TIME SERIES Data Deret Waktu

Materi dalam bab ini adalah suatu pendekatan Statistika dalam memecahkan persoalan
perubahan/pertumbuhan variabel atau faktor tertentu. Seperti diketahui Statistika
membantu proses pengambilan keputusan secara efisien dan efektif .

Dalam Ekonomi misalnya terdapat begitu berfluktuasi dan beragam pola pertumbuhan
variabel-nya, baik tingkat inflasi, depaluasi, nilai Kurs Rp/US-dollar, suku bunga bank,
eksport tekstil, import beras, produksi Migas, dan lain-lain.umumnya dan variabel. .
Dalam bidang Akuntansi, terbiasa kita menganalisis perubahan-perubahan harga,
volume produksi, ataupun aktiva perusahaan dari waktu ke waktu. Penilaian
perubahan, pertumbuhan atau kecenderungan dapat digunakan Analisis Data deret
waktu (Time Series Analysis). Bidang pemasaran ; orang akan berbicara pada
jangkauan potensi penjualan produknya dimasa yang akan datang. Karena berbicara
waktu, maka akan lebih yakin dicoba dilakukan analisis penjualan data deret waktu

1). Pengertian

Data deret waktu adalah sekumpulan data hasil pengamatan/pencatatan historis dan berkala yang
menggambarkan secara kronologis suatu karakteristik populasi. Jelas bagi kita mencirikan jenis data ini,
karena informasi yang diberikan didasari oleh urutan waktu tertentu.

Selain istilah diatas, data ini disebut pula data berkala, atau Data Time Series. Seperti Data jumlah
Pengunjung atau konsumen per minggu di suatu Supermarket, Rata-rata jumlah pemanfaatan jasa
perbankan dalam sebulan, Jumlah produksi setiap tahun merupakan salah satu contoh data deret waktu.

Menurut Lukas Setia Atmaja (Memahami Statistika Bisnis, 1997) bahwa data deret berkala adalah suatu
rangkaian atau seri dari nilai-nilai suatu variabel yang dicatat dalam jangka waktu yang berurutan.

Analisis yang dimaksud dari data deret waktu (Time Series Analysis) adalah dalam rangka
menentukan ukuran-ukuran yang dapat digunakan untuk membuat keputusan, meramal, dan
merencanakan operasi di waktu mendatang, sehingga secara singkat dapat dinyatakan, suatu analisis
dalam membuat :

* Model kecenderungan data deret waktu.

* Menetapkan model peramalan dimasa yang akan datang, baik ramal-an jangka pendek
maupun jangka panjang.

Berikut ini akan diberikan satu analisis data deret waktu, yaitu analisis klasik atau analisis dekomposisi.
Analisis dalam kajian ini memperhatikan 4 faktor yang melekat dalam mempengaruhi model yang akan
dibentuk, yaitu :

* Pengaruh Tren : gerakan jangka panjang yang memiliki kecenderungan menuju suatu arah, yaitu arah
naik atau turun

* Pengaruh Musiman: gerakan jangka pendek, kurang dari 1 tahun, yang ber-ulang secara
teratur dari beberapa tahun pengamatan, seperti penjualan
daging sapi, akan terlihat jumlah pesanan yang cukup meledak
biasanya menghadapi lebaran, atau tahun baru. Demikian pula
tentang Jumlah permintaan buku tulis, tampak sangat berbeda
terjadi pada bulan-bulan memasuku ajaran baru, seperti bulan
 Juli, dibandingkan bulan-bulan lainnya. Maka dalam hal akan
ada pengaruh musiman bulanan.

* Pengaruh Siklis : gerakan jangka panjang yang memiliki unsure per-luasan

(expansian), puncak (peak), kemun-duran (contraction) dan
depresi (trough).

* Pengaruh Residu : atau disebut juga pengaruh randon, yaitu gerakan yang bersifat
acak atau tidak ber-aturan, sehingga tidak dapat diprediksi
sebelumnya. Seperti, terjadi pengeboman gedung BEJ
Jakarta, mengakibatkan turun-nya transaksi saham pada
saat itu dan beberapa hari setelahnya.

Sehingga dalam hubungan ini suatu pemodelan data akan dapat dibentuk dalam suatu fungsi yang
berbentuk : Y = f (T, M, S, R)

Sehubungan dengan kebutuhannya, maka dalam pasal kajian kita ini hanya dibahas pengaruh Tren dan
Pengaruh musiman saja, dalam rangka menaksir bentuk model data.

2). ANALISIS TREN

Tren diambil dari istilah kecenderungan (trendi), yang merupakan gerakan kekontinuan data jangka
waktu tertentu dan stabil. Dimana gerakan nya memiliki kecenderungan menuju suatu arah, yaitu arah
naik atau turun Berdasarkan pencaran data kita dapat menetapkan apakah gerakannya cende-rung
berbentuk garis lurus, atau garis lengkung. Jika tren data membentuk garis lurus dikatakan model data
membentuk Tren Linier, sebaliknya jika kecenderungannya membentuk garis lengkung dikatakan Tren
Non-Linier.

(i). Tren Linier : gerak data membentuk garis lurus atau mendekatinya.

Model Umum : Yt =  + ti + i ... (1)

Model Estimasi : Y t = a + b ti ... (2)

Dimana : Yt = unit data var-Y untuk periode ke-t,

 = kontanta model tren yang ditaksir oleh a.
 = koefisien model tren (slope), yang ditaksir oleh b.
 = deviasi atau sisaan, atau kekeliruan
Kurva Tren Linier :

Yt Yt

0 t 0 t

Gambar Kurva Tren-Linier

(ii). Tren Non-Linier : gerak data membentuk garis lengkung yang beraturan.
Jenis Trend ini diantaranya :
 Tren Parabola : Yt = ao + a1 ti + a2 ti2 ... (3)

 Tren Logistik : Yt = (a.bt ) –1 ... (4)

ti
 Tren Eksponen : Yt = a.(b) ... (5)

 Tren Geometrik : Yt = a.( ti )b ... (6)

 Tren Kubik : Yt = a + b ti + c ti2 + d ti3, ... (7)

Kurva Tren :

Yt Tren Parabola Yt Tren Parabola

0 t 0 t

Yt Tren Eksponensial Yt Tren Kubik

0 t 0 t

Yt Tren Logistik Yt Tren Kubik

0 0 Kurva Non-Linier
t Bentuk
Gambar 5.2. Beberapa t
3). ANALISIS TREN LINIER

Metoda analisis Tren, yaitu untuk menaksir model tren data deret waktu, dapat digunakan beberapa
teknik estimasi statistik, diantaranya dengan metode kuadrat terkecil (Least square methods), metode
kemungkinan maksimum (Maximum likelihood methods), tetapi pada umumnya dan untuk lebih mudah
penggunaannya digunakan metoda kuadrat terkecil (MKT), yaitu menentukan model tren dengan
menaksir koefisien model sedemikian rupa sehingga jumlah kuadrat kekeliruan nilai tren atau deviasi
kuadratnya terhadap nilai yang sesungguhnya seminimum mungkin, atau : 2 = ( Y  Y )2 minimum.

Seperti diketahui model umum trend linier adalah Yt =  + ti + i

dengan ; Yt adalah data pengamatan pada waktu ke-t
ti adalah waktu ke-i
 adalah konstanta model dan  adalah koefisien arah model
 adalah kekeliruan nilai trend
Nilai Konstanta  dan koefisien  dapat ditaksir oleh a dan b melalui MKT, yaitu :

> Buatkan persamaan normal dari model linier, minimal 2 buah persamaan, yaitu :
(i).  Yi = n. a + b  ti
(ii).  ti Yi = a  ti + b  ti 2
> Lakukan peng-Kodingan untuk data waktu (t), dibuatkan sedemikian rupa sehingga jumlah ti atau  t
= 0 , sehingga :

* Jika data ganjil memiliki nilai koding : . . . . , -3, -2, -1, 0, 1, 2, 3, . . . .

* Jika data genap memiliki nilai koding : . . . . ., -5, -3, -1, 1, 3, 5, . . . . .

> Karena  ti = 0, maka persamaan diatas menjadi :

(i). Yi = n.a ... (8)

(ii).  ti Yi = b  ti 2 ... (9)
> Dengan demikian taksiran nilai koefisien model adalah :

===========================================
a = Yi / n dan b = ( ti Yi ) /  ti 2 ... (10)
===========================================
n = jumlah periode waktu dari data pengamatan.

Contoh 1 :

Rekapitulasi penerimaan Koperasi "ANU" dari beberapa sumber penerimaan sejak tahun 1990
s.d 1996 tercatat sbb : (Y = jumlah penerimaan dalam jutaan rupiah )
Jika diasumsikan trend data penerimaan adalah linier, tentukan model trendnya.

Jawab: Untuk menaksir model trend, maka perlu dibentuk tabel perhitungan
berikut :
 Tahun ‘90 ‘91 ‘92 ‘93 ‘94 ‘95 ‘96
Y 5,5 6,2 7,0 7,6 8,3 8,8 9,5

Jika diasumsikan trend data penerimaan adalah linier, tentukan model trendnya.

Jawab : Untuk menaksir model trend, maka perlu dibentuk tabel perhitungan berikut ;

Tahun Yi ti ti2 ti.Yi

5,5 5,5 -3 9 -16,5
6,2 6,2 -2 4 -12,4
7,0 7,0 -1 1 -7,0
7,6 7,6 0 0 0
8,3 8,3 1 1 8,3
8,8 8,8 2 4 17,6
9,5 9,5 3 9 28,5
Jumlah 52,9 0 28 18,5

Maka : taksiran koefisien a = 52.9/7 = 7,557 b = 18,5/28 = 0,66

Maka Model Tren data diperoleh : Yt = 7,557 + 0,66 ti

4). ANALISIS TREN NON-LINIER

Trend non-linier dapat dipastikan jika pencaran data berdasarkan urutan waktu membentuk garis
lengkung pada sumbu koordinat t atas Y. Untuk menaksir koefisien model trend data dilakukan dengan
MKT yang dimodifikasi sesuai bentuk modelnya dengan pendekatan kepada kelinieran.

a. Menaksir Tren Parabola

Bentuk umum model trend parabola Yt = ao + a1 ti + a2 ti 2 , untuk memperoleh bentuk model

peramalannya maka harus mampu mencari besarnya masing-masing koefisien model (ao , a1 , dan a2 )
, caranya sbb :

> Bentuk 3 buah persamaan normalnya, yaitu :

(i). Yi = n.ao + a1  ti + a2  ti 2

(ii). ti Yi = ao  ti + a1  ti 2 + a2  ti 3
(iii).  ti2 Yi = ao  ti2 + a1  ti 3 + a2  ti 4

> Lakukan peng-Kodingan, sehingga diusahakan : ti = ti 3 =  ti 5 = 0

> Berdasarkan nilai koding tsb, maka persamaan normal diatas dapat ditulis :

(i). Yi = n. ao + a2  ti 2 ... (11)

(ii).  ti Yi = a1  ti 2 ... (12)

(iii).  ti 2Yi = ao  ti2 + a2  ti 4 ... (13)

> Taksiran nilai koefisien model akan diperoleh dari subsitusi ketiga persamaan normal hasil koding
diatas.

Contoh 2 : Pertumbuhan angka kelahiran per-1000 penduduk di kodya Bandung mengikuti bentuk
distribusi Parabola, hal ini dapat diperhatikan pada tahun 1970 s.d 1978

Y = Jumlah kelahiran per-1000 penduduk

Tahun 1993 1994 1995 1996 1997 1998 1999 2000 2001
Y 25 23 21 18 16 17 19 23 24
a. Taksirlah bentuk model trend data tersebut.
b. Berapa ramalan kelahiran tahun 1980 ?
Penyelesaian :

Bentuk dahulu tabel perhitungan yang dibutuhkan dalam persamaan normalnya, yaitu :

Thn Y ti ti2 ti4 ti.Yi ti2 .Yi

1993 25 -4 16 256 -100 400
1994 23 -3 9 81 -69 207
1995 21 -2 4 16 -42 84
1996 18 -1 1 1 -18 18
1997 16 0 0 0 0 0
1998 17 1 1 1 17 17
1999 19 2 4 16 38 76
2000 23 3 9 81 69 207
2001 24 4 16 256 96 384
Jml 186 0 60 708 -9 1393

Dari hasil tersebut akan membentuk persamaan berikut :

(i). 186 = 9 ao + 60 a2
(ii). -9 = 60 a1
(iii). 1393 = 60 ao + 708 a2
Dengan langkah subsitusi atau eliminasi, diperoleh hasilnya sbb :

ao = 17,355 a1 = -0,15 a2 = 0,497

a. Sehingga Taksiran Model Tren-nya adalah :

======== Yt = 17,355 - 0,15 ti + 0,497 ti 2 =========

b. Ramalan angka kelahiran tahun 1002 adalah :

2002 => nilai koding : t 2002 = 5

==> Y2002 = 17,355 - 0,15 (5) + 0,497 (5)2 = 29

b. Menaksir Tren Eksponensial

Bentuk umum trend Eksponensial : Yt = a. b ti

Bentuk ini akan lebih mudah jika dilakukan penyederhanaan : dibuatkan bentuk logaritmanya

yaitu : log Yt = log a + ti log b ,

jika : log Yt = Zi

log a = A log b = B

maka : Zi = A + B ti

Bentuk terakhir disamping adalah bentuk linier, dengan mengikuti langkah pada penyelesaian Tren
Linier kita akan dapatkan taksiran untuk koefisien a maupun b, yaitu

a = antilog [ ( log Yi ) / n ] ... (14)

b = antilog [ ( ti log Yi ) / ti 2 ] ... (15)

(Buktikan ! )

c. Taksiran Tren Logistik

Bentuk umum Tren logistik : Yt = (a. b ti )-1

Dengan cara yang sama seperti taksiran dalam bentuk tren eksponensial, maka taksiran koefisien
model trennya adalah sbb :

a = antilog [ ( - log Yi ) / n ] ... (16)

b = antilog [ ( ti {-log Yi }) /  ti 2 ] ... (17)

(Buktikan ! )
5). ANALISIS FAKTOR MUSIMAN

Dalam analisis Time Series, jika kita berhadapan dengan data mingguan, kuartal, atau data bulanan akan
besar kemungkinannya dipengaruhi oleh faktor musiman. Ambil contoh ; hasil penjualan daging sapi,
akan terasa lonjakan jumlah permintaan pada bulan-bulan menghadapi tahun baru dan Lebaran Idul Fitri.
Permintaan akan buku tulis, nampaknya dalam setahun, akan terlihat jumlah permintaan buku tulis
sangat signifikans pada bulan-bulan menghadapi tahun ajaran baru, biasanya pada bulan Juni atau Juli.

Untuk meninjau seberapa besar faktor musiman berpengaruh pada data deret waktu, dilakukan dengan
menentukan indeks musimannya (IM).

Cara perhitungan :

Perhitungan Indeks Musiman dalam hal ini lebih mudah dilakukan dengan cara persentase rata-rata, yaitu
mengikuti langkah /prosedur berikut :

(untuk kasus data bulanan) ;

1. Tentukan rata-rata data periode untuk setiap tahun. Misalkan diperoleh untuk tahun
ke-I adalah : X i , i = 1, 2, . . (beberapa tahun pengamatan)

2. Tentukan prosentase setiap data yang bersesuaian dengan periodenya.

Yaitu : (Xij / X i ) x 100 %

3. Hitung rata-rata untuk waktu pengamatan yang sama dari beberapa tahun yang
diselidiki, nilai hasil hitungan disebut Indeks Musiman Sementara (IMS).

4. Periksa nilai IMS, jika waktu yang diamati data bulanan haruslah berjumlah 1200
untuk setiap tahun penyelidikan. Jika tidak, perlu disesuaikan dengan mengalikan
oleh faktor penentu (p), dimana ; p = 1200/IMS

5. Dari langkah ke-4 tersebut akan diperoleh Indeks Musiman (IM)

Contoh : Frekuensi pemanfaatan jasa tabanas di bank Epsilon selama 3 tahun terakhir, berdasarkan
pengamatan perbulan diketahui sbb :

Tahun Pengamatan Data

Periode 2010 2011 2012
Januari 178 180 206
Pebruari 183 186 189
Maret 204 209 200
April 201 221 211
MeI 196 243 232
Juni 185 234 285
Juli 192 210 292
Agustus 188 194 280
September 197 207 247
Oktober 202 215 252
November 205 228 255
Desember 213 208 253
Rata-rata 195.33 211.25 241.83
Untuk memperhitungkan besarnya pengaruh musiman dapat diperhatikan tabel berikut :

= Kita tentukan Rata-rata Prosentase :

Tahun Pengamatan Data

Periode 2010 2011 2012
Januari 91.13 85.21 85.18
Pebruari 93.69 88.05 78.15
Maret 104.44 98.93 82.70
April 102.90 104.62 87.25
Mei 100.34 115.03 95.93
Juni 94.71 110.77 117.85
Juli 98.29 99.41 120.74
Agustus 96.25 91.83 115.78
September 100.85 97.99 102.14
Oktober 103.41 101.78 104.20
November 104.95 107.93 105.44
Desember 109.04 98.46 104.62

= Tentukan rata-rata untuk setiap waktu yang sama : Yaitu Periode

Januari s/d Desember, sehingga diperoleh IMS, yaitu :

Periode IMS
Januari 87.17
Pebruari 86.63
Maret 95.36
April 98.26
MeI 103.77
Juni 107.78
Juli 106.15
Agustus 101.29
September 100.33
Oktober 103.13
November 106.11
Desember 104.04
Jumlah 1200.00

Karena Total IMS atau :  IMS = 1200, maka nilai IMS berlaku otomatis sebagai nilai IM
atau besar pengaruh musiman setiap periodenya.

Dari Tabel Faktor Musiman diatas, kolom IM diartikan :

IM(Januari) = 87,17 % artinya terdapat pengaruh musiman sebesar 12,83 % dibawah rata-rata

IM(Januari) = 86,63 % artinya terdapat pengaruh musiman sebesar 13,57 % dibawah rata-rata

-
 -

IM(Agustus)= 100,33 artinya hampir dapat dikatakan tidak ada atau tidak terdapat pengaruh
musiman.

IM(Desemb)= 104,04 artinya terdapat pengaruh musiman sebesar 4,04% diatas rata-rata.

Terlihat bahwa : Pengaruh musiman sangat besar atau tinggi terjadi pada bulan : Januari
dan Pebruari.

SOAL-SOAL LATIHAN

Kasus-1 :

Data Berikut menyatakan tinjauan tentang perkembangan usaha dagang “CV. Angin Ribut “ untuk
beberapa komiditi yang dijalankan selama tahun 2000-2001

Jumlah Komoditi & Tahun Pengamatan

Beras (dalam Ton) Gula ( dalam Ton)
Periode 2000 2001 2000 2001
Triwulan-1 25,5 42,6 25,42 19,50
Triwulan-2 28,2 44,7 22,23 20,01
Triwulan-3 34,5 50,0 20,06 20,73
Triwulan-4 38,8 52,1 19,76 21,22

a. Buatkan gambar plot perkembangan data kedua komoditi dagang perusahaan tersebut.

b. Bagiamana kecenderungan perkembangan datanya ?

c. Lakukan Taksiran Model Tren data kedua komoditi tersebut.

d. Hitunglah pengaruh musiman yang terjadi pada perkembangan dagang komoditi Beras
maupun Gula.

e. Simpulkan semua hasil yang anda peroleh.

Kasus-2 :
Setiap perusahaan memerlukan sumber dana yang berasal dari luar perusahaan. Namun terkadang perusahaan
tersebut tidak mampu untuk membayar kewajiban-kewajibannya. Untuk mengukur apakah perusahaan tersebut dapat
membayar kewajiban-kewajibannya, maka dapat dilihat dari likuiditasnya. Sementara itu Setiap perusahaan
menginginkan laba yang maksimal, karena laba ini dapat digunakan perusahaan untuk kegiatan di dalam pencapaian
nilai perusahaan. Profitabilitas dapat mengukur kemampuan perusahaan di dalam menghasilkan laba dengan total
assetnya. Dan kebijakan pendanaan ini menetapkan apakah perusahaan akan menggunakan modal sendiri, utang jangka
pendek ataupun utang jangka panjang di dalam membiayai setiap investasinya.
Sedangkan keuangan perusahaan (Financing) diukur dari total hutang perusahaan dibandingkan dengan modal
perusahaan. Berikut disajikan data ketiga faktor diatas pada perusahaan BAT Indonesia selama periode 1994-2003.
Tabel Perkembangan Likuiditas (X1), Profitabilitas (X2) dan Financing (X4)
Perusahaan BAT Indonesia Periode 1994-2003
Tahun Likuiditas Profitabilitas Financing
BAT Ind- 1994 1,105 0,220 0,70
BAT Ind- 1995 0,332 0,309 1,23
BAT Ind- 1996 0,238 0,257 3,07
BAT Ind- 1997 0,273 0,066 3,85
BAT Ind- 1998 0,162 0,045 4,32
BAT Ind- 1999 0,180 0,054 7,50
BAT Ind- 2000 0,194 0,066 1,13
BAT Ind- 2001 0,375 0,140 0,81
BAT Ind- 2002 0,342 0,162 0,72
BAT Ind- 2003 0,457 0,071 0,55

Lakukan analisis perkembangan factor-faktor diatas.