Statistika
Stat 5188
Introduction to Time Series Analysis Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti (intuitif). Dalam peramalan ada saling ketergantungan antar divisi atau bagian. Contoh , kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dst. Ada dua hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat: 1. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan peramalan yang akurat. 2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal mungkin. Pada dasarnya terdapat dua pendekatan untuk melakukan peramalan yaitu dengan pendekatan kualitatif dan pendekatan kuantitatif. Metode peramalan kualitatif digunakan ketika data historis tidak tersedia. Metode peramalan kualitatif ini adalah metode subyektif (intuitif ). Metode ini mendasarkan pada informasi kualitatif. Dengan dasar informasi tersebut kita dapat memprediksi kejadian-kejadian dimasa yang akan datang. Tentu saja keakuratan dari metode ini sangat subjektif. Metode peramalan kuantitatif dapat dibagi menjadi dua tipe, causal dan time series. Metode peramalan causal meliputi faktor-faktor yang berhubungan dengan variabel yang diprediksi seperti analisis regresi. Peramalan time series merupakan metode kuantitatif untuk menganalisis data masa lampau yang telah dikumpulkan secara teratur dengan menggunakan teknik yang tepat. Hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan datang (Makridakis. S., 1999). Model deret berkala dapat digunakan dengan mudah untuk meramal, sedang model kausal lebih berhasil untuk pengambilan keputusan dan kebijakan. Peramalan harus mendasarkan analisisnya pada pola data yang ada. Ada empat pola data yang lazim ditemui dalam peramalan : 1. Pola horisontal Terjadi bila mana data berfluktuasi di sekitar rata-ratanya. Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Secara umum struktur datanya dapat digambarkan sebagai berikut :
UGM
1
Stat 5188
Data
Statistika
Waktu
2. Pola musiman
Dara
Terjadi bila mana nilai data dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu tertentu). Secara umum struktur datanya dapat digambarkan sebagai berikut :
Waktu
3. Pola siklis
Data
Terjadi bila mana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Secara umum struktur datanya dapat digambarkan sebagai berikut :
Waktu
UGM
2
Statistika
Stat 5188
4. Pola trend Terjadi bila mana ada kenaikan atau penurunan sekuler jangka panjang dalam data. Time series data often arise when monitoring industrial processes. This course will give a brief overview of some of the more widely used techniques in the rich and rapidly growing field of time series modeling and analysis. What are Moving Average or Smoothing Techniques? Ada beberapa metode yang dapat digunakan dalam forecasting. Salah satunya adalah metode "smoothing" atau pemulusan. Teknik ini, jika digunakan dengan tepat, dapat mengungkap lebih jelas komponen-komponen trend, seasonal dan siklus. Ada dua grup dalam metode pemulusan, yakni
Averaging Methods
Exponential Smoothing Methods
We will first investigate some averaging methods, such as the "simple" average of all past data. Example. Seorang manager toko computer mempunyai data penjualan notebook perbulan. Dia mempunyai data 12 bulan penjualan sebagai berikut : Bulan 1 2 3 4 5 6
Amount 9 8 9 12 9 12
Bulan 7 8 9 10 11 12
Amount 11 7 13 9 11 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? 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.
UGM
3
Statistika
Stat 5188
The results are:
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
9
9
13
3
9
10
9
-1
1
11
11
1
1
12
10
0
0
The SSE = 36 and the MSE = 36/12 = 3. 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 SSE MSE
7 144 12
9 48 4
10 36 3
12 84 7
The estimator with the smallest MSE is the best. Dari bukti empiris di atas, nilai estimator 10 yang notabene-nya adalah rata-rata, memberikan eror yang paling kecil di antara estimator-estimator angka lainnya. It can be shown mathematically the estimator that minimizes the MSE for a set of random data is the mean.
Minimum MSE
d T (Yt a) 2 0 1 da
UGM
4
Statistika
Stat 5188
Dapat juga dibuktikan secara analisis, bahwa rata-rata akan memberikan estimasi yang terbaik. 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. 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 0.922 1988 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 0.596 1992 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 The MSE = 1.9508. 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.
UGM
5
Statistika
Stat 5188
Kasus di atas dapat diselesaikan antara lain dengan menggunakan regresi trend atau metode perataan yang lain. Khusus untuk regresi trend, kita ciptakan variabel independent berupa waktu terurut dari 1 sd banyaknya data.
In summary, we state that 1. The "simple" average or mean of all past observations is only a useful estimate for forecasting when there are no trends (data relative stationer). If there are trends, use different estimates that take the trend into account. 2. The average "weights/memberi bobot" all past observations equally. For example, the average of the values 3, 4, 5 is 4. We know, of course, that an average is computed by adding all the values and dividing the sum by the number of values. Another way of computing the average is by adding each value divided by the number of values, or 3/3 + 4/3 + 5/3 = 1 + 1.3333 + 1.6667 = 4. The multiplier 1/3 is called the weight. In general:
The (1/n) are the weights and of course they sum to 1.
Single Moving Average An alternative way to summarize the past data is to compute the mean of successive (berurutan) smaller sets of numbers of past data as follows: Recall the set of numbers 9, 8, 9, 12, 9, 12, 11, 7, 13, 9, 11, 10 which were the selling of 12 months selected at random. Let us set M, the size of the "smaller set" equal to 3. Then the average of the first 3 numbers is: (9 + 8 + 9) / 3 = 8.667. This is called "smoothing" (i.e., some form of averaging). This smoothing process is continued by advancing one period and calculating the next average of three numbers, dropping the first number. The next table summarizes the process, which is referred to as Moving Averaging. The general expression for the moving average is
Results of Moving Average Supplier $ 9 1
MA Error Error squared
UGM
6
Statistika
Stat 5188
2 3 4 5 6 7 8 9 10 11 12
8 9 12 9 12 11 7 13 9 11 10
8.667 9.667 10.000 11.000 10.667 10.000 10.333 9.667 11.000 10.000
0.333 2.333 -1.000 1.000 0.333 -3.000 2.667 -0.667 0 0
0.111 5.444 1.000 1.000 0.111 9.000 7.111 0.444 0 0
The MSE = 2.018 as compared to 3 in the previous case. Dapat disimpulkan secara empiris, nilai MSE atau error dari metode rata-rata bergerak lebih kecil dibandingkan dengan rata-rata total. Jadi rata-rata bergerak lebih baik daripada rata-rata total pada data yang mengandung unsur trend.
Double Moving Averages for a Linear Trend Process Unfortunately, neither the mean of all data nor the moving average of the most recent M values, when used as forecasts for the next period, are able to cope with a significant trend. There exists a variation on the MA procedure that often does a better job of handling trend. It is called Double Moving Averages for a Linear Trend Process. It calculates a second moving average from the original moving average, using the same value for M. As soon as both single and double moving averages are available, a computer routine uses these averages to compute a slope and intercept, and then forecasts one or more periods ahead
UGM
7
