LAPORAN

TIME SERIES

DEKOMPOSISI ADITIF DAN MULTIPLIKATIF

Disusun Oleh :

Roghibah Salsabila
211709986

Dosen Pengampu :

Anugerah Karta Monika, S.Si, ME

POLITEKNIK STATISTIKA STIS

2019
 BAB I

PENDAHULUAN

Pengamatan terhadap variabel Y yang tersedia dari waktu ke waktu

disebut data time series. Pengamatan-pengamatan tersebut seringkali dicatat pada
interval waktu yang tetap. Jadi sebagai contoh, Y menyatakan penjualan, dan time
series yang terkait merupakan sebuah gambar rangkaian penjualan tahunan.
Contoh-contoh lain dari time series meliputi pendapatan kwartalan, tingkat
inventarisasi bulanan, dan kurs mingguan. Pengamatan tentang time series pada
dasarnya terkait antara satu sama lain (autokorelasi). Ketergantungan ini
menghasilkan pola variabilitas yang dapat digunakan untuk meramalkan nilainilai
di masa yang akan datang dan membantu dalam pengelolaan operasi bisnis.

Sebuah perusahaan importir bunga potongan dari Kanada membeli dari

petani bunga di Amerika Serikat, Mexico, Amerika Tengah, dan Amerika Selatan.
Akan tetapi, karena sumber membeli bunga dan bahan kimia dari Amerika
Serikat, maka semua harga jual dikutip dalam US dollar pada waktu penjualan.
Sebuah faktur tidak dibayarkan segera, dan karena kurs antara Kanada dengan AS
mengalami fluktuasi, biaya pada importir dalam dollar Kanada tidak diketahui
pada saat pembelian. Apabila kursnya tidak berubah sebelum faktur dibayarkan,
maka tidak ada resiko moneter bagi importir. Jika indeks naik, maka importir
kehilangan uang untuk pembelian setiap satu dollar AS. Jika indeks turun,
importir untung. Importir menggunakan ramalan mingguan tentang kurs dollar
Kanada terhadap dollar AS untuk mengelola inventarisasi bunga potongan.

Analisis pada time series salah satunya digunakan untuk melakukan

peramalan. Namun, dalam melakukan peramalan perlu diketahui pola data yang
sebenarnya yaitu pola yang tidak dipengaruhi oleh tren, siklis dan musiman

Sehingga untuk melakukan hal tersebut, metode yang paling tepat

dilakukan adalah metode dekomposisi.
 BAB II

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.

1. Trend. Trend adalah komponen yang menyatakan pertumbuhan mendasar (atau

penurunan) dalam sebuah time series. Sebagai contoh, trend dapat dihasilkan oleh
perubahan populasi yang sesuai, inflasi, perubahan teknologi, dan produktivitas
meningkat. Trend dinyatakan dengan T.

2. Siklis. Komponen siklis adalah sebuah series tentang fluktuasi seperti

gelombang atau siklus lebih dari durasi satu tahun. Kondisi ekonomi yang
berubah-ubah secara umum menghasilkan siklus. C menyatakan komponen siklis.
Pada prakteknya, siklus seringkali sulit untuk dikenali dan seringkali dianggap
sebagai bagian dari trend tersebut. Pada kasus ini, pertumbuhan umum (atau
penurunan) yang mendasar disebut siklus-trend dan dinyatakan dengan T.
Digunakan notasi trend, T, karena komponen siklis seringkali tidak dapat
dipisahkan dari trend tersebut.
3. Musiman. Fluktuasi musiman biasanya ditemukan dalam data kwartalan,
bulanan, atau mingguan. Variasi musiman mengacu pada pola perubahan yang
lebih atau kurang stabil yang muncul setiap tahun dan mengulangi dirinya sendiri
dari tahun ke tahun. Pola musiman terjadi karena pengaruh cuaca, atau karena
kejadian-kejadian yang terkait dengan kalender seperti liburan sekolah dan
harilibur nasional.Smelambangkan komponen musiman.

4. Irreguler. Komponen Irreguler terdiri atas fluktuasi yang tidak dapat

diprediksikan atau acak. Fluktuasi ini merupakan akibat dari berbagai macam
kejadian yang secara individu pada dasarnya tidak penting tetapi efek
kombinasinya mungkin besar, I melambangkan komponen yang tidak beraturan
(Irreguler).

Metode dekomposisi mengasumsikan bahwa data tersusun atas:

𝐷𝑎𝑡𝑎 = 𝑝𝑜𝑙𝑎 + 𝑔𝑎𝑙𝑎𝑡 = 𝑓 𝑡𝑟𝑒𝑛𝑑,𝑚𝑢𝑠𝑖𝑚𝑎𝑛 + 𝑔𝑎𝑙𝑎𝑡

Secara umum ditulis:

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

B. Analisis Time Series menggunakan Aplikasi R Studio

Dalam melakukan analisis data time series, dapat dilakukan melalui

beberapa apllikasi, salah satunya R Studio. Pada aplikasi R Studio, telah terdapat
fungsi untuk melakukan analisis data time series dengan metode dekomposisi.
Pengguna hanya perlu melakukan instalasi terhadap package yang diperlukan
pada fungsi tersebut.
Input Data

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.

Gambar 1. Command Input dan Convert Data

Gambar 2. Output Data Time Series

1. Analisis Deskriptif
Untuk mengetahui karakteristik sebuah data, dapat dilakukan analisis
deksriptif dengan fungsi summary ()

Gambar 3. Command Summary

Gambar 4. Output 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.

Gambar 5. Plot Data Observasi

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.

Pada aplikasi R studio dapat digunakan fungsi lm (y~x). kemudian dapat

dilihat ringkasan data dari hasil analisis regresi beserta plot dan garis regresi yang
terbentuk.

Gambar 6. Command Analisis Regresi

 Gambar 7. Output Analisis Regresi

Gambar 8. Plot Analisis Regresi

Berdasarkan hasil di atas, dapat dilihat bahwa

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

Gambar 10. Output Dekomposisi Additif

Berdasarkan gambar di atas, dengan metode dekomposisi additive dapat

dilihat kurva dari data nilai tukar Dollar AS terhadap mata uang CNY pada
tahun Januari 2010 hingga Juli 2018 yang sudah didekomposisi menjadi trend,
musiman dan irregular (random). Dapat dilihat bahwa pola data sebenarnya
ditunjukkan pada unsur random dari time series tersebut..

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.

Gambar 11. Command Dekomposisi Multiplikatif

 Gambar 12. Plot Dekomposisi Multiplikatif

Berdasarkan gambar di atas, dengan metode dekomposisi multiplikatif

dapat dilihat kurva dari data nilai tukar Dollar AS terhadap mata uang CNY
pada tahun Januari 2010 hingga Juli 2018 yang sudah didekomposisi menjadi
trend, musiman dan irregular (random). Dapat dilihat bahwa pola data
sebenarnya ditunjukkan pada unsur random dari time series tersebut..

Nilai negatif yang terlihat pada kurva tersebut terpaksa terjaadi karena
adanya pengaruh trend dan musiman.

4. Analisis Indeks Musiman

Variasi musiman dapat terjadi selama periode satu tahun atau

periode yang lebih pendek (bulan, minggu). Untuk mengukur pengaruh
musiman, kita membangun indeks musiman (seasonal index). Seasonal
indexes mencerminkan tingkat dimana musim berbeda dari rata-rata time
series secara keseluruhan (across all seasons).
Dengan data bulanan, misalnya, indeks musiman 1.0 pada bulan
tertentu berarti nilai yang diharapkan dari bulan tersebut adalah 1 / 12 total
untuk tahun ini. Indeks sebesar 1,25 untuk bulan yang berbeda
menyiratkan pengamatan untuk bulan tersebut diharapkan menjadi 25%
lebih dari 1 / 12 dari total tahunan. Sebuah indeks bulanan 0,80
menunjukkan bahwa tingkat yang diharapkan pada bulan itu adalah 20%
kurang dari 1 / 12 dari total tahun, dan sebagainya. Indeks numbers
menunjukkan harapan naik dan turun pada level selama setahun setelah
efek karena trend (atau trend-siklus) dan komponen yang tak teratur telah
dihapus.
Pada aplikasi R studio, indeks musiman dapat di-extract dari objek
time series yang sudah dibentuk dengan fungsi data.ts$figure. Kemudian
nilai dari indeks tersebut divisualisasikan dengan melakukan plot data.

a) Dekomposisi Additive

Gambar 13. Command Plot Indeks Musiman

Gambar 14. Output Indeks Musiman

Gambar 15. Plot Indeks Musiman

Berdasarkan gambar di atas, dapat dilihat indeks musiman disetiap

bulan kurang dari 1, artinya berada dibawah rata-rata tahunan. Indeks
musiman paling rendah terjadi pada bulan ke-10, yaitu sebesar -0,019 atau
-98,1% nilai tukar dollar AS terhadap mata uang CNY dibawah rata-rata
tahunan. Indeks musiman paling tinggi terjadi pada bulan ke-2, yaitu
sebesar 0,018 atau 98,2% nilai tukar dollar AS terhadap mata uang CNY
dibawah rata-rata tahunan.

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

Gambar 16. Command Indeks Musiman

Gambar 17. Output Indeks Musiman

Gambar 16. Plot Indeks Musiman

Berdasarkan gambar di atas, dapat dilihat indeks musiman disetiap

bulan berada dibawah maupun diatas rata-rata tahunan. Indeks musiman
paling rendah terjadi pada bulan ke-10, yaitu sebesar 0,997 atau 0,3 %
nilai tukar dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.
Indeks musiman paling tinggi terjadi pada bulan ke-2, yaitu sebesar 1,003
atau 0,3% nilai tukar dollar AS terhadap mata uang CNY diatas rata-rata
tahunan.
Pada bulan Januari, indeks musiman sebesar 0,997 atau 0,3% nilai tukar
dollar AS terhadap mata uang CNY dibawah rata-rata tahunan.

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.

Dari analisis tersebut, dihasilkan indeks musiman untuk metode

dekomposisi additive maupun multiplikatif. Pada metode dekomposisi aditif
terdapat indeks musiman negatif, salah satunya indeks musiman pada bulan ke-10,
yaitu sebesar -0,019 atau -98,1% sehingga indeks musiman disetiap bulan pada
metode tersebut berada dibawah rata-rata tahunan. Sedangkan semua indeks
musiman pada metode dekomposisi multiplikatif bertanda positif.