ANALISIS DERET

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.

 Beberapa metode penghalusan hanya cocok

untuk pola data tertentu.
METODE YANG DIBAHAS
 Single Moving Average
 Double Moving Average

 Single Exponential Smoothing

 Double Exponential Smoothing

 Metode Winter untuk musiman aditif

 Metode Winter untuk musiman multiplikatif

SINGLE MOVING AVERAGE

 Ide: data pada suatu periode dipengaruhi oleh

data beberapa periode sebelumnya
 Cocok untuk pola data konstan/stasioner
 Prinsip dasar:
 Data smoothing pada periode ke-t merupakan
rata-rata dari m buah data dari data periode ke-t
hingga ke-(t-m+1) 
1 t
St  
m i t  m 1
Xi

 Data smoothing pada periode ke-t berperan

sebagai nilai forecasting pada periode ke-t+1
Ft = St-1 dan Fn,h = Sn
ILUSTRASI MA DENGAN M=3

Periode (t) Data (Xt) Smoothing (St) Forecasting (Ft)

1 5 - -
2 7 - -
3 6 6 -
4 4 5.6 6
5 5 5 5.6
6 6 5 5
7 8 6.3 5
8 7 7 6.3
9 8 7.6 7
10 7 7.3 7.6
11 7.3
12 7.3
PENGARUH PEMILIHAN NILAI M
9.00

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

MA dengan m yang lebih besar menghasilkan pola data yang lebih

halus.
DOUBLE MOVING AVERAGE

 Mirip dengan single moving average

 Cocok untuk data yang berpola tren

 Proses penghalusan dengan rata-rata dilakukan dua

kali
 Tahap I: S  1
t

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)

 Forecasting dilakukan dengan formula

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

t Xt S1,t S2,t At Bt F2,t

1 12.50
2 11.80
3 12.85 12.38
4 13.95 12.87
5 13.30 13.37 12.87 13.87 0.50
6 13.95 13.73 13.32 14.14 0.41 14.37
7 15.00 14.08 13.73 14.43 0.35 14.55
8 16.20 15.05 14.29 15.81 0.76 14.78
9 16.10 15.77 14.97 16.57 0.80 16.57
10 17.37
11 18.17
12 18.97
SINGLE EXPONENTIAL SMOOTHING
 Metode Moving Average mengakomodir
pengaruh data beberapa periode
sebelumnya melalui pemberian bobot
yang sama dalam proses merata-rata.
 Hal ini berarti bobot pengaruh sekian
periode data tersebut dianggap sama.
 Dalam kenyataannya, bobot pengaruh
data yang lebih baru mestinya lebih
besar.
 Adanya perbedaan bobot pengaruh ini
diakomodir metode SES dengan
menetapkan bobot secara eksponensial.
SINGLE EXPONENTIAL SMOOTHING
(LANJUTAN)
 Nilai smoothing pada periode ke-t:
St =  Xt + (1 – ) St–1
 Nilai  merupakan parameter pemulusan dengan
nilai 0 <  < 1.
 S1 biasanya diambil dari rataan beberapa data
pertama (5 untuk MINITAB)
 Nilai smoothing pada periode ke-t bertindak
sebagai nilai forecast pada periode ke-(t+1)
 Ft = St–1 dan Fn,h = Sn
BOBOT PENGHALUSAN MA VS SES

Perbandingan Bobot Penghalusan Moving Average Dengan Single Exponential Smoothing

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

 Beberapa ukuran yang dapat dipakai untuk

penilaian seberapa baik metode mengepas data:
 Mean Absolute Deviation (MAD)
1 n
MAD   | X t  Xˆ t |
n t 1

 Mean Squared Deviation (MSD)

1 n
MSD   ( X t  Xˆ t ) 2
n t 1

 Mean Absolute Percentage Error (MAPE)

1 n X t  Xˆ t
MAPE    100%
n t 1 Xt
DOUBLE EXPONENTIAL SMOOTHING
 Digunakan untuk data yang memiliki pola tren
 Semacam SES, hanya saja dilakukan dua kali
 Pertama untuk tahapan ‘level’
 Kedua untuk tahapan ‘tren’
DOUBLE EXPONENTIAL SMOOTHING
(LANJUTAN)

 Nilai smoothing data ke-t:

St = Lt-1 + Tt-1
Tt = (Lt – Lt-1) + (1-)Tt-1
Lt =  Xt + (1- )(Lt-1 + Tt-1)
 Bila: Yt = a + b*t + e, maka L0 = a dan T0
=b
 Nilai forecasting diperoleh dengan
formula
Ft,h = Lt + h*Tt
ILUSTRASI DES DENGAN  = 0.2 DAN  = 0.3

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

Aditif 70.00 Multiplikatif

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:

Ft,h = Lt + h*Tt + Mt–p+h

NILAI AWAL - ADITIF
 Ambil 2q data pertama (q: ordo musiman)
 Hitung rata-rata masing-masing musim
q
 Musim I V1  1
 Xi
q
i 2 q 1
0
 Musim II V2  1q 
i  q 1
Xi

 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:

Ft,h = (Lt + h*Tt)Mt–p+h

NILAI AWAL - MULTIPLIKATIF
 Serupa dengan versi aditif, hanya berbeda dalam
menghitung deseasonalized data, di mana:
St = Xt / (L0 + tT0) t = –2q+1, –2q+2, …, 0
TREND ANALYSIS
 Konsep seperti regresi
 Peubah y  Series data
 Peubah x  Waktu

 Model: linier, kuadratik, eksponensial

300
Y = 3 + 2*t + t2
250

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