Dekomposisi
-
Upload
herry-sinaga -
Category
Documents
-
view
35 -
download
4
description
Transcript of Dekomposisi
Analisis Deret Waktu
Armen Muhijri 140610120046Ahsanul Rizky 140610120055Herry Sinaga 140610120091Irwan Sinaga 140610120106
StatistikaUniversitas Padjadjaran
Jatinangor
2014
Data empiris yang digunakan adalah data produktivitas padi sawah di provinsi Jawa Barat selama 3 tahun yang disajikan bulanan dari Januari 2005 sampai dengan Desember 2007.
Tahun Bulan tProduktivitas Padi
(ton/ha) 2005 1 1 52.88
2 2 52.99 3 3 53.87 4 4 54.81 5 5 53.11 6 6 53.23 7 7 53.3 8 8 52.8 9 9 52.17 10 10 52.55 11 11 52.57 12 12 52
2006 1 13 53.74 2 14 53.88 3 15 54.08 4 16 54.01 5 17 53.63 6 18 53.95 7 19 54.16 8 20 53.82 9 21 53.92 10 22 53.99 11 23 53.69 12 24 53.41
2007 1 25 54.92 2 26 54.96 3 27 55.23 4 28 56.42 5 29 55.57 6 30 55.08 7 31 54.79 8 32 55.2 9 33 56.57 10 34 56.56 11 35 56.32 12 36 56.93
Sumber data:Badan Pusat Statistik
Untuk melihat pola data diatas maka dilakukan plotting , sebagai berikut :
1 4 7 10 13 16 19 22 25 28 31 3449505152535455565758
Produktivitas Padi di Jawa Barat
Produktivitas Padi
Periode
Aktu
al
Jika dilihat dari plot diatas, data memiliki pola linear dengan klasifikasi data deret
waktunya adalah trend dan seasonal ,dari plot diatas juga diduga bahwa adanya beberapa
pencilan, namun tidak diketahui apakah data tersebut berpengaruh atau tidak terhadap model.
Sehingga dalam analisis yang akan dilakukan data tersebut diikutsertakan untuk proses
prediksi.
Metode Dekomposisi
Metode dekomposisi adalah suatu prosedur dalam menganalisa data deret waktu dengan cara mengidentifikasi fakto-raktor komponen yang ada dalam suatu periode data. Konsep dasar Metode dekomposisi. memisahkan secara empiris data deret waktu menjadi empat komponen. yaitu musiman. trend. siklus dan faktor acak.
Dekomposisi mempunyai asumsi bahwa data itu tersusun sebagai berikut :
Data = pola + kesalahan = f(trend.siklus.musiman) + kesalahan
1. Dekomposisi Rasio Rata-Rata Bergerak untuk Menghilangkan Faktor Musiman.
Metode rasio rata rata bergerak mula mula memisahkan unsur trend-siklus dari data dengan menghitung rata-rata bergerak dengan jumlah unsurnya sama dengan panjang musiman. Rata-rata bergerak dengan panjang seperti ini tidak mengandung pengaruh musiman dan tanpa atau sedikit sekali unsur acak.
Tabel 1. Dekomposisi Rasio Rata-Rata Bergerak
Hasil dari tabel diatas masih mengandung faktor trend dan siklus. karena faktor musiman dan keacakan telah dieliminasi dengan perata-rataan. Untuk melihat indeks musiman dari data diatas. maka digunakan rata-rata medial. Rata-rata medial adalah nilai rata-rata untuk setiap bulan setelah dikeluarkan nilai terbesar dan terkecil.Berikut adalah plot untuk data yang telah dihilangkan faktor musiman :
51.552
52.553
53.554
54.555
55.556 Rata-Rata Bergerak
Jika dilihat dari plot diatas dapat dilihat bahwa rata-rata bergerak telah menghilangkan faktor musiman pada data produktifitas padi.
Tabel 2. Indeks Musiman untuk Metode Dekomposisi Rasio pada Rata Rata Bergerak
Tahun Jan Feb Mar Apr Mei Jun Jul Ags Sept Okt Nov Des Total
2005 * * * * * *100.5
2 99.4498.1
298.8
0 98.96 97.81
2006100.9
7101.1
0101.3
1100.9
0 99.97100.3
9100.5
6100.7
599.7
799.7
2 98.80 97.99
2007100.5
9100.5
7100.8
5102.6
1100.6
7 99.39 98.34 * * * * * Rata-rata
medial100.7
8100.8
3101.0
8101.7
6100.3
2 99.89 99.81100.1
098.9
499.2
6 98.88 97.901199.5
6Indeks
Musiman100.8
2100.8
7101.1
2101.7
9100.3
6 99.93 99.85100.1
398.9
899.3
0 98.92 97.941200.0
0
Angka diatas indeks musiman merupakan angka yang menunjukan nilai relatif dari nilai ramalan yang merupakan data bekala selama seluruh bulan dalam satu tahun.
2. Dekomposisi Rasio Rata-Rata Bergerak untuk Memisahkan Faktor Trend dari Siklus
Untuk mengetahui nilai trend. maka terlebih dahulu meregresikan data aktual dengan waktu. Dari regresi data aktual dengan waktu diperoleh nilai intercept yaitu 52.352047 dan slope yaitu 0.099754
Tabel 3. Faktor Siklus untuk Metode Dekomposisi Rasio pada Rata Rata Bergerak
No Tahun Bulan Data N=12 Rasio Trend Siklus1 2005 Januari 52.88 * * * *2 2005 Februari 52.99 * * * *3 2005 Maret 53.87 * * * *4 2005 April 54.81 * * * *5 2005 Mei 53.11 * * * *6 2005 Juni 53.23 * * * *7 2005 Juli 53.3 53.02333 100.5218 53.05033 99.949128 2005 Agustus 52.8 53.095 99.44439 53.15008 99.896379 2005 September 52.17 53.16917 98.12078 53.24984 99.8485110 2005 Oktober 52.55 53.18667 98.80296 53.34959 99.6946111 2005 November 52.57 53.12 98.96461 53.44934 99.3838212 2005 Desember 52 53.16333 97.81178 53.5491 99.2796113 2006 Januari 53.74 53.22333 100.9708 53.64885 99.2068414 2006 Februari 53.88 53.295 101.0977 53.74861 99.1560615 2006 Maret 54.08 53.38 101.3114 53.84836 99.1302216 2006 April 54.01 53.52583 100.9045 53.94811 99.2172517 2006 Mei 53.63 53.64583 99.97049 54.04787 99.2561518 2006 Juni 53.95 53.73917 100.3923 54.14762 99.2456619 2006 Juli 54.16 53.85667 100.5632 54.24738 99.2797620 2006 Agustus 53.82 53.955 99.74979 54.34713 99.2784721 2006 September 53.92 54.045 99.76871 54.44689 99.2618822 2006 Oktober 53.99 54.14083 99.72141 54.54664 99.2560423 2006 November 53.69 54.34167 98.8008 54.64639 99.4423724 2006 Desember 53.41 54.50333 97.99401 54.74615 99.5564725 2007 Januari 54.92 54.5975 100.5907 54.8459 99.5470926 2007 Februari 54.96 54.65 100.5672 54.94566 99.4619127 2007 Maret 55.23 54.765 100.8491 55.04541 99.4905828 2007 April 56.42 54.98583 102.6082 55.14516 99.7110729 2007 Mei 55.57 55.2 100.6703 55.24492 99.9186930 2007 Juni 55.08 55.41917 99.388 55.34467 100.134631 2007 Juli 54.79 55.7125 98.34418 55.44443 100.483532 2007 Agustus 55.2 * * * *33 2007 September 56.57 * * * *34 2007 Oktober 56.56 * * * *35 2007 November 56.32 * * * *36 2007 Desember 56.93 * * * *
Untuk menyiapkan ramalan. nilai kecenderungan untuk periode yang akan diramalkan dikalikan dengan indeks musiman dan faktor siklus yang sesuai.
F t= [α+β (t) ] [ Indeks musiman × Faktor siklis ]
Angka diatas indeks musiman merupakan angka yang menunjukan nilai relatif dari nilai ramalan yang merupakan data bekala selama seluruh bulan dalam satu tahun.
Tabel 5. Nilai Ramalan
Hasil dari ramalan data permintaan perbaikan besar diatas merupakan ramalan yang telah memisahkan 3 komponen yaitu komponen trend. siklus. dan musiman.
Berikut hasil peramalan nilai produktifitas padi sawah pada tahun 2008 dari bulan Januari sampai Desember.
Tabel 6. Peramalan tahun 2008
tahun t indeks musiman nilai siklus (2006/2007) Prediksi
2008 37 100,82 99,27846923 56,09482163
2008 38 100,87 99,26187613 56,21314009
2008 39 101,12 99,25603794 56,4492674
2008 40 101,79 99,44236548 57,03093305
2008 41 100,36 99,55647168 56,39392287
2008 42 99,93 99,54709071 56,24624063
2008 43 99,85 99,4619113 56,25219104
2008 44 100,13 99,49058323 56,52557015
2008 45 98,98 99,71106913 56,09865179
2008 46 99,3 99,91869131 56,49618116
2008 47 98,92 100,1345993 56,50040382
2008 48 97,94 100,483498 56,23374005
Nilai peramalan untuk data produktivitas padi dengan menggunakan metode Dekomposisi dapat digambarkan dalam grafik berikut.
1 3 5 7 9 11 13 15 17 19 21 23 2549
50
51
52
53
54
55
56
57
Produktivitas PadiPeramalan
3. Nilai MSE & MAPE
Berdasarkan analisis di atas dapat disimpulkan bahwa dengan metode Dekomposisi pada data
mempunyai nilai MSE sebesar 0.096964 dan nilai MAPE sebesar 0.466512 %.
Berikut adalah grafik plot data analisis kesalahan dari metode Dekomposisi.
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
-1
-0.8
-0.6-0.4
-0.2
0
0.20.4
0.6
Time Series Plot of Error
Dari plot residual di atas dapat dilihat bahwa nilai galat (error) sangat fluktiaktif namun masih
berkisar di sekitar angka nol.
KESIMPULAN
Metode Analisis Kesalahan MSE MAPE
Naïve 1 0.47629 0.91696Moving average 0.752551 1.209588SES 0.1 0.005105 0.096454ARSES 0.476289 0.911164Linier 1 parameter Brown 0.546083 1.122594Kuadratik 1 Parameter Brown 0.599564 1.169592Holt 1.946791 1.996518Winter 1.04299 1.531224Dekomposisi 0.096964 0.466512
Jika dilihat dari nilai MSE dan MAPE pada tabel di atas,nilai MSE dan MAPE pada metode
dekomposisi merupakan salah satu yang terkecil,tetapi jika dilihat secara keseluruhan dengan
nilai MSE dan MAPE terkecil disbanding metode lainnya,metode Simple Exponential
Smoothing(SES ) merupakan metode yang paling baik umtuk meramalkan produktivitas padi.
Referensi
Makridakis,Spyros.1991.Forecasting. 2 nd edition.John Willey & Sons,INC.