02 Analisis Runtut Waktu

POLITEKNIK STATISTIKA STIS
For Better Official Statistics
SMOOTHING METHODS
Time Series Analysis – Pertemuan 2

Smoothing Methods
• Metode penghalusan (smoothing methods) adalah sekumpulan metode
peramalan yang menggunakan rata-rata dari observasi masa lampau untuk
memprediksi masa depan
• Smoothing bertujuan untuk mengurangi komponen irregular (noise)
sehingga komponen tren, musiman, dan siklus lebih mudah diketahui
• Secara umum, metode penghalusan terbagi menjadi 2, yaitu averaging
methods dan exponential smoothing methods
• Meskipun demikian, metode naif juga akan didiskusikan sebagai
perbandingan

Time series analysis 2
Metode Naif
Metode peramalan dengan asumsi bahwa periode saat ini merupakan
prediktor terbaik untuk masa depan
𝑌෠𝑡+1 = 𝑌𝑡 → formula untuk data stasioner
𝑌෠𝑡+1 = 𝑌𝑡 + 𝑌𝑡 − 𝑌𝑡−1
formula untuk data
𝑌෠𝑡+1 = 𝑌𝑡
𝑌𝑡 dengan trend
𝑌𝑡−1
𝑌෠𝑡+1 = 𝑌 𝑡+1 −𝑠 → formula untuk data seasonal
3
Tahun Kuartal t Penjualan For Better Official Statistics
1 1 500
2 2 350
2000
3 3 250
4 4 400
1 5 450
2 6 350 900
2001
3 7 200
800
4 8 300
1 9 350 700
2 10 200
2002
3 11 150 600
4 12 400
500
1 13 550
2 14 350 400
2003
3 15 250
4 16 550 300
1 17 550
200
2004
2 18 400 Plot data
3 19 350
4 20 600
time series 100
0
1 21 750 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
2 22 500 2000 2001 2002 2003 2004 2005 2006
2005
3 23 400
4 24 650
1 25 850
2 26 600
2006
3 27 450
4 28 700
4
𝑌𝑡−1
Tahun Kuartal t 𝑌𝑡 𝑌𝑡−1 𝑡 𝑌𝑡 −1 + 𝑌𝑡−1 − 𝑌𝑡− 𝑡 𝑌𝑡−1 𝑡
𝑌𝑡−𝑠 𝑡
𝑌𝑡−
1 1 500
2 2 350 500 -150
2000
3 3 250 350 -100 200 50 245 5
4 4 400 250 150 150 250 179 221
1 5 450 400 50 550 -100 640 -190 500 -50
2 6 350 450 -100 500 -150 506 -156 350 0
2001
3 7 200 350 -150 250 -50 272 -72 250 -50
4 8 300 200 100 50 250 114 186 400 -100
Contoh data 1 9 350 300 50 400 -50 450 -100 450 -100
penjualan 2002
2
3
10
11
200
150
350
200
-150
-50
400
50
-200
100
408
114
-208
36
350
200
-150
-50
menurut 4 12 400 150 250 100 300 113 288 300 100
1 13 550 400 150 650 -100 1067 -517 350 200
kuartal, 2 14 350 550 -200 700 -350 756 -406 200 150
2003
mana 3 15 250 350 -100 150 100 223 27 150 100
4 16 550 250 300 150 400 179 371 400 150
peramalan 1 17 550 550 0 850 -300 1210 -660 550 0
yang paling 2004
2
3
18
19
400
350
550
400
-150
-50
550
250
-150
100
550
291
-150
59
350
250
50
100
akurat? 4 20 600 350 250 300 300 306 294 550 50
1 21 750 600 150 850 -100 1029 -279 550 200
2 22 500 750 -250 900 -400 938 -438 400 100
2005
3 23 400 500 -100 250 150 333 67 350 50
4 24 650 400 250 300 350 320 330 600 50
1 25 850 650 200 900 -50 1056 -206 750 100
2 26 600 850 -250 1050 -450 1112 -512 500 100
2006
3 27 450 600 -150 350 100 424 26 400 50
4 28 700 450 250 300 400 338 363 650 50
2007 1 29 700 950 1089 850
5
1400
1200
1000
Contoh data
800 penjualan
menurut
600
kuartal,
mana
400
peramalan
yang paling
200
akurat?
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1
2000 2001 2002 2003 2004 2005 2006 2007
Aktual Naïve 1 Naïve 2 Naïve 3 Naïve 4

Time series analysis 6 6
1400
1200
1000
Contoh data
800 penjualan
menurut
600
kuartal,
mana
400
peramalan
yang paling
200
akurat?
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1
2000 2001 2002 2003 2004 2005 2006 2007
Aktual Naïve 1 Naïve 2 Naïve 3 Naïve 4
MSE1=29.074 MSE2=58.077 MSE3=85.533 MSE4=10.417

Metode Rata-rata (1) For Better Official Statistics
1. Rata-rata sederhana (Simple Average)

→ Rata-rata sederhana menggunakan seluruh nilai pengamatan pada
periode lampau untuk meramalkan nilai periode berikutnya
𝑡
1
𝑌෠𝑡+1 = ෍ 𝑌𝑖 → Untuk data stasioner
𝑡
𝑖=1
2. Rata-rata bergerak (Moving Average)
→Rata-rata bergerak pada periode k merupakan nilai rata-rata dari k
periode sebelumnya yang berurutan. Rata-rata bergerak dari periode
terkini memberikan nilai peramalan untuk periode berikutnya
𝑌𝑡 + 𝑌𝑡−1 + … + 𝑌𝑡−𝑘+1
𝑌෠𝑡+1 = → Untuk data stasioner
𝑘

Time series analysis 8
Rata-rata bergerak
Nilai dengan k=3
Tahun Bulan t
Penjualan
Jan 1 266
Feb 2 145,9
Mar 3 183,1
Apr 4 119,3 266 + 145,9 + 183,1 / 3 = 198,3
Mei 5 180,3 145,9 + 183,1 + 119,3 / 3 = 149,4
Jun 6 168,5 183,1 + 119,3 + 180,3 / 3 = 160,9
2018 119,3 + 180,3 + 168,5 / 3 = 156,0
Jul 7 231,8
Agt 8 224,5 180,3 + 168,5 + 231,8 / 3 = 193,5
Sep 9 192,8 168,5 + 231,8 + 224,5 / 3 = 208,3
231,8 + 224,5 + 192,8 / 3 = 216,4
Okt 10 122,9
224,5 + 192,8 + 122,9 / 3 = 180,1
Nov 11 336,5 192,8 + 122,9 + 336,5 / 3 = 217,4
Des 12 185,9 122,9 + 336,5 + 185,9 / 3 = 215,1
Jan 13 194,3 336,5 + 185,9 + 194,3 / 3 = 238,9
2019
Feb 14 149,5
9
Nilai
Tahun Bulan t MA-3 MA-5
Penjualan
Jan 1 266 Note that the number
Feb 2 145,9 198,3 of data points in each
Mar 3 183,1 149,4 178,92 average remains
Apr 4 119,3 160,9 159,42 constant and is
Mei 5 180,3 156,0 176,6 centered on the
Jun 6 168,5 193,5 184,88 observation for which
2018
Jul 7 231,8 208,3 199,58 the trend-cycle
Agt 8 224,5 216,4 188,1 estimate is computed.
Sep 9 192,8 180,1 221,7
Okt 10 122,9 217,4 212,52
Nov 11 336,5 215,1 206,48
Des 12 185,9 238,9 197,82
Jan 13 194,3 176,6
2019
Feb 14 149,5
10
The number of
points included in
a moving average
affects the
smoothness of
the resulting
estimate
11
3. Double Moving Average

• Mirip dengan single moving average
• Cocok untuk data yang berpola tren
• Proses penghalusan dengan rata-rata dilakukan dua kali → Rata-rata bergerak
pertama dihitung, kemudian rata-rata bergerak kedua dihitung berdasarkan rata-rata
bergerak yang pertama
𝑌𝑡 + 𝑌𝑡−1 + … + 𝑌𝑡−𝑘+1
𝑀𝑡 = 𝑌෠𝑡+1 =
𝑘
𝑀𝑡 + 𝑀𝑡−1 + … + 𝑀𝑡−𝑘+1
𝑀′𝑡 =
𝑘

3. Double Moving Average
𝑎𝑡 = 𝑀𝑡 + 𝑀𝑡 − 𝑀′ 𝑡 = 2𝑀𝑡 − 𝑀′ 𝑡
2
𝑏𝑡 = 𝑀𝑡 − 𝑀′ 𝑡
𝑘−1
𝑌෠𝑡+𝑝 = 𝑎𝑡 + 𝑏𝑡 𝑝 → Untuk data dengan trend linier

t Yt MA-3 e
1 654 740
2 658
3 665 720
4 672 659 13 700
5 673 665 8
6 671 670 1 680
7 693 672 21 660
8 694 679 15
9 701 686 15 640
10 703 696 7 620
11 702 699 3
12 710 702 8 600
13 712 705 7 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
14 711 708 3 Aktual MA
15 728 711 17
16 717 Nilai dari peramalan dengan moving average lebih kecil dibandingkan nilai
aktualnya, mengapa??
MSE= 133

t Yt Mt M't a b Y't e
1 654 - - - - - -
2 658 - - - - - -
3 665 659 - - - - -
4 672 665 - - - - -
5 673 670 665 675 5 - -
6 671 672 669 675 3 680 -9 Nilai MSE dengan
7 693 679 674 684 5 678 15 menggunakan
8 694 686 679 693 7 689 5 double moving
9 701 696 687 705 9 700 1 average lebih kecil
10 703 699 694 704 5 714 -11 dibandingkan
11 702 702 699 705 3 709 -7 moving average
12 710 705 702 708 3 708 2
13 712 708 705 711 3 711 1
14 711 711 708 714 3 714 -3
15 728 717 712 722 5 717 11
16 - - - - - 727 -
MSE= 63,7

4. Weighted Moving Average For Better Official Statistics
→ Dalam melakukan peramalan, data lampau diberikan bobot yang berbeda

𝐹𝑡+1 = 𝑤𝑡 𝑌𝑡 + 𝑤 𝑌𝑡−1 + 𝑤3 𝑌𝑡− + … + 𝑤𝑛 𝑌𝑡−𝑛+1 → σ 𝑊𝑖 = 1
Nilai Absolute Squared Absolute
Tahun Bulan t Bobot Forecast Error
Aktual Error Error Error (%)
Jan 1 10 0,222
Feb 2 12 0,593
Mar 3 16 0,185
Apr 4 13 12,30 0,70 0,704 0,50 5,42%
Mei 5 17 14,56 2,44 2,443 5,97 14,37%
Jun 6 19 14,41 4,59 4,594 21,10 24,18%
2018
Jul 7 15 16,48 -1,48 1,482 2,20 -9,88%
Agt 8 20 17,82 2,18 2,184 4,77 10,92%
Sep 9 22 16,81 5,19 5,187 26,90 23,58%
Okt 10 19 19,26 -0,26 0,26 0,07 -1,37%
Nov 11 21 21,00 0,00 0,001 0,00 0,00%
Des 12 19 20,04 -1,04 1,036 1,07 -5,45%
Jumlah bobot = 1 Average 1,99 6,95 10,57%
𝑌෠13 20,19 BIAS MSE MAPE
16
Exponential Smoothing Methods For Better Official Statistics
• Metode naif mengasumsikan bahwa observasi terbaru adalah yang paling penting dan
semua observasi sebelumnya tidak memberikan informasi tentang masa depan
• Metode rata-rata mengasumsikan semua observasi sama pentingnya, dan memberikan
penimbang yang sama untuk setiap observasi dalam menghasilkan ramalan
• Exponential Smoothing Methods memberikan penimbang yang lebih besar kepada
obervasi terbaru dibandingkan masa lalu yang jauh
• Dalam Exponential Smoothing Methods, ramalan dihitung dengan rata-rata tertimbang di
mana penimbang turun secara eksponensial karena observasi yang lebih lampau
(penimbang terkecil diberikan kepada observasi yang paling lama)
• Metode ini sering kali sesuai untuk data yang tidak dapat diprediksi tren kenaikan atau
penurunannya

Single Exponential Smoothing For Better Official Statistics
• Metode ini cocok untuk meramalkan data dengan pola trend dan seasonal yang tidak jelas
• Persamaan single exponential smoothing dapat dituliskan sebagai berikut:
𝑌෠𝑡+1 = 𝛼𝑌𝑡 + 1 − 𝛼 𝑌෠𝑡 , dengan 0 < α < 1
• Parameter α diestimasi dengan meminimumkan MSE menggunakan optimasi numerik (non-linear
minimisation problem)
• Untuk α yang berkisar antara 0 dan 1, penimbang yang diberikan kepada observasi-observasi
menurun secara eksponensial saat kita kembali ke masa lalu, makanya dinamakan “exponential
smoothing”
• Jika nilai 𝛼 kecil (misalkan mendekati 0), penimbang diberikan lebih besar diberikan kepada
observasi yang lebih lampau
• Jika nilai 𝛼 besar (misalkan mendekati 1), penimbang diberikan lebih besar kepada observasi yang
lebih terkini
• Pada kasus yang ekstrim di mana 𝛼 = 1, ramalan single exponential smoothing sama dengan
metode naif

Tahun Kuartal t 𝑌𝑡 𝑌෠𝑡 𝛼 = 1 𝑡 𝑌෠𝑡 𝛼 = 𝑡

1 1 500 500,0 0,0 500,0 0,0
2 2 350 500,0 -150,0 500,0 -150,0
2000
3 3 250 485,0 -235,0 410,0 -160,0 Berapa nilai peramalan
4 4 400 461,5 -61,5 314,0 86,0
1 5 450 455,4 -5,4 365,6 84,4
untuk kuartal 1 tahun
2 6 350 454,8 -104,8 416,2 -66,2 2006?
2001
3 7 200 444,3 -244,3 376,5 -176,5 Hitung MSE dan MAPE
4 8 300 419,9 -119,9 270,6 29,4
1 9 350 407,9 -57,9 288,2 61,8
untuk setiap nilai α
2 10 200 402,1 -202,1 325,3 -125,3
2002
3 11 150 381,9 -231,9 250,1 -100,1
4 12 400 358,7 41,3 190,0 210,0
1 13 550 362,8 187,2 316,0 234,0
2 14 350 381,6 -31,6 456,4 -106,4
2003
3 15 250 378,4 -128,4 392,6 -142,6
4 16 550 365,6 184,4 307,0 243,0
1 17 550 384,0 166,0 452,8 97,2
2 18 400 400,6 -0,6 511,1 -111,1
2004
3 19 350 400,5 -50,5 444,4 -94,4
4 20 600 395,5 204,5 387,8 212,2
1 21 750 415,9 334,1 515,1 234,9
2 22 500 449,3 50,7 656,0 -156,0
2005
3 23 400 454,4 -54,4 562,4 -162,4
4 24 650 449,0 201,0 465,0 185,0
2006 1 25 469,1 576,0
19
Tahun Kuartal t 𝑌𝑡 𝑌෠𝑡 𝛼 = 1 𝑡 𝑌෠𝑡 𝛼 = 𝑡

1 1 500 500,0 0,0 500,0 0,0
2 2 350 500,0 -150,0 500,0 -150,0
2000
3 3 250 485,0 -235,0 410,0 -160,0 MSE (α 0,1) 24.262
4 4 400 461,5 -61,5 314,0 86,0
1 5 450 455,4 -5,4 365,6 84,4
MSE (α 0,6) = 22.248
2 6 350 454,8 -104,8 416,2 -66,2
2001
3 7 200 444,3 -244,3 376,5 -176,5 MAPE (α 0,1) 38,9%
4 8 300 419,9 -119,9 270,6 29,4
1 9 350 407,9 -57,9 288,2 61,8
MAPE (α 0,6) = 36,5%
2 10 200 402,1 -202,1 325,3 -125,3
2002
3 11 150 381,9 -231,9 250,1 -100,1
4 12 400 358,7 41,3 190,0 210,0
1 13 550 362,8 187,2 316,0 234,0
2 14 350 381,6 -31,6 456,4 -106,4
2003
3 15 250 378,4 -128,4 392,6 -142,6
4 16 550 365,6 184,4 307,0 243,0
1 17 550 384,0 166,0 452,8 97,2
2 18 400 400,6 -0,6 511,1 -111,1
2004
3 19 350 400,5 -50,5 444,4 -94,4
4 20 600 395,5 204,5 387,8 212,2
1 21 750 415,9 334,1 515,1 234,9
2 22 500 449,3 50,7 656,0 -156,0
2005
3 23 400 454,4 -54,4 562,4 -162,4
4 24 650 449,0 201,0 465,0 185,0
2006 1 25 469,1 576,0
20
Single Exponential Smoothing Plot For Better Official Statistics
800
700
600
500
400 → α = 0,1
300
200
100
0
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
Aktual Y_cap1
800
700
600
500
400
→ α = 0,6
300
200
100
0
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
Aktual Y_cap2
21
Holt’s Exponential Smoothing For Better Official Statistics
Exponential smoothing adjusted for trend : Holt’s Method

• Holt’s exponential smoothing method adalah perluasan dari single exponential smoothing
dengan dua parameter.
• Metode ini menambahkan faktor trend dalam persamaan smoothing untuk menyesuaikan
pola trend. Tiga persamaan dan dua parameter smoothing digunakan dalam model ini:
1. The exponentially smoothed series, or current level estimate
𝐿𝑡 = 𝛼𝑌𝑡 + 1 − 𝛼 𝐿𝑡−1 + 𝑇𝑡−1
2. The trend estimate
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + 1 − 𝛽 𝑇𝑡−1
3. The forecast for p periods into the future
𝑌෠𝑡+𝑝 = 𝐿𝑡 + 𝑝𝑇𝑡

Holt’s Exponential Smoothing (2) For Better Official Statistics
• Bobot α dan β dapat dipilih secara subyektif dengan meminimalkan ukuran

error seperti MSE
• Bobot yang besar menghasilkan perubahan yang cepat pada setiap
komponen
• Bobot yang kecil menghasilkan perubahan yang tidak terlalu cepat
• Semakin besar bobotnya, semakin banyak nilai hasil smoothing yang
mengikuti data, semakin kecil bobotnya, pola nilai hasil smoothing akan
cenderung semakin halus (smooth)

Untuk α = 3 dan β =0,1

𝐿𝑡 = 𝛼𝑌𝑡 + 1 − 𝛼 𝐿𝑡−1 + 𝑇𝑡−1
𝐿 = 3𝑌 + 1 − 3 𝐿 −1 + 𝑇 −1
𝐿 = 3 35 + 7 5 +
𝐿 = 455
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + 1 − 𝛽 𝑇𝑡−1
𝑇 = 1 𝐿 − 𝐿 −1 + 1 − 1 𝑇 −1
𝑇 = 1 455 − 5 + 9
𝑇 = −4 5
𝑌෠𝑡+𝑝 = 𝐿𝑡 + 𝑝𝑇𝑡
𝑌෠ +1 = 𝐿 + 1𝑇
𝑌෠3 = 455 + 1 −4 5
𝑌෠3 = 45 5
3 = 𝑌3 − 𝑌෠3 = 25 − 45 5 = −2 5
Bagaimana menghitung forecasting untuk t=25?

Hitung MSE
24

Holt-Winter’s Exponential Smoothing For Better Official Statistics
Exponential Smoothing Adjusted for Trend and Seasonal Variation : Winter’s

Method
• Winter’s exponential smoothing methods atau disebut juga Holt-Winter
Exponential Smoothing adalah perluasan kedua dari exponential smoothing
model
• Metode ini digunakan pada data yang memiliki pola trend and musiman
• Metode ini menggunakan tiga parameter, terdapat tambahan satu
persamaan yang digunakan untuk menyesuaikan komponen musimannya.

Holt-Winter’s Exponential Smoothing (2) For Better Official Statistics
There are two variations to this method that differ in the nature of the seasonal
component.
• The additive method is preferred when the seasonal variations are roughly
constant through the series, while the multiplicative method is preferred when the
seasonal variations are changing proportional to the level of the series.
• With the additive method, the seasonal component is expressed in absolute terms
in the scale of the observed series, and in the level equation the series is seasonally
adjusted by subtracting the seasonal component. Within each year, the seasonal
component will add up to approximately zero.
• With the multiplicative method, the seasonal component is expressed in relative
terms (percentages), and the series is seasonally adjusted by dividing through by
the seasonal component. Within each year, the seasonal component will sum up to
approximately the frequency of the seasonality

Exponential Smoothing Adjusted for Trend and Seasonal Variation : Additive

1. The exponentially smoothed series
𝐿𝑡 = 𝛼 𝑌𝑡 − 𝑆𝑡−𝑠 + 1 − 𝛼 𝐿𝑡−1 + 𝑇𝑡−1
2. The trend estimate

𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + 1 − 𝛽 𝑇𝑡−1 Tiga parameter
model
3. The seasonality estimate
𝑆𝑡 = 𝛾 𝑌𝑡 − 𝐿𝑡 + 1 − 𝛾 𝑆𝑡−𝑠

𝑌෠𝑡+𝑝 = 𝐿𝑡 + 𝑝𝑇𝑡 + 𝑆𝑡−𝑠+𝑝

Exponential Smoothing Adjusted for Trend and Seasonal Variation : Multiplicative

1. The exponentially smoothed series
𝑌𝑡
𝐿𝑡 = 𝛼 + 1 − 𝛼 𝐿𝑡−1 + 𝑇𝑡−1
𝑆𝑡−𝑠
2. The trend estimate Tiga parameter
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + 1 − 𝛽 𝑇𝑡−1 model
3. The seasonality estimate

𝑌𝑡
𝑆𝑡 = 𝛾 + 1 − 𝛾 𝑆𝑡−𝑠
𝐿𝑡
𝑌෠𝑡+𝑝 = 𝐿𝑡 + 𝑝𝑇𝑡 𝑆𝑡−𝑠+𝑝

800
700
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
30
Untuk α = 4 ; β =0,1 ; γ =0,3 ; s = 4
𝑌4
𝐿 4 = 4 + 1− 4 𝐿 4−1 +𝑇 4−1
𝑆 4−4
5
𝐿 4 = 4 + 5 1 28 + 9 148
1 39 28
𝐿 4 = 492 4 9
𝑇 4 = 1 𝐿 4 − 𝐿 4−1 + 1 − 1 𝑇 4−1
𝑇 4 = 1 492 4 9 − 5 1 28 + 9 9,148)
𝑇 4 = 7 352
31
Untuk α = 4 ; β =0,1 ; γ =0,3 ; s = 4
𝐿 4 = 492 4 9
𝑇 4 = 7 352
𝑌4
𝑆 4 = 3 + 1− 3 𝑆 4−4
𝐿 4
650
𝑆 4 = 3 + 7 1,39628)
49 469
𝑆 4 = 1,3734
𝑌෠ 4+1 = 𝐿 4 − 1𝑇 4 𝑆 4−4+1
𝑌෠ 5 = 492 4 9 − 1 7 352 1 55 9 = 778 17
MSE = ??
Mana metode yang lebih baik ??
32

Data vs Methods
No trend or Linear trend Both trend

N N N
seasonal and no seasonal and seasonal
pattern? pattern? pattern?
Y Y Y
Holt’s Trend
Single
Corrected
Exponential Holt-Winters Use Other
Exponential
Smoothing Methods Methods
Smoothing
Method
Method
34
TERIMA KASIH

02 Analisis Runtut Waktu

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

02 Analisis Runtut Waktu

Diunggah oleh

Hak Cipta:

Format Tersedia

POLITEKNIK STATISTIKA STIS

For Better Official Statistics

Time Series Analysis – Pertemuan 2

POLITEKNIK STATISTIKA STIS

𝑌෠𝑡+1 = 𝑌 𝑡+1 −𝑠 → formula untuk data seasonal

POLITEKNIK STATISTIKA STIS

MSE1=29.074 MSE2=58.077 MSE3=85.533 MSE4=10.417

1. Rata-rata sederhana (Simple Average)

POLITEKNIK STATISTIKA STIS

3. Double Moving Average

POLITEKNIK STATISTIKA STIS

3. Double Moving Average

𝑌෠𝑡+𝑝 = 𝑎𝑡 + 𝑏𝑡 𝑝 → Untuk data dengan trend linier

POLITEKNIK STATISTIKA STIS

POLITEKNIK STATISTIKA STIS

POLITEKNIK STATISTIKA STIS

→ Dalam melakukan peramalan, data lampau diberikan bobot yang berbeda

POLITEKNIK STATISTIKA STIS

POLITEKNIK STATISTIKA STIS

Tahun Kuartal t 𝑌𝑡 𝑌෠𝑡 𝛼 = 1 𝑡 𝑌෠𝑡 𝛼 = 𝑡

Tahun Kuartal t 𝑌𝑡 𝑌෠𝑡 𝛼 = 1 𝑡 𝑌෠𝑡 𝛼 = 𝑡

Exponential smoothing adjusted for trend : Holt’s Method

POLITEKNIK STATISTIKA STIS

• Bobot α dan β dapat dipilih secara subyektif dengan meminimalkan ukuran

POLITEKNIK STATISTIKA STIS

Untuk α = 3 dan β =0,1

Bagaimana menghitung forecasting untuk t=25?

POLITEKNIK STATISTIKA STIS

Exponential Smoothing Adjusted for Trend and Seasonal Variation : Winter’s

POLITEKNIK STATISTIKA STIS

POLITEKNIK STATISTIKA STIS

Exponential Smoothing Adjusted for Trend and Seasonal Variation : Additive

2. The trend estimate

4. The forecast for p periods into the future

POLITEKNIK STATISTIKA STIS

Exponential Smoothing Adjusted for Trend and Seasonal Variation : Multiplicative

3. The seasonality estimate

POLITEKNIK STATISTIKA STIS

Untuk α = 4 ; β =0,1 ; γ =0,3 ; s = 4

Untuk α = 4 ; β =0,1 ; γ =0,3 ; s = 4

POLITEKNIK STATISTIKA STIS

No trend or Linear trend Both trend

Anda mungkin juga menyukai