Outline:
o Pendahuluan
o Akurasi Model Peramalan
o Pola Data Time Series
PPT2
PENDAHULUAN
Peramalan (forecasting) ?
adalah kegiatan untuk memperkirakan apa yang akan
terjadi di masa yang akan datang
• The theory of forecasting is based on the premise that current
and past knowledge can be used to make predictions about the
future
• In particular for time series, there is the belief that it is possible
to identify patterns in the historical values and successfully
implement them in the process of predicting future values.
• There are numerous potential outcomes of a forecasting
process
2
PENDAHULUAN
Mengapa peramalan (bisnis) dibutuhkan ?
1. Ada kebutuhan untuk perencanaan dan pengambilan
keputusan
Contoh:
• Bagaimana Kemendag memustuskan jumlah impor barang secara
realistis tanpa prediksi jumlah produksi & konsumsi dlm negeri serta
dampaknya thd harga eceran?
• Bagaimana Bank Indonesia dapat menyesuaikan suku bunga secara
realistis tanpa prediksi pertumbuhan ekonomi & inflasi di masa depan?
• Bagaimana seorang manajer dapat mengatur jadwal produksi secara
realistis tanpa prediksi penjualan di masa depan?
3
PENDAHULUAN
Mengapa peramalan (bisnis) dibutuhkan ?
4
PENDAHULUAN
Metode peramalan dapat dikelompokkan menjadi 2:
Metode peramalan kualitatif
Ramalan ditentukan oleh judgment orang/tim peramal.
Metode peramalan kuantitatif
Ramalan ditentukan berdasarkan data kuantitatif (time series)
• dari variabel yg diprediksi (univarite time series)
𝑦1 𝑦2 ………… 𝑦𝑡
data historis variabel 𝑦
• oleh variabel lainnya yang mempengaruhi/berhubungan dgn
variabel tsb (kausal/multivariate time series)
𝑦1 𝑦2 ………… 𝑦𝑡
𝑥1 𝑥2 ………… 𝑥𝑡
𝑧1 𝑧2 ………… 𝑧𝑡
…. dst
5
PENDAHULUAN
Metode Peramalan Kuantitatif:
Ramalan Ditentukan
Berdasarkan data kuantitatif (time series/historis) dengan cara
mengekstrapolasi pola data atau hubungan historis.
Asumsinya: Pola data tidak berubah
Model Peramalan
Kuantitatif Menurut
Kebutuhan Data:
1. Model Timeseries
2. Model Kausal
Dengan asumsi pola
data tidak berubah
akurasi model
semakin baik ketika
pola data atau pola
hubungan tercermin
di dalam model
peramalan
6
PENDAHULUAN
Sekuens Kegiatan Peramalan Kuantitatif:
1. TERSEDIA DATA KUANTITATIF (syarat keharusan);
Pola data tidak berubah (syarat kecukupan)
2. IDENTIFIKASI POLA DATA
3. PILIH MODEL PERAMALAN
- Tentukan & Estimasi Model-model peramalan yg cocok
(pola data, panjang data, panjang ramalan, pengguna
ramalan)
- Evaluasi Model-model tersebut
- Pilih Model Terbaik.
4. HITUNG RAMALAN dengan Model terpilih.
Ramalan akhir umumnya telah disesuaikan dg judgement si
pengguna dengan memperhatikan berbagai faktor
perubahan yg mungkin.
5. MONITORING MODEL PERAMALAN
7
PENDAHULUAN
Perkembangan Metode & Software Untuk Peramalan
• Journals (2009) Pada dasarnya nilai prediksi
Journal of Time Series Analysis (Q1) suatu variabel ditentukan
dgn cara mengekstrapolasi
IJF International Journal of pola data historis variabel
Forecasting (Q1) tsb.
JoF Journal of Forecasting (Q2) Dengan perkembangan
software yg canggih saat
ini, prediksi suatu variabel
• Buku teks Forecasting dpt dibuat dgn mudah.
Sebelum Tahun 1992 ± 200 judul Namun pemilihan metode
yang tepat (untuk
• Software ekstrapolasi pola data
historis secara efektif dan
MINITAB Stata judgement unt
SPSS QSB penyesuaian hasil ramalan
akhir) tetap harus
SAS R dilakukan oleh peramal/
Eviews …dst pengguna ramalan
8
PENDAHULUAN
9
PENDAHULUAN
10
Tolok Ukur Akurasi Model Peramalan
maka:
aktual = ramalan + error
𝑦𝑡 = 𝑦𝑡 + 𝑒𝑡
11
Tolok Ukur Akurasi Model Peramalan
Tolok ukur akurasi model peramalan:
Mean Square Error (MSE)
= Mean Square Deviation (MSD)
= Rata-rata Error Kuadrat
𝒏
𝒆𝟏 𝟐 +𝒆𝟐 𝟐 +⋯+𝒆𝒏 𝟐 𝒕=𝟏 𝒆𝒕
𝟐
𝑴𝑺𝑬 = =
𝒏 𝒏
𝑨𝒌𝒖𝒓𝒂𝒔𝒊𝒎𝒐𝒅𝒆𝒍_𝑨
=
𝑨𝒌𝒖𝒓𝒂𝒔𝒊𝒎𝒐𝒅𝒆𝒍 𝒏𝒂𝒊𝒗𝒆
t Yt Ŷt et
𝑀𝑆𝐸 = 0.75
1 10 11 -1
2 13 12 1 𝑅𝑀𝑆𝐸 = 0.87
3 12 13 -1 𝑀𝐴𝐷 = 0.75
4 13 14 -1
𝑀𝐴𝑃𝐸 = 5.64 %
5 15 15 0
6 16 16 0 𝑀𝐸 = −0.25
7 18 17 1 𝑀𝑃𝐸 = −2.33 %
8 17 18 -1
15
POLA DATA TIME SERIES
Data Kuantitatif pada Peramalan
Jenis Data Menurut Waktu Pengumpulan:
1. Data deret waktu (timeseries)
Data yg dikumpulkan dalam beberapa waktu secara kronologis
Contoh: Data Harga Eceran Cabai Merah Indonesia Januari 2010-
Desember 2020.
2. Data cross-section
Data objek/lokasi yang dikumpulkan pada satu titik waktu.
Contoh: Data pendapatan rumah tangga petani di Kabupaten Bogor
Tahun 2019
3. Data Panel
Data objek/lokasi yang dikumpulkan secara kronologis.
Contoh: Data PDB 34 Propinsi Indonesia tahun 2015-2020
150000
Data
100000
50000
0
Month Jan Jan Jan Jan Jan Jan Jan Jan
Year 1993 1994 1995 1996 1997 1998 1999 2000
17
POLA DATA TIME SERIES
Di dalam Data Time Series terdapat 4 komponen:
• Trend
• Musiman (Seasonal)
• Siklus (Cycle)
• Acak (irregular/random/error)
mendasari
pertumbuhan
Data
100000
atau penurunan
data time series
50000
(misalkan: akibat
perubahan
teknologi, jumlah 0
penduduk, …) Month Jan Jan Jan Jan Jan Jan Jan Jan
Year 1993 1994 1995 1996 1997 1998 1999 2000
18
POLA DATA TIME SERIES
Musiman
(Seasonal)
Fluktuasi yang
terjadi kurang
setahun & berulang
dengan interval yg
sama
(akibat pengaruh
musiman, sering
dijumpai pada data
kuartalan, bulanan,
mingguan, harian)
19
POLA DATA TIME SERIES
Siklus (Cycle)
Fluktuasi/gelombang yang terjadi di sekitar Garis Trend &
berulang dg interval tahun yg umumnya tdk sama.
Akibat perubahan kondisi ekonomi, (“economic expansions &
contractions”) Business cycle
20
POLA DATA TIME SERIES
Acak (Irregular/Random/Error)
Komponen yang tidak terdefinisi polanya
Penyebabnya bersifat acak (misal: perang, bencana alam)
21
POLA DATA TIME SERIES
Identifikasi Pola Data Time Series antara lain
dapat dilakukan melalui:
Plot Variabel menurut waktu
Tabulasi (menurut musim & tahun)
Dekomposisi
Model Trend dengan Dummy Musiman
Plot ACF dan PACF