TEKNIK PREDIKSI TIME SERIES

1. Pendahuluan.
Secara umum prediksi merupakan suatu proses perkiraan keadaan pada
masa yang akan datang dengan menggunakan data di masa lalu. Hal ini
dilakukan dengan menganalisis pola data dan melakukan ekstrapolasi bagi
nilai-nilai untuk masa yang akan datang.
Tingkat akurasi dari prediksi ini ditentukan oleh kriteria yaitu berkaitan
dengan uji kesesuaian yang menunjukkan bagaimana model prediksi dapat
menghasilkan prediksi yang baik. Selain itu ada tiga kriteria yang perlu untuk
dipertimbangkan, yaitu :
a. Pola data.
b. Biaya prediksi.
c. Kemudahan.
Penentuan ketepatan prediksi umumnya berdasarkan trend data dan
kuadrat tengah galat (Mean Square Error (MSE)). Untuk trend data sendiri ada
3 jenis yaitu trend linier, trend kuadratik, dan trend eksponensial.

2. Deret Waktu (time series).

Time series adalah kumpulan data-data yang merupakan data historis dalam
suatu periode waktu tertentu. Data yang dapat dijadikan deret waktu harus
bersifat kronologis, artinya data harus mempunyai periode waktu yang
berurutan. Misalnya data penjualan suatu produk di Kota Denpasar antara
tahun 2010-2015, maka datanya adalah penjualan tahun tahun 2010, tahun
2011, tahun 2012, tahun 2013, tahun 2014, dan tahun 2015.
Data time series merupakan data yang dikumpulkan, dicatat, atau diamati
sepanjang waktu tertentu secara berurutan. Periode waktu dapat
menggunakan tahun, kuartal, bulan, minggu, hari atau jam. Time series
dianalisis untuk menemukan pola variasi masa lalu.
Analisis deret waktu (time series analysis) dipakai untuk memprediksi
kejadian di masa yang akan datang berdasarkan urutan waktu sebelumnya.
Perlu kita ketahui, selain analisis time series ada beberapa teknik untuk
memprediksi kejadian di masa yang akan datang berdasarkan karakteristik
 data, misalnya teknik smoothing, teknik siklus, dan teknik musiman. Ini
merupakan informasi tambahan saja, karena disini kita akan berfokus pada
metode time series.

3. Trend.
Trend merupakan pergerakan jangka panjang dalam suatu kurun waktu
tertentu yang biasanya digambarkan dengan garis lurus atau kurva. Time
series untuk bidang perekonomian misal, yang terbaik adalah untuk melihat
trend (atau siklus) sebagai perubahan kurva halus dari waktu ke waktu.
Ada tiga trend yang diigunakan untuk memprediksi pergerakan keadaan
pada masa yang akan datang, yaitu :
a. Trend Linier.
Trend linier merupakan data time series yang digambarkan dalam plot
mendekati garis lurus. Persamaan trend linier adalah sebagai berikut.

Y t =a+ bt

Dengan nilai a dan b didapatkan dari persamaan berikut ini.

a=
∑Y
n

b=
∑ tY
t2

Dimana Yt menunjukan nilai taksiran Y pada nilai t tertentu.

Sedangkan a adalah nilai intercept dari Y, artinya nilai Yt akkan sama
dengan a jika nilai t = 0. Kemudian b adalah nilai slope, artinya besar
kenaikan nilai Yt pada setiap nilai t. Dan nilai t sendiri adalah nilai tertentu
yang menunjukan periode waktu. Berikut merupakan contoh bentuk kurva
trend linier.

Y
 X
Kurva Trend Linier Positif

X
Kurva Trend Linier Negatif

b. Trend Kuadratik.
Jika trend linier merupakan deret waktu yang berupa garis lurus, maka
trend kuadratik merupakan deret waktu dengan data berupa garis
parabola. Persamaan untuk trend kuadratik adalah sebagai berikut.

Y t =a+ bt+ct 2

Dengan nilai a, b, dan c diperoleh dari persamaan.

 ∑ Y −c ∑ t 2
a=
n

b=
∑ tY
∑ t2

n ∑ t 2 Y −∑ t 2 ∑ Y
c=
n ∑ t 4−¿ ¿ ¿ ¿

bentuk kurva trend kuadratik umumnya sebagai berikut.

X
Kurva Trend Kuadratik

c. Trend Eksponensial.
Trend eksponensial digunakan untuk mengukur sebuah time series yang
mengalami kenaikan atau penurunan yang cepat. Dalam metode ini
digunakan persamaan.
 Y t =a . bt

logY
a=antilog [∑ ] n

∑ t log Y
b=antilog
[ ∑ t2 ]
bentuk kurva trend eksponensial umumnya sebagai berikut.

X
Kurva Trend Eksponensial

Dari ketiga jenis trend di atas, manakah yang harus kita gunakan?

Untuk membuat suatu keputusan yang akan dilakukan di masa yang akan
datang berdasarkkan time series diperlukan suatu metode prediksi yang paling
baik sehingga memiliki nilai kesalahan yang cenderung kecil. Terdapat
beberapa cara untuk menentukan trend mana yang akan dipilih sebagai
metode prediksi yang paling baik, diantaranya Mean Square Error (MSE).
Untuk mencari MSE digunakan rumus sebagai berikut.

∑ e2
MSE=
n
Dimana nilai e adalah selisih antara nilai Y dengan prediksi (Yt). Trend yang
memiliki MSE paling kecil adalah trend yang paling baik.

Agar lebih memahami materi mengenai regresi linear sederhana, perhatikan

contoh kasus berikut.

Contoh.
Seseorang pemilik showroom sepeda motor di Kota Denpasar ingin meraih
keuntungan yang besar pada bulan ke-18 dan bulan ke-25 setelah showroom
nya dibuka. Karena pada bulan tsb. anak pertama dan keduanya mulai masuk
kuliah dan SMA sehingga membutuhkan biaya yang besar. Berikut data
penjualan produk di showroom yang dimaksud pada 12 bulan pada tahun
2019.

No Bulan Penjualan
.
1 Januari 1143
2 Februari 1037
3 Maret 857
4 April 757
5 Mei 948
6 Juni 660
7 Juli 683
8 Agustus 809
9 Septembe 1078
r
10 Oktober 696
11 November 777
12 Desember 672

Tentukan prediksi jumlah penjualan pada bulan ke-18 dan ke-25 !

Kita tampilkan data yang kita dapat dalam bentuk grafik, untuk memudahkan
dalam menganalisa.
 Grafik Penjualan Tahun 2019
1,400

1,200

Ju m lah p e n ju alan
1,000

800

600

400

200

-
1 2 3 4 5 6 7 8 9 10 11 12
Bulan ke-

Setelah itu kita tabelkan data-data pendukung yang diperlukan.

Bulan yi ti yi,ti ti2 yi,ti2 ti4 log yi log yi.ti
1 1,143 -11 -12,573 121 138,303 14,641 3,06 -33,64
2 1,037 -9 -9,333 81 83,997 6,561 3,02 -27,14
3 857 -7 -5,999 49 41,993 2,401 2,93 -20,53
4 757 -5 -3,785 25 18,925 625 2,88 -14,40
5 948 -3 -2,844 9 8,532 81 2,98 -8,93
6 660 -1 -660 1 660 1 2,82 -2,82
7 683 1 683 1 683 1 2,83 2,83
8 809 3 2.427 9 7.281 81 2,91 8,72
9 1.078 5 5.390 25 26.950 625 3,03 15,16
10 696 7 4.872 49 34.104 2.401 2,84 19,90
11 777 9 6.993 81 62.937 6.561 2,89 26,01
12 672 11 7.392 121 81.312 14.641 2,83 31,10
Sigma 10.117 -7.437 572 505.677 48.620 35,02 -3,72

Perlu diketahui untuk mencari ti adalah dengan menggunakan aturan sebagai

berikut.
Misal dalam soal, karena jumlah data genap (n=12, tidak ada titik tengah), jadi
2 data yang tengah diisi dengan -1(atas) dan 1(bawah) dan selisihnya 2, yang
atas negatif dan yang bawah positif. Semisal jumlah data genap, titik
tengahnya 0, dan selisihnya 1.

Contoh jumlah data genap.

Data t1
1 -5
2 -3
3 -1
4 1
5 3
 6 5

Contoh jumlah data ganjil.

Data t1
1 -2
2 -1
3 0
4 1
5 2

Selanjutnya kita tentukan persamaan dari masing-masing trend.

a. Trend Linier.

a=
∑Y
n
10.117
a= =843,08
12

b=
∑ tY
t2
−7.437
b= =−13
572

Sehingga persamaan trend liniernya.

Y t =843,08−13t

b. Trend Kuadratik.

∑ Y −c ∑ t 2
a=
n
 10.117−(1 ×572)
a= =790,65
12

b=
∑ tY
∑ t2
−7.437
b= =−13
572

n ∑ t 2 Y −∑ t 2 ∑ Y
c=
n ∑ t 4−¿ ¿ ¿ ¿
( 12 ×505.677 )−(572× 10.117)
c= =1,1
( 12 × 48.620 )−(327.184)

Sehingga persamaan trend kuadratiknya.

Y t =790,65−13 t +1,1t 2

c. Trend Eksponensial.

logY
a=antilog [∑ ] n
35,02
a=antilog [ 12 ]= 828,58

∑ t log Y
b=antilog
[ ∑ t2 ]
 −3,72
b=antilog [ 572 ]= 0,99

Sehingga persamaan trend eksponensialnya.

Y t =828,58. 0,99t

Selanjutnya kita cari trend mana yang paling baik menggunakan metode
MSE.
a. Trend Linier.

Y t =843,08−13t
Bulan yi ti yt e e2
1 1.143 -11 986,08 157 24.623,89
2 1.037 -9 960,08 77 5.916,69
3 857 -7 934,08 -77 5.941,33
4 757 -5 908,08 -151 22.825,17
5 948 -3 882,08 66 4.345,45
6 660 -1 856,08 -196 38.447,37
7 683 1 830,08 -147 21.632,53
8 809 3 804,08 5 24,21
9 1.078 5 778,08 300 89.952,01
10 696 7 752,08 -56 3.144,97
11 777 9 726,08 51 2.592,85
12 672 11 700,08 -28 788,49
Sigma 10.117 - 10,117 220.235

∑ e2
MSE=
n
220.235
MSE= =18.352,91
12
b. Trend Kuadratik.

Y t =790,65−13 t +1,1t 2
Bulan yi ti yt e e2
1 1.143 -11 1.066,75 76 5.814,06
2 1.037 -9 996,75 40 1.620,06
3 857 -7 935,55 -79 6.170,10
4 757 -5 883,15 -126 15.913,82
5 948 -3 839,55 108 11.761,40
6 660 -1 804,75 -145 20.952,56
7 683 1 778,75 -96 9.168,06
8 809 3 761,55 47 2.251,50
9 1.078 5 753,15 325 105.527,52
10 696 7 753,55 -58 3.312,00
11 777 9 762,75 14 203,06
12 672 11 780,75 -109 11.826,56
Sigma 10.117 10.117 194.521

∑ e2
MSE=
n
194.521
MSE= =16.210,06
12
c. Trend Eksponensial.

Y t =828,58. 0,99t
Bulan yi ti yt e e2
1 1.143 -11 925,43 218 47.333,24
2 1.037 -9 907,02 130 16.894,35
3 857 -7 888,97 -32 1.022,21
4 757 -5 871,28 -114 13.060,25
5 948 -3 853,94 94 8.846,73
6 660 -1 836,94 -177 31.311,12
7 683 1 820,29 -137 18.849,70
8 809 3 803,97 5 25,30
9 1.078 5 787,97 290 84.116,63
10 696 7 772,29 -76 5.820,27
11 777 9 756,92 20 403,12
12 672 11 741,85 -70 4.880,33
Sigma 10.117 9.967 232.563

MSE=
∑ e2
n
232.563
MSE= =19.380,27
12

Perlu diketahui bahwa Dari perhitungan MSE di atas, bahwa

nilai MSE dari trend kuadratik merupakan yang terkecil. Jadi dapat
diketahui bahwa trend kuadratik pada prediksi ini ini memiliki
kecendrungan kesalahan yang paling rendah dibanding dengan trend
linier dan trend eksponensial.
Maka untuk prediksi jumlah penjualan pada bulan ke-18 dan bulan ke-25
adalah sebagi berikut.
a. Bulan ke-18.
 Untuk bulan ke-18 ti=23
Y t =790,65−13 t +1,1t 2
Y t =790,65−13.23+1,1. 232=1.073,55000

b. Bulan ke-25.
Untuk bulan ke-25 ti=37
Y t =790,65−13 t +1,1t 2
Y t =790,65−13 .(37)+1,1 .(372 )=1.815,55000

Kemudian untuk mempermudah observasi trend berikut ditampilkan

dalam grafik sebagai berikut.

Grafik Penjualan
2,000 1,816
Jumlah penjualan

1,500
1,074
1,000
500
-
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Bulan ke-

Dari grafik tsb. diperoleh prediksi bahwa pada bulan ke-18 dan bulan ke-
25 penjualan akan mengalami kenaikan, oleh karena itu pemilik
showroom dapat memprediksi membayar uang sekolah anaknya dengan
mudah.

Latihan Soal
Tahun Jumlah lulusan Taruna
2013 80
2014 87
2015 90
2016 95
2017 78
2018 80
2019 85
2020 88
1. Tentutkan persamaan metode trend linear, kuadratik dan eksponensial?
Diawal buat dlu grafiknya 2013 sd 2020, lihat jumlah data genap/ganjil.
2. Prediksi jumlah lulusan taruna pada tahun 2021 sd 2024? Ingat cari/gunakam
metode yg paling baik (lihat MSE diantara 3 metode yg nilainya paling
kecil/tingkat kesalahan/eror yg paling rendah)
3. Buatkan grafik sebarannya/ linearnya dari thn 2013 sd thn 2024