KELOMPOK 6
1. Aurora Sisilia Manurung (4191230005)
2. Ima Uli Sri Natasya Sitompul (4193230020)
3. Jesayas Polino Sigiro (4193230017)
4. Rolly Karolina Gultom (4191230015)
Kelas : PSM A 2019
Jurusan : Matematika
Kami mengucapkan terimakasih kepada dosen mata kuliah Ibu Susiana,. S.Si., M.Si yang
telah mempercayakan tugas ini kepada kami dan juga telah memberikan arahan dan bimbingan
kepada kami sehingga tugas Critical Book Report ini bisa diselesaikan. Kami juga menyadari
bahwa dalam tugas ini masih terdapat kesalahan yang tidak kami sadari. Oleh karena itu, kami
akan dengan senang hati menerima segala komentar, saran dan juga masukan untuk
perkembangan tugas ini.
Kelompok 6
i
DAFTAR ISI
Contents
KATA PENGANTAR..................................................................................................................................i
DAFTAR ISI...............................................................................................................................................ii
BAB I..........................................................................................................................................................1
PENDAHULUAN.......................................................................................................................................1
1.1 Latar Belakang.............................................................................................................................1
BAB II.........................................................................................................................................................2
RINGKASAN KEDUA BUKU...................................................................................................................2
BAB III......................................................................................................................................................10
KELEBIHAN DAN KEKURANGAN BUKU..........................................................................................10
3.1 Kelebihan Buku.........................................................................................................................10
3.2 Kekurangan Buku......................................................................................................................10
BAB IV.....................................................................................................................................................11
PENUTUP.................................................................................................................................................11
4.1 Kesimpulan................................................................................................................................11
4.2 Saran..........................................................................................................................................11
ii
BAB I
PENDAHULUAN
Metode yang sering digunakan dalam analisis runtun waktu adalah ARIMA.
Model ARIMA mampu mewakili deret waktu stasioner maupun nonstasioner.
Karakteristik model ini tidak mengikutkan variabel bebas di dalam modelnya
(Kusmurtanto, 2007). Pada ARIMA, suatu runtun waktu nonstasioner harus diubah
menjadi data stasioner dengan melakukan differensiasi. Differensiasi adalah menghitung
perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah
stasioner atau tidak. Dalam kenyataannya, banyak data yang memiliki volatilitas sangat
tinggi, dan sangat sulit distasionerkan. Dalam kasus ini, metode ARIMA kurang tepat
digunakan.
1
BAB II
sekarang (𝑍𝑡) yang bergantung pada 1 atau beberapa pengamatan sebelumnya ( Z k 1) . Dengan
kata lain, model time series dibuat karena adanya korelasi (dependensi) antar deret pengamatan
secara statistik. Untuk melihat adanya korelasi antar pengamatan, dapat dilakukan uji korelasi
antar pengamatan yang sering dikenal dengan autocorrelation function (ACF). Tujuan analisis
deret waktu adalah untuk memahami dan menjelaskan mekanisme tertentu, meramalkan suatu
nilai di masa depan, dan mengoptimalkan sistem kendali. Analisis deret waktu dapat diterapkan
di bidang ekonomi, bisnis, industri, teknik dan ilmu-ilmu social.
Data yang digunakan dalam analisis deret waktu merupakan data yang diperoleh dalam
kurun waktu tertentu. Data tersebut dapat bersifat data stasioner dan non-stasioner. Namun
diantara kedua jenis data tersebut, data yang terbaik adalah data yang bersifat stasioner. Suatu
data dapat dikatakan stasioner apabila nilai mean dan varians selalu konstan seiring dengan
perubahan waktu.
Menurut Soejoeti, misal Z1 , Z 2 ,.., Z n merupakan proses stokastik untuk runtun waktu
diskrit. Proses di atas disebut stasioner jika mean dan variansinya konstan untuk setiap titik 𝑡 dan
kovarian yang konstan untuk setiap selang waktu 𝑘. Secara sistematis hal tersebut dapat
dirumuskan sebagai berikut:
1. 𝐸(𝑍𝑡) = 𝜇 ,μ bernilai konstan untuk semua 𝑡
2. 𝑉𝑎𝑟 (𝑍𝑡)=𝜎2 ,𝜎2 bernilai konstan untuk semua 𝑡
3. 𝐶𝑜𝑣 (𝑍𝑡,𝑍𝑡+𝑘) =𝛾𝑘 ,𝛾𝑘 bernilai konstan untuk semua t
Dimana 𝛾𝑘 dengan semua 𝑘 ≠ 0 adalah autokovariansi pada lag 𝑘.
Untuk dapat mengetahui apakah suatu data bersifat stasioner atau tidak, dapat dilihat
melalui plot autokorelasi dari data tersebut. Plot autokorelasi dapat memperlihatkan stasioneritas
data. Nilai–nilai autokorelasi dari data stasioner akan turun sampai nol sesudah time-lag kedua
2
atau ketiga, sedangkan untuk data yang tidak stasioner. Apabila data bersifat non-stasioner, maka
hal yang harus dilakukan adalah menstasionerkan data terlebih dahulu. Proses tersebut dapat
dilakukan dengan transformasi Box-Cox dan differencing. Transformasi Box-Cox dilakukan jika
nilai varians tidak konstan, sedangkan differencing dilakukan jika nilai mean yang tidak konstan.
MODEL SMOOTHING
Exponential smoothing methods yang paling banyak digunakan sebagai metode
peramalan. Perumusan eksponensial smoothing sebagai metode peramalan muncul sejak tahun
1950 dari karya asli Brown (1959). Selanjutnya Li, Z. P (2008) menjelaskan exponential
smoothing adalah peramalan intuitif metode yang menitik beratkan pada time series yang
diamati. Sedangkan Montgomery D (1990) menerangkan bahwa exponential smoothing adalah
metode banyak digunakan dalam analisis time series.
Metode pemulusan eksponensial menurut Makridakis merupakan prosedur perbaikan
terus-menerus dalam peramalan terhadap objek pengamatan terbaru. Metode peramalan ini
menitik-beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang
lebih tua. Dalam pemulusan eksponensial atau exponential smoothing terdapat satu atau lebih
parameter pemulusan yang ditentukan secara eksplisit, dan hasil ini menentukan bobot yang
dikenakan pada nilai observasi. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih
tinggi dalam peramalan daripada observasi yang lebih lama. Metode pemulusan eksponensial
dibagi lagi berdasarkan menjadi beberapa metode.
A. Pemulusan Eksponensial Tunggal (Single Exponential Smoothing)
Pemulusan Eksponensial Tunggal juga dikenal sebagai simple exponential smoothing digunakan
pada peramalan dengan periode jangka pendek, biasanya hanya 1 bulan ke depan. Model tersebut
mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola
pertumbuhan konsisten.
Persamaan untuk metode Pemulusan Eksponensial Tunggal adalah sebagai berikut:
Ŷ 𝑡+1=𝑎 𝑌𝑡+(1−𝑎) Ŷ𝑡 (1)
dimana:
Ŷ𝑡 = Peramalan untuk periode 𝑡
𝑌𝑡 = Nilai aktual time series
Ŷ 𝑡+1 = Peramalan pada periode 𝑡 + 1
𝛼 = Konstanta perataan yang bernilai antara 0 dan 1
3
Contoh :
Peramalan pengiriman alat pembuka kaleng listrik dengan menggunakan pemulusan
eksponensial
Catatan:
Y^ 2 =αY 1 +(1−α ) Y^ 1
Karena nilai Y^ 1 tidak diketahui, maka kita dapat menggunakan nilai observasi pertama
(Y1) sebagai ramalan pertama.
4
Nilai Nilai pemulusan
Per Nilai Kesalahan Kuadrat nilai kesalahan
penga eksponensial
iod
matan
Bulan e
(pengi
wa
riman
ktu
) 0,1 0,5 0,9 0,1 0,5 0,9 0,1 0,5 0,9
Januari 1 200.0 200.0 200.0 200.0 - - - - - -
Pebruari 2 135.0 200.0 200.0 200.0 -65.0 -65.0 -65.0 4225.0 4225.0 4225.0
Maret 3 195.0 193.5 167.5 141.5 1.5 27.5 53.5 2.3 756.3 2862.3
April 4 197.5 193.7 181.3 189.7 3.8 16.3 7.8 14.8 264.1 61.6
Mei 5 310.0 194.0 189.4 196.7 116.0 120.6 113.3 13447.9 14550.4 12833.5
Juni 6 175.0 205.6 249.7 298.7 -30.6 -74.7 -123.7 938.3 5578.2 15294.6
Juli 7 155.0 202.6 212.3 187.4 -47.6 -57.3 -32.4 2262.7 3288.3 1047.6
Agustus 8 130.0 197.8 183.7 158.2 -67.8 -53.7 -28.2 4598.4 2880.7 797.3
September 9 220.0 191.0 156.8 132.8 29.0 63.2 87.2 839.2 3989.7 7599.7
Oktober 10 277.0 193.9 188.4 211.3 83.1 88.6 65.7 6901.1 7846.8 4318.8
Nopember 11 235.0 202.2 232.7 270.4 32.8 2.3 -35.4 1073.6 5.2 1255.2
Desember 12 - 205.5 233.9 238.5 - - - - - -
Jumlah
34303.3 43384.6 50295.6
Periode
pengujian 10 10 10
3430.32 4338.462 5029.562
MSE 73 5 8
5
𝑆′𝑡 menandakan seri halus yang diperoleh dengan menerapkan pemulusan eksponensial
sederhana ke seri 𝑌, sedangkan 𝑆′′𝑡 menandakan seri yang diperhalus ganda yang diperoleh
dengan menerapkan pemulusan eksponensial sederhana (menggunakan 𝛼 yang sama) ke seri 𝑆’
Akhirnya, perkiraan untuk Yt + k, untuk setiap k> 1, diberikan oleh:
Ŷ𝑡+𝑘=𝐿𝑡+𝑘𝑇𝑡 𝑚 (4)
dimana:
𝐿𝑡=2𝑆′𝑡−𝑆′′𝑡−1 (5)
adalah level dugaan pada peride ke 𝑡, dan
𝑇𝑡=( 𝛼/(1−𝛼)(𝑆′′𝑡− 𝑆′′𝑡−1)) (6)
adalah trend dugaan pada periode ke 𝑡
a. Pemulusan Eksponensial Ganda: Metode Satu Parameter dari Brown
Digunakan dalam peramalan data runtut waktu yang mengikuti suatu trend linier.
Bentuk umum yang digunakan untuk menghitung ramalan adalah:
3.
at =2 At −A ' t
α
bt = ( A − A 't)
4. 1−α t
5. Persamaan yang digunakan untuk membuat peramalan pada periode p yang akan datang
adalah:
Y^ t+ p =a t +bt p
Dimana :
At = nilai pemulusan eksponensial
A’t = nilai pemulusan eksponensial ganda
= konstanta pemulusan
at = perbedaan antara nilai-nilai pemulusan eksponensial
bt = faktor penyesuai tambahan = pengukuran slope suatu kurva
Yt = nilai aktual pada periode t
p = jumlah periode ke depan yang akan diramalkan
6
Catatan:
Agar dapat memulai sistem peramalan metode Brown kita memerlukan A1 dan A’1, karena
A 2 =αY 2 +(1−α ) A 1 dan A ' 2 =αA 2 +(1−α) A ' 1
Karena pada saat t = 1, nilai A1 dan A’1 tidak diketahui, maka kita dapat menggunakan nilai
observasi pertama (Y1).
Contoh:
Pemulusan eksponensial dari Brown pada data permintaan suatu produk. Perhitungan pada
contoh di bawah ini menggunakan nilai = 0,2.
Permintaan
suatu Nilai
Periode produk At A't at bt ramalan
1 143 143 143 143.0 0.0
2 152 144.8 143.4 146.2 0.4 143.0
3 161 148.0 144.3 151.8 0.9 146.6
4 139 146.2 144.7 147.8 0.4 152.7
5 137 144.4 144.6 144.1 -0.1 148.2
6 174 150.3 145.8 154.9 1.1 144.1
7 142 148.6 146.3 151.0 0.6 156.0
8 141 147.1 146.5 147.7 0.2 151.5
9 162 150.1 147.2 153.0 0.7 147.9
10 180 156.1 149.0 163.2 1.8 153.7
11 164 157.7 150.7 164.6 1.7 164.9
12 171 160.3 152.6 168.0 1.9 166.3
13 - - - - - 169.9 (p =1)
14 - - - - - 171.9 (p=2)
15 - - - - - 173.8 (p=3)
16 - - - - - 175.7 (p=4)
17 - - - - - 177.6 (p=5)
7
3. Persamaan yang digunakan untuk membuat peramalan pada periode p yang akan datang
adalah:
Y^ t+ p = At +T t p
Dimana :
At = nilai pemulusan eksponensial
= konstanta pemulusan untuk data (0 < < 1)
= konstanta pemulusan untuk estimasi trend (0 < < 1)
Yt = nilai aktual pada periode t
Tt = estimasi trend
p = jumlah periode ke depan yang akan diramalkan
Catatan:
Agar dapat memulai sistem peramalan metode Brown kita memerlukan A1, karena
A 2 =αY 2 +(1−α )( A 1 +T 1 ) , karena pada saat t = 1, nilai A1 tidak diketahui, maka kita dapat
menggunakan nilai observasi pertama (Y1). Untuk estimasi trend pada saat t = 1, nilai T 1 tidak
diketahui, maka kita dapat menggunakan selisih nilai observasi kedua (Y 2) dengan nilai
observasi pertama (Y1), yaitu T1 = Y2 – Y1.
Contoh:
Pemulusan eksponensial dari Holt pada data permintaan suatu produk. Perhitungan pada
contoh di bawah ini menggunakan nilai = 0,2 dan = 0,3.
Permintaan
suatu Nilai
Periode produk At Tt ramalan
1 143 143 9
2 152 152.0 9.0 152.0
3 161 161.0 9.0 161.0
4 139 163.8 7.1 170.0
5 137 164.2 5.1 170.9
6 174 170.2 5.4 169.3
7 142 168.9 3.4 175.6
8
8 141 166.0 1.5 172.2
9 162 166.4 1.2 167.5
10 180 170.1 1.9 167.6
11 164 170.4 1.4 172.0
12 171 171.6 1.4 171.8
13 - - - 173.0 (p =1)
14 - - - 174.4 (p=2)
15 - - - 175.8 (p=3)
16 - - - 177.2 (p=4)
17 - - - 178.6 (p=5)
BAB III
9
lebih memahami materi tidak harus melalui teori tetapi juga ada beberapa
rumus yang memang sangat mudah dipahami.
b) Buku II
Kelebihan pada buku II, penulis menjelaskan setiap materi dengan
menggunakan bahasa yang baik dan sangat mudah dipahami, teori-teori yang
juga ikut dipaparkan dengan jelas
BAB IV
PENUTUP
4.1 Kesimpulan
Analisis Runtun Waktu banyak digunakan dalam berbagai bidang, misalkan
ekonomi, teknik, geofisik, pertanian, dan kedokteran. Runtun waktu adalah suatu
10
deret observasi yang berurut dalam waktu. Analisis data runtun waktu digunakan
untuk melakukan analisis data yang mempertimbangkan pengaruh waktu.
4.2 Saran
Hendaknya setiap penulis lebih memperhatikan pemaparan materi yang ada pada
masing-masing buku, sehingga pembaca mendapatkan informasi secara maksimal.
Dan hendaknya juga pembaca lebih bisa mencari informasi yang lebih dengan
membaca berbagai jenis buku sebagai penambahan ilmu pengetahuan.
11