Archive

Tag Archives: peramalan

Seorang Robert T. Kiyosaki pernah mengatakan bahwa masa depan tidak pernah dapat diduga atau diprediksi. Akan tetapi saya merupakan orang yang tidak sependapat dengan hal ini. Bagi saya pribadi pendapat Kiyosaki mungkin hanya berlaku bagi orang yang kurang konsen atau tidak mempedulikan masa lalu untuk mempelajari hal-hal di masa mendatang. Mengutip pernyataan dari seorang dosen favorit saya Dr. Suhartono, M.Sc yang pernah mengatakan pada saya bahwa: a person who doesn’t care about the past is a person who doesn’t have “the future”. Mungkin Quote beliau inilah yang mendorong saya untuk “menjerumuskan” diri dalam dunia “masa lalu dan masa depan” alias time series analysis yang sampai detik ini merupakan salah satu cabang ilmu dari statistika yang sangat saya sukai. Dalam melakukan analisis terhadap data deret waktu akan selalu terkait dengan metode peramalan atau forecasting method. Read More

… biasakan mencopy dengan menyertakan sumber/referensi …

Tahap ke-1. Deteksi Stasioneritas Data

Stasioneritas berarti fluktuasi data deret waktu berada di sekitar suatu nilai rata-rata yang konstan dan variansnya tetap konstan sepanjang waktu. Untuk mengetahui stasioneritas data deret waktu dapat dideteksi dengan mengamati plot data terhadap waktu (Gujarati, 2004).

Jika data deret waktu tidak stasioner pada variansnya, maka dapat dilakukan transformasi stabilisasi varians, seperti transformasi kuasa Box-Cox (Box-Cox power transformation). Akan tetapi jika data tidak stasioner pada nilai rata-ratanya, maka dapat dilakukan proses differencing (Wei, 2006). Read More

… biasakan mencopy dengan menyertakan sumber/referensi …

Autoregressive Integrated Moving Average (ARIMA) atau biasa disebut dengan metode Box-Jenkins sangat baik ketepatannya untuk peramalan jangka pendek, yang tidak membentuk suatu model struktural baik itu persamaan tunggal atau simultan yang bebasis kepada teori ekonomi atau logika, namun dengan menganalisis probabilistik atau stokastik dari data deret waktu (time series) dengan menggunakan nilai masa lalu dan sekarang untuk menghasilkan peramalan jangka pendek yang akurat. Hal ini terjelaskan dengan prinsip dari metode ini yaitu “let the data speak for themselves” (Gujarati, 2004).

Metode ARIMA dibagi kedalam tiga kelompok model deret waktu linier, yaitu: autoregressive model (AR), moving average model (MA) dan model campuran yang memiliki karakteristik kedua model di atas yaitu autoregressive moving average (ARMA) dan  autoregressive integrated moving average (ARIMA). Read More

… biasakan mencopy dengan menyertakan sumber/referensi …

Peramalan merupakan suatu proses pendugaan terhadap kejadian yang akan terjadi pada masa depan. Peramalan dapat juga diartikan sebagai proses yang dilakukan ketika ada kesenjangan waktu (lag) dari data aktual pada waktu tertentu dengan data yang ingin diketahui pada waktu yang akan datang. Peramalan diperlukan untuk mengetahui kapan atau bagaimana suatu peristiwa akan terjadi sehingga tindakan yang tepat dapat dilakukan (Makridakis et al., 1998).

Tepat tidaknya hasil ramalan akan menentukan ke arah mana kebijakan tertentu yang disusun dan akan diambil, karena terkait resiko dan ketidakpastian masa depan. Ketika hasil ramalan mendekati data aktualnya, maka dapat dikatakan bahwa ramalan yang dihasilkan akan memberikan manfaat nyata bagi perencanaan dan penyusunan kebijakan-kebijakan. Oleh karena itu perlu dilakukan upaya-upaya untuk memperoleh angka ramalan yang valid dan akurat. Salah satu cara dalam menghasilkan angka ramalan yang valid dan akurat dan teruji signifikan secara statistik adalah dengan melakukan pemilihan teknik atau metode peramalan yang tepat. Read More