WAKTU
JENIS DATA
Cross section
Beberapa pengamatan diamati bersama-sama pada periode
waktu tertentu
Harga saham semua perusahaan yang tercatat di BEJ pada
hari Rabu 27 Februari 2008
Time Series
Satu pengamatan diamati selama sekian periode secara
teratur
Harga saham P.T. TELKOM di BEJ dari 2 Januari 2008
hingga 27 Februari 2008
Longitudinal/panel
Beberapa pengamatan diamati bersama-sama selama kurun
waktu tertentu (gabungan cross section dan time series)
Harga saham P.T. TELKOM, P.T. INDOSAT, dan P.T.
Mobile8 di BEJ dari 2 Januari 2008 hingga 27 Februari 2008
9
POLA DATA TIME SERIES 50
45
8
40
7
35
6
30
5
25
20
3
15
2
10
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
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
18
25
16
14
20
12
10 15
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
Seasonal Cyclic
METODE FORECASTING
Metode forecasting dapat dibedakan menjadi dua
kelompok:
Smoothing
Moving average, Single Exponential Smoothing,
Double Exponential Smoothing, Metode Winter
Modeling
ARIMA, ARCH/GARCH
SMOOTHING
SEKILAS TENTANG SMOOTHING
Prinsip dasar: pengenalan pola data dengan
menghaluskan variasi lokal.
Prinsip penghalusan umumnya berupa rata-rata.
8.00
7.00
6.00
5.00 Semula
MA (m=3)
4.00 MA (m=6)
3.00
2.00
1.00
0.00
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
Waktu
1,t Xi m i t m 1
Tahap II: 1 t
S2,t
m i t m 1
S1,i
DOUBLE MOVING AVERAGE (LANJUTAN)
F2,t ,t h At Bt (h)
dengan
At 2 S1,t S 2,t
S1,t S 2,t
2
Bt
m 1
ILUSTRASI DMA DENGAN M=3
0.8
0.7
Bobot dalam penghalusan
0.6
0.5
SES(0.7)
0.4 MA(3)
MA(6)
0.3
0.2
0.1
0
1 2 3 4 5 6 7
Periode sebelumnya
ILUSTRASI SES DENGAN = 0.2
Periode (t) Data (Xt) Smoothing (St) Forecasting (Ft)
1 5 5.40000 5.50000
2 7 5.72000 5.40000
3 6 5.77600 5.72000
4 4 5.42080 5.77600
5 5 5.33664 5.42080
6 6 5.46931 5.33664
7 8 5.97545 5.46931
8 7 6.18036 5.97545
9 8 6.54429 6.18036
10 7 6.63543 6.54429
11 6.63543
12 6.63543
PEMILIHAN MODEL
Beberapa model dapat diterapkan untuk
data yang sama (MA dengan m = 3 atau
m = 6, SES dengan = 0.3 atau = 0.4)
mana yang dipilih??
Membagi data menjadi dua bagian,
training dan testing
Training: bagian data yang digunakan
untuk smoothing atau modeling
Testing: bagian data yang digunakan
untuk verifikasi
PEMILIHAN MODEL (LANJUTAN)
9
Semula
5 MA(m=3)
MA(m=6)
4 SES(0.3)
SES(0.4)
3
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
Waktu
ACCURACY MEASURES
t Xt Lt Tt St Ft
1 12.50 11.9676 0.571600 11.9676 11.8344
2 11.80 12.3913 0.527251 12.3913 12.5392
3 12.85 12.9049 0.523136 12.9049 12.9186
4 13.95 13.5324 0.554456 13.5324 13.4280
5 13.30 13.9295 0.507245 13.9295 14.0869
6 13.95 14.3394 0.478042 14.3394 14.4367
7 15.00 14.8539 0.488996 14.8539 14.8174
8 16.20 15.5143 0.540420 15.5143 15.3429
9 16.10 16.0638 0.543134 16.0638 16.0548
10 16.6069
11 17.1501
12 17.6932
METODE WINTERS
Merupakan salah satu pendekatan smoothing
untuk data yang berpola musiman (seasonal)
Memiliki dua prosedur penghitungan tergantung
kondisi data:
Aditif: komponen musiman bersifat aditif
dengan komponen level dan tren
Multiplikatif: komponen musiman bersifat
multiplikatif dengan komponen level dan tren
SEASONAL ADITIF VS MULTIPLIKATIF
75.00 110.00
100.00
70.00
90.00
80.00
65.00
60.00
60.00
50.00
55.00
40.00
50.00 30.00
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
1
7
METODE WINTERS - ADITIF
Komponen model:
Lt = (Yt – Mt–p) + (1 – )(Lt–1 + Tt–1)
Tt = (Lt – Lt–1) + (1 – )Tt–1
Mt = (Yt – Lt) + (1 – )Mt-p
Nilai Smoothing:
St = Lt + Tt + Mt–p
Nilai Forecast:
T0 = (V2 – V1)/q
L0 = V2 + T0(q – 1)/2
Deseasonalized data:
St = Xt – (L0 + tT0) t = –2q+1, –2q+2, …, 0
M–q+1 = (M–2q+1 + M–q+1)/2, …, M0 = (M–q + M0)/2
METODE WINTERS - MULTIPLIKATIF
Komponen model:
Lt = (Yt Mt–p) + (1 – )(Lt–1 + Tt–1)
Tt = (Lt – Lt–1) + (1 – )Tt–1
Mt = (Yt Lt) + (1 – )Mt-p
Nilai Smoothing:
St = (Lt + Tt)Mt–p
Nilai Forecast:
200
Linier
150
Kuadratik
Eksponensial
100
50 Y = 3 * 1.3t
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Y = 3 + 2*t