Pelatihan Forecasting di Universitas Indonesia

FORECASTING 

Teknik peramalan (Forecasting) adalah teknik untuk memprediksi nilai sebuah kejadian dimasa datang berdasarkan pada nilai kejadian pada waktu sekarang dan waktu sebelumnya (data historis).  Data yang digunalan untuk meramal merupakan data series waktu, dimana yang digunakan sebagai prediktornya adalah variabel waktu itu sendiri.  Pelatihan ini akan mempelajari berbagai teknik analisa peramalan (forecasting) dan cara menentukan teknik peramalan yang sesuai dengan sifat data yang kita miliki. Dengan pemilihan teknik peramalan yang sesuai diharapkan kesalahan akibat proses peramalan menjadi seminimal mungkin.

Target Pelatihan

1. Peserta memahami konsep data time serries; 
2. Peserta memahami berbagai metode peramalan sederhana (Metode Rata2x & Eksponensial); 
3. Peserta memahami model peramalan AR, MA, ARMA, ARIMA & SARIMA. 
4. Peserta mampu mengoperasikan program statistik Eviews/SPSS untuk Forecasting

Lama Pelatihan
2 hari, @ 375 menit

Referensi :
Makridakis, S , T. C. Wheelwright & V. E. McGee. Forecasting, Second Edition. John Wiley & Sons. Inc

Biaya 
Mahasiswa & Dosen      : Rp 2.000.000,-
Umum & Profesional      : Rp 2.500.000,-




Sylabus:

No	MATERI – FORECASTING
01	PENDAHULUAN
	Komponen Data Time Series
	Beberapa Istilah dalam Time Series
	Regresi Vs Autoregresi
	Stasionarity
	Ukuran Fit Model Dlam Time Series
02	METODE PERAMALAN RATA-RATA
	Rata-rata Sederhana
	Rata-rata Bergerak (Moving Average)
	Rata-rata Bergerak Tertimbang (Weighted Moving Average)
03	METODE EKSPONENSIAL
	Eksponensial Tunggal Linier : Satu Parameter
	Eksponensial Tunggal Ganda Linier : Satu Parameter Brown
	Eksponensial Tunggal Ganda Linier : Dua Parameter Holt
	Metode Winter
04	METODE  ARIMA
	Tahapan Analisa ARIMA
	Indentifikasi Kestasioneran Data
	Diagnosa Asumsi Model ARIMA
	OverFitting Model
05	METODE SARIMA
	Tahapan Analisa SARIMA (Seasonal ARIMA)
	Indentifikasi Kestasioneran Data
	Diagnosa Asumsi Model SARIMA
	OverFitting Model
06	METODE ARCH DAN GARCH
	Volatilitas Data Time Series
	Model ARCH
	Deteksi Unsur ARCH
	Model GARCH
	Model ARCH-M
	Model TARCH
	Model EGARCH

Back