Kelas A

LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 5 : Dekomposisi

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul Praktikan
Mahasiswa

Nisa Ummaroh Fajarani Sasmita 14 November

17611066
2019

Tanda tangan
Nama Penilai Tanggal Koreksi Nilai
Asisten Dosen
Dhinda Seftiyani Budi Utari
Syinta Nuri Masyita

Arum Handini Primandani,S.Pd.Si.,M.Si.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi

Daftar Isi.................................................................................................................. 2
Daftar Gambar ......................................................................................................... 3
1 Pendahuluan .................................................................................................... 4
1.1 Pengertian Dekomposisi ........................................................................... 4
2 Deskripsi Kerja................................................................................................ 6
2.1 Studi Kasus ............................................................................................... 6
2.2 Langkah Kerja .......................................................................................... 6
3 Pembahasan ................................................................................................... 11
4 Penutup.......................................................................................................... 15
4.1 Kesimpulan ............................................................................................. 15
5 Daftar Pustaka ............................................................................................... 16

2
Daftar Gambar

Gambar 2.1. Data tingkat inflasi ........................................................................... 6

Gambar 2.2. Tampilan Awal R Studio ................................................................... 7
Gambar 2.3. menginput data tingkat inflasi .......................................................... 7
Gambar 2.4. mengurutkan data ............................................................................. 8
Gambar 2.5. mengubah data menjadi kolom time series....................................... 8
Gambar 2.6. membuat plot dari data series .......................................................... 8
Gambar 2.7. dekomposisi data .............................................................................. 9
Gambar 2.8. seriesdecompose seasonal ................................................................ 9
Gambar 2.9. seriesdecompose trend ...................................................................... 9
Gambar 2.10. seriesdecompose random ................................................................ 9
Gambar 2.11. ramalan untuk 3 periode ke depan ............................................... 10
Gambar 2.12. data hasil penyesuaian musiman .................................................. 10
Gambar 2.13. plot data penyesuaian musiman ................................................... 10
Gambar 2.14. peramalan dengan metode holt .................................................... 10
Gambar 2.15. plot metode holt ............................................................................ 10
Gambar 3.1. plot data series ................................................................................ 11
Gambar 3.2. plot dekomposisi multiplicative ...................................................... 11
Gambar 3.3. decompose seasonal........................................................................ 12
Gambar 3.4. decompose trend ............................................................................. 12
Gambar 3.5. decompose random ......................................................................... 12
Gambar 3.6. ramalan untuk 3 periode ke depan ................................................. 13
Gambar 3.7. plot data actual dan data penyesuaian musiman ........................... 13
Gambar 3.8. hasil peramalan metode holt .......................................................... 13
Gambar 3.9. plot data peramalan metode holt .................................................... 14

3
1 Pendahuluan

1.1 Pengertian Dekomposisi

Prinsip dasar dari metode dekomposisi deret waktu adalah mendekomposisi

(memecah) data deret waktu menjadi beberapa pola dan mengidentifikasi masing-
masing komponen dari deret waktu tersebut secara terpisah. Pemisahan ini
dilakukan untuk membantu meningkatkan ketepatan peramalan dan membantu
pemahaman atas perilaku deret data secara lebih baik. Subagyo (1986) menjelaskan
bahwa perubahan sesuatu hal itu biasanya mempunyai pola yang agak komplek,
misalnya ada unsur kenaikan, penurunan, berfluktuasi dan tidak teratur, sehingga
untuk diramal dan dianalisis dengan sekaligus sangatlah sulit, sehingga biasanya
diadakan pendekomposisian data kedalam beberapa komponen. Masing-masing
komponen akan dipelajari dan dicari satu persatu, setelah ditemukan akan digabung
lagi menjadi nilai taksir atau ramalan. Metode dekomposisi dilandasi oleh asumsi
bahwa data yang ada merupakan gabungan dari beberapa komponen,

Data = pola + kesalahan = f(trend, siklus, musiman) + kesalahan

Komponen kesalahan diasumsikan sebagai perbedaan dari kombinasi komponen

trend, siklus dan musiman dengan data sebenarnya.
Asumsi di atas mengandung pengertian bahwa terdapat empat komponen
yang mempengaruhi suatu deret waktu, yaitu tiga komponen yang dapat
diidentifikasi karena memiliki pola tertentu yaitu : tren, siklus dan musiman,
sedangkan komponen kesalahan tidak dapat diprediksi karena tidak memiliki pola
yang sistematis dan mempunyai gerakan yang tidak beraturan. Trend adalah
kecenderungan gerak naik atau turun pada data yang terjadi dalam jangka panjang.
Variasi musim adalah gerak naik dan turun yang terjadi secara periodik (berulang
dalam selang waktu yang sama). Komponen siklis adalah perubahan gelombang
pasang surut yang berulang kembali dalam waktu yang cukup lama, misalnya : 10
tahun, kuartal ke-20 dan lain-lain. Komponen kesalahan (random) adalah gerakan
yang tidak teratur dan terjadi secara tiba-tiba serta sulit untuk diramalkan. Gerakan

4
ini dapat timbul sebagai akibat adanya peperangan, bencana alam, krisis moneter
dan lain-lain. Menurut Hildebrand (1991), komponen tren, siklus, musiman dan
kesalahan dari deret waktu dapat diasumsikan dalam dua model yang berbeda yaitu
model multiplikatif dan model aditif.
Model multiplikatif dari metode dekomposisi adalah:
Xt = It . Tt . Ct .Et
sedangkan model aditifnya adalah :
Xt = It + Tt + Ct + Et
dimana,
Xt = data aktual pada periode ke-t
Tt = komponen Tren pada periode ke-t
Ct = komponen siklus pada periode ke-t
It = komponen musiman pada periode ke-t
Et = komponen kesalahan pada periode ke-t. (arsyil, 2011)

5
2 Deskripsi Kerja

2.1 Studi Kasus

Pada bab sebelumnya, praktikan telah menjelaskan pengertian dari

Dekomposisi. Pada bab ini praktikan akan menyelesaikan studi kasus dengan
menggunakan Software R Studio.
Berikut studi kasus lengkapnya :
Gunakan data inflasi yang tersedia
Di https://www.bi.go.id/id/moneter/inflasi/data/Default.aspx dari Januari 2012
hingga September 2018.
1. Gunakan analisis runtun waktu menggunakan metode dekomposisi
2. Lakukan peramalan data penyesuaian musiman menggunakan metode Holt
3. Lakukan peramalan untuk 3 periode ke depan

2.2 Langkah Kerja

1. Langkah pertama, praktikan akan mengunduh data di

https://www.bi.go.id/id/moneter/inflasi/data/Default.aspx dari Januari 2012
hingga September 2018. Berikut tampilannya pada Gambar 2.1.

Gambar 2.1. Data tingkat inflasi

6
2. Kemudian, buka R Studio terlebih dahulu dengan cari shortcut R Studio pada
layar dekstop, atau masuk lewat tombol start, lalu pilih All programs, kemudian
pilih R Studio for windows. Berikut tampilan awalnya.

Gambar 2.2. Tampilan Awal R Studio

3. Setelah membuka R Studio, langkah pertama yang praktikan lakukan yaitu,
menginput data penumpang dengan menggunakan perintah read.csv.
kemudian pastikan data sudah terinput dengan benar..Berikut tampilan syntaks
dan outputnya.

Gambar 2.3. menginput data tingkat inflasi

4. Setelah berhasil menginput data, ubah urutan data menjadi ascending

berdasarkan date dan berikan nama obyek data.rev dengan sintaks : data
[order(data):1),]

7
 Gambar 2.4. mengurutkan data

5. Setelah berhasil menginput data, praktikan akan mengubahnya menjadi kolom

dengan menggunakan perintah ts(data, start = c(tahun, bulan),
frequency = 12). Berikut tampilan syntaks pada Gambar 2.5.

Gambar 2.5. mengubah data menjadi kolom time series

6. Selanjutnya, buat plot data untuk melihat pola data. Berikut tampilan syntaks
pada Gambar 2.6.

Gambar 2.6. membuat plot dari data series

8
7. Selanjutnya, praktikan dapat melakukan dekomposisi dari data dengan model
multiplicative. Berikut tampilan syntaks pada Gambar 2.7.

Gambar 2.7. dekomposisi data

8. Lalu, masing-masing dari komponen hasil dekomposisi dapat diakses dengan

perintah berikut. Berikut tampilan syntaks dan outputnya.

Gambar 2.8. seriesdecompose seasonal

Gambar 2.9. seriesdecompose trend

Gambar 2.10. seriesdecompose random

9
9. Kemudian lakukan peramalan indeks musiman untuk 3 periode kedepan.
Sebelum melakukan peramalan pastikan aktifkan package forecast terlebih
dahulu. Berikut tampilannya pada Gambar 2.11.

Gambar 2.11. ramalan untuk 3 periode ke depan

10. Praktikan juga akan menampilkan data hasil penyesuaian musiman. Berikut
tampilannya pada Gambar 2.12.

Gambar 2.12. data hasil penyesuaian musiman

11. Setelah itu, praktikan akan membuat plot yang menggambarkan data
penyesuaian musiman. Berikut tampilannya.

Gambar 2.13. plot data penyesuaian musiman

12. Lalu, praktikan akan melakukan peramalan data penyesuaian musiman

menggunakan metode time series non-musiman dengan metode holt dengan
damped. Berikut tampilannya pada Gambar 2.14.

Gambar 2.14. peramalan dengan metode holt

13. Terakhir, praktikan akan menggambarkan plot dari data peramalan dengan
metode holt. Berikut tampilan syntaksnya

Gambar 2.15. plot metode holt

10
3 Pembahasan

Pada bab ini, praktikan akan menjelaskan lebih rinci dari langkah-langkah
kerja yang sudah dilakukan serta menjelaskan output yang telah didapatkan dari R
Studio.
Pada studi kasus pertama praktikan akan melakukan analisis runtun waktu
menggunakan metode dekomposisi. Sebelumnya, praktikan akan memperlihatkan
gambaran dari plot data series untuk menentukan apakah praktikan harus
menggunakan dekomposisi dengan metode additive atau multiplicative. Berikut
tampilan output pada Gambar 3.1.

Gambar 3.1. plot data series

Dari Gambar 3.1. dapat dilihat bahwa amplitudo dari komponen musiman
data relative tidak konstan sehingga dekomposisi bentuk multiplicative dapat
digunakan pada data tersebut.
Selanjutnya praktikan akan melakukan dekomposisi bentuk multiplicative
dan menampilkan bentuk dari plot dari dekomposisi. Berikut tampilan plot terlebih
dahulu.

Gambar 3.2. plot dekomposisi multiplicative

11
 Dari Gambar 3.2. dapat dilihat plot tersebut menunjukkan data actual,
estimasi komponen trend, estimasi komponen musiman, dan estimasi komponen
random. Dari plot tersebut dapat dilihat bahwa estimasi komponen trend
menunjukkan grafik yang tidak stabil dari tahun 2012.
Kemudian praktikan dapat melihat masing-masing komponen hasil dari
dekomposisi. Berikut tampilannya.

Gambar 3.3. decompose seasonal

Gambar 3.4. decompose trend

Gambar 3.5. decompose random

Setelah itu, praktikan akan melakukan peramalan untuk 3 periode ke depan.

Berikut tampilan output hasil peramalan pada data inflasi.

12
 Gambar 3.6. ramalan untuk 3 periode ke depan

Dari Gambar 3.6. dapat dilihat bahwa didapatkan ramalan dari data tingkat
inflasi pada tahun 2018 dari bulan Oktober, November, dan Desember berturut-
turut senilai 2.86% , 2.78% dan 2.70%. Kemudian praktikan akan membuat plot
yang menggambarkan data hasil penyesuaian musiman.Berikut tampilannya .

Gambar 3.7. plot data actual dan data penyesuaian musiman

Berdasarkan output pada Gambar 3.7. diketahui bahwa garis yang

berwarna biru mewakili pergerakan data actual sedangkan garis yang berwarna
merah mewakili pergerakan data penyesuaian musiman.
Kemudian, sesuai pada studi kasus yang kedua praktikan akan melakukan
peramalan data penyesuaian musiman menggunakan metode Holt. Berikut
tampilannya pada Gambar 3.8.

Gambar 3.8. hasil peramalan metode holt

Dari Gambar 3.8. dapat dilihat bahwa didapatkan hasil peramalan tingkat
inflasi untuk 3 periode ke depan dengan metode Holt di tahun 2018 pada bulan

13
Oktober, November, dan Desember berturut-turut senilai 2.95% , 2.95%, dan
2.96% .
Terakhir, praktikan akan menggambarkan plot dari data hasil peramalan
dengan metode Holt Berikut tampilannya pada Gambar 3.9.

Gambar 3.9. plot data peramalan metode holt

14
4 Penutup

4.1 Kesimpulan

1. Berdasarkan studi kasus, didapatkan hasil peramalan data tingkat inflasi

untuk 3 periode ke depan dengan metode dekomposisi multiplicative
didapatkan pada tahun 2018 dari bulan Oktober, November, dan Desember
berturut-turut senilai 2.86% , 2.78% dan 2.70%.
2. Kemudian, untuk hasil peramalan data tingkat inflasi untuk 3 periode ke
depan dengan menggunakan metode holt didapatkan di tahun 2018 pada
bulan Oktober, November, dan Desember berturut-turut senilai 2.95% ,
2.95%, dan 2.96% .

15
5 Daftar Pustaka

arsyil. (2011, Januari). metode dekomposisi trend siklus musiman. Retrieved from
arsyil blogspot: http://arsyil.blogspot.com/2011/01/metode-dekomposisi-
trend-siklus-musiman.html

16