Modul ke-1

Tujuan :
Setelah mengikuti praktikum ini mahasiswa mampu menjelaskan dan mengidentifikasi secara eksplorasi
karakteristik data deret waktu.

Materi :
Data deret waktu adalah data pengamatan yang terurut berdasarkan waktu dari suatu peubah.
Analisis deret waktu adalah suatu analisis pemodelan statistika untuk melakukan proses peramalan
berdasarkan urutan waktu ke-t.

Ada beberapa karakteristik data deret waktu, yaitu ;

Proses Konstan
Model : X t  b   t

Dimana b adalah rataan proses yang tidak diketahui,  t adalah komponen acak.

E ( t )  0,V ( t )   2
E ( X t )  b,V ( X t )  V (b   t )  V (b)  V ( t )   2

Proses Trend

Model : X t  b0  b1t   t

Dengan asumsi rataan proses berubah sesuai waktu yang bergerak. b0 dan b1 konstan, hanya waktu
yang berpengaruh.

E ( t )  0,V ( t )   2
E ( X t )  b0  b1t ,V ( X t )  V (b0  b1t   t )  V (b0  b1t )  V ( t )   2
Proses Siklik
Model : X t  b0  b1 sin 2t
6  b2 cos 2t
6  t
Tugas Praktikum 1

1. Bangkitkan 100 data (  t ), dimana  t ~N(k1,3), dimana k1 adalah satu digit terakhir dari NRP

Anda.
2. Kemudian carilah X t untuk masing-masing proses (konstan, trend dan siklik sesuai dengan
model yang telah diberikan) dimana b0 , b1 , dan b2 bisa Anda tentukan secara bebas.
3. Plot data X t untuk masing-masing proses yang sudah Anda dapatkan pada langkah 2.
4. Apakah plot dari masing-masing data yang dihasilkan sesuai ? Jelaskan !
5. Ulangi keempat langkah diatas dengan ketentuan k2 adalah dua digit terakhir dari NRP Anda.
Modul ke-2
Tujuan :
Setelah mengikuti praktikum ini mahasiswa dapat melakukan pemulusan serta peramalan dengan
menggunakan metode rataan bergerak pada data deret waktu.
Materi :
Kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang, disebut dengan
peramalan (forecasting). Peranan tersebut menunjukkan bahwa peramalan memegang peranan penting
dalam perencanaan maupun dalam pengambilan keputusan. Baik tidaknya hasil suatu perencanaan dan
keputusan sangat ditentukan oleh ketepatan ramalan yang dibuat. Walaupun demikian perlu disadari
bahwa suatu ramalan adalah tetap ramalan, dimana masih tetap mengandung unsur kesalahan.
Sehingga penting diperhatikan untuk selalu berusaha memperkecil kesalahan tersebut.
Peramalan dengan metode pemulusan merupakan usaha untuk melicinkan dan mengurangi
fluktuasi ramalan. Metode pemulusan termasuk metode yang sangat sederhana dan mudah dipahami
oleh orang awam.

Rata-rata bergerak tunggal (single moving average)

Peramalan dengan metode rata-rata bergerak tunggal yaitu ramalan pada waktu ke t+1
didasarkan pada rata-rata dari N data pada periode-periode sebelumnya. Metode ini biasanya
dipergunakan untuk proses yang konstan. Secara matematik dapat dirumuskan sebagai berikut:
X T  X T 1  ...  X T  N 1 
MT 
N
atau,
( X T  X T N )
M T  M T 1 
N
dimana: MT = Ratan bergerak N periode pada waktu ke-T
Xi = data pengamatan pada periode ke-i
T = banyaknya data pengamatan
N = periode rata-rata bergerak
Sehingga ramalan dapat dihitung sebagai berikut:

FT+1 = MT dengan simpangan baku 2ε/N

Sedangkan selang kepercayaan 95% bagi nilai ramalan FT+1:

FT+1  t(0.05/2;db)  2 / N
dimana: t(0.05/2;db) = nilai sebaran t-student pada taraf nyata 5% dan derajat bebas (db) sebesar T-N-1.

Beberapa ukuran yang dapat digunakan untuk menilai kebaikan suatu metode antara lain:
Mean Absolute Deviation (MAD)

MAD 
 X i  Fi
T

Mean Absolute Percent Error (MAPE)

MAPE 
 X i  Fi / X i
x100%
T

Mean Square Error (MSE)

X  Fi 
MSE  
2
i

Semakin nilai kecil nilai MAD, MAPE dan MSE maka nilai ramalan dikatakan semakin baik. Oleh karena
itu, pengguna diharapkan jeli dalam memilih metode peramalan yang tepat.

Contoh 1. Data penjualan suatu barang selama 10 periode dari perusahaan A

Data Rataan Kesalahan
Periode

Kesalahan Kesalahan Kuadrat

penjualan Bergerak Ramalan absolut
Peramalan absolut Kesalahan
(X) (X) relatif
1 45 * * * * * *
2 56 * * * * * *
3 51 50,66667 * * * * *
4 60 55,66667 50,66667 9,33333333 9,33333333 15,56%
5 58 56,33333 55,66667 2,33333333 2,33333333 4,02%
6 54 57,33333 56,33333 -2,3333333 2,33333333 4,32%
7 75 62,33333 57,33333 17,6666667 17,6666667 23,56%
8 41 56,66667 62,33333 -21,333333 21,3333333 52,03%
9 60 58,66667 56,66667 3,33333333 3,33333333 5,56%
10 55 52 58,66667 -3,6666667 3,66666667 6,67%

8,57142857 15,96%
MAD MSE MAPE

Rata-rata bergerak ganda (double moving average)

Sedangkan khusus untuk data yang bertren linier dapat didekati dengan rataan bergerak ganda.
Langkah-langkah peramalannya dapat dilakukan sebagai berikut:
Rataan bergerak orde ke-2:
 M T  M T 1  ...  M T  N 1 

( 2)
MT
N

maka nilai ramalan untuk r periode ke depan dengan periode dasar T periode adalah:
FT+r(T) = FT + b2 r
= 2MT - MT(2) + r (2/(N-1))( MT - MT(2))
Tugas Praktikum 2
K1 = satu digit terakhir dari NRP Anda
K2= dua digit terakhir dari NRP Anda
Tugas 1.
a. Bangkitkan 150 data (  t ),  t ~N(0,1)

b. Transformasi X =K2 + t
c. Lakukan pemulusan terhadap X dengan rataan bergerak tunggal dengan N=5 jika K1  5 dan
N=6 jika K1  5
d. Plot antara data asal (X) dengan hasil pemulusannya dalam satu gambar. Berikan Komentar
Anda!
Tugas 2.
a. Bangkitkan 150 data (  t ),  t ~N(2,3)

b. Transformasi X =0,01*K2*T + t
c. Lakukan pemulusan terhadap X dengan rataan bergerak ganda dengan N=6 jika K1  5 dan
N=7 jika K1  5
d. Plot antara data asal (X) dengan hasil pemulusannya dalam satu gambar. Berikan Komentar
Anda!