PERAMALAN DERET WAKTU

Cross Section Time series

Longitudinal/Panel
 POLA DATA DERET WAKTU
9 Constant 50

45
Trend
8

40
7

35
6

30
5

25

20

3
15

2
10

1
5

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

18 Seasonal 25
Cyclic
16

14
20

12

10 15

10
6

4
5

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
 METODE PERAMALAN
1. Moving average
Smoothing
2. Double Moving Average
3. Exponential Smoothing
4. Double Exponential Smoothing
5. Holt Winters

1. ARIMA
Modeling
2. ARCH/GARCH
 MOVING AVERAGE Constant

9.00

8.00

7.00

6.00

5.00 Semu
MA (m
4.00 MA (m

3.00

2.00

1.00

0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

ma Waktu
 Tren
DOUBLE MOVING AVERAGE

• Proses penghalusan dengan rata-rata dilakukan dua kali

– Tahap I:
1 t F2,t ,t  h  At  Bt (h)
S1,t  
m i t  m 1
Xi
– Tahap II:
1 t
S 2,t   S1,i
m i t  m 1
At  2S1,t  S 2,t
2
Bt 
m 1
 S1,t  S 2,t 
 EXPONENTIAL SMOOTHING Constant

Periode Data (Xt) Smoothing Forecasting

• Nilai smoothing pada periode (t) (St) (Ft)
ke-t: 1 5 5.40000 5.50000
St =  Xt + (1 – ) St–1 2 7 5.72000 5.40000
3 6 5.77600 5.72000
• Nilai  merupakan parameter 4 4 5.42080 5.77600
pemulusan dengan nilai 0 <  5 5 5.33664 5.42080
< 1.
6 6 5.46931 5.33664
7 8 5.97545 5.46931
• Ilustrasi =2
8 7 6.18036 5.97545
9 8 6.54429 6.18036
10 7 6.63543 6.54429
11 6.63543
12 6.63543
DOUBLE EXPONENTIAL SMOOTHING
• Nilai smoothing data ke-t: Tren
St = Lt-1 + Tt-1
Tt = (Lt – Lt-1) + (1-)Tt-1
Lt =  Xt + (1- )(Lt-1 + Tt-1)
• Forecast
Ft,h = Lt + h*Tt
 WINTER Seasonal

75.00 110.00

100.00

70.00
90.00

80.00
65.00

Aditif 70.00 Multiplikatif

60.00
60.00

50.00
55.00

40.00

50.00 30.00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Aditif: komponen musiman Multiplikatif: komponen

bersifat aditif dengan musiman bersifat
komponen level dan tren multiplikatif dengan
komponen level dan tren
MODEL REGRESI LOGISTIK
 Model

MODEL REGRESI LOGISTIK BINER

SIAP 16
 Model

Hosmer and Lemeshow Test

H0 : Tidak ada perbedaan klasifikasi yang diprediksi dan

diamati (Model layak digunakan)
Hosmer and Lemeshow Test H1 : Ada perbedaan klasifikasi yang diprediksi dan diamati

Step Chi-square df Sig.

1
6.880 8 .550

sig > 0.05

Terima H0  Model layak digunakan

REGRESI LOGISTIK BINER

SIAP 16
 PENYISIHAN GEMASTIK 8

Data pemesanan taxi Data unsur fisika

dengan rute

Data penggunaan listrik (kwH)

per 15 menit di negara Portugal
Volume data:
1 GB
 TIPS PENYISIHAN GEMASTIK
1. Pilih data dengan struktur data yang paling dikuasai
2. Buatlah rencana analisis dengan jelas
3. Proses cleaning data memakan waktu yang lebih lama dari proses
analisis. Manfaatkanlah waktu yang diberi dengan sebaik-baiknya.
4. Menulislah berdasarkan teori...
5. Manfaatkan halaman maksimal yang ada, lampirkan jika ada yang
harus dilampirkan pada makalah.
6. Sabar. Diskusi itu perlu.
 PENYISIHAN GEMASTIK 8

Analisis Cluster Pemulusan Metode

k-means Holt Winters
PENYISIHAN GEMASTIK 8

Pemulusan Metode
Holt Winters
 SOAL DATA MINING ON SITE

Dalam rangka meningkatkan kinerja perusahaan, perusahaan ingin mengetahui

pelanggan mana saja yang akan merespon penawaran perusahaan. Tugas tim anda
adalah memprediksi nilai variabel "target" untuk tiap baris di test set.
 GAMBARAN DATA MINING ON SITE
1. Waktu pengerjaan kasus selama 8 jam non stop termasuk ishoma
dan pembuatan makalah
2. Penyediaan program/komputer yang powerfull dalam membaca
data sangat diperlukan
3. Selain ketepatan dalam alat analisis, pemilihan variabel dan
banyaknya objek dalam analisis harus objektif.
GAMBARAN DATA MINING ON SITE
 GAMBARAN DATA MINING ON SITE
500 ID Pelanggan

N = 144763  n=399 1934  20 fitur

 TIPS DATA MINING ON SITE
1. Manfaatkan waktu dengan baik (8 jam hanya sebentar!) tapi jangan lupa isi
tenaga, panitia menyediakan banyak makanan dan minuman (sayang kalo gak
disambi)
2. Targetkan waktu untuk praproses dan analisis sehingga waktu untuk analisis
tidak tersita oleh waktu praproses data.
3. Formulasikan algoritma yang telah dibentuk dengan benar. Uji coba harus
dilakukan sebelum memprediksi data test yang akan diberikan panitia.
4. Jangan panik ketika diberikan data test, kerjakan apa yang selagi bisa dikerjakan.
5. Berjuang sampai waktu penghabisan.
 PRESENTASI DATA MINING ON SITE

1. Jelaskan presentasi dengan baik

2. Pahami analisis yang digunakan beserta teorinya
3. Jawab pertanyaan juri dengan tenang dan meyakinkan
TERIMA KASIH, SUKSES SELALU