Teori Analisis Time Series
Teori Analisis Time Series
yang lebih penting. buat apa sebenarnya kita belajar TS ini? apa kelebihannya?
bedanya dengan yang laen apa? nah! untuk menjawab ini semua sy akan sedikit
mengilustrasikan
dengan
kasus.
"pada tahu kan mengenai krismon? krismon kan krisis moneter di indonesia
pada tahun 1997, pada mulanya krismon ini tidak diduga2 muncul, bahkan
pada saat injury time (bola kali) baik pakar2 ekonomi berkaliber2(saking
hebatnya) tidak menduga krismon akan muncul, namun jauh2 waktu
sebelumnya malah ahli psikologi, antropolgi sudah mengingatkan bom waktu
itu akan terjadi." inti dari cerita yang agak kurang tidak jelas ini yaitu apabila
kita bisa mengetahui lebih awal kalau krismon akan muncul, kita bisa
mengantisipasi dengan berbagai kebijakan sehingga krismon ini tidak begitu
besar dampaknya dan cepat terselesaikan. so, inti dari TS ini yaitu
meramalkan masa depan. tp bukan asal meramalkan,meramalkan secara
ilmiah. bukan asal2an meramal yg sudah diuji. sehingga dari ramalan bisa
dijadikan dasar untuk menentukan kebijkan kedepan supaya kejadian tidak
diinginkan bisa tak terjadi.
Untuk kali ini saya akan membahas kulitnya saja ya, lagi UTS masalahnya. insya allah
postingan
selajutnya.
yang
pertama
Jenis-jenis
Cross
dibahas
yaitu
jenis-jenis
data.
data:
sectional
artinya itu data yang dikumpulkan dalam satu waktu. Contoh:data PDB Indonesia
berdasarkan provinsi tahun 2012
Time
series
artinya data yang dikumpulkan dalam satu series waktu. Contoh: data PDB
Indonesia tahun 1997-2012
Panel
merupakan data gabungan cross sectional dan time series. Contoh: data PDB
Indonesia berdasarkan provinsi tahun 1997-2012
untuk kali ini kita akan membahas data time series, untuk data cross sectional mungkin
dah sering dengan analisis regresi. sedangkan untuk data panel mungkin tingkatannya
lebih
tinggi,
jadi
ane
belom
bahas.
masalahnya
ane
blom
belajar
gan.
Inti dari belajar TS adalah forecasting. Dalam metode forecasting dapat digolongkan
sebagai
berikut:
Disini kita akan focus untuk bagian sebelah kiri yaitu time series method. Selain itu,
dalam time series hal yang perlu diperhatikan yaitu jenis datanya. Jenis data ini sangat
berpengaruh bagaimana kita menggunakan metode yang tepat pada setiap jenis data.
1. Data Stasioner
Data stasioner terjadi bila data berfluktuasi di sekitar rata-rata dan varian yang konstan
seperti
pada
gambar
diatas.
Nave Models
Simple Averages
Moving Averages
2. Data Trend
Data Trend erjadi bilamana kenaikan atau penurunan sekuler jangka panjang dalam
data.
Contoh:
Metode
penigkatan
yang
Nave models
PDB
indonesia
dapat
dari
tahun
ke
tahun
digunakan:
3. Data Siklus
Nave Models
Winters Model
4. Data Musiman
Data dikatakan data musiman jika terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman.
Contoh:
Metode yang
musiman:
dapat
data
produksi
digunakan
untuk
durian.
data
Nave Models
Winters Model
Selain metode diatas ada satu metode lagi yang paling sering digunakan. Karena
kelebihannya yang dapat digunakan hamper di semua jenis data TS yaitu ARIMA(boxjenkins). Untuk semua metode yang saya sebutkan tidak akan saya bahas pada
postingan
kali
ini
saya
akan
melanjutkan
di
postingan
selanjutnya.
beberapa
cara
untuk
melihat
model
terbaik
yang
dapat
digunakan:
Yang perlu diperhatikan model dikatakan baik ketika nilai tersebut yang paling kecil.
Biasanya dalam melakukan analisis pada software statistic biasanya ada output seperti
itu. Jadi, tidak perlu susah-susah.
Trend
Trend adalah keadaan data yang menaik atau menurun dari waktu ke waktu. Ada beberapa tehnik
dalam membuat model trend. Tehnik yang sering digunakan adalah metoda kuadrat terkecil (least
square method). Model trend linier perkiraan adalah sebagai berikut:
Hasil perkiraan penjualan berdasarkan trend tidak memperhatikan adanya pengaruh variasi musiman.
Jika hasil penjualan sepatu pada kenyataannya dipengaruhi oleh adanya variasi musiman, maka
hasil perkiraan penjualan yang hanya didasarkan oleh faktor trend menjadi kurang baik.
Variasi musiman
Salah satu komponen yang mempengaruhi data time series adalah komponen musiman. Gerakan
musiman (seasonal movement) merupakan gerakan yang teratur artinya naik turunnya terjadi pada
waktu-waktu yang sama. Disebut gerakan musiman oleh karena terjadinya bertepatan dengan
pergantian musim didalam satu tahun atau dalam waktu yang singkat. misal:
Harga beras akan turun pada saat musim panen padi.
Penjualan buku akan meningkat pada awal sekolah.
Jumlah pengunjung ke gedung bioskop akan naik pada malam minggu.
Jika data time series dipengaruhi oleh variasi musiman, maka diperlukan metoda peramalan yang
lebih baik yang memperhatikan keterlibatan variasi musiman didalam data.
Untuk keperluan analisa seringkali data time series dinyatakan dalam bentuk angka indeks. Apabila
kita ingin menunjukkan ada tidaknya gerakan musiman perlu dibuat indeks musiman (seasonal
index). Indeks musiman adalah suatu angka yang bervariasi terhadap nilai dasar 100. Jika suatu
periode musiman mempunyai nilai indeks 100, nilai ini menunjukan bahwa pada bulan tersebut tidak
ada pengaruh musiman. Ada beberapa metode untuk menghitung angka indeks musiman, antara
lain adalah metode rata-rata sederhana (simple average method).
metode rata-rata sederhana, pertama perlu dicari nilai rata-rata untuk setiap bulannya dengan
maksud untuk menghilangkan pengaruh trend. Berapa banyak tahun yang digunakan untuk
mendapatkan nilai rata-rata tergantung dari banyak tahun terulangnya gerakan siklis yang maksudnya
untuk menghilangkan pengaruh dari gerakan siklis (misal: 5 tahun, 10 tahun atau lebih).
Dari nilai rata-rata tersebut selanjutnya dicari besaran persentasenya terhadap total atau jumlah nilai
rata-rata dimana jumlah nilai rata-rata tersebut menjadi nilai 100 dalam besaran persentase. Indeks
musiman didapat dengan cara mengalikan besaran persentase masing-masing bulan dengan
konstanta 12.
Metoda Dekomposisi
Dekomposisi adalah suatu prosedur dalam menganalisa data serial waktu dengan cara
mengidentifikasi faktor-faktor komponen yang ada dalam suatu periode data. Setiap komponen
diidentifikasi secara terpisah sehingga pola serial waktu dapat digunakan untuk peramalan kegiatan
masa depan baik untuk jangka pendek maupun jangka panjang.
Pada dasarnya ada 3 komponen yang membentuk pola suatu data serial waktu. Ketiga komponen
tersebut adalah gerakan trend, musiman (seasonal) dan siklis (cyclical). Dekomposisi
mengasumsikan bahwa data dibentuk seperti berikut ini:
Data
= Pola + Error
Trend adalah suatu gerakan yang menunjukan arah perkembangan (kecenderungan menaik
atau menurun.
Gerakan musiman adalah suatu gerakan yang mempunyai pola tetap dari waktu ke
waktu.
Gerakan siklis adalah gerakan jangka panjang disekitar garis trend (berlaku untuk data
tahunan), gerakan siklis ini akan terulang dalam jangka waktu tertentu atau bisa juga dalam jangka
waktu yang tidak sama.
Error/irregular adalah gerakan yang sporadis atau yang tidak tertentu. Gerakan ini
ditimbulkan oleh suatu kejadian yang tak terduga seperti perang, gempa bumi dan sebagainya.
Apabila gerakan trend, musiman, siklis dan error masing-masing diberi simbol T, S, C dan I maka
data serial waktu Y merupakan hasil kali dari 4 komponen tersebut, yaitu:
Y
T x S x C x I