Peramalan dengan Seasonally Adjusted Data

Salah satu fitur yang kerap muncul pada data time series dengan frekuensi pengumpulan data bulanan dan triwulanan adalah hadirnya komponen musiman (seasonal) pada data. Hal ini sangat mudah diobservasi dengan mem-plot data sepanjang periode amatan.

Untuk peramalan data dengan komponen musiman, salah satu teknik yang bisa digunakan adalah dengan memisahkan terlebih dahulu komponen musiman dari data (seasonally adjusted).

Sejumlah lembaga statistik resmi di dunia, seperti ABS, EuroStat, dan Biro Sensus Amerika, menyajikan secara resmi data time series yang telah dikeluarkan komponen musimannya. Metode dekomposisi yang lazim digunakan adalah X-12-ARIMA dan X-13-ARIMA-SEAT.

Peramalan kemudian dilakukan pada data tanpa komponen musiman dengan menggunakan metode yang dianggap sesuai dengan "nature" dari data.

Selanjutnya, angka ramalan merupakan hasil penjumlahan hasil peramalan seasonally adjusted data dan komponen musiman. Jika menggunakan Rstudio tahapan peramalan ini bisa dilakukan secara otomatis dengan fungsi STLF. Dengan kata lain, proses dekomposisi dan peramalan dapat dilakukan sekaligus.

Berikut adalah contoh peramalan dengan seasonally adjusted data yang diterapkan pada data Produk Domestik Bruto subsektor tanaman bahan makanan Indonesia yang mencakup periode triwulan I 2000 sd triwulan IV2014.

Hasil dekomposisi memperlihatkan bahwa komponen musiman cukup kuat pada data. Peramalan dua tahun kedepan dilakukan dengan mengkombinasikan ramalan seasonally adjusted data dengan berbagai kombinasi model dan ramalan komponen musiman. (*)