Peramalan Data Time Series

Data Time Series

Time series merupakan data yang diperoleh
dan disusun berdasarkan urutan waktu atau
data yang dikumpulkan dari waktu ke waktu.
Waktu yang digunakan dapat berupa minggu,
bulan, tahun dan sebagainya.

Kegiatan Peramalan
Merupakan bagian integral dari pengambilan keputusan.
Mengurangi ketergantungan pada hal-hal yang belum
pasti (intuitif).

Ada saling ketergantungan antar divisi.

Contoh , kesalahan proyeksi penjualan akan mempengaruhi
ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dst.

Dua hal utama dalam proses peramalan yang akurat dan

bermanfaat:
Pengumpulan data yang relevan.
Pemilihan teknik peramalan yang tepat.

Metode Peramalan
Terdapat dua pendekatan peramalan :
kualitatif
kuantitatif.

Metode peramalan kualitatif

Metode ini digunakan ketika data historis langka atau bahkan
tidak tersedia sama sekali;
Metode ini (biasanya) menggunakan opini dari para ahli
untuk memprediksi kejadian secara subyektif;
Contoh: penjualan dari produk baru, lingkungan dan teknologi
di masa mendatang.
Keuntungan: berguna ketika tidak ada data historis;

Kelemahan: subyektif

Metode peramalan kuantitatif

Metode ini digunakan ketika tersedia data historis;
Metode ini mengkonstruksi model peramalan dari data yang
tersedia atau teori peramalan;
Keuntungan: Obyektif

Kelemahan: membutuhkan data.

Metode kuantitatif dibagi menjadi 2 jenis: time series dan
causal

 Metode peramalan causal

Meliputi faktor-faktor yang berhubungan dengan variabel yang
diprediksi seperti analisis regresi.
Mengasumsikan bahwa satu atau lebih faktor (variabel
independen) memprediksi masa datang.

Metode Peramalan time series

merupakan metode kuantitatif untuk menganalisis data masa
lampau yang telah dikumpulkan secara teratur dengan
menggunakan teknik yang tepat.
Data historis digunakan untuk memprediksi masa datang

Hasilnya dapat dijadikan acuan untuk peramalan nilai di

masa yang akan datang (Makridakis. S., 1999).

Syarat-syarat Peramalan Kuantitatif

1.
2.
3.

Tersedia info pada waktu lalu

Info tersebut dapat dikuantitatifkan
Diasumsikan pola pada waktu-waktu lalu akan
berlanjut di masa yang akan datang (assumption of
constancy)

Tipe-tipe Metode Kuantitatif

1. Naif/intuitif

yt 1

yt yt 1
yt
yt

2. Formal
Berdasarkan prinsip-prinsip statistik

Metode Peramalan Tipe Formal

1.

Metode Kausal/Eksplanatori

input

2.

Hubungan sebab
akibat

output

Metode Deret Berkala (time series)

input

Pembangkit
proses

output

Komponen Time Series

Trend

Cyclical

Seasonal

Random

Pola data
Terdapat empat pola data yang lazim dalam
peramalan:
1. Pola horisontal
2. Pola musiman
3. Pola siklis
4. Pola tren

Horisontal
Pola horisontal: Terjadi bila mana data berfluktuasi di
sekitar rata-ratanya.

Musiman
Pola musiman: Terjadi bila mana nilai data dipengaruhi
oleh faktor musiman (misalnya kuartal tahun tertentu,
bulanan atau mingguan).
Menunjukkan puncak-puncak (peaks) dan lembah-lembah
(valleys) yang berulang dalam interval yang konsisten.

Siklis
Pola siklis. Terjadi bila mana datanya dipengaruhi oleh
fluktuasi ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis.
Pergerakan seperti gelombang yang lebih panjang
daripada satu tahun.

Trend
Pola trend. Terjadi bila mana ada kenaikan atau
penurunan sekuler jangka panjang dalam data.

Simple Average
We will first investigate some averaging
methods, such as the "simple" average of all
past data.
Example. Seorang manager toko computer
mempunyai data penjualan notebook
perbulan. Dia mempunyai data 12 bulan
penjualan sebagai berikut :

Data
Bulan
1
2
3
4
5
6

Amount
9
8
9
12
9
12

Bulan
7
8
9
10
11
12

Amount
11
7
13
9
11
10

The computed mean or average of the data = 10.

The manager decides to use this as the estimate for
next demand. Is this a good or bad estimate?

MSE
We shall compute the "mean squared error":
The "error" = true amount spent minus the estimated
amount.
The "error squared" is the error above, squared.
The "SSE" is the sum of the squared errors.
The "MSE" is the mean of the squared errors.
The SSE = 36 and the MSE = 36/12 = 3.

Komputasi
Bulan
1
2
3
4
5
6
7
8
9
10
11
12

$
9
8
9
12
9
12
11
7
13
9
11
10

Error
-1
-2
-1
2
-1
2
1
-3
3
-1
1
0

Error Squared
1
4
1
4
1
4
1
9
9
1
1
0

MSE Terbaik
So how good was the estimator for the next demand ? Let
us compare the estimate (10) with the following
estimates: 7, 9, and 12.
Performing the same calculations we arrive at:
Estimator

10

12

SSE

144

48

36

84

MSE

12

Bukti Analisis
Dapat dibuktikan secara matematis bahwa estimator yang
meminimalkan MSE pada himpunan data random adalah mean.

d n
2
Minimum MSE Yi a 0
da i 1

Data With Trend

Selanjutnya kita lihat data timeseries yang mengandung
trend.

Next we will examine the mean to see how well it

predicts net income over time for data having a trend.
The next table gives the income before taxes of a PC
manufacturer between 1985 and 1994.

Komputasi Data
Year $ (millions)
1985
46.163
1986
46.998
1987
47.816
1988
48.311
1989
48.758
1990
49.164
1991
49.548
1992
48.915
1993
50.315
1994
50.768

Mean
48.776
48.776
48.776
48.776
48.776
48.776
48.776
48.776
48.776
48.776

Error Squared Error

-2.613
6.828
-1.778
3.161
-0.960
0.922
-0.465
0.216
-0.018
0.000
0.388
0.151
0.772
0.596
1.139
1.297
1.539
2.369
1.992
3.968

Bukti Empiris
The question arises: can we use the mean to forecast
income if we suspect a trend ? A look at the graph below
shows clearly that we should not do this.

 Kasus di atas dapat diselesaikan antara lain

dengan menggunakan regresi trend atau
metode perataan yang lain seperti MA ganda,
Metode Eksponensial Smoothing Linear Holt
atau Brown.