Simple exptrapolating Smoothing
Simple Extrapolating Smoothing Forecasting
Untuk menduga atau meramal data yang akan datang beberapa metode time series menggunakan data waktu yang lama. Maksudnya penggunaan data yang sama untuk periode yang lalu Historical data untuk menduga . Dalam bentuk penghaulsan ini untuk menecari bentuk prediksi yang paling akurat untuk data deret bekala time series Sesuai namanya adalah extrapolation. Hal ini adalah untuk perluasan (extending) dari nilai dari bentuk data performa masa lampau. sedagkan kata dari Smooting adalah penghalusan hal ini berkaitan dengan cara untuk menghaluskan data yang bergejolak atau data yang terjadi white noise. Hal ini untuk memberikan suatu bentuk peramalan atau pendugaan yang akurat atau baik.
Persamaan untuk metode Simple Exponential Smoothing (SES) adalah:
\[ \hat{y}_{t+1} = \alpha y_t + (1 - \alpha) \hat{y}_t \]
Di mana: - \(\hat{y}_{t+1}\) adalah nilai ramalan untuk periode berikutnya. - \(y_t\) adalah nilai observasi aktual pada periode saat ini. - \(\hat{y}_t\) adalah nilai ramalan untuk periode saat ini. - \(\alpha\) adalah konstanta pemulusan, dengan nilai antara 0 dan 1.
Bagiaman menentukan Alpha
Dalam analisis ini kita menggunakan angka alpha yang digunakan sebagai pembobot pelicin *weighted smoothing”. NIlai Alpha sesuai dengan yang ada diatas adalah nilai anatar 0 dan 1 . Tentu kita tidak bisa menggunakan nilai 0 dan 1 karena akan telihat begitu sempurna. Pemilihan ini dapat kita lihat dengan grafik atau sifat data tersebut. Jika data cenderung stabil malka kita pilihan nilai alpha yang mdekati 0 misal 0,1 . Tetapi kalau data bergejolak maka kita bisa lakukan peramlan dengannilai alpha mendekati angka 1 , contoh Kita menggunakan beberapa alat ukur atau metrik yang berupa peramalandari simple smoothing seperti yang dibawah ini: Rata-rata absoulut kesalahan atau MEan Aboslout error Rata-rata kuadrat kesalahan Means squared error akar kuadrat dari MSE atau RMSE.
Langkah Analisis
Untuk mencoba menganalisis data saya akan menggunakan data dari drivers yang saya bisa tampilkan di package MASS. Beberapa Package lain yang mendukun juga harus di gunakan agar dapat melancarkan pekerjaan tersebut yakni dengan library forecast dan juga library ggplot2. kita awali dengan membuat grafik terlebih dahulu
library(MASS)
library(forecast)
Registered S3 method overwritten by 'quantmod':
method from
as.zoo.data.frame zoo
library(ggplot2)
autoplot(drivers) +
ylab("Drivers") + xlab("Year")
Setelah itu ktita bisa lakukan untuk membuat dari Simple Extrpolating Smooth.
<-ses(drivers,h=5)
fcround(accuracy(fc),2)
ME RMSE MAE MPE MAPE MASE ACF1
Training set 0.52 219.35 167.86 -0.87 10.1 1.09 0.01
Di sini kalau melihat ACFI maka kurang dari 0,05 maka mdel ini sudah melewati asumsi autokorelasi. Tetapi kita lihat nilai MAPE yang sekitar 10,1 persen yang prediksinya artinya “cukup baik”. Kalau saja hasil menunjukkan kurang dari 10% itu menunjukkan ramalan yang sanga akurat.
Kemudian kita bisa untuk membuat kurva fitted dengan perintah autoplot maka kita bisa menghasilkan seperti ini.
autoplot(fc) +
autolayer(fitted(fc), series="Fitted") +
ylab("Drivers") + xlab("Year")