ANALISIS DERET WAKTU

PENCOCOKAN TREND (TREND FITTING)

MAKALAH
UNTUK MEMENUHI TUGAS MATAKULIAH
Analisis Deret Waktu
yang dibina oleh Trianingsih Eni Lestari, S.Si, M.Si

oleh
Achmad Romadhon 140312600000
Acika Karunila 140312604858
Dwita Nur Wahyuni 140312600744
Furita Wahyu N.R. 140312600886
Nur Fadhilla 140312604783

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
Februari 2017
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Prediksi terhadap kejadian di masa depan disebut ramalan, dan tindakan
untuk membuat prediksi tersebut disebut peramalan (Bowerman, 1993).
Peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi
dan memperkirakan kuantitas yang tak pasti, sehingga tindakan yang tepat
dapat dilakukan.
Pada dasarnya metode peramalan dapat dibagi ke dalam 2 jenis, yaitu
metode peramalan kualitatif dan metode peramalan kuantitatif. Peramalan
deret waktu merupakan salah satu teknik dari metode peramalan kuantitatif.
Tujuan dari peramalan deret waktu adalah untuk menemukan pola data dalam
deret data historis dan mengekstrapolasikan pola tersebut ke masa depan
(Makridakis, 1983). Beberapa metode peramalan deret waktu diantaranya
adalah metode Box Jenkins, metode Eksponential Smoothing, dan metode
dekomposisi.
Metode dekomposisi pada dasarnya adalah memecahkan pola data deret
waktu menjadi unsur trend, siklus, musiman, dan perubahan yang bersifat
random. Estimasi unsur yang digunakan untuk menggambarkan deret waktu
tersebut. Jika parameter runtun waktu tidak berubah, maka estimasi tersebut
dapat digunakan untuk perhitungan peramalan.
Salah satu keunggulan metode dekomposisi adalah penggunaannya
ketika data memiliki perubahan yang mempunyai pola yang kompleks dan
biasanya ada unsur kenaikan, flukuasi, dan ketidakteraturan.
Metode dekomposisi yang pertama dikembangkan adalah dekomposisi
aditif dan multiplikatif. Keduanya dikenal dengan dekomposisi klasik.
Metode dekomposisi multiplikatif digunakan ketika model dari suatu data
deret waktu menunjukkan peningkatan atau penurunan variasi musiman.
Sedangkan metode dekomposisi aditif digunakan ketika model dari suatu data
deret waktu menunjukkan variasi musiman yang konstan.
 Metode dekomposisi klasik menggunakan pendekatan rata-rata
bergerak sebagai prosedur pemulusan data untuk memperoleh estimasi
komponen trend-siklus. Secara grafis, trend digambarkan sebagai pencocokan
data terhadap suatu garis lurus. Namun kelemahan dari pencocokan data
terhadap garis lurus tersebut adalah terjadi bias ketika pemulusan mendekati
akhir data deret waktu (Makridakis, 1998).
Oleh karena itu dalam makalah ini akan dikaji mengenai pencocokan
trend (trend fitting) yang merupakan dasar dari peramalan.

1.2 Rumusan Masalah

1. Apa yang dimaksud dengan metode dekomposisi?
2. Bagaimana langkah-langkah umum proses dekomposisi untuk semua
metode?
3. Bagaimana penerapan metode dekomposisi untuk deret data yang
mengandung trend, musiman, dan unsur acak?
4. Bagaimana cara menentukan persamaan garis trend linear untuk data
deret berkala?
5. Bagaimana penerapan untuk pencocokan trend (trend fitting)?

1.3 Tujuan
1. Dapat mengetahui apa yang dimaksud dengan metode dekomposisi
2. Dapat mengetahu langkah-langkah umum proses dekomposisi untuk
semua metode
3. Dapat memahami penerapan metode dekomposisi untuk deret data yang
mengandung trend, musiman, dan unsur acak
4. Dapat mengetahui persamaan garis trend linear untuk data deret berkala
5. Dapat memahami penerapan untuk pencocokan trend (trend fitting)
 BAB II
PEMBAHASAN

2.1 Pengantar

Metode peramalan yang dibahas pada bab sebelumnya didasarkan atas

konsep dimana terdapat pola yang mendasari dalam deret data, maka pola tersebut
dibedakan dari keacakan dengan cara pemulusan nilai masa lalu. Pengaruh dari
pemulusan ini adalah untuk menghilangkan keacakan sehingga pola tersebut
diproyeksikan ke masa depan dan digunakan sebagi ramalan. Metode pemulusan
tidak berusaha membedakan masing-masing komponen dari pola dasar yang ada.
Seringkali pola tersebut dapat dipecah (didekomposisi) menjadi sub pola yang
menunjukkan tiap-tiap komponen deret berkala secara terpisah. Pemisahan itu
seringkali membantu meningkatkan ketepatan peramalan dan membantu
pemahaman atas perilaku deret data secara lebih baik.
Metode dekomposisi biasanya mencoba memisahkan tiga komponen
terpisah dari pola dasar yang cenderung mencirikan deret data ekonomi dan
bisnis. Komponen tersebut adalah factor trend, siklus dan musiman. Factor trend
menggambarkan perilaku data dalam jangka panjang, dan dapat meningkat,
menurun, atau tidak berubah. Factor siklus menggambarkan baik turunnya
ekonomi atau industry tertentu dan sering terdapat pada deret data seperti Produk
Bruto Nasional (GNP), indeks produksi industry, permintaan untuk perumahan,
penjualan barang produksi sepeti mobil, harga sahib dsb. Factor musiman
berkaitan dengan fluktuasi periodic dengan panjang kostan yang disebabkan oleh
hal-hal seperti temperature, curah hujan, bulan pada satu tahun dsb. Perbedaan
antara musiman dan siklus adalah bahwa musiman itu berulang dengan sendirinya
pada interval yang tetap seperti tahun, bulan aytau mingguan, sedangkan factor
siklus menpunyai jangka waktu yang lebih lama dan lamanya berbeda dari siklus
yang satu ke siklus yang lain.
Dekomposisi mempunyai asumsi bahwa data itu tersusun sebagai berikut:
Data = pola + galat
= f(trend, siklus, musiman) + galat
 Jadi selain komponen pola, terdapat pula komponen unsure galat atau
keacakan. Galat ini dianggap merupakan perbedaan antara pengaruh gabungan
dari tiga sub-pola deret tersebut dengan data yang sebenarnya.
Metode dekomposisi termasuk pendekatan peramalan yang tertua. Metode
ini pertama kali digunakan untuk mengenali dan mengendalikan siklus bisnis.
Dasar dari metode dekomposisi ini muncul pada tahun 1920-an ketika konsep
rasio-trend (ratio-to-trend) doperkenalkan. Sejak saat itu pendekatan dekomposisi
telah digunakan secara luas baik oleh para ahli ekonomi ataupun para pengusaha.
Terdapat beberapa pendekatan alternatif untuk mendekomposisi suatu deret
skala, yang semuanya bertujuan memisahkan setiap setiap komponen deret data
seteliti mungkin. Konsep dasar dalam pemisahan tersebut bersifat empiris dan
tetap yang mula-mula memisahkan musiman, lalu trend, dan akhirnya siklus.
Residu yang dianggap unsur acak yang walaupun tidak dapat ditaksir, tetapi dapat
diidentifikasi. Dipandang dari segi statistika, pendekatan dekomposisi ini
mempunyai sejumlah kelemahan teoritis. Walaupun demikian, para praktisi
banyak yang mengabaikan kelemahan ini dan telah menggunakan pendekatan ini
dengan sangat berhasil.
Penulisan matematis umum dari pendekatan dekomposisi adalah :

dimana :
adalah nilai deret berkala (data yang aktual) pada periode
adalah komponen musiman (atau Indeks) pada periode
adalah komponen trend pada periode
adalah komponen siklus pada periode , dan
adalah komponen galat atau acak pada periode
Bentuk fungsional yang pasti dari persamaaan bergantung pada metode
dekomposisi yang digunakan. Beberapa metode ini akan dibahas dalam bab ini.
Untuk semua metode tersebut proses dekomposisinya adalah serupa dan terdiri
atas langkah-langkah sebagai berikut :
1. Pada deret data yang sebenarnya hitung rata-rata bergerak yang
panjangnya sama dengan panjang musiman. Maksud dari rata-rata
bergerak ini adalah menghilangkan unsur musiman dan keacakan. Merata-
 ratakan sejumlah periode yang sama dengan panjang pola musiman (misalnya
12 bulan, 4 kuartal, atau 7 hari) akan menghilangkan unsur musiman dengan
membuat rata-rata dari periode yang musimnya tinggi dan periode yang
musimnya rendah.karena galat acak tidak mempunyai pola yang sistematis,
maka perata-rataan ini juga mengurangi keacakan.
2. Pisahkan rata-rata bergerak periode (langkah 1 di atas) dari deret data
semula untuk memperoleh unsur trend dan siklus.
3. Pisahkan faktor musiman dengan menghitung rata-rata untuk tiap periode
yang menyusun panjang musiman secara lengkap
4. Identifikasi bentuk trend yang tepat (linier, eksponensial, kuva-S, dan lain-
lain) dan hitung nilainya untuk setiap periode.
5. Pisahkan hasil langkah 4 dari hasil langkah 2 (nilai gabungan dari unsur trend
dan siklus) untuk memperoleh faktor siklus.
6. Pisahkan musiman, trend, dan siklus dari data asli untuk mendapatkan unsur
acak yang ada, .

Deret ini mengandung trend, musiman, dan unsur acak.

6 langkah di atas dapat dilakukan dengan baik jika persamaan (4-1) diasumsikan
mempunyai bentuk:

Karena komponen siklus tidak terdapat dalam data ini maka

TABEL 4-1 PROSEDUR DEKOMPOSISI UNTUK DERET DATA YANG

MENGANDUNG TREND MUSIMAN DAN UNSUR ACAK

Periode
Trend Musiman Keacakan Deret Berkala
1 2 3 -0,3 4,7
2 4 5 0 9,0
3 6 7 0 13,0
4 8 3 0,3 11,3
5 10 5 0,9 15,9
6 12 7 0,6 19,6
7 14 3 -0,3 16,7
 8 16 5 -0,3 20,7
9 18 7 0 25,0
10 20 3 0,6 23,6
11 22 5 0 27,0
12 24 7 0,3 31,3

Langkah 1: Tugas awal adalah menentukan panjang musiman dari data

agar jumlah periode tersebut dapat digunakan untuk menghitung
rata-rata bergerak. Dari data, pola musimannya adalah 3, karena
nilai yang sama (3,5,7) berulang setiap 3 periode. Sehingga harus
dihitung rata-rata bergerak 3 periode (N=3) dan diletakkan di
tengah-tengah 3 angka yang diratakan. Nilai rata-rata bergerak 3
periode hanya menunjukkan trend dan siklus, karena unsur acak
dan musiman telah dihilangkan. (Tabel 4-2 menunjukkan nilai rata-
rata bergerak yang dihasilkan.)
Langkah 2: Mengurangkan nilai rata-rata bergerak terhadap nilai deret
waktu.
Perbedaan yang dihasilkan (kolom 5) adalah musiman dan unsur
acak. Oleh karena itu, Tabel 4-2 membagi nilai deret berkala
menjadi 2 bagian, yaitu satu bagian meliputi komponen trend-
siklus dan lainnya komponen musiman-acak.
Langkah 3: Memisahkan keacakan dari unsur musiman dengan cara
meratakan semua nilai yang mengacu pada musim yang sama
(yaitu I, II, dan III). Perataan in dilakukan pada Tabel 4-3, dimana
data dasar tersebut merukan komponen musiman acak pada Tabel
4-2.
Faktor musiman rata-rata (-2,0,2) menunjukkan bahwa musim II
dijadikan titik dasar untuk musim, lalu musim I, lalu musim III.
Langkah 4-5: Dalam proses dekomposisi adalah memisahkan trend dan
siklus. Dalam contoh ini, pemisahan tidak diperlukan karena
siklusnya nol dan oleh karena itu komponen trend-siklus
merupakan trend seluruhnya. Tetapi secara umum, harus
 dianggap adanya suatu kurva trend tertentu, nilai ini dihitung
untuk setiap periode, dan nilai tersebut dikurangkan terhadap nilai
trend-siklus (nilai rata-rata bergerak).
Langkah 6 : Memisahkan unsur acak dari deret data dengan cara
mengurangi deret berkala semula dengan nilai-nilai komponen
yang diperoleh di atas yaitu faktor trend, siklus, dan musiman.
TABEL 4-2 PERHITUNGAN DEKOMPOSISI UNTUK RATA-RATA BERGERAK
(1) (2) (3) (4) (5)
Periode Musim

(Deret Berkala) (Rata-Rata

Bergerak)

I 4,7 - -
2 II 9,0 8,9 0,1
3 III 13,0 11,1 1,9
4 I 11,3 13,4 -2,1
5 II 15,9 15,6 0,3
6 III 19,6 17,4 2,2
7 I 16,7 19,0 -2,3
8 II 20,7 20,8 -0,1
9 III 25,0 23,1 1,9
10 I 23,6 25,2 -1,6
11 II 27,0 27,3 -0,3
12 III 31,3 - -

TABEL 4-3 PROSEDUR DEKOMPOSISI UNTUK INDEKS MUSIMAN

MUSIM
I II III
- 0,1 1,9
-2,1 0,3 2,2
-2,3 -0,1 1,9
-1,6 -0,3 -
 Jumlah Faktor Musiman
-6 0 6
Faktor Musim Rata-rata
-2 0 2

Sebelum membahas macam-macam variasi yang tersedia untuk

menerapkan pendekatan dekomposisi dalam peramalan, akan diperkenalkan
masalah pencocokan trend

2.1.1 Langkah-langkah Perhitungan Metode Dekomposisi Menggunakan

Minitab :
1. Input data ( Trend, Musiman dan Keacakan)
2. Menghitung deret berkala dengan cara:
Pilih calc Calculator Store result in variable (di isi : Deret Berkala)
Ekspression (di isi : Trend+Musiman+Keacakan)
3. OK
Selanjutnya menghitung dekomposisi untuk rata-rata bergerak. Dengan
langkah-langkah sebagai berikut:
1. Pilih Stat Time Series Moving Average Variable (di isi: Deret
Berkala)- MA Length (diisi: 3) Centang center the moving average
2. Pilih Storage centang Moving Average
3. OK

Menghasilkan graik seperti dibawah ini:

Kemudian menghitung nilai dengan cara sebagai berikut:

1. Input data ( Trend, Musiman dan Keacakan)
 2. Menghitung deret berkala dengan cara:
Pilih calc Calculator Store result in variable (di isi : )
Ekspression (di isi : Deret Berkala+Moving Average)
3. OK

2.2 PENCOCOKAN TREND (FITTING TREND)

Pencocokan suatu garis lurus terhadap data stasioner (horisontal) dapat

dilakukan dengan cara meminimumkan MSE menggunakan:

Dalam arti grafis, persamaan diatas menunjukkan suatu garis lurus horisontal dan
ditentukan oleh suatu parameter, yaitu . Garis trend memelrlukan dua parameter,
dan , untuk spesifikasi. Nilai dan dapat dicari dengan cara yang serupa
dengan yang digunakan untuk mencari . Nilai dan dapat diperoleh dengan
meminimumkan MSE di mana galatnya adalah perbedaan antara nilaidata dari
deret berkaladan nilai garis trend yang bersangkutan.
 GAMBAR 4-1 GARIS TREND LINIER UNTUK DATA DERET BERKALA

Prosedur ini dikenal sebagai regresi sederhana dan akan dibahas secara terinci
pada Bab 5. Ada 2 hal yang perlu diperjelas:
1. Garis trend seperti yang ditunjukkan pada Gambar 4-1 dapat dijelaskan
dengan dua parameter, dan , dalam bentuk

Ket :
= Peramalan saat t
a = Intercept
b = kemiringan garis
2. Nilai dan yang meminimumkan MSE dapat diperoleh dengan
menggunakan persamaan berikut:

Ket :
n = Banyaknya data
t = Waktu ( independen variabel)

Terdapat beberapa kurva trend lain yang non-linier dapat dicocokkanpada suatu
deret data (misalnya, eksponensial, kurva-S, kuadratik, logaritmis). Untuk
keperluan bab ini, hanya akan dibahas trend yang linier, walaupun bentuk-bentuk
lain dapat digunakan sebagai bagian dari metode dekomposisi, jika memang
sesuai.

2.2.1 Contoh Metode Trend Linear

Sumber : slideplayer.info/slide/1977098/

t t

1 2050 2050 1 2108,5 3422,2

2 2235 4470 4 2210,1 620,0

3 2420 7260 9 2311,7 11728,9

4 2360 9440 16 2413,3 2840,9

5 2490 12450 25 2514,9 620,0

6 2620 15720 36 2616,5 12,3

21 14175 51390 91 19244,3

Penyelesaian:
Jadi, persamaan garisnya adalah

Grafik :
 BAB III
PENUTUP

3.1 Kesimpulan
1. Metode dekomposisi adalah salah satu metode peramalan yang
didasarkan pada kenyataan bahwa biasanya apa yang telah terjadi akan
berulang atau terjadi kembali dengan pola yang sama. Selain itu metode
dekomposisi biasanya memisahkan tiga komponen yang cenderung
mencirikan deret data ekonomi. Komponen tersebut adalah faktor trend,
siklus dan musiman.
2. Langkah-langkah dengan metode dekomposisi secara umum:
Pertama menentukan panjang musiman dari data, lalu mengurangkan
nilai rata-rata bergerak terhadap nilai deret waktu, memisahkan
keacakan dari unsur musiman, memisahkan trend dan siklus, dan
memisahkan unsur acak dari deret data
3. Secara grafis, trend digambarkan sebagai pencocokan data terhadap
suatu garis lurus. Namun kelemahan dari pencocokan data terhadap
garis lurus tersebut adalah terjadi bias ketika pemulusan mendekati
akhir data deret waktu.
4. Persamaan garis trend linear untuk data deret berkala:

Ket :
= Peramalan saat t
a = Intercept
b = kemiringan garis
Nilai dan yang meminimumkan MSE dapat diperoleh dengan
menggunakan persamaan berikut:
 Ket :
n = Banyaknya data
t = Waktu ( independen variabel)

3.2 Saran

Demikian hasil makalah untuk memenuhi tugas yang dapat saya paparkan.
Dalam pembuatan makalah ini masih banyak terdapat kekurangan, sehingga kritik
dan saran dari pembaca sangat saya harapkan. Semoga makalah ini dapat
bermanfaat bagi pembaca.
 DAFTAR PUSTAKA

Makridakis, Whellwright. 2007. Analisis Deret Waktu dan Peramalan. Tarsito.

Bandung.
Prawito, Ponsen Sindu. 2007. Statistika Ekonomi : Analisis Runtun Waktu.
https://www.slideshare.net/zomb/statistika-deskriptif-bab-05-analisis-
trend-1163087 (Diakses tanggal 22 Februari 2017).
Rudianto, Muchtar. 2015. Metode Peramalan (Forecasting Method).
http://slideplayer.info/slide/1977098/ (Diakses tanggal 24 Februari
2017).