Anda di halaman 1dari 54

ANALISIS PERAMALAN

TIME SERIES

Indriany Putri Rahmani 25418044


Hertine Megiestri Kesaulya 25418029

MAGISTER PERENCANAAN WILAYAH DAN KOTA


SEKOLAH ARSITEKTUR, PERENCANAAN, DAN PENGEMBANGAN KEBIJAKAN
INSTITUT TEKNOLOGI BANDUNG
Outline

Pengantar Analisis Peramalan

Analisis 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)

Kriteria data yang dapat digunakan dalam analisis


Analisis
peramalan:
Peramalan
• Data harus dapat dipercaya dan akurat.
• Data harus relevan / mewakili keadaan
Kuantitatif Kualitatif
• Data harus konsisten
• Data harus berkala Metoda
Kausal Time Series
Eksplorasi
Peramalan Formal Peramalan Naif

• Peramalan dengan sistem • Peramalan dengan menga Regresi Linier Metoda


Smoothing
atis dan meminimumkan sumsikan apa yang terjadi Sederhana Normatif
nilai error/galat. hari ini adalah apa yang
• Seringkali dengan ukuran terjadi di masa lalu.
statistik yang terbatas, mur • Sederhana untukdigunaka Regresi Linier
Dekomposisi
ah, dan mudah digunakan. n tetapi tidak selalu tetap. Berganda
Analisis Peramalan
Metode peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut:

Tersedia informasi tentang masa lalu

Informasi tersebut dapat dikuantitatifkan dalam bentuk data


numerik

Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut.

Makridakis dkk (1999:8)


Analisis Peramalan
Perbedaan analisis kausal dan analisis time series

Tujuan Asumsi

Menentukan bentuk Variabel yang akan diramal


hubungan beberapa menunjukkan suatu
Input Output
variabel yang digunakan hubungan sebab akibat Hubungan
Metode Kausal untuk meramal nilai suatu dengan satu atau lebih Sebab Akibat
variabel di masa depan variabel yang lain
berdasarkan variabel lain

Menemukan pola dalam se Nilai variabel di masa yang


deretan data historis dan akan datang bergantung
mengekstrapolasikan pola pada nilai variabel tersebut Input
Proses Output
Metode Time Series tersebut di masa yang di masa lalu dan atau
Bangkitan
akan datang kesalahan perkiraan
varaibel tersebut di masa
Meramalkan apa yang akan terjadi
lalu. bukan mengetahui mengapa hal itu
terjadi
Analisis Peramalan
AKURASI PERAMALAN
( Ukuran-ukuran Kesalahan )

Rata-rata dari error yang dihasilkan setelah


peramala. Semakin kecil hasil perata-rataan
Mean Error (ME)
maka semakin baik peramalan yang dilakukan
.
Rata-rata kesalahan absolut., dimana nilai
Mean Absolute Error (MAE) yang dihasilkan memiliki nilai mutlak sehingga
tidak memiliki nilai negatif .
Merupakan nilai rata-rata absolute dari
percentage error (perbandingan dalam perse
Mean Absolute Percentage Error
n antara error dengan data mentah). Nilai
(MAPE)
yang dihasilkan memiliki nila mutlak sehingga
tidak memiliki nilai negatif.
Analisis Peramalan

Mean Squared Error (MSE) Rata-rata kuadrat kesalahan


Ukuran yang mempertimbangkan teknik
peramalan yang dievaluasi. Menguji
peramalan apakah lebih signifikan
Thail’s U Statistic
dibandingkan dengan uji naif. Apabila U thail
< 1 = metode ini lebih baik dibandingkan
dengan metode naif.
Ukuran untuk memenunjukan apakah masih
terdapat disa pola didalam nilai galat setelah
suatu model peramalan diterapkan .
Durbin Watson Statistic
Mengukur adanya korelasi variabel. Apakah
variabel kita itu berkorelasi bebas atau tidak .
Adakah pola dari deret waktu sebelumnya
McLaughlin’s Batting Average Konversi nilai dari Thail’s U
Analisis Time Series
Analisis Peramalan Time Series

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 :

• Menemukan pola dari deretan data


historis dan mengekstrapolasikan pola
tersebut dimasa yang akan datang Dalam menggunakan analisis time series model nya
sudah ditentukan (moving average, smoothing)
Asumsi : Berbeda dengan analisis regresi dimana modelnya
harus dibentuk terlebih dahulu
• Nilai variabel di masa yang akan datang
bergantung kepada nilai variabel di masa
lalu dan kesalahan perkiraan variabel
tersebut dimasa lalu
Analisis Peramalan Time Series

Time Series

Smoothing Dekomposisi

Moving
Perata-rataan Eksponensial
Average Ratio

Metode Smoothing Metode Dekomposisi


Pemulusan data dengan menggunakan Memisahkan/memecahkan data untuk
bobot dan membentuk suatu pola
Analisis Peramalan Time Series
POLA DATA TIME SERIES

Horizontal (H) Contoh : Data penjualan suatu produk tidak meningkat atau menurun
•Ketika data observasi berubah-ubah disekitaran tingkatan atau rata-rata yang konstan

Trend (T) Contoh : Data kenaikan jumlah penduduk


•Ketika data observasi naik atau menurun pada perluasan periode suatu waktu

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

Metode Smoothing adalah suatu metode peramalan den


gan mengadakan penghalusan terhadap masa lalu dengan meng Metode Smoothing
ambil rata - rata dari nilai beberapa tahun untuk menaksir nilai p
ada beberapa tahun ke depan.
Metode Perataa-rataan
• Simple Average
• Single Moving Average
• Double Moving Average

Metode Perata-Rataan Metode Eksponensial

Memprediksi dengan merata-r Memprediksi dengan memper Metode Eksponensial


atakan dan tidak memperhatik hatikan error • Single Eksponensial
Smoothing
an error • Double Eksponensial
Smoothing
• Triple Eksponensial Smoothing
Tahapan Peramalan Metode Smoothing

1. Pilih Data Untuk di Analisis

Memilih kelompok data yang akan menjadi kelompok inisialisasi dan kelompok pengujian

2. Pilih Metoda yang Sesuai

2 Memilih metoda yang akan digunakan (smoothing atau dekomposisi)

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

Modifikasi dari proses inisialisasi atau pelacakan nilai parameter optimum

6. Menilai Kecocokan Model

Metode peramalan dinilai kecocokannya pada berbagai macam pola data


Metode Smoothing

METODE PERATA-RATAAN

Metode Perata-
Rataan
Semua data dianggap memiliki bobot yang
sama

Single Moving Double Moving


Simple Average
Average Average

• 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

Semakin banyak data


masa lalu maka hasil
peramalan semakin baik

Data mempunyai pola


stationer, bukan trend
atau musim
Metode Smoothing

Moving Average dilakukan dengan mengambil sekelompok nilai pengamat


an (periode) terakhir, mencari rata-ratanya, lalu menggunakan rata-rata ter METODE PERATA-RATAAN
sebut untuk meramal pada periode berikutnya. Single Moving Average
Dinamakan rata-rata bergerak (moving average) karena setiap kali data ob
servasi tersedia, maka angka rata-rata yang baru dihitung dan digunakan
sebagai ramalan

Ciri Kelemahan

Perata-rataan dihitung berdasarkan Memerlukan penyimpanan yang lebih banyak


periode t yang digunakan karena semua T pengamatan terakhir harus
disimpan, tidak hanya nilai tengahnya
Jumlah titik data tidak berubah seiring Tidak dapat menanggulangi dengan baik
berjalannya waktu adanya trend atau musiman, walaupun metode
ini lebih baik dibandingkan rata-rata total
Semakin panjang jangka waktu moving
average akan menghasilkan moving
average yang lebih halus (periode)
Metode Smoothing
Contoh Penerapan
Perio Nilai MA Ma
Analisis Error METODE PERATA-RATAAN
de Penga 3 5 Single Moving Average
matan Period Period Periode
e e Pengujian
1 200,0 - - 4-11 6-11
2 135,0 - - Mean Error 17,71 -1,17
3 195,0 - - Mean Absolute Error 71,46 51,00
4 197,5 176,7 - Mean Absolute Percentage 34,89 27,88
5 310,0 175,8 - Error

6 175,0 234,2 207,5 Standart Deviation of Error 83,37 60,12

7 155,0 227,5 202,5 Mean Squared Error 6395,6 3013,


6 25
8 130,0 213,3 206,5
Durbin Watson Statistic 1,60 ,87
9 220,0 153,3 193,5
Thail’s U Statistic 1,15 ,61
10 277,0 168,3 198,0 tidak ada hubungan antara
McLaughlin’s Batting 284,97 318,9 periode pemulusan dengan
11 235,0 209,2 191,4 Average 8 error
12 - 244,2 203,5
Metode Smoothing

Peramalan Suatu Deret yang Mempunyai Trend (Orde 3) METODE PERATA-RATAAN


Double Moving Average
Periode Nilai Pengamatan Ramalan (N=3) Galat

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

Prosedur Peramalan Melibatkan 3 Aspek :


• Penggunaan Single Moving Average pada waktu t S’t
• Penyesuaian, yaitu perbedaan antara moving average tunggal dan ganda pada waktu t S’t - S”t
• Penyesuaian untuk trend dari periode t ke periode t+1 atau pada periode t+m bila ingin meramal m
periode ke depan.
Metode Smoothing
Peramalan Deret yang Mempunyai Data Linier dengan Double Moving Average

Nilai Aktu SMA (N= DMA (N= Ramalan


Periode
al 3)
Galat 1
3)
Galat 2
+ Trend
Galat 3 METODE PERATA-RATAAN
Double Moving Average
1 2

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

Bentuk Umum Linier Moving Average


X t  X t 1  ............  X t  N 1 
St '  Single Moving Average
N
St ' St 1  ...............  St  N 1  Double Moving Average
St " 
N
at  St 'St ' St "  2St ' St "  Nilai Rata-Rata yang Disesuaikan d
bt 
2
St ' St " engan Periode T
N 1  Trend
Ft  m  at  bt m  Ramalan untuk periode kedepan

A dan b adalah Konstanta tetap dengan


m nya bisa berubah-ubah
Metode Smoothing

Contoh Penerapan Linier Moving Average


METODE PERATA-RATAAN
Double Moving Average
Periode Nilai MA MA dari
Pengamata 4 Periode MA a+b(m)
n a b
S’t 4 Periode bila m=1
S’’t

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 adalah m


etode yang menunjukkan pemb Metode
Eksponensial
obotan menurun secara ekspon
ensial terhadap data yang terakh
ir sampai data yang paling awal.

CIRI KHAS Double


Single Eksponensial Triple Eksponensial
Eksponensial
Smoothing Smoothing
• Menggunakan parameter (nila Smoothing
i 0-1)

Metode Linier Satu Metode Linier Dua


Parameter Brown Parameter “Holt”
Metode Smoothing

METODE EKSPONENSIAL

Single Double Triple


Eksponensial Eksponensial Eksponensial
Smoothing Smoothing Smoothing

Satu Parameter untuk


Satu Parameter untuk
dua smoothing
Parameter tetap tiga smoothing
menggunakan Metode
menggunakan SES menggunakan Metode
Linier Satu Parameter
Kuadrat Brown
“Brown”

Pendekatan Adaptif Dua Parameter untuk Tiga Parameter untuk


menggunakan dua smoothing tiga smoothing
Adaptive Response menggunakan Metode menggunakan Metode
Rate SES (ARRSES) Holt Winter
Metode Smoothing

• 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

Rumus Eksponensial Smoothing

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

Herjanto, Eddy. 2008

 α kecil garis persamaan membentuk ke arah linier/pemulusan yang besar(MSE kecil)


 α besar garis persamaan membentuk hubungan eksponensial yang nyata/pemulusan yang kecil(MSE
besar)
 α optimal ditentukan dengan trial dan error meminimalkan MSE
• Metode Smoothing

METODE EKSPONENSIAL
Single Eksponensial Smoothing
Pendekatan ARRES
Adaptive Response Rate SES

• Merupakan metode SES yang nilai α nya berubah secara


otomatis bila ada perubahan pada pola dasar
• Nilai α dikendalikan dengan mengubah nilai β
• Cocok digunakan pada permalan banyak data, namun h
ati-hati terhadap fluktuasi α
Metode Smoothing
Metode Satu Parameter Brown Metode Dua Parameter Holt
METODE EKSPONENSIAL
Sama dengan Single Moving Average dan
Double Eksponensial Smoothing
Menggunakan data Trend
Double Moving Average jika terdapat trend
Menambah Parameter Tt untuk memulus
Dapat dihitung berdasarkan 3 nilai data dan 1 kan trend • Eksponansial Smoothing
nilai α dari brown serupa dengan
Menggunakan dua parameter (α dan β), d single moving average.
Rumus Karena keduanilai pemulusa
S’ₜ = α Xₜ + (1- α) S’ ₜ-₁
engan nilai antara 01.
n tunggal dan ganda ketingg
S”ₜ = α S’ₜ + (1- α) S”-₁
alan dari data yang
sebenarnya jika terdapat un
α = S’ ₜ +( S’ ₜ - S” ₜ ) sur trend . Perbedaan antara
nilai pemulsan tunggal dan
α ganda dapat ditambahkan
bₜ = 1−α(S’ ₜ -S” ₜ )
ke nilai pemulusan tunggal d
Fₜ ₊m = aₜ +bₜ m an disesuaikan untuk trend.

M= jumlah periode ke depan

Inisialisasi  S’ ₜ =S” ₜ =Xₜ


Metode Smoothing

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

Theil’s Statistic 0,98


8 146,00 147,12 146,49 147,741 0,156 151,53
Mc Laughlin’s Batting Avera 302,48
9 162,00 150,09 147,21 152,974 0,720 147,50
ge
Metode Smoothing

Persamaan Dasar METODE EKSPONENSIAL


Metoda Linier Dua Parameter Holt Double Eksponensial Smoothing

• Metode holt tidak menggunakan rumus pemulus


Inisialisasi
an langsung melainkan memuluskan nilai trend

S₁ = X₁ • Menggunakan 2 konstanta α dan β


T₁ = X₂ - X₁ atau
(T₂ − T₁) + (T₃ − T₂)+ (T₄ − T₃)
T₁ =
3
Metode Smoothing

Penerapan Metoda Linier Dua Parameter Holt


METODE EKSPONENSIAL
Nilai Smoothing Smoothing Ramalan Double Eksponensial Smoothing
Period Data Trend Ft+m=
Pengamata
e St T St+T(m)
n

1 143,00 143,00 9,00


Analisis Error
2 152,00 152,00 9,00
Periode Uji 10-24
3 161,00 161,00 9,00 161,00 α=0,2, γ=0,3
Mean Error 5,71
4 139,00 163,80 7,14 170,00
Mean Absolute Error 13,04

5 137,00 164,15 5,10 170,94 Mean Absolute Percentage Error (MAPE) 6,16

6 174,00 170,20 5,38 169,25 Standard Deviation of Error (Unbiased) 15,21

Mean Square Error (MSE) 243,50


7 142,00 168,87 3,37 175,59
Durbin Watson Statistic 1,28
8 1446,00 165,99 1,49 172,24
Theil’s Statistic 0,90
9 162,00 166,39 1,16 167,49 Mc Laughlin’s Batting Average 310,45
Metode Smoothing

METODE EKSPONENSIAL
Triple Eksponensial Smoothing

Metoda Kuadrat Satu Parameter “Brown”


Pola Data Trend dapat digunakan untuk pola yang mendasari eksponesial:
kuadrat, cubic atau order yang lebih tinggi.
Pendekatan dasar: penambahan tingkat smoothing dan berurusan dengan
persamaan peramalan kuadrat.

Metoda Tiga Parameter Trend dan Seasonality “Winter”


Metoda sebelumnya berurursan dengan data stationer dan non stationer, sepanjang tidak seasonal.
Metoda Winter dapat mengatasi pola data season.
Metoda Winter mendasarkan peramalan pada 3 persamaan smoothing:
• Stationarity
• Trend
• Seasonality
Metode 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

S’ₜ = α Xₜ + (1- α) S’ ₜ-₁

S”ₜ = α S’ₜ + (1- α) S”-₁

S’”ₜ = α S’’’ₜ + (1- α) S’”-₁

α = 3S’ ₜ +( 3S’’ ₜ - S”’ ₜ )

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 L1  X 1 X L  2  X 2 X X 
Tᴌb     .............  L L L 
L L L L 
Metode Smoothing

METODE EKSPONENSIAL
Triple Eksponensial Smoothing

Berlaku pada periode pertama


Metode Smoothing

KEUNTUNGAN DAN KERUGIAN MENGGUNAKAN


METODE SMOOTHING

1. Relatif Sederhana 1. Ramalan yang dihasilkan


2. Biaya Rendah sangat sensitif terhadap error
2. Sesuai untuk ramalan jangan
pendek dan menengah
3. Hasil ramalan mengandung
banyak kesalahan karena
fluktuasi random pada periode
terakhir
Metode Dekomposisi
Metode Dekomposisi
Diasumsikan bahwa data terdiri dari poladan error, dengan memisahkan tiap komponen.
Data = Pola + error
Data = f(trend,siklus, musim) + error

 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 :

Xt = f ( It, Tt, Ct, Et )


Dimana :
Xt Nilai data pengamatan pada periode t
It Indeks Seasonal pada periode t
Tt Komponen Trend pada periode t
Ct Komponen Siklis pada periode t
Et Komponen Error pada periode t
Metode Dekomposisi

Metoda Dekomposisi mencoba mengidentifikasikan 3 Komponen yang mendasari pola data,


yaitu:
 Trend (Kecenderungan)
 Cyclical (Siklus)
 Seasonal (Musim)

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

Menghilangkan pengaruh seasonal dan keacakan


1 Menggunakan MA periode N pada observasi

Mendapatkan komponen trend dan siklus


22 Memisahkan N periode MA dari data

Isolasi Komponen Season


33 Membuat rata-rata setiap periode

Mendapatkan komponen trend


44 Mengidentifikasi bentuk kecenderungan paling sesuai (hitung periode Tt)

Mendapatkan komponen siklis


5 Pisahkan hasil tahapan 4 dari hasil tahapan 2

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

 Moving Average Ratio berasumsi pada model :

Aditif Multiplikatif

Xt = It + Tt + Ct + Et Xt = It x Tt x Ct x Et

Mengidentifikasi ramalan masa depan Semua komponen dikalikan satu sama


dan menjumlahkan semua komonen lain untuk mendapatkan model
proyeksi untuk hasil peramalan. peramalan
Metode Dekomposisi

 Prosedur penggunaan pendekatan Moving Average Ratio:

1. Mengisolasi trend dan siklus, serta melepas musiman Mt = Tt x Ct

2. Memisahkan komponen trend dan siklus sehingga didapat komponen musiman dan error

3. Mengisolasikan komponen musiman


• Medial Average : rata-rata setiap periode setelah nilai besar dan nilai kecil dikeluarkan
• Indeks Musiman : nilai median average yang sudah disesuaikan sehingga rata-rata dalam
suatu musim = 100
4. Memisahkan komponen trend dan siklus
5. Defenisikan pola kecenderungan data
Metode Dekomposisi

Tahap 1 :
Untuk menghilangkan season,
Menghilangkan pengaruh
season dan keacakan
menggunakan Moving Average dengan periode N

Jumlah MA 4 karena data tahunan


Tahun Periode MA 4
Wisatawaman dengan interval 4
Q1 710.240
Q2 690.268
2014
Q3 782.954 737.334  Jika N ganjil maka MA
Q4 765.874 741.527 diletakkan pada data ke
Q1 727.013 760.462 (1/2n)
Q2 766.008 792.905
2015  Jika N genap maka MA
Q3 912.726 819.650
Q4 872.851 845.803 diletakan pada data ke
(1/2n + 1)
Q1 831.625 878.432
Q2 896.525 913.398
2016
Q3 1.052.591 941.660
Q4 985.897
Metode Dekomposisi

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

Nilai CMA (Center movin average)


didapatkan dari rata-rata 2 nilai
MA 4
Metode Dekomposisi

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

Tahap 3 : Menghitung MAV (medial average) dan season index (SI)


Isolasi komponen season

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

Faktor penyesuaian = Jumlah SI/


Jumlah MAV
Metode Dekomposisi

Tahap 4 :
Mendapatkan komponen
trend

Nilai trend didapatkan dengan metode regresi

Variabel Independen : komponen waktu Tt = a + bt


Variabel Dependen : komponen jumlah Tt = 651,036 + 27,976 t
wisatawan
Metode Dekomposisi

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

Melakukan peramalan Contoh soal : Tentukan nilai tahun 2018 pada Q3

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

Season Index (I) Siklus (C)


IQ3 2018 = IQ3 Ct=MA/Tt
IQ3 2018 = 1,0817773
C Q3 tahun 2018 =

Trend (T) = (737.334 + 819.650 + 941.660) / 3


Q3 tahun 2018, jika diurutkan
datanya merupakan data ke-19, C Q3 tahun 2018 = 832.881,33 / 1182,58
maka C Q3 tahun 2018 = 704,291
T19 = 651,036 + 27,976 (19)
T19 = 1182,58 Ft = 1,0817773 x 704,291 x 1182,58
Ft = 900.991

Jadi, jumlah wisatawan pada tahun 2018 Kuartal ke-3 adalah 901 orang
Kesimpulan

Metode Digunakan Ketika


Perata – Rataan
Simple Moving Average Data stasioner
Single Moving Average Data stasioner dan jangka pendek
Double Moving Average Data stasioner dan trend
Smoothing Eksponansial
Single Eksponansial Smoothing Data Stasioner

Double Eksponansial Smoothing Ada trend namun tidak ada pola musiman

Triple Eksponansial Smoothing


Ada trend dan pola data musiman

Memiliki masing-masing komponen poladata (trend, siklus


Dekomposisi
dan musiman)
Daftar Pustaka

Makridakis S. et al. 1999. Forecasting: Methods & Apllications. New York


(M1): John Willey & Son.
Kachigan SK, Statical Analysis: Introduction to Bivariate & Multivariate
Analysis, Radius Press, 1986.
Thank you