Time - Series Analysis

Time - Series Analysis

• Seri waktu adalah urutan kejadian dimana acara berikutnya ditentukan
oleh satu atau beberapa kejadian sebelumnya.
• Seri waktu mencerminkan proses yang diukur dan ada beberapa komponen
yang mempengaruhi perilaku suatu proses.
• Analisis deret waktu (Time - Series Analysis) mencakup metode untuk
menganalisis data deret waktu guna mengekstrak pola, tren, aturan,
dan statistik yang berguna.
 Tujuan dalam analisis data deret waktu
Ada beberapa tujuan dalam analisis data deret waktu diantaranya:
1. Deskripsi (description) : mempresentasikan karakter dari data yang dimiliki dengan
menggambarkan peta data dan korelogram.
a. Gambar peta data atas waktu untuk menelaah kestasioneran dan keberadaan komponen
musiman .
b. Gambar korelogram untuk menelaah signifikansi autokorelasi dan perlu-tidaknya
transformasi data

2. Menerangkan (explanation) : Jika variabel data deret waktu lebih dari satu buah, maka
telaahan dilakukan untuk menentukan apakah salah satu variabel dapat menjelaskan variabel lain,
sehingga bisa dibangun sebuah model regresi (fungsi transfer) untuk keperluan analisis data deret
waktu lebih lanjut.
 Tujuan dalam analisis data deret waktu

3. Perkiraan (prediction) :
Jika dimiliki sampel data deret waktu dan diinginkan perkiraan nilai data berikutnya, maka proses
peramalan harus dilakukan.
Permalan adalah sasaran utama dari analisis data deret waktu, yang prosesnya bisa berdasarkan
karakter dari komponen data atau model regresi deret waktu.

Pengertian perkiraan (prediction) dan peramalan (forecasting) beberapa penulis ada yang
membedakannya, sebab mereka berpendapat perkiraan adalah penaksiran (estimation) nilai
dengan data dengan tidak memperhatikan model hubungan (regresi) antara nilai data, tetapi
peramalan adalah proses penaksiran nilai data berdasarkan sebuah model hubungan fungsional
antar nilai data.
Tetapi kebanyakan penulis berpendapat perkiraan dengan peramalan adalah dua proses analisis
data yang sama.
 Tujuan dalam analisis data deret waktu

4. Kontrol (control) :
Proses kontrol dilakukan untuk menelaah apakah model (regresi) ramalan (perkiraan) yang
ditentukan cukup baik untuk digunakan ?

Dalam statistika, sebuah model baik digunakan untuk peramalan, jika dipenuhi modelnya cocok
dan asumsinya juga dipenuhi.

Sehingga proses kontrol terhadap model perlu dilakukan untuk menelaah dipenuhi tidaknya
asumsi, kecocokan bentuk model yang dibangun, ada-tidaknya pencilan (outliers), yang
analisisnya dapat dilakukan berdasarkan karakter nilai residu atau analisis varians.
Peramalan (forecasting) :
Adalah seni dan ilmu memprediksi peristiwa-peristiwa yang akan terjadi,dengan
menggunakan data historis dan memproyeksikannya ke masa depan dengan beberapa
bentuk model matematis.
FORECASTING (PERAMALAN)
 Peramalan dalam dunia bisnis adalah kegiatan atau proses
memprediksi nilai masa depan berdasarkan data masa lalu.
 Kegiatan ini mencakup penggunaan data historis dengan
memproyeksikannya untuk masa depan yang
menggunakan jenis model matematis.
 Forecasting sendiri merupakan bagian vital bagi setiap
organisasi bisnis dan utk setiap pengambilan keputusan
manajemen yg signifikan
 Persyaratan Penggunaan
Metode Kuantitatif:

1. Tersedia informasi tentang masa lalu.

2. Informasi tersebut dapat di kuantitatifkan dalam
bentuk data numerik.
3. Dapat diasumsikan bahwa beberapa aspek pola
masa lalu akan terus berlanjut di masa mendatang.
PERAMALAN KUANTITATIF

SMOOTHING MOVING AVERAGE MODEL

TIME
EXPONENTIAL SMOOTHING SERIES
.NAIVE APPROACH Menggunakan sekumpulan
data masa lalu untuk
peramalan

Model Asosiatif
TREND PROJECTION
(Hubungan sebab
LINIER REGRESSION ANALYSIS akibat)
 CONTOH PERAMALAN
MENGGUNAKAN METODE
“MOVING AVERAGE”
Berikut adalah tahapan meramalkan data masa depan berdasarkan data masa
lalu:
1. Mengidentifikasi pola historis dari data aktual
2. Memilih model peramalan yang sesuai dengan pola historis dari data aktual
3. Melakukan analisis data berdasarkan model peramalan yang dipilih
4. Memilih model peramalan yang tepat berdasarkan MAD (Mean Absolut
Deviation) terkecil
5. Memeriksa keandalan model peramalan berdasarkan peta kontrol tracking
signal
Contoh soal moving average
Ibu Shabrina mempunyai usaha di bidang penjualan Kue Ners, ibu Shabrina ingin memperkirakan
(forecasting) berapa kue yang bisa Ibu Shabrina jual di bulan Januari 2022. Dengan data penjualan
Kue Ners selama tahun 2021 sebagai berikut

Dari data di atas maka kita bantu Ibu

Shabrina di dalam memperkirakan
penjualan rotinya di bulan Januari
2022 !
Langkah langkah yang akan kita lakukan sebagai berikut :

(Langkah 1) : Mengidentifikasi pola historis dari data permintaan

Sebelum melakukan perhitungan peramalan, kita harus menganalisa dan
melihat terlebih dahulu pola data yang terbentuk dari permintaan aktual
sebelumnya, jenis pola data yang dibentuk akan menentukan metode peramalan
yang digunakan.

(Langkah 2) : Memilih model peramalan yang sesuai dengan pola data

historis permintaan
Karena pola data historis yang dibentuk tidak mengalami kenaikan secara
berkelanjutan, maka kita tidak menggunakan metode Analisis trendline, data
terlihat cenderung stabil dan kita akan membantu menyelesaikan permasalahan
Ibu Annisa dengan model Moving Averages 4 dan 5 periode.
 (Langkah 3) : Melakukan analisa data dan menghitung peramalan berdasarkan
model Moving Average

Cara menghitung moving averages di Excel dalam menyelesaikan permasalahan ibu Shabrina
sebagai berikut :
1. Input di tabel kiri nama Bulan di tahun 2021, tabel disebelahnya Indeks Waktu (t), disebelahnya
indeks waktu (t) tabel permintaan aktual (A),
2. Lakukan perhitungan untuk mencari hasil ramalan berdasarkan Moving Averages 4 periode
dan 5 periode terhadap data aktual permintaan yang ada, begitu seterusnya sampai bulan Januari
2022
3. Cara melakukan perhitungan di Excel adalah dengan mengklik tanda + di keyboard, jangan
lupa menggunakan tanda kurung di awal dan akhir perhitungan, sebagaimana gambar berikut.

Gambar : Perhitungan di Excel

 Tabel dibawah, menjelaskan perhitungan moving average secara manual, di mana di
dalam
• Model Moving Average 4 bulan menjumlahkan selama 4 bulan berturut-turut kemudian
dibagi dengan 4.
• Untuk Model Moving Average 5 bulan menjumlahkan selama 5 bulan kemudian dibagi
dengan 5.

Keterangan :
Bulan Indeks Waktu (t)
Permintaan Aktual (A)
Moving Averages 4 bulan
(Ft MA4)
Moving Averages 5 bulan
(Ft MA

Tabel : Perhitungan Moving

Average 4 Bulan dan 5 Bulan
(Langkah 4) : Memilih model peramalan yang tepat berdasarkan MAD (Mean Absolute
Deviation) Terkecil
Langkah selanjutnya menghitung Mean Absolute Deviation (MAD) dengan menambahkan
kolom disebalah kanan Kolom hasil ramalan Moving Average 4 bulan dengan kolom absolut
deviation 4 bulan, di sebelah kanan kolom Moving Average 5 bulan dengan kolom absolut
deviation 5 bulan.
Cara Menghitung Mean Absolute Deviation
1. Untuk mencari nilai Absolute Deviation dengan cara melakukan perhitungan
permintaan Aktual dikurangi dengan Ft MA (hasil peramalan). namun dengan
menjadikan nilainya menjadi absolut (mutalk positif), apabila anda menggunakan
excel, maka tulislah rumus Absolut

2. Di dalam mencari nilai MAD yang terkecil dengan metode moving Average, yaitu
dengan melakukan pengurangan antara nilai permintaan aktual dengan peramalan aktual,
kemudian menjumlahkan semuanya dan dibagi dengan banyaknya periode yang
ada.

𝑴𝑨𝑫=
∑ | 𝑨 − 𝑭 𝒕 𝑴𝑨|
𝒏
 Tabel : nilai absolute deviation untuk MA 4 dan MA 5

| 𝑨− 𝑭𝒕 𝑴𝑨 𝟒| | 𝑨− 𝑭𝒕 𝑴𝑨 𝟓|

Berdasarkan Tabel , nilai

perhitungan Mean Absolute
Deviation untuk Moving
Average 5 periode lebih
disukai karena mempunyai
nilai Mean Absolute Deviation
lebih kecil dari Mean Absolute
Deviation untuk Moving
Average 4 periode.

Keterangan untuk MAD untuk MA 4 adalah : (1+3,5+6,5+3+3+0+4,75+2,75)/8 = 3,06

MAD untuk MA 5 adalah (4,2+6,2+1,8+3,4+0,4+4+1,2)/7 = 3,03  
Untuk mengetahui sejauh mana kehandalan dari model peramalan yang dipilih , gunakan metode
peta kontrol tracking signal. 

Langkah-langkah didalam menghitung tracking signal moving Average 5 bulan sebagai berikut :
1. Masukkan data di kolom periode, berurutan mulai dari periode pertama sampai periode ke delapan
2. Kolom forecast berasal dari perhitungan Moving Average 5 bulan pada tabel sebelumnya. 
3. Kolom Aktual (A3) berasal dari permintaan aktual yang ada, mulai dari bulan ke enam (Juni) sampai bulan ke
dua belas (Desember). 
4. Kolom error berisi dari pengurangan kolom aktual dengan kolom forecast. 

5. Kolom RSFE diperoleh dari kumulatif  (penjumlahan) kolom error.

Di bawah tabel terlihat nilai -2 diperoleh dari menjumlahkan 4,2 + ( -6,2) = -2.
6. Kolom absolut error diperoleh dengan meng absolut kan nilai pada kolom error.
Yang dimaksud dengan mengabsolutkan adalah nilai negatif berubah menjadi nilai positif. 
7. Kolom kumulatif absolut error berisi dari kumulatif (penjumlahan) nilai kolom absolut error.
8. Kolom MAD berasal dari pembagian kolom kumulatif absolut error dengan kolom periode.
9. Nilai di kolom tracking signal diperoleh dari pembagian kolom RSFE dengan kolom MAD
Tabel: Peta kontrol tracking signal MA 5 periode
Dari perhitungan di atas kita akan membuat peta kontrol tracking signal, dimana dalam sebaran peta
kontrol tracking signal terlihat bahwa nilai bergerak tidak melebihi dari  ±4. sehingga permintaan ibu
Shabrina di bulan Januari 2022 sebesar 86,2 roti atau dibulatkan menjadi 86 roti bisa digunakan untuk
Perhitungan perencanaan produksi roti.

Gambar : grafik tracking signal MA 5 periode