Tugas 3

Forecasting Methods & Transformation and Adjustments

Disusun untuk Memenuhi Tugas Mata Kuliah Analisis Data Deret Waktu

Dosen : Resa Septiani Pontoh S.Si., M.A.B., M.Sc

Nama : Thifal Qotrunnada

NPM : 140610180090

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2020
3.1.Metode Forecasting Sederhana
Beberapa metode forecasting sangat sederhana dan efektif. Berikut akan dijelaskan empat
metode forecasting yang dijadikan tolak ukur, yaitu :
3.1.1. Average Method
Average Method adalah hasil dari forecast untuk ramalan kedepannya sama dengan nilai rata-
rata (mean) dari data historis. Jika data historis dilambangkan dengan 𝑦1, … , 𝑦𝑇 maka prakiraan
dalam peramalan kita dapat ditulis sebagai berikut :
𝑦̂𝑇+ℎ |T= 𝑦̅ = (𝑦1 + ⋯ + 𝑦𝑇 )/𝑇.
Dengan (𝑦1 + ⋯ + 𝑦𝑇 ) merupakan data yang kita punya dan T merupakan periode data..
𝑁𝑜𝑡𝑎𝑠𝑖 𝑦̂𝑇+ℎ |Tmerupakan estimate untuk𝑦𝑇+ℎ .

3.1.2. Naive Method

Naive Method adalah apapun nilainya dan bagimanapun bentuknya nilai forecast kedepannya
akan sama dengan nilai terakhir pengamatan (observasi).
𝑦̂𝑇+ℎ |T= 𝑦𝑇.
naive mehtod optimal ketika data mengikuti random walk, maka naive mehtod ini juga disebut
random walk forecasts.

3.1.3. Seasonal Naive Method

Dalam metode ini menggunakan data seasonal atau musiman. Prinsipnya akan sama, jadi nilai
masa mendatang akan sama dengan nilai pengamatan terakhir dari musim yang sama tahun ini
(misalnya bulan yang sama dengan tahun sebelumnya). Secara formal, ramalan waktu𝑇 + ℎ
ditulis sebagai
𝑦̂𝑇+ℎ |T= 𝑦𝑇+ℎ−𝑚(𝑘+1)

di mana 𝑚 = periode musiman, dan merupakan (yaitu, jumlah tahun lengkap dalam periode
perkiraan sebelum waktu). Misalnya data bulanan, ramalan untuk semua nilai bulan Februari
yang akan datang sama dengan nilai bulan Februari yang terakhir diamati, karena diketahui
jenis datanya adalah musiman. Dengan data triwulanan, perkiraan semua nilai Q2 (di mana
Q2 berarti kuartal kedua) di masa depan sama dengan nilai Q2 yang terakhir diamati). Aturan
serupa berlaku juga untuk lainnya bulan dan kuartal, dan untuk periode musiman lainnya.
3.1.4. Drift Method
Drift Method adalah variasi dari naive method yang memungkinkan nilai forcecastnya itu
meningkat atau menurun dari waktu ke waktu, jadi nanti ada variasi di sana yang disebut juga
Drift. Di mana jumlah perubahan dari waktu ke waktu (penyimpangan) diatur menjadi
perubahan rata-rata yang terlihat pada data historis. Demikian ramalan waktu diberikan oleh
ℎ 𝑦𝑇−𝑦1
𝑦̂𝑇+ℎ |T= 𝑦𝑇 + ∑𝑇𝑡=2(𝑦𝑡 − 𝑦𝑡−1 ) = 𝑦𝑇 + ℎ ( ).
𝑇−1 𝑇−1

Hal Ini setara dengan menggambar garis antara pengamatan pertama dan terakhir, dan
kemudian kita akan mengekstrapolasinya ke masa depan.

3.1.5. Contoh
Gambar 3.1. Forecast of Australian quarterly beer production
 Pada gambar 3.1. Menunjukkan
tiga metode pertama (average
method,naive method dan seasonal naive method) yang diterapkan pada data produksi bir
triwulanan. Dapat dilihat bahwa terdapat 4 warna garis pada grafik, yaitu hitam, merah, hijau,
dan biru. Warna hitam menunjukan produksi beer kuartalan pada periode-periode sebelumnya.
Warna merah menunjukan average yaitu perkiraan produksi beer berdasarkan rata-rata dari
produksi pada periode sebelumnya. Warna hijau menunjukan perkiraan produksi beer menurut
metode naive, yaitu sama seperti pada periode terakhir. Dan warna biru menunjukan pola
musiman mengikuti periode-periode sebelumnya..

Gambar 3.2. Forecast based on 200 days of the google daily closing stock price
Pada gambar 3.2 , dapat dilihat garis berwarna merah yang menunjukan drift. Garis tersebut
membentuk garis lurus mengikuti pola dari periode-periode sebelumnya.

3.2.Transformation and Adjustment

Transformasition & adjustmen dibutuhkan dalam forecast ini untuk membuat data menjadi
lebih simple, dalam artian pola datanya tidak terlalu rumit. Dengan cara meremove sumber-
sumber variasi dari data historis yang kita miliki. Beberapa adjustment yaitu terdiri dari :
3.2.1. Calendar Adjustments
Pada kalender biasanya setiap bulan memiliki jumlah hari yang berbeda-beda. Sehingga
variasinya akan berbeda sekali jika data-data dibuat dalam bentuk bulanan, belum lagi terdapat
efek musiman. Function berfungsi untuk menghitung jumlah hari di setiap bulan
dalam triwulanan
Contohnya, dalam produksi susu bulanan di sebuah perternakan. Akan ada variasi di antara
bulan tersebut, karena ada perbedaan jumlah hari dalam setiap bulan. Selain variasi, terdapat
juga musimam di sepanjang tahun.
Gambar 3.3. Monthly milk production percow
Pada gambar 3.3, terlihat pada monthly variasinya lebih besar, sedangkan pada daily pola data
lebih teratur artinya variasinya lebih sederhana. Ternyata produksi harian rata-rata lebih
sederhana dibandingkan bulananan. Maka, efektif untuk menghapus variasi dari produksi
bulanan karena adanya perbedaan waktu.

3.2.2. Population Adjustments

Setiap data akan dipengaruhi oleh perubahan populasi. Pada time series biasanya data-data
ekonomipada umumnya menggunakan kata perkapita, pendapatan perkapita dan lainnya.
Artinya, data itu akan dibuat menjadi perseribu orang atau perjuta orang dari pada totalnya.
untuk sebagian besar data yang dipengaruhi oleh perubahan populasi, yang terbaik atau yang
lebih cocok adalah menggunakan data perkapita daripada totalnya.
3.2.3. Inflatin Adjustments
Data yang dipengaruhi oleh nilai uang sebaiknya disesuaikan sebelum pemodelan. Misalnya,
biaya rata-rata rumah baru akan meningkat selama beberapa dekade terakhir karena inflasi.
Rumah $ 200.000 tahun ini tidak sama dengan rumah $ 200.000 dua puluh tahun yang lalu.
Untuk alasan ini, deret waktu keuangan biasanya disesuaikan dengan nilai dinyatakan dalam
nilai dolar dari tahun tertentu. Misalnya, data harga rumah mungkin disebutkan dalam tahun
2000 dolar.
Untuk melakukan penyesuaian ini, digunakan indeks harga. Jika 𝑧𝑡 menunjukkan indeks harga
𝑦
dan 𝑦𝑡 menunjukkan harga rumah asli pada tahun tersebut, maka 𝑥𝑡 = 𝑡 ∗ 𝑧2000 berikan harga
𝑧𝑡
rumah yang disesuaikan pada nilai dolar tahun 2000. Indeks harga sering dibuat oleh lembaga
pemerintah. Untuk barang konsumsi, indeks harga umum adalah Indeks Harga Konsumen (atau
CPI). Jadi biasanya indeknya sudah ditentukan dan indeks-indeks tersebut adalah salah satu
bentuk penyesuaian terhadap inflasi,
3.2.4. Mathematical Transformations
Jika data menunjukkan variasi yang naik atau turun pada tingkat rangkain, maka transformasi
akan sangat berguna. Contohnya pada data ekonomi, sering sekali data pada ekonomi ini
ditranformasikan dengan logaritma. Penggunaan transformasi logaritma berfungsi untuk
mengurangi variasi yang ada di dalam data. Apabila kita memiliki data observasi asli y1, … ,yt
dan mengalami tranformasi, maka nilai observasinya dapat dituliskan sebagai w1, … ,wt
dimana wt = log(yt). Logaritma berfungsi untuk digunakan karena interpretable atau dapat
ditafsirkan. Perubahan pada nilai log adalah relative atau perubahan dalam persen pada skala
asli. Sehingga, jika log 10 digunakan, maka kenaikan log scale sebesar 1 berhubungan dengan
perkalian 10 pada skala aslinya. Alasan lain mengapa transformasi log berguna untuk
digunakan adalah karena transformasi log mengharuskan peramalan tetap positif pada skala
original.
Tranformasi lainnya yang berguna untuk digunakan, yang termasuk transformasi logaritma dan
transformasi power, adalah keluarga dari transformasi Box-Cox, yang mana bergantung
terhadap parameter λ dan ditentukan sebagai berikut
wt= log(yt), if λ = 0
wt = (ytλ– 1) / λ untuklainnya.
Transformasi Box-Cox ini dilakukan tergantung datanya.
Transformasi logaritma dalam Box-Cox selalu logaritma natural (ln). Apabila λ = 0 maka
digunakanlah transformasi logaritma natural. Apabila λ ≠ 0 maka digunakan transformasi
lainnya (transformasi power), diikuti oleh beberapa penskalaan sederhana.
Jika λ = 1 maka wt = yt -1, sehingga data tranformasi bergeser kebawah, tetapi tidak ada
perubahan dalam bentuk deret waktu. Tetapi, untuk seluruh nilai λ, deret waktu akan merubah
bentuk.
Function BoxCox.lambda() akan memilih nilai lambda . Contohnya pada Australian Monthly
Electricit Demand
Gambar di atas dalah plot antara waktu dengan Box-Cox.
Setelah mentranformasi data, kita perlu melakukan peramalan untuk data yang ditransformasi.
Sehingga, kita perlu mengembalikan transformasi untuk memperoleh peramalan pada skala
asli. Kebalikan dari transformasi Box-Cox diberikan oleh
𝑦𝑡 = exp(wt), jika λ = 0
𝑦𝑡 = (λwt + 1)1/λ untuk lainny

3.2.5. Features of Power Adjustment

• Jika 𝑦𝑡 < 0 beberapa, tidak ada transformasi daya yang mungkin kecuali semua
pengamatan disesuaikan dengan menambahkan konstanta ke semua nilai.
• Pilih nilai sederhana dari λ.
• Hasil peramalan relatif tidak sensitif terhadap nilai λ.
• Seringkali tidak diperlukan transformasi.
• Transformasi terkadang membuat sedikit perbedaan pada perkiraan tetapi memiliki
pengaruh besar pada interval prediksi. Sehingga, ada yang namanya penyesuaian bayes.

Tugas Transformasi Boxcox

Transformasi Boxcox
Teknik transformasi pangkat lain yang dapat digunakan untuk memperbaiki kenormalan data
adalah teknik yang dikenal dengan transformasi Box-Cox
Box dan Cox (1964) mengusulkan penggunaan transformasi
 𝑦𝜆 − 1
𝑦∗ = 𝑢𝑛𝑡𝑢𝑘 𝜆 ≠ 0
𝜆
𝑦 ∗ = 𝐼𝑛(𝑦) 𝑢𝑛𝑡𝑢𝑘 𝜆 = 0
Nilai  ditentukan sedemikian rupa sehingga meminimumkan
𝑣 (𝜆 − 1)𝑣
𝐿 = − 𝑙𝑛 𝑠𝑇2 + ∑ ln(𝑌)
2 𝑛
Dengan 𝑠𝑇2 adalah ragam dari data yang ditransformasi, dan v adalah derajat bebas.
Tabel common Box-Cox Transformation
λ Y‘
1
-2 𝑌2
1
-1 𝑌
1
-0,5 √𝑌

0 log(𝑌)

0,5 𝑠𝑞𝑟𝑡(𝑌)

1 Y

2 𝑌2

Contoh Transformasi Boxcox dengan Sofware R

Buatlah data secara random lalu plot
Dari plot diatas dapat dilihat bahwa data belum begitu linier, maka kita harus melakukan
transformasi. Berikut merupakan salah satu cara transformasi menggunakan boxcox dengan
Software R :
1. Lihat nilai lambdanya

2. Lihat tabel boxcox dan carilah transformasi yang sesuai dengan nilai lambdanya.
λ ≈ 2, yaitu transformasi y^2
3. Lakukan transformasi untuk y yang lama dengan y yang baru dengan
dipangkatkan 2

4. Lalu plot kembali dan lihatlah nilai lamdanya. Jika mendekati 1 maka plot
dikatakan sudah linier
Karena nilai lamda sudah mendekati 1, maka gunakan lah data yang sudah ditransformasi
y^2 untuk analisis selanjutnya.