Pola Rangkaian Waktu

Rangkaian waktu adalah urutan pengamatan pada variabel yang diukur pada titik-titik waktu
atau selama periode waktu yang berurutan. Pengukuran dapat dilakukan setiap jam, hari,
minggu, bulan, atau tahun, atau pada interval reguler lainnya. Pola data merupakan faktor
penting dalam memahami bagaimana rangkaian waktu berperilaku di masa lalu. Jika perilaku
seperti itu dapat diperkirakan akan berlanjut di masa mendatang, kita dapat menggunakan
pola masa lalu untuk memandu kita dalam memilih metode perkiraan yang tepat.
Untuk mengidentifikasi pola yang mendasari dalam data, langkah pertama yang berguna
adalah membangun plot seri waktu. Atime series plot adalah presentasi grafis dari hubungan
antara waktu dan variabel time series; waktu pada sumbu horizontal dan nilai deret waktu
ditunjukkan pada sumbu vertikal. Mari kita tinjau beberapa tipe umum pola data yang dapat
diidentifikasi ketika memeriksa plot seri waktu.

Pola Horisontal
Pola horizontal ada ketika data berfluktuasi di sekitar rata-rata konstan. Untuk
menggambarkan rangkaian waktu dengan pola horizontal, perhatikan data 12 minggu pada
Tabel 18.1. Data ini menunjukkan jumlah galon bensin yang dijual oleh distributor bensin di
Bennington, Vermont, selama 12 minggu terakhir.

PLOT SERI WAKTU PENJUALAN BENSIN

Nilai rata-rata atau rata-rata untuk deret waktu ini adalah 19,25 atau 19.250 galon per
minggu. Gambar 18.1 menunjukkan plot seri waktu untuk data ini. Perhatikan bagaimana
data berfluktuasi di sekitar rata-rata sampel sebesar 19.250 galon. Meskipun ada variabilitas
acak, kami akan mengatakan bahwa data ini mengikuti pola horizontal.

Istilah time stationary series2 digunakan untuk menunjukkan deret waktu yang sifat
statistiknya tidak tergantung waktu. Secara khusus ini berarti bahwa:
1. Proses menghasilkan data memiliki rata-rata konstan.
2. Variabilitas deret waktu adalah konstan dari waktu ke waktu.
Plot seri atime untuk deret waktu stasioner akan selalu menunjukkan pola horizontal. Tetapi
hanya mengamati pola horizontal bukanlah bukti yang cukup untuk menyimpulkan bahwa
deret waktu itu stasioner. Teks lebih lanjut tentang peramalan membahas prosedur untuk
menentukan apakah seri waktu stasioner dan menyediakan metode untuk mengubah deret
waktu yang tidak stasioner menjadi seri stasioner.
Perubahan dalam kondisi bisnis seringkali dapat menghasilkan rangkaian waktu yang
memiliki pola horizontal bergeser ke tingkat yang baru. Misalnya, misalkan distributor bensin
menandatangani kontrak dengan Kepolisian Negara Bagian Vermont untuk menyediakan
bensin bagi mobil polisi negara bagian yang terletak di Vermont selatan. Dengan kontrak
baru ini, distributor berharap untuk melihat peningkatan besar dalam penjualan mingguan
mulai minggu ke-13. Tabel 18.2 menunjukkan jumlah galon bensin yang terjual untuk seri
waktu asli dan selama 10 minggu setelah menandatangani kontrak baru. Gambar 18.2
menunjukkan plot seri waktu yang sesuai. Perhatikan peningkatan level deret waktu yang
dimulai pada minggu ke 13. Perubahan tingkat deret waktu ini membuat lebih sulit untuk
memilih metode perkiraan yang tepat. Memilih metode peramalan yang beradaptasi dengan
baik terhadap perubahan tingkat deret waktu merupakan pertimbangan penting dalam banyak
aplikasi praktis.

PLOT SERI WAKTU PENJUALAN BENSIN SETELAH MEMPEROLEH KONTRAK

DENGAN POLISI NEGARA VERMONT

Pola Trend
Meskipun data deret waktu umumnya menunjukkan fluktuasi acak, deret waktu juga dapat
menunjukkan pergeseran atau pergerakan bertahap ke nilai yang relatif lebih tinggi atau lebih
rendah selama periode waktu yang lebih lama. Jika plot seri waktu menunjukkan jenis
perilaku ini, kami katakan bahwa ada pola tren. Tren biasanya merupakan hasil dari faktor-
faktor jangka panjang seperti kenaikan atau penurunan populasi, perubahan karakteristik
demografis populasi, teknologi, dan / atau preferensi konsumen.
Untuk menggambarkan deret waktu dengan pola tren, pertimbangkan deret waktu penjualan
sepeda untuk pabrikan tertentu selama 10 tahun terakhir, seperti yang ditunjukkan pada Tabel
18.3 dan Gambar 18.3. Perhatikan bahwa 21.600 sepeda terjual pada tahun pertama, 22.900
dijual pada tahun kedua, dan seterusnya. Pada tahun 10, tahun terbaru, 31.400 sepeda terjual.
Inspeksi visual dari plot deret waktu menunjukkan beberapa gerakan naik dan turun selama
10 tahun terakhir, tetapi deret waktu tampaknya juga memiliki tren meningkat atau naik
secara sistematis.
Tren untuk seri waktu penjualan sepeda tampaknya linier dan meningkat dari waktu ke
waktu, tetapi kadang-kadang tren dapat digambarkan lebih baik oleh jenis pola lainnya.

Misalnya, data pada Tabel 18.4 dan plot seri waktu yang sesuai pada Gambar 18.4
menunjukkan penjualan obat kolesterol sejak perusahaan memenangkan persetujuan FDA
untuk 10 tahun yang lalu. Rangkaian waktu meningkat secara nonlinier; yaitu, laju perubahan
pendapatan tidak meningkat dengan jumlah yang konstan dari satu tahun ke tahun berikutnya.
Bahkan, pendapatan tampaknya tumbuh secara eksponensial. Hubungan eksponensial seperti
ini sesuai ketika persentase perubahan dari satu periode ke periode berikutnya relatif konstan.
Pola Musiman
Tren seri waktu dapat diidentifikasi dengan menganalisis gerakan multiyear dalam data
historis. Pola musiman diakui dengan melihat pola berulang yang sama selama periode waktu
yang berurutan. Misalnya, produsen kolam renang mengharapkan aktivitas penjualan rendah
di musim gugur dan musim dingin, dengan penjualan puncak di musim semi dan musim
panas. Namun, produsen peralatan penghilang salju dan pakaian berat mengharapkan pola
tahunan yang berlawanan. Tidak mengherankan, pola plot seri waktu yang menunjukkan pola
berulang selama periode satu tahun karena pengaruh musiman disebut pola musiman.
Sementara kami umumnya menganggap pergerakan musiman dalam suatu deret waktu
sebagai yang terjadi dalam satu tahun, data deret waktu juga dapat memperlihatkan pola
musiman dengan durasi kurang dari satu tahun. Misalnya, volume lalu lintas harian
menunjukkan perilaku "musiman" dalam-hari, dengan tingkat puncak terjadi selama jam
sibuk, aliran sedang selama sisa hari dan sore hari, dan aliran cahaya dari tengah malam
hingga pagi hari.
Sebagai contoh pola musiman, perhatikan jumlah payung yang dijual di toko pakaian selama
lima tahun terakhir. Tabel 18.5 menunjukkan deret waktu dan Gambar 18.5 menunjukkan
plot deret waktu yang sesuai. Alur seri waktu tidak menunjukkan tren jangka panjang dalam
penjualan. Faktanya, kecuali Anda memperhatikan data dengan cermat, Anda mungkin
menyimpulkan bahwa data mengikuti pola horizontal. Tetapi pemeriksaan lebih dekat
terhadap plot seri waktu mengungkapkan pola reguler dalam data. Artinya, kuartal pertama
dan ketiga memiliki penjualan sedang, kuartal kedua memiliki penjualan tertinggi, dan

kuartal keempat cenderung memiliki volume penjualan terendah. Dengan demikian, kita
dapat menyimpulkan bahwa ada pola musiman triwulanan.
Pola Tren dan Musiman
Beberapa seri waktu mencakup kombinasi tren dan pola musiman. Misalnya, data pada Tabel
18.6 dan plot seri waktu yang sesuai pada Gambar 18.6 menunjukkan penjualan televisi
untuk produsen tertentu selama empat tahun terakhir. Jelas, tren peningkatan hadir. Namun,
Gambar 18.6 juga menunjukkan bahwa penjualan terendah pada kuartal kedua setiap tahun
dan meningkat pada kuartal 3 dan 4. Dengan demikian, kami menyimpulkan bahwa ada pola
musiman untuk penjualan televisi. Dalam kasus seperti itu kita perlu menggunakan metode
peramalan yang memiliki kemampuan untuk menangani tren dan musiman.

Pola Siklis
Pola siklis ada jika plot deret waktu menunjukkan urutan titik-titik di bawah dan di atas garis
tren yang berlangsung lebih dari satu tahun. Banyak deret waktu ekonomi menunjukkan
perilaku siklus dengan pengamatan berkala di bawah dan di atas garis tren.
Seringkali, komponen siklus dari rangkaian waktu adalah karena siklus bisnis multiyear.
Misalnya, periode inflasi moderat yang diikuti oleh periode inflasi cepat dapat menyebabkan
deret waktu yang bergantian di bawah dan di atas garis tren yang umumnya meningkat (mis.,
Deret waktu untuk biaya perumahan). Siklus bisnis sangat sulit, jika bukan tidak mungkin,
untuk diperkirakan. Akibatnya, efek siklus sering dikombinasikan dengan efek tren jangka
panjang dan disebut sebagai efek siklus-tren.

Metode forecasting
Pola yang mendasari dalam Time Series merupakan faktor penting dalam memilih metode
peramalan. Dengan demikian, plot seri waktu harus menjadi salah satu hal pertama yang
dikembangkan ketika mencoba untuk menentukan metode peramalan apa yang akan
digunakan. Jika kita melihat pola horizontal, maka kita perlu memilih metode yang sesuai
untuk jenis pola ini. Demikian pula, jika kita mengamati tren dalam data, maka kita perlu
menggunakan metode peramalan yang memiliki kemampuan untuk menangani tren secara
efektif. Dua bagian berikutnya mengilustrasikan metode yang dapat digunakan dalam situasi
di mana pola yang mendasari horisontal; dengan kata lain, tidak ada tren atau efek musiman
yang hadir. Kami kemudian mempertimbangkan metode yang tepat ketika tren dan/atau
musiman yang hadir dalam data.

Forecast Accuracy
Pada bagian ini kita mulai dengan mengembangkan perkiraan untuk seri waktu bensin
ditampilkan dalam tabel 18,1 menggunakan yang paling sederhana dari semua metode
peramalan: sebuah pendekatan yang menggunakan volume penjualan minggu terakhir
sebagai ramalan untuk minggu depan.

Pada bagian ini kita mulai dengan mengembangkan perkiraan untuk seri waktu bensin
ditampilkan dalam tabel 18,1 menggunakan yang paling sederhana dari semua metode
peramalan: sebuah pendekatan yang menggunakan volume penjualan minggu terakhir
sebagai ramalan untuk minggu depan. Sebagai contoh, distributor menjual 17000 galon
bensin di minggu 1; nilai ini digunakan sebagai ramalan untuk minggu 2. Selanjutnya, kita
menggunakan 21, nilai aktual penjualan di minggu 2, sebagai ramalan untuk minggu 3, dan
seterusnya. Perkiraan yang diperoleh untuk data historis menggunakan metode ini
ditampilkan dalam tabel 18,7 di kolom berlabel Forecast. Karena kesederhanaannya, metode
ini sering disebut sebagai metode peramalan naif. Seberapa akurat perkiraan yang diperoleh
dengan menggunakan metode peramalan naif ini? Untuk menjawab pertanyaan ini kami akan
memperkenalkan beberapa ukuran perkiraan akurasi. Langkah ini digunakan untuk
menentukan seberapa baik metode peramalan tertentu mampu mereproduksi data seri waktu
yang sudah tersedia. Dengan memilih metode yang memiliki akurasi terbaik untuk data yang
sudah diketahui, kami berharap dapat meningkatkan kemungkinan bahwa kami akan
mendapatkan perkiraan yang lebih baik untuk periode waktu mendatang. Konsep kunci yang
terkait dengan mengukur akurasi perkiraan adalah kesalahan ramalan, didefinisikan sebagai
kesalahan peramalan= Actual Value−ramalan

Misalnya, karena distributor sebenarnya menjual 21000 galon bensin di minggu 2 dan
ramalan, menggunakan volume penjualan di minggu 1, adalah 17000 galon, ramalan
kesalahan dalam minggu 2 adalah
forecast error ∈week 2=21−17=4
sebagaiFakta bahwa ramalan kesalahan positif menunjukkan bahwa dalam minggu 2 metode
peramalan meremehkan nilai aktual penjualan. Selanjutnya, kita menggunakan 21, nilai
aktual penjualan di minggu 2, sebagai ramalan untuk minggu 3. Karena nilai aktual penjualan
di minggu 3 adalah 19, ramalan kesalahan untuk minggu 3 adalah 19 – 2 = -2. Dalam hal ini,
jumlah ramalan negatif menunjukkan bahwa dalam minggu 3 ramalan melebih-lebihkan nilai
aktual. Dengan demikian, ramalan kesalahan mungkin positif atau negatif, tergantung pada
apakah perkiraan terlalu rendah atau terlalu tinggi. Acomplete ringkasan dari jumlah ramalan
untuk metode peramalan naif ini ditunjukkan dalam tabel 18,7 di kolom berlabel Forecast.
Sebuah ukuran sederhana dari akurasi ramalan adalah mean atau Average dari kesalahan
ramalan. Tabel 18,7 menunjukkan bahwa jumlah ramalan untuk seri waktu penjualan bensin
adalah 5; dengan demikian, mean atau rata-rata ramalan kesalahan adalah 5/11=45.
Perhatikan bahwa meskipun seri waktu bensin terdiri dari 12 nilai, untuk menghitung
kesalahan mean kami membagi jumlah ramalan kesalahan oleh 11 karena hanya ada 11
kesalahan ramalan. Karena kesalahan ramalan mean positif, metode ini underforecasting;
dengan kata lain, nilai yang diamati cenderung lebih besar dari nilai ramalan. Karena
kesalahan perkiraan positif dan negatif cenderung mengimbangi satu sama lain, kesalahan
berarti mungkin kecil; demikian, kesalahan berarti bukan ukuran yang sangat berguna dari
perkiraan akurasi. Kesalahan absolut berarti, dilambangkan MAE (Mean Absolute Error),
adalah ukuran perkiraan akurasi yang menghindari masalah positif dan negatif ramalan
kesalahan offset satu sama lain. Seperti yang Anda duga diberi namanya, MAE adalah rata-
rata nilai absolut dari kesalahan ramalan. Tabel 18,7 menunjukkan bahwa jumlah nilai
absolut galat ramalan 41; Sehingga:
41
MAE=nilai absolut galat ramalan= =3.73
11
Ukuran lain yang menghindari masalah positif dan negatif ramalan kesalahan offsetting satu
sama lain diperoleh dengan menghitung rata-rata galat ramalan kuadrat. Ukuran ini akurasi
ramalan, disebut sebagai kuadrat mean kesalahan, dilambangkan MSE. Dari tabel 18,7,
jumlah kuadrat kesalahan adalah 179; Maka
179
MSE=Rerata dari jumlah kuadrat ramalan kesalahan= =16.27
11
Ukuran MAE dan MSE tergantung pada skala data. Akibatnya, sulit untuk membuat
perbandingan untuk interval waktu yang berbeda, seperti membandingkan metode peramalan
penjualan bensin bulanan untuk metode peramalan penjualan mingguan, atau untuk membuat
perbandingan di seri waktu yang berbeda. Untuk membuat perbandingan seperti ini kita perlu
bekerja dengan ukuran kesalahan relatif atau persentase. Mean kesalahan persentase absolut,
dilambangkan MAPE (Mean Absolute Percentage Error). Untuk menghitung MAPE kita
harus terlebih dahulu menghitung persentase kesalahan untuk setiap ramalan. Sebagai contoh,
persentase galat yang sesuai dengan perkiraan 17 di minggu 2 dihitung dengan membagi
galat ramalan minggu 2 dengan nilai aktual di minggu 2 dan mengalikan hasil dengan 100.
Untuk minggu 2 persentase kesalahan dihitung sebagai berikut
4
Persentase kesalahan minggu 2= ( 100 )=19.05 %
21
Dengan demikian, ramalan kesalahan untuk minggu 2 adalah 19,05% dari nilai yang diamati
di minggu 2. Pada kolom berikutnya, kita menunjukkan nilai absolut dari error persentase.
Tabel 18,7 menunjukkan bahwa jumlah nilai absolut persentase kesalahan adalah 211,69;
Sehingga
211.69
MAPE=nilai absolut persentase kesalahan perkiraan= =19.24 %
11
Meringkas, menggunakan metode naif (pengamatan terbaru) metode peramalan, kami
memperoleh ukuran berikut perkiraan akurasi:
MAE = 3.73
MSE = 16.27
MAPE = 19.24%
Ukuran ini akurasi ramalan hanya mengukur seberapa baik metode peramalan mampu
ramalan nilai-nilai sejarah dari seri waktu. Sekarang, Misalkan kita ingin memperkirakan
penjualan untuk jangka waktu mendatang, seperti Minggu 13. Dalam hal ini ramalan untuk
Minggu 13 adalah 22, nilai aktual dari rangkaian waktu di minggu 12. Apakah ini perkiraan
akurat penjualan untuk Minggu 13? Sayangnya, tidak ada cara untuk mengatasi masalah
akurasi yang terkait dengan perkiraan untuk periode waktu mendatang. Tapi, jika kita
memilih metode peramalan yang bekerja dengan baik untuk data historis, dan kita berpikir
bahwa pola sejarah akan terus ke masa depan, kita harus mendapatkan hasil yang pada
akhirnya akan ditampilkan untuk menjadi baik. Sebelum menutup bagian ini, mari kita
Pertimbangkan metode lain untuk meramalkan seri waktu penjualan bensin di tabel 18,1.
Misalkan kita menggunakan rata-rata semua data historis yang tersedia sebagai ramalan
untuk periode berikutnya. Kita mulai dengan mengembangkan ramalan untuk minggu 2.
Karena hanya ada satu nilai sejarah yang tersedia sebelum minggu 2, ramalan untuk minggu
2 hanyalah nilai seri waktu di minggu 1; dengan demikian, ramalan untuk minggu 2 adalah
17000 galon bensin. Untuk menghitung perkiraan untuk minggu 3, kita mengambil rata-rata
nilai penjualan dalam minggu 1 dan 2. Sehingga

17+21
forecast for week 3= =19
2
Sama, untuk minggu ke 4
17+21+19
forecast for week 4= =19
3
Perkiraan yang diperoleh dengan menggunakan metode ini untuk seri waktu bensin
ditampilkan dalam tabel 18,8 di kolom berlabel Forecast. Dengan menggunakan hasil yang
ditampilkan dalam tabel 18,8, kami memperoleh nilai berikut MAE, MSE, dan MAPE:
26.81
MAE= =2.44
11
89.07
MSE= =8.10
11
141.34
MAPE= =12.85 %
11
Kita sekarang dapat membandingkan akurasi dari dua metode peramalan yang telah kita
pertimbangkan dalam bagian ini dengan membandingkan nilai MAE, MSE, dan MAPE untuk
setiap metode.
Untuk setiap ukuran, rata-rata nilai masa lalu memberikan perkiraan lebih akurat daripada
menggunakan pengamatan terbaru sebagai ramalan untuk periode berikutnya. Secara umum,
jika seri waktu yang mendasari adalah stasioner, rerata dari semua data historis akan selalu
memberikan hasil terbaik. Tapi Misalkan bahwa seri waktu yang mendasari tidak stasioner.
Di bagian 18,1 kami menyebutkan bahwa perubahan dalam kondisi bisnis seringkali dapat
mengakibatkan rangkaian waktu yang memiliki pergeseran pola horizontal ke tingkat yang
baru. Kami membahas situasi di mana distributor bensin menandatangani kontrak dengan
kepolisian negara Vermont untuk menyediakan bensin untuk mobil polisi negara yang
terletak di Selatan Vermont. Tabel 18,2 menunjukkan jumlah galon bensin dijual untuk seri
waktu asli dan 10 minggu setelah penandatanganan kontrak baru, dan gambar 18,2
menunjukkan waktu yang sesuai plot seri. Catat perubahan tingkat di Minggu 13 untuk seri
waktu yang dihasilkan. Ketika pergeseran ke tingkat yang baru seperti ini terjadi, dibutuhkan
waktu lama untuk metode peramalan yang menggunakan rata-rata semua data historis untuk
menyesuaikan dengan tingkat baru dari seri waktu. Tapi, dalam kasus ini, metode naif
sederhana menyesuaikan dengan sangat cepat ke perubahan dalam tingkat karena
menggunakan pengamatan terbaru yang tersedia sebagai ramalan. Ukuran akurasi ramalan
adalah faktor penting dalam membandingkan metode peramalan yang berbeda, tetapi kita
harus berhati-hati untuk tidak bergantung pada mereka terlalu berat. Penilaian yang baik dan
pengetahuan tentang kondisi bisnis yang mungkin mempengaruhi ramalan juga harus
dipertimbangkan dengan cermat saat memilih metode. Dan akurasi ramalan historis bukan
satu-satunya pertimbangan, terutama jika seri waktu kemungkinan akan berubah di masa
depan. Pada bagian selanjutnya kami akan memperkenalkan metode yang lebih canggih
untuk mengembangkan Prakiraan untuk seri waktu yang menunjukkan pola horizontal.
Menggunakan ukuran akurasi ramalan yang dikembangkan di sini, kita akan dapat
menentukan apakah metode tersebut memberikan perkiraan yang lebih akurat daripada yang
kami peroleh dengan menggunakan pendekatan sederhana yang diilustrasikan dalam bagian
ini. Metode yang akan kita perkenalkan juga memiliki keuntungan beradaptasi dengan baik
dalam situasi di mana seri waktu berubah ke tingkat yang baru. Kemampuan metode
peramalan untuk beradaptasi dengan cepat terhadap perubahan tingkat merupakan
pertimbangan penting, terutama dalam situasi peramalan jangka pendek.

Proyeksi tren
Kami menyajikan tiga metode perkiraan di bagian ini yang sesuai untuk rangkaian waktu
yang menunjukkan pola tren. Pertama, kami menunjukkan bagaimana regresi linier sederhana
dapat digunakan untuk memperkirakan deret waktu dengan tren linier. Kami kemudian
mengilustrasikan bagaimana mengembangkan perkiraan menggunakan Holt's smoothing
eksponensial linier, perpanjangan smoothing eksponensial tunggal yang menggunakan dua
konstanta smoothing: satu untuk memperhitungkan tingkat deret waktu dan yang kedua untuk
memperhitungkan tren linear dalam data. Akhirnya, kami menunjukkan bagaimana
kemampuan kurva-pas analisis regresi juga dapat digunakan untuk memperkirakan deret
waktu dengan tren curvilinear atau nonlinear.
Regresi Tren Linier
Pada Bagian 18.1 kami menggunakan seri waktu penjualan sepeda pada Tabel 18.3 dan
Gambar 18.3 untuk menggambarkan seri waktu dengan pola tren. Mari kita gunakan deret
waktu ini untuk menggambarkan bagaimana regresi linier sederhana dapat digunakan untuk
meramalkan deret waktu dengan tren linier. Data untuk deret waktu sepeda diulang pada
Tabel 18.12 dan Gambar 18.9. Meskipun plot deret waktu pada Gambar 18.9 menunjukkan
beberapa gerakan naik dan turun selama 10 tahun terakhir, kita mungkin sepakat bahwa garis
tren linier yang ditunjukkan pada Gambar 18.10 memberikan perkiraan yang masuk akal dari
pergerakan jangka panjang dalam seri tersebut. Kita dapat menggunakan metode regresi linier
sederhana (lihat Bab 14) untuk mengembangkan garis tren linier untuk rangkaian waktu
penjualan sepeda.
BICYCLE SALES TIME SERIES
Year Sales (1000s)
1 21.6
2 22.9
3 25.5
4 21.9
5 23.9
6 27.5
7 31.5
8 29.7
9 28.6
10 31.4

Dalam Bab 14, estimasi persamaan regresi menggambarkan hubungan garis lurus antara
variabel independen x dan variabel dependen yang ditulis sebagai
y ˆ ¿ b 0 + b 1x
di mana nilai estimasi atau prediksi y. Untuk menekankan fakta bahwa dalam meramalkan
variabel independen adalah waktu, kami akan mengganti x dengan t dan dengan Tt untuk
menekankan bahwa kami memperkirakan tren untuk deret waktu. Jadi, untuk memperkirakan
tren linier dalam deret waktu, kami akan menggunakan estimasi persamaan regresi berikut.

Dalam persamaan (18.4), variabel waktu dimulai pada t = 1 yang sesuai dengan pengamatan
deret waktu pertama (tahun 1 untuk deret waktu penjualan sepeda) dan berlanjut hingga tn
yang sesuai dengan pengamatan deret waktu terbaru (tahun 10 untuk seri waktu penjualan
sepeda). Dengan demikian, untuk seri waktu penjualan sepeda t = 1 sesuai dengan nilai seri
waktu tertua dan t = 10 sesuai dengan tahun terbaru. Rumus untuk menghitung estimasi
koefisien regresi (b 1 dan b 0) dalam persamaan (18,4) mengikuti.

Untuk menghitung persamaan tren linier untuk seri waktu penjualan sepeda, kami memulai
perhitungan dengan menghitung t́ dan Ý menggunakan informasi dalam Tabel 18.12.
Dengan menggunakan nilai-nilai ini, dan informasi pada Tabel 18.13, kita dapat menghitung
kemiringan dan intersep garis tren untuk seri waktu penjualan sepeda.

Oleh karena itu, persamaan tren linier adalah

T_t = 20.4 + 1.1t

Kemiringan 1,1 menunjukkan bahwa selama 10 tahun terakhir perusahaan mengalami

pertumbuhan rata-rata penjualan sekitar 1.100 unit per tahun. Jika kita mengasumsikan
bahwa tren penjualan 10 tahun terakhir adalah indikator yang baik untuk masa depan,
persamaan tren ini dapat digunakan untuk mengembangkan perkiraan untuk periode waktu
mendatang. Misalnya, mengganti t = 11 ke dalam persamaan menghasilkan proyeksi tren atau
ramalan tahun depan,.T 11
 T 11= 20.4 + 1.1(11) = 32.5

Dengan demikian, menggunakan proyeksi tren, kami akan meramalkan penjualan 32.500
sepeda tahun depan. Untuk menghitung akurasi yang terkait dengan metode perkiraan
proyeksi tren, kami akan menggunakan MSE. Tabel 18.14 menunjukkan perhitungan jumlah
kesalahan kuadrat untuk seri waktu penjualan sepeda. Jadi, untuk seri waktu penjualan
sepeda,

Karena regresi tren linier dalam peramalan menggunakan prosedur analisis regresi yang sama
yang diperkenalkan pada Bab 14, kita dapat menggunakan prosedur analisis regresi standar di
Minitab atau Excel untuk melakukan perhitungan. Gambar 18.11 menunjukkan output
komputer untuk seri waktu penjualan sepeda yang diperoleh menggunakan modul analisis
regresi Minitab.

jumlah kuadrat karena kesalahan 30.7

MSE = = = 3.837
derajat kebebasan 8
Nilai MSE ini berbeda dari nilai MSE yang kami hitung sebelumnya karena jumlah kesalahan
kuadrat dibagi dengan 8 bukannya 10; dengan demikian, MSE dalam output regresi bukan
rata-rata kesalahan perkiraan kuadrat. Namun, sebagian besar paket perkiraan menghitung
MSE dengan mengambil rata-rata kesalahan kuadrat. Jadi, ketika menggunakan paket deret
waktu untuk mengembangkan persamaan tren, nilai MSE yang dilaporkan mungkin sedikit
berbeda dari nilai yang akan Anda peroleh dengan menggunakan pendekatan regresi umum.
Misalnya, pada Gambar 18.12, kami menunjukkan bagian grafis dari output komputer yang
diperoleh dengan menggunakan prosedur deret waktu Analisis Trend Minitab. Perhatikan
bahwa MSD = 3.07 adalah rata-rata kesalahan perkiraan kuadrat.
Holt's linear exponential smoothing
Charles Holt mengembangkan versi pemulusan eksponensial yang dapat digunakan untuk
meramalkan deret waktu dengan tren linier. Ingat bahwa prosedur pemulusan eksponensial
yang dibahas dalam Bagian 18.3 menggunakan konstanta pemulusan α untuk
“menghaluskan” keacakan atau fluktuasi tidak beraturan dalam rangkaian waktu; dan,
prakiraan untuk periode waktu t+1 diperoleh dengan menggunakan persamaan

F t+1 = αY t + (1 - α) F t

Prakiraan untuk metode penghalusan garis linier Holt diperoleh dengan menggunakan dua
konstanta penghalusan, α dan,β dan tiga persamaan.
18.4 Trend Projection

Mari kita menerapkan metode Holt ke seri waktu penjualan sepeda di tabel 18,12
menggunakan α. 1
Dan β = 2. Untuk mendapatkan metode dimulai, kita perlu nilai untuk L1, perkiraan tingkat
Time Series di tahun 1, dan B1, perkiraan kemiringan seri waktu di tahun 1. Sangat bersih
pendekatan yang digunakan adalah dengan mengatur L1 = y1 dan B1= Y2- y1. Menggunakan
prosedur startup ini, kita mendapatkan
L1 = Y1 = 21.6
b1 = Y2 - Y1 = 22.9 - 21.6 = 1.3
Menggunakan persamaan (18,9) dengan k=1, perkiraan penjualan di tahun 2 adalah F2 = L1
+ B1
= 21,6 1.3 (1) = 22,9. Kemudian kita melanjutkan menggunakan persamaan (18,7) ke (18,9)
untuk menghitung perkiraan
tingkat dan tren untuk tahun 2 dan juga sebagai ramalan untuk tahun 3. Pertama kita
menggunakan persamaan (18,7) dan smoothing konstan α .1 untuk menghitung perkiraan dari
tingkat waktu seri di tahun 2.
L2 = .1(22.9) + .9(21.6 + 1.3) = 22.9
Perhatikan bahwa 21,6 + 1,3 adalah ramalan penjualan untuk tahun 2. Dengan demikian,
perkiraan tingkat waktu seri di tahun 2 diperoleh dengan menggunakan persamaan (18,7)
adalah hanya rata tertimbang dari diamati tahun 2 (menggunakan bobot α .1) dan perkiraan
untuk tahun 2 (menggunakan berat 1 – α = 1- .1 = .9). Secara umum, nilai besar α tempat
lebih berat pada diamati Value (YT) sedangkan nilai yang lebih kecil menempatkan lebih
banyak bobot pada nilai peramalkan (L1-1 + b1-1). Selanjutnya kita menggunakan persamaan
(18,8) dan .2 konstan smoothing untuk menghitung perkiraan dari kemiringan seri waktu di
tahun 2.
B2 = .2(22.9 - 21.6) + (1 - .2)(1.3) = 1.3
Perkiraan kemiringan rangkaian waktu di tahun ke-2 merupakan rerata tertimbang dari selisih
tingkat perkiraan seri waktu antara tahun 2 dan tahun 1 (menggunakan berat β=. 2) dan
perkiraan bidang miring pada tahun 1 (menggunakan bobot 1 – β= 1- .2= .8). Secara umum,
nilai lebih tinggi β tempat lebih berat pada perbedaan antara tingkat perkiraan, sedangkan
nilai yang lebih kecil menempatkan lebih banyak bobot pada perkiraan kemiringan dari
periode terakhir. Menggunakan perkiraan L2 dan B2 hanya diperoleh, ramalan penjualan
untuk tahun 3 dihitung menggunakan persamaan (18.9):
F3 = L2 + b2 = 22.9 + 1.3(1) = 24.2
Perhitungan lainnya dibuat dengan cara yang sama dan ditunjukkan dalam tabel 18,15.
Jumlah dari kuadrat ramalan kesalahan adalah 39,678; maka MSE 39.678/9 = 4,41. Apakah
nilai yang berbeda untuk konstanta smoothing α dan β memberikan perkiraan yang lebih
akurat? Untuk menjawab pertanyaan ini kita harus mencoba kombinasi yang berbeda dari α
dan β untuk menentukan apakah kombinasi dapat ditemukan yang akan memberikan nilai
MSE lebih rendah dari 4,41. nilai yang kita peroleh dengan menggunakan smoothing
konstanta α +.1 dan β = .2. Mencari yang baik nilai α dan β dapat dilakukan dengan trial and
error atau menggunakan perangkat lunak statistik yang lebih maju paket yang memiliki
pilihan untuk memilih set optimal menghaluskan konstanta.

PERHITUNGAN RINGKASAN UNTUK GARIS LURUS EKSPONENSIAL

SMOOTHING UNTUK SERI waktu penjualan Sepeda menggunakan α = .1 dan β = .2

Perhatikan bahwa perkiraan tingkat waktu seri di tahun 10 adalah L1 = 32.220 dan perkiraan
kemiringan di tahun 10 adalah B1 = 1.171. Jika kita berasumsi bahwa tren 10 tahun terakhir
di penjualan adalah indikator yang baik dari masa depan, persamaan (18,9) dapat digunakan
untuk mengembangkan perkiraan untuk periode waktu mendatang. Sebagai contoh,
mengganti t = 11 menjadi persamaan (18.9) hasil tahun depan proyeksi tren atau ramalan, F11.
F11 = L10 + b10(1) = 32.220 + 1.171 = 33.391
Dengan demikian, menggunakan linear eksponensial perataan dari Holt kami akan
memperkirakan penjualan 33.391 Sepeda tahun depan.
Regresi tren nonlinear
Penggunaan fungsi linear untuk model tren adalah umum. Namun, seperti yang telah kita
bahas sebelumnya, Terkadang seri waktu memiliki tren lengkung atau nonlinier. Sebagai
contoh, pertimbangkan pendapatan tahunan dalam jutaan dolar untuk obat kolesterol untuk 10
tahun pertama penjualan. Tabel 18.16 menunjukkan seri waktu dan gambar 18,13
menunjukkan seri waktu yang sesuai Plot. Sebagai contoh, pendapatan pada tahun 1 adalah
$23.100.000; pendapatan di tahun 2 adalah $21.300.000; dan sebagainya. Plot seri waktu
menunjukkan tren meningkat atau naik secara keseluruhan. Tapi tidak seperti seri waktu
penjualan Sepeda, tren linier tampaknya tidak sesuai. Sebaliknya fungsi lengkung tampaknya
diperlukan untuk model tren jangka panjang.
Persamaan tren kuadrat berbagai fungsi nonlinier dapat digunakan untuk mengembangkan
perkiraan tren untuk seri waktu kolesterol. Misalnya, pertimbangkan hal berikut persamaan
tren kuadrat:
T1 = b0 + b1t + b2t2
Untuk seri waktu kolesterol, t = 1 sesuai dengan tahun 1, t = 2 sesuai dengan tahun 2, dan
seterusnya.
Model linier umum yang dibahas di bagian 16,1 dapat digunakan untuk menghitung
nilai dari B0, B1, dan B2. Ada dua variabel independen, tahun dan tahun kuadrat, dan
tergantung variabel adalah pendapatan penjualan dalam jutaan dolar. Dengan demikian,
pengamatan pertama adalah 1.

1, 23,1; pengamatan kedua adalah 2, 4, 21,3; pengamatan ketiga adalah 3, 9, 27,4; dan
sebagainya. Gambar 18,14 menunjukkan Minitab Multiple regresi output untuk model tren
kuadrat; persamaan regresi diperkirakan
Menggunakan standar beberapa prosedur regresi mengharuskan kita untuk menghitung nilai-
nilai untuk tahun kuadrat sebagai variabel independen kedua. Atau, kita dapat menggunakan
Minitab Time Series- Trend Analysis prosedur untuk memberikan hasil yang sama. Tidak
memerlukan pengembangan nilai untuk tahun kuadrat dan lebih mudah digunakan. Kami
menganjurkan penggunaan pendekatan ini ketika memecahkan latihan yang melibatkan
penggunaan tren kuadrat.
Persamaan tren eksponensial
alternatif lain yang dapat digunakan untuk model yang nonlinier pola yang dipamerkan oleh
seri waktu kolesterol adalah agar sesuai dengan model eksponensial ke Data. Misalnya,
pertimbangkan persamaan tren eksponensial berikut:
T2 = b0(b1)1
Untuk lebih memahami persamaan tren eksponensial ini, misalkan B0 = 20 dan B1 =1.2.
Kemudian untuk t = 1, T1 =20 (1.2)1 = 24; untuk t = 2, T2 = 20 (1.2)2 28,8; dan untuk t=3, T3
= 20 (1.2)3 34,56. Perhatikan bahwa TT tidak meningkat dengan jumlah yang konstan seperti
dalam kasus model tren linier, tetapi dengan persentase konstan; kenaikan persentase adalah
20%.
Minitab memiliki kemampuan dalam modul Time Series untuk menghitung tren
eksponensial persamaan dan kemudian dapat digunakan untuk peramalan. Sayangnya, Excel
tidak memiliki Kemampuan. Tapi, dalam bagian 16,1, kita menjelaskan bagaimana, dengan
mengambil logaritma dari istilah dalam persamaan (18,11), Umum metodologi model linear
dapat digunakan untuk menghitung eksponensial persamaan tren.
Modul seri waktu Minitab cukup mudah digunakan untuk mengembangkan
persamaan tren eksponensial. Tidak perlu berurusan dengan logaritma dan menggunakan
analisis regresi untuk menghitung persamaan tren eksponensial. Pada gambar 18,15, kita
menunjukkan bagian grafis dari computer output yang diperoleh dengan menggunakan
prosedur seri waktu analisis trend Minitab agar sesuai dengan persamaan tren.

18.5 musiman dan tren

Pada bagian ini kita akan menunjukkan bagaimana untuk mengembangkan Prakiraan untuk
seri waktu yang memiliki pola musiman. Sejauh yang ada musiman, kita perlu memasukkan
ke dalam model peramalan kita untuk memastikan perkiraan yang akurat. Kita mulai dengan
mempertimbangkan seri waktu musiman tanpa tren dan kemudian mendiskusikan bagaimana
model musiman dengan tren.

Musiman tanpa trend

Sebagai contoh, pertimbangkan jumlah payung yang dijual di toko pakaian selama lima tahun
terakhir Tahun. Tabel 18,17 menunjukkan seri waktu dan gambar 18,16 menunjukkan waktu
yang sesuai Plot seri. Plot seri waktu tidak menunjukkan tren jangka panjang dalam
penjualan. Bahkan, kecuali jika Anda melihat dengan seksama pada data, Anda dapat
menyimpulkan bahwa data mengikuti pola horizontal dan bahwa satu eksponensial
smoothing dapat digunakan untuk meramalkan penjualan. Tapi lebih dekat inspeksi dari plot
seri waktu mengungkapkan pola dalam data. Artinya, yang pertama dan ketiga kuartal
memiliki penjualan moderat, kuartal kedua memiliki penjualan tertinggi, dan kuartal keempat
cenderung menjadi kuartal terendah dalam hal volume penjualan. Dengan demikian, kita
akan menyimpulkan bahwa pola musiman triwulanan hadir.
Dalam Bab 15 kita menunjukkan bagaimana variabel Dummy dapat digunakan untuk
berurusan dengan kategoris variabel independen dalam model regresi berganda. Kita dapat
menggunakan pendekatan yang sama model seri waktu dengan pola musiman dengan
memperlakukan musim sebagai variabel kategoris.
Ingatlah bahwa ketika variabel kategoris memiliki tingkat k, variabel Dummy k - 1
diperlukan. Jadi, jika ada empat musim, kita membutuhkan tiga variabel Dummy. Misalnya,
di paying penjualan waktu seri musim adalah variabel kategoris dengan empat tingkat:
kuartal 1, kuartal 2, kuartal 3, dan kuartal 4. Dengan demikian, untuk model efek musiman
dalam seri waktu payung yang kita butuhkan 4 – 1= 3 variabel Dummy. Tiga variabel
Dummy dapat dikodekan sebagai berikut:

Menggunakan untuk menunjukkan perkiraan atau ramalan nilai penjualan, bentuk

umum dari perkiraan persamaan regresi yang berkaitan dengan jumlah payung dijual ke
kuartal penjualan mengambil tempat berikut:
ˆ
Y = b0 + b1 Qtr1 + b2 Qtr2 + b3 Qtr3
Tabel 18,18 adalah payung seri waktu penjualan dengan nilai-nilai kode dari variabel
Dummy Ditunjukkan. Menggunakan data dalam tabel 18,18 dan prosedur regresi Minitab,
kami memperoleh output komputer yang ditunjukkan pada gambar 18,17. Yang diperkirakan
beberapa persamaan regresi Diperoleh adalah

Sales = 95.0 + 29.0 Qtr1 + 57.0 Qtr2 + 26.0 Qtr3

Kita dapat menggunakan persamaan ini untuk memperkirakan penjualan triwulanan
untuk tahun depan.
Quarter 1: Sales = 95.0 + 29.0(1) + 57.0(0) + 26.0(0) = 124
Quarter 2: Sales = 95.0 + 29.0(0) + 57.0(1) + 26.0(0) = 152
Quarter 3: Sales = 95.0 + 29.0(0) + 57.0(0) + 26.0(1) = 121
Quarter 4: Sales = 95.0 + 29.0(0) + 57.0(1) + 26.0(0) = 95
TABEL 18.18 SERI WAKTU UMBRELLA DENGAN VARIABEL DUMMY

Sangat menarik untuk dicatat bahwa kami dapat memperoleh prakiraan triwulanan untuk
tahun depan hanya dengan menghitung rata-rata jumlah payung yang terjual di setiap
triwulan, seperti yang ditunjukkan pada tabel berikut.
GAMBAR 18.17 OUTPUT REGRESI MINITAB UNTUK SERI WAKTU
PENJUALAN UMBRELLA

Meskipun demikian, output regresi yang ditunjukkan pada Gambar 18.17 menyediakan
informasi tambahan yang dapat digunakan untuk menilai keakuratan perkiraan dan
menentukan signifikansi hasil. Dan, untuk jenis situasi masalah yang lebih kompleks, seperti
berhadapan dengan waktu yang memiliki tren dan efek musiman, pendekatan rata-rata
sederhana ini tidak akan berhasil.
MUSIM DAN TREN
Mari kita sekarang memperluas pendekatan regresi untuk memasukkan situasi-situasi di mana
deret waktu memuat baik efek musiman maupun tren linier dengan menunjukkan bagaimana
meramalkan seri waktu penjualan set televisi yang disurvei triwulanan yang diperkenalkan
pada Bagian 18.1. Data untuk rangkaian waktu perangkat televisi ditunjukkan pada Tabel
18.19. Plot seri waktu pada Gambar 18.18 menunjukkan bahwa penjualan terendah pada
kuartal kedua setiap tahun dan meningkat pada kuartal 3 dan 4. Dengan demikian, kami
menyimpulkan bahwa ada pola musiman untuk penjualan televisi. Tetapi deret waktu juga
memiliki tren linier ke atas yang perlu dipertanggungjawabkan untuk mengembangkan
prakiraan penjualan triwulanan yang akurat. Ini mudah ditangani dengan menggabungkan
pendekatan variabel dummy untuk musiman dengan pendekatan regresi deret waktu yang kita
bahas dalam Bagian 18.3 untuk menangani tren linear. Bentuk umum dari persamaan regresi
berganda yang diperkirakan untuk pemodelan efek musiman triwulanan dan tren linier dalam
rangkaian waktu televisi adalah sebagai berikut :

TABEL 18.19 TELEVISION MENGATUR WAKTU PENJUALAN

GAMBAR 18.18 TELEVISI MENGATUR WAKTU PENJUALAN WAKTU

TABEL 18.20 TELEVISI MENETAPKAN SERI WAKTU PENJUALAN DENGAN
DUMMYVARIABEL DAN PERIODE WAKTU

Tabel 18,20 adalah serial televisi revisi waktu penjualan seri yang mencakup nilai kode dari
variabel Dummy dan periode waktu t. menggunakan data dalam tabel 18,20, dan prosedur
regresi Minitab, kami memperoleh output komputer yang ditunjukkan pada gambar 18,19.
The Esti-dikawinkan Multiple regresi persamaan adalah
Penjualan = 6,07 – 1,36 Qtr1 – 2,03 Qtr2 – 3,04 Qtr3 + 1,46 (18.12)
Kita sekarang dapat menggunakan persamaan (18.12) untuk memperkirakan penjualan
triwulanan untuk tahun depan. Tahun depan adalah tahun 5 untuk serial waktu penjualan
televisi; yaitu periode 17, 18, 19, dan 20.
Perkiraan untuk Periode 17 (Triwulan 1 Tahun 5)

Penjualan = 6,07 – 1,36(1) – 2,03(0) – 3,04(0) + 1,46(17) = 7,9

Perkiraan untuk Periode 18 (Triwulan 2 Tahun 5)
Penjualan = 6,07 – 1,36(1) – 2,03(1) – 3,04(0) + 1,46(18) = 6,67
Perkiraan untuk Periode 19 (Triwulan 3 Tahun 5)
Penjualan = 6,07 – 1,36(0) – 2,03(0) – 3,04(1) + 1,46(19) = 8,54
Perkiraan untuk Periode 20 (Triwulan 4 Tahun 5)
Penjualan = 6,07 – 1,36(0) – 2,03(0) – 3,04(0) + 1,46(20) = 8,99
Dengan demikian, akuntansi untuk efek musiman dan tren linier dalam penjualan televisi,
perkiraan penjualan triwulanan di tahun 5 adalah 7190, 6670, 8540, dan 8990. Variabel
dummy dalam persamaan regresi berganda yang diperkirakan sebenarnya menyediakan
empat perkiraan berganda persamaan regresi, satu untuk setiap kuartal. Misalnya, jika periode
waktu sesuai dengan kuartal 1, estimasi penjualan triwulanan adalah
Triwulan 1 -> Penjualan = 6,07 – 1,36(1) – 2,03(0) – 3,04(0) + 1,46t = 4,71 + 1,46t
Demikian pula, jika periode waktu t sesuai dengan kuartal 2, 3, dan 4, estimasi penjualan
triwulanan adalah
Triwulan 2 -> Penjualan = 6,07 – 1,36(0) – 2,03(1) – 3,04(0) + 1,46t = 4,04 + 1,46t
Triwulan 3 -> Penjualan = 6,07 – 1,36(0) – 2,03(0) – 3,04(1) + 1,46t = 5,77 + 1,46t
Triwulan 4 -> Penjualan = 6,07 – 1,36(0) – 2,03(0) – 3,04(0) + 1,46t = 6,07 + 1,46t
Kemiringan garis tren untuk setiap persamaan perkiraan triwulanan adalah 0,146,
menunjukkan pertumbuhan penjualan sekitar 146 set per kuartal. Satu-satunya perbedaan
dalam empat persamaan adalah bahwa mereka memiliki intersep yang berbeda. Misalnya,
intersep untuk persamaan kuartal 1 adalah 4,71 dan intersep untuk persamaan kuartal 4
adalah 6,07. Dengan demikian, penjualan pada kuartal 1 adalah 4,71 - 6,07 = - 1,36 atau 1360
set kurang dari pada kuartal 4. Dengan kata lain, estimasi koefisien regresi untuk Qtr1 dalam
persamaan (18.12) memberikan perkiraan perbedaan penjualan antara kuartal 1 dan kuartal 4.
Interpretasi serupa dapat diberikan untuk 2.03, estimasi koefisien regresi untuk variabel
dummy Qtr2, dan .304, estimasi koefisien regresi untuk variabel dummy Qtr3
GAMBAR 18.19 OUTPUT REGRESI MINITAB UNTUK SERI WAKTU
PENJUALAN UMBRELLA

MODEL BERDASARKAN DATA BULANAN

Dalam contoh penjualan televisi sebelumnya, kami menunjukkan bagaimana variabel dummy
dapat digunakan untuk menjelaskan efek musiman triwulanan dalam seri waktu. Karena ada
4 level untuk musim variabel kategori, 3 variabel dummy diperlukan. Namun, banyak bisnis
menggunakan ramalan bulanan daripada triwulanan. Untuk data bulanan, musim adalah
variabel kategori dengan 12 level dan dengan demikian 12 1 11 variabel dummy diperlukan.
Misalnya, 11 variabel dummy dapat dikodekan sebagai berikut :
1 jika Januari
Bulan 1
0 sebaliknya
1 jika Februari
Bulan 2
0 sebaliknya
.
.
.
1 jika November
Bulan 11
0 sebaliknya

Selain perubahan ini, pendekatan regresi berganda untuk menangani musiman tetap sama.

18.6 DEKOMPOSISI SERI WAKTU

Pada bagian ini kami mengalihkan perhatian pada apa yang disebut dekomposisi deret waktu.
Dekomposisi deret waktu dapat digunakan untuk memisahkan atau mendekomposisi deret
waktu menjadi komponen musiman, tren, dan tidak beraturan. Meskipun metode ini dapat
digunakan untuk perkiraan, penerapan utamanya adalah untuk mendapatkan pemahaman
yang lebih baik tentang deret waktu. Banyak rangkaian waktu bisnis dan ekonomi dipelihara
dan diterbitkan oleh lembaga pemerintah seperti Sensus Buau dan Biro Statistik Tenaga
Kerja. Agen-agen ini menggunakan dekomposisi deret waktu untuk membuat deret waktu
dinasionalisasi.
Memahami apa yang sebenarnya terjadi dengan deret waktu sering tergantung pada
penggunaan data yang tidak masuk akal. Misalnya, kita mungkin tertarik mempelajari apakah
konsumsi daya listrik meningkat di daerah kita. Misalkan kita belajar bahwa konsumsi daya
listrik pada bulan September turun 3% dari bulan sebelumnya. Kehati-hatian harus dilakukan
dalam menggunakan informasi seperti itu, karena setiap kali pengaruh musiman hadir,
perbandingan semacam itu dapat menyesatkan jika data belum dideseasonalisasi. Fakta
bahwa konsumsi daya listrik turun 3% dari Agustus hingga September mungkin hanya efek
musiman yang terkait dengan penurunan penggunaan AC dan bukan karena penurunan
jangka panjang dalam penggunaan daya listrik. Memang, setelah menyesuaikan dengan efek
musiman, kita bahkan mungkin menemukan bahwa penggunaan daya listrik meningkat.
Banyak rangkaian waktu lainnya, seperti statistik pengangguran, penjualan rumah, dan
penjualan ritel, dipengaruhi oleh musim yang kuat. Penting untuk menasionalisasi data
tersebut sebelum membuat keputusan tentang tren jangka panjang.
Metode dekomposisi deret waktu mengasumsikan bahwa Yt, nilai deret waktu aktual pada
periode t, adalah fungsi dari tiga komponen: komponen tren; komponen musiman; dan
komponen yang tidak beraturan atau kesalahan. Bagaimana ketiga komponen ini
digabungkan untuk menghasilkan nilai-nilai yang diamati dari deret waktu tergantung pada
apakah kita mengasumsikan hubungan tersebut paling baik digambarkan oleh model aditif
atau multiplikatif.
Model dekomposisi aditif mengambil bentuk berikut:
Y t = Trend t + Seasonal t + Irregular t
dimana,
Trend t = nilai tren pada periode waktu t
Seasonal t = nilai musiman pada periode waktu t
Irregular t = nilai tidak teratur pada periode waktu t

Dalam model aditif nilai-nilai untuk tiga komponen hanya ditambahkan bersama untuk
mendapatkan nilai deret waktu aktual Y t. Komponen irregular atau error bertanggung jawab
atas variabilitas dalam deret waktu yang tidak dapat dijelaskan oleh komponen tren dan
musiman.Model aditif sesuai dalam situasi di mana fluktuasi musiman tidaktergantung pada
tingkat deret waktu. Model regresi untuk memasukkan musimandan efek tren dalam Bagian
18.5 adalah model aditif. Jika ukuran fluktuasi musiman pada periode waktu sebelumnya
hampir sama dengan ukuran fluktuasi musiman di periode waktu kemudian, model aditif
sesuai. Namun, jika fluktuasi musiman berubah seiring waktu, tumbuh lebih besar karena
volume penjualan meningkat karena tren linear jangka panjang, maka model multiplikatif
harus digunakan. Banyak waktu bisnis dan ekonomi seri ikuti pola ini.
Model dekomposisi multiplikatif mengambil bentuk berikut:
Yt = Trend t × Seasonal t × Irregular t
Dimana,
Trend t = nilai tren pada periode waktu t
Seasonal t = indeks musiman pada periode waktu t
Irregular t = indeks tidak teratur pada periode waktu t

Dalam model ini, tren dan komponen musiman dan tidak teratur dikalikan untuk memberikan
nilai deret waktu. Tren diukur dalam satuan item yang sedang diramalkan. Namun demikian
komponen musiman dan tidak teratur diukur secara relatif, dengan nilai di atas 1,00
menunjukkan efek di atas tren dan nilai di bawah 1,00 menunjukkan efek di bawah
tren.Karena ini adalah metode yang paling sering digunakan dalam praktik, kami akan
membatasi diskusi kami dekomposisi deret waktu untuk menunjukkan bagaimana
mengembangkan estimasi tren dan musiman komponen untuk model multiplikasi. Sebagai
ilustrasi kami akan bekerja dengan triwulanan Rangkaian waktu penjualan televisi ditetapkan
dalam Bagian 18.5; data penjualan triwulanan ditampilkan pada Tabel 18.19 dan plot seri
waktu yang sesuai disajikan pada Gambar 18.18. Setelah menunjukkan bagaimana cara
menguraikan deret waktu menggunakan model multiplikatif, kami akan menunjukkan
bagaimana indeks musiman dan komponen tren dapat dikombinasi ulang untuk
mengembangkan ramalan

Menghitung Indeks Musiman

Gambar 18.18 menunjukkan bahwa penjualan terendah pada kuartal kedua setiap tahun dan
meningkat di kuartal 3 dan 4. Jadi, kami menyimpulkan bahwa ada pola musiman untuk
perangkat televisi seri waktu penjualan. Prosedur komputasi yang digunakan untuk
mengidentifikasi pengaruh musiman setiap triwulan dimulai dengan menghitung rata-rata
bergerak untuk menghilangkan efek gabungan musiman dan tidak teratur dari data, sehingga
kami memiliki serangkaian waktu yang hanya berisi tren dan variasi acak yang tersisa tidak
dihapus oleh perhitungan rata-rata bergerak.
Karena kami bekerja dengan seri triwulanan, kami akan menggunakan empat nilai data di
masing-masing rata-rata bergerak. Perhitungan rata-rata bergerak untuk empat kuartal
pertama televisi mengatur data penjualan
Rata-rata gerak pertama = 4.8 + 4.1 + 6.0 + 6.5 = 21.4 = 5.35

——————— ——

4 4

Perhatikan bahwa perhitungan rata-rata bergerak untuk empat kuartal pertama menghasilkan
rata-rata penjualan triwulanan selama tahun 1 dari deret waktu. Melanjutkan perhitungan
rata-rata bergerak, kami selanjutnya tambahkan nilai 5,8 untuk kuartal pertama tahun 2 dan
turun 4,8 untuk kuartal pertama tahun 1. Dengan demikian, rata-rata bergerak kedua adalah
Rata-rata bergerak kedua = 4.1 + 6.0 + 6.5 + 5.8 = 22.4 = 5.60

——————— ——

4 4

Demikian pula, perhitungan rata-rata bergerak ketiga adalah (6.0 + 6.5 + 5.8 + 5.2)/4 = 5.875.
Sebelum kita melanjutkan dengan perhitungan rata-rata bergerak untuk seluruh rangkaian
waktu, mari kami kembali ke perhitungan rata-rata bergerak pertama, yang menghasilkan
nilai 5,35. Itu Nilai 5,35 adalah volume penjualan triwulanan rata-rata untuk tahun 1. Ketika
kita melihat kembali pada perhitungan nilai 5,35, mengaitkan 5,35 dengan "tengah" dari
kelompok rata-rata bergerak masuk akal. Perhatikan, bagaimanapun, bahwa dengan empat
perempat dalam moving average, tidak ada periode menengah. Nilai 5,35 benar-benar sesuai
dengan periode 2.5, paruh terakhir kuartal 2 dan paruh pertama kuartal 3. Demikian pula, jika
kita pergi ke nilai rata-rata bergerak berikutnya 5,60, periode tengah sesuai dengan periode
3.5, paruh terakhir kuartal 3 dan paruh pertama kuartal 4.
Dua nilai rata-rata bergerak yang kami hitung tidak berhubungan langsung dengan kuartal
asli dari rangkaian waktu. Kami dapat mengatasi kesulitan ini dengan menghitung rata-rata
dua moving average. Karena pusat dari moving average pertama adalah periode 2.5 (setengah
periode atau kuartal awal) dan pusat dari moving average kedua adalah periode 3.5 (setengah
periode atau kuartal terlambat), rata-rata dari dua moving average berpusat di kuartal 3, tepat
di mana seharusnya. Moving average ini disebut sebagai moving average terpusat.Dengan
demikian, rata-rata bergerak terpusat untuk periode 3 adalah (5,35 + 5,60) / 2 = 5,475.
Demikian pula halnya dengan nilai tengah bergerak rata-rata untuk periode 4 adalah (5,60 +
5,875) / 2 = 5,738. Tabel 18.21 menunjukkan ringkasan lengkap rata-rata bergerak dan
perhitungan rata-rata bergerak terpusat untuk televisi mengatur data penjualan.
Apa yang dikatakan rata-rata bergerak terpusat pada Tabel 18.21 tentang seri waktu ini?
Gambar 18.20 menunjukkan plot deret waktu dari nilai deret waktu aktual dan nilai rata-rata
bergerak terpusat. Perhatikan khususnya bagaimana nilai rata-rata bergerak terpusat
cenderung “Memuluskan” fluktuasi musiman dan tidak teratur dalam deret waktu. Yang
terpusat moving average mewakili tren dalam data dan setiap variasi acak yang tidak dihapus
dengan menggunakan rata-rata bergerak untuk menghaluskan data.
Sebelumnya kami menunjukkan bahwa model dekomposisi multiplikasi adalah
Yt = Trend t × Seasonal t × Irregular t
Dengan membagi setiap sisi persamaan ini dengan komponen tren T r, kita dapat
mengidentifikasi efek musiman-tidak teratur dalam rangkaian waktu.

Sebagai contoh, kuartal ketiga tahun 1 menunjukkan nilai tren 5,475 (gerak terpusat rata-
rata). Jadi 6.0 / 5.475 = 1.096 adalah nilai gabungan musiman-tidak teratur. Tabel 18.22
merangkum nilai musiman-tidak beraturan untuk seluruh rangkaian waktu.
Pertimbangkan nilai musiman-tidak teratur untuk kuartal ketiga: 1.096, 1.075, dan 1.109.
Nilai musiman-tidak beraturan yang lebih besar dari 1,00 mengindikasikan efek di atas
perkiraan tren dan nilai di bawah 1,00 menunjukkan efek di bawah estimasi tren. Dengan
demikian, tiga musiman-tidak teratur nilai untuk kuartal 3 menunjukkan efek di atas rata-rata
pada kuartal ketiga. Sejak tahun ke tahun fluktuasi dalam nilai musiman-tidak teratur
terutama disebabkan oleh kesalahan acak, kita bisa.

TABEL 18.21
PERHITUNGAN AVERAGE MOVING PUSAT UNTUK TELEVISI SET SERI WAKTU
PENJUALAN
nilai rata-rata yang dihitung untuk menghilangkan pengaruh tidak teratur dan mendapatkan
estimasi
pengaruh musiman kuartal ketiga.
Efek musiman pada kuartal 3 = 1.096 + 1.075 + 1.109 /3 = 1.09
Kami merujuk ke 1,09 sebagai indeks musiman untuk kuartal ketiga. Tabel 18.23 merangkum
perhitungan yang terlibat dalam menghitung indeks musiman untuk seri waktu penjualan
televisi. Indeks musiman untuk empat kuartal adalah 0,93, 0,84, 1,09, dan 1,14.
Interpretasi indeks musiman pada Tabel 18.23 memberikan beberapa wawasan tentang
komponen musiman dalam penjualan televisi. Kuartal penjualan terbaik adalah kuartal
keempat, dengan penjualan rata-rata 14% di atas perkiraan tren. Kuartal penjualan terburuk,
atau paling lambat, adalah kuartal kedua; indeks musiman 0,84 menunjukkan bahwa rata-rata
penjualan 16% di bawah estimasi tren. Komponen musiman sesuai dengan harapan intuitif.

TABEL 18.20
TELEVISI TRIWULANAN MENGATUR WAKTU PENJUALAN DAN RATA RATA
GERAK TERPUSAT
bahwa minat menonton televisi dan karenanya pola pembelian televisi cenderung memuncak
kuartal keempat karena musim dingin yang akan datang dan pengurangan kegiatan di luar
ruangan. Itu rendahnya penjualan kuartal kedua mencerminkan berkurangnya minat
menonton televisi karena musim semi dan aktivitas potensial pelanggan
TABLE 18.22
NILAI-NILAI IRREGULAR SEASONAL UNTUK SET TELEVISI SERI WAKTU
PENJUALAN.

TABLE 18.23
PERHITUNGAN INDEKS MUSIMAN UNTUK SET TELEVISI SERI WAKTU
PENJUALAN
Satu penyesuaian akhir kadang-kadang diperlukan dalam mendapatkan indeks musiman.
Karena model multiplikatif mensyaratkan bahwa indeks musiman rata-rata sama dengan 1,00,
jumlah dari empat indeks musiman pada Tabel 18.23 harus sama dengan 4.00. Dengan kata
lain, efek musiman bahkan harus keluar selama setahun. Rata-rata indeks musiman pada
contoh kami sama dengan 1,00, dan karenanya jenis penyesuaian ini tidak perlu. Dalam kasus
lain, sedikit penyesuaian mungkin diperlukan. Untuk melakukan penyesuaian, kalikan setiap
indeks musiman dengan jumlah musim dibagi dengan jumlah indeks musiman yang tidak
disesuaikan. Misalnya, untuk triwulanan data, kalikan setiap indeks musiman dengan 4 /
(jumlah indeks musiman yang tidak disesuaikan). Beberapa latihan akan membutuhkan
penyesuaian ini untuk mendapatkan indeks musiman yang sesuai.
Deseasonalisasi Time Series
Rangkaian waktu yang menghilangkan efek musiman ini disebut sebagai deseasonalized time
series, dan proses menggunakan indeks musiman untuk menghilangkan efek musiman dari
deret waktu disebut sebagai menasionalisasi deret waktu. Menggunakan multiplikatif model
dekomposisi, kami menasionalisasi rangkaian waktu dengan membagi setiap pengamatan
dengan nya indeks musiman yang sesuai. Model dekomposisi multiplikasi adalah
Yt = Trend t × Seasonal t × Irregular t
Jadi, ketika kita membagi setiap pengamatan deret waktu (Yt) dengan indeks musiman yang
sesuai, data yang dihasilkan hanya menunjukkan tren dan variabilitas acak (komponen tidak
teratur). Itu Rangkaian waktu yang ditentukan untuk penjualan pesawat televisi dirangkum
dalam Tabel 18.24. Grafik dari seri waktu dinasionalisasi ditunjukkan pada Gambar 18.21.
Menggunakan Deseasonalized Time Series untuk Mengidentifikasi Tren
Grafik dari rangkaian waktu penjualan televisi yang dinasionalisasi yang ditunjukkan pada
Gambar 18.21 tampaknya memiliki tren linier ke atas. Untuk mengidentifikasi tren ini, kami
akan mencocokkan persamaan tren linier dengan deret waktu yang dinasionalisasi
menggunakan metode yang sama seperti ditunjukkan pada Bagian 18.4. Itu satu-satunya
perbedaan adalah bahwa kita akan menyesuaikan garis tren ke data yang telah dinasionalisasi
data asli.
Ingatlah bahwa untuk tren linier, persamaan regresi estimasi dapat ditulis sebagai
Tt = b 0 + b 1t
Dimana,
T t = perkiraan tren linier pada periode t
b0 = mencegat garis tren linier
b1 = kemiringan garis tren
t = jangka waktu

TABEL 18.24
NILAI YANG DITETAPKAN UNTUK TELEVISI SET WAKTU PENJUALAN
FIGURE 18.21
TELEVISI DESEASONALISASI MENGATUR WAKTU PENJUALAN

Dalam Bagian 18.4 kami menyediakan rumus untuk menghitung nilai b0 dan b1. Agar pas
linier garis tren ke data yang dinasionalisasi pada Tabel 18.24, satu-satunya perubahan adalah
bahwa nilai-nilai deret waktu yang dinasionalisasi digunakan sebagai pengganti nilai yang
diamati Yt dalam komputasi b0 dan b1.
Gambar 18.22 menunjukkan output komputer yang diperoleh menggunakan analisis regresi
Minitab prosedur untuk memperkirakan garis tren untuk rangkaian waktu set televisi yang
dinasionalisasi. Itu estimasi persamaan tren linier adalah
Deseasonalized Sales = 5.10 + 0.148 t

FIGURE 18.22
OUTPUT REGRESI MINITAB UNTUK DESEASONALISASI TELEVISION
MENGATUR WAKTU PENJUALAN
Kemiringan 0,148 menunjukkan bahwa selama 16 kuartal terakhir, perusahaan rata-rata
mengalami penurunan penjualan dalam penjualan sekitar 148 set per kuartal. Jika kita
asumsikan 16 kuartal terakhir tren dalam data penjualan adalah indikator masa depan yang
cukup baik, persamaan ini dapat digunakan untuk mengembangkan proyeksi tren untuk
kuartal mendatang. Misalnya, mengganti t =17 ke dalam persamaan menghasilkan proyeksi
tren tak masuk akal kuartal berikutnya, T 17.
T17 = 5.10 + 0.148(17) = 7.616
Dengan demikian, menggunakan data deseasonalized, perkiraan tren linier untuk kuartal
berikutnya (periode 17) adalah 7616 pesawat televisi. Demikian pula, perkiraan tren yang
dinasionalisasi untuk tiga kuartal berikutnya (periode 18, 19, dan 20) masing-masing adalah
televisi 7764, 7912, dan 8060.
Seasonal Adjustments
Langkah terakhir dalam mengembangkan ramalan ketika komponen tren dan musiman ada
adalah dengan menggunakan indeks musiman untuk menyesuaikan proyeksi tren yang
dinasionalisasi. Kembaliuntuk contoh penjualan televisi, kami memiliki proyeksi tren yang
dinasionalisasi untuk selanjutnyaempat perempat. Sekarang kita harus menyesuaikan ramalan
untuk efek musiman. Indeks musiman untuk triwulan pertama tahun 5 (t =17) adalah 0,93,
jadi kami memperoleh prakiraan triwulanan dengan mengalikan prakiraan dinasionalisasi
berdasarkan tren (T17=7616) dengan indeks musiman (0,93). Dengan demikian, perkiraan
untuk kuartal berikutnya adalah 7616 (0,93) =7083. Tabel 18.25 menunjukkan perkiraan
kuartal untuk kuartal 17 hingga 20. Kuartal keempat volume tinggi memiliki unit 9188
prakiraan, dan kuartal kedua volume rendah memiliki perkiraan 6522 unit.

TABEL 18.25
PERKIRAAN TRIWULANAN UNTUK TELEVISI SET PENJUALAN TIME SERIES

Model Berdasarkan Data Bulanan

Dalam contoh penjualan televisi sebelumnya, kami menggunakan data triwulanan untuk
menggambarkan perhitungan indeks musiman. Namun, banyak bisnis menggunakan ramalan
bulanan daripada triwulanan. Dalam kasus seperti itu, prosedur yang diperkenalkan dalam
bagian ini dapat diterapkan dengan minor modifikasi. Pertama, moving average 12 bulan
menggantikan moving average empat kuartal; kedua, 12 indeks musiman bulanan, bukan
empat indeks musiman triwulanan, harus dihitung. Selain perubahan-perubahan ini, prosedur
komputasi dan peramalan identik.
Komponen siklus
Secara matematis, model persamaan multiplikatif (18.14) dapat diperluas untuk mencakup
komponen siklus.
Yt = Trend t × Siklus t × Seasonal t × Irregular t
Komponen siklus, seperti komponen transisi, diumumkan sebagai tren. Seperti memenangkan
dalam Bagian 18.1, komponen ini disebabkan oleh siklus multiyear pada saat itu seri. Ini
analog dengan komponen keluaran, tetapi dalam periode waktu yang lebih lama. Namun,
karena lamanya waktu yang terlibat, data yang diperoleh cukup relevan untuk diperoleh
komponen siklus kesulitan. Kesulitan lain adalah siklus yang biasanya bervariasi. Karena itu
sangat sulit untuk diselesaikan dan / atau diselesaikan efek dari tren jangka panjang efek,
dalam praktiknya efek ini sering digabungkan dan disebut sebagai komponen siklus tren
gabungan. Kami berangkat diskusi lebih lanjut tentang komponen siklus ke teks khusus
tentang metode peramalan.

SOAL DAN JAWABAN

1. Data ini menunjukkan jumlah galon bensin yang dijual oleh distributor bensin di
Bennington, Vermont, selama 12 minggu terakhir.

a. Bangun plot seri waktu. Jenis pola apa yang ada dalam data?
b. Gunakan rata-rata bergerak tiga minggu untuk mengembangkan perkiraan untuk
minggu 11.
c. Gunakan smoothing eksponensial dengan konstanta smoothing of α = .2 untuk
mengembangkan perkiraan untuk minggu 11.
d. Manakah dari dua metode yang Anda sukai? Mengapa?

Penyelesaian:

a. Menggunakan excel, kami memperolah bahwa plot seri waktu menunjukkan pola
horizontal.
a. Table berikut menunjukkan perhitungannya
b. Table berikut menunjukkan perhitungannya

c. Minggu ke 3 moving average

Exponensial smoothing
 Berdasarkan MSE sebelumnya, moving average minggu ke 3 tampak lebih baik,
karena MSE lebih sedikit.
Hanya menggunkan kesalahan untuk minggu ke 4-10, untuk MSE exponensial
smoothing adalah:

Jawaban:

a. Plot seri waktu menunjukkan pola horizontal

b. F11 = 19,333
c. F11 = 20,263
d. Moving average minggu ke 3 lebih baik

2. Tabel berikut melaporkan persentase saham dalam portofolio selama sembilan kuartal
dari 2007 hingga 2009.
 a. Bangun plot seri waktu. Jenis pola apa yang ada dalam data?
b. Gunakan smoothing eksponensial untuk memperkirakan deret waktu ini.
Pertimbangkan konstanta penghalusan α = .2, .3, dan .4. Apa nilai konstanta
smoothing yang memberikan perkiraan paling akurat?
c. Berapa perkiraan persentase saham dalam portofolio tipikal untuk kuartal kedua
2009?

Penyelesaian:

a. Menggunakan excel, kami memperolah bahwa plot seri waktu menunjukkan pola
horizontal.
b. Table berikut menunjukkan perhitungannya
 Berdasarkan nilai MSE sebelumnya, konstanta smoothing dari α = 0,4 memberikan
perkiraan terbaik.
c.

Jawaban:

a. Plot seri waktu menunjukkan pola horizontal

b. konstanta smoothing dari α = 0,4 memberikan perkiraan terbaik.
c. F10 = 30,997

3. United Dairies, Inc., memasok susu ke beberapa pedagang swalayan di seluruh Dade
County, Florida. Manajer di United Dairies ingin mengembangkan perkiraan jumlah
susu setengah galon yang terjual per minggu. Data penjualan selama 12 minggu
terakhir diikuti.
 a. Bangun plot seri waktu. Jenis pola apa yang ada dalam data?
b. Gunakan pemulusan eksponensial dengan α = .4 untuk mengembangkan perkiraan
permintaan untuk minggu 13.

Penyelesaian:

a. Menggunakan excel, kami memperolah bahwa plot seri waktu menunjukkan pola
horizontal.

b. Table berikut menunjukkan perhitungannya

Jawaban:

a. Plot seri waktu menunjukkan pola horizontal

b. F13 = 3177,008

4. Mayfair Department Store di Davenport, Iowa, sedang mencoba untuk menentukan

jumlah penjualan yang hilang ketika ditutup selama Juli dan Agustus karena
kerusakan yang disebabkan oleh banjir Sungai Mississippi. Data penjualan untuk
Januari hingga Juni mengikuti.

a. Gunakan smoothing eksponensial, dengan α = .4, untuk mengembangkan

perkiraan untuk Juli dan Agustus. (Petunjuk: Gunakan ramalan untuk bulan Juli
sebagai penjualan aktual di bulan Juli dalam mengembangkan ramalan Agustus).
Komentar tentang penggunaan perataan eksponensial untuk perkiraan lebih dari
satu periode ke depan.
b. Gunakan proyeksi tren untuk memperkirakan penjualan untuk bulan Juli dan
Agustus.
c. Perusahaan asuransi Mayfair mengusulkan penyelesaian berdasarkan kehilangan
penjualan sebesar $ 240.000 pada bulan Juli dan Agustus. Apakah jumlah ini adil?
Jika tidak, berapa jumlah yang akan Anda rekomendasikan sebagai penawaran
balik?

Penyelesaian:

a. Exponensial smoothing dengan α = 0,4

 Oleh karena itu, kami memiliki perkiraan yang sama untuk setiap periode di masa
mendatang. Inilah alasan mengapa biasanya tidak direkomendasikan untuk peramalan
jangka panjang.

b. Menggunakan excel, kami memperoleh estimasi persamaan tren linier:

Output excel adalah

Tren projection:
 c. Penyelesaian yang diusulkan tidak adil. Dari bagian (b) kita dapat melihat bahwa ada
tren linier dalam penjualan yang hilang dan jumlah yang diajukan tidak mengikuti
tren linier positif. Dari bagian (b) kita dapat melihat bahwa ramalan untuk bulan juli
dan agustus berada dalam tren naik. Oleh karena itu, jumlah yang disarankan harus
didasarkan pada perkiraan kehilangan penjualan $278877 pada bulan juli dan
$297328 pada bulan agustus.

Jawaban:

a. Fjuli = 236,696 Fagustus = 236,696

b. Fjuli = 278,877 Fagustus = 297,238
c. Jumlah yang disarankan harus didasarkan pada perkiraan kehilangan penjualan
$278877 pada bulan juli dan $297328 pada bulan agustus.

5. Canton Supplies, Inc., adalah perusahaan layanan yang mempekerjakan sekitar 100
orang. Manajer Persediaan Kanton prihatin tentang memenuhi kewajiban kas bulanan
 dan ingin mengembangkan perkiraan persyaratan kas bulanan. Karena perubahan
terbaru dalam kebijakan operasi, hanya tujuh bulan terakhir dari data yang mengikuti
dianggap relevan.

a. Bangun plot seri waktu. Jenis pola apa yang ada dalam data?
b. Gunakan smoothing eksponensial linear Holt dengan α = .6 dan ß = .4 untuk
memperkirakan kebutuhan uang tunai untuk masing-masing dua bulan ke depan.
c. Menggunakan Minitab atau Excel, kembangkan persamaan tren linier untuk
memperkirakan kebutuhan kas untuk masing-masing dua bulan ke depan.
d. Apakah Anda akan merekomendasikan menggunakan smoothing eksponensial
linear Holt dengan α .6 dan ß = .4 untuk memperkirakan kebutuhan kas untuk
masing-masing dua bulan ke depan atau persamaan tren linier? Menjelaskan.

Penyelesaian:

a. Menggunkan excel, kami memperoleh bahwa seri waktu menujukkan pola tren yang
meningkat.

b. Holt’s linier exponensial smoothing dengan α = 0,6 dan ß = 0,4

 c. Menggunakan excel, kami memperoleh estimasi persamaan tren linier:

Output excel adalah

Trend projection:

d. Plot seri waktu menunjukkan tren linier. Oleh karena itu, kami merekomendasikan
persamaan tren linier.

Jawaban:

a. Plot seri waktu menujukkan pola tren yang meningkat.

b. F8 = 253,017 F9 = 260,148
c. T8 = 252,286 T9 = 259,107
d. Persamaan tren linier direkomendasikan