Konsep Dasar:

Time Series Analysis

Lembaga Penelitian dan Pemberdayaan Masyarakat

Institut Pertanian Bogor
2006
 Peramalan
Terdapat berbagai macam teknik peramalan (forecasting)
untuk kasus-kasus data deret waktu, diantaranya metode
dekomposisi, pemulusan (smoothing), regresi terhadap waktu
dan ARIMA.

Untuk memilih teknik mana yang akan dipakai, peneliti harus

mempertimbangkan faktor-faktor berikut: bentuk ramalan
yang diinginkan, kerangka waktu/periode peramalan, pola
data, biaya peramalan, tingkat akurasi yang diinginkan,
ketersediaan data dan kemudahan dalam pengoperasian dan
pemahaman (Bowerman & O'Connel, 1987).
 Asumsi
AsumsiError:
Error:
Regresi -error
-errormenyebar
menyebar
normal
normal
Peramalan --variance
variancedari
darierror
error
adalah
adalahkonstan
konstan
-- Nilai
Nilaisisaan
Time Series sisaan
independen
independen
Model (bebas)
(bebas)

Model Regresi
Mengasumsikan bahwa faktor yang akan diramalkan
menunjukan suatu hubungan sebab akibat
dengan satu atau lebih variabel bebas.

Model Deret Waktu

Pendugaan masa depan dilakukan berdasarkan
nilai masa lalu dari suatu variabel.
Multiple Linear Regression Analysis
Model regresi yang memiliki lebih dari satu
peubah bebas dan linear dalam koefisiennya
disebut model regresi linear berganda.
(Makridakis, S. et. al., 1983)
Secara teoritis, bentuk umum dari model ini
adalah:
Y = β o + β 1 X 1 + ... + β k X k +ε
Tujuan Regresi adalah menduga
parameter yang tidak diketahui dari
model teoritis dengan metode OLS
(ordinary least square).
 Empat Asumsi dalam Regresi Linear
Berganda Asumsi ini sering tidak
dapat dpenuhi jika menggunakan
n Linear dalam parameter data deret waktu

n Nilai sisaan independen (bebas) /tidak terdapat

Autokorelasi
dapat diuji dengan Uji Durbin-Watson statistic
n Homoscedasticity (Ragam konstan)
dapat diuji dengan Goldfield and Quant test.
n Sisaan menyebar normal
Uji untuk kenormalan sisaan adalah statistik Shapiro
Wilk./Anderson-Darling
n Multikolinieritas
Terdapat korelasi antar variabel bebas.
Dapat diuji dengan Variance Inflation Factor (VIF),
jika VIF lebih besar dari10, ada multikolinieritas
 Time Series Data

Data deret waktu secara teoritis ditulis sebagai:

xt =b1z1(t)+b2z2(t)...+bkzk (t)+εk
dimana
bk = Parameter ke - k
z k (t ) = Fungsi Matematik ke - k pada t
εk = Komponen Acak ke - k
 Time Series Plot
Time Series plot sangat penting untuk melihat pola
data deret waktu yang akan kita analisa lebih lanjut.
Dibawah ini adalah contoh data deret waktu
penjualan yang memiliki pola musiman.
Time Series Plot of penjualan
18

16

14

12
penjualan

10

0
1 7 14 21 28 35 42 49 56 63 70
Index
 Pola Time Series Data
Secara garis besar pola data time series adalah:

n Pola Data Horizontal

à Terjadi bila data berfluktuasi di sekitar rata-rata
yang konstan.
Contoh: Data penjualan yang konstan

n Pola Data Musiman

à Terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman (misalnya kuartal tahun tertentu,
bulanan, atau hari-hari pada minggu tertentu)
Contoh: Data produksi tanaman
 Pola Time Series Data (contd)
n Pola Data Siklis
à Terjadi bila data dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis.
Contoh: Penjualan mobil
n Pola Data Trend
à Terjadi bilamana kenaikan atau penurunan
sekuler jangka panjang dalam data
Contoh: GNP
n Pola Gabungan antara beberapa pola yang telah
disebutkan diatas.
Contoh Pola-pola Data Time Series
 Autokorelasi
Autokorelasi didefinisikan sebagai korelasi antar suatu deret
waktu dengan deret waktu itu sendiri dengan selisih waktu
(lag) 0, 1, 2 periode atau lebih. Secara matematis, rk yaitu
autokorelasi untuk lag ke-1, 2, 3, ..., k dapat dinotasikan
sebagai : n−k

∑ (X t − X )( X t + k − X )
rk = t =1
n

∑ t
( X
t =1
− X ) 2

Plot fungsi autokorelasi

(Autocorrelation Function, ACF)
 Autokorelasi Parsial
n Autokorelasi parsial rkk digunakan untuk mengukur tingkat
keeratan antara X, dan Xt-1 apabila pengaruh dari lag ke-1,
2, 3, ..., dan seterusnya sampai k-1 dianggap terpisah. Notasi
matematisnya adalah: n−k
r − k ∑
r , r
j =1
k −1 j k− j

r kk = k −1
1− ∑
j =1
r k − 1 , j r jk

Notasi pertama berlaku jika k=1. Sedangkan untuk k=2, 3, dan seterusnya
digunakan notasi kedua.

Plot fungsi autokorelasi parsial (Partial

Autocorrelation Function, PACF)
 Contoh ACF dan PACF plot
Autocorrelation Function for HB-2
1.0
Autocorrelation
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

1 6 11 16

Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ

1 0.85 6.85 49.11 8 0.35 1.08 206.39 15 -0.12 -0.36 225.32

2 0.76 3.92 89.09 9 0.31 0.96 214.00 16 -0.17 -0.52 228.01
3 0.71 3.03 124.69 10 0.26 0.79 219.30
4 0.62 2.32 152.00 11 0.20 0.59 222.37
5 0.52 1.82 171.91 12 0.13 0.38 223.68
6 0.45 1.48 186.65 13 0.05 0.14 223.87
7 0.38 1.21 197.27 14 -0.05 -0.13 224.04

Partial Autocorrelation Function for HB-2

Partial Autocorrelation
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

1 6 11 16

Lag PAC T Lag PAC T Lag PAC T

1 0.85 6.85 8 0.13 1.08 15 -0.01 -0.09

2 0.14 1.12 9 0.03 0.27 16 0.05 0.37
3 0.14 1.11 10 -0.07 -0.58
4 -0.13 -1.04 11 -0.15 -1.17
5 -0.09 -0.72 12 -0.14 -1.14
6 -0.04 -0.33 13 -0.11 -0.92
7 -0.01 -0.05 14 -0.11 -0.90
Cross-Corelation

n Cross correlations anatara dua series x dan y adalah:

n dan

n Tidak seperti , autocorrelations, cross correlations tidak selalu

symmetric disekitar lag 0.
Kelayakan Peramalan
MAPE, MAD (Mean Absolut Deviation) dan MSD
(Mean Squared Deviation) dapat digunakan untuk
mengukur kelayakan model. Model dengan nilai
MAPE, MAD, dan MSD terkecil yang akan
dipilih. MAD dan MSD dapat dihitung sebagai
berikut: ∑ y − yˆ
n

t t
MAPE = t = 1
x 100
n
n ^
∑ | y t − y t |
MAD = t = 1
n
n ^
∑ ( y t − y t ) 2

MSD = t = 1
n
Sekian
dan

Terima Kasih