Analisis Deret Waktu: Materi minggu ketiga

1.
2.
3.
4.
5.
6.
7.
8.

Pendahuluan
Nave Models dan Moving Average Methods
Exponential Smoothing Methods
Regresi dan Trend Analysis
Regresi Berganda dan Time Series Regresi
Metode Dekomposisi
Model ARIMA Box-Jenkins
Studi Kasus : Model ARIMAX (Analisis Intervensi,
Fungsi Transfer dan Neural Networks)

Klasifikasi Metode Peramalan

Forecasting Method
Objective
Forecasting Methods
Time Series
Methods

Subjective (Judgmental)
Forecasting Methods

Causal
Methods

Analogies

Nave Methods

Simple Regression

Moving Averages

Multiple Regression

Exponential Smoothing

Neural Networks

Delphi

PERT

Simple Regression

Survey techniques

ARIMA
Neural Networks
References :

Combination of Time Series Causal Methods

Intervention Model
Transfer Function (ARIMAX)
VARIMA (VARIMAX)
Neural Networks

Makridakis et al.
Hanke and Reitsch
Wei, W.W.S.
Box, Jenkins and Reinsel

Kaitan Pola Data dan Metode Regresi (Trend Analysis)

Time Series Patterns

Stationer

Trend Effect

Regresi untuk
Trend Linear

Seasonal Effect

Regresi untuk
Seasonal Data

Cyclic Effect

Regresi untuk
Cyclic Effect

Problem 1: Regresi Linear Sederhana

Bagaimana pengaruh
harga terhadap sales
suatu produk ?
Dapatkah meramal
sales suatu produk
berdasarkan harganya ?

Input (X)

Harga Produk

Controllable Factors
F1, F2, , Fq

Biaya Iklan, Jumlah

Outlet, Area Pemasaran dan faktor lain
yang dapat dikontrol
dalam kondisi TETAP

Process

Output (Y)

Z1, Z2, , Zq

Sales Produk

(Model Regresi)

Uncontrollable Factors
Harga Pesaing, Selera Konsumen, Kondisi
Ekonomi Nasional (inflasi dll) dan faktor lain
yang tidak dapat dikontrol dalam kondisi TETAP

Tahap-tahap dalam Analisis Regresi

1. Plot data
identifikasi bentuk hubungan secara grafik
2. Koefisien Korelasi
identifikasi hubungan linear dengan suatu angka
n

rxy

( xi
i 1
n

( xi
i 1

x )( y i y )

x) 2

( yi

, -1 rxy 1

y) 2

i 1

3. Pendugaan (estimasi) model regresi

4. Evaluasi (diagnostic check) kesesuain model regresi
5. Prediksi (forecast) suatu nilai Y pada suatu X tertentu

Problem 1: Data hasil pengamatan

Minggu

Sales
(ribu unit)

Harga
(ribu rupiah)

1.

10

1.3

2.

2.0

3.

1.7

4.

12

1.5

5.

10

1.6

6.

15

1.2

7.

1.6

8.

12

1.4

9.

17

1.0

10.

20

1.1

Pengamatan dilakukan dengan mengambil

secara random data 10 minggu penjualan

(continued)

Plot antara Harga dan Sales

Problem 1: MINITAB output

(continued)

MTB > Correlation 'Harga' 'Sales'.

Pearson correlation of Harga and Sales = -0.863
P-Value = 0.001
MTB > Regress 'Sales' 1 'Harga'
The regression equation is
Sales = 32.1 14.5 Harga
Predictor
Constant
Harga

Coef
32.136
-14.539

S = 2.725

SE Coef
4.409
3.002

R-Sq = 74.6%

T
7.29
-4.84

P
0.000
0.001

R-Sq(adj) = 71.4%

Analysis of Variance
Source
Regression
Residual Error
Total

DF
1
8
9

SS
174.18
59.42
233.60

MS
174.18
7.43

F
23.45

P
0.001

Problem 1: MINITAB output

(continued)

Plot data, garis regresi dan

ramalan Sales dari Harga

Problem 2: Regresi Linear Berganda

Bagaimana pengaruh
harga dan biaya iklan
terhadap sales suatu
produk ? Lebih baikkah
ketepatan ramalannya ?

Input (X)

Harga
Produk

Biaya
Iklan

Controllable Factors
F1, F2, , Fq

Jumlah Outlet, Area

Pemasaran dan faktor
faktor lain yang dapat
dikontrol dalam kondisi
TETAP

Process

Output (Y)

Z1, Z2, , Zq

Sales Produk

(Model Regresi)

Uncontrollable Factors
Harga Pesaing, Selera Konsumen, Kondisi
Ekonomi Nasional (inflasi dll) dan faktor lain
yang tidak dapat dikontrol dalam kondisi TETAP

Problem 2: Data hasil pengamatan

(ribu unit)

Harga

(ribu rupiah)

Biaya Iklan

1.

10

1.3

2.

2.0

3.

1.7

4.

12

1.5

14

5.

10

1.6

15

6.

15

1.2

12

7.

1.6

8.

12

1.4

10

9.

17

1.0

15

10.

20

1.1

21

Minggu

Sales

(continued)

(juta rupiah)

Pengamatan dilakukan dengan mengambil

secara random data 10 minggu penjualan

Plot antara Harga, Iklan dg Sales

Problem 2: MINITAB output

MTB > Correlation 'Sales''Iklan'.

Correlations:
Sales, Harga, Iklan
Harga

Iklan

Sales
-0.863
0.001
0.891
0.001

Harga

-0.654
0.040

Cell Contents:
Pearson correlation
P-Value

(continued)

MTB > Regress 'Sales' 2 'Harga'

'Iklan'
The regression equation is
Sales = 16.4 - 8.25 Harga + 0.585 Iklan
Predictor
Constant
Harga
Iklan

Coef
16.406
-8.248
0.5851

SE Coef
4.343
2.196
0.1337

S = 1.507

R-Sq = 93.2%

T
3.78
-3.76
4.38

P
0.007
0.007
0.003

R-Sq(adj) = 91.2%

Analysis of Variance
Source
DF
Regression 2
Residual
7
Total
9

SS
217.70
15.90
233.60

MS
108.85
2.27

F
P
47.92 0.000

Problem 2: MINITAB output

R2 = 74.6%
R2 = 79.5%

(continued)

R2 = 93.2%

Problem 3: Regresi dengan Variabel Dummy

Bagaimana pengaruh TES
BAKAT dan GENDER thd
produktifitas ? Dapatkah
produktifitas pekerja
diramal dari tes bakat dan
jenis kelaminnya?

Input (X)

Nilai
TES BAKAT
pekerja

Controllable Factors
F1, F2, , Fq

Process

Output (Y)

Z1, Z2, , Zq

Produktifitas
pekerja

(Model Regresi)

JENIS
KELAMIN
pekerja

Usia, Pendidikan,
Ruang kerja, Mesin
dan faktor faktor lain
yang dapat dikontrol
dalam kondisi TETAP

Uncontrollable Factors

Emosi (suasana hati) pekerja dan faktor lain

yang tidak dapat dikontrol dalam kondisi TETAP

Problem 2: Data hasil pengamatan

Pengamatan dilakukan dengan mengambil

secara random data 15 pekerja

(continued)

Plot antara Tes Bakat dan Produktifitas, antara pekerja PRIA dan
WANITA

Problem 3: MINITAB output

MTB > Correlation

(continued)

'Tes Bakat' 'Dummy' 'Produktifitas'.

Produktifitas

Tes Bakat
0.876
0.000

Dummy
-0.021
0.940

MTB > Regress 'Produktifitas' 2 'Tes Bakat' 'Dummy'

The regression equation is
Produktifitas = - 4.14 + 0.120 Tes Bakat + 2.18 Dummy
Predictor
Constant
Tes Bakat
Dummy
S = 0.7863

Coef
-4.1372
0.12041
2.1807

SE Coef
0.8936
0.01015
0.4503

R-Sq = 92.1%

T
-4.63
11.86
4.84

P
0.001
0.000
0.000

R-Sq(adj) = 90.8%

Problem 3: MINITAB output

(continued)

Problem 3: Plot hasil regresi

(continued)

WANITA

PRIA

Model-model Time Series Regression

1. Model Regresi untuk LINEAR TREND

Yt = a + b.t + error

t = 1, 2, (dummy waktu)

2. Model Regresi untuk Data SEASONAL (variasi konstan)

Yt = a + b1 D1 + + bS-1 DS-1 + error
dengan : D1, D2, , DS-1 adalah dummy waktu dalam
satu periode seasonal.

3. Model Regresi untuk Data dengan LINEAR TREND dan

SEASONAL (variasi konstan)
Yt = a + b.t + c1 D1 + + cS-1 DS-1 + error
Gabungan model 1 dan 2.

Problem 4: Regresi Trend Linear

(Video Store case)

Time Series Plot data Sales

Problem 4: Hasil Regresi Trend dg MINITAB

(continued)

Problem 4: Hasil Regresi Trend dg MINITAB

(continued)

Problem 5: Regresi Data Seasonal

(Data Electrical Usage)

Time Series Plot

(Data seasonal)

Problem 5: Hasil regresi dengan MINITAB

MTB > Regress 'Kilowatts' 3 'Kuartal-1'-'Kuartal-3'

The regression equation is

Kilowatts = 722 + 281 Kuartal.1 - 97.4 Kuartal.2 - 202 Kuartal.3
Predictor
Constant
Kuartal.1
Kuartal.2
Kuartal.3
S = 30.84

Coef
721.60
281.20
-97.40
-202.20

SE Coef
13.79
19.51
19.51
19.51

R-Sq = 97.7%

Analysis of Variance
Source
DF
Regression
3
Residual Error
16
Total
19

SS
646802
15220
662022

T
52.32
14.42
-4.99
-10.37

P
0.000
0.000
0.000
0.000

R-Sq(adj) = 97.3%

MS
215601
951

F
226.65

P
0.000

Problem 5: Struktur dummy dan hasil regresinya

Dummy Variable

Problem 5: Hasil regresi dengan MINITAB

Forecast

Time Series Plot

(Data dan Ramalannya)

Problem 6: Regresi Data Trend Linear dan Seasonal

Time Series Plot

(Data trend dan seasonal)

Problem 6: Hasil regresi dengan MINITAB

Dummy Variable

Problem 6: Hasil regresi dengan MINITAB

MTB > Regress 'Sales' 4 't' 'Kuartal.1'-'Kuartal.3'

The regression equation is
Sales = 413 + 19.7 t + 130 Kuartal.1 - 108 Kuartal.2 - 228 Kuartal.3
16 cases used 4 cases contain missing values
Predictor
Constant
t
Kuartal.1
Kuartal.2
Kuartal.3

Coef
412.81
19.719
130.41
-108.06
-227.78

S = 35.98

SE Coef
26.99
2.012
26.15
25.76
25.52

R-Sq = 96.3%

T
15.30
9.80
4.99
-4.19
-8.92

P
0.000
0.000
0.000
0.001
0.000

R-Sq(adj) = 95.0%

Analysis of Variance
Source
Regression
Residual Error
Total

DF
4
11
15

SS
371967
14243
386211

MS
92992
1295

F
71.82

P
0.000

Problem 6: Hasil regresi dengan MINITAB

Forecast

Time Series Plot

(Data dan Ramalannya)

Perbandingan ketepatan ramalan antar metode

Kasus Sales Video Store

Model

Kasus Sales Data Kuartalan

Kriteria kesalahan ramalan

MSE

MAD

MAPE

Double
M.A.

66.6963

6.68889

0.9557

Holts
Method

28.7083

4.4236

0.6382

Regresi
Trend

21.6829

3.73048

0.5382

Holts Method :
Alpha (level): 0.202284
Gamma (trend): 0.234940

Kriteria kesalahan ramalan

Model

MSE

MAD

MAPE

Winters
Method

4372.69

52.29

9.67

Regresi
Trend &
Seasonal

890.215

23.2969

4.3122

Winters Method :
Alpha (level): 0.4
Gamma (trend): 0.1
Delta (seasonal): 0.3

Tugas : Carilah model peramalan terbaik untuk dua

data sales (produk A dan B) berikut ini.