Prosese Differencing Stasioneritas dan Nonstasioneritas

Jika koefisien regresi dari = 1, maka disimpulkan bahwa terdapat masalah bahwa tidak stasioner. Dengan demikian dapat disebut mempunyai “unit root” atau berarti data tidak stasioner. Bila persamaan diatas dikurangi sisi kanan dan kiri maka persamaannya menjadi: = + = 1 + 2.9 Atau dapat ditulis dengan: = + 2,10 Dengan, = 2.11 Dimana: = hasil difference data pada periode ke- = data aktual periode ke- = data aktual periode ke- = koefisien regresi = error yang white noise dengan = 0 dan = Pada tahap ini sudah dilakukan pembedaan sebagai metode untuk menanggulangi masalah ketidakstasioneran data dan kemudian data akan diuji kembali. Dari persamaan dapat dibuat hipotesis: : = 0 : Jika hipotesis = 0 ditolak dengan derajat kepercayaan maka = 1 artinya terdapat akar unit, sehingga data deret waktu tidak stasioner. Dengan membentuk persamaan regresi antara dan akan diperoleh koefisien regresinya, yaitu . Hipotesis dalam uji akar unit menjelaskan bahwa apabila hasil uji menyatakan nilai Augmented Dickey-Fuller test statistic lebih kecil nilai kritis pada derajat kepercayaan tertentu atau nilai tingkat signifikansinya lebih kecil dari derajat kepercayaan = 0,05, maka hipotesis nol yang menyatakan bahwa data tersebut tidak stasioner ditolak dan demikian sebaliknya Wei, 2006.

2.6 Kriteria Kebaikan Model

Dalam melakukan peramalan, ada beberapa metode yang digunakan untuk mencari ramalannya. Sebuah model dengan galat peramaln terkecil tentunya akan dipilih untuk melakukan predisi di masa mendatang. Besarnya galat tersbut dapat dihitung melalui ukuran galat peramalan, sebagai berikut:

2.6.1 Mean Absolute Deviation MAD

Simpangan rata-rata MAD mengukur akurasi peramalan dengan meratakan nilai absolut galat peramalan. Nilai galat diukur dalam unit yang sama seperti pada data aslinya. = 1 − 2.12 Dimana: = banyaknya data yang diamati = peramalan − = data ke − t Makridakis, dkk., 1999

2.6.2 Mean Absolut Percentage Error MAPE

MAPE digunakan untuk melakukan perhitungan perbedaan antara data asli dan data hasil peramalan. Perbedaan tersebut diabsolutkan, kemudian dihitung ke dalam bentuk persentase terhadap data asli. Hasil persentase tersebut kemudian

Dokumen yang terkait

Prediksi Jumlah Permintaan Barang Musiman Menggunakan Metode Holt-winters

11 64 104

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

1 67 51

Analisis peramalan pendaftaran siswa baru menggunakan metode seasonal arima dan metode dekomposisi: studi kasus lembaga bimbingan belajar SSC Bintaro

9 57 94

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 12

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

1 1 2

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 8

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 6

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 1

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 2

2.1 Teknik Peramalan - Prediksi Jumlah Permintaan Barang Musiman Menggunakan Metode Holt-winters

0 2 22