Data Mentah Adw
Data Mentah Adw
Winter’s Method
Holt-Winters seasonal exponential smoothing memakai suatu model multiplicative atau
model additive untuk menghaluskan dan meramal data yang mengandung dan pola musiman.
Metode ini memakai komponen tingkat, komponen trend, dan komponen seasonal pada tiap
periode. Metode ini memakai tiga bobot atau tiga parameter penghalusan untuk
meremajakan komponen-komponen pada tiap periode. Nilai-nilai awal untuk komponen
tingkat dan komponen trend diperoleh dari suatu regresi garis lurus menurut waktu. Nilai-
nilai awal untuk komponen musiman diperoleh dari variabel dummy memakai data
detrended.
Perintah Stat>Time Series, Winters’ Method dipakai. Langkah ini akan menyajikan kotak
dialog Winters’ Method. Variable Y dipilih dan tombol Select ditekan. Langkah ini akan
mengalihkan variabel Y ke dalam kolom Variable. Kotak di belakang Seasonal length diisi
dengan nilai 4. Multiplicative dipilih. Bobot yang akan dipakai dalam penghalusan tidak
mengalami perubahan. Kotak di depan Generate forecasts diaktifkan. Nilai 4 dan nilai 42
diisi ke dalam kedua kolom bersangkutan. Hal ini dapat disajikan sebagai berikut :
Model Holt-Winters
Seringkali data time series menunjukkan gejala musiman. Musiman mengacu pada
kecenderungan data time series menunjukkan gejala berulang pada setiap periode waktu
tertentu atau pada setiap periode T. Sebagai contoh, harga daging sapi akan melonjak tinggi
pada musim lebaran, atau harga cabe akan membumbung tinggi setiap bulan Desember. Pola
ini akan terus berulang setiap tahunnya. Akan tetapi nilai kenaikan tersebut akan berubah
secara relatif dari tahun ke tahun, walaupun tetap dengan pola yang sama.
Model Holt-Winters digunakan untuk memodelkan data dengan pola musiman, baik
mengandung trend maupun tidak. Titik berat metode ini adalah pada nilai ramalan (α),
kemiringan slope (β), maupun efek musiman (γ).
Ilustrasi berikut ini akan membandingkan nilai aktual dengan nilai peramalan pada metode
Holt-Winters pada data pendapatan dari perusahaan supplier sayuran HIS FARM periode
tahun 1990 hingga 2006: Untuk menghitung nilai estimasi peramalan, maka kita perlu
mengestimasi terlebih dahulu nilai tingkat pemulusan dan nilai trend dalam model Holt-
Winters, dengan model sebagai berikut:
Dimana:
Ei = tingkat pemulusan pada periode i
Ei-1 = tingkat pemulusan pada periode i-1
Ti = nilai komponen trend pada periode i
Ti-1 = nilai komponen trend pada periode i-1
Yi = nilai yang diketahui pada periode i
U = konstanta pemulusan (0<b1<1)
V = konstanta pemulusan (0<b1<1)
Y2 = 15
Maka, Yt = Y2 – Y1 = 15 – 13 = 2
Sehingga:
dan
Kemudian anda dapat mencoba untuk membandingkan nilai estimasi pada tahun-tahun
selanjutnya. Setelah itu anda dapat melihat perbandingannya melalui grafik.
Maka:
1. Aditive Holt-Winters
Model ini dapat diterapkan ketika time series mengandung komponen musiman (seasonal).
Metode ini mengasumsikan bahwa time series tersusun dari siklus trend dan musiman linier,
yang tersusun dari tiga rangkaian proses statistik yang terkorelasi (pemulusan, trend, dan
musiman) dan memproyeksikan trend serta komponen musiman ke depan.
Pada model ini kita asumsikan bahwa data time series direpresentasikan dengan model:
yt = b1 + b2t + St + εt
Dimana:
b1 merupakan komponen dasar/konstanta (0<b1<1)
b2 adalah komponen trend linier
St adalah faktor multiplikatif musiman
εt adalah komponen error acak
Jika lama dari faktor musiman adalah T periode
Faktor musiman akan digambarkan sebagai jumlah dari rentang musim, seperti:
2. Multiplicative Holt-Winters
Metode ini dapat diterapkan pada data time series musiman sama halnya dengan additive,
tetapi pada model ini diasumsikan bahwa komponen-komponen time series (pemulusan data,
trend, dan musiman), dikalikan satu sama lain sehingga menghasilkan data time series yang
lebih aktif. Model yang digunakan adalah:
yt = (b1 +b2t) St + εt
dimana :
b1 merupakan komponen dasar/konstanta (0<b1<1)
b2 adalah komponen trend linier
St adalah faktor multiplikatif musiman
εt adalah komponen error acak
Jika lama dari faktor musiman adalah T periode
Faktor musiman akan digambarkan sebagai jumlah dari rentang musim, seperti:
Month visit
Jan-08 139872
Feb-08 155153
Mar-08 153929
Apr-08 147515
Mei-08 159877
Jun-08 170994
Jul-08 183122
Agust-08 187584
Sep-08 181033
Okt-08 180944
Nop-08 142014
Des-08 166655
Jan-09 168923
Feb-09 187781
Mar-09 194482
Apr-09 178549
Mei-09 196719
Jun-09 219574
Jul-09 247778
Agust-09 236080
Sep-09 229573
Okt-09 223643
Nop-09 223643
Des-09 215804
Forecasts=6
Multiplicative Method
Data visit
Length 24
Smoothing Constants
α (level) 0,2
γ (trend) 0,2
δ (seasonal) 0,2
Accuracy Measures
MAPE 6
MAD 10137
MSD 146935927
Forecasts