FORECASTING & ARIMA
FORECASTING & ARIMA
FORECASTING & ARIMA
FORECASTING & ARIMA
DERET BERKALA
(TIME SERIES)
Suatu deret berkala merupakan suatu himpunan observasi dimana variabel yang digunakan diukur dalam urutan periode waktu, misalnya tahunan, bulanan, triwulanan, dan sebagainya.
Tujuan dari metode deret berkala adalah untuk menemukan pola data secara historis dan mengekstrapolasikan pola tersebut
data secara historis dan mengekstrapolasikan pola tersebut untuk masa yang akan datang.
Peramalan didasarkan pada nilai variabel yang telah lalu dan atau peramalan kesalahan masa lalu.
Times Series
Times Series
Times Series
Times Series
Times series adalah sekelompok informasi statistik yang
memiliki interval.
Secular trend / Trend Linear variabel cenderung
meningkat atau menurun dalam periode yang panjang contoh indeks harga konsumen
Cyclical fluctuation variabel cenderung berfluktuasi (naik Cyclical fluctuation variabel cenderung berfluktuasi (naik
atau turun) di sekitar garis trend
Seasonal variation variasi variabel berubah dalam satu
tahun dan berulang dari satu tahun ke tahun berikutnya
Irregular variation variasi variabel tidak dapat
KOMPONEN
DERET BERKALA
Komponen Tren (Trend Component)
Merepresentasikan suatu perubahan dari waktu ke
waktu (cenderung naik atau turun).
Tren biasanya merupakan hasil perubahan dalam
Tren biasanya merupakan hasil perubahan dalam
populasi/penduduk, faktor demografi, teknologi, dan
atau minat konsumen.
Komponen Siklis (Cyclical Component)
Merepresentasikan rangkaian titik-titik dengan pola
KOMPONEN
DERET BERKALA (L)
Komponen Musim (Seasonal Component)
Merepresentasikan pola berulang dengan durasi
kurang dari 1 tahun dalam suatu deret berkala.
Pola durasi dapat berupa jam atau waktu yang lebih
Pola durasi dapat berupa jam atau waktu yang lebih
pendek.
Komponen Tak Beraturan (Irregular Component)
Mengukur simpangan nilai deret berkala sebenarnya
Trend linear
Trend linear
Trend linear
Trend linear
Untuk melihat trend jangka panjang
sebaiknya digunakan suatu peridoe
sekurang-kurangnya meliputi satu siklus lebih
dari satu siklus lebih baik.
Data yang digunakan jangka panjang,
Data yang digunakan jangka panjang,
sehingga trend yang diperoleh tidak
dikacaukan oleh variasi siklis karena
kontraksi dan ekspansi
Y = a + bX x= kode periode waktu = t –
AKURASI PERAMALAN
Akurasi peramalan dapat diukur dari nilai berikut:
1. Mean Squared Error (MSE)
Merupakan rata-rata jumlah kuadrat kesalahan
peramalan.
peramalan.
2. Mean Absolute Deviation (MAD)
Merupakan rata-rata nilai absolut kesalahan
METODE PENGHALUSAN DALAM
PERAMALAN
1. Rata-rata Bergerak (Moving Averages - MA)
Menggunakan n nilai data terbaru dalam suatu deret
berkala untuk meramalkan periode yang akan datang.
Rata-rata perubahan atau pergerakan sebagai
Rata-rata perubahan atau pergerakan sebagai
observasi baru.
Penghitungan rata-rata bergerak adalah sebagai
berikut:
n
METODE PENGHALUSAN DALAM
PERAMALAN (L)
2. Rata-rata Bergerak Tertimbang (Weighted Moving Averages)
Melibatkan penimbang untuk setiap nilai data dan
kemudian menghitung rata-rata penimbang sebagai
nilai peramalan.
Contoh, rata-rata bergerak terimbang 3 periode
dihitung sebagai berikut
F
t+1= w
1(Y
t-2) + w
2(Y
t-1) + w
3(Y
t)
METODE PENGHALUSAN DALAM
PERAMALAN (L)
3. Penghalusan Eksponensial (Exponential Smoothing)
Merupakan kasus khusus dari metode Rata-rata
Bergerak Tertimbang dimana penimbang dipilih hanya
untuk observasi terbaru.
Penimbang yang diletakkan pada observasi terbaru
adalah nilai konstanta penghalusan,
α
.
Penimbang untuk nilai data lain dihitung secara
otomatis dan semakin lama periode waktu suatu
observasi nilainya akan lebih kecil.
METODE PENGHALUSAN DALAM
PERAMALAN (L)
3. Penghalusan Eksponensial (Exponential Smoothing) (Lanjutan)
Rumus:
Ft+1 = αY
t + (1 - α)Ft
t+1 t t
dimana
Ft+1 = nilai peramalan untuk periode t+1
Yt = nilai sebenarnya untuk periode t+1
Ft = nilai peramalan untuk periode t
METODE PENGHALUSAN DALAM
PERAMALAN (L)
CONTOH : EXECUTIVE SEMINARS, INC.
Executive Seminars bergerak dalam manajemen
penyelenggaraan seminar. Untuk keperluan perencanaan
pendapatan dan biaya pada masa mendatang yang lebih baik, pihak manajemen ingin membangun model peramalan untuk pihak manajemen ingin membangun model peramalan untuk seminar “Manajemen Waktu”. Pendaftar pada 10 seminar “MW” terakhir adalah:
Seminar 1 2 3 4 5 6 7 8 9 10
CONTOH : EXECUTIVE SEMINARS, INC.
Penghalusan Eksponensial (Exponential Smoothing) Misal α = 0.2, F
1 = Y1 = 34
F2 = α Y
1 + (1 - α)F1
METODE PENGHALUSAN DALAM
PERAMALAN (L)
F2 = α Y 1 + (1 - α)F1 = 0.2(34) + 0.8(34) = 34 F3 = α Y 2 + (1 - α)F2 = 0.2(40) + 0.8(34) = 35.20 F4 = α Y 3 + (1 - α)F3 = 0.2(35) + 0.8(35.20) = 35.16 . . . dan seterusnyaCONTOH : EXECUTIVE SEMINARS, INC.
Seminar Pendaftar Ramalan dg Exp. Smoothing
1 34 34.00
2 40 34.00
3 35 35.20
METODE PENGHALUSAN DALAM
PERAMALAN (L)
3 35 35.20 4 39 35.16 5 41 35.93 6 36 36.94 7 33 36.76 8 38 36.00 9 43 36.40 10 40 37.72Persamaan Tren Linier:
Tt = b0 + b1t
dimana
PROYEKSI TREN DENGAN PERSAMAAN
TREN LINIER
dimana
Tt = nilai tren pada periode t (sebagai variabel tak bebas/dependent variabel)
b0 = intercept garis tren
b1 = slope/kemiringan garis tren
t = waktu (sebagai variabel bebas/independent
PROYEKSI TREN DENGAN
PERSAMAAN TREN LINIER (L)
Penghitungan Slope (b1) dan Intercept (b0)
dan
∑
∑
∑
∑ ∑
−
−
=
n
t
t
n
Y
t
tY
b
t t 2 2 1)
(
−
=
∑
b
∑
t
n
n
Y
b
t 1 0 dimanaYt = nilai sebenarnya pada periode t
n = banyaknya periode dalam deret berkala
PROYEKSI TREN DENGAN
PERSAMAAN TREN LINIER (L)
CONTOH : PENJUALAN PRODUK “X”Manajemen perusahaan penghasil produk “X” ingin membuat metode peramalan yang dapat mengontrol stok produk mereka dengan baik. Penjualan tahunan (banyaknya produk “X” terjual) dengan baik. Penjualan tahunan (banyaknya produk “X” terjual) dalam 5 tahun terakhir adalah sebagai berikut:
Tahun 1 2 3 4 5
PROYEKSI TREN DENGAN PERSAMAAN
TREN LINIER (L)
CONTOH : PENJUALAN PRODUK “X” (Lanjutan)
Prosedur penghitungan untuk mencari b0 dan b1
t Yt tYt t2 1 11 11 1 2 14 28 4 3 20 60 9 4 26 104 16 5 34 170 25
PROYEKSI TREN DENGAN
PERSAMAAN TREN LINIER (L)
CONTOH : PENJUALAN PRODUK “X” (Lanjutan)Menggunakan rumus penghitungan untuk b0 dan b1 diperoleh:
)
105
)(
15
(
373
−
sehingga Tt= 3,6 + 5,8 tPerkiraan penjualan pada tahun ke-6 =
8
,
5
5
)
15
(
55
5
)
105
)(
15
(
373
2 1=
−
−
=
b
( )
( )
3
,
6
5
15
)
8
,
5
(
5
105
0=
−
=
b
Trend Analysis
Trend Analysis
Trend Analysis
Trend Analysis
Trend merupakan arah jangka panjang atas data
times series
Mengapa perlu mempelajari trend
Dapat menggambarkan
hostorical pattern
Dapat melakukan forecasting untuk masa depan
Dapat melakukan forecasting untuk masa depan
Memisahkan komponen trend dari komponen times
series yang lain.
Metode OLS menghasilkan trend linear, kuadratis
atau eksponensial yang paling cocok dibandingkan
metode lain
Trend Analysis
Trend Analysis
Trend Analysis
Trend Analysis
X
b
Y
a
X
XY
X
n
X
Y
X
n
XY
b
−
=
=
−
−
=
∑
∑
∑
∑
2 2 2Waktu ditranslasi menjadi angka
Waktu ditranslasi menjadi angka
Untuk genap lag 2, contoh -5, -3, -1, 1, 3, 5
Untuk ganjil lag 1, contoh -2, -1, 0, 1, 2
Trend Analysis second degree
Trend Analysis second degree
Trend Analysis second degree
Trend Analysis second degree
∑
∑
∑
∑
∑
+
=
+
=
+
+
=
4 2 2 2 2ˆ
x
c
x
a
Y
x
x
c
an
Y
cx
bx
a
Y
∑
∑
∑
∑
∑
=
+
=
2 4 2 2x
xY
b
x
c
x
a
Y
x
Metode untuk cyclical
Metode untuk cyclical
Metode untuk cyclical
Metode untuk cyclical
Metode yang digunakan adalah
dengan menggunakan residual
method
Percent of total
Y
ˆ
x
100
Y
Relative Cyclical Residual
100
ˆ
ˆ
x
Y
Y
Y
−
Seasonal Variation
Seasonal Variation
Seasonal Variation
Seasonal Variation
Pergerakan periodik yang berulang di sekitar
trend
Mangapa perlu diketahui
Untuk melihat pattern perubahan di masa lalu
Untuk melihat pattern perubahan di masa lalu
Untuk prediksi masa depatn
Eliminasi efek seasonal dari data times series
Ratio to moving average method digunakan
Ratio to moving average method
Ratio to moving average method
Ratio to moving average method
Ratio to moving average method
1.
Menghitung seasonal index dari 4 kuartal = total
dari empat kuartal berturutan
2.
Menghitung moving average
3.
Memilih nilai tengah dari rata-rata moving average
4.
Menghitung prosentase aktual dibandingkan
4.
Menghitung prosentase aktual dibandingkan
dengan moving average (3)
5.
Mengumpulkan prosentase aktual dalam kuartal
yang sama, hapus nilai tertinggi dan terendah
kemudian hitung modified mean.
Penggunaan
Penggunaan
Penggunaan
Penggunaan
Menghilangkan efek seasonal / deseasonal
yaitu dengan membagi aktual dengan nilai
seasonal indexnya.
Atau sebaliknya mengestimasi nilai prediksi
dari trend dengan memperhatikan efek dari
Atau sebaliknya mengestimasi nilai prediksi
dari trend dengan memperhatikan efek dari
seasonal
Times Series
Times Series
Times Series
Times Series ---- Forecasting
Forecasting
Forecasting
Forecasting
Metode untuk menyusun trend dengan
memperhatikan faktor rata-rata berjalan dan
lag variabel
ARIMA (Autoregressive integrated moving
average) / Box Jenkins mehodology
average) / Box Jenkins mehodology
Vector autoregression (VAR)
Terkadang dalam times series ada volatility
clustering : autoregressive conditional
heteroscedasticity ARCH dan generalized
Metode Forecasting Ekonomi
Metode Forecasting Ekonomi
Metode Forecasting Ekonomi
Metode Forecasting Ekonomi
Exponential Smoothing Methods
Single Equation Regression Models
Simultaneous Equation Regression Models
ARIMA modals
ARIMA modals
VAR model
Autoregressive (AR) Process
Autoregressive (AR) Process
Autoregressive (AR) Process
Autoregressive (AR) Process
t t t t t t t
u
Y
Y
Y
u
Y
Y
+
−
+
−
=
−
+
−
=
−
− − −)
(
)
(
)
(
)
(
)
(
2 2 1 1 1 1δ
α
δ
α
δ
δ
α
δ
t p t p t t tY
Y
Y
u
Y
−
)
=
(
−−
)
+
(
−−
)
+
...
+
(
−−
)
+
(
δ
α
1 1δ
α
2 2δ
α
δ
Moving Average (MA) Process
Moving Average (MA) Process
Moving Average (MA) Process
Moving Average (MA) Process
t t t t t t t
u
u
u
Y
u
u
Y
− − −+
+
+
=
+
+
=
β
β
β
µ
β
β
µ
2 1 1 1 0 1 1 0 q t q t t t t t t t tu
u
u
u
Y
u
u
u
Y
− − − − −+
+
+
+
+
=
+
+
+
=
β
β
β
β
µ
β
β
β
µ
...
2 1 1 1 0 2 1 1 1 0Autoregressive and Moving Average
Autoregressive and Moving Average
Autoregressive and Moving Average
Autoregressive and Moving Average
(ARMA)
(ARMA)
(ARMA)
(ARMA)
1
1
0
1
1
−
+
+
−
+
=
t
t
t
t
Y
u
u
Y
θ
α
β
β
Autoregressive Integrated Moving
Autoregressive Integrated Moving
Autoregressive Integrated Moving
Autoregressive Integrated Moving
Average (ARIMA)
Average (ARIMA)
Average (ARIMA)
Average (ARIMA)
ARIMA (p, d, q)
P = autoregressive term