Materi Perkuliahan

Pokok Bahasan Perkiraan

Waktu
1 Pendahuluan (1x 50’)
2 Metode Pemulusan Rataan Bergerak (1x 50’)
3 Metode Pemulusan Eksponensial dan Metode Winter (1x 50’)
4 Konsep Dasar Pemodelan Data Deret Waktu  (1x 50’)
5 Model Deret Waktu Stasioner  (2 x 50’) 
Analisis Deret Waktu 6 Model Deret Waktu Tidak Stasioner  (2 x 50’) 

STK352 /  3(2‐2) 7 Identifikasi Model (1x 50’)

8 Pendugaan Parameter Model (1x 50’)

Dr. Ir. Kusman Sadik, M.Si 9 Diagnostik dan Kriteria Pemilihan Model  (1x 50’)

10 Peramalan/Forecasting (1x 50’)
Pika Silvianti, M.Si
11 Model Deret Waktu Musiman  (2 x 50’) 

Page ƒ 2

PUSTAKA Data Deret Waktu

ƒ Montgomery, D.C., et.al. 1990. Forecasting Time  “data yang diamati berdasarkan urutan waktu dengan rentang yang sama (jam, 
hari, minggu, bulan, tahun, dsb)”
Series Analysis 2nd. McGraw‐Hill
Misalnya : data ekspor gula tahunan, data nilai tukar rupiah harian, dsb.
ƒ Cryer, J.D. 1986. Time Series Analysis. Duxbury 
Press, Boston pertanian
Data produksi
beras
tahunan

Page ƒ 3 Page ƒ 4
 Klimatologi Ekonomi

Data keuangan Data Stok Barang

Data supply demand Data daya tukar nilai uang

Page ƒ 5 Page ƒ 6

Data Deret Waktu
Kapan data didekati dengan metode deret
Data deret waktu secara teoritis ditulis sebagai:
waktu?
xt =b1z1(t)+b2z2(t)...+bkzk (t)+εk
dimana
Kalau diduga kuat bahwa keragaman dalam data 
ada faktor waktu yang dominan (faktor‐faktor lain  bk = Parameter ke - k
yang mempengaruhi, juga dipengaruhi waktu) z k (t ) = Fungsi Matematik ke - k pada t
εk = Komponen Acak ke - k

Page ƒ 7 Page ƒ 8
 Contoh Data DW Stasioner
Karakteristik Data Deret Waktu
8

ƒ Secara garis besar, data DW dibedakan menjadi dua, yaitu

7

6
stasioner dan tidak stasioner
5

ƒ Dikatakan stasioner apabila data DW memiliki nilai tengah 4

(rataan) dan ragam (fluktuasi) yang konstan dari waktu ke 3

waktu 2

EKSPOR
1

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49

Sequence number

Page ƒ 9 Page ƒ 10

Contoh Data DW Tidak Stasioner Pola Time Series Data 

Secara garis besar pola data time series adalah:
10
ƒ Pola Data Horizontal
Æ Terjadi bila data berfluktuasi di sekitar rata‐rata 
0
yang konstan.
Contoh: Data penjualan yang konstan
-10

ƒ Pola Data Musiman
-20
Æ Terjadi bilamana suatu deret dipengaruhi oleh
PROFIT

faktor musiman (misalnya kuartal tahun tertentu, 

-30
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 bulanan, atau hari‐hari pada minggu tertentu)  
Sequence number Contoh: Data produksi tanaman

Page ƒ 11 Page ƒ 12
 Pola Data Time Series

Pola Time Series Data (contd)  9
50

ƒ Pola Data Siklis
45
8

40
7

Æ Terjadi bila data dipengaruhi oleh fluktuasi 6

35

30
5

ekonomi jangka panjang seperti yang     4

25

20

berhubungan dengan siklus bisnis. 2

15

10

Contoh: Penjualan mobil
1
5

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0

ƒ Pola Data Trend
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Konstan Trend
Æ Terjadi bilamana kenaikan atau penurunan
18

25

16

sekuler jangka panjang dalam data 14

20

12

Contoh: GNP 10 15

ƒ Pola Gabungan antara beberapa pola yang telah disebutkan diatas. 8

10
6

4
5

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Page ƒ 13 Page ƒ 14
Seasonal Cyclic

Plot Deret Waktu Ruang Lingkup

Time Series plot sangat penting untuk melihat pola data deret waktu Analisis Deret Waktu
yang akan kita analisa lebih lanjut.
Dibawah ini adalah contoh data deret waktu penjualan yang memiliki
pola musiman.
Pemulusan
Pemulusan
Time Series Plot of penjualan
18

16

14

12
Peramalan
Peramalan
alan

10
enju

8
p

0
Pemodelan
Pemodelan
1 7 14 21 28 35 42 49 56 63 70
Index

Page ƒ 15 Page ƒ 16
 Metode dalam Analisis Deret Waktu Metode dalam Analisis Deret Waktu (contd.)

ƒ ARIMA (Autoregressive Integrated Moving Average) pada dasarnya ƒ Bayesian merupakan metode yang menggunakan state space berdasarkan

menggunakan fungsi deret waktu, metode ini memerlukan pendekatan model dinamis linear (dynamical linear model). Sebagai contoh: menentukan
model identifikasi serta penaksiran awal dari paramaternya. Sebagai contoh:  diagnosa suatu penyakit berdasarkan data‐data gejala (hipertensi atau sakit
peramalan nilai tukar mata uang asing, pergerakan nilai IHSG. jantung), mengenali warna berdasarkan fitur indeks warna RGB, mendeteksi

ƒ Regresi menggunakan dummy variabel dalam formulasi matematisnya.  warna kulit (skin detection) berdasarkan fitur warna chrominant.

Sebagai contoh: kemampuan dalam meramal sales suatu produk berdasarkan ƒ Metode smoothing dipakai untuk mengurangi ketidakteraturan data yang 
harganya. bersifat musiman dengan cara membuat keseimbangan rata‐rata dari data 
masa lampau.

Page ƒ 17 Page ƒ 18

Metode Peramalan Metode Peramalan

Kuantitatif Kualitatif
ƒ Metode Pemulusan (Smoothing) “qualitative  forecasting  techniques  relied  on  human 
9 Rata‐rata bergerak tunggal (single moving average) – utk data 
judgments  and  intuition  more  than  manipulation  of  past 
stasioner
9 Pemulusan exponensial tunggal (single exponential smoothing) – utk historical  data,” atau metode yang  hanya didasarkan
data stasioner kepada penilaian dan intuisi,  bukan kepada pengolahan
9 Pemulusan exponensial ganda (double exponential smoothing) – utk data historis. 
data tidak stasioner
9 Pemulusan Metode Winter – utk data yang ada faktor musiman
ƒ Metode Pemodelan Box Jenkins (ARIMA)

Page ƒ 19 Page ƒ 20
 Tugas
ƒ Carilah data deret waktu dalam bidang keilmuan tertentu
(minimal 10 series), buat plot deret waktunya dan berikan
komentar anda
ƒ Contoh:

Page ƒ 21