2023/II - Sistem Pendukun Keputusan

Teori dan Konsep Forecasting dengan Linear Trend

1. Deret Waktu (Time Series)

   • Deret waktu adalah sekumpulan data yang diambil atau dicatat pada interval waktu yang teratur, seperti harian, mingguan, bulanan, atau tahunan.
   • Data deret waktu sering kali memiliki komponen seperti tren (kecenderungan jangka panjang), musiman (pola yang berulang pada interval waktu yang tetap), siklus (fluktuasi di sekitar tren jangka panjang), dan noise (variabilitas acak).

2. Tren Linear (Linear Trend)

   • Tren linear mengacu pada pola pertumbuhan atau penurunan yang konsisten dari waktu ke waktu. Ini bisa direpresentasikan dengan garis lurus dalam grafik deret waktu.
   • Fungsi matematis yang menggambarkan tren linear biasanya berbentuk:
   $$Y_t = a + bt + e_t$$Yt​=a+bt+et​

   di mana:

   • $Y_t$Yt​ = nilai yang diobservasi pada waktu $t$t
   • $a$a = intercept (titik potong sumbu Y)
   • $b$b = slope (kemiringan garis), yang menunjukkan tingkat perubahan rata-rata per unit waktu
   • $t$t = waktu
   • $e_t$et​ = error term atau noise (variabel acak)

3. Metode Least Squares untuk Linear Trend

   • Metode yang paling umum digunakan untuk menemukan garis tren linear adalah metode kuadrat terkecil (least squares method). Metode ini meminimalkan jumlah kuadrat perbedaan antara nilai observasi aktual dan nilai yang diprediksi oleh model.
   • Untuk menemukan parameter $a$a dan $b$b, kita menggunakan rumus:
   $$b = \frac{n \sum (tY_t) - \sum t \sum Y_t}{n \sum t^2 - (\sum t)^2}$$b=n∑t2−(∑t)2n∑(tYt​)−∑t∑Yt​​ $$a = \frac{\sum Y_t - b \sum t}{n}$$a=n∑Yt​−b∑t​

   di mana $n$n adalah jumlah observasi.

4. Forecasting Menggunakan Model Linear Trend

   • Setelah kita memperoleh parameter $a$a dan $b$b, kita bisa menggunakan model untuk meramalkan nilai di masa depan. Misalnya, untuk memprediksi nilai di waktu $t + k$t+k, kita dapat menggunakan persamaan:
   $$\hat{Y}_{t+k} = a + b(t + k)$$Y^t+k​=a+b(t+k)
   • Prediksi ini mengasumsikan bahwa tren yang teridentifikasi akan berlanjut ke masa depan tanpa perubahan signifikan.

5. Evaluasi Model Forecasting

   • Setelah membuat prediksi, penting untuk mengevaluasi keakuratan model. Beberapa ukuran umum untuk mengukur akurasi prediksi meliputi:
     • Mean Absolute Error (MAE): Rata-rata dari nilai absolut dari kesalahan prediksi.
     • Mean Squared Error (MSE): Rata-rata dari kuadrat kesalahan prediksi.
     • Root Mean Squared Error (RMSE): Akar kuadrat dari MSE.
     • Mean Absolute Percentage Error (MAPE): Persentase rata-rata kesalahan absolut, yang sering digunakan untuk interpretasi dalam konteks bisnis.

Konsep Forecasting dengan Linear Trend

Forecasting atau peramalan adalah proses membuat prediksi masa depan berdasarkan data historis. Dalam konteks linear trend time series, forecasting melibatkan beberapa konsep kunci:

1. Stationarity (Stasioneritas)

   • Sebuah proses deret waktu dikatakan stasioner jika statistiknya seperti mean, variance, dan autocorrelation tidak berubah seiring waktu.
   • Meskipun linear trend tidak stasioner dalam arti tradisional (karena mean berubah seiring waktu), perbedaan pertama (first differencing) dari data dengan tren linear dapat membuat data menjadi stasioner.

2. Autokorelasi

   • Autokorelasi mengukur keterkaitan antara data deret waktu dengan lag-lag-nya. Jika ada autokorelasi tinggi, berarti data masa lalu sangat terkait dengan data masa kini.
   • Dalam linear trend, autokorelasi sering kali tidak sebesar pada model deret waktu dengan musiman atau siklus.

3. Noise dan Fluktuasi Acak

   • Noise adalah variasi acak dalam data yang tidak dapat dijelaskan oleh tren atau komponen musiman. Noise harus dianggap sebagai bagian dari ketidakpastian dalam peramalan.
   • Model linear trend mengasumsikan bahwa noise tersebar secara acak dan memiliki mean 0.

4. Keterbatasan Model Linear Trend

   • Model linear trend hanya cocok untuk data yang menunjukkan tren linear. Tidak cocok untuk data yang memiliki pola non-linear atau fluktuasi musiman dan siklikal yang kuat.
   • Ketika tren di masa lalu tidak berlanjut di masa depan (misalnya, karena perubahan kondisi ekonomi, regulasi, atau faktor eksternal lainnya), maka model linear mungkin tidak akurat.

Aplikasi Linear Trend Time Series dalam Forecasting

Model linear trend time series sering digunakan dalam berbagai aplikasi praktis, termasuk:

• Peramalan Penjualan: Memprediksi penjualan masa depan berdasarkan tren penjualan historis.
• Peramalan Populasi: Mengestimasi pertumbuhan populasi berdasarkan tren pertumbuhan sebelumnya.
• Analisis Keuangan: Memprediksi harga saham, suku bunga, atau indikator ekonomi lainnya