Nama : ARFANDI

NIM : 191120053
Prodi : Manajemen (B)
Mata Kuliah : Teknik Proyeksi Bisnis
Semester : IV (Keempat)
Dosen Pengampu : Dr. Sapto Supriyanto, M.M.

Tugas ke II (Kedua)

Jelaskan definisi data menurut pola dan berikan contohnya :

1. Data Stasioner,
Data stasioner adalah data yang tidak mengalami kenaikan dan
penurunan. Selanjutnya regresi yang menggunakan data yang tidak
stasioner biasanya mengarah kepada regresi yang rancu. Analisis
stasioner berkaitan dengan data runtut waktu (time series). Tujuan
analisis data runtut waktu adalah mempelajari struktur temporal
(dinamik) dari data. Suatu data runtut waktu yang dianalisis jika
hanya satu jenis, misalnya data penjualan harian, maka disebut
analisis runtut waktu univariat (univariate time-series). Analisis atas
beberapa data selama periode yang sama dinamakan analisis
runtut waktu multivariate/berganda (multivariate or multiple time-
series). Analisis runtut waktu mendasarkan pada data runtut waktu
yang stasioner. Arti stasioner adalah apabila suatu data runtut
waktu memiliki rata-rata dan memiliki kecenderungan bergerak
menuju rata-rata. Untuk data yang stasioner, bila digambar data
tersebut terhadap waktu maka akan sering melewati sumbu
horizontal, dan autokorelasinya akan menurun dengan teratur untuk
lag yang cukup besar. Secara luas, proses stokhastik dikatakan
stasioner jika mean dan varians bernilai konstan dari waktu ke
waktu dan nilai kovarians antara dua periode waktu hanya
bergantung pada jarak atau keterlambatan antara kedua periode
waktu itu dan bukan pada waktu aktual perhitungan kovarians.
Sebaliknya, bagi data yang tidak stasioner, varians menjadi
semakin besar bila jumlah data runtut waktu diperluas, tidak sering
melewati sumbu horizontal, dan autokorelasinya cenderung tidak
menurun. Sebuah tes stasioneritas (atau non-stasioneritas) yang
menjadi sangat populer beberapa tahun belakangan adalah uji
akar-akar unit (unit root test). Stasioneritas dapat diperiksa dengan
mencari apakah data runtun waktu mengandung akar unit (unit
root). Terdapat berbagai metode untuk melakukan uji akar unit
diantarnya Dickey-Fuller, Augmented Dickey Fuller, Dickey-Fuller
DLS (ERS), Philips-Perron, Kwiatkowski-Philips-Schmidt-Shin,
Elliot-Rothenberg-Stock Point-Optimal, dan Ng-Perron.

Suatu data dapat dikatakan stasioner apabila pola data tersebut

berada pada kesetimbangan disekitar nilai rata-rata yang konstan
dan variansi disekitar rata-rata tersebut konstan selama waktu
 tertentu (Makridakis, 1999: 61). Time series dikatakan stasioner
apabila tidak ada unsur trend dalam data dan tidak ada unsur
musiman atau rata-rata dan variannya tetap.
jika terlihat memiliki rata-rata dan varians konstan, maka data
tersebut dapat disimpulkan stasioner. berikut contoh metode grafik
yang merupakan data stasioner:

1. Korelogram
Metode grafik diatas memiliki kelamahan dalam
objektivitas peneliti. karena setiap peneliti memiliki pandangan
yang bisa berbeda-beda. sehingga, dibutuhkan uji formal yang
akan menguatkan keputusan secara ilmiah. salah satu uji
formal tersebut adalah korelogram. pada dasarnya korelogram
merupakan teknik identifikasi stasioner data time series melalui
fungsi autokorelasi(ACF). didapat dengan membuat plot antara ρk
dan k (lag). Plot antara ρk dan k ini disebut korelogram populasi.
Dalam praktek, kita hanya dapat menghitung fungsi otokorelasi
sampel (Sample Autocorrelation Function). untuk data yang
stasioner, korelogram menurun dengan cepat seiring dengan
meningkatnya k. Sedangkan untuk data yang tidak stasioner,
korelogram cenderung tidak menuju nol (turun lambat)
 Correlogram ini hampir sama dengan metode grafik, karena masih
menggunakan unsur subjektivitas. oleh karena dasar metode ini
digunakanlah beberapa metode formal yang dilakukan untuk
menguji hipotesis ρk. dimana hipotesisnya sebagai berikut
h0 :ρk = 0
h1 :ρk ± 0
sehingga apabila terima h0 maka dapat dikatakan data yang
digunakan sudah stasioner.

2. Data Tren
Trend adalah keadaan data yang menaik atau menurun dari waktu
ke waktu. Contoh yang menunjukkan trend menaik yaitu
pendapatan per kapita, jumlah penduduk.
Tehnik trend merupakan tehnik yang umum digunakan pada
analisis peramalan data kuantitatif. Pada dasarnya kita mencari
pola trend pada data yang kita miliki; misalnya linear, kuadratic, S
kurve, atau exponential; yang selanjutnya kita gunakan model
tersebut untuk memperkirakan data selanjutnya.
Model linear : Ypred = a + bT + e, Model kuadratic: Ypred = a + bT2 +
cT + e, Model S kurve : Ypred = L/(1+exp(a+b(T) + e), Model
exponential: Ypred = a + eb.T
Analisis trends merupakan suatu metode analisis statistika yang
ditujukan untuk melakukan suatu estimasi atau peramalan pada
 masa yang akan datang. Untuk melakukan peramalan dengan baik
maka dibutuhkan berbagai macam informasi (data) yang cukup
banyak dan diamati dalam periode waktu yang relatif cukup
panjang, sehingga hasil analisis tersebut dapat mengetahui sampai
berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang
memengaruhi terhadap perubahan tersebut.

3. Data Musiman
Variasi musiman adalah fluktuasi yang muncul secara reguler
setiap tahun yang biasanya disebabkan oleh iklim, kebiasaan
(mempunyai pola tetap dari waktu ke waktu). Contoh yang
menunjukan variasi musiman seperti penjualan pakaian akan
meningkat pada saat hari raya, penjualan buku dan tas sekolah
akan meningkat pada saat awal sekolah.
Pola data musiman terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman. Pola data musiman dapat mempunyai pola musim
yang berulang dari periode ke periode berikutnya. Misalnya pola
yang berulang setiap bulantertentu, tahun tertentu atau pada
minggu tertentu. Contoh dari data musiman ada pada gambar 2.3
yaitu plot suplai bahan makanan tiap bulan. Dari plot tersebut
terlihat bahwa terjadi pola yang berulang setiap periode dua belas
bulan, sehingga bisa disimpulkan bahwa data tersebut merupakan
pola data musiman.

4. Data Siklus
Variasi siklis muncul ketika data dipengaruhi oleh fluktuasi
ekonomi jangka panjang, variasi siklis ini bisa terulang setelah
jangka waktu tertentu. Variasi siklis biasanya akan kembali normal
setiap 10 atau 20 tahun sekali, bisa juga tidak terulang dalam
jangka waktu yang sama. ini yang membedakan antara variasi
siklis dengan musiman. Gerakan siklis tiap komoditas mempunyai
jarak waktu muncul dan sebab yang berbeda-beda, yang sampai
saat ini belum dapat dimengerti. Contoh yang menunjukkan variasi
siklis seperti industri konstruksi bangunan mempunyai gerakan
siklis antara 15-20 tahun sedangkan industri mobil dan pakaian
gerakan siklisnya lebih pendek lagi.
Pola data siklis terjadi bilamana deret data dipengaruhi oleh
fluktuasi ekonomi jangka panjang seperti yang berhubungan
dengan siklus bisnis. Di bawah ini adalah contoh plot pola data
siklis.
 DAFTAR PUSTAKA

https://statistikceria.blogspot.com/2012/12/uji-stasioneritas-data-time-
series.html
https://id.wikipedia.org/wiki/Analisis_tren
http://ppic1908.blogspot.com/2017/01/forecasting-peramalan-dengan-
metode.html
https://digensia.wordpress.com/2012/08/24/analisa-time-
series/#:~:text=Trend%20adalah%20keadaan%20data%20yang,pe
ndapatan%20per%20kapita%2C%20jumlah%20penduduk.&text=V
ariasi%20siklis%20muncul%20ketika%20data,terulang%20setelah
%20jangka%20waktu%20tertentu.