analisis deret waktu
DESCRIPTION
ANALISIS DERET WAKTU. Abdul Kudus, SSi ., MSi ., PhD. Selasa, 15.00 – 17.30 di R313. Metode yang paling efisien utk meramal satu variabel adalah: . mencari variabel terkait korelogram. menggunakan informasi dari data masa lalu. melakukan ekstrapolasi berdasarkan trend saat ini. - PowerPoint PPT PresentationTRANSCRIPT
ANALISIS DERET WAKTU
Abdul Kudus, SSi., MSi., PhD.Selasa, 15.00 – 17.30 di R313
1. mencari variabel terkait korelogram.2. menggunakan informasi dari data masa lalu.3. melakukan ekstrapolasi berdasarkan trend saat ini.
Metode yang paling efisien utk meramal satu variabel adalah:
Pemulusan Eksponensial (Exponential Smoothing)Tujuan utk meramal xn+k berdasarkan {x1,x2,...,xn} dengan asumsi:1. tidak ada trend sistematik2. tidak ada efek musiman
mungkin krn sudah dibuang dgn metode tertentu
Modelnya ttt wx Misal t ditaksir oleh at. Di lain pihak, taksiran yg wajar bagi nilai rata-rata pada waktu ke-t adalah rata-rata terboboti dari nilai pengamatan pada waktu ke-t dan nilai taksiran rata-rata pada waktu ke-(t-1).
(1)
Ini adalah Exponentially Weighted Moving Average (EWMA).
amerupakan parameter pemulusan (smoothing) , jika:1. a 1, sedikit pemulusan dan at didominasi oleh xt.2. a 0, at didominasi oleh taksiran sebelumnya at-1.
Biasanya diambil nilai a = 0.2
R bisa melakukan penaksiran bagi a
Karena diasumsikan:1. tidak ada trend sistematik2. tidak ada efek musimanMaka peramalan yg dilakukan pada waktu n utk meramal k waktu ke depan adalah taksiran rata-ratanya pada waktu n.
Rumus 11 ttt axa aa dapat ditulis sbg:
11 tttt aaxa a1.
kesalahan peramalan satu langkah ke depan2.
22
1
32
22
1
322
1
22
1
21
11
111
111
11
11
ttt
tttt
tttt
ttt
tttt
xxx
axxx
axxx
axx
axxa
aaaaa
aaaaaa
aaaaaa
aaaa
aaaa
at adalah kombinasi linier dari pengamatan saat ini dan pengamatan sebelumnya, dengan pembobot yg lebih besar bagi data terkini. Dengan syarat 0 < a < 1, shg a(1- a)i makin kecil. Dengan menetapkan a1 = x1.
Untuk nilai a tertentu, model dan penetapan a1 = x1 dapat digunakan utk menghitung at utk t = 2,3,...,n. Kesalahan prediksi satu langkah ke depan adalah
11 tttt aaxa a
1
1|ˆ
tt
tttt
ax
xxe
R menaksir parameter a melalui MINIMISASI Jumlah Kuadrat Kesalahan Prediksi Satu Langkah ke Depan (Sum of Squared One-Step-Ahead Prediction Error = SS1PE).
1122
322
2
2
dengan ;
1
xaeee
ePESS
n
n
tt
Contoh: Jumlah Keluhan Terhadap Organisasi
Terdapat data keluhan (bulanan) dari tahun 1996 sampai tahun 1999. Pada awal tahun 2000 ingin dilakukan penaksiran tingkat keluhan dan menyelidiki adanya trend. > www <- "http://www.massey.ac.nz/~pscowper/ts/motororg.dat"> Motor.dat <- read.table(www, header = T); attach(Motor.dat)> Comp.ts <- ts(complaints, start = c(1996, 1), freq = 12)> plot(Comp.ts, xlab = "Time / months", ylab = "Complaints")
Time / months
Com
plai
nts
1996 1997 1998 1999 2000
510
1520
2530
35
• tidak ada trend sistematik• tidak ada efek musiman
Pemulusan Eksponensial mrp kasus khusus dari metode Holt-Winters (yg akan dijelaskan nanti).
> Comp.hw1 <- HoltWinters(complaints, beta = FALSE, gamma = FALSE)> Comp.hw1Holt-Winters exponential smoothing without trend and without seasonal component.Call: HoltWinters(x = complaints, beta = FALSE, gamma = FALSE) Smoothing parameters: alpha: 0.1429622 beta : FALSE gamma: FALSE Coefficients: [,1]a 17.70343> plot(Comp.hw1)
Taksiran jumlah keluhan pada akhir tahun 1999
Taksiran a yg meminimumkan SS1PE
Holt-Winters filtering
Time
Obs
erve
d / F
itted
10 20 30 40
510
1520
2530
35> Comp.hw1$SSE[1] 2502.028
Menurun
> Comp.hw2 <- HoltWinters(complaints, alpha = 0.2, beta=F,gamma=F)> Comp.hw2Holt-Winters exponential smoothing without trend and without seasonal component. alpha: 0.2 beta : FALSE gamma: FALSE Coefficients: [,1]a 17.97913> Comp.hw2$SSE[1] 2526.39
Metode Holt-WintersJika data mempunyai trend dan musiman, maka kita bisa menggunakan metode Holt-Winters.Metode Holt-Winters berdasar pada smoothing pada tiga persamaan yaitu level, trend dan musiman. Ada dua metode Holt-Winters, yakni:1. untuk musiman yg aditif2. untuk musiman yg multiplikatif
Holt-Winters utk Seasonal Aditif
level 111 ttpttt basxa aa 11 1 tttt baab ptttt saxs 1
trendmusiman
ramalan pknnnnkn skbax |ˆ pk untuk
Biasanya:a, dan bernilai 0.2
a1 = x1
b1 dan (s1,...,sp) diperoleh dari dekomposisi
Holt-Winters utk Seasonal Multiplikatif
level 111
tt
pt
tt ba
sxa aa
11 1 tttt baab
ptt
tt s
axs
1
trend
musiman
ramalan pknnnnkn skbax |ˆ pk untuk
Biasanya:a, dan bernilai 0.2
a1 = x1
b1 dan (s1,...,sp) diperoleh dari dekomposisi
Contoh: Data penjualan minuman anggur (bulanan) dari Jan 1980 sampai Jul 1995.
> www <- "http://www.massey.ac.nz/~pscowper/ts/wine.dat"> wine.dat <- read.table(www, header = T) ; attach (wine.dat)> sweetw.ts <- ts(sweetw, start = c(1980,1), freq = 12)> plot(sweetw.ts, xlab= "Time (months)", ylab = "sales (1000 litres)")
Time (months)
sale
s (1
000
litre
s)
1980 1985 1990 1995
100
200
300
400
500
600 Terdapat variasi musiman
model multiplikatif
> sweetw.hw <- HoltWinters (sweetw.ts, seasonal = "mult")> sweetw.hw ; sweetw.hw$coef ; sweetw.hw$SSE
Smoothing parameters: alpha: 0.4086698 beta : 0 gamma: 0.4929402
Coefficients: [,1]a 285.6890314b 1.3509615s1 0.9498541s2 0.9767623s3 1.0275900s4 1.1991924s5 1.5463100s6 0.6730235
s7 0.8925981s8 0.7557814s9 0.8227500s10 0.7241711s11 0.7434861s12 0.9472648
SSE[1] 477693.9
a, b dan (s1,...,s12) adalah taksiran level, trend dan efek musiman multiplikatif pada waktu yg terakhir (n = 187), yg akan digunakan utk meramal ke depan
100
300
500
xhat
100
200
300
400
leve
l0.
81.
21.
6
trend
0.8
1.2
1985 1990 1995
seas
on
Time
sweetw.hw$fitted
> plot (sweetw.hw$fitted)
Holt-Winters filtering
Time
Obs
erve
d / F
itted
1985 1990 1995
100
200
300
400
500
600
> plot (sweetw.hw)
Contoh: Ramalan penumpang pesawat empat tahun ke depan.
> data(AirPassengers)> AP <- AirPassengers> AP.hw <- HoltWinters(AP, seasonal = "mult")> plot(AP.hw)
Holt-Winters filtering
Time
Obs
erve
d / F
itted
1950 1952 1954 1956 1958 1960
100
200
300
400
500
600
> AP.predict <- predict(AP.hw, n.ahead = 4 * 12)> ts.plot(AP, AP.predict, lty = 1:2)
Time
1950 1955 1960 1965
100
200
300
400
500
600
700
800
> AP.hw$alpha alpha 0.2755925
> AP.hw$beta beta 0.03269295
> AP.hw$gamma gamma 0.8707292