TIME SERIES
Metode Smooting
Metode Dekomposisi
04
Pengantar Analisis
Peramalan
Analisis Peramalan
Peramalan adalah proses menyusun informasi tentang kejadian masa lampau yang berututan untuk mendu
ga kejadian di masa depan (Frechtling, 2001:8)
Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut.
Tujuan Asumsi
Time Series merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap
dan terjadi berdasarkan indeks waktu t secara beruntun dengan interval waktu yang tetap
(Cryer, 1986)
Tujuan :
Time Series
Smoothing Dekomposisi
Moving
Perata-rataan Eksponensial
Average Ratio
Horizontal (H) Contoh : Data penjualan suatu produk tidak meningkat atau menurun
•Ketika data observasi berubah-ubah disekitaran tingkatan atau rata-rata yang konstan
Contoh : Penjualan pakaian meningkat pada hari raya, penjualan alat tulis
Seasonal (S) meningkat pada awal tahun ajaran baru
•Ketika data observasi dipengaruhi musim dan ditandai dengan adanya pola perubahan yang sama
dari tahun ke tahun
Siklus (C) Contoh : Penjualan produk mobil, baja, dan peralatan utama lainnya
•Ketika data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan
siklus bisnis
Metode Smoothing
Metode Smoothing
Memilih kelompok data yang akan menjadi kelompok inisialisasi dan kelompok pengujian
3. Inisialisasi Data
Menggunakan metode peramalan pada kelompok inisialisasi (data untuk membentuk model)
3
4. Pengujian Pada Kelompok Pengujian
Melakukan pengujian pada kelompok pengujian. Setiap ramalan ditentukan, dihitung errornya (ukuran uji MAPE, MSE,
dll), dan ditentukan tingkat keberhasilannya
4
5. Modifikasi dan/atau pelacakan nilai parameter dalam model
METODE PERATA-RATAAN
Metode Perata-
Rataan
Semua data dianggap memiliki bobot yang
sama
• Perata-rataan
• Perata-rataan data berasal dari da • Perata-rataan
masa lalu ta pengamatan data berulang
terakhir
Metode Smoothing
METODE PERATA-RATAAN
Simple Average
Perata-rataan data masa
lalu
Ciri Kelemahan
1 2 - -
2 4 - -
3 6 - -
Untuk Mengurangi galat sistematis
4 8 4 4 yang terjadi bila moving average
5 10 6 4 dipakai maka dikembangkan double
6 12 8 4 moving average
Menghitung Moving Average Kedua
Dapat menangkap trend dengan baik
2 4
3 6 4 2 6 2
4 8 6 2 8 2 12 0
5 10 8 2 10 2 14 0
6 12 10 2 12 2 16 0
7 14 12 2 14 2 18 0
1 140,00
2 159,00
3 136,00
4 157,00 148,00
ANALISIS ERROR
5 173,00 156,25
Linier MA Single MA
6 131,00 149,25
7 177,00 159,50 153,25 165,75 4,168 Mean Absolute 8,61 7,46
Percentage Error
8 188,00 167,25 158,06 176,43 6,125 169,91
Mean Squared Err 431,60
or
9 154,00 162,50 159,62 165,37 1,916 182,56
Metode Smoothing
METODE EKSPONENSIAL
METODE EKSPONENSIAL
• Metode SES meramal dengan menggunakan hasil ramalan sebelu METODE EKSPONENSIAL
mnya ditambah dengan penyesuaian kesalahan yang ada pada seb Single Eksponensial Smoothing
elumnya
• Penggunaan konstanta penghalus/ untuk mengurangi kerandoman
(α) nilainya 0 - 1
St = α * Xt + (1 – α) * St-1
Dimana :
α : Nilai Konstanta
Xt + (1 – α) : Nilai Aktual Time Series
St-1 :Peramalan pada waktu t-1
Metode Smoothing
METODE EKSPONENSIAL
Single Eksponensial Smoothing
METODE EKSPONENSIAL
Single Eksponensial Smoothing
Pendekatan ARRES
Adaptive Response Rate SES
METODE EKSPONENSIAL
Penerapan Metode Linier Satu Parameter Brown Double Eksponensial Smoothing
Diketahui α = 0,2
Analisis Error
Nilai
Period SES DES Fm=
Pengamat a b Periode Uji 10
e S’t S”t a+b(m)
an -24
α=.2
1 143,00 143,00 143,00
Mean Error 7,99
2 152,00 144,80 143,36 146,240 0,360
Mean Absolute Error 12,73
3 161,00 148,04 144,30 151,784 0,936 146,60
Mean Absolute Percentage 6,04
Error (MAPE)
4 139,00 146,23 144,68 147,781 0,387 152,72
Standard Deviation of Error 14,99
5 137,00 144,39 144,62 144,148 -0,060 148,12
(Unbiased)
6 174,00 150,31 145,76 154,856 1,137 144,09 Mean Square Error (MSE) 273,47
7 142,00 148,65 146,34 150,956 0,577 155,99 Durbin Watson Statistic 1,33
5 137,00 164,15 5,10 170,94 Mean Absolute Percentage Error (MAPE) 6,16
METODE EKSPONENSIAL
Triple Eksponensial Smoothing
Persamaan Dasar
METODE EKSPONENSIAL
Metoda Kuadratik Satu-Parameter dari Brown
Triple Eksponensial Smoothing
• Terjadi 3 kali pemulusan
• Data menunjukan trend dan musiman
• Rumus Persamaan
α
bₜ = [(6-5α) S’ ₜ -(10-8α) S”ₜ+(4-3α)S"′ ₜ]
2(1−α)
α²
cₜ = (1−α)² (S’ ₜ - 2S”ₜ+S"′ ₜ)
𝟏
Fₜ ₊m = aₜ +bₜ m+ cₜm²
𝟐
Metode Smoothing
Persamaan Dasar
Metoda Tiga Parameter Trend METODE EKSPONENSIAL
dan Seasonality “Winter” Triple Eksponensial Smoothing
Dimana :
L = jumlah periode dalam satu siklus musim
I = factor penyesuaian musim (indeks musim)
Inisialisasi
S₁ = X₁
𝑋₁
I₁ = (1 – β)
𝑋₁
1 X L1 X 1 X L 2 X 2 X X
Tᴌb ............. L L L
L L L L
Metode Smoothing
METODE EKSPONENSIAL
Triple Eksponensial Smoothing
Memecah data deret waktu menjadi beberapa pola dan mengidentifikasi masing-masing
komponen dari deret waktu tersebut secara terpisah.
Pemecahan dilakukan untuk membantu meningkatkan ketepatan peramalan dan membantu
pemahaman atas perilaku deret data secara lebih baik.
Error diasumsikan sebagai perbedaan data aktual dengan pengaruh ketiga komponen yang
dikombinasikan.
Model dasar metode dekomposisi sebagai berikut :
Pendekatan:
Ada beberapa alternatif untuk mengisolisasikan masing-masing komponen secara empiris:
Menghilangkan seasonality
Menghilangkan trend
Menghilangkan cycle
Residu diasumsikan sebagai keacakan
Metode Dekomposisi
Tahapan umum metode dekomposisi
Mendapatkan keacakan
6 Pisahkan seasonality, trend dan siklus dari data
Metode Dekomposisi
Moving Average Ratio
Memisahkan unsur trend – siklus dari data dengan menghitung rata-rata bergerak yang
berunsur sama dengan panjang musiman
Aditif Multiplikatif
Xt = It + Tt + Ct + Et Xt = It x Tt x Ct x Et
2. Memisahkan komponen trend dan siklus sehingga didapat komponen musiman dan error
Tahap 1 :
Untuk menghilangkan season,
Menghilangkan pengaruh
season dan keacakan
menggunakan Moving Average dengan periode N
Tahap 1 :
Menghilangkan pengaruh Tahun Periode Jumlah Wisatawan MA 4 CMA 4
season dan keacakan
Q1 710.240
Q2 690.268
2014
Q3 782.954 737.334 739.431
Q4 765.874 741.527 750.995
Menghitung CMA agar Q1 727.013 760.462 776.684
mendapatkan hasil yang Q2 766.008 792.905 806.277
lebih teliti 2015
Q3 912.726 819.650 832.726
Q4 872.851 845.803 862.117
Q1 831.625 878.432 895.915
Q2 896.525 913.398 927.529
2016
Q3 1.052.591 941.660
Q4 985.897
Tahap 2 :
Jumlah Data/CMA
Menghilangkan pengaruh
Tahun Periode MA 4 CMA 4
trend dan siklis (Mt)
Wisatawan
Q1 710.240
Q2 690.268
2014
Q3 782.954 737.334 739.431 1,058861
Q4 765.874 741.527 750.995 1,019813
Q1 727.013 760.462 776.684 0,936048
Q2 766.008 792.905 806.277 0,950055
2015
Q3 912.726 819.650 832.726 1,096070
Q4 872.851 845.803 862.117 1,012451
Q1 831.625 878.432 895.915 0,928241
Q2 896.525 913.398 927.529 0,966574
2016
Q3 1.052.591 941.660
Q4 985.897
Metode Dekomposisi
Tahun Q1 Q2 Q3 Q4
• Nilai MAV merupakan
rata-rata Mt (Tt x Ct) 2014 1,058861 1,019813
tiap season
2015 0,936048 0,950055 1,096070 1,012451
• Nilai SI didapat dari 2016 0,928241 0,966574
MAV dikali faktor
Mav 0,9321444 0,9583145 1,077465338 1,016131661 3,9840559 1,0040020
penyesuaian
SI 0,9358748 0,9621497 1,0201982 1,0201982 4
• Biasanya rata-rata SI =
100
Tahap 4 :
Mendapatkan komponen
trend
Tahap 4 :
Mendapatkan komponen Jumlah
trend Tahun Periode t T
Wisatawan
Q1 710.240 1
Q2 690.268 2
2014
Q3 782.954 3 734,964
Q4 765.874 4 762,94
Q1 727.013 5 790,916
Q2 766.008 6 818,892
2015
Q3 912.726 7 846,868
Q4 872.851 8 874,844
Q1 831.625 9 902,82
Q2 896.525 10 930,796
2016
Q3 1.052.591 11 958,772
Q4 985.897 12
Metode Dekomposisi
Tahap 5 :
Mendapatkan nilai siklis
Jumlah
Tahun Periode t T MA 4 C
Wisatawan
Q1 710.240 1
Q2 690.268 2
2014
Q3 782.954 3 734,964 737.334 1003,224648
Q4 765.874 4 762,94 741.527 971,9339004
Ct = MA / Tt Q1 727.013 5 790,916 760.462 961,495595
Q2 766.008 6 818,892 792.905 968,2659618
2015
Q3 912.726 7 846,868 819.650 967,8598081
Q4 872.851 8 874,844 845.803 966,8037959
Q1 831.625 9 902,82 878.432 972,9865865
Q2 896.525 10 930,796 913.398 981,3084715
2016
Q3 1.052.591 11 958,772 941.660 982,1516481
Q4 985.897 12
Metode Dekomposisi
Jumlah Data/CMA
Tahun Periode MA 4 CMA 4 T C
Diketahui : Wisatawan (Mt)
Tt = 651,036 + 27,976t Q1 710.240
2014 Q2 690.268
Q3 782.954 737.334 739.431 1,058861 734,964 1003,225
Quarter SI
Q4 765.874 741.527 750.995 1,019813 762,94 971,9339
Q1 0,9358748 Q1 727.013 760.462 776.684 0,936048 790,916 961,4956
Q2 766.008 792.905 806.277 0,950055 818,892 968,266
Q2 0,9621497 2015
Q3 912.726 819.650 832.726 1,096070 846,868 967,8598
Q3 1,0817773 Q4 872.851 845.803 862.117 1,012451 874,844 966,8038
Q4 1,0201982 Q1 831.625 878.432 895.915 0,928241 902,82 972,9866
Q2 896.525 913.398 927.529 0,966574 930,796 981,3085
2016 Q3 1.052.591 941.660 958,772 982,1516
Q4 985.897
Metode Dekomposisi
Jadi, jumlah wisatawan pada tahun 2018 Kuartal ke-3 adalah 901 orang
Kesimpulan
Double Eksponansial Smoothing Ada trend namun tidak ada pola musiman