ESTIMASI PENJUALAN DATA TIME SERIES - DEKOMPOSISI 1. ADDITIVE MODEL 2. MULTIPLICATIVE MODEL.

Presentasi berjudul: "ESTIMASI PENJUALAN DATA TIME SERIES - DEKOMPOSISI 1. ADDITIVE MODEL 2. MULTIPLICATIVE MODEL."— Transcript presentasi:

1 ESTIMASI PENJUALAN DATA TIME SERIES - DEKOMPOSISI 1. ADDITIVE MODEL 2. MULTIPLICATIVE MODEL

2 DEKOMPOSISI Memisahkan faktor-faktor Trend (T), Seasonal (S), Cyclical (C), dan Random (R) pada data penjualan historis. Menggabungkan kembali fator-faktor T, S, C, dan R untuk estimasi penjualan tahun yang akan datang. Estimasi penjualan dapat menggunakan dua model: Additive Model dan Multiplicative Model. There is no one model which will be perfect in every situation.

3 Trend (T), Seasonal (S), Cyclical (C), Random(R)
Trend factor – Gerakan data yang menunjukkan arah umum (general direction) Seasonal factor – Fluktuasi reguler dalam satu periode jangka pendek. Misal: Harian, bulanan, triwulanan, atau semesteran Cyclical factor - Fluktuasi reguler dalam satu periode jangka panjang. Misal: Siklus perekonomian UK nampak setiap 9 tahunan Random factor – Faktor lain yang ikut mempengaruhi suatu time series. Secara keseluruhan, biasnya efeknya sangat kecil. Namun, dari waktu ke waktu faktor ini dapat memiliki pengaruh yang signifikan dan unpredictable terhadap data.

4 ADDITIVE MODEL DATA = f (T, S, C, R) D = T + S + C + R
For many models there will not be sufficient data to identify the cyclical element. Thus, the model will be reduced to D = T + S + R Since the random elemen is unpredictable, we shall make a working assumption that its overall value, or average value, is 0. Thus, the model will be simplified to D = T + S

5 MULTIPLICATIVE MODEL DATA = f (T, S, C, R) D = T x S x C x R
Again, the lack of data will often mean that the cyclical element cannot be identified. Thus, the model will become D = T x S x R Since the random elemen is unpredictable, we shall make a working assumption that its overall value, or average value, is 1. Thus, the model will be simplified to D = T x S