MSD. Dari Tabel 5 di atas dapat diketahui bahwa Regresi Time
Series (Regresi Dummy) merupakan metode terbaik dalam meramalkan data Iowa.

4.2 Kasus Data Airline


Berikut adalah plot time series data training dan data testing untuk Data Airline.

Time Series Plot of yt


Jan/1959
7
8
600
8
7
6
8 9
7
500 78 69 5
4 10
6 12
78 6 5 13
9 9 34 1012
2 11
400 6
7 9 345 10 345 10 1 11
8 122
yt

1
12
6 9 345 1012 1 11
2 11
78 2
300 12
12
78 6 9 345 10 11
8 3456 9 345 1012 12 11
7
69 10 1
78 12
3 1012 12 11
200 78 3 56 9 12 45 11 11 2
78 6 9 2 4 1012
1 11
34 6 9 2345 1012
12 5 10 12
111 11
100

Month Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan
Year 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960

Gambar 5 Plot Time Series Data Airlne

6 Copyright @ Azwar Rhosyied


Dari Gambar 5 di atas diketahui bahwa pola data mengalami trend naik dan
musiman tahunan atau 12. Sehingga tipe model yang sesuai untuk Data Airline
adalah multiplikatif.

4.2.1 Metode Dekomposisi


Dalam kasus kedua ini, tipe model yang dipakai adalah multiplikatif, yaitu
adanya kecenderungan data mengalami trend sekaligus musiman. Adapun hasil
rangkuman dengan menggunakan metode dekomposisi adalah sebagai berikut.

Tabel 6 Ukuran Ketepatan Ramalan Metode Dekomposisi


Model Data Ukuran Ketepatan
Training RMSE MAPE MAD MSD
Yt = 95.52 + 2.48t 87.97 5.07 11.54 215.59

Berikut adalah visualisasi ramalan untuk 2 tahun kedepan.


Time Series Decomposition Plot for yt(insampel)
Multiplicative Model
600
Variable
Actual
Fits
500 Trend
Forecasts

Accuracy Measures
yt(insampel)

400 MAPE 5.072


MAD 11.542
MSD 215.587
300

200

100

1 14 28 42 56 70 84 98 112 126 140


Index

Gambar 6 Plot Data Training dan Peramalan

4.2.2 Metode Winter’s


Metode Winter’s bisa digunakan untuk kondisi data yang tren dan sekaligus
musiman. Berikut adalah rangkuman hasil dengan menggunakan metode Winter’s
terhadap kasus data Airline.

Tabel 6 Ukuran Ketepatan Ramalan Metode Winter’s


Ukuran Ketepatan
RMSE MAPE MAD MSD
83.54 4.04 9.718 165.48

Winters' Method Plot for y t(insampel)


M ultiplicative M ethod
600
Var iab le A c cu r ac y M easu r es
A ctu al MA PE 4.039
F its MA D 9.718
500 F o r ec asts MSD 165.478
95.0% P I

S mo o th in g C o n stan ts
yt(insampel)

400 A lp h a (lev el) 0.2


G amma (tren d ) 0.2
D elta (seaso n al) 0.2

300

200

100
1 14 28 42 56 70 84 98 112 126 140
Inde x

Gambar 7 Plot Data Training dan Peramalan

7 Copyright @ Azwar Rhosyied


4.2.3 Regresi Time Series
Pada analisa menggunakan Regresi Dummy, faktor musiman diidentifikasi
dengan variabel dummy. Pada kasus kedua ini, pola musiman terjadi tahunan atau
12, sehingga variabel dummy yang digunakan sebanyak 12. Berikut adalah
persamaan regresi dummy yang diperoleh.

Yt = 242d1 + 235d 2 + 270d 3 + 267 d 4 + 272d 5 + 312d 6 + L + 262d12

dimana d1=bulan 1, d2=bulan 2, d3=bulan 3 dan seterusnya. Adapun model


Regresi Trigonometri diperoleh sebagai berikut

Yt = 246 − 22.6 sin 2πt ( 12


)− 33.3 cos(2πt 12)
Berikut adalah tabel perbandingan ukuran ketepatan suatu model.

Tabel 7 Ukuran Ketepatan Ramalan Metode Regresi Time Series


Ukuran Ketepatan
Model
RMSE MAPE MAD MSD
Reg. Dummy 57.74 4481.92 274.2 76689.16
Reg. Trigonometri 50.35 3922.92 239.81 58310.25

Dari Tabel 7 di atas dapat diketahui bahwa ukuran ketepatan baik RMSE,
MAPE, MAD dan MSD untuk Regresi Trigonometri lebih kecil dibandingakan
Regresi Dummy. Sehingga untuk data kasus Airline, metode Regresi Trigonometri
lebih baik daripada Regresi Dummy.

4.2.4 Metode ARIMA


Dari kemungkinan model ARIMA yang bisa dipakai, maka model ARIMA
(0,1,1)(0,0,1)12 adalah model terbaik berdasarkan nilai MSE yang terkecil. Berikut
adalah model persamaannya beserta ukuran ketepatan model tersebut.

Tabel 8 Ukuran Ketepatan Ramalan Metode ARIMA


Ukuran Ketepatan
Model
RMSE MAPE MAD MSD
(
Yt = (1 − 0.3271B ) 1 − 0.6268B at
12
) 0.018 1.29 0.079 0.0073

4.2.5 Perbandingan Model Terbaik


Untuk mengetahui model mana yang terbaik dalam meramalkan data Airline,
maka dilakukan perbandingan ukuran ketepatan dari masing-masing metode.

Tabel 9 Perbandingan Ukuran Ketepatan Ramalan Tiap Metode


Ukuran Ketepatan
Metode
RMSE MAPE MAD MSD
Metode Dekomposisi* 87.97 5.07 11.54 215.59
Metode Winter’s** 83.54 4.04 9.718 165.48
Regresi Time Series* 50.35 3922.92 239.81 58310.25
ARIMA** 0.018 1.29 0.079 0.0073
Ket : * Residual berdistribusi normal dan tidak white noise
** Residual berdistribusi normal dan white noise

8 Copyright @ Azwar Rhosyied


Berikut adalah plot perbandingan peramalan Metode Dekomposisi, Metode
Winter’s, Regresi Trigonometri dan ARIMA.

Time Series Plot of forcst_Dek, forcst_Wint, forecst_regt, ...

Variable
600 forcst_Dek
forcst_Wint
forecst_regtri
forcst_ARIMA
500 outsample

Data 400

300

200
2 4 6 8 10 12 14 16 18 20 22 24
Index

Gambar 8 Perbandingan Ketepatan Ramalan


tiap Metode

Dari Tabel 9 dan Gambar 8 di atas, bahwa metode ARIMA merupakan


metode terbaik karena memiliki kriteria ukuran ketepatan yang paling kecil dan plot
peramalan yang paling mendekati pola data testing.

4.3 Kasus Data Penjualan Ritel Baju Perempuan


Pada kasus ketiga ini menggunakan data penjualan baju perempuan mulai
awal tahun 2000 sampai akhir bulan tahun 2007. Berikut plot time series data
penjualan tersebut.

Time Series Plot of Baju_perempuan


Jan/2006
35000 9
9
10
30000
10 10
11 11
25000 11
Baju_perempuan

20000
8
15000 11
11 9 9 6 10
9 8 11 8 10
12 10 12 3 6 4 7 6 11
1 910 9 12 6 8 1 12 3 5 7 12
10000 10 3 8
12 23
8 12
35 11
12 1 4
12 4 8 7 7 2 45 7 1 1
2 6 9 5 1 46 2
5
8 1 6 5 7 34 2 2
5000 3
7
67
234
5
45

0
Month Jan Jan Jan Jan Jan Jan Jan Jan
Year 2000 2001 2002 2003 2004 2005 2006 2007

Gambar 9 Plot Time Series Data Airlne


Dari Gambar 9 di atas diketahui data penjualan baju perempuan mengalami
proses musiman dan trend. Adapun musimannya bisa diduga musiman tahunan
atau 12, sedangkan trendnya adalah trend naik. Sehingga tipe model yang sesuai
adalah multiplikatif.

4.3.1 Metode Dekomposisi


Dalam kasus ketiga ini, tipe model yang dipakai adalah multiplikatif, yaitu
adanya kecenderungan data mengalami trend sekaligus musiman. Adapun hasil
rangkuman dengan menggunakan metode dekomposisi adalah sebagai berikut.

9 Copyright @ Azwar Rhosyied


Tabel 10 Ukuran Ketepatan Ramalan Metode Dekomposisi
Ukuran Ketepatan
Model Data Training
RMSE MAPE MAD MSD
Yt = 5146.2 + 88.17t 87.97 38 2987 25061268

Berikut adalah visualisasi ramalan untuk 24 bulan kedepan dibandingkan


dengan data testing.

Time Series Plot of FORE2, outsamp


9 21
35000 9
Variable
9
FORE2
30000 outsamp

25000

20000
Data

5 6
6 7 8 4
5 7 8
15000 8 9
3
4
10 9 10
6 10
10 11 8
4 7 2 6 7 11
10000 3
3 11 12 3 5 12
5 1 11
2 12 4
1 1
2 2
5000

2 4 6 8 10 12 14 16 18 20 22 24
Index

Gambar 10 Plot Data Testing dan Peramalan

4.3.2 Metode Winter’s


Metode Winter’s bisa digunakan untuk kondisi data yang tren dan sekaligus
musiman. Berikut adalah rangkuman hasil dengan menggunakan metode Winter
terhadap kasus data penjualan ritel baju perempuan.

Tabel 11 Ukuran Ketepatan Ramalan Metode Winter’s


Ukuran Ketepatan
RMSE MAPE MAD MSD
83.54 49 3944 36431706

Winters' Method Plot for insamp Time Series Plot of FORE3, outsamp
Multiplicative Method 9 21
40000
Variable 6
FORE3
50000 Variable Smoothing Constants A ccuracy Measures 9
Actual outsamp
Alpha (lev el) 0.2 MAPE 49 9
Fits Gamma (trend) 0.2 MAD 3944 5 7
30000 7
40000 Forecasts Delta (seasonal) 0.2 MSD 36431706
95.0% PI 8
4
6 8
30000 9
Data

5
insamp

20000 9
3
8 10
20000 10 12
4 2
6 10 11 1 10 11
3 8
4 7 12 6 7 11
2 11 12 5 12
10000 10000 3 5 3
4
1 1
2 2
0

0
1 10 20 30 40 50 60 70 80 90 2 4 6 8 10 12 14 16 18 20 22 24
Index Index

Gambar 11 Plot Data Training dan Peramalan Gambar 12 Plot Data Testing dan Peramalan

4.3.3 Metode ARIMA


Metode ARIMA tidak mampu mendiagnosa pola data dengan benar.
Transformasi box-cox serta differencing 1 tidak mampu merubah pola data menjadi
stasioner. Pola plot ACF yang dihasilkan turun lambat sinusoidal sebagaimana
gambar di bawah ini

10 Copyright @ Azwar Rhosyied


Autocorrelation Function for transform Autocorrelation Function for diff_1
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the autocorrelations)

1.0 6 12 18 24
1.0
0.8
0.8
0.6
0.6
0.4
Autocorrelation

0.4

Autocorrelation
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 1 5 10 15 20 25 30 35 40 45
Lag Lag

Gambar 13 Plot ACF Data Transformasi Box-Cox Gambar 14 Plot ACF Data Differencing 1(d=1)

Dari Gambar 14 di atas bisa diduga bahwa data belum stasioner dalam
musiman, karena masih turun lambat pada lag 6, 12, 18 dan 24, sehingga
berdasarkan plot ACF pada gambar b di atas perlu dilakukan differencing musiman
6 (D=6). Berikut hasil yang diperoleh

Autocorrelation Function for diff_6


(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

1 5 10 15 20 25 30 35 40 45
Lag

Gambar 15 Plot ACF Data Differencing


Musiman (D=1)

Dari Gambar 15 di atas, ternyata pemberlakuan differencing musiman 6


(D=1) belum mampu merubah pola data menjadi stasioner. Sehingga untuk kasus
ketiga ini metode ARIMA belum bisa digunakan.

5. Kesimpulan
Dari bab analisa dan pembahasan di atas bisa diambil kesimpulan sebagai
berikut :
1. Metode terbaik untuk kasus Data Iowa adalah Regresi Time Series (Regresi
Dummy). Namun, residualnya tidak berdsitribusi normal. Sedangkan metode
terbaik kedua satelahnya adalah ARIMA. Model ARIMA ini menghasilkan
residual yang berdistribusi normal dan white noise (random)
2. Metode terbaik untuk kasus Data Airline adalah ARIMA. Hal ini bisa dilihat
dari ukuran nilai ketepatan model ARIMA yang terkecil dari ketiga metode
lainnya.
3. Untuk kasus data penjualan ritel baju perempuan, tidak ada dari keempat
metode tersebut yang sesuai untuk digunakan sebagai peramalan. Data

11 Copyright @ Azwar Rhosyied


kasus tersebut memiliki pola musiman kalender, sehingga kemungkinan
metode yang lebih tepat adalah model ARIMA variasi kalender.

Daftar Pustaka

Ansuj, Angela P., Camargo, M.E., Radharamanan, R., & Petry, D.G. (1996). Sales
Forecasting Using Time Series and Neural Network. Computers Ind.
Engineering, 31 (I/2), 421-424.
Bowerman, B.L., and O’Connel, D. (1993). Forecasting and Time Series: An Applied
Approach, 3rd Edition. California:Duxbury Press.
Box, G.E.P.,Jenkins,G.M., and Reinsel,G.C. (1994). Time Series Analysis,
Forecasting and Control, 3rd Edition . Prentice Hall, Englewood Cliffs.
Cryer, J.D., and Chan,K.S. (2008). Time Series Analysis. With Application in R, 2nd
Edition. Springer.
Gujarati, D.N. 1996. Basic Econometrics, 5rd Edition New York: McGraw Hill
International.
Liu, L.M. (2006). Time Series Analysis and Forecasting. Chicago: Scientific
Computing Associates® Corp.
Liu, L.M. (1986). Identification of time series models in the presence of calendar
variation. International Journal of Forecasting, 2(3), 357–372.
Sekaran, U. (2006). Metodologi Penelitian untuk Bisnis 2 (Edisi 4). Jakarta: Salemba
Empat.
Shumway, R.H., and Stoffer,D.S. (2006). Time Series Analysis and Its Applications
with R examples, 2nd Edition. Springer.
Toth, E., Brath, A., & Montanari, A. (2000). Comparison of short-term rainfall
prediction models for real-time flood forecasting. Journal of Hidrology,
239(2000), 132-147
Thomakos, Dimitros D., & Guerard, John B. (2004). Naı¨ve, ARIMA, nonparametric,
transfer function and VAR models: A comparison of forecasting performance.
International Journal of Forecasting, 20 (2004), 53-67.
Wei, W.W.S. (1990). Time Series Analysis: Univariate and Multivariate Methods.
USA: Addison-Wesley Publishing Co.

12 Copyright @ Azwar Rhosyied