Analisis Data Berkala
Analisis Data Berkala
PENDAHULUAN
1.1 Latar Belakang
Dari suatu runtut waktu akan dapat diketahui pola perkembangan suatu
peristiwa, kejadian atau variabel. Jika perkembangan suatu peristiwa mengikuti
suatu pola yang teratur, maka berdasarkan pola perkembangan tersebut akan
dapat diramalkan peristiwa yang bakal terjadi dimasa yang akan datang.
Jika nilai variabel atau besarnya gejala (peristiwa) dalam runtut waktu
(serangkaian waktu) diberi simbol Y1, Y2, ..Yn dan waktu-waktu pencatatan nilai
variabel (peristiwa) diberi simbol X1, X2, ..Xn maka rutut waktu dari nilai
variabel Y dapat ditunjukan oleh persamaan Y = f (X) yaitu besarnya nilai
variabel Y tergantung pada waktu terjadinya peristiwa itu.
1
BAB II
PEMBAHASAN
Data berkala ( time series data ) adalah data yang dikumpulkan dari waktu ke
waktu untuk menggambarkan perkembangan suatu kegiatan (perkembangan
produksi, harga, hasil penjualan, jumlah personil, penduduk, jumlah kecelakaan,
jumlah kejahatan, jumlah peserta KB, dan lain sebagainya).
Jika biaya iklan naik Rp100 juta, berapa kenaikan hasil penjualan yang dapat
diharapkan; jika gaji naik 1 persen, berapa persen kenaikan prestasi kerja; jika
pupuk naik 10 juta ton, berapa ton produksi padi dapat diharapkan; jika berat
badan 1 persen, berapa persen kenaikan tekanan darah; jika pendapatan naik 1
persen, berapa persen kenaikan konsumsi. Dengan data berkala kita juga dapat
membuat ramalan-ramalan berdasarkan garis regresi atau garis trend.
Karena data berkala itu terdiri dari beberapa komponen, makan dengan
analisis data berkala kita dapat mengetahui masing-masing komponen, bahkan
dapat menghilangkan satu atau beberapa komponen kalau ingin menyelidiki
2
komponen tersebut secara mendalam tanpa kehadiran komponen lain. Data
berkala, karena adanya pengaruh dari komponen-komponen tersebut, selalu
mengalami perubahan sehingga apabila dibuat grafiknya akan menunjukkan
fluktuasi (fluctuation), yaitu gerakan naik turun.
Secara matematis suatu data berkala dari simbol Y1, Y2 ..... YI,...., Yn sebagai nilai
Y (yaitu produksi, hasil penjualan, ekspor, harga, dan lain sebagainya).
3
Y merupakan fungsi dari waktu , Y =F(X), di mana X = waktu
Apabila kita perhatikan peraga 9.1, jelas terlihat adanya fliktuasi harga dari
waktu ke waktu. Variasi data berkala di sebabkan oleh banyak faktor, antara lain
faktor ekonomi dan bukan ekonomi. Ada 4 macam gerakan yang menyebabkan
data berkala (Y) berfluktuasi
Variasi data berkalaterdiri dari empat macam atau empat komponen sebagai
berikut:
4
yang dikumpulkan dari tahun ke tahun (lihat Tabel 9.1 dan peraga 9.1
yang menunjukan adanya penurunan harga tepung terigu sekitar bulan 5
dan 6, yaitu sekitar Mei dan Juni), gerakan musiman juga berlaku pada
data harian, mingguan, atau satuan waktu yang lebih kecil lagi. Disingkat
S (= seasonal)
4) Gerakan/variasi yang teratur (irregular or random movements), adalah
gerakan/variasi yang sifatnya sporadis, misalnya naik turunnya produksi
akibat banjir yang datangnya tidak teratur, gempa bumi, tsunami, gunung
meletus. Disingkat I (=irregular).
5
Analisis data berkala (analisys of times series) pada umumnya terdiri dari
uraian (description) secara matematis tentang komponen-komponen yang
menyebabkan gerakan-gerakan atau variasi-variasi yang tercermin dalam fluktuasi.
Untuk mendapatkan pengertian yang lebih jelas, perhatikan grafik berkala yang
ideal seperti terlihat pada peraga 9.3 tersebut di atas.
Y = T× C × S × I (9.1)
Ada juga hasil statistik yang menganggap bahwa data berkala merupakan hasil
penjumlahan dari 4 komponen tersebut , yaitu :
Y=T + C + S + I (9.2)
6
Data berkala dapat digunakan sebagai dasar pembuatan garis trend. Garis trend
dapat di pergunakan untuk membuat ramalan yang sangat di perlukan untuk dasar
perumusan perencanaan.
Cara menarik garis trend dengan tangan bebas merupakan cara yang
paling mudah, tetapi sifatnya sangat subjektif, maksudnya kalau ada
lebih dari satu orang diminta untuk menarik garis trend dengan cara ini
akan diperoleh garis trend lebih dari satu. Sebab masing-masing orang
7
mempunyai pilihan sendiri sesuai dengan anggapannya, garis mana yang
mewakili diagram pencar (scatter diagram) tersebut. Pedomannya
±50% titik berada di atas dan ±50% titik berada di bawah garis trend.
8
Seperti telah dijelaskan sebelumnya bahwa metode tangan bebas lebih
bersifat subjektif, maka untuk memperoleh garis trend yang lebih
objektif adalah dengan dua titik koordinat yaitu titik awal dan titik akhir.
Dalam contoh ini, kita anggap tahun 2000 sebagai titik asal (X = 0),
2001 titik pertama (X = 1), dan seterusnya. Titik asal dapat berubah-
ubah. Jika 2000 digunakan sebagai titik asal, maka untuk tahun 2000 (X
= 1), 2001 (X = 2), dan seterusnya.
Jika 2000 sebagai titik asal dan 2009 titik akhir, maka kita peroleh dua
titik koordinat {(0,2)} dan {(9,21)}, apabila nilai-nilai ini kita masukan
ke persamaan garis lurus Y= a + bX kita peroleh persamaan berikut:
Y = a + bX
2 = a + b(0)
a = 2
21 = a + b(9)
21 = 2 + 9b
9b = 21 - 2
9b = 19
b = 19 / 9
b = 2,11
9
Untuk meramalkan tahun 2010 dan 2011, maka nilai x (10 dan 11) harus
dimasukkan dala persamaan tersebut. Jadi, ramalan Produksi tahun 2010
dan 2011 adalah:
Cara ini lebih objektif karena didasarkan atas perumusan matematis dan
bukan didasarkan atas penilaian individu yang sering dipengaruhi oleh
subjektifitas pribadi
10
Data 6 tahun : 𝑋1, 𝑋2, 𝑋3, 𝑋4, 𝑋5, 𝑋6
0 1
⏟ 2 3 4 5
⏟
I II
1,5 dan 5,5 merupakan titik absis (absis pertama antara tahun ke dua
dan ketiga serta absis ke dua antara tahun ke enam dan ke tujuh).
11
Cara membuat rend dengan rata – rata semi
Kita peroleh dua titik koordinat {(1,5), (11.428,5)} dan {(5,5), (13.846,2)}.
Kemudian nilai – nilai ini dimasukkan ke dalam persamaan Y = a + bX, sebagai
berikut :
11.428,5 = a + b(1,5) ... (1)
13.846,2 = a + b (5,5) ... (2)
Dari (1) a = 11.428,5 – 1,5b, masukkan ke (2)
= 11.428,5 – 4b
4b = 2.417,7
b = 604,42
a = 11428,5 – 1,5(604,42)
= 10.521,87
12
Dari persamaan di atas, diramalkan PDB untuk tahun 2000 dan tahun
2001 sebagai berikut :
Metode rata – rata semi ini tidak memerlukan gambar (grafik). Kia
dapat memperoleh nilai ramalan langsung dari persamaan. Sedangkan
dengan metode tangan bebas, hasil ramalan harus dibaca dari skala pada
sumbu Y. Dari conto soal 9.2, (b = 604,42), diperlihatkan bahwa rata –
rata kenikan per tahun Produk Domestik Bruto adalah Rp 604,42 miliar,
yang ternyata lebih rendah dari pada dengan cara menghubungkan titik
rendah dan tinggi.
Setiap rata – rata hitung di atas disebut total bergerak (moving total), yang
barguna untuk mengurangi variasi dari asli data asli. Di dalam data berkala, rata
– rata bergerak sering dipergunkan untuk memuluskan fluktuasi yang terjadi
dalam data tersebut. Proses pemulusan ini disebut pemulusan data berkala.
Apabila rata – rata bergerak dibuat dari data tahunan atau bulanan dengan
orde n (movig average of order n ).
13
14
Dari grafik diatas bisa dilihat bahwa makin besar derajat rata – rata bergerak,
semakin mulus bentuk kurva. Maksudnya, makin berkurang fluktuaasinya maka
tampak dengan jelas adanya trend (dalam hal ini trend yang menurun).
𝑌 ′ = 𝑎 + 𝑏𝑋
di mana
Y’ = data berkala (time series data)
X = waktu (hari, minggu, bulan, tahun)
a dan b = bilangan konstan.
Jadi, mencari garis trend berarti mencari nilai a dan b. Apabila a dan b sudah
diketahui, maka garis trend tersebut dapat dipergunakan untuk meramalkan Y.
Untuk mencari persamaan trend garis lurus dengan metode kuadrat kecil dapat
dilkukan dengan beberapa cara.
Cara 1 :
15
Pada cara pertma ini, untuk mengadakan perhitungan diperluan nilai tertentu
pada varibel waktu (X) sedemikian rupa, sehigga jumlah nilai variabel waktu
adalah nol.
∑ 𝑋𝑖 = 0
𝑖=1
Misalnya :
Untuk n = 3, maka 𝑋1 , 𝑋2 , 𝑋3
−1, 0, 1
Untuk n = 4, maka 𝑋1 , 𝑋2 , 𝑋3 , 𝑋4
−3, −1, 1, 3
Pada umumnya, yang diberi nilai 0 adalah variabel waktu yang letaknya
ditengah.
(a) Untuk n ganjil n = 2k + 1
2k = n – 1
k = 0
X 𝑛−1
k+1 =
2
n = 3 𝑛−1 2
k= 2
= 2
=3 X k + 1 = X2 = 0
n = 4
5 k=2
= 2 X k + 1 = X3 = 0
n = 7 6
k=2
= 3 X k + 1 = X4 = 0, dan seterusnya.
16
Jarak antara dua waktu diberi nilai satu satuan. Di atas diberi tanda +
dan dibawahnya diberi tanda - (0, 1, 2, . . . dan . . . , -3, -2, -1, 0), atau . . . ,
-3, -2, -1. 0, 1, 2, 3, . . .
X {𝑘+(𝑘+1)
2
} 5
= X( )
2
= X2,5
𝑛
n=4→ k = 2
4
= 2
= 2 → 𝑋2,5 = 0
6
n =6→ k = 2
8
n=8→ k = 2
17
Jarak antara dua waktu diberi nilai dua satuan. Di atas 0 diberi tanda + di
bawahnya tanda (0, 1, 3, 5, 7, 9, . . . . dan . . . , 9, 7, 3, 1, 0) atau . . .
7, 5, 1, 1, 3, 5, 7, . . .
Metode Least Square : Metode yang digunakan untuk analisis time series
adalah Metode Garis Linier Secara Bebas (Free Hand Method), Metode
Setengah Rata-Rata (Semi Average Method), Metode Rata-Rata Bergerak
(Moving Average Method) dan Metode Kuadrat Terkecil (Least Square
Method). Dalam hal ini akan lebih dikhususkan untuk membahas analisis
time series dengan metode kuadrat terkecil yang dibagi dalam dua kasus,
yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis
linier dari analisis time series adalah : Y = a + b X. Keterangan : Y adalah
variabel yang dicari trendnya dan X adalah variabel waktu (tahun).
Sedangkan untuk mencari nilai konstanta (a) dan parameter (b) adalah :
a = ΣY / N dan b =ΣXY / ΣX2
18
Contoh Kasus Data Ganjil :
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995
sampai dengan 2003
1999 285 0 0 0
19
Contoh Kasus Data Genap :
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995
sampai dengan 2002
20
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995
sampai dengan 2002
21
BAB III
PENUTUP
3.1 Kesimpulan
Data berkala adalah data yang dikumpulkan dari waktu ke waktu untuk
menggambarkan perkembangan suatu kegiatan (perkembangan produksi, harga,
hasil penjualan, jumlah personil, penduduk, jumlah kecelakaan, jumlah
kejahatan, jumlah peserta KB, dan lain sebagainya). Data berkala itu terdiri dari
beberapa komponen, maka dengan analisis data berkala kita bisa mengetahui
masing-masing komponen, bahkan dapat menghilangkan satu atau beberpa
komponen kalau kita ingin menyelidiki komponen tersebut secara mendalam
tanpa kehadiran komponen lain.
22