MULTIPLICATIVE DECOMPOSITION
Suatu time series yang mengandung variasi musiman naik atau
turun dengan parameter-parameter yang menggambarkan series-
series itu tidak berubah sepanjang waktu pengamatan, seringkali
time series semacam ini dapat dimodelkan secara baik dengan meng-
gunakan model dekomposisi multiplikatif.
Hasil perkalian trend dengan faktor musiman ini dapat dilihat pada
gambar 1.
1000
900
800
700
600
500
400
300
200
1000
900
800
700
600
500
400
300
200
Contoh 1 :
Data tahunan besarnya pesanan suatu minuman energi produksi
perusahaan ABC selama 3 tahun dapat dilihat pada tabel 1. Mi-
numan ini baru dikenalkan ke publik pada tiga tahun yang lalu
dan telah pula mencapai fase popularitas. Secara periodik, peru-
sahaan menerima order jumlah minuman yang harus disediakan
dari beberapa distributor regional yang ada. Perusahaan menggu-
nakan kebijaksanaan inventory dengan menerapkan PPC untuk
menyesuaikan antara order yang ada dan jumlah minuman yang
harus diproduksi. Untuk itu mereka membutuhkan ramalan be-
sarnya pesanan minuman di masa-masa yang akan datang.
1600
1400
1200
1000
Yt
800
600
400
200
0
0 5 10 15 20 25 30 35 40
t
1. Analisis TREND
Tˆt β 0 β1 t
2. Analisis MUSIMAN
Analisis Musiman pada data rangkaian waktu mempunyai im-
plikasi jangka pendek. Untuk menghitung indeks musiman ini diguna-
kan metode rasio rata-rata bergerak dengan melibatkan moving
averages and center moving averages (CMAt).
Metode rasio rata-rata bergerak untuk menghitung faktor musiman
dapat dijabarkan sebagai berikut :
Dst.
b. Langkah 2 Tabel 2, kolom 4
Nilai rata-rata bergerak yang pertama (M1) terletak antara pe-
riode 6 dan 7, rata-rata bergerak kedua (M2) terletak antara pe-
447,833 452,417
CMA1 = = 450,1
2
452,417 458,000
CMA2 = = 455,2 dst.
2
c. Langkah 3
CMA pada periode t (pada langkah 2) selanjutnya digunakan
sebagai penaksir dari Tˆt Cˆ t . Hal ini disebabkan prosedur
rata-rata pada langkah 1 dan 2 diasumsikan telah menghilang-
kan
1. Variasi musiman (St) sebagai catatan bahwa setiap
moving average (rata-rata bergerak) dihitung dengan
menggunakan tepat satu pengamatan dari tiap-tiap
musim.
2. Fluktuasi irregular jangka pendek (It)
Dalam hal ini efek (jangka panjang) dari trend dan efek siklus,
yaitu Tt dan Ct masih ada.
Karena model dekomposisi multiplikatif adalah
Yt = Tt St Ct It
maka
Yt Yt
Ŝ t Î t = =
Tt C t CMA t
t Yt MA-12t CMAt Ŝ t Î t Ŝ t dt
d. Langkah 4
Nilai Ŝ t dapat diperoleh melalui “grouping” nilai-nilai Ŝ t Î t
untuk masing-masing bulan dan hitung nilai rata-ratanya, Ŝt ,
L 12
1,008758
L 11,9895 .
Ŝt
t 1
Ŝ t Î t
11.9895
e. Langkah 5
Setelah melakukan perhitungan nilai Ŝ t dan meletakkannya di
tabel 3 kolom 6, langkah selanjutnya adalah mendefinisikan
pengamatan yang di”deseasonalisasikan” pada periode t, yaitu
Y
dt t
Sˆt
1600
1400
1200
1000
800
Yt
600
400
200
0
0 5 10 15 20 25 30 35 40
t
f. Langkah 6
Karena model dekomposisi multiplikatif adalah
Yt = Tt St Ct It
maka
Yt
Ĉ t Î t = tabel 2 lanjutan 2, kolom 4
T̂t Ŝt
g. Langkah 7
Akhirnya, kita dapat menghitung nilai taksiran dari It dengan
menggunakan persamaan
Ĉ t Î t
Î t = . tabel 2 lanjutan 2, kolom 6
Ĉ t
Catatan :
Beberapa catatan berkaitan dengan hasil model dekomposisi
untuk kasus jumlah pesanan minuman ini adalah sebagai
berikut :
1. Siklus tidak dapat diidentifikasi dengan baik, karena data
yang ada hanya untuk tiga tahun pengamatan dan nilai-nilai
taksiran dari siklus ini sebagian besar mendekati 1
2. Pola dari faktor irregular tidak dapat dideteksi dari nilai
taksiran untuk komponen irregular ini.
Berdasarkan hasil prosedur metode dekomposisi ini, maka nilai
taksiran dari komponen trend, musiman, siklus, dan irregular dapat
diketahui, yaitu T̂t , Ŝt , Ĉ t dan Î t , sehingga dari nilai-nilai ini
dapat digunakan untuk melakukan forecasting jumlah pesanan
minuman di masa-masa yang akan datang. Jika komponen dari
irregular tidak mempunyai pola, kita dapat gunakan nilai prediksi
untuk komponen ini akan sama dengan NOL. Sehingga nilai
ramalan dari Yt adalah
Yˆt Tˆt Sˆ t .
825,439 769,959
B 44 [95] 27,74
2
1800
1200
1000
Yt
800
600
400
200