Metode peramalan
Contoh Terapan Metode Peramalan dalam bidang Ilmu
Ekonomi dan Jasa
Kelompok 16
Fenny Okmaliarni / 1109406
Suci Riani Yunas / 1109394
Prodi statistika
Jurusan matemetika
Fakultas matemetika dan ilmu pengetahuan alam
Universitas Negeri Padang
2013
2005
1462
1560
1165
1676
2487
1574
2014
1683
2169
2123
1480
1685
21078
1165
2006
1691
1662
1639
1470
1816
2131
2453
3088
2543
2731
2162
2391
25777
1470
Tahun
2007
2515
2590
2811
3299
3082
3093
3447
3900
4020
2976
3164
3380
38277
2515
2487
1757
3088
2148
4020
3190
2008
3391
3734
3742
4840
5412
4767
4512
4734
5157
3049
3001
2401
48740
2401
2009
3077
2892
3307
3219
4065
3934
4500
5011
4491
3860
4190
5210
47756
2892
5412
4062
5210
3980
Yt
t =1
181628
60
= 3027,13
Data tidak berfluktuasi disekitar 3027,13 hal ini menunjukkan bahwa data nonstsioner dalam nilai tengah, karena terjadi perbedaan yang sangat signifikan antara data
dan nilai tengah. Setelah itu pemeriksaan kestasioneran dan non-kestasioneran dapat
dilakukan dengan menganalisa plot ACF dan PACF dari data. Jumlah maksimum nilai
taksiran ACF dan PACF sebanyak 60/4 =15. Dengan menggunakan minitab , dapat
diperoleh nilai taksiran ACF sampai lag 15 dengan memplot data:
( Y t +k )
rk =
nk
t =1
( Y t )
r1=
= 0,741529
Dengan minitab dapat diperoleh nilai taksiran PACF sampai lag-15, plot yang di
dapat adalah:
11
22
= r1 = 0,839023
=
r 2r 21
1r 21
0,741529(0,839023)
=
1(0,839023)2
= 0,126904
Pada gambar ACF terlihat bahwa garis nilai autokorelasi turun eksponensial
setelah lag ke 4, sedangkan pada gambar PACF terlihat bahwa garis nilai autokorelasi
parsial turun setelah lag 1 dan garis pada lag 1 tersebut sangat jauh dari garis batas
signifikansi. Dari analisa dapat disimpulkan bahwa data bersifat non-stasioner.
c. Proses pembedaan pertama (differencing) terhadap data.
Dalam praktek banyak ditemukan bahwa data ekonomi bersifat non-stasioner
sehingga perlu dilakukan modifikasi, dengan melakukan pembedaan(differencing), untuk
menghasilkan data yang stasioner. Pembedaan dilakukan dengan mengurangi nilai pada
suatu periode dengan nilai pada periode sebelumnya.
Untuk mengatasi data nonstasioner data maka dilakukan proses differencing
pertama pada data yaitu:
t Y t1
'
Y t =Y
Untuk t=2,3,4,.60 diperoleh hasil sebagai berikut:
2 Y 21
'
Y 2=Y
2 Y 1
'
Y 2=Y = 1560-1462=98
3Y 3 1
'
Y 3=Y
3Y 2
'
Y 3=Y = 1165-1560=-395
60Y 59
'
Y 60=Y = 5210-4190=1020
Setelah dilakukan proses differencing pertama, maka dapat dibuat plot dari data
hasil proses differencing pertama dengan hasi sebagai berikut:
'
t
Y 't
t =2
N1
3748
59
= 63,53
Karena kestasioneran dalam nilai tengah telah terpenuhi pada tahap sebelumnya,
maka langkah selanjutnya adalah menentukan nilai taksiran ACF dan PACF. Jumlah
maksimum taksiran ACF dn PACF adalah:
59/4 = 14,75= 15
Untuk menentukan nilai taksiran ACF data differencing pertama digunakan
persamaan dan nilai taksiran ACF dat differencing pertama adalah :
r1=
(102063,53)
+ +
( 9863,53)2 +(39563,53)2
( 9863,53 ) (39563,53 ) (35963,53 ) ( 51163,53 )+ + ( 33063,53 ) (102063,53)
= -0,153645
r2=
(102063,53)
++
2
2
(9863,53) +(39563,53)
( 9863,53 ) ( 51163,53 )(35963,53 )( 81163,53 ) + + (63163,53 ) (102063,53)
= -0,041108
Dengan menggunakan minitab dapat diperoleh nilai taksiran ACF sampai lag-15 .
dan diperoleh plot:
11
= r1 = -0,153645
2
22
r 2r 1
2
1r 1
0,041108(0,153645)2
=
1(0,153645)2
=-0,066279
MA(1), karena ada satu ACF yang berbeda nyata dari nol dan pada grafik PACF menurun
secara eksponensial atau berganti tanda(positif dan negative)untuk beberapa lag.
e. Melakukan overfitting terhadap model sementara.
Berdasarkan plot ACF dan PACF data hasil proses differencing pertama diperoleh
model sementara yaitu ARIMA (1,1,1). Untuk mendapatkan model yang dianggap paling
sesuai dilakukan overfitting terhadap model sementara dengan cara mengubah orde AR
dan MA pada model ARIMA(1,1,1) sehingga diperoleh ARIMA(1,1,0) dan
ARIMA(0,1,1)
Coef
0.6553
0.9592
19.035
SE Coef
0.1363
0.0979
4.935
T
4.81
9.80
3.86
P
0.000
0.000
0.000
ARIMA(1,1,0)
Final Estimates of Parameters
Type
AR
1
Constant
Coef
-0.1626
71.11
SE Coef
0.1345
70.19
T
-1.21
1.01
P
0.232
0.315
ARIMA(0,1,1)
Final Estimates of Parameters
Type
MA
1
Constant
Coef
0.2019
60.27
3. Tahap diagnostik
SE Coef
0.1337
55.91
T
1.51
1.08
P
0.137
0.286
ARIMA(1,1,0)
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals:
SS = 16558337 (backforecasts excluded)
MS = 290497 DF = 57
ARIMA(0,1,1)
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals:
SS = 16469112 (backforecasts excluded)
MS = 288932 DF = 57
4. Tahap peramalan
Pada tahap ini menggunakan model ARIMA yang terbaik untuk peramalan.
Berdasarkan uraian dan setelah melalui tahap identifikasi, tahap penaksiran dan pengujian
serta tahap diagnostik maka diperoleh model peramalan dengan MSE minimum yaitu model
ARIMA (1,1,1) dengan persamaan berikut:
Y
(1-B)(1- 1 B ) t
BB+ 1 1 B2
Y
(1 ) t
'
+ (1- 1B ) e t
' + e t - 1B e t
1B 2= '
BY t B+ 1 Y t + e t - 1B e t
Y t Y t
'
Y t = +(1+ 1 ) Y t1 - 1 Y t2 - e t - 1 e t1 + e t
Y t =19,035
e t1
et
Period
61
62
63
64
65
66
67
68
69
70
71
72
Forecast
5071.46
4999.72
4971.74
4972.44
4991.93
5023.74
5063.62
5108.79
5157.42
5208.32
5260.71
5314.07
95 Percent
Limits
Lower
Upper
4067.38 6075.55
3776.32 6223.12
3650.49 6292.99
3600.91 6343.97
3591.69 6392.18
3605.40 6442.09
3632.74 6494.50
3668.45 6549.13
3709.39 6605.45
3753.67 6662.97
3800.10 6721.32
3847.92 6780.23
Actual
Tahun
2007
2008
Januari
28.948.472
30.441.774
Februari
26.316.584
29.260.296
Maret
23.795.900
27.638.097
April
21.609.858
29.807.590
Mei
25.058.056
29.555.077
Juni
25.324.861
29.862.703
Juli
26.386.354
29.399.690
Agustus
27.174.899
28.193.626
September
28.761.040
28.297.175
Oktober
27.883.942
29.670.813
November
29.797.722
29.322.268
Desember
28.654.505
29.766.489
Jumlah
319.712.193
351.215.598
Maksimum
29.797.722
30.441.774
Minimum
21.609.858
27.638.097
Rata-rata
26.642.682,75
29.267.966,5
Sumber: PT PLN (Persero) cabang Bukittinggi
2009
33.200.274
31.694.095
29.262.667
31.515.718
29.945.547
28.590.724
30.992.220
31.329.327
31.426.446
32.604.983
33.292.656
32.397.694
376.252.351
33.292.656
28.590.724
31.354.362,58
34000000
32000000
30000000
28000000
26000000
24000000
22000000
20000000
4
12
16
20
Index
24
28
32
36
34000000
Variable
Actual
Fits
32000000
Accuracy Measures
MAPE
4,23978E+00
MAD
1,18227E+06
MSD
2,39793E+12
30000000
28000000
26000000
24000000
22000000
20000000
4
12
16
20
Index
24
28
32
36
34000000
Variable
Actual
Fits
32000000
Accuracy Measures
MAPE
4,20763E+00
MAD
1,17774E+06
MSD
2,34637E+12
30000000
28000000
26000000
24000000
22000000
20000000
4
12
16
20
Index
24
28
32
36
34000000
Variable
Actual
Fits
32000000
Accuracy Measures
MAPE
4,29392E+00
MAD
1,20011E+06
MSD
2,43491E+12
30000000
28000000
26000000
24000000
22000000
20000000
4
12
16
20
Index
24
28
32
36
34000000
Variable
Actual
Fits
32000000
Curve Parameters
Intercept
24646378
Asymptote
35169131
Asym. Rate
1
30000000
28000000
Accuracy Measures
MAPE
4,21885E+00
MAD
1,18644E+06
MSD
2,35955E+12
26000000
24000000
22000000
20000000
4
12
16 20
Index
24
28
32
36
4,23978
1,18227E+06
2,39793E+12
2. Kuadratis
MAPE
MAD
MSD
4,20763
1,17774E+06
2,34637E+12
3. Eksponensial
MAPE
MAD
MSD
4,29392
1,20011E+06
2,43491E+12
4. Logistik
MAPE
MAD
4,21885E+00
1,18644E+06
MSD
2,35955E+12
Xt
Xt = t =1 =
N
10.471.801 .42
=29.008 .337,28
36
Data
tidak
berfruktuasi
disekitar
rata-rata.
Hal
tersebut
mengindikasikan bahwa data tidak stasioner terhadap nilai tengah. Dalam
melakukan pengolahan data di atas , digunakan Metode Pemulusan
Eksponensial Tripel.
Secara teori nilai yang diperoleh adalah 0,027778 dengan N=36
yang merupakan patokan awal mencoba nilai berikutnya. Menurut
Markidarkis nilai yang optimum terletak dalam kisaran 0,1 dan 0,2 maka
kemungkinan lain yang akan dicoba adalah 0,10; 0,14; 0,17; 0,20. Nilai
parameter pemulusan yang menghasilkan nilai MSE terkecil merupakan nilai
yang cocok digunakan pada metode ini.
Pada tahap awal, untuk =0,027778 dapat dihitung ramalan untuk m
periode ke depan dengan :
1. Menentukan nilai pemulusan eksponensial tunggal, eksponensial ganda,
dan eksponensial tripel dengan:
''
'' '
(0,027778x28.881.095,67)+(0,972222x
28.948.472)
= 28.496.441,2
28.946.441,2)
(0,972222
28.948.472)
=28.948.415,6
2. Menentukan nilai rata-rata yang disesuaikan pada waktu t
b2=
= -6.007,8
4. Menentukan trend nilai pemulusan tripel
2
'
''
' ''
c 2=
s 2 s 2 + s 2 )
2( 2
( 1 )
= -56,4
5. Menghitung nilai ramalan periode ke depan
1
Ft +m =at + bt m+ c t m 2
2
a36
= 30.621.931,5;
b36
= 53.263,0; dan
c 36
1
Ft +m =at + bt m+ c t m2 = 30.621.931,5 + 53.263,0 m
2
+ 514,7 m
Dengan cara yang sama dapat juga ditentukan model peramalan untuk
m periode ke depan dengan =0,10; 0,14; 0,17; 0,20 seperti langkah di
atas.
6. Periksa MSE
MSE
0,027778
4,7739
0,1
4,6208
0,14
4,60775
0,17
4,6008
0,20
4,59543
1
F37=a36 +b36 (1)+ c 36(1)2
2
= 32.788.969,9 + 352.626,2(1) + 15.081,2
2
(1)
= 33.149.136,7
Bulan
Januari
Ferbruari
Maret
April
Mei
Juni
Juli
Periode
37
38
39
40
41
42
43
hasil
ramalan
33149136,7
33524384,7
33914713,8
34320124,1
34740615,6
35176188,2
35626842,0
Agustus
Septembe
r
Oktober
November
Desember
44
36092577,0
45
46
47
48
36573393,1
37069290,4
37580268,9
38106328,5
Daftar Putaka
Zamahsary, M. (2010). Peramalan Penjualan Sepeda Motor pada CV. Tjahaja Baru
Sumatera Barat, (pp. 19-35). Padang.