Course 1 Pengantar

8/18/2019 Course 1 Pengantar

1/26

Peramalan Data Time Series


2/26

Data Time Series

• Time series merupakan data yang diperoleh

dan disusun berdasarkan urutan waktu ataudata yang dikumpulkan dari waktu ke waktu.

Waktu yang digunakan dapat berupa minggu,

bulan, tahun dan sebagainya.


3/26

Kegiatan Peramalan

• Merupakan bagian integral dari pengambilan keputusan.

• Mengurangi ketergantungan pada hal-hal yang belum

pasti (intuitif).

• Ada saling ketergantungan antar divisi.

▫ Contoh , kesalahan proyeksi penjualan akan mempengaruhi

ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dst.

• Dua hal utama dalam proses peramalan yang akurat danbermanfaat:

▫ Pengumpulan data yang relevan.

▫ Pemilihan teknik peramalan yang tepat.


4/26

Metode Peramalan

• Terdapat dua pendekatan peramalan :

▫ kualitatif

▫ kuantitatif.


5/26

Metode peramalan kualitatif

• Metode ini digunakan ketika data historis langka atau bahkan

tidak tersedia sama sekali;

•

Metode ini (biasanya) menggunakan opini dari para ahliuntuk memprediksi kejadian secara subyektif;

• Contoh: penjualan dari produk baru, lingkungan dan teknologi

di masa mendatang.

• Keuntungan: berguna ketika tidak ada data historis;

• Kelemahan: subyektif


6/26

Metode peramalan kuantitatif• Metode ini digunakan ketika tersedia data historis;

• Metode ini mengkonstruksi model peramalan dari data yangtersedia atau teori peramalan;

• Keuntungan: Obyektif

• Kelemahan: membutuhkan data.

• Metode kuantitatif dibagi menjadi 2 jenis: time series dancausal


7/26

•

Metode peramalan causal ▫ Meliputi faktor-faktor yang berhubungan dengan variabel yang

diprediksi seperti analisis regresi.

▫ Mengasumsikan bahwa satu atau lebih faktor (variabel

independen) memprediksi masa datang.

• Metode Peramalan time series

▫ merupakan metode kuantitatif untuk menganalisis data masa

lampau yang telah dikumpulkan secara teratur dengan

menggunakan teknik yang tepat.▫ Data historis digunakan untuk memprediksi masa datang

• Hasilnya dapat dijadikan acuan untuk peramalan nilai di

masa yang akan datang (Makridakis. S., 1999).


8/26

Syarat-syarat Peramalan Kuantitatif1. Tersedia info pada waktu lalu

2. Info tersebut dapat dikuantitatifkan

3. Diasumsikan pola pada waktu-waktu lalu akanberlanjut di masa yang akan datang (assumption of

constancy )


9/26

Tipe-tipe Metode Kuantitatif1. Naif/intuitif

2. Formal

• Berdasarkan prinsip-prinsip statistik

t

t t

t t

y y y y y 1

1


10/26

Metode Peramalan Tipe Formal

1. Metode Kausal/Eksplanatori

2. Metode Deret Berkala (time series)

Pembangkit

prosesinput output

Hubungan sebabakibat

input output


11/26

Komponen Time Series

Trend

Seasonal

Cyclical

Random


12/26

Pola data

• Terdapat empat pola data yang lazim dalam

peramalan:

1. Pola horisontal

2. Pola musiman

3. Pola siklis

4. Pola tren


13/26

Horisontal

• Pola horisontal: Terjadi bila mana data berfluktuasi di

sekitar rata-ratanya.


14/26

Musiman

• Pola musiman: Terjadi bila mana nilai data dipengaruhi

oleh faktor musiman (misalnya kuartal tahun tertentu,

bulanan atau mingguan).

• Menunjukkan puncak-puncak ( peaks) dan lembah-lembah(valleys) yang berulang dalam interval yang konsisten.


15/26

Siklis• Pola siklis. Terjadi bila mana datanya dipengaruhi oleh

fluktuasi ekonomi jangka panjang seperti yang

berhubungan dengan siklus bisnis.

• Pergerakan seperti gelombang yang lebih panjangdaripada satu tahun.


16/26

Trend

• Pola trend . Terjadi bila mana ada kenaikan atau

penurunan sekuler jangka panjang dalam data.


17/26

Simple Average

• We will first investigate some averaging

methods, such as the "simple" average of allpast data.

• Example. Seorang manager toko computer

mempunyai data penjualan notebook

perbulan. Dia mempunyai data 12 bulanpenjualan sebagai berikut :


18/26

DataBulan Amount Bulan Amount

1 9 7 11

2 8 8 7

3 9 9 134 12 10 9

5 9 11 11

6 12 12 10

The computed mean or average of the data = 10.

The manager decides to use this as the estimate for

next demand. Is this a good or bad estimate?


19/26

MSE• We shall compute the "mean squared error" :

• The "error" = true amount spent minus the estimated

amount.

•

The "error squared" is the error above, squared.• The "SSE" is the sum of the squared errors.

• The "MSE" is the mean of the squared errors.

•The SSE = 36 and the MSE = 36/12 = 3.


20/26

Komputasi

Bulan $ Error Error Squared

1 9 -1 1

2 8 -2 4

3 9 -1 1

4 12 2 4

5 9 -1 1

6 12 2 4

7 11 1 1

8 7 -3 99 13 3 9

10 9 -1 1

11 11 1 1

12 10 0 0


21/26

MSE Terbaik

• So how good was the estimator for the next demand ? Let

us compare the estimate (10) with the following

estimates: 7, 9, and 12.

• Performing the same calculations we arrive at:

Estimator 7 9 10 12

SSE 144 48 36 84

MSE 12 4 3 7


22/26

Bukti Analisis

• Dapat dibuktikan secara matematis bahwa estimator yang

meminimalkan MSE pada himpunan data random adalah mean.

2

1

Minimum MSE 0

n

i

i

d Y a

da


23/26

Data With Trend• Selanjutnya kita lihat data timeseries yang mengandung

trend.

• Next we will examine the mean to see how well it

predicts net income over time for data having a trend.

The next table gives the income before taxes of a PC

manufacturer between 1985 and 1994.


24/26

Komputasi Data

Year $ (millions) Mean Error Squared Error

1985 46.163 48.776 -2.613 6.828

1986 46.998 48.776 -1.778 3.161

1987 47.816 48.776 -0.960 0.9221988 48.311 48.776 -0.465 0.216

1989 48.758 48.776 -0.018 0.000

1990 49.164 48.776 0.388 0.151

1991 49.548 48.776 0.772 0.5961992 48.915 48.776 1.139 1.297

1993 50.315 48.776 1.539 2.369

1994 50.768 48.776 1.992 3.968


25/26

Bukti Empiris

The question arises: can we use the mean to forecast

income if we suspect a trend ? A look at the graph below

shows clearly that we should not do this.


26/26

• Kasus di atas dapat diselesaikan antara lain

dengan menggunakan regresi trend atau

metode perataan yang lain seperti MA ganda,Metode Eksponensial Smoothing Linear Holt

atau Brown.

Course 1 Pengantar

Documents

Transcript of Course 1 Pengantar