PEMODELAN RUNTUN

WAKTU (TIME SERIES)

 Time Series Model
TIME SERIES
 Suatu set rangkaian data numerik

 Diperoleh dengan meneiliti suatu variabel pada periode

waktu tertentu
 Memprediksi hanya berdasarkan nilai terdahulu
 Diasumsikan bahwa faktor-faktor yang mempengaruhi
pada masa lalu, sekarang, dan yang akan datang akan
berlanjut
 Example
 Tahun: 19951996199719981999
 Penjualan: 78.763.589.7 93.292.1
Time Series vs. Cross Sectional Data

Data Time series adalah urutan data

dari penelitian

 Dikumpulkan/diperoleh dari suatu proses

 dengan jarak yang sama pada periode
waktu
Time Series vs. Cross Sectional Data

Tujuan utama dari prediksi dengan time

series adalah untuk meramalkan melebihi
batasan waktu suatu variabel
Time Series vs. Cross Sectional Data

Time series
bersifat dinamis,
akan mengalami
perubahan
setiap waktu.
Time Series vs. Cross Sectional Data

Ketika menggunakan data time series,

yang paling penting adalah data di
plot-kan ke dalam bentuk grafik
sehingga mudah untuk dianalisis
 Time Series Components

Trend Cyclical

Seasonal Irregular
Trend Component

 Bersifat tetap, secara keseluruhan memiliki pola

naik terus atau turun terus
 Misalnya Menggambarkan populasi, teknologi
dll.
 Memiliki durasi beberapa tahun
Response

© 1984-1994 T/Maker Co.

Mo., Qtr., Yr.

 Trend Component

 Overall Upward or Downward Movement

 Data Taken Over a Period of Years

Sales d t ren d
Up wa r

Time
 Cyclical Component
 Repeating up & down movements
 Mengulang pegerakan naik dan turun
 Misalnya menggambarkan faktor-faktor yang
mempengaruhi perekonomian
 Biasanya durasinya 2 – 10 tahun Cycle

Response

Mo., Qtr., Yr.

 Cyclical Component

 Upward or Downward Swings

 May Vary in Length
 Usually Lasts 2 - 10 Years
Sales Cycle

Time
Seasonal Component
 Memiliki pola pergerakan naik-turun yang teratur
 Misalnya menggambarkan cuaca
 Terjadi dalam tahunan
Summer
Response

© 1984-1994 T/Maker Co.

Mo., Qtr.
 Seasonal Component

 Upward or Downward Swings

 Regular Patterns
 Observed Within One Year
Sales Winter

Time (Monthly or Quarterly)

Irregular Component
 Tidak menentu, tidak sistematis, pergerakan dari
suatu akibat tertentu
 Menggambarkan kejadian tak terduga: © 1984-1994 T/Maker Co.

 Demonstrasi
 Perang
 Durasi singkat dan tanpa pengulangan
 Random or Irregular Component

 Erratic, Nonsystematic, Random, ‘Residual’

Fluctuations
 Due to Random Variations of
 Nature
 Accidents
 Short Duration and Non-repeating
Time Series Forecasting

Tim e
Series

Sm oothing No Y es Trend
M ethods Trend? M odels

M oving Exponential
Average Sm oothing

Auto-
Linear Quadratic Exponential R egressive
Plotting Time Series Data
Intra-Campus Bus Passengers
(X 1000)

12

10

Number of Passengers
6

09/83 07/86 05/89 03/92 01/95

Month/Year

Data collected by Coop Student (10/6/95)

EXPONENTIAL
SMOOTHING
Apa itu Exponential Smoothing
 Exponential Smoothing merupakan sebuah teknik
yang dapat digunakan untuk menghaluskan data
time series, dan dengan cara itu kita bisa
mendapatkan panampakan (impresi) pada
pergerakan jangka panjang secara keseluruhan
dalam data.
Apa itu Exponential Smoothing
 Metode ini juga dapat digunakan untuk
mendapatkan peramalan jangka pendek (satu atau
dua periode kedepan) untuk sebuah time series.
Exponential smoothing terdiri dari tiga metode
yaitu singgle exponential smoothing, double
exponential smoothing, dan triple exponential
smoothingyang dijelaskan berikut.
Singgle Exponential Smoothing
 Untuk setiap periode t, nilai penghalus (value
smoothed) St dapat ditentukan dengan persamaan
berikut
Contoh
 Tabel 1 berikut diberikan data dan peramalan LTS
WBC dengan mengambil dan
Nilai Pemulusan (α)
Bulan Periode LTS
0.1 0.5 0.9
Jan 1 200 - - -
Feb 2 135 200 200 200
Mar 3 195 193.5 167.5 141.5
Apr 4 197.5 193.7 181.3 189.7
Mei 5 310 194.0 189.4 196.7
Jun 6 175 205.6 249.7 298.7
Jul 7 155 202.6 212.3 187.4
Agt 8 130 197.8 183.7 158.2
Sep 9 220 191.0 156.8 132.8
Okt 10 277.5 193.9 188.4 211.3
Nop 11 235 202.3 233.0 270.9
Des 12 - 205.6 234.0 238.6
Cara Perhitungan
Sebagai contoh pada Tabel 1 ramalan untuk periode
12 (Desember) bila diambil , dihitung sebagai berikut.

Demikian juga, bila berdasarkan Persamaan (1) maka

ramalan untuk periode 12 adalah:
Catatan
 Satu hal yang perlu diperhatikan terkait tahap
inisialisasi SES. Misalnya untuk dapat memulai
sistem peramalan diperlukan karena

(2)

 Kerena nilai F1 tidak diketahui, makan dapat

digunakan nilai observasi pertama (X1) sebagai
ramalan pertama (F1=X1).
Double Exponential Smoothing
 Rumus untuk menentukan double exponential
smoothing (DES) diberikan sebagai berikut:
 (3)
 (4)
 (5)
Contoh
Cara Perhitungan
 Dengan data pada Tabel 2, dan menggunakan dan sehingga
periode ke 23 dapat diperoleh :
= + (1),

di mana

Sehingga
Cara Perhitungan (2)
 Proses perhitungan yang pertama dapat dipilih Taksiran
tren dapat dilkukan dengan mengambil

atau
Triple Exponential Smoothing
 Persamaan untuk triple exponential smoothing
(TES) diberikan sebagai berikut.

 (pemulusan pertama) (6)

 (pemulusan kedua) (7)
 (pemulusan ketiga) (8)
dengan
 (9)

 (10)

 (11)
 dan
(12)
Contoh
Dengan menggunakan data pada Tebel 2, maka
perhitungan dilakukan untuk periode 24, dengan
mengambil
 
 Sehingga
 Demiikin juga untuk ramalan untuk periode 25

 
 karena dan Hal yang sama dapat dilakukan untuk
periode 26 dan 30 dapat dihitung sebagai berikut