IDENTIFIKASI POLA DATA TIME SERIES

Data merupakan bagian penting dalam peramalan. Berikut adalah empat kriteria
yang dapat digunakan sebagai acuan agar data dapat digunakan dalam peramalan.
1.

Data harus dapat dipercaya dan akurat. Data yang diseleksi berasal dari sumber
yang dapat dipercaya dengan perhatian yang diberikan untuk keakuratan.

2.

Data harus relevan. Data harus mewakili keadaan.

3.

Data harus konsisten.

4.

Data harus secara berkala.

Pada umumnya, ada dua tipe data yang penting untuk peramal. Pertama adalah

data yang dipilih pada titik tunggal suatu waktu, misal satu jam, satu hari, satu minggu,
satu bulan, dan sebaginya. Kedua adalah observasi data dari waktu ke waktu.

A. Pengenalan Pola Data Runtun Waktu

Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang
sesuai untuk data runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola
data. Ada empat tipe umum : horizontal, trend, seasonal, dan cyclical.
Ketika data observasi berubah-ubah di sekitar tingkatan atau rata-rata yang
konstan disebut pola horizontal. Sebagai contoh penjualan tiap bulan suatu produk
tidak meningkat atau menurun secara konsisten pada suatu waktu dapat
dipertimbangkan untuk pola horizontal.

Gambar 1.1. pola horizontal.

Ketika data observasi naik atau menurun pada perluasan periode suatu waktu
disebut pola trend.

Kelompok 1

Metode Peramalan 2011

Gambar 1.2. pola trend

Pola cyclical ditandai dengan adanya fluktuasi bergelombang data yang terjadi di
sekitar garis trend.

Gambar 1.3. pola cyclical

Ketika observasi dipengaruhi oleh faktor musiman disebut pola seasonal yang
ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke
tahun. Untuk runtun tiap bulan, ukuran variabel komponen seasonal runtun tiap Januari,
tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim,
satu untuk masing-masing triwulan. Sebagai contoh adalah pola data pembelian buku
baru pada tahun ajaran baru.

Gambar 1.4 pola seasonal

Kelompok 1

Metode Peramalan 2011

B. Penyelidikan Pola Data Dengan Analisis Autokorelasi

Observasi pada periode waktu yang berbeda sering berhubungan atau berkorelasi.
Ukuran yang digunakan dalam korelasi adalah koefisien autokorelasi. Autokorelasi
adalah korelasi antara suatu variabel satu atau lebih periode sebelumnya dengan dirinya
sendiri.
Pola data, termasuk komponen seperti tren dan musiman, dapat dipelajari
menggunakan autokorelasi. Koefisien autokorelasi dari variabel perbedaan waktu
sebelumnya digunakan untuk identifikasi pola data runtun waktu.
Persamaan 3.1 adalah rumus untuk menghitung koefisien autokorelasi (rk) antara
observasi Yt dan Yt-k dengan k periode terpisah.

Y
n

rk

t k 1

Y Yt k Y

Y
n

t 1

k 0,1,2,...

(3.1)

dimana :
rk =

koefisien autokorelasi untuk k dari lag

Y =

mean dari data observasi

Yt =

observasi pada periode waktu t

Yt-k =

observasi k

periode waktu sebelumnya atau periode waktu t-k

Contoh 3.1
Harry Vernon memiliki data jumlah terjualnya VCR akhir tahun untuk toko
Vernon Musik. Data dituliskan pada Tabel 3-1.
Konsep autokorelasi diilustrasikan data Contoh 3.1 pada Tabel 3-1. Diketahui
bahwa variabel Yt-1 dan Yt-2 adalah mewakili nilai sebenarnya Y pada lag satu dan dua
periode sebelumnya. Nilai penjualan VCR dari Maret terlihat, pada baris untuk periode
waktu tiga. Jumlah penjualan Maret Y1 = 125, Februari Yt-1 = 130, dan Januari Yt-2 =
123.

Kelompok 1

Metode Peramalan 2011

Tabel 3.1 Data VRC untuk Contoh 3.1

Waktu
t
1
2
3
4
5
6
7
8
9
10
11
12

Bulan

Data original
Yt
123
130
125
138
145
142
141
146
147
157
150
160

Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember

Y lagged pada
periode pertama
Yt-1

Y lagged pada
periode kedua
Yt-2

123
130
125
138
145
142
141
146
147
157
150

123
130
125
138
145
142
141
146
147
157

Tabel 3.2 Perhitungan koefisien autokorelasi pada lag 1 untuk data pada Tabel 3.1
Waktu
Yt
(t)
1
123
2
130
3
125
4
138
5
145
6
142
7
141
8
146
9
147
10
157
11
150
12
160
Total 1.704

Yt-1

(Yt - Y )

(Yt-1 - Y )

(Yt - Y )2

(Yt - Y )(Yt-1 - Y )

123
130
125
138
145
142
141
146
147
157
150

-19
-12
-17
-4
3
0
-1
4
5
15
8
18
0

-19
-12
-17
-4
3
0
-1
4
5
15
8

361
144
289
16
9
0
1
16
25
225
64
324
1.474

228
204
68
-12
0
0
-4
20
75
120
144
843

1.704
142
12

Tabel 3-2 menunjukkan perhitungan untuk menghitung koefisien korelasi lag 1.

Koefisien korelasi lag 1 (r1) atau autokorelasi antara Yt dan Yt-1 dihitung
menggunakan total dari Tabel 3-2 dengan persamaan 3-1.

Y
n

r1

t 11

Y
n

t 1

Kelompok 1

Y Yt 1 Y
t

843
0,572
1474

Metode Peramalan 2011

Terlihat dari Gambar 3-4, autokorelasi positif lag 1 ada pada runtun waktu ini.
Korelasi antara Yt dan Yt-1 atau autokorelasi dari satu periode sebelumnya adalah 0,572.
Ini berarti urutan penjualan VCR per bulan satu dan yang lainnya berkorelasi.

Gambar. 3-4
Koefisien korelasi periode kedua sebelumnya (r2) atau autokorelasi antara Yt
dengan Yt-2 dari data Harry menggunakan persamaan 3.1.

Y
n

r2

t 2 1

Y Yt 2 Y

Y
n

t 1

682
0,462 .
1474

Ini memperlihatkan bahwa autokorelasi cukup ada pada dua kali periode lag.
Korelasi antara Yt dan Yt-2, atau autokorelasi untuk lag 2, yaitu 0,463. Perhatikan
bahwa koefisien korelasi pada lag 2 (0,463) kurang dari koefisien korelasi pada lag 1
(0,573). Pada umumnya, banyaknya waktu lag, k meningkat, besarnya koefisien
autokorelasi berkurang.
Gambar 3.5 menunjukkan plot autokorelasi versus waktu lag data Harry Vernon
pada contoh 3.1. Skala horizontal di bawah grafik menunjukkan setiap waktu lag
meningkat, 1, 2, 3, dan seterusnya. Skala vertikal pada kiri grafik menunjukkan range
yang mungkin dari koefisien autokorelasi, -1 sampai +1. Garis horizontal di tengahtengah grafik menunjukkan koefisien autokorelasi nol. Garis vertikal menunjukkan
koefisien autokorelasi 0,46, r2 = 0,46.

Kelompok 1

Metode Peramalan 2011

Gambar 3.5. Fungsi autokorelasi untuk data pada Contoh 3.1

Pola pada korelogram digunakan untuk menganalisis kunci utama data,

konsepnya ditunjukkan pada sesi selanjutnya. Paket komputer Minitab dapat digunakan
untuk menghitung autokorelasi dan menghasilkan korelogram.
Korelogram atau fungsi autokorelasi adalah grafik autokorelasi untuk lag yang
bervariasi pada suatu waktu.
Koefisien autokorelasi pada waktu lag yang berbeda dapat digunakan untuk
menjawab pertanyaan berikut tentang runtun waktu.
1. Apakah data acak?
2. Apakah data memiliki tren (nonstasioner)?
3. Apakah data stasioner?
4. Apakah data musiman?
Jika runtun acak, autokorelasi antara Yt dan Yt-2 untuk semua lag k adalah
mendekati nol. Nilai berturut-turut dari runtun waktu tidak terhubung dengan lainnya.
Jika runtun waktu tren, pengamatan berturut-turut korelasinya tinggi, dan
koefisien autokorelasi signifikan berbeda dari nol untuk beberapa lag waktu yang
pertama dan kemudian berangsur-angsur turun mendekati nol. Koefisien autokorelasi
untuk lag waktu 1 seringnya sangat besar (mendekati 1). Koefisien autokorelasi untuk
lag 2 juga akan membesar. Namun, itu tidak akan sebesar lag 1.
Jika data memiliki pola musiman, signifikan koefisien autokorelasi akan
terjadi pada lag waktu musiman atau perkalian lag musiman. Lag musiman ada 4
untuk seperempat data dan 12 untuk data bulanan.
Kelompok 1

Metode Peramalan 2011

Bagaimana seorang analis menentukan apakah koefisien autokorelasi berbeda

secara signifikan dari nol untuk data pada Tabel 3-1? Quenouille (1949) dan temantemannya telah menunjukkan bahwa koefisien autokorelasi dari data random memiliki
distribusi sampling yang dapat didekati dengan kurva normal dengan mean nol dan
standar deviasi pendekatannya

. Mengetahui hal itu, analisis dapat membandingkan

koefisien autokorelasi sampel dengan teori distribusi sampling dan menentukan apakah,
jika diberikan lag waktu, mereka berasal dari populasi dengan mean nol.
Pada kenyataanya, beberapa software menggunakan formula yang sedikit
berbeda, seperti yang ditunjukkan pada Persamaan 3.2, untuk menghitung standar
deviasi (atau standar eror) dari koefisien autokorelasi. Persamaan ini berasumsi setiap
autokorelasi sebelum lag k tidak sama dengan nol dan setiap autokorelasi pada lag
terbesar atau sama dengan k adalah nol. Untuk autokorelasi pada lag 1, standar eror
yang digunakan

(3.2)
dimana
SE(rk)

= standar eror autokorelasi pada lag ke-k

ri

= autokorelasi pada lag ke-i

= lag waktu

= banyaknya observasi dalam seri waktu.

Perhitungan akan diperagakan di Contoh 3.2. Jika data benar-benar acak, hampir
semua koefisien autokorelasi sampel harus dimanipulasi dengan range yang ditentukan
oleh nol, plus atau minus dari jumlah standar eror tertentu. Pada tingkat konfidensi
yang ditentukan, data dapat dianggap random jika koefisien autokorelasi yang dihitung
masing-masing dengan interval sekitar 0 diberikan:

di mana perkalian t adalah titik prosentase yang cocok dari distribusi t.

Kelompok 1

Metode Peramalan 2011

Walaupun menguji setiap rk untuk mengetahui koefisien autokorelasi berbeda

signifikan dari nol berguna, lebih baik suatu data diuji dengan rk yang berurutan
sebagai sebuah grup. Kita dapat menggunakan uji sebagian untuk mengetahui apakah
set, katakanlah, nilai 10 rk pertama berbeda secara signifikan dari set yang semua
nilainya nol.
Uji satu sisi umumnya dimodifikasi dari statistik Q Box-Pierce (Persamaan 3.3)
dikembangkan oleh Ljung dan Box. Uji ini biasanya diterapkan untuk residual model
peramalan. Jika autokorelasi dihitung dari proses random, statistik Q memiliki
distribusi chi-square dengan m (banyaknya lag waktu yang diuji) derajat kebebasan.
Untuk residual model peramalan, statistik Q memiliki distribusi chi-square dengan
derajat bebas sama dengan m dikurangi banyaknya parameter yang diestimasi dalam
model. Nilai statistik Q dapat dibandingkan dengan Tabel Chi Kuadrat untuk
menentukan jika lebih besar daripada yang kita harapkan untuk dibawah H0 bahwa
semua autokorelasi pada waktu tertentu adalah 0. Bergantian p-value dihasilkan dengan
test statistik Q dapat dihitung dan dipresentasikan. Statistik Q diberikan pada
Persamaan 3.3. ini akan ditunjukkan pada Contoh 3.3

rk2
Q n(n 2)
k 1 n k
m

(3.3)

dimana :
n = banyak observasi pada waktu tertentu
k = waktu lag
m = angka waktu lag yang di uji

rk = fungsi sampel autokorelasi pada sisa lag k periode waktu

Apakah data acak ?
Untuk menjawab pertanyaan di atas, Persamaan 3.4 adalah model simpel random biasa
disebut white noise model. observasi Yt adalah terdiri dari 2 bagian : c level tertinggi
dan t yang mana adalah komponen random error. Ini sangat penting untuk catatan
bahwa komponen t diasumsikan untuk tidak berkorelasi dari waktu ke waktu.

Kelompok 1

Yt c t

(3.4)

Metode Peramalan 2011

Contoh 3.2
Sebuah hipotesis dikembangkan untuk menentukan apakah koefisien autokorelasi
berbeda signifikan dari 0 untuk data VCR di atas.
Hipotesis nol dan Hipotesis alternatif untuk menguji lag 1 populasi koefisien
autokorelasi adalah
H0 : 1 = 0
H1 : 1 0
Jika H0 adalah benar maka uji satatistik

r1 1
r 0
r1
1

SE (r1 ) SE (r1 ) SE (r1 )

(3.5)

mempunyai distribusi t dengan db = n-1, dimana n-1 = 12-1 = 11 untuk tingkat

signifikan 5% keputusannya adalah :
Aturan pengambilan keputusan : jika t < -2,2 atau t > 2,2 kita dapat menolak H0 dan
menarik kesimpulan lag 1 autokorelasi adalah berbeda signifikan dengan 0.
Nilai kritis 2,2 adalah atas dan bawah 0,025 poin pada distribusi t dengan 11 derajat
kebebasan. Eror Standar r1 adalah SE (r1 ) 1 / 12 0,083 0,289 dan nilai statistik
menjadi

r1
0,572

1,98
SE (r1 ) 0,289

Dan menggunakan keputusan tersebut, H0 tidak ditolak karena -2,2 < 1,98 < 2,2.
Catatan bahwa nilai test statistik rata-rata t = 1,98 sama sebagai kuantitas pada lag 1
garis dibawah t besar pada hasil minitab pada Gambar 3-5. Nilai t pada hasil minitab
mudah nilai pada test statistik untuk uji 0 autokorelasi pada beberapa lag.
Untuk test autokorelasi 0 (pertama) pada waktu lag 2, kita tentukan
H 0 : 2 0

H1 : 2 0
Dan pada tes statistik

r2 2
r 0
r2
2

SE (r2 ) SE (r2 ) SE (r2 )

Dengan menggunakan persamaan (3.2)

Kelompok 1

Metode Peramalan 2011

k 1

1 2 ri 2

SE (r2 )

i 1

2 1

1 2 ri 2
i 1

1 2(0,572) 2
1,6544

0,138 0,371
12
12

Dan

0,463
1,25
0,371
Hasil ini sama dengan T-value untuk lag 2 pada output Minitab dalam gambar 3-

5. Dengan menggunakan aturan kesepakatan diatas, H 0 : 2 0 tidak dapat ditolak

pada level 0,05 karena -2,2 < 1,25 < 2,2. Satu jalan alternatif untuk memeriksa tingkat
signifikasi autokorelasi yang dikontruksikan, mengatakan, tingkat kepercayaan 95%
limit pusat pada 0. Limit pendekatan ini untuk lag1 dan 2 diberikan dengan,
lag 1:0 t o , 25 SE (r1) atau 0 2.2(0.289) (-0.636,0.636)
lag 2: 0 t o , 25 SE (r2) atau 0 2.2(0.371) (-0.816,0.816)
Autokorelasi secara signifikan berbeda dari 0 diindikasikan dengan nilai koefisien
autokorelai untuk rk jatuh disekitar pendekatan dengan tingkat kepercayaan 95%
ditunjukkan pada Gambar 3-5 dengan garis tebal pada grafik dari fungsi autokorelasi.
Contoh 3.3
Minitab digunakan untuk membangkitkan 40 angka random tiga yang
ditunjukkan dalam Tabel 3-3. Gambar 3-6 menunjukkan sebuah grafik runtun waktu
dari data ini. Karena data ini random (independen satu dengan yang lain dari semua
populasi yang sama), autokorelasi dari semua time lags secara teori seharusnya sama
dengan nol. Tiap sampel akan menghasilkan autokorelasi yang berbeda. Banyak dari
sampel ini akan menghasilkan koefisien korelasi sampel yang menuju ke nol. Akan
tetapi, dimungkinkan terdapat satu sampel akan menghasilkan sebuah koefisien
autokorelasi dengan signifikasi yang berbeda dari nol.

Kelompok 1

10

Metode Peramalan 2011

Tabel 3.3 Runtun Waktu dari 40 angka acak pada Contoh 3.3
T
1
2
3
4
5
6
7
8
9
10

Yt
343
574
879
728
37
227
613
157
571
72

t
11
12
13
14
15
16
17
18
19
20

Yt
946
142
477
452
727
147
199
744
627
122

T
21
22
23
24
25
26
27
28
29
30

Yt
704
291
43
118
682
577
834
981
263
424

t
31
32
33
34
35
36
37
38
39
40

Yt
555
476
612
574
518
296
970
204
616
97

Gambar 3-6 grafik runtun waktu Tabel 3.3

Autocorrelation

Autocorrelation Function for Yt

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

Lag

Corr

LBQ

Lag

Corr

LBQ

1
2

-0,19
-0,01

-1,21
-0,04

1,57
1,58

8
9

-0,03
-0,03

-0,15
-0,18

7,67
7,73

-0,15

-0,89

2,53

10

0,02

0,12

7,75

4
5

0,10
-0,25

0,63
-1,50

3,04
6,13

6
7

0,03
0,17

0,16
0,95

6,17
7,63

10

Gambar 3-7 Fungsi autokorelasi menggunakan data pada Contoh 3.3

Kelompok 1

11

Metode Peramalan 2011

Selanjutnya fungsi autokorelasi ditunjukan pada gambar 3-7 yang dikontruksikan

dengan menggunakan minitab. Perlu dicatat bahwa dua garis putus-putus menunjukkan
pendekatan dengan tingkat kepercayaan 95%. 10 time lag dicontohkan, dan semua
koefisien autokorelasi individual (lie within) daripada limit ini. Disana tidak ada alasan
untuk meragukan masing-masing dari 10 lag pertama adalah nol. Akan tetapi
(magnitudes) dari 10 rk pertama sebagai kelompok besar daripada yang lain seharusnya
masuk dibawah hipotesis tidak ada autokorelasi dari tiap lag? Pertanyaan ini dijawab
dengan Ljung-Box Q (LBQ pada minitab) statistik.
Jika tidak ada autokorelasi dari tiap lag statistik Q mempunyai distribusi chikuadrat dengan db = 10 pada permasalahan ini. Dengan konsekuen, value besar dari Q
dalam tail dari distribusi chi-kuadrat kembali sesuai dengan hipotesis null. Dari gambar
3-7 value dari Q (LBQ) dari 10 time lag adalah 7,75. Dari tabel ditribusi Chi-Square,
titik atas dari poin 0.05 dari distribusi chi-kuadrat dengan 10 derajat bebas adalah
18,31. Karena 7,75 < 18.31 hipotesis nol tidak dapat ditolak pada tingkat signifikasi
5%. Data ini tidak ada hubungan pada tiap lag, sebuah hasil yang konsisten dengan
model Persamaan 3.4.
Apakah data mempunyai tren?
Jika sebuah runtun waktu mempunyai trend, sebuah hubungan signifikan terjadi
diantara sejumlah runtun waktu koefisien korelasi dengan tipe besar untuk time lag
pertama, dan kemudian secara berangsur akan turun mendekati nol sebagai jumlah dari
penambahan lag. Runtun yang terdiri dari trend dikatakan tidak stasioner bila koefisien
autokorelasi untuk sebuah runtun waktu stasioner turun menuju ke nol secara umum
setelah waktu lag kedua atau ketiga. Sering, untuk menganalisa runtun tidak stasioner
trend bergerak sebelum penambahan variabel dalam model.
Sebuah metode dikatakan differencing dapat dikatakan untuk merubah tren dari
runtun tidak stasioner VCR data secara asli ditunjukkan di Tabel 3-1 disajikan kembali
dalam Tabel 3.4 kolom pertama, Yt nilai sebelum 1 periode Yt-1, ditunjukkan dalam
kolom kedua. perbedaan Yt Yt-1 adalah ditunjukkan dalam kolom ketiga. Contoh :
nilai pertama untuk perbedaan adalah Y2-Y1 =130-123=7

Kelompok 1

12

Metode Peramalan 2011

Tabel 3.4 beda data VRC

Yt
123
130
125
138
145
142
141
146
147
157
150
160

Yt-1
.
123
130
125
138
145
142
141
146
147
157
150

A.

Beda
7
-5
13
7
-3
-1
5
1
10
-7
10

B.

Gambar 3-8
Catatan : pertumbuhan naik atau trend dari data VCR ditunjukkan dalam Gambar 3-8
plot A. setelah didifferences maka data kembali menjadi stationer.
Contoh 3.4
Maggie Trymane, seorang analisis di Sears, ditugaskan untuk melakukan operasi
peramalan untuk 2001. Dia mengambil data dari tahun 1995-2000 yang ditunjukkan
pada Tabel 3.5

Kelompok 1

13

Metode Peramalan 2011

Tabel 3.5 Data Maggie

Tahun

Yt

Tahun

Yt

Tahun

Yt

Tahun

Yt

1955

3307

1967

7296

1979

17514

1991

57242

1956

3556

1968

8178

1980

25195

1992

52345

1957

3601

1969

8844

1981

27357

1993

50838

1958

3721

1970

9251

1982

30020

1994

54559

1959

4036

1971

10006

1983

35883

1995

34925

1960

4134

1972

10991

1984

38828

1996

38236

1961

4268

1973

12306

1985

40715

1997

41296

1962

4578

1974

13101

1986

44282

1998

41322

1963

5093

1975

13639

1987

48440

1999

41071

1964

5716

1976

14950

1988

50251

2000

40937

1965

6357

1977

17224

1989

53794

1966

6769

1978

17946

1990

55972

Gambar 3-9
Data dari tahun 1955 sampai 2000, ditunjukkan dalam Tabel 3.5, diplotkan
sebagai runtun waktu pada gambar 3-9. Pertama menghitung Maggie internal
konfidensi 95 % untuk koefisien autokorelasi diwaktu ketinggian 1 menggunakan
0 Z0,025 (1/ n ) dimana untuk sampel besar, normal standard 0,025 poin dapat
diganti yang sesuai presentasi poin distribusi tersebut :
0 1,96 ( 1 / 46 )
0 0,289
Berikutnya menghitung data Maggie di minitab dan hasil dari fungsi autokorelasi
ditunjukkan dalam gambar 3-10.

Kelompok 1

14

Metode Peramalan 2011

Autocorrelation

Autocorrelation Function for operating re

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

Lag

Corr

LBQ

Lag

Corr

LBQ

1
2

0,96
0,92

6,49
3,69

44,97
87,07

8
9

0,53
0,45

1,13
0,93

254,83
266,86

0,87

2,78

125,96

10

0,36

0,74

274,97

4
5

0,81
0,75

2,24
1,88

160,49
190,81

11

0,28

0,56

279,84

6
7

0,69
0,61

1,61
1,35

217,26
238,45

10

11

Gambar 3-10
Dalam pemeriksaan, dia mencatat bahwa autokorolasi untuk waktu pertama
ketiga perbedaanya signifikan dari no1, (0,96, 0,92 dan 0,87) dan bahwa nilai itu
berangsur-angsur turun menuju ke nol. Sebagai pemeriksaan terakhir Maggie dilihat
dari stastistik Q untuk 10 waktu ketinggalan. LBQ adalah 274,97 yang lebih besar dari
nilai chi-square18,3 maka dapat disimpulkan bahwa data berpola trend.
Maggie mencurigai bahwa rangkaian dapat dibedakan untuk memindahkan trand
itu dan untuk membuat rangkaian stasioner. Dia membedakan data itu dengan hasil
yang ditunjukkan dalam gambar 3-11. Perbedaan rangkaian ditunjukkan tanpa buktibukti sebuah trend dan fungsi autokorelasi, ditunjukkan dalam Gambar 3-12 kelihatan
untuk mendukunng kesimpulan itu. Memeriksa Gambar 3-12. Meggie memutuskan
bahwa koefisien autokorolasi dalam waktu ditingkatkan 3, 0.32 adalah berbeda jelas
dari nol (dicoba dilevel signifikan 0,05) autokorelasi di ketinggalan-ketinggalan yang
lainya dari ketinggalan 3 adalah kecil dan kehebatan Meggie jika disana ada beberapa
pola dalam data ini dapat dimodalkan menjadi satu.

Kelompok 1

15

Metode Peramalan 2011

Gambar 3-11

Autocorrelation

Autocorrelation Function for diff revenue

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

Lag

Corr

LBQ

Lag

Corr

LBQ

1
2

-0,08
0,05

-0,55
0,33

0,32
0,45

8
9

-0,08
-0,09

-0,48
-0,55

6,54
7,03

0,32

2,16

5,77

10

-0,03

-0,17

7,08

4
5

0,05
-0,01

0,31
-0,04

5,90
5,91

11

-0,06

-0,35

7,30

6
7

-0,03
0,06

-0,20
0,36

5,96
6,17

10

11

Gambar 3-12
Apakah data musiman?
Jika sebuah rangkaian data adalah musiman, sebuah pola dari kalender
menggambarkan dirinya lebih dari sebuah fakta. Penelitian dalam beberapa posisi
untuk membedakan periode musim yang cenderung berhubungan. Jika kuartil data
dalam pola semusim di analisa. Kuartil pertama cenderung kelihatan sama, kuartil
kedua cenderung kelihatan sama dan ketiga keempat dan sebuah koefisien autokorolasi
signifikan akan tampak diwaktu ketinggalan 4. Jika dengan data bulanan dianalisa ,
koefisien autokorolasi signifikan akan tampak diwaktu dalam 12 bulan. Seperti Januari
akan berhubungan dengan Januari yang lainya. Febuary akan berhubungan dengan
Februari lainnya begitu juga keempat. Contoh 3.5 dibahas sebuah rangkaian data
musiman.
Kelompok 1

16

Metode Peramalan 2011

Contoh 3.5
Perkin Kendel adalah seorang analis Outbord Masine Corparation. Dia selalu
merasa bahwa penjualannya adalah musiman. Perkin mengumpulkan data ditunjukkan
di Tabel 3.6 untuk penjualan kuartil keempat dari Outbard Marine cooporation dari
1984 sampai 1996 dan beberapa plot itu sebagai grafik ditunjukkan pada Gambar 3-13.
Tabel 3.6 Data Penjualan untuk Outboard Marine tahun 1984-1996, untuk contoh 3.5
Tahun

31 Desember

31 Maret

30 Juni

30 September

1984

147,6

251,8

273,1

249,1

1985

139,3

221,2

260,2

259,5

1986

140,5

245,5

298,8

287,0

1987

168,8

322,6

393,5

404,3

1988

259,7

401,1

464,6

479,7

1989

264,4

402,6

411,3

385,9

1990

232,7

309,2

310,7

293,0

1991

205,1

234,4

285,4

258,7

1992

193,2

263,7

292,5

315,2

1993

178,3

274,5

295,4

286,4

1994

190,8

263,5

318,8

305,5

1995

242,6

318,8

329,6

338,2

1996

232,1

285,6

291,0

281,4

Dot/Lines show Means

Quarterly

400,0

300,0

200,0

1985,0

1987,5

1990,0

1992,5

1995,0

year

Gambar 3-13

Kelompok 1

17

Metode Peramalan 2011

Autocorrelation

Autocorrelation Function for Quartely ser

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

12

Lag

Corr

LBQ

Lag

Corr

LBQ

1
2

0,39
0,15

2,83
0,97

8,50
9,83

8
9

0,35
-0,18

1,51
-0,76

57,72
59,90

0,29

1,82

14,77

10

-0,43

-1,80

72,53

4
5

0,74
0,15

4,34
0,67

47,11
48,47

11
12

-0,32
0,09

-1,23
0,35

79,33
79,92

6
7

-0,15
-0,05

-0,67
-0,21

49,90
50,04

13

-0,35

-1,34

88,90

Gambar 3-14
Kemudian, dia menghitung sebuah sampel yang besar dengan tingkat
kepercayaan 95% untuk interval koefisien autokorelasi pada waktu lag1 :
0 1,96 ( 0,1 / 52 )
0 0,272
Kemudian Perkin menghitung koefisien autokorelasi yang ditunjukkan pada gambar
3.14. Dia mencatat bahwa koefisien autokorelasi pada waktu lag1 dan 4 secara
signifikan berbeda dari 0. (r1 = 0,39 > 0,272 dan r4 = 0,74 > 0,333 ). Dia
menyimpulkan bahwa Outboard Marine memiliki data penjualan yang berpola
musiman pada empat bulanan.
DAFTAR PUSTAKA
E.Hanke,John,W. Wichern Dean. Business Forecasting. 2005. Pearson Education,Inc

Kelompok 1

18

Metode Peramalan 2011