LECTURE 12 Analisis Dekomposisi dan Model Runtut...
Transcript of LECTURE 12 Analisis Dekomposisi dan Model Runtut...
LECTURE 12Analisis Dekomposisi dan Model RuntutWaktu
DR. MUDRAJAD KUNCORO, M.Soc.ScFakultas Ekonomi & Pascasarjana UGM
Outline:Outline:
• Akar Unit
• Exponential Smoothing
• Moving Average
• Trend
• Proyeksi
Apa Arti Runtut Waktu?• Data runtut waktu (time
series) merupakan data yang dikumpulkan, dicatat, atau diobservasisepanjang waktu secaraberurutan
• Periode waktu dapattahun, kuartal, bulan, minggu, dan di beberapakasus hari atau jam.
• Runtut waktu dianalisisuntuk menemukan polavariasi masa lalu yang dapat dipergunakanuntuk: (1) memprakirakannilai masa depan danmembantu dalammanajemen operasibisnis; (2) membuatperencanaan bahanbaku, fasilitas produksi, dan jumlah staf gunamemenuhi permintaan dimasa mendatang.
Mengapa MempelajariAnalisis Runtut Waktu?
• Karena denganmengamati data runtut waktu akanterlihat empatkomponen yang mempengaruhisuatu pola data masa lalu dansekarang, yang cenderung berulangdi masa mendatang
• Empat komponen yang ditemukandalam analisis runtut waktu adalah:
1. Trend, yaitu komponen jangka panjangyang mendasari pertumbuhan (ataupenurunan) suatu data runtut waktu.
2. Siklikal (cyclical), yaitu suatu polafluktuasi atau siklus dari data runtutwaktu akibat perubahan kondisiekonomi.
3. Musiman (seasonal), yaitu fluktuasimusiman yang sering dijumpai padadata kuartalan, bulanan ataumingguan.
4. Tak beraturan (irregular), yaitu polaacak yang disebabkan oleh peristiwayang tidak dapat diprediksi atau tidakberaturan, seperti perang, pemogokan, pemilu, atau longsor maupun bencanaalam lainnya.
Jenis Teknik Peramalan
Model kualitatif
Teknik peramalan Model runtutwaktu
Model kausal
Metode Delphi
Opini jurieksekutif
KompositkekuatanpenjualanSurvei pasarkonsumen
Rata-rata bergerak
Exponential smoothing
Proyeksi trend
Analisis regresi
Metode ARIMA (Box-Jenkins)Sumber: Render & Stair, 2000: 156-7)
Model Runtut Waktu• Dengan kata lain,
model runtut waktumencoba melihat apayang terjadi padasuatu kurun waktutertentu danmenggunakan data runtut waktu masalalu untukmemprediksi.
• Model runtut waktuberusaha untukmemprediksi masadepan denganmenggunakan data historis
Model Kausal
• Model kausal biasanyamenggunakan analisisregresi untuk menentukanmana variabel yang signifikan mempengaruhivariabel dependen
• Model kausal juga dapatmenggunakan metodeARIMA atau Box-Jenkins untuk mencari model terbaikyang dapat digunakan dalamperamalan
• Model kausalmemasukkan danmenguji variabel-variabelyang didugamempengaruhi variabeldependen.
Model Kualitatif• model kualitatif
berupayamemasukkan faktor-faktor subyektif dalammodel peramalan
• Model semacam inidiharapkan akansangat bermanfaatapabila data kuantitatif yang akuratsulit diperoleh
Model Peramalan Runtut Waktu• Model runtut waktu yang dipilih
untuk peramalan tergantung dariapakah data yang digunakanmengandung unsur trend atautidak
• Apabila data tidak mengandungunsur trend, maka teknikperamalan yang dapat digunakanadalah dengan penghalusaneksponensial (expionentialsmoothing), dan rata-rata bergerak (moving average)
• Apabila data runtut waktumengandung unsur trend, makaperamalan yang dapat digunakanadalah teknik trend linear, trend kuadratik, trend eksponensial, artaumodel autoregresif.
• Bagaimana mengidentifikasi apakahsuatu data runtut waktu mengandungkomponen trend atau tidak? Salahsatu cara yang bisa dilakukan adalahdengan menggunakan Uji Akar Unit
Model Peramalan Runtut WaktuDengan atau Tanpa Trend
Runtut waktu
Moving average
Mengan-dung unsurtrend?
Trend linear Trend kuadratik Trend eksponensial
Model autoregresif
Ya
Tidak
Exponential smoothing
Uji Akar Unit• Uji Akar Unit (unit root test) atau ADF (Augmented
Dickey Fuller) dipakai untuk mengetahui data runtutwaktu mengandung unsur trend atau tidak
• Uji akar unit atau ADF juga penting untuk mengetahuiapakah data stasioner atau tidak
• Uji ini berisi regresi dari diferensi pertama data runtutwaktu terhadap lag variabel tersebut, lagged diferenceterms, konstanta dan variabel trend.
Uji Akar Unit1. File_ Open_Workfile: ”Bank.Wf1:2. Show_ : RPUS (data rpus) _ OK
Uji Akar UnitView__Unit Root Test__ (gunakan LevelLevel pada Unit Root Test) OK
Uji Akar Unit• Hasil Uji ADF menunjukkan bahwa data RPUS
tidak stasioner, yang ditunjukkan oleh statistikDickey Fuller yang lebih kecil (dalam hargamutlak) dari nilai kritis Mac Kinnon pada derajatkepercayaan berapapun
• Solusinya: menciptakan variabel baru dengancara first difference (misal: DRPUS) kemudianuji ADF kembali
• Tahapan dan Hasilnya sebagai berikut:
Uji Akar UnitView__Unit Root Test__ (gunakan 11stst DifferenceDifference pada Unit Root Test) OK
Uji Akar UnitKesimpulan Hasil Uji Akar:1. Data RPUS tidak memiliki akar unit dan data
stasioner pada derajad t atau I (1)2. Nilai t statistik Dickey-Fuller lebih besar dari
pada nilai kritis MacKinnon, pada derajat 1%, sehingga hipotesis yang menyatakan RPUS memiliki akar unit ditolak
3. Data RPUS tidak memiliki trend, karena t statistik untuk variabel trend ternyata tidaksignifikan
Exponential Smoothing (Penghalusan Eksponensial)
• Metode ini adalah suatuprosedur yang secaraterus menerusmemperbaiki peramalandengan merata-rata (menghaluskan=smoothing) nilai masa lalu darisuatu data runtut waktudengan cara menurun(eksponensial).
• Formula menghitungpenghalusaneksponensial adalah:
F1 = Ft-1 + α (At-1 – Ft-1)
di mana F1 = peramalanbaru; Ft-1 = peramalansebelumnya; α = konstanta penghalusan(0<α <1); At-1 = data aslipada periodesebelumnya.
Exponential Smoothing
Exponential Smoothing
Exponential Smoothing
Exponential Smoothing
Exponential SmoothingMODEL: MOD_2.�
Results of EXSMOOTH procedure for Variable RPUSMODEL= NN (No trend, no seasonality)
Initial values: Series Trend5019.70000 Not used
DFE = 59.
The SSE is: Alpha SSE.1000000 347177777.16
The following new variables are being created:
NAME LABEL
FIT_8 Fit for RPUS from EXSMOOTH, MOD_2 NN A .10ERR_8 Error for RPUS from EXSMOOTH, MOD_2 NN A .10
Analisis dari data di atas:• Pada output data editor
terlihat ada dua variabelbaru, yaitu:
1. FIT_8 Fit for RPUS from EXSMOOTH, MOD_2 NN A .10
2. ERR_8 Error for RPUS from EXSMOOTH, MOD_2 NN A .10
Lihat Initial value: 5019.7 untuk FIT-8 padaperiode 1995.01 (bandingkan nilai asliRPUS untuk periodeyang sama sebesar2207). Berarti nilai error sebesar 2207-5019.7=-2812.7
Exponential SmoothingMembuat grafik hasil smoothing
Exponential Smoothing
Exponential Smoothing
RPUS: Aktual vs Simple Smoothing
DATE. FORMAT: "MMM YYYY"
OCT 1999
JUL 1999
APR 1999
JAN 1999
OCT 1998
JUL 1998
APR 1998
JAN 1998
OCT 1997
JUL 1997
APR 1997
JAN 1997
OCT 1996
JUL 1996
APR 1996
JAN 1996
OCT 1995
JUL 1995
APR 1995
JAN 1995
Valu
e
16000
14000
12000
10000
8000
6000
4000
2000
0
Rp per US$
Fit for RPUS from EX
SMOOTH, MOD_1 NN A .
Double Exponential Smoothing
Double Exponential Smoothing
Double Exponential SmoothingMODEL: MOD_3.�
Results of EXSMOOTH procedure for Variable RPUSMODEL= LN (Linear trend, no seasonality)
Initial values: Series Trend• 2165.53390 82.93220
DFE = 58.
The SSE is: Alpha Gamma SSE• .1000000 .1000000 347043471.72
The following new variables are being created:
NAME LABEL
FIT_9 Fit for RPUS from EXSMOOTH, MOD_3 LN A .10 G .10
ERR_9 Error for RPUS from EXSMOOTH, MOD_3 LN A .10 G .10
Analisis dari data di atas:• Pada output data editor
terlihat ada dua variabelbaru, yaitu:
1. FIT_9 Fit for RPUS from EXSMOOTH, MOD_3 NN A .10
2. ERR_9 Error for RPUS from EXSMOOTH, MOD_3 NN A .10
Lihat Initial value: 2165.54untuk FIT-8 padaperiode 1995.01 (bandingkan nilai asliRPUS untuk periode yang sama sebesar 2207). Berarti nilai error sebesar2207-2165.54= 31.46