TIME SERIES
Disusun Oleh :
Roghibah Salsabila
211709986
Dosen Pengampu :
2019
BAB I
PENDAHULUAN
PEMBAHASAN
A. Dekomposisi
Salah satu pendekatan terhadap analisis data time series melibatkan sebuah
upaya untuk mengenali faktor-faktor komponen yang mempengaruhi setiap nilai
dalam sebuah series. Prosedur pengenalan ini disebut dekomposisi (penguraian).
Setiap komponen diidentifikasi secara terpisah. Proyeksi dari setiap komponen
dapat dikombinasikan untuk menghasilkan ramalan tentang nilai-nilai time series
di masa yang akan datang. Metode dekomposisi digunakan baik untuk ramalan
jangka pendek maupun jangka panjang. Selain itu, juga digunakan untuk
menyajikan pertumbuhan yang mendasari atau penurunan series secara sederhana,
atau untuk menyesuaikan series dengan menghapuskan satu komponen atau lebih.
Untuk memahami dekomposisi, yaitu komponen trend, komponen siklis,
komponen musiman, dan komponen tidak beraturan atau acak.
𝑌𝑡 = 𝑓(𝑇𝑡,𝑆𝑡,I𝑡)
Dimana:
St : komponen musiman
Tt : komponen tren
It : komponen galat
Kedua model paling sederhana yang berkaitan dengan nilai yang diamati (Yt) dari
sebuah time series terhadap komponen trend (Tt), musiman (St), dan tidak
beraturan(It)adalah model komponen additive
Yt =Tt +St + It
dan model komponen multiplicative
Yt =Tt ×St ×It
Model additive sesuai jika magnitude fluktuasi seasonal tidak bervariasi dengan
level data seriesnya.
Model multiplicative sesuai jika fluktuasi seasonalnya naik dan turun secara
proporsional sejaan dengan kenaikan dan penurunan level data seriesnya
Data nilai tukar Dollar Amerika Serikat terhadap mata uang Chinese Yuan
(CNY) Tahun 2010-2018 diperoleh dari Bloomberg.
Tabel 1. Nilai Tukar Dolar Amerika Serikat Terhadap Mata Uang CNY
(Chinese Yuan) dan SDRs ¹ Tahun 2010-2018 (Miliar USD)
Month Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2010 6,83 6,83 6,83 6,83 6,83 6,78 6,77 6,81 6,69 6,67 6,67 6,61
2011 6,60 6,57 6,55 6,49 6,48 6,46 6,44 6,38 6,38 6,36 6,38 6,30
2012 6,31 6,29 6,30 6,28 6,37 6,35 6,36 6,35 6,29 6,24 6,23 6,23
2013 6,22 6,22 6,21 6,17 6,14 6,14 6,13 6,12 6,12 6,09 6,09 6,05
2014 6,06 6,15 6,22 6,26 6,25 6,20 6,17 6,14 6,14 6,11 6,15 6,21
2015 6,25 6,27 6,20 6,20 6,20 6,20 6,21 6,38 6,36 6,32 6,40 6,49
2016 6,58 6,55 6,45 6,48 6,59 6,65 6,64 6,68 6,67 6,78 6,89 6,95
2017 6,88 6,87 6,89 6,89 6,82 6,78 6,73 6,59 6,65 6,64 6,61 6,51
2018 6,29 6,33 6,28 6,33 6,41 6,62 6,82
Source : Bloomberg
1) Period average
Berdasarkan data di atas, terlihat bahwa data memiliki pola tertentu. Hal ini
bisa diindikasikan sebagai efek dari tren, siklis ataupun musiman. Oleh karena itu,
metode analisis time series yang digunakan adalah metode dekomposisi.
Sebelum melakukan analisis data pada aplikasi R studio, data terlebih dahulu
diubah kedalam bentuk time series sehingga fungsi yang terdapat dalam aplikasi
tersebut bisa digunakan.
Convert Data
Untuk mengubah data kedalam bentuk objek time series, digunakan fungsi
ts(). Dalam hal ini, kita juga bisa menggunakan parameter frequency untuk
menentukan banyaknya set data yang kita kumpulkan per tahun. Untuk data
bulanan, frequency =12.
1. Analisis Deskriptif
Untuk mengetahui karakteristik sebuah data, dapat dilakukan analisis
deksriptif dengan fungsi summary ()
Berdasarkan hasil diatas dapat diketahui ringkasan data nilai tukar dollar
amerika serikat terhadap mata uang Chinese Yuan (CNY). Rata-rata nilai tukar
dollar Amerika Serikat terhadap mata uang CNY sebesar 6.439 miliar USD
dengan nilai median sebesar 6.380 miliar USD. Data memiliki nilai minimum dan
maksimum masing-masing 6.050 miliar USD dan 6.950 miliar USD. Ini
menunjukkan bahwa data memiliki range yang tidak terlalu jauh.
Analisis Regresi
Untuk mengetahui hubungan antara variabel bebas (X) dan satu variabel
tak bebas (Y) digunakan analisis regresi, dimana hubungan keduanya dapat
digambarkan sebagai suatu garis lurus. Dalam hal ini, variabel Y adalah nilai
tukar Dollar AS terhadap mata uang CNY dan variabel X adalah t(waktu) per
bulan dari Januari 2010 hingga Juli 2018.
2. Dekomposisi Additif
Dekomposisi data time series artinya memisahkan data time series tersebut
kedalam tiga komponen. Pada aplikasi R, dapat digunakan fungsi
decompose(x, type = “additive”) untuk mengestimasi ketiga komponen
tersebut.
Gambar 9. Command Dekomposisi Additf
Nilai negatif yang terlihat pada kurva tersebut terpaksa terjaadi karena
adanya pengaruh trend dan musiman.
3. Dekomposisi Multiplikatif
Pada aplikasi R, dapat digunakan fungsi decompose(x, type =
“multiplicative”) untuk mengestimasi komponen unsur tren, musiman dan
random.
Nilai negatif yang terlihat pada kurva tersebut terpaksa terjaadi karena
adanya pengaruh trend dan musiman.
a) Dekomposisi Additive
Pada bulan Januari, indeks musiman sebesar -0,014 atau -98,6% nilai tukar
dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan Maret, indeks musiman sebesar 0,006 atau 94% nilai tukar
dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan April, indeks musiman sebesar -0,0004 atau -99,96% nilai
tukar dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan Mei, indeks musiman sebesar 0,0114 atau 88,6% nilai tukar
dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan Juni, indeks musiman sebesar 0,0024 atau 99,76% nilai tukar
dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan Juli, indeks musiman sebesar -0,006 atau -99,4% nilai tukar
dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan Agustus, indeks musiman sebesar -0,0008 atau -99,92% nilai
tukar dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan September, indeks musiman sebesar -0,014 atau -98,6% nilai
tukar dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan November, indeks musiman sebesar 0,011 atau 98,9% nilai
tukar dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan Desember, indeks musiman sebesar 0,0054 atau 99,46% nilai
tukar dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
b) Dekomposisi Multiplikatif
Pada bulan Maret, indeks musiman sebesar 1,001 atau 0,1% nilai tukar
dollar AS terhadap mata uang CNY diatas rata-rata tahunan.
Pada bulan April, indeks musiman sebesar 0,999 atau 0,1% nilai tukar
dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan Mei, indeks musiman sebesar 1,002 atau 0,2% nilai tukar
dollar AS terhadap mata uang CNY diatas rata-rata tahunan.
Pada bulan Juni, indeks musiman sebesar 1,0004 atau 0,04% nilai tukar
dollar AS terhadap mata uang CNY diatas rata-rata tahunan.
Pada bulan Juli, indeks musiman sebesar 0,999 atau 0,1% nilai tukar dollar
AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan Agustus, indeks musiman sebesar 0,999 atau 0,1% nilai tukar
dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan September, indeks musiman sebesar 0,997 atau 0,3% nilai
tukar dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Pada bulan November, indeks musiman sebesar 1,002 atau 0,2% nilai
tukar dollar AS terhadap mata uang CNY diatas rata-rata tahunan.
Pada bulan Desember, indeks musiman sebesar 1,0006 atau 0,06% nilai
tukar dollar AS terhadap mata uang CNY diatas rata-rata tahunan.
BAB III
KESIMPULAN
Berdasarkan hasil analisis, data dari nilai tukar Dollar Amerika Serikat
terhadap Mata Uang CNY dari tahun 2010 hingga 2018 membentuk pola trend,
musim, dan siklus; sehingga jenis analisis yang tepat adalah analisis time series
dengan metode dekomposisi.