06/02/2015
Metode Peramalan Deret Waktu Dr. Farit M. Afendi, M.Si , Pika Silvianti, M.Si
What is a forecast?
Why Forecast?
Forecasting
How to Forecast
Forecast Types
1
06/02/2015
to discern what is most likely to happen in the future,
enables us to do something about it. thi b t it
https://researchplaybook.wordpress.com/2010/08/25/why‐do‐we‐forecast/
Good Forecasting
2
06/02/2015
Forecasting Types • We gain insight into what could happen next. next. • This insight allows users of the forecast to take action and influence the vision of the future offered by the forecaster.
Qualitative forecasting t h i techniques are subjective, bj ti based on the opinion and judgment of consumers, experts; they are appropriate when past data are not available.
Predicting the impact of gasoline price if and when it hits rp. h it hit 10.000/ltr.
• Quantitative forecasting models are used to f forecast future data as a function of past data; tf t d t f ti f td t they are appropriate when past data are available.
(http://en.wikipedia.org/wiki/Forecasting#Qualitative_vs._quantitative_methods )
3
06/02/2015
1. Information about the past is available. 2. This information is available in the form of numerical data 3. Assumption of continuity: It can be assumed that some aspects of the past pattern will continue into the future continue into the future. 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)” (j h i i b l h d b)” Misalnya : data ekspor gula tahunan, data nilai tukar rupiah harian, dsb. pertanian
Data produksi beras tahunan
4
06/02/2015
Kapan data didekati dengan metode deret waktu?
Data keuangan
Data Stok Barang
Kalau diduga kuat bahwa keragaman dalam data ada faktor waktu yang dominan (faktor‐faktor y g ( lain yang mempengaruhi, juga dipengaruhi waktu) Data supply demand
Data daya tukar nilai uang
Data deret waktu secara teoritis ditulis sebagai:
dimana
• Secara garis besar, data DW dibedakan menjadi dua, yaitu stasioner dan tidak stasioner • Dikatakan stasioner apabila data DW memiliki nilai tengah (rataan) dan ragam (fluktuasi) yang konstan dari waktu ke waktu
5
06/02/2015
8 10
7
6 0
5
4 -10
3
-20
1 0 1
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
PROFIT
EKSPOR R
2
-30 1
Sequence number
Secara garis besar pola data time series adalah: • Pola Data Horizontal Æ Terjadi bila data berfluktuasi di sekitar rata‐rata yang konstan. Contoh: Data penjualan yang konstan • Pola Data Musiman Æ Terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari‐hari pada minggu tertentu) Contoh: Data produksi tanaman
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46
Sequence number
• Pola Data Siklis Æ Terjadi bila data dipengaruhi oleh fluktuasi Terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan mobil • Pola Data Trend Æ Terjadi bilamana kenaikan atau penurunan sekuler jangka panjang dalam data k l j k j d l d t Contoh: GNP • Pola Gabungan antara beberapa pola yang telah disebutkan diatas.
6
06/02/2015
Pola Data Time Series 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.
50
9
45 8
40 7
35 6
30 5
25 4
20
Time Series Plot of penjualan
3
15 2
18
10 1
5
16
0 1
2
3
4
5
6
7
8
0
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
Konstan
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
Trend
14
18
12
25
penjua alan
16
14 20
12
15
10
10 8 6
8 10
4
6
2
4 5
2
0
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
Seasonal
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
Cyclic
1
7
14
21
28
35 42 Index
49
56
63
70
Problem definition
Data Collection
Data Analysis
Forecasting Model Deployment
Model Validation
Model Selection and Fitting
Pemulusan
Peramalan
Pemodelan
Monitoring Forecasting Model Performance
7
06/02/2015
• ARIMA (Autoregressive Integrated Moving Average) pada dasarnya menggunakan fungsi deret waktu, metode ini
• Bayesian merupakan metode yang menggunakan state space berdasarkan model dinamis linear (dynamical linear model) berdasarkan model dinamis linear (dynamical linear model). Sebagai contoh: menentukan diagnosa suatu penyakit berdasarkan
memerlukan pendekatan model identifikasi serta penaksiran
data‐data gejala (hipertensi atau sakit jantung), mengenali warna
awal dari paramaternya. Sebagai contoh: peramalan nilai
berdasarkan fitur indeks warna RGB, mendeteksi warna kulit (skin
tukar mata uang asing, pergerakan nilai IHSG.
detection) berdasarkan fitur warna chrominant.
• Regresi menggunakan dummy variabel dalam formulasi Regresi menggunakan dummy variabel dalam formulasi matematisnya. Sebagai contoh: kemampuan dalam meramal sales suatu produk berdasarkan harganya.
• 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) Pemulusan exponensial ganda (double exponential smoothing) – utk data tidak stasioner 9 Pemulusan Metode Winter – utk data yang ada faktor musiman
• Metode smoothing Metode smoothing dipakai untuk mengurangi ketidakteraturan dipakai untuk mengurangi ketidakteraturan data yang bersifat musiman dengan cara membuat keseimbangan rata‐rata dari data masa lampau.
“qualitative forecasting techniques relied on human judgments and intuition more than manipulation of past historical data,” atau metode yang hanya didasarkan kepada penilaian dan intuisi, bukan kepada pengolahan data historis. historis
• Metode Pemodelan Box Jenkins (ARIMA)
8
06/02/2015
• Beberapa ukuran yang dapat dipakai untuk penilaian seberapa baik metode mengepas data: ¾ Mean Absolute Deviation (MAD) MAD =
• AIC (Akaike information criterion) • BIC (Bayesian information criterion)
1 n ∑ | X t − Xˆ t | n t =1
¾ Mean Squared Deviation (MSD) MSD =
1 n ∑ ( X t − Xˆ t )2 n t =1
¾ Mean Absolute Percentage Error (MAPE) MAPE =
No.
TUGAS 1 MINGGU DEPAN
1 n X t − Xˆ t ∑ X × 100% n t =1 t
Pokok Bahasan
Perkiraan Waktu (menit) 1 x (2 x 50’)
Daftar Kepustakaan 1: Bab 1
1.
Pendahuluan
2 2.
Metode Pemulusan Rataan Bergerak Sederhana (RBS) dan Rataan Bergerak Ganda (RBG)
1 x (2 x 50 50’))
3.
Metode Pemulusan Eksponensial Sederhana Metode Pemulusan Eksponensial Ganda Metode Pemulusan Winter (Aditif)
1 x (2 x 50’)
1: Bab 4
1 x (2 x 50’)
4. 5. 6. 7.
Metode Pemulusan Winter (Multiplikatif) Model Regresi untuk Data Deret Waktu (1)
8. 9. 10 10.
Model Regresi untuk Data Deret Waktu (2) Model Regresi untuk Data Deret Waktu (3) M d lR Model Regresii ddengan peubah b h lag l
11.
Pemodelan Data Deret Waktu Stasioner Berdasarkan Noise
1: Bab 4
12.
Pengidentifikasian Model
1 x (2 x 50’)
1: Bab 4
13.
1 x (2 x 50’)
1: Bab 4
1 x (2 x 50’)
4 : Bab 4
14.
1x (2 x 50’) 1x (2 x 50’) 1x (2 x 50’) 1x (2 x 50’)
4 : Bab 4 4 : Bab 4 3 : Bab B b 2 dan d Bab B b3 2 : Bab 4
2 : Bab 6
Pendugaan Parameter Model, Diagnostik dan Peramalan (1)
1x (2 x 50 50’)) 1x (2 x 50’)
Pendugaan Parameter Model, Diagnostik dan Peramalan (2)
1x (2 x 50’)
2: Bab 9
2: Bab 7 dan Bab 8
9
06/02/2015
1. Montgomery, D.C., et.al. 2008. Forecasting Ti Time Series Analysis 2nd. S i A l i 2 d John Wiley J h Wil 2. Cryer, J.D. and Chan, K.S. 2008. Time Series Analysis with Application in R. Springer 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. Forecasting: principles and practice
• Carilah data deret waktu dalam bidang keilmuan anda (minimal 10 (minimal 10 series), buat plot deret waktunya dan berikan komentar anda • Contoh:
10