CB Predictor

CB Predictor adalah sebuah program yang ada di dalam Crystal Ball. Maka, untuk menjalankan program ini, Crystal Ball harus dijalankan dahulu karena Icon Menu DC Predictor ada di pull down menu CBTools. Klik saja pull down menu CBTools dan kemudian arahkan kursor ke CB Predictor dan kemudian klik maka segera program CB Predictor akanm muncul. Dalam versi Excelmaupun MS Office selanjutnya menu navigasi sudah berubah, namun esensinya masih sama.

Sesuai dengan namanya, program ini adalah sebuah program untuk memprediksi data yang akan terjadi di masa yang akan datang dengan menganalisa data masa lalu. Di dalam gallery program ini, tersedia delapan model prediksi atau forecasting model, yaitu:

  1. Single Moving Average
  2. Double Moving Average
  3. Single Exponential Smoothing
  4. Double Exponential Smoothing
  5. Seasonal Additive
  6. Holt Winter’s Additive
  7. Seasonal Multiplicative
  8. Holt Winter’s Multiplicative

http://fe.uajy.net/fs/as/wp-content/uploads/2007/09/CB7.png

 

Kedelapan model tersebut kemudian akan digunakan oleh program sebagai model prediksi. berdasar:

  1. Series statistic, di mana Ljung-Box digunakan sebagai penala autocor-relation input data.

  2. Method of Error, di mana MRSE (Root Mean Square Error), MAD (Mean Absolute Deviation), MAPE (Mean Absolute Percent Error) digunakan sebagai tolok ukur penyimpangan input data dengan model.

  3. Method Statistics, di mana Durbin Watson digunakan untuk menala autocorrelation model yang akan dipilih dan Theil’s U digunakan untuk menala akurasi model yang akan dipilih.

  4. Method Parameters, di mana parameter masing-masing dari kedelapan model digunakan sebagai pembanding.

Pertama kali CB Predictor akan mengenali data runtut waktu yang telah dimasukkan, kemudian menurunkan analisis statistiknya dan dilaporkan dalam Series Statistics. Selanjutnya, program akan memilih model-model yang tersedia di dalam gallery dengan cara mencocokkan atau memplot model ke data historis dan kemudian memilih model terbaik berdasar nilai statistik yang paling baik dari Method of Error, Method of Statisctic, dan Method of Parameter. Yang terakhir, model akan melakukan ramalan dengan menggunakan model terbaik dan melaporkannya dalam header Statistics dalam Report Sumary.

Di samping itu, CB Predictor juga menyediakan model Multiple Regression. Model ini membutuhkan dua macam data yaitu (1] data variabel dependen dan [2] variabel independen. Variabel dependen adalah variabel yang nilainya kaan ditentukan oleh variabel independen. Program akan menurunkan sebuah model matematik Multiple Regression berdasar data variabel dependen dan indepen den yang telah dimasukkan. Selanjutnya, hasil prediksi variabel independen yang akan datang disubtitusi ke model matematik Multiple Regression untuk menemukan prediksi nilai dependen variabel.

Model Linear Multiple Regression adalah

Y = a0 + b1X1 + b2X2 + … + bnXn , dimana

Y   : Variabel Independen
a0  : Konstan 
Xi  : Variabel Independen
bi  : Koefisien

Xi sebagai variabel Independen memiliki pola yang berebda-beda dan tidak selalau sama. Maka,  CB Predictor akan mendeteksi pola Xi dan kemudian memodelnya dengan model yang paling tepat sesuai dengan kriteria  delapan smoothing models yang tersedia di CD Predictor. Dan, CB Predictor kemudian akan memprediksi Xi sesuai dengan smothing model terbaiknya .Hasil prediksi  ini kemudian akan menjadi variabel penentu Xi.

Semudah model regresi harus memenuhi syarat-syarat tertentu agtar model tersebut valid. Bukan hanya pengujian terhadap syarat-syarat tersebut agar model valid, namun CB Predictor juga menggunakan parameter-parameter tambahan untuk menilai model regersi. Sebagai misal LJung Box, Kolmogorov-SmirnovTheil’s U. Berikut adalah salah satu contoh output Multiple Regression CB Predictor:

Summary:
Number of series: 3
Periods to forecast: 4
Seasonality: 4 years
Error Measure: MAD
Series: Konsumsi
Method: Multiple Linear Regression
Statistics:
R-squared: 0.854
Adjusted R-squared: 0.8170
SSE: 6535.8
F Statistic: 23.323
F Probability: 4.59E-4
Durbin-Watson: 2.549
No. of Values: 11
Independent variables: 2 included out of 2 selected
Series Statistics:
Mean: 611.43
Std. Dev.: 66.82
Minimum: 512.2
Maximum: 729.6
Ljung-Box: 0.6291
Forecast:
Date Lower: 5% Forecast Upper: 95%
1990 628.16 679.88 731.6
1991 555.73 613.2 670.66
1992 601.35 666 730.65
1993 544.71 618.6 692.48
Regression Variables:
Variable
Coefficient t Statistic Probability
Constant 31.518 0.3606 0.7278
Produksi 0.8919 6.2979 2.33E-04
Impor* 0.9363 6.1996 2.59E-04
Series: Produksi Range: B3:B13
Method: Holt-Winters’ Additive
Parameters:
Alpha: 0.438
Beta: 0.112
Gamma: 0.169
Error: 13.394
Series Statistics:
Mean: 176.68
Std. Dev.: 86.47
Minimum: 58.5
Maximum: 338.2
Ljung-Box: 27.1503
Forecast:
Date Lower: 5% Forecast Upper: 95%
1990 288.95 332.02 375.09
1991 333.18 381.04 428.9
1992 343.43 397.27 451.1
1993 353.12 414.65 476.18
Method Errors:
Method
RMSE MAD MAPE
Best: Holt-Winters’ Additive 23.802 13.394 8.40%
2nd: Double Exponential Smoothing 24.104 17.416 13.71%
3rd: Holt-Winters’ Multiplicative 26.596 17.788 9.93%
4th: Single Exponential Smoothing 33.313 25.446 14.10%
5th: Double Moving Average 31.074 25.922 12.73%
6th: Single Moving Average 34.922 27.97 15.50%
7th: Seasonal Multiplicative 45.521 29.137 15.82%
8th: Seasonal Additive 37.47 30.846 18.57%
Method Statistics:
Method
Durbin-Watson Theil’s U
Best: Holt-Winters’ Additive 1.208 0.4
2nd: Double Exponential Smoothing 0.975 0.787
3rd: Holt-Winters’ Multiplicative 1.506 0.535
4th: Single Exponential Smoothing 0.59 1
5th: Double Moving Average 1.647 0.851
6th: Single Moving Average 0.559 1
7th: Seasonal Multiplicative 2.153 1.283
8th: Seasonal Additive 0.523 1.149
Method Parameters:
Method
Parameter Value
Best: Holt-Winters’ Additive Alpha 0.438
Beta 0.112
Gamma 0.169
2nd: Double Exponential Smoothing Alpha 0.314
Beta 0.5
3rd: Holt-Winters’ Multiplicative Alpha 0.021
Beta 0.618
Gamma 0.618
4th: Single Exponential Smoothing Alpha 0.999
5th: Double Moving Average Periods 2
6th: Single Moving Average Periods 1
7th: Seasonal Multiplicative Alpha 0.955
Gamma 0.5
8th: Seasonal Additive Alpha 0.999
Gamma 0.999
Series: Impor* Range: C3:C13
Method: Holt-Winters’ Multiplicative
Parameters:
Alpha: 0.503
Beta: 0.001
Gamma: 0.001
Error: 30.282
Series Statistics:
Mean: 451.05
Std. Dev.: 81.09
Minimum: 353.1
Maximum: 594.3
Ljung-Box: 6.2287
Forecast:
Date Lower: 5% Forecast Upper: 95%
1990 285.42 376.19 466.95
1991 157.42 258.27 359.12
1992 185.75 299.2 412.66
1993 102.35 232.01 361.68
Method Errors:
Method
RMSE MAD MAPE
Best: Holt-Winters’ Multiplicative 50.16 30.282 6.92%
2nd: Seasonal Multiplicative 42.918 33.11 7.80%
3rd: Holt-Winters’ Additive 54.381 36.683 9.01%
4th: Seasonal Additive 51.337 39.339 9.73%
5th: Single Moving Average 69.785 51.289 12.59%
6th: Single Exponential Smoothing 77.244 56.346 13.24%
7th: Double Moving Average 85.431 73.372 17.77%
8th: Double Exponential Smoothing 97.633 84.573 19.37%
Method Statistics:
Method
Durbin-Watson Theil’s U
Best: Holt-Winters’ Multiplicative 1.027 0.646
2nd: Seasonal Multiplicative 1.648 0.425
3rd: Holt-Winters’ Additive 1.585 0.637
4th: Seasonal Additive 1.46 0.604
5th: Single Moving Average 2.01 0.77
6th: Single Exponential Smoothing 2.27 0.842
7th: Double Moving Average 1.981 0.886
8th: Double Exponential Smoothing 1.793 1.066
Method Parameters:
Method
Parameter Value
Best: Holt-Winters’ Multiplicative Alpha 0.503
Beta 0.001
Gamma 0.001
2nd: Seasonal Multiplicative Alpha 0.999
Gamma 0.001
3rd: Holt-Winters’ Additive Alpha 0.999
Beta 0.149
Gamma 0.999
4th: Seasonal Additive Alpha 0.953
Gamma 0.999
5th: Single Moving Average Periods 2
6th: Single Exponential Smoothing Alpha 0.504
7th: Double Moving Average Periods 2
8th: Double Exponential Smoothing Alpha 0.479
Beta 0.618

Bahasan yang lebih lengkap dari CB Predictor bisa dilihat di Buku Operations Research.