Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
54Activity
0 of .
Results for:
No results containing your search query
P. 1
Perbandingan Metode Forecasting

Perbandingan Metode Forecasting

Ratings:

1.0

(1)
|Views: 6,298 |Likes:
Published by Azwar Rhosyied

More info:

Categories:Types, Research, Science
Published by: Azwar Rhosyied on Dec 07, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/10/2013

pdf

text

original

 
Copyright @Azwar Rhosyied 1
METODE DEKOMPOSISI, MODEL WINTER’S, REGRESI DERETWAKTU, DAN MODEL ARIMA UNTUK PERAMALAN DATA YANGMENGANDUNG POLA MUSIMAN DAN ATAU TREN
Azwar Rhosyied– 1305 100 054go_fauzan@yahoo.com
 
 Abstract 
In everyday life common time series data with seasonal patterns or trends. Thewriting of this paper aims to apply the models of time series data related to theseasonal pattern and containing or trends, and then compare which among thebest methods. Three real data is used as a case study, the data is the averagetemperature in Iowa, data on the number of aircraft passengers of international channels in the USA and sales data for a fashion product in a retail company. Iowacase more appropriate data meggunakan Time Series Regression method Dummy, Airline data cases more appropriate when using the method of Arima, while thethird data cases no suitable method to be applied. The best method selection isbased on the value of accuracy measures, such as RMSE MAPE, MAD and MSD.
Keywods :
Seasonal model, Dekompostioni, Winter’s, Time Series Regression, ARIMA, RMSE 
1. Pendahuluan
Analisis deret waktu merupakan analisis yang berhubungan erat denganperamalan. Kondisi data yang ada sesuai dengan urutan waktu atau memilikiperiode tertentu. Secara umum, semua aktifitas yang dilakukan manusia seringmengalami ketidakpastian dalam hal pengambilan keputusan sehingga diperlukansuatu peramalan untuk memprediksi kejadian di masa yang akan datang.Dalam kehidupan sehari-hari sering ditemui data deret waktu dengan polamusiman dan atau tren. Contoh data musiman adalah rata-rata suhu per bulan disuatu kota, data produksi padi bulanan di suatu kabupaten atau propinsi, serta data jumlah wisatawan asing yang berkunjung ke suatu Negara. Penulisan makalah inibertujuan untuk menerapkan model-model deret waktu yang berkaitan dengan datayang mengandung pola musiman dan atau tren. Tiga data aktual digunakan sebagaistudi kasus, yaitu data suhu rata-rata di lowa (Cryer, 1986), data jumlah penumpangpesawat udara jalur internasional di USA atau dikenal data Airline (Box dkk., 1994)dan data penjualan baju perempuan di suatu perusahaan ritel. Pemodelan dilakukandengan menerapkan metode Dekomposisi, metode Winter’s, Regresi
time series
dan model ARIMA. Pemilihan metode terbaik didasarkan pada nilai ukuranketepatan yaitu RMSE, MAPE, MAD dan MSD.
2. Tinjauan Pustaka2.1. Metode Dekomposisi
Metode dekomposisi digunakan untuk data yang memiliki pola
trend 
, acak,dan musiman. Metode ini menguraikan komponen musiman dari komponen lainnya
 
Copyright @Azwar Rhosyied 2
dari suatu deret data. Model dekomposisi dapat ditulis sebagai berikut (Bowermandan O’Connel,1993) :
×××=
(1)Dengan :
= nilai pengamatan ke-
 
= komponen trend ke-
 
= komponen musiman ke-
 
= komponen siklik ke-
 
 I 
= komponen irregular ke-
 
1.2. Metode Winter 
Metode winter dapat mengatasi masalah data dengan menggunakan polakomponen data
trend 
dan
seasonal 
yang tidak dapat diatasi oleh metode
moving average
dan
metode exponential smoothing 
. Apabila identifikasi pada historis daridata aktual permintaan menunjukkan adanya fluktuasi musiman, perlu dilakukanpenyesuain terhadap pengaruh musiman itu melalui menghitung indeks musiman(
seasonal index 
). Sebagai contoh untuk menjelaskan pengaruh musimanmenggunakan angka indeks musiman.
1.3. Regresi Deret Waktu
Seringkali ekonomi time series berdasarkan data bulanan atau kuarter yangmengikuti pola musiman (pergerakan naik-turun secara teratur). Oleh karena ituperlu menghilangkan faktor musiman dari data time series tersebut, sehingga bisafokus pada kondisi seperti trend saja. Proses penghilangan faktor musiman inidisebut
deseasonalization
atau
seasonal adjustment 
, salah satunya metode
deseasonalization
adalah dengan metode variabel dummy.Berikut adalah contoh model dengan menggunakan teknik dummy denganpola musiman 3 bulanan (
quarterly 
) :
u D D D D
++++=
44332211
α α α α 
 dimana
adalah penjualan refrigator dalam ribuan dan D adalah variabel dummy-nya. (Gujarati, 2004)
1.4. Model ARIMA (p,d,q) dan Musiman (p,d,q)(P,D,Q)
S
 
Suatu data
time series
 
{ }
 Z 
disebut mengikuti model
autoregressiveintegrated 
 
moving average
 jika
difference
ke-d W
t
= (1 – B)
d
Z
t
merupakan prosesstasioner ARMA. Jika W
t
adalah ARMA (p,q) maka Z
t
adalah ARIMA (p,d,q). Secaraumum model ARIMA adalah :
q p
a B Z  B B
)()1)((
θ φ 
=
 
(2)dimana :
 
)(
 B
 p
φ 
=
 p p
 B B B
φ φ φ 
...1
221
 
(3)
 
 
Copyright @Azwar Rhosyied 3
 
adalah koefisien komponen MA non musiman dengan order q
a
: residual
white noise
,
),0(~
2
a
IIDN a
σ 
 
 B
: operator mundur 
 B
)1(
: pembedaan tak musiman dengan order pembedaan tak musiman
Order pembedaan yang bernilai bulat tak negatif dapat memberikan indikasi terhadapkestasioneran suatu model ARIMA (Box
et al 
., 1994).
2.8
Pemilihan Model Terbaik
Untuk memilih model terbaik pada analisis deret waktu, kriteria pemilihanmodel biasanya didasarkan nilai RMSE
(Root Mean Square Error)
, MAPE
(Mean Absolute Percentage Error),
MAD
(Mean Absolute Deviation)
dan MSD
(MeanSquared Deviation)
yant terkecil. Demikian juga bisa dilihat secara visualperbandingan plot peramalan dengan data
testing 
, semakin dekat data peramalandengan data
testing 
, maka semakin bagus model tersebut.
3. Metodologi Penelitian
Dalam penelitian ini digunakan tiga data yaitu data suhu rata-rata di lowa(Cryer, 1986) atau dikenal dengan data Iowa, data jumlah penumpang pesawatudara jalur internasional di USA atau data Airline (Box
et al 
., 1944) dan datapenjualan ritel baju perempuan. Dari ketiga data tersebut akan dilakukan pemodelan
time series
. Metode yang digunakan adalah Dekomposisi, Winter’s, Regresi
TimeSeries
dan ARIMA.Proses analisis untuk ketiga data tersebut yaitu data dibagi menjadi dua,data
training 
dan data
testing 
. Data
testing 
diambil 2 tahun terakhir. Hasil peramalanmasing-masing metode dibandingkan dengan data
testing 
secara visual, danakurasi peramalan dari masing-masing metode juga dibandingkan denganmenggunakan RMSE, MAPE, MAD dan MSD.Pada metode ARIMA tahapan-tahapan yang digunakan adalah tahapan Box-Jenkins, langkah-langkahnya sebagai berikut.1. Identifikasi model sementara, pada tahap ini dilakukan identifikasi stasioneritasdata, baik dalam mean atau varians. Pemeriksaan statsioneritas dilakukandengan memeriksa
time series
plot pada keselruhan data.2. Estimasi Parameter ModelSecara umum ada tiga metode estimasi dalam model ARIMA, yaitu metode
moment, Least Square atau Maximum Laikelihood.
 3. Cek DiagnosaCek diagnosa kesesuaian model yang digunakan yaitu dengan uji asumsiapakah residual sudah
random
(
white noise
) serta berdistribusi normal.
4. Analisis dan Pembahasan4.1 Kasus Data Iowa
Berikut adalah plot data
training 
dan
testing 
 
time series
untuk data Iowa(data suhu rata-rata).

Activity (54)

You've already reviewed this. Edit your review.
1 thousand reads
1 hundred reads
Jaenudin Fawwaz liked this
k4mil liked this
Rommy Butenk liked this
Kasmi Adriani liked this

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->