Metode Peramalan 

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

Data supply demand

Data supply demand Data daya tukar nilai uang
Data daya tukar nilai uang
Kapan data didekati dengan metode deret waktu?

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.

Time Series Plot of penjualan

18

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

• Metode Pemodelan Box Jenkins (ARIMA)

“qualitative forecasting techniques relied on human
judgments and intuition more than manipulation of past
historical data,
data ” atau metode yang hanya didasarkan kepada
penilaian dan intuisi, bukan kepada pengolahan data historis.
• Beberapa ukuran yang dapat dipakai untuk penilaian
seberapa baik metode mengepas data:
¾ Mean Absolute Deviation (MAD)
1 n
MAD = ∑ | X t − Xˆ t |
n t =1
¾ Mean Squared Deviation (MSD)
1 n
MSD = ∑ ( X t − Xˆ t ) 2
n t =1

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

6. Metode Pemulusan Winter 1 x (2 x 50’) 1: Bab 4

(Multiplikatif)
7
7. Model Regresi untuk Data Deret 1 x (2 x 50
50’)) 4 : Bab 4
Waktu (1)
8
8. Model
M d l Regresi
R i untuk
t k Data
D t Deret
D t Waktu
W kt 1x 4 : Bab
B b4
(2) (2 x 50’)
9. Model Regresi untuk Data Deret Waktu 1x 4 : Bab 4
(3) (2 x 50’)
10. Model Regresi dengan peubah lag 1x 3 : Bab 2 dan Bab 3
(2 x 50’)
11. Pemodelan Data Deret Waktu 1x 2 : Bab 4
Stasioner Berdasarkan Noise (2 x 50
50’))

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’)

14. Pendugaan Parameter Model, 1x 2: Bab 9

Di
Diagnostik
tik dan
d Peramalan
P l (2) (2 x 50’)
1. Montgomery, D.C., et.al. 2008. Forecasting 
l i
Time Series Analysis 2nd. John Wiley 
2. Cryer, J.D. and Chan, K.S. 2008. Time Series 
y with Application in R. Springer
Analysis pp p g
3. Abraham, B and Ledolter, J. 2005. Statistical 
Methods for Forecasting John Wiley
Methods for Forecasting, John Wiley
4. Hyndman, R.J and Athanasopoulos, G. 2013. 
F
Forecasting: principles and practice
ti i i l d ti
https://www.otexts.org/fpp/6/1
• Catatan
Catatan Kuliah dapat di download di 
Kuliah dapat di download di
pikasilvianti.staff.ipb.ac.id 
• Carilah data deret
data deret waktu dalam
bidang keilmuan anda (minimal 10 
series), buat
) plot deret waktunya dan
berikan komentar anda
• Contoh: