Teori Analisis Time Series

nasrul setiawan Time Series 6 comments

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.

Berikut jenis data time series dan metode forecesting:

1. Data Stasioner

Data stasioner terjadi bila data berfluktuasi di sekitar rata-rata dan varian yang konstan
seperti

pada

gambar

diatas.

Contoh: Data penjualan mobil yang konstan

Metode yang dapat digunakan:

Nave Models

Simple Averages

Moving Averages

Single Exponential Smoothing

2. Data Trend

Data Trend erjadi bilamana kenaikan atau penurunan sekuler jangka panjang dalam
data.

Contoh:

Metode

penigkatan

yang

Nave models

Double Moving Averages

PDB

indonesia

dapat

dari

tahun

ke

tahun

digunakan:

Double Exponential Smothing

3. Data Siklus

Data ini terjadi bila data dipengaruhi oleh fluktuasi.

Metode yang dapat digunakan 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.

Metode-metode diatas memiliki kekurangan dan kelebihan tersendiri. Tapi, untuk

menentukan model yang terbaik kita dapat melakukan beberapa pendekatan. Berikut
ada

beberapa

cara

untuk

melihat

model

MSE(mean square error)/MSD

MAD(mean absolute deviation)

MAPE(mean absolute percentage error)

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).

Mencari indeks musiman dengan metoda rata-rata sederhana

Indeks musiman dapat digunakan untuk menguraikan perkiraan/ ramalan penjualan tahunan menjadi
perkiraan penjualan per bulan pada tahun mendatang. Untuk mencari indeks musiman dengan

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

= fungsi (trend, musiman, siklis) + 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