Forecast 1

  • Published on
    04-Apr-2015

  • View
    207

  • Download
    6

Embed Size (px)

Transcript

ANALISIS TIME SERIES SM 2234 / 3 SKSPengajar : 1. Dr. Suhartono, S.Si., M.Sc.S1 Statistika, ITS, 1995 S2 Statistika, UMIST, UK, 1998 S3 Statistika, UGM, 2007email : suhartono@statistika.its.ac.id phone : 5933867; 0818376367 (HP)

2. R. Mohamad Atok, S.Si., M.Si.S1 Statistika, ITS, 1995 S2 Statistika, IPB, 2004

MATERI PERKULIAHAN 1. 2. 3. 4. 5. Pendahuluan Konsep Dasar dalam Analisis Time Series Model untuk Time Series yang Stasioner Model untuk Time Series yang Nonstasioner Identifikasi, estimasi parameter, dan diagnostic check model ARIMA 6. Peramalan dengan model ARIMA 7. Model untuk Time Series yang Musiman 8. Model ARIMAX : Analisis Intervensi, Model Variasi Intervensi, Kalender, Kalender, Fungsi Transfer dan Neural Networks

BUKU ACUAN / Referensi 1. Hanke, J.E. and Reitsch, A.G. (1995 & 2001) Business Forecasting, 5th and 7th edition, Prentice Hall. Forecasting, 2. Bowerman, B.L. and OConnell, R.T. (1993) Forecasting and Time Series: An Applied Approach, Approach, 3rd edition, Duxbury Press: USA. 3. Makridakis, S., Wheelwright, S. C. and Hyndman, R. J. (1998) Forecasting: Method and Applications, New York: Wiley & Sons. Applications, 4. Cryer, J.D. (1986) Time Series Analysis, Boston: PWS-KENT Publishing Company. Analysis, PWS5. Wei, W.W.S. (1990) Time Series Analysis: Univariate and Multivariate Methods AddisonAddison-Wesley Publishing Co., USA. 6. Brockwell, P.J. and Davis, R.A. (1991) Time Series: Theory and Methods, 2nd edition, Springer Verlag. Methods,

Peramalan & Perencanaan 1The Future Can Not Be PredictedRobert T. Kiyosaki books

The Future Can Not Be PRECISELY Predicted PRECISELYNew ParadigmA PERSON WHO DOESNT CARE ABOUT THE PAST THE PAST IS A PERSON WHO DOESNT HAVE THE FUTURE THE FUTURE

Peramalan & Perencanaan 2Ramalan merupakan input bagi proses perencanaan dan pengambilan keputusan. keputusan.Peramalan menunjukkan perkiraan yang akan terjadi pada suatu keadaan tertentu. tertentu. Sebaliknya, perencanaan menggunakan ramalan tersebut untuk membantu para pengambil keputusan dalam memilih alternatif terbaik. terbaik. Dengan demikian, suatu ramalan mencoba untuk mempermemperkirakan apa yang akan terjadi, sedangkan perencanaan terjadi, adalah upaya para pengambil keputusan untuk dapat mempengaruh hasil yang akan terjadi melalui berbagai strategis, strategis, misalnya rencana promosi, distribusi dll.

Apa itu ILMU (science) ... !!! (science)... ILMU (science) tidak lagi hanya meneliti : (science)1. BAGAIMANA dan APA SEBABNYA sesuatu itu on) terjadi, (to understand what s going on) 2. MERAMALKAN apa yang akan terjadi, (to forecast what will happen) happen) 3. tetapi juga MEMPENGARUHI atau MERUBAH apa yang akan terjadi (to CHANGE what will (to happen). happen).

KRISIS MONETER 1997 ...... Yang sangat menakjubkan adalah bahwa krisis luar biasa ini tidak ada seorangpun yang menduga akan terjadi termasuk pakar-pakar PERAMAL MASA DEPAN pakar(futurolog). Para ekonom baik yang bekerja di futurolog). pemerintahan maupun di luar pemerintah termasuk di dunia bisnis, bahkan pakar-pakar ekonomi kaliber dunia pakardari luar negeri tidak ada satupun yang mengira krisis moneter (keuangan) ini akan melanda Indonesia. ...(Mubyarto, Pemberdayaan Ekonomi Rakyat & Peranan Ilmu-Ilmu Sosial, IlmuSosial, Yogyakarta, 2002, hal. 43) 43)

KRISIS MONETER 1997 ...

[continued] continued]

... Ternyata sampai detik-detik terakhir menjelang detikkrismon, pakar-pakar ekonomi andal sekalipun yakin pakartidak akan terjadi krismon di Indonesia. Sebaliknya, jauh sebelum terjadinya, ada sejumlah pakar politik, terutama pakar-pakar ilmu politik, sosiologi dan pakarantropologi, antropologi, yang telah memperingatkan kemungkinan meledaknya bom waktu jika ketimpangan-ketimpangan ketimpanganekonomi dan sosial yang muncul tidak memperoleh perhatian sewajarnya. ... sewajarnya.IlmuSosial, (Mubyarto, Pemberdayaan Ekonomi Rakyat & Peranan Ilmu-Ilmu Sosial, Yogyakarta, 2002, hal. 50) 50)

D, I, K, TransitionAdd Value Transformed

DATA

INFORMATION by by

KNOWLEDGE

Analysis Correlating Summarizing

Contextualisation Experience Interpretation Discussion

Klasifikasi Metode PeramalanForecasting MethodObjective Forecasting MethodsTime Series Methods Nave Methods Moving Averages Exponential Smoothing Simple Regression ARIMA Neural Networks References : Causal Methods Simple Regression Multiple Regression Neural Networks PERT

Subjective (Judgmental) Forecasting MethodsAnalogies

Delphi

Survey techniques

Combination of Time Series Intervention Model Transfer Function (ARIMAX) VARIMA (VARIMAX) Neural Networks

Causal Methods

Makridakis et al. Hanke and Reitsch Wei, W.W.S. Box, Jenkins and Reinsel

Klasifikasi Metode Peramalan :

Ilustrasi Model Matematis Forecasting MethodObjective Forecasting Methods Time Series MethodsYt= f (Yt-1, Yt-2, , Yt-k)

Subjective (Judgmental) Forecasting Methods

Causal MethodsYt= f (X1t, X2t, , Xkt) Examples : sales(t) = f (price(t), advert(t),

Examples : sales(t) = f (sales(t-1), sales(t-2),

)

)

Combination of Time Series

Causal Methods

Yt= f (Yt-j , j>0 ; Xt-i , iu0)

Examples : sales(t) = f (sales(t-1), advert(t), advert(t-1),

)

Klasifikasi Model Time Series : Berdasarkan Bentuk atau Fungsi TIME SERIES MODELSLINEAR Time Series Models ARIMA Box-Jenkins NONLINEAR Time Series Models Models from time series theory nonlinear autoregressive, etc ... Flexible statistical parametric models neural network model, etc ... State-dependent, time-varying parameter and long-memory models Nonparametric models

Intervention Model

Transfer Function (ARIMAX)

VARIMA (VARIMAX)

Models from economic theory

References : Timo Terasvirta, Dag Tjostheim and Clive W.J. Granger, (1994) Aspects of Modelling Nonlinear Time SeriesHandbook of Econometrics, Volume IV, Chapter 48. Edited by R.F. Engle and D.I. McFadden

POLA DATA Time Series General Time Series PATTERN Stationer Trend (linear or nonlinear) Seasonal (additive or multiplicative) Cyclic Calendar Variation

General of Time Series Patterns Time Series PatternsStationer Trend Effect Seasonal Effect Cyclic Effect

Nonseasonal Stationary models

Nonseasonal Nonstationary models

Seasonal and Multiplicative models

Intervention models

POLA DATA Time Series continuedExamples of Calendar Variation in Gregorian Variation (Masehi) calendar measurement: Eids holiday (one of Islamic Calendar effects)It happens on different month after three years or shift to previous month after at the same month on three years

Hindus holidays in Bali Imlek holiday

Contoh DATA EKONOMI 1Time S er ies Plot of Inflasi31

Eids holiday effects12 12 12 1 11 12 11 11

2

Inflasi

1

0

-1 Month Year Jan 1999 Jan 2000 Jan 2001 Jan 2002 Jan 2003 Jan 2004 Jan 2005

Contoh DATA EKONOMI 2

Krisis di Indonesia Pertengahan 1997

Reference : Badan Pusat Statistik (BPS) Indonesia

Contoh DATA EKONOMI 3Krisis di Indonesia Terjadi Mulai Pertengahan 1997

Reference : Dinas Perhubungan Jawa Timur

Contoh DATA EKONOMI 4Ti200000

ri

l t f

ang K

tif an

awatV ar iab le K A k sek tif e saw at

150000

Data

100000

50000Krisis di Indonesia Terjadi Mulai Pertengahan 1997

0

R f r nc : Dinas Perhubungan Jawa Timur

t Year

Jan

Jan

Jan

Jan 6

Jan

Jan

Jan

Jan

Contoh DATA TOURISM 5

Krisis di Indonesia Pertengahan 1997

Reference : Badan Pusat Statistik (BPS) Bali

Contoh DATA TOURISM 6Time S eries Plot of Tingkat Hunian Hote l 4 * dan Hotel 5 *100V ariab le

90 80 70 Data 60 50 40 30 20 Month Year Jan 1994 Jan 1995 Jan 1996 Jan 1997 Jan 1998Krisis di Indonesia Terjadi Mulai Pertengahan 1997

H o tel 4* H o tel 5*

Bom BALI

Jan 1999

Jan 2000

Jan 2001

Jan 2002

Jan 2003

Reference : Badan Pusat Statistik (BPS) Bali

Contoh DATA HIDROLOGI 70.30V ariab le C u rah h u jan D eb it air

0.25

0.20 Data

0.15

0.10

0.05

0.00 1 10 20 30 40 50 Index 60 70 80 90

#

"!

Ti

e

e r ies

l t

f

r ah hujan and Debit air in Telaga N gebel,

a diun

Contoh Data EKONOMI 8

Keterangan : Data penjualan SARDEN di PT Blambangan Jaya, Banyuwangi

Model ARIMA BoxThe Box-Jenkins methodology 1. Tentative IDENTIFICATIONhistorical data are used to tentatively identify an appropriate ARIMA model. model.

2. ESTIMATIONhistorical data are used to estimate the parameters of the tentatively identified model.

3. DIAGNOSTIC CHECKINGvarious diagnostics are used to check the adequacy of the tentatively identified model, if need be, to suggest an improved model, which is then regarded as a new tentatively identified model.

4. FORECASTINGonce a final model is obtained, it is used to forecast future time series values.

Flow Diagram of Box-Jenkins Box1. Tentative IDENTIFICATION Stationary and nonstationary time series ACF dan PACF (theoritical)

NO

2. Parameter ESTIMATION

Testing parameters

3. DIAGNOSTIC CHECKING [ Is the model adequate? ] adequate YES 4. FORECASTING

White noise of residual Normal Distribution of residual

Forecast calculation

INFORMASI LEBIH LANJUT ...

Literature dan websites Forecasting website www.forecastingprincipales.com www.neuralwww.neural-forecasting.com atau www.bisw