Forecasting

Konsep Peramalan dengan

Metode Time Series
 Pengertian Forecasting
• Forecasting adalah peramalan (perkiraan)
mengenai sesuatu yang belum terjadi dimasa
yang akan datang.
• Forecasting bertujuan untuk mendapatkan
forecast yang bisa meminimalkan kesalahan
meramal (forecast error) yang biasanya diukur
dengan mean squared error
• Dalam forecasting, hal yang sangat menentukan
adalah keakuratan data yang diamati serta
waktu (periode) dari data tersebut dikumpulkan.
 Jenis Forecasting
• Forecasting dapat digolongkan dalam analisis jangka
pendek dan jangka panjang.
• Untuk analisis jangka pendek, maka ada kecenderungan
model analisisnya merupakan analisis time series yang
berbentuk persamaan garis linear
• Untuk analisis jangka panjang ada kemungkinan
analisisnya non linear karena dalam jangka panjang
banyak faktor yang ikut mempengaruhi fluktuasi dari
data time series yang diperoleh.
• Faktor yang mempengaruhi fluktuasi diantaranya adalah
pertumbuhan penduduk, perkembangan teknologi, faktor
musim, pengaruh budaya, fluktuasi siklis, irreguler
movement (peristiwa yang tidak terduga), dsb.
 Time Series
• Sesungguhnya ada satu jenis data statistik
yang penting dan luas pemakaiannya
dalam paktek, yakni pencatatan data
statistik berdasarkan waktu.
• Kumpulan data statistik yang merupakan
hasil pengamatan setiap interval waktu
tertentu disebut Time Series (Deret
Berkala)
 Komponen Time Series
• Data time series dapat dibagi menjadi
beberapa bagian yakni :
– Trend, adalah kecenderungan data untuk
jangka panjang, apakah meningkat, tetap
atau kah menurun.
– Gerakan Siklis (Cyclical Movements), adalah
gerakan disekitar garis trend apakah gerakan
siklis itu naik atau turun.
– Gerakan musim (Seasonal Movements)
– Gerakan Tak Teratur (Irregular Movements)
 Tujuan Analisis Time Series
• Dekomposisi
– Sebuah data time series bisa terdiri dari trend, faktor
siklis, faktor musim dan faktor irreguler. Agar dari time
series bisa dijelaskan kemana arah jangka
panjangnya, data tersebut harus diuraikan dalam
keempat komponen tersebut, yaitu disebut
dekomposisi.
• Prediksi Data Masa Mendatang
– Setelah dekomposisi dan model trend bisa didapat,
maka dari model trend bisa diperkirakan berapa data
untuk masa mendatang.
 Trend
• Tren dapat ditampilkan dalam 2 bentuk,
yaitu :
– Gambar
• Paling populer adalah linear (garis). Selain itu bisa
juga ditampilkan dalam bentuk kurva, parabola,
logaritma, dsb.
– Persamaan Matematis (model)
 Trend dengan Metode Least Square

• Sebuah prediksi yang baik tentu adalah

sebuah angka yang mampu
memperkirakan data setepat mungkin,
atau perkiraan yang mempunyai
kesalahan sekecil mungkin. Salah satu
metode yang dapat digunakan adalah
metode least square, yaitu upaya untuk
meminimumkan hasil kuadrat antara data
asli dengan data prediksi.
 Konsep Least Square
• Pada prinsipnya sama dengan model regresi
yaitu:
Y = a + b.X
b = (X.Y - n.X.Y) / (X² - n.X²)
a = Y – b.X
Karena dalam time series, jumlah X = 0, maka
rata-ratanya juga sama dengan 0 sehingga
rumus dapat disingkat :
b = (X.Y)/X² a = Y
 Contoh Kasus
• Berikut data kunjungan pasien di RS X pada tahun 2008

No Bulan Kunjungan RS X
1 Januari 154
2 Februari 176
3 Maret 190
4 April 200
5 Mei 230
6 Juni 210
7 Juli 240
8 Agustus 259
9 September 300
10 Oktober 302
11 Nopember 340
12 Desember 390

• Prediksi jumlah pasien untuk bulan januari – maret 2009

 TERIMA KASIH
ATAS PERHATIAANNYA