Anda di halaman 1dari 6

Analisis Runtun Waktu (Time Series Analysis)

Analisis runtun waktu merupakan salah satu analisis yang banyak digunakan dalam proses peramalan.
Menurut Makridakis et.al, dasar pemikiran time series adalah pengamatan sekarang (𝑍𝑡) yang bergantung
pada 1 atau beberapa pengamatan sebelumnya (𝑍𝑘−1). Dengan kata lain, model time series dibuat karena
adanya korelasi (dependensi) antar deret pengamatan secara statistik. Untuk melihat adanya korelasi antar
pengamatan, dapat dilakukan uji korelasi antar pengamatan yang sering dikenal dengan autocorrelation
function (ACF). Tujuan analisis deret waktu adalah untuk memahami dan menjelaskan mekanisme
tertentu, meramalkan suatu nilai di masa depan, dan mengoptimalkan sistem kendali. Analisis deret waktu
dapat diterapkan di bidang ekonomi, bisnis, industri, teknik dan ilmu-ilmu sosial. [4]
Data yang digunakan dalam analisis deret waktu merupakan data yang diperoleh dalam kurun waktu
tertentu. Data tersebut dapat bersifat data stasioner dan non-stasioner. Namun diantara kedua jenis data
tersebut, data yang terbaik adalah data yang bersifat stasioner. Suatu data dapat dikatakan stasioner
apabila nilai mean dan varians selalu konstan seiring dengan perubahan waktu. [6]
Menurut Soejoeti, misal 𝑍1,𝑍2,...,𝑍𝑡 merupakan proses stokastik untuk runtun waktu diskrit. Proses di
atas disebut stasioner jika mean dan variansinya konstan untuk setiap titik 𝑡 dan kovarian yang konstan
untuk setiap selang waktu 𝑘. Secara sistematis hal tersebut dapat dirumuskan sebagai berikut:
1. 𝐸(𝑍𝑡) = 𝜇 ,μ bernilai konstan untuk semua 𝑡
2. 𝑉𝑎𝑟 (𝑍𝑡)=𝜎2 ,𝜎2 bernilai konstan untuk semua 𝑡
3. 𝐶𝑜𝑣 (𝑍𝑡,𝑍𝑡+𝑘) =𝛾𝑘 ,𝛾𝑘 bernilai konstan untuk semua t

Dimana 𝛾𝑘 dengan semua 𝑘 ≠ 0 adalah autokovariansi pada lag 𝑘 [2]

Untuk dapat mengetahui apakah suatu data bersifat stasioner atau tidak, dapat dilihat melalui plot
autokorelasi dari data tersebut. Plot autokorelasi dapat memperlihatkan stasioneritas data. Nilai–nilai
autokorelasi dari data stasioner akan turun sampai nol sesudah time-lag kedua atau ketiga, sedangkan
untuk data yang tidak stasioner. [1]. Apabila data bersifat non-stasioner, maka hal yang harus dilakukan
adalah menstasionerkan data terlebih dahulu. Proses tersebut dapat dilakukan dengan transformasi Box-
Cox dan differencing. Transformasi Box-Cox dilakukan jika nilai varians tidak konstan, sedangkan
differencing dilakukan jika nilai mean yang tidak konstan.

2.2. Metode Pemulusan Eksponensial (Exponential Smoothing Method)


Metode pemulusan eksponensial menurut Makridakis merupakan prosedur perbaikan terus-menerus
dalam peramalan terhadap objek pengamatan terbaru. Metode peramalan ini menitik-beratkan pada
penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dalam pemulusan
eksponensial atau exponential smoothing terdapat satu atau lebih parameter pemulusan yang ditentukan
secara eksplisit, dan hasil ini menentukan bobot yang dikenakan pada nilai observasi. Dengan kata lain,
observasi terbaru akan diberikan prioritas lebih tinggi dalam peramalan daripada observasi yang lebih
lama. Metode pemulusan eksponensial dibagi lagi berdasarkan menjadi beberapa metode.

2.2.1. Pemulusan Eksponensial Tunggal (Single Exponential Smoothing)


Pemulusan Eksponensial Tunggal juga dikenal sebagai simple exponential smoothing digunakan pada
peramalan dengan periode jangka pendek, biasanya hanya 1 bulan ke depan. Model tersebut
mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola
pertumbuhan konsisten. [4]
Persamaan untuk metode Pemulusan Eksponensial Tunggal adalah sebagai berikut:

Ŷ 𝑡+1=𝑎 𝑌𝑡+(1−𝑎) Ŷ𝑡 (1)


dimana:
Ŷ𝑡 = Peramalan untuk periode 𝑡
𝑌𝑡 = Nilai aktual time series
Ŷ 𝑡+1 = Peramalan pada periode 𝑡 + 1
𝛼 = Konstanta perataan yang bernilai antara 0 dan 1

Contoh :
Peramalan pengiriman alat pembuka kaleng listrik dengan menggunakan pemulusan eksponensial
Catatan:
Agar dapat memulai sistem peramalan SES kita memerlukan
Y^ 1 , karena Y^ 2 =αY 1 +(1−α ) Y^ 1

Karena nilai 1Y^ tidak diketahui, maka kita dapat menggunakan nilai observasi pertama (Y 1)
sebagai ramalan pertama.

Bulan Perio Nilai Nilai pemulusan


de pengamata Nilai Kesalahan Kuadrat nilai kesalahan
eksponensial
waktu n
(pengirima = = = = = =  = 0,1  = 0,5  = 0,9
0,1 0,5 0,9 0,1 0,5 0,9
n)
200. 200. 200.
Januari 1 200.0 0 0 0 - - - - - -
200. 200. 200.
Pebruari 2 135.0 0 0 0 -65.0 -65.0 -65.0 4225.0 4225.0 4225.0
193. 167. 141.
Maret 3 195.0 5 5 5 1.5 27.5 53.5 2.3 756.3 2862.3
193. 181. 189.
April 4 197.5 7 3 7 3.8 16.3 7.8 14.8 264.1 61.6
194. 189. 196. 116. 113.
Mei 5 310.0 0 4 7 0 120.6 3 13447.9 14550.4 12833.5
-
205. 249. 298. 123.
Juni 6 175.0 6 7 7 -30.6 -74.7 7 938.3 5578.2 15294.6
202. 212. 187.
Juli 7 155.0 6 3 4 -47.6 -57.3 -32.4 2262.7 3288.3 1047.6
197. 183. 158.
Agustus 8 130.0 8 7 2 -67.8 -53.7 -28.2 4598.4 2880.7 797.3
Septemb 191. 156. 132.
er 9 220.0 0 8 8 29.0 63.2 87.2 839.2 3989.7 7599.7
193. 188. 211.
Oktober 10 277.0 9 4 3 83.1 88.6 65.7 6901.1 7846.8 4318.8
Nopemb 202. 232. 270.
er 11 235.0 2 7 4 32.8 2.3 -35.4 1073.6 5.2 1255.2
Desemb 205. 233. 238.
er 12 - 5 9 5 - - - - - -
Juml
ah   34303.3 43384.6 50295.6
Periode
pengujian 10 10 10
3430.32 4338.46 5029.56
MSE   73 25 28

2.2.2. Pemulusan Eksponensial Ganda (Double Exponential Smoothing)

Metode ini digunakan ketika data menunjukkan adanya trend. Pada metode pemulusan eksponensial
dengan trend, pemulusan dilakukan seperti halnya pemulusan sederhana kecuali jika terdapat dua
komponen yang harus diupdate pada setiap periode – level dan trendnya. Level adalah estimasi yang
dimuluskan dari nilai data pada akhir masing-masing periode. Trend adalah estimasi yang dihaluskan dari
pertumbuhan rata-rata pada akhir masing-masing periode. [4]
Persamaan double exponential smoothing adalah

𝑆′𝑡 = 𝛼 𝑌𝑡 + (1 – 𝛼) 𝑆′𝑡−1 (2)


𝑆′′𝑡 = 𝛼 𝑆′𝑡 + (1 – 𝛼) 𝑆′𝑡−1 (3)

𝑆′𝑡 menandakan seri halus yang diperoleh dengan menerapkan pemulusan eksponensial sederhana ke seri
𝑌, sedangkan 𝑆′′𝑡 menandakan seri yang diperhalus ganda yang diperoleh dengan menerapkan pemulusan
eksponensial sederhana (menggunakan 𝛼 yang sama) ke seri 𝑆’
Akhirnya, perkiraan untuk Yt + k, untuk setiap k> 1, diberikan oleh:
Ŷ𝑡+𝑘=𝐿𝑡+𝑘𝑇𝑡 𝑚 (4)
dimana:
𝐿𝑡=2𝑆′𝑡−𝑆′′𝑡−1 (5)
adalah level dugaan pada peride ke 𝑡, dan
𝑇𝑡=( 𝛼/(1−𝛼)(𝑆′′𝑡− 𝑆′′𝑡−1)) (6)
adalah trend dugaan pada periode ke 𝑡
a. Pemulusan Eksponensial Ganda: Metode Satu Parameter dari Brown
Digunakan dalam peramalan data runtut waktu yang mengikuti suatu trend linier.
Bentuk umum yang digunakan untuk menghitung ramalan adalah:
1. A t =αY t +(1−α ) A t−1
2. A ' t =αA t +(1−α ) A ' t−1
3.
at =2 At −A ' t
α
bt = ( A − A 't)
4. 1−α t
5. Persamaan yang digunakan untuk membuat peramalan pada periode p yang akan datang adalah:
Y^ t+ p =a t +bt p
Dimana :
 At = nilai pemulusan eksponensial
 A’t = nilai pemulusan eksponensial ganda
  = konstanta pemulusan
 at = perbedaan antara nilai-nilai pemulusan eksponensial
 bt = faktor penyesuai tambahan = pengukuran slope suatu kurva
 Yt = nilai aktual pada periode t
 p = jumlah periode ke depan yang akan diramalkan

Catatan:
Agar dapat memulai sistem peramalan metode Brown kita memerlukan A 1 dan A’1, karena
A 2 =αY 2 +(1−α ) A 1 dan A ' 2 =αA 2 +(1−α) A ' 1
Karena pada saat t = 1, nilai A 1 dan A’1 tidak diketahui, maka kita dapat menggunakan nilai
observasi pertama (Y1).

Contoh:
Pemulusan eksponensial dari Brown pada data permintaan suatu produk. Perhitungan pada contoh di
bawah ini menggunakan nilai  = 0,2.
Permintaan
Period suatu Nilai
e produk At A't at bt ramalan
1 143 143 143 143.0 0.0  
2 152 144.8 143.4 146.2 0.4 143.0
3 161 148.0 144.3 151.8 0.9 146.6
4 139 146.2 144.7 147.8 0.4 152.7
5 137 144.4 144.6 144.1 -0.1 148.2
6 174 150.3 145.8 154.9 1.1 144.1
7 142 148.6 146.3 151.0 0.6 156.0
8 141 147.1 146.5 147.7 0.2 151.5
9 162 150.1 147.2 153.0 0.7 147.9
10 180 156.1 149.0 163.2 1.8 153.7
11 164 157.7 150.7 164.6 1.7 164.9
12 171 160.3 152.6 168.0 1.9 166.3
13 - - - - - 169.9 (p =1)
14 - - - - - 171.9 (p=2)
15 - - - - - 173.8 (p=3)
16 - - - - - 175.7 (p=4)
17 - - - - - 177.6 (p=5)

b. Pemulusan Eksponensial Ganda: Metode Dua Parameter dari Holt


Digunakan dalam peramalan data runtut waktu yang mengikuti suatu trend linier.
Bentuk umum yang digunakan untuk menghitung ramalan adalah:
1. A t =αY t +(1−α )( A t−1 +T t−1 )
2. T t =β( A t −A t−1 )+(1−β )T t−1
3. Persamaan yang digunakan untuk membuat peramalan pada periode p yang akan datang adalah:
Y^ t+ p = At +T t p
Dimana :
 At = nilai pemulusan eksponensial
  = konstanta pemulusan untuk data (0 <  < 1)
  = konstanta pemulusan untuk estimasi trend (0 <  < 1)
 Yt = nilai aktual pada periode t
 Tt = estimasi trend
 p = jumlah periode ke depan yang akan diramalkan

Catatan:
Agar dapat memulai sistem peramalan metode Brown kita memerlukan A 1, karena
A 2 =αY 2 +(1−α )( A 1 +T 1 ) , karena pada saat t = 1, nilai A 1 tidak diketahui, maka kita dapat
menggunakan nilai observasi pertama (Y1). Untuk estimasi trend pada saat t = 1, nilai T 1 tidak
diketahui, maka kita dapat menggunakan selisih nilai observasi kedua (Y 2) dengan nilai observasi
pertama (Y1), yaitu T1 = Y2 – Y1.

Contoh:
Pemulusan eksponensial dari Holt pada data permintaan suatu produk. Perhitungan pada contoh di
bawah ini menggunakan nilai  = 0,2 dan  = 0,3.

Permintaan Nilai
Periode suatu produk At Tt ramalan
1 143 143 9  
2 152 152.0 9.0 152.0
3 161 161.0 9.0 161.0
4 139 163.8 7.1 170.0
5 137 164.2 5.1 170.9
6 174 170.2 5.4 169.3
7 142 168.9 3.4 175.6
8 141 166.0 1.5 172.2
9 162 166.4 1.2 167.5
10 180 170.1 1.9 167.6
11 164 170.4 1.4 172.0
12 171 171.6 1.4 171.8
13 - - - 173.0 (p =1)
14 - - - 174.4 (p=2)
15 - - - 175.8 (p=3)
16 - - - 177.2 (p=4)
17 - - - 178.6 (p=5)