Pertemuan 2 - Time Series

PEMULUSAN/SMOOTHI
NG DATA

SEKOLAH TINGGI ILMU STATISTIK

METODE PERAMALAN
Metode Peramalan diklasifikasikan menjadi 2:
1.Metode Kualitatif

melibatkan pengalaman, judgements, maupun opini dari

sekelompok orang yang pakar di bidangnya. Kelemahan: sulit
untuk mengukur keakuratan hasil ramalan, dan kemungkinan
tingginya subyektivitas pendapat
2.Metode Kuantitatif
melibatkan analisis statistik terhadap data-data yang lalu,
terbagi menjadi 2 yaitu:
a. model kausal: identifikasi dan determinasi hubungan
antarvariabel
yang akan diramalkan. Ex: teknik regresi, input output
b.univariate time series model : observasi terhadap urutan
pola data secara kronologis dari suatu peubah tertentu. Ex:
Moving average, exponential smoothing, ARIMA, ARCH-GARCH

Data time
series

Jika tidak
memiliki
trend

Jika
memiliki
trend

Smoothin
g

Trend
models

Moving
average

Exponentia
l
smoothing

Linier

Quadratic

Exponentia
l

Metode smoothing digunakan untuk mengurangi ketidakteraturan

musiman dari data yang lalu, dengan membuat rata rata
tertimbang dari sederetan data masa lalu. Ketepatan peramalan
dengan metode ini akan terdapat pada peramalan jangka
pendek, sedangkan untuk peramalan jangka panjang kurang akurat.

METODE PEMULUSAN/SMOOTHING

Moving
Average

Exponent
ial
Smoothin
g

Single
Moving
Average

Single
Exponential
Smoothing

Double
Moving
Averag

Double
(Holts)
Exponential
Smoothing
Triple
(Winters)
Exponential
Smoothing

1. Single Moving Average

, dimana rata-rata 0 dan varians , dan

parameter yang tidak diketahui.
Untuk meramalkan nilai (observasi) yang
akan datang harus dilakukan pendugaan
terhadap . Dengan meminimumkan akan
diperoleh penduga bagi , yaitu
, dimana

n=ordo

Contoh 1. Ramalan penjualan dengan metode MA (3)

t

1
2

sales

moving total

MA (3)

654
658

665

1977

672

1995

659

13

673

2010

665

671

2016

670

693

2037

672

21

694

2058

679

15

701

2088

686

15

10

703

2098

696

11

702

2106

699

12

710

2115

702

13

712

2124

705

14

711

2133

708

15

728

2151

711

17

16

654

717

2.Double Moving Average

Model
tren linier untuk penduga nilai data deret waktu
adalah sbb:
,
Dimana adalah penduga parameter yang tidak diketahui
Double MA didefinisikan sbg
Dapat ditunjukkan bahwa penduga bagi adalah:
()
Untuk meramal p periode ke depan dirumuskan sbg

Contoh 2. Ramalan penjualan dengan metode Double MA (3)

t

sales

MA (3)

Double
MA (3)

654

658

665

672

659

673

665

665

675

671

670

669

675

680

-9

693

672

674

684

678

15

694

679

679

693

689

701

686

687

705

700

10

703

696

694

704

714

-11

11

702

699

699

705

709

-7

12

710

702

702

708

708

13

712

705

705

711

711

14

711

708

708

714

714

-3

15

728

711

712

722

717

11

16

717

727

Grafik Hasil Ramalan dengan Metode MA

(3)dan double MA (3)
740
720
700
680
660
640
620
600

Data aktual

9 10 11 12 13 14 15 16

MA (3)

Double MA (3)

3. Single Exponential Smoothing

Exponential

smoothing adalah prosedur yang dapat

merevisi secara kontinu hasil peramalan dengan
informasi terbaru.
Ramalan dilakukan dengan memberikan bobot yang
lebih yang lebih tinggi untuk informasi yang lebih baru.
Misal :
bobot sebesar diberikan untuk data terbaru;
untuk data sebelumnya diberi bobot );
data sebelumnya lagi diberi bobot ) )= dan seterusnya.
Asumsi: nilai peramalan satu periode yang akan datang
(t+1) adalah penjumlahan 2 komponen yaitu komponen
hasil peramalan terakhir () dan komponen error yang
terjadi karena perubahan kondisi terbaru.
=nilai yang akan datang dari hasil peramalan saat ini
=nilai sekarang hasil peramalan satu periode yang lalu

4. Double Exponential
Smoothing

1.
Satu parameter (Browns method)

digunakan dalam peramalan data runtut

waktu yang
mengikuti suatu trend linier.

)
Persamaan yang digunakan untuk membuat
peramalan

4. Double Exponential
Smoothing

2. Dua parameter (Holts method)

digunakan dalam peramalan data runtut

waktu yang
mengikuti suatu trend linier.
=intercept pd wkt t
=slope pd wkt t
=single ex smoothing
= double ex smoothing
Persamaan yang digunakan untuk membuat
peramalan

 Single Exponential Smoothing: sama

dengan Single Moving Average
Double (Holts) Exponential Smoothing:
sama dengan Double Moving Average.
Digunakan untuk mengestimasi trend
Triple (Winters) Exponential Smoothing:
digunakan untuk mengestimasi trend dan
seasonal. Tergolong rumit karena
dibutuhkan 3 parameter

Ukuran Akurasi Hasil Peramalan

Akurasi hasil peramalan dilakukan dgn mengamati

besarnya residual (error) yaitu selisih nilai aktual

pengamatan dengan nilai estimasi dari peramalan.

Dari nilai residual tsb, diperoleh beberapa ukuran

akurasi hasil peramalan sbb:
1. MSE (Mean Squared Error),
2. RMSE (Root Mean Squared Error),
3. MAE (Mean Absolute Error),
4. MPE (Mean Percentage Error),
5. MAPE (Mean Absolute Percentage Error),

 Akurasi hasil peramalan ditunjukkan oleh nilai

MSE / RMSE / MAE / MPE / MAPE yang lebih kecil.
Jika ada dua metode peramalan digunakan
untuk suatu data tertentu, maka pemilihan
model terbaik didasarkan pada metode yang
memiliki akurasi yang lebih tinggi (kesalahan
peramalan terkecil).

Tabel Ringkasan ukuran Akurasi Peramalan

Ukuran

MA (3)

Double MA (3)

MSE

132.68

63.7

RMSE

3.33

2.52

MAE

10

6.5

Jadi dapat disimpulkan bahwa hasil peramalan

(forecasting) metode double MA (3) lebih akurat

Ukuran akurasi ramalan berdasarkan

contoh single exponential smoothing:
Pada alpha=0,1 maka
MSE=25,317
MAPE=40,61 %
MPE=-20,81 %
Pada alpha=0,6 maka
MSE=23,216
MAPE=38,14 %
MPE=-10,33 %

Plot Data dengan SPSS

Graphs > Chart Builder

Exponential Smoothing dengan

SPSS

Analyze > Forecasting > Create Models

Output exponential smoothing