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:
- Single Moving Average
- Double Moving Average
- Single Exponential Smoothing
- Double Exponential Smoothing
- Seasonal Additive
- Holt Winter’s Additive
- Seasonal Multiplicative
- Holt Winter’s Multiplicative
Kedelapan model tersebut kemudian akan digunakan oleh program sebagai model prediksi. berdasar:
-
Series statistic, di mana Ljung-Box digunakan sebagai penala autocor-relation input data.
-
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.
-
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.
-
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-Smirnov, Theil’s U. Berikut adalah salah satu contoh output Multiple Regression CB Predictor:
Summary | |||||||
Number of series 3: | |||||||
Periods to forecast: 4 | |||||||
Seasonality: 4 yrs | |||||||
Error meaure : 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 | |||||||
Min: 511.2 | |||||||
Max 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 | ||||
Contant | 31.518 | 0.3606 | 0.7278 | ||||
Produksi | 0.8919 | 6.2979 | 233E-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 | 30.846 | 18.57% | |||
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 | ||||
4th: | Single Exponential Smoothing | Alpha | 0.999 | ||||
5th: | Double Moving Average | Periods | 2 | ||||
6th: | ingle Moving Average | Periods | 0.955 | ||||
7th: | Seasonal Multiplicative | Alpha | 0.955 | ||||
8th: | Seasonal Additive | Alpha | 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 | 0.999 | ||||||
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.