Tugas 3 - ADW B - Thifal Qotrunada - 140610180090
Tugas 3 - ADW B - Thifal Qotrunada - 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 y 1 , … , y T maka
prakiraan dalam peramalan kita dapat ditulis sebagai berikut :
^y T +h|T¿ ý=( y 1 +…+ y T )/T .
Dengan ( y 1 +…+ y T ) merupakan data yang kita punya dan T merupakan periode data..
Notasi ^y T+ h|Tmerupakan estimate untuk y T +h.
naive mehtod optimal ketika data mengikuti random walk, maka naive mehtod ini juga
disebut random walk forecasts.
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
T
y −y
^y T +h|T¿ y T + h ∑ ( y t − y t −1) = y T + h T 1
( ) .
T −1 t=2 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.
¿ y λ −1
y= untuk λ ≠ 0
λ
y ¿ =¿( y )untuk λ=0
Dengan s2T adalah ragam dari data yang ditransformasi, dan v adalah derajat bebas.
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.