MODUL ANALISIS RUNTUN WAKTU

KONSEP KONSEP DASAR ANALISIS RUNTUN WAKTU

Dosen Pengampu :.

OLEH :

KELOMPOK B

Nama : Millenia Nainggolan (4183530008)

Mita cahyati (4181230012)

Wardatul Ilma Pasaribu (4182230005)

Kelas : Matematika Non kependidikan A 2018

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MEDAN
2020
KONSEP KONSEP DASAR ANALISIS RUNTUN WAKTU

Jenis data menurut waktu terbagi menjadi tiga yaitu cross section, time series dan data panel.
berikut penjelasannya:

Cross Section

konsep data cross section adalah data yang terdiri dari beberapa objek data pada suatu waktu
tertentu. Pengertian objek di sini bisa macam-macam dan berupa banyak hal seperti misalnya
individu/orang, perusahaan, bank, daerah (kabupaten dan kota), dan bahkan negara.

Time Series

Rangkaian data Time Series (runtut waktu) terdiri dari pengamatan pada suatu variabel atau
beberapa variabel dari waktu ke waktu. Dengan kata lain data time series adalah data yang
dikumpulkan dari waktu ke waktu secara berurutan pada satu atau lebih obyek yang sama pada
setiap periode waktu. Contoh data deret waktu termasuk harga saham, jumlah uang beredar,
indeks harga konsumen, PDB, jumlah lulusan siswa tahunan, dan lainnya.
Dimensi waktu time series biasanya merupakan frekuensi data di mana data dikumpulkan. Dalam
bidang ekonomi, frekuensi yang paling umum adalah harian, mingguan, bulanan, triwulanan, dan
tahunan. Berikut salah satu contoh data time series.

Data Panel

Panel/Pooled data, yakni tipe data yang dikumpulkan menurut urutan waktu dalam suatu rentang
waktu tertentu pada sejumlah individu/kategori. Model yang digunakan untuk pemodelan data
tipe ini seperti model data panel, model runtun waktu multivariat. Secara ekuivalen, dikenal juga
tipe data Longitudinal, dengan frekuensi data tidak harus equidistant, namun analisa fokusnya
berbeda dengan model panel.

Pola Data Deret Waktu(Time Series)

Deret waktu (time series) merupakan serangkaian data pengamatan yang terjadi berdasarkan indeks waktu
secara berurutan dengan interval waktu tetap. Analisis deret waktu adalah salah satu prosedur statistika
yang diterapkan untuk meramalkan struktur-struktur probabilistik. Struktur dengan keadaan yang akan
terjadi dimasa yang akan datang dalam rangka pengambilan keputusan. Metode time series adalah metode
peramalan dengan menggunakan analisa pola hubungan antara variabel yang akan dipekirakan dengan
variabel waktu. Peramalan suatu data time series perlu memperhatikan tipe atau pola data. Secara umum
terdapat empat macam pola data time series, yaitu horizontal, trend, musiman, dan siklis, berikut
penjelasannya:

1. Pola data horizontal, Terjadi apabila nilai dari data mengalami fluktuasi di daerah nilai rata-rata
konstan. (Nilai rata ratanya stasioner). Misal suatu produk yang nilai penjualannya tidak
mengalami peningkatan atau penurunan dalam waktu tertentu.
 2. Pola data musiman, Terjadi apabila suatu deret dari data dipengaruhi oleh factor musiman yang
ditunjukkan oleh adanya pola yang teratur yang bersifat musiman. Misal data penjuaan produk
yang dicatat secara tahunan, bulanan, atau harian.

3. Pola data siklis, Terjadi apabila pola data deret waktu mengalami fluktuasi ekonomi jangka
panjang berhubungan dengan siklus bisnis. Misal penjualan produk seperti mobil dan peralatan
utama lainnya.

4. Pola data trend, Terjadi apabila pola data mengalami kenaikan atau penurunan, pola data seperti
ini bervariasi tak beraturan. Misal penjualan banyak perusahaan, produk bruto nasional (GNP)
dan berbagai indicator sector ekonomi atau bisnis lainnya mengikuti suatu pola trend selama
perubahan sepanjang waktu

Konsep Dasar Proses Time series

Proses deterministic

Proses Deterministik adalah model matematika dimana gejala-gejala dapat diukur dengan derajat
kepastian yang cukup tinggi. Pada Proses Deterministik diasumsikan bahwa kejadian-kejadian
yang ada memiliki peluang yang tetap, dapat pula diasumsikan pasti terjadi maupun tidak
mungkin terjadi. Contoh Proses deterministik adalah masalah transportasi, masalah penugasan,
masalah transhipment, dan model jaringan (salah satu aplikasi dari teori grafik dimana metode ini
umumnya merupakan pengembangan dari metode simpleks yang merupakan metode dasar semua
masalah program linear.

Proses stokastik/ proses acak

Proses Stokastik adalah model matematika dimana gejala-gejala dapat diukur dengan derajat
kepastian yang tidak stabil. Pada Proses Stokastik disebut juga model probabilistik peluang dari
masing-masing kejadian benar-benar di hitung, menyusun sebuah Proses stokastik cenderung
lebih sulit dari Proses deterministik. Kaidah-kaidah peluang adalah alat matematika yang cukup
vital dalam menyusun Proses stokastik. Contoh Proses stokastik adalah teori antrian dan teori
permainan, dimana ini merupakan pengembangan dari riset operasi modern.

Proses Stationeristik

Stasioner berarti bahwa tidak terjadinya pertumbuhan dan penurunan data. Suatu data dapat
dikatakan stasioner apabila pola data tersebut berada pada kesetimbangan disekitar nilai rata-rata
yang konstan dan variansi disekitar ratarata tersebut konstan selama waktu tertentu. Time series
dikatakan stasioner apabila tidak ada unsur trend dalam data dan tidak ada unsur musiman atau
rata-rata dan variannya tetap. Selain dari plot time series, stasioner dapat dilihat dari plot
Autocorrelation Function (ACF) data tersebut. Apabila plot data Autocorrelation Function (ACF)
turun mendekati nol secara cepat, pada umumnya setelah lag kedua atau ketiga maka dapat
dikatakan stasioner. Data nonstasioner apabila terdapat unsur trend dalam data, yaitu mengalami
kenaikan dan penurunan seiring bertambahnya periode waktu. Pada data nonstasioner yang
 memiliki trend akan memiliki nilai Autocorrelation Function (ACF) yang signifikan pada lag-lag
awal kemudian mengecil secara bertahap.

Kegunaan time series

Time series memiliki manfaat dalam berbagi hal yang berhubungan dengan masalah pendaatan
manurut waktu. Membantu mempelajari data masa lampau, sehingga dapat dipelajari faktor-faktor
penyebab perubahan untuk pertimbangan perencanaan di masa yang akan datang. Untuk membantu dalam
peramalan (forecasting). Membantu memisahkan faktor-faktor yang dapat mempengaruhi suatu data
(khususnya variasi atau gerak musim) lalu diadakan penyesuaian dengan faktor musim ini. Membantu
dan mempermudah membandingkan satu rangkaian data dengan rangkaian data yang lain.
Analisis time-series juga penting dalam berbagai konteks non-peramalan seperti evaluasi kinerja
manajemen dimana yang menjadi perhatian penting adalah persentase perubahan laba yang disebabkan
karena faktor-faktor berorientasi non-perusahaan, menguji dugaan bahwa manajemen “memanipulasi”
laba untuk menghindari pelanggaran persyaratan hutang dalam perjanjian pinjaman bank, mendesain
komponen “profit sharing” dari rencana kompensasi eksekutif dimana perhatian utama adalah sharing
risiko antara manajemen dengan pihak-pihak lain yang berhubungan dengan perusahaan, keputusan
manajemen dalam metode akuntansi alternatif dimana faktor penting adalah variabiliats time-series dalam
laba yang dilaporkan, litigasi dimana dugaan kelebihan laba dibuat dan perhatian utama adalah
menjelaskan sumber laba yang dilaporkan, Litigasi dimana operasi bisnis diganggu oleh kebakaran atau
pemogokan dan estimasi laba harus dibuat yang terjadi “secara normal” dan peristiwa yang melibatkan
pengumpulan data berdasarkan waktu lainnya.

Daftar Referensi

C. R. Ferry, Irwan, Nurfadilah. 2018. Peramalan Tingkat Suku Bunga Pasar Uang Antar BANK (PUAB)
dengan Vector Autoregressive Exogenous (VARX). Jurnal MSA. Vol 6 no 1. Hal 51-60
Peter J. Brockwell and Richard A. 1991. Davis. Time Series: Theory and Methods second edition. New
York: Springer Verlag. ISBN 0-387-97429-6.
Christopher Chatfield. 1984. The Analysis of Time Series: An Introduction third edition. London:
Chapman and Hall Ltd, , ISBN 0-412-26030-1.