06/02/2015

Metode Peramalan 
Deret Waktu
Dr. Farit M. Afendi, M.Si
,
Pika Silvianti, M.Si

What is a 
forecast?

Why  How to 
Forecast?
Forecasting Forecast

Forecast 
Types

1
 06/02/2015

to discern what is 
most likely to 
happen in the 
enables us to do  future, 
something about it.
thi b t it

https://researchplaybook.wordpress.com/2010/08/25/why‐do‐we‐forecast/

Good Forecasting

2
 06/02/2015

Forecasting Types
• We gain insight into 
what could happen 
next. 
next.
• This insight allows users 
of the forecast to take 
action and influence 
the vision of the future 
offered by the 
forecaster.

Predicting the impact 
Qualitative forecasting  of gasoline price if and  • Quantitative forecasting models are used to 
t h i
techniques are subjective, 
bj ti when it hits rp. 
h it hit f
forecast future data as a function of past data; 
tf t d t f ti f td t
10.000/ltr. 
based on the opinion and  they are appropriate when past data are 
judgment of consumers,  available. 
experts; they are 
appropriate when past 
data are not available.

(http://en.wikipedia.org/wiki/Forecasting#Qualitative_vs._quantitative_methods )

3
 06/02/2015

1. Information about the past is available.
2. This information is available in the form of 
numerical data
3. Assumption of continuity: It can be assumed 
that some aspects of the past pattern will 
continue into the future
continue into the future.
Continuity assumption is also need for 
qualitative forecasting

https://web.njit.edu/

“data yang diamati berdasarkan urutan waktu dengan rentang yang 

sama (jam, hari, minggu, bulan, tahun, dsb)”
(j h i i b l h d b)”
Misalnya : data ekspor gula tahunan, data nilai tukar rupiah harian, 
dsb.
pertanian
Data produksi 
beras tahunan

4
 06/02/2015

Kapan data didekati dengan metode deret waktu?

Data keuangan Data Stok Barang
Kalau diduga kuat bahwa keragaman dalam data 
ada faktor waktu yang dominan (faktor‐faktor 
y g (
lain yang mempengaruhi, juga dipengaruhi waktu)

Data supply demand Data daya tukar nilai uang

Data deret waktu secara teoritis ditulis sebagai: • Secara garis besar, data DW dibedakan menjadi dua, yaitu 

stasioner dan tidak stasioner
• Dikatakan stasioner apabila data DW memiliki nilai tengah 
dimana
(rataan) dan ragam (fluktuasi) yang konstan dari waktu ke 
waktu

5
 06/02/2015

8
10

6
0

4
-10

2
-20
EKSPOR
R

PROFIT
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 -30
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46

Sequence number
Sequence number

Secara garis besar pola data time series adalah: • Pola Data Siklis
• Pola Data Horizontal Æ Terjadi bila data dipengaruhi oleh fluktuasi 
Terjadi bila data dipengaruhi oleh fluktuasi
Æ Terjadi bila data berfluktuasi di sekitar rata‐rata  ekonomi jangka panjang seperti yang    
yang konstan. berhubungan dengan siklus bisnis.
Contoh: Data penjualan yang konstan
Contoh: Penjualan mobil
• Pola Data Musiman • Pola Data Trend
Æ Terjadi bilamana suatu deret dipengaruhi oleh  Æ Terjadi bilamana kenaikan atau penurunan 
faktor musiman (misalnya kuartal tahun tertentu,  sekuler jangka panjang dalam data
k l j k j d l d t
bulanan, atau hari‐hari pada minggu tertentu)   Contoh: GNP
Contoh: Data produksi tanaman • Pola Gabungan antara beberapa pola yang telah 
disebutkan diatas.

6
 06/02/2015

Pola Data Time Series

Time Series plot sangat penting untuk melihat pola data deret waktu

yang akan kita analisa lebih lanjut.
50
9

45
8

7
40 Dibawah ini adalah contoh data deret waktu penjualan yang memiliki
6
35
pola musiman.
30
5

25

20

3
15 Time Series Plot of penjualan
2
10
18
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
16
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 14
18

25 12
16

alan
14 10

penjua
20

8
12

10 15

8
6
10
6 4

2
4
5

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

Problem definition Data Collection Data Analysis

Pemulusan
Forecasting Model  Model Selection 
Model Validation
Deployment and Fitting

Peramalan

Monitoring 
Forecasting Model 
Performance
Pemodelan

7
 06/02/2015

• Bayesian merupakan metode yang menggunakan state space 
• ARIMA (Autoregressive Integrated Moving Average) pada 
berdasarkan model dinamis linear (dynamical linear model)
berdasarkan model dinamis linear (dynamical linear model). 
dasarnya menggunakan fungsi deret waktu, metode ini 
Sebagai contoh: menentukan diagnosa suatu penyakit berdasarkan 
memerlukan pendekatan model identifikasi serta penaksiran  data‐data gejala (hipertensi atau sakit jantung), mengenali warna 
awal dari paramaternya. Sebagai contoh: peramalan nilai  berdasarkan fitur indeks warna RGB, mendeteksi warna kulit (skin 
tukar mata uang asing, pergerakan nilai IHSG. detection) berdasarkan fitur warna chrominant.

• Regresi menggunakan dummy variabel dalam formulasi 
Regresi menggunakan dummy variabel dalam formulasi • Metode smoothing
Metode smoothing dipakai untuk mengurangi ketidakteraturan 
dipakai untuk mengurangi ketidakteraturan

matematisnya. Sebagai contoh: kemampuan dalam meramal  data yang bersifat musiman dengan cara membuat keseimbangan 
rata‐rata dari data masa lampau.
sales suatu produk berdasarkan harganya.

• 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
historical data,” atau metode yang hanya didasarkan
9 Pemulusan exponensial tunggal (single exponential smoothing) –
utk data stasioner kepada penilaian dan intuisi, bukan kepada pengolahan
9 Pemulusan exponensial ganda (double exponential smoothing) 
Pemulusan exponensial ganda (double exponential smoothing) – data historis.
historis
utk data tidak stasioner
9 Pemulusan Metode Winter – utk data yang ada faktor musiman

• Metode Pemodelan Box Jenkins (ARIMA)

8
 06/02/2015

• Beberapa ukuran yang dapat dipakai untuk penilaian • AIC (Akaike information criterion)

seberapa baik metode mengepas data:
¾ Mean Absolute Deviation (MAD)
1 n
• BIC (Bayesian information criterion)
MAD = ∑ | X t − Xˆ t |
n t =1
¾ Mean Squared Deviation (MSD)
1 n
MSD = ∑ ( X t − Xˆ t )2
n t =1

¾ Mean Absolute Percentage Error (MAPE)
TUGAS 1 MINGGU DEPAN
1 n X t − Xˆ t
MAPE = ∑ X × 100%
n t =1 t

8. Model Regresi untuk Data Deret Waktu 1x 4 : Bab 4

Perkiraan Waktu Daftar
No. Pokok Bahasan (2) (2 x 50’)
(menit) Kepustakaan
9. Model Regresi untuk Data Deret Waktu 1x 4 : Bab 4
1. Pendahuluan 1 x (2 x 50’) 1: Bab 1
(3) (2 x 50’)
2
2. Metode Pemulusan Rataan Bergerak 1 x (2 x 50
50’)) 10
10. M d lR
Model Regresii ddengan peubah
b h lag
l 1x 3 : Bab
B b 2 dan
d Bab
B b3
Sederhana (RBS) dan Rataan (2 x 50’)
Bergerak Ganda (RBG) 11. Pemodelan Data Deret Waktu 1x 2 : Bab 4
3. Metode Pemulusan Eksponensial 1 x (2 x 50’) 1: Bab 4 Stasioner Berdasarkan Noise (2 x 50’)
Sederhana
4. Metode Pemulusan Eksponensial 1 x (2 x 50’) 1: Bab 4 12. Pengidentifikasian Model 1x 2 : Bab 6
Ganda (2 x 50
50’))
5. Metode Pemulusan Winter (Aditif) 1 x (2 x 50’) 1: Bab 4 13. Pendugaan Parameter Model, 1x 2: Bab 7 dan Bab 8
6. Metode Pemulusan Winter 1 x (2 x 50’) 1: Bab 4 Diagnostik dan Peramalan (1) (2 x 50’)
(Multiplikatif) 14. Pendugaan Parameter Model, 1x 2: Bab 9
7. Model Regresi untuk Data Deret 1 x (2 x 50’) 4 : Bab 4 Diagnostik dan Peramalan (2) (2 x 50’)
Waktu (1)

9
 06/02/2015

1. Montgomery, D.C., et.al. 2008. Forecasting  • Carilah data deret waktu dalam

Ti
Time Series Analysis 2nd.
S i A l i 2 d John Wiley 
J h Wil bidang keilmuan anda (minimal 10 
(minimal 10
series), buat plot deret waktunya dan
2. Cryer, J.D. and Chan, K.S. 2008. Time Series 
berikan komentar anda
Analysis with Application in R. Springer
• Contoh:
3. Abraham, B and Ledolter, J. 2005. Statistical 
Methods for Forecasting John Wiley
Methods for Forecasting, John Wiley
4. Hyndman, R.J and Athanasopoulos, G. 2013. 
Forecasting: principles and practice

10