Академический Документы
Профессиональный Документы
Культура Документы
Deret Waktu
Pika Silvianti, M.Si
Akbar Rizki, M.Si
• Toleransi 15 menit
• Absen
• Pakaian Sopan dan Rapi
• Pengguna kaos pendek/tanpa lengan dan
ketat dilarangg mengikuti perkuliahan
g p
• Pengguna sandal juga dilarang mengikuti
perkuliahan
k li h
• A>=75; • Penilaian
• 75>AB>=70;
75>AB> 70; – UTS
• 70>B>=65; – UAS
– PR
• 65>BC>=60;
– Paper
• 60>C>=50;
60>C>=50;
– Quiz
• 50>D>=40;
• E<40
What is a
forecast?
Why How to
Forecast? Forecasting Forecast
Forecast
Types
to discern what is
most likely to
happen in the
enables us to do future,
something about it.
https://researchplaybook.wordpress.com/2010/08/25/why‐do‐we‐forecast/
Good Forecasting
• We gain insight into
what could happen
what could happen
next.
• This insight allows users
of the forecast to take
action and influence
the vision of the future
offered by the
forecaster.
Forecasting Types
g yp
Predicting the impact
Predicting the impact
Qualitative forecasting of gasoline price if and
q j
techniques are subjective, when it hits rp.
10.000/ltr.
based on the opinion and
judgment of consumers
judgment of consumers,
experts; they are
appropriate when past
appropriate when past
data are not available.
• Quantitative forecasting models are used to
p
forecast future data as a function of past data;
they are appropriate when past data are
available.
available
(http://en.wikipedia.org/wiki/Forecasting#Qualitative_vs._quantitative_methods )
1. Information about the past is available.
2. This information is available in the form of
This information is available in the form of
numerical data
3 Assumption of continuity: It can be assumed
3. A i f i i I b d
that some aspects of the past pattern will
continue into the future.
Continuity assumption is also need for
Continuity assumption is also need for
qualitative forecasting
https://web.njit.edu/
“data yang diamati berdasarkan urutan waktu dengan rentang yang
sama (jam, hari, minggu, bulan, tahun, dsb)”
Misalnya : data ekspor gula tahunan, data nilai tukar rupiah harian,
dsb.
pertanian
Data produksi
beras tahunan
Data keuangan Data Stok Barang
Kalau diduga kuat bahwa keragaman dalam data
ada faktor waktu yang dominan (faktor‐faktor
(
lain yang mempengaruhi, juga dipengaruhi waktu)
Data deret waktu secara teoritis ditulis sebagai:
g
dimana
• Secara garis besar, data DW dibedakan menjadi dua, yaitu
g j y
stasioner dan tidak stasioner
• Dikatakan
Dikatakan stasioner apabila data DW memiliki nilai tengah
stasioner apabila data DW memiliki nilai tengah
(rataan) dan ragam (fluktuasi) yang konstan dari waktu ke
waktu
8
2
EKSPOR
0
E
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
Sequence number
10
-10
-20
PROFIT
-30
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
Sequence number
Secara garis besar pola data time series adalah:
Secara garis besar pola data time series adalah:
• Pola Data Horizontal
Æ Terjadi bila data berfluktuasi di sekitar rata
Terjadi bila data berfluktuasi di sekitar rata‐rata
rata
yang konstan.
Contoh: Data penjualan yang konstan
• Pola Data Musiman
Æ Terjadi bilamana suatu deret dipengaruhi oleh
T j di bil t d t di hi l h
faktor musiman (misalnya kuartal tahun tertentu,
bulanan atau hari‐hari
bulanan, atau hari hari pada minggu tertentu)
pada minggu tertentu)
Contoh: Data produksi tanaman
• Pola
Pola Data Siklis
Data Siklis
Æ Terjadi bila data dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang
ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis.
Contoh: Penjualan mobil
Contoh: Penjualan mobil
• Pola Data Trend
Æ Terjadi bilamana kenaikan atau penurunan
Terjadi bilamana kenaikan atau penurunan
sekuler jangka panjang dalam data
Contoh: GNP
Contoh: GNP
• Pola Gabungan antara beberapa pola yang telah
disebutkan diatas.
Pola Data Time Series
50
9
45
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
Konstan Trend
18
25
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
Seasonal Cyclic
• Data deret waktu terdiri atas 3 komponen:
D t d t kt t di i t 3 k
– Komponen Musiman
– Komponen tren dan siklik
– Komponen sisaan (containing anything else in the time series).
• Model Aditif Yt
Model Aditif Yt=St+Tt+Et,
St Tt Et,
dengan:
– yt=data periode t,
– St= komponren musiman periode
komponren musiman periode t, t
– Tt=komponen tren‐siklik periode t
– Et komponen sisaan(or irregular or error) period t.
• Model Multiplikatif Yt=St×Tt×Et.
Time Series plot sangat penting untuk melihat pola data deret waktu
yang akan kita analisa lebih lanjut.
Dibawah ini adalah contoh data deret waktu penjualan yang memiliki
pola musiman.
16
14
12
an
penjuala
10
0
1 7 14 21 28 35 42 49 56 63 70
Index
Pemulusan
Peramalan
Pemodelan
Problem definition Data Collection Data Analysis
Forecasting Model Model Selection
Model Validation
Model Validation
Deployment and Fitting
Monitoring
Forecasting Model
P f
Performance
• ARIMA (Autoregressive Integrated Moving Average) pada
dasarnya menggunakan fungsi deret waktu metode ini
dasarnya menggunakan fungsi deret waktu, metode ini
memerlukan pendekatan model identifikasi serta penaksiran
awal dari paramaternya. Sebagai contoh: peramalan nilai
tukar mata uang asing, pergerakan nilai IHSG.
• Regresi menggunakan dummy variabel dalam formulasi
matematisnya Sebagai contoh: kemampuan dalam meramal
matematisnya. Sebagai contoh: kemampuan dalam meramal
sales suatu produk berdasarkan harganya.
• Bayesian merupakan metode yang menggunakan state space
berdasarkan model dinamis linear (dynamical linear model).
Sebagai contoh: menentukan diagnosa suatu penyakit berdasarkan
data‐data gejala (hipertensi atau sakit jantung), mengenali warna
berdasarkan fitur indeks warna RGB, mendeteksi warna kulit (skin
detection) berdasarkan fitur warna chrominant.
• Metode smoothing dipakai untuk mengurangi ketidakteraturan
data yang bersifat musiman dengan cara membuat keseimbangan
rata‐rata dari data masa lampau.
• Metode Pemulusan (Smoothing)
9 Rata‐rata bergerak tunggal (single moving average) – utk data
stasioner
9 Pemulusan exponensial tunggal (single exponential smoothing) –
utk data stasioner
9 Pemulusan exponensial ganda (double exponential smoothing) –
(double exponential smoothing)
utk data tidak stasioner
9 Pemulusan Metode Winter – utk data yang ada faktor musiman
¾ Mean Absolute Percentage Error (MAPE)
1 n X t − Xˆ t
MAPE = ∑ × 100%
n t =1 Xt
• AIC (Akaike information criterion)
• BIC (Bayesian information criterion)
TUGAS 1 MINGGU DEPAN
Perkiraan Waktu Daftar
No. Pokok Bahasan
(menit) Kepustakaan
1
1. P d h l
Pendahuluan 1 x (2 x 50’) 1 B
1: Babb 1
2. Metode Pemulusan Rataan Bergerak 1 x (2 x 50’)
Sederhana (RBS) dan Rataan
Bergerak Ganda (RBG)
3. Metode Pemulusan Eksponensial
p 1 x ((2 x 50’)) 1: Bab 4
Sederhana
4. Metode Pemulusan Eksponensial 1 x (2 x 50’) 1: Bab 4
G
Ganda
5. Metode Pemulusan Winter (Aditif) 1 x (2 x 50’) 1: Bab 4
12. Pengidentifikasian
g Model 1x 2 : Bab 6
(2 x 50’)
13. Pendugaan Parameter Model, 1x 2: Bab 7 dan Bab 8
Di
Diagnostik
tik dan
d Peramalan
P l (1) (2 x 50’)