Pengenalan Pola Data
Pengenalan Pola Data
Data merupakan bagian penting dalam peramalan. Berikut adalah empat kriteria
yang dapat digunakan sebagai acuan agar data dapat digunakan dalam peramalan.
1.
Data harus dapat dipercaya dan akurat. Data yang diseleksi berasal dari sumber
yang dapat dipercaya dengan perhatian yang diberikan untuk keakuratan.
2.
3.
4.
data yang dipilih pada titik tunggal suatu waktu, misal satu jam, satu hari, satu minggu,
satu bulan, dan sebaginya. Kedua adalah observasi data dari waktu ke waktu.
Ketika data observasi naik atau menurun pada perluasan periode suatu waktu
disebut pola trend.
Kelompok 1
Pola cyclical ditandai dengan adanya fluktuasi bergelombang data yang terjadi di
sekitar garis trend.
Ketika observasi dipengaruhi oleh faktor musiman disebut pola seasonal yang
ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke
tahun. Untuk runtun tiap bulan, ukuran variabel komponen seasonal runtun tiap Januari,
tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim,
satu untuk masing-masing triwulan. Sebagai contoh adalah pola data pembelian buku
baru pada tahun ajaran baru.
Y
n
rk
t k 1
Y Yt k Y
Y
n
t 1
k 0,1,2,...
(3.1)
dimana :
rk =
Y =
Yt =
Yt-k =
observasi k
Contoh 3.1
Harry Vernon memiliki data jumlah terjualnya VCR akhir tahun untuk toko
Vernon Musik. Data dituliskan pada Tabel 3-1.
Konsep autokorelasi diilustrasikan data Contoh 3.1 pada Tabel 3-1. Diketahui
bahwa variabel Yt-1 dan Yt-2 adalah mewakili nilai sebenarnya Y pada lag satu dan dua
periode sebelumnya. Nilai penjualan VCR dari Maret terlihat, pada baris untuk periode
waktu tiga. Jumlah penjualan Maret Y1 = 125, Februari Yt-1 = 130, dan Januari Yt-2 =
123.
Kelompok 1
Bulan
Data original
Yt
123
130
125
138
145
142
141
146
147
157
150
160
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Y lagged pada
periode pertama
Yt-1
Y lagged pada
periode kedua
Yt-2
123
130
125
138
145
142
141
146
147
157
150
123
130
125
138
145
142
141
146
147
157
Tabel 3.2 Perhitungan koefisien autokorelasi pada lag 1 untuk data pada Tabel 3.1
Waktu
Yt
(t)
1
123
2
130
3
125
4
138
5
145
6
142
7
141
8
146
9
147
10
157
11
150
12
160
Total 1.704
Yt-1
(Yt - Y )
(Yt-1 - Y )
(Yt - Y )2
(Yt - Y )(Yt-1 - Y )
123
130
125
138
145
142
141
146
147
157
150
-19
-12
-17
-4
3
0
-1
4
5
15
8
18
0
-19
-12
-17
-4
3
0
-1
4
5
15
8
361
144
289
16
9
0
1
16
25
225
64
324
1.474
228
204
68
-12
0
0
-4
20
75
120
144
843
1.704
142
12
Y
n
r1
t 11
Y
n
t 1
Kelompok 1
Y Yt 1 Y
t
843
0,572
1474
Terlihat dari Gambar 3-4, autokorelasi positif lag 1 ada pada runtun waktu ini.
Korelasi antara Yt dan Yt-1 atau autokorelasi dari satu periode sebelumnya adalah 0,572.
Ini berarti urutan penjualan VCR per bulan satu dan yang lainnya berkorelasi.
Gambar. 3-4
Koefisien korelasi periode kedua sebelumnya (r2) atau autokorelasi antara Yt
dengan Yt-2 dari data Harry menggunakan persamaan 3.1.
Y
n
r2
t 2 1
Y Yt 2 Y
Y
n
t 1
682
0,462 .
1474
Ini memperlihatkan bahwa autokorelasi cukup ada pada dua kali periode lag.
Korelasi antara Yt dan Yt-2, atau autokorelasi untuk lag 2, yaitu 0,463. Perhatikan
bahwa koefisien korelasi pada lag 2 (0,463) kurang dari koefisien korelasi pada lag 1
(0,573). Pada umumnya, banyaknya waktu lag, k meningkat, besarnya koefisien
autokorelasi berkurang.
Gambar 3.5 menunjukkan plot autokorelasi versus waktu lag data Harry Vernon
pada contoh 3.1. Skala horizontal di bawah grafik menunjukkan setiap waktu lag
meningkat, 1, 2, 3, dan seterusnya. Skala vertikal pada kiri grafik menunjukkan range
yang mungkin dari koefisien autokorelasi, -1 sampai +1. Garis horizontal di tengahtengah grafik menunjukkan koefisien autokorelasi nol. Garis vertikal menunjukkan
koefisien autokorelasi 0,46, r2 = 0,46.
Kelompok 1
koefisien autokorelasi sampel dengan teori distribusi sampling dan menentukan apakah,
jika diberikan lag waktu, mereka berasal dari populasi dengan mean nol.
Pada kenyataanya, beberapa software menggunakan formula yang sedikit
berbeda, seperti yang ditunjukkan pada Persamaan 3.2, untuk menghitung standar
deviasi (atau standar eror) dari koefisien autokorelasi. Persamaan ini berasumsi setiap
autokorelasi sebelum lag k tidak sama dengan nol dan setiap autokorelasi pada lag
terbesar atau sama dengan k adalah nol. Untuk autokorelasi pada lag 1, standar eror
yang digunakan
(3.2)
dimana
SE(rk)
ri
= lag waktu
Perhitungan akan diperagakan di Contoh 3.2. Jika data benar-benar acak, hampir
semua koefisien autokorelasi sampel harus dimanipulasi dengan range yang ditentukan
oleh nol, plus atau minus dari jumlah standar eror tertentu. Pada tingkat konfidensi
yang ditentukan, data dapat dianggap random jika koefisien autokorelasi yang dihitung
masing-masing dengan interval sekitar 0 diberikan:
Kelompok 1
rk2
Q n(n 2)
k 1 n k
m
(3.3)
dimana :
n = banyak observasi pada waktu tertentu
k = waktu lag
m = angka waktu lag yang di uji
Kelompok 1
Yt c t
(3.4)
Contoh 3.2
Sebuah hipotesis dikembangkan untuk menentukan apakah koefisien autokorelasi
berbeda signifikan dari 0 untuk data VCR di atas.
Hipotesis nol dan Hipotesis alternatif untuk menguji lag 1 populasi koefisien
autokorelasi adalah
H0 : 1 = 0
H1 : 1 0
Jika H0 adalah benar maka uji satatistik
r1 1
r 0
r1
1
(3.5)
r1
0,572
1,98
SE (r1 ) 0,289
Dan menggunakan keputusan tersebut, H0 tidak ditolak karena -2,2 < 1,98 < 2,2.
Catatan bahwa nilai test statistik rata-rata t = 1,98 sama sebagai kuantitas pada lag 1
garis dibawah t besar pada hasil minitab pada Gambar 3-5. Nilai t pada hasil minitab
mudah nilai pada test statistik untuk uji 0 autokorelasi pada beberapa lag.
Untuk test autokorelasi 0 (pertama) pada waktu lag 2, kita tentukan
H 0 : 2 0
H1 : 2 0
Dan pada tes statistik
r2 2
r 0
r2
2
Kelompok 1
k 1
1 2 ri 2
SE (r2 )
i 1
2 1
1 2 ri 2
i 1
1 2(0,572) 2
1,6544
0,138 0,371
12
12
Dan
0,463
1,25
0,371
Hasil ini sama dengan T-value untuk lag 2 pada output Minitab dalam gambar 3-
Kelompok 1
10
Tabel 3.3 Runtun Waktu dari 40 angka acak pada Contoh 3.3
T
1
2
3
4
5
6
7
8
9
10
Yt
343
574
879
728
37
227
613
157
571
72
t
11
12
13
14
15
16
17
18
19
20
Yt
946
142
477
452
727
147
199
744
627
122
T
21
22
23
24
25
26
27
28
29
30
Yt
704
291
43
118
682
577
834
981
263
424
t
31
32
33
34
35
36
37
38
39
40
Yt
555
476
612
574
518
296
970
204
616
97
Autocorrelation
Lag
Corr
LBQ
Lag
Corr
LBQ
1
2
-0,19
-0,01
-1,21
-0,04
1,57
1,58
8
9
-0,03
-0,03
-0,15
-0,18
7,67
7,73
-0,15
-0,89
2,53
10
0,02
0,12
7,75
4
5
0,10
-0,25
0,63
-1,50
3,04
6,13
6
7
0,03
0,17
0,16
0,95
6,17
7,63
10
Kelompok 1
11
Kelompok 1
12
Yt-1
.
123
130
125
138
145
142
141
146
147
157
150
A.
Beda
7
-5
13
7
-3
-1
5
1
10
-7
10
B.
Gambar 3-8
Catatan : pertumbuhan naik atau trend dari data VCR ditunjukkan dalam Gambar 3-8
plot A. setelah didifferences maka data kembali menjadi stationer.
Contoh 3.4
Maggie Trymane, seorang analisis di Sears, ditugaskan untuk melakukan operasi
peramalan untuk 2001. Dia mengambil data dari tahun 1995-2000 yang ditunjukkan
pada Tabel 3.5
Kelompok 1
13
Yt
Tahun
Yt
Tahun
Yt
Tahun
Yt
1955
3307
1967
7296
1979
17514
1991
57242
1956
3556
1968
8178
1980
25195
1992
52345
1957
3601
1969
8844
1981
27357
1993
50838
1958
3721
1970
9251
1982
30020
1994
54559
1959
4036
1971
10006
1983
35883
1995
34925
1960
4134
1972
10991
1984
38828
1996
38236
1961
4268
1973
12306
1985
40715
1997
41296
1962
4578
1974
13101
1986
44282
1998
41322
1963
5093
1975
13639
1987
48440
1999
41071
1964
5716
1976
14950
1988
50251
2000
40937
1965
6357
1977
17224
1989
53794
1966
6769
1978
17946
1990
55972
Gambar 3-9
Data dari tahun 1955 sampai 2000, ditunjukkan dalam Tabel 3.5, diplotkan
sebagai runtun waktu pada gambar 3-9. Pertama menghitung Maggie internal
konfidensi 95 % untuk koefisien autokorelasi diwaktu ketinggian 1 menggunakan
0 Z0,025 (1/ n ) dimana untuk sampel besar, normal standard 0,025 poin dapat
diganti yang sesuai presentasi poin distribusi tersebut :
0 1,96 ( 1 / 46 )
0 0,289
Berikutnya menghitung data Maggie di minitab dan hasil dari fungsi autokorelasi
ditunjukkan dalam gambar 3-10.
Kelompok 1
14
Autocorrelation
Lag
Corr
LBQ
Lag
Corr
LBQ
1
2
0,96
0,92
6,49
3,69
44,97
87,07
8
9
0,53
0,45
1,13
0,93
254,83
266,86
0,87
2,78
125,96
10
0,36
0,74
274,97
4
5
0,81
0,75
2,24
1,88
160,49
190,81
11
0,28
0,56
279,84
6
7
0,69
0,61
1,61
1,35
217,26
238,45
10
11
Gambar 3-10
Dalam pemeriksaan, dia mencatat bahwa autokorolasi untuk waktu pertama
ketiga perbedaanya signifikan dari no1, (0,96, 0,92 dan 0,87) dan bahwa nilai itu
berangsur-angsur turun menuju ke nol. Sebagai pemeriksaan terakhir Maggie dilihat
dari stastistik Q untuk 10 waktu ketinggalan. LBQ adalah 274,97 yang lebih besar dari
nilai chi-square18,3 maka dapat disimpulkan bahwa data berpola trend.
Maggie mencurigai bahwa rangkaian dapat dibedakan untuk memindahkan trand
itu dan untuk membuat rangkaian stasioner. Dia membedakan data itu dengan hasil
yang ditunjukkan dalam gambar 3-11. Perbedaan rangkaian ditunjukkan tanpa buktibukti sebuah trend dan fungsi autokorelasi, ditunjukkan dalam Gambar 3-12 kelihatan
untuk mendukunng kesimpulan itu. Memeriksa Gambar 3-12. Meggie memutuskan
bahwa koefisien autokorolasi dalam waktu ditingkatkan 3, 0.32 adalah berbeda jelas
dari nol (dicoba dilevel signifikan 0,05) autokorelasi di ketinggalan-ketinggalan yang
lainya dari ketinggalan 3 adalah kecil dan kehebatan Meggie jika disana ada beberapa
pola dalam data ini dapat dimodalkan menjadi satu.
Kelompok 1
15
Gambar 3-11
Autocorrelation
Lag
Corr
LBQ
Lag
Corr
LBQ
1
2
-0,08
0,05
-0,55
0,33
0,32
0,45
8
9
-0,08
-0,09
-0,48
-0,55
6,54
7,03
0,32
2,16
5,77
10
-0,03
-0,17
7,08
4
5
0,05
-0,01
0,31
-0,04
5,90
5,91
11
-0,06
-0,35
7,30
6
7
-0,03
0,06
-0,20
0,36
5,96
6,17
10
11
Gambar 3-12
Apakah data musiman?
Jika sebuah rangkaian data adalah musiman, sebuah pola dari kalender
menggambarkan dirinya lebih dari sebuah fakta. Penelitian dalam beberapa posisi
untuk membedakan periode musim yang cenderung berhubungan. Jika kuartil data
dalam pola semusim di analisa. Kuartil pertama cenderung kelihatan sama, kuartil
kedua cenderung kelihatan sama dan ketiga keempat dan sebuah koefisien autokorolasi
signifikan akan tampak diwaktu ketinggalan 4. Jika dengan data bulanan dianalisa ,
koefisien autokorolasi signifikan akan tampak diwaktu dalam 12 bulan. Seperti Januari
akan berhubungan dengan Januari yang lainya. Febuary akan berhubungan dengan
Februari lainnya begitu juga keempat. Contoh 3.5 dibahas sebuah rangkaian data
musiman.
Kelompok 1
16
Contoh 3.5
Perkin Kendel adalah seorang analis Outbord Masine Corparation. Dia selalu
merasa bahwa penjualannya adalah musiman. Perkin mengumpulkan data ditunjukkan
di Tabel 3.6 untuk penjualan kuartil keempat dari Outbard Marine cooporation dari
1984 sampai 1996 dan beberapa plot itu sebagai grafik ditunjukkan pada Gambar 3-13.
Tabel 3.6 Data Penjualan untuk Outboard Marine tahun 1984-1996, untuk contoh 3.5
Tahun
31 Desember
31 Maret
30 Juni
30 September
1984
147,6
251,8
273,1
249,1
1985
139,3
221,2
260,2
259,5
1986
140,5
245,5
298,8
287,0
1987
168,8
322,6
393,5
404,3
1988
259,7
401,1
464,6
479,7
1989
264,4
402,6
411,3
385,9
1990
232,7
309,2
310,7
293,0
1991
205,1
234,4
285,4
258,7
1992
193,2
263,7
292,5
315,2
1993
178,3
274,5
295,4
286,4
1994
190,8
263,5
318,8
305,5
1995
242,6
318,8
329,6
338,2
1996
232,1
285,6
291,0
281,4
Quarterly
400,0
300,0
200,0
1985,0
1987,5
1990,0
1992,5
1995,0
year
Gambar 3-13
Kelompok 1
17
Autocorrelation
12
Lag
Corr
LBQ
Lag
Corr
LBQ
1
2
0,39
0,15
2,83
0,97
8,50
9,83
8
9
0,35
-0,18
1,51
-0,76
57,72
59,90
0,29
1,82
14,77
10
-0,43
-1,80
72,53
4
5
0,74
0,15
4,34
0,67
47,11
48,47
11
12
-0,32
0,09
-1,23
0,35
79,33
79,92
6
7
-0,15
-0,05
-0,67
-0,21
49,90
50,04
13
-0,35
-1,34
88,90
Gambar 3-14
Kemudian, dia menghitung sebuah sampel yang besar dengan tingkat
kepercayaan 95% untuk interval koefisien autokorelasi pada waktu lag1 :
0 1,96 ( 0,1 / 52 )
0 0,272
Kemudian Perkin menghitung koefisien autokorelasi yang ditunjukkan pada gambar
3.14. Dia mencatat bahwa koefisien autokorelasi pada waktu lag1 dan 4 secara
signifikan berbeda dari 0. (r1 = 0,39 > 0,272 dan r4 = 0,74 > 0,333 ). Dia
menyimpulkan bahwa Outboard Marine memiliki data penjualan yang berpola
musiman pada empat bulanan.
DAFTAR PUSTAKA
E.Hanke,John,W. Wichern Dean. Business Forecasting. 2005. Pearson Education,Inc
Kelompok 1
18