Nama : Nanda Mutiara Zani

NIM : 25421031

Analisis time series termasuk dalam rumpun analisis peramlaan masa depan berdasarkan nilai suatu
variabel dan/atau kesalahan atau error di masa lalu. Analisis in bertujuan untuk menemukan pola dalam
deret data historis dan mengeksplorasikan pola tersebut ke masa depan. Asumsi yang diguakan yakni
nilai variabel di masa depan bergantung pada variabel di masa lalu, aktivitas di masa depan mengikuti
pola yang terjadi pada masa lalu, sistem dipandang secara sederhana untuk memperkirakan apa yang
akan terjadi bukan mengapa terjadi, dan sistem output merupakan hubungan fungsional dan unsur
random/error.

Penentuan metode time series didasarkan pada ola data. Pola data dapat bersifat stasioner, musiman,
siklis, dan tren. Analisis time serie kemudian terpecah menjadi 2 cara yakni dekomposisi dan exponensial
smoothing.

Dekomposisi

1. Definisi dan ciri :Memecahkan data menjadi beberapa pola, dan mengidentifikasi pola tersebut
secraa terpisah sehingga mendapatkan keakuratan yang tinggi. Ditandai dengan
pola yang komplek (berfluktuasi dan tidak teratur). Mengasumsikan bahwa data=
pola data+error
2. Jenis metode : Dekomposisi klasik, dekomposisi tren musiman berdasarkan rata-rata loess (STL),
dan censu berau.
Dekomposisi Klasik terbagi menjadi 2 bagian yakni aditif dan multiplikatif.
Dekomposisi aditif menghitung time series pada komponen tren, musiman, siklus,
dan error dengan menjumlahkan proyeksi yang hasil peramalan. Sedangkan
dekomposisi multiplikatif dilakukan dengan mengalikan satu sama lain untuk
mendapatkan model peramalan.

Smoothing

1. Definisi dan ciri : Merupakan peramalan yang berprinsip untuk menghaluskan data dapat digunakan
dengan peramalan untuk satu period eke depan dari periode rata-rata atau
menggunakan galat error (α) smoothing koefisien yang digunakan pada data berpola
stasionari, tren, dan musiman.
2. Jenis metode : Moving average dan Exponential Smoothing Method (ESM)
Moving Average terbagi menjadi simple average (perata-rataan data masa lalu),
single moving average (Perata-rataan pengamatan terakhir), dan double moving
average (menggunakan metode linier moving average).
Exponential Smoothing Method menggunakan koefisien α, semakin kecil nilai alfa
maka semakin halus data yang dihasilkan. Teknik smoothing eksponensial terbag
menjadi 4 bagian yakni single exponential smoothing (menggunakan koef α untuk
data stasioner), single exponential smoothing adaptif (dimodifikasi dan dikontrol
dengan perubahan tren data), double exponential smoothing (menggunakan koef α
pada data tren), dan triple exponential smoothing (menggunakan koef. Αβγ).