“Uji Stasioneritas Terhadap Ragam dan Rata-rata”

Laporan Praktikum ke-1

Disusun untuk Memenuhi Laporan Praktikum
Analisis Deret Waktu

OLEH
NAMA : KRISTIN VERAHDITIYA
NIM : 125090507111015

ASISTEN 1 : VINA RISKIA (115090507111004)

ASISTEN 2 : CINTIA PANNYA (115090500111036)

LABORATORIUM STATISTIKA
PROGRAM STUDI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
2014
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Ramalan sangat berguna terutama dalam bidang pemasaran,
produksi, keuangan dan bidang ekonomi lainnya. Ramalan pada dasarnya
merupakan dugaan atau perkiraan mengenai terjadinya suatu kejadian atau
peristiwa di waktu yang akan datang. Ramalan bisa bersifat kualitatif,
artinya tidak berbentuk angka, misalnya tahun bulan depan akan banjir,
tahun depan akan terjadi perang antara negara anu dengan negara anu, hasil
penjualan tahun depan akan meningkat, bulan depan pasaran daging ayam
akan sepi, dan sebagainya. Ramalan juga bisa bersifat kuantitatif, artinya
berbentuk angka. Ramalan kuantitatif dapat berbentuk ramalan tunggal
(point forcast) dan ramalan selang (interval forcast).
Ramalan tunggal terdiri dari satu nilai saja, misalnya hasil
penjualan Perusahaan “A” tahun depan mencapai Rp. 500 juta, produksi
gula tahun depan akan mencapai 1 juta ton, pendapatan per kapita Jawa
Timur tahun depan turun menjadi Rp. 300.000,-, tahun depan ekspor kopi
naik 10 %, harga beras bulan depan naik Rp. 1000 per Kg, indeks harga 9
macam bahan pokok bulan depan akan naik 15 %, dan sebagainya.
Ramalan selang adalah ramalan berupa suatu selang (interval) yang
dibatasi oleh nilai batas bawah (ramalan rendah) dan batas atas (ramalan
tinggi). Misalnya : hasil penjualan perosahaan “A” tahun depan akan
mencapai antara Rp. 450 juta sampai dengan Rp. 550 juta, produksi barang
“X” tahun depan akan mencapai 850 satuan sampai dengan 900 satuan,
Bulan depan harga BBM akan naik antara 20 % sampai dengan 100 %, dan
sebagainya.
Ramalan ada yang jangka panjang (long term forcast), ada yang
jangka menengah, ada yang jangka pendek. Makin jauh ke depan (makin
lama) harus disadari makin besar kesalahan ramalan, karena makin besar
unsur ketidakpastian. Maka sebaiknya dilakukan pembaharuan (up dating)
setiap kali ada data baru yang masuk.
Ramalan tidak pernah tepat 100 %. Kalau toh tepat, mungkin
hanya karena kebetulan saja. Sebaiknya angka ramalan hanya dipakai
sebagai ancar-ancar saja untuk melangkah dan bertindak, bukan merupakan
suatu angka yang harus dipergunakan begitu saja. Ramalan dibuat
menggunakan asumsi-asumsi tertentu, yang mana asumsi itu dapat berubah
menyesuaikan dengan waktu. Jadi ramalan itu benar jika asumsinya benar.
Akan tetapi kalau keadaan berubah maka hasil ramalan dapat berubah.
Perubahan itu dapat membuat hasil ramalan akan naik atau turun,
tergantung faktor-faktor yang berubah tersebut.
Setiap kebijakan ekonomi maupun kebijakan perusahaan tidak akan
terlepas dari usaha meningkatkan kesejahteraan masyarakat atau
meningkatkan keberhasilan perusahaan untuk mencapai tujuannya pada
masa yang akan datang. Kegunaan dari peramalan akan terlihat pada saat
pengambilan keputusan. Keputusan yang baik adalah keputusan yang
didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan
itu dilaksanakan. Dalam suatu perusahaan, ramalan dibutuhkan untuk
memberikan informasi kepada pimpinan sebagai dasar untuk membuat
suatu keputusan dalam berbagai kegiatan, seperti penjualan, permintaan,
persediaan, keuangan, dan sebagainya.

1.2. Tujuan
1. Mengidentifikasi sumber variasi (pola) yang ada di
deret waktu
2. Menentukan observasi yang sesuai dengan variasi
yang ada di deret waktu
3. Mengenali data deret waktu yang tidak stasioner
teerhadap rata-rata dan ragam dengan cara diskriptif
dan inferensia
4. Menguji deret waktu yang tidak stasioner terhadap
rata-rata dan ragam
5. Transformasi deret waktu tidak stasioner menjadi
stasioner
 BAB II
TINJAUAN PUSTAKA

Dalam statistika, deret waktu adalah rangkaian data yang berupa

nilai (pengamatan) yang diukur selama kurun waktu tertentu, berdasarkan
waktu dengan interval yang uniform sama. Beberapa Contoh data deret
waktu adalah produksi total tahunan produk pertanian indonesia, harga
penutupan harian sebuah saham di pasar modal untuk kurun waktu satu
bulan, suhu udara per jam, dan penjualan total bulanan sebuah pasar
swalayan dalam waktu satu tahun dan sebagainya. Analisis deret waktu
merupakan metode yang mepelajari deret waktu, baik dari segi teori yang
menaunginya maupun untuk membuat peramalan (prediksi). Prediksi /
Peramalan deret waktu adalah penggunaan model untuk memprediksi nilai
di waktu mendatang berdasar peristiwa yang telah terjadi. Di dunia bisnis,
data deret waktu digunakan sebagai bahan acuan pembuatan keputusan
sekarang, untuk proyeksi, maupun untuk perencanaan pada masa
depan. Contoh penggunaannya adalah pada harga pembukaan
harga saham di bursa efek berdasar performa sebelumnya

Ada beberapa asumsi penting yang harus dipenuhi agar data deret
waktu dapat digunakan dalam keperluan proyeksi/peramalan. Beberapa
diantaranya adalah adanya ketergantungan antara kejadian masa mendatang
terhadap masa sebelumnya atau lebih dikenal dengan istilah
adanya autokorelasi antara Zt dan Zt-k. Asumsi berikutnya adalah aktivitas
pada masa depan mengikuti pola yang terjadi pada masa lalu dan
hubungan/keterkaitan pada masa lalu dapat ditentukan dengan pengamatan
atau penelitian. Akurasi yang dihasilkan dari peramalan deret waktu, sangat
ditentukan oleh seberapa jauh asumsi-asumsi diatas dipenuhi.

Ada empat komponen gerak/variasi data berkala, yaitu :

1. Gerak Jangka Panjang atau Trend
 Trend melukiskan gerak data berkala selama jangka waktu yang
panjang/cukup lama. Gerak ini mencerminkan sifat kontinuitas atau
keadaan yang serba terus dari waktu ke waktu selama jangka waktu
 tersebut. Karena sifat kontinuitas ini, maka trend dianggap sebagai
gerak stabil dan menunjukkan arah perkembangan secara umum
(kecenderungan menaik/menurun).

Gambar 1. Trend Naik Gambar 2. Trend Turun

 Trend sangat berguna untuk membuat peramalan (forecasting) yang

merupakan perkiraan untuk masa depan yang diperlukanbagi
perencanaan.
 Trend dibedakan menjadi dua jenis, yakni :
- Trend Linier → mengikuti pola garis lurus ( Y = a + b t )
- Trend Non Linier → mengikuti pola lengkung

2. Gerak Siklis
 Gerak siklis adalah gerak/variasi jangka panjang di sekitar garis trend
(temponya lebih pendek). Gerak siklis terjadi berulang-ulang namun
tidak perlu periodic, artinya bisa berulang setelah jangka waktu
tertentu atau bisa juga tidak berulang dalam jangka waktu yang sama.
 Perkembangan perekonomian yang turun naik di sekitar trend dan
“Business Cycles” adalah contoh gerak siklis.
 Gerak siklis melukiskan terjadinya empat fase kejadian dalam jangka
waktu tertentu, yakni kemajuan, kemunduran, depresi dan pemulihan.
 Gambar 3. Gerak Siklis
3. Gerak Musiman
Gerak musiman terjadi lebih teratur dibandingkan garak siklis dan
bersifat lengkap, biasanya selama satu tahun kalender. Gerak ini berpola
tetap dari waktu ke waktu. Factor utama yang menyebabkan gerak ini
adalah iklim dan kebiasaan.

4. Gerak Ireguler atau Faktor Residu (Gerak Tak Teratur)

 Gerak ini bersifat sporadis/tidak teratur dan sulit dikuasai.
 Perang, bencana alam, mogok dan kekacauan adalah beberapa faktor
yang terkenal yang bisa menyebabkan gerak ini terjadi.
 Dengan adanya pengaruh tersebut, maka gerak ireguler sulit untuk
dilukiskan dalam suatu model.
 BAB III
METODOLOGI
1. Buka software Minitab yang ada di komputer anda

2. Langkah awal yaitu memplotkan data dengan cara masukkan data deret
waktu ke minitab dan beri nama kolom Zt

3. Kemudian klik stat > Time Series > Time Series Plot

4. Pilih plot Simple > ok

5. Setelah muncul kotak dialog, pada kotak Series isikan dengan Zt >
ok. Kemudian akan muncul grafik dari data tersebut.

6. Langkah berikutnya kita melakukan uji stasioeritas dengan mengklik

Stat > Control Charts > Boc-Cox Transformation

7. Pada kotak awal pilih ”Observation for a subgroup are in one row of
columns:”

8. Dan untuk kotak dibawahnya masukkan kolom Zt

9. Lalu klik options dan di kotak ’store transformed data in:’ ketikkan di
kolom mana data transformasi akan dileletakkan > ok > ok. Untuk
 mengganti nama kolom menjadi nama yang diinginkan bisa
dilakukan dengan cara memberi nama kolom terlebih dahulu lalu
lakukan cara seperti tadi

10. Kemudian akan muncul Box-Cox plot of Zt dan lihat nilai round
valuenya. Jika nilai round valuenya belum bernilai 1 maka kita ulangi
langkah sebelumnya sampai didapatkan nilai round valuenya sama
dengan 1

11. Setelah didapatkan round valuenya sama dengan 1, kita melakukan

uji stasioneritas terhadap ragam dengan mengklik stat > Time Series
> Autocorelation

12. Setelah muncul kotak dialog,

pada kotak series masukkan
kolom data dari hasil
 transformasi terakhir yang nilai round valuenya 1 dan centang pada
kotak ’Store ACF’ lalu klik ok

13. Setelah itu akan muncul plot ’Autocorelation function for transf2’.
Jika terdapat kurang dari 3 lag yang keluar batas maka tidak perlu
dilakukan diferensiasi, namun jika terdapat lebih dari 3 lag yang
keluar batas maka harus dilakukan diferensiasi
14. Klik Stat > Time Series > Differences

15. Kemudian pada kotak Series masukkan data transformasi terakhir

yang nilai round valuenya sama dengan 1. Untuk Store differences in
diisi dengan kolom baru yang diinginkan lalu untuk lag diisi dengan
1 > ok

16. Kemudian akan tampil nilai diferensiasinya.

 BAB IV
HASIL DAN PEMBAHASAN

4.1 Permasalahan
4.1.1 Meramalkan nilai IHSG harian untuk jangka pendek. Berikut
adalah data IHSG harian (fiktif) selama 48 periode:

4.1.2 Berikut adalah data rata-rata curah hujan bulanan yang diamati dari
Stasiun Padaherang pada tahun 2001 – 2004.

Apabila nilai curah hujan saat ini dianggap dipengaruhi oleh rata-
rata curah hujan kemarin dst, maka data rata-rata curah hujan di
atas dapat dikategorikan sebagai suatu deret waktu (time series).

4.2 Pembahasan
4.2.1
 Berdasarkan data
IHSG harian selama 48 periode, data stasioner terhadap
ragam pada transformasi kedua dan karena data sudah
autokorelasi maka tidak perlu dilakukan uji stasioneritas
terhadap rata-rata.
4.2.2

Berdasarkan data curah hujan bulanan di Stasiun

Padaherang pada tahun 2001-2004, data stasioner
terhadap ragam pada transformasi kedua dan karena data
sudah autokorelasi maka tidak perlu dilakukan uji
stasioneritas terhadap rata-rata.
 BAB V
PENUTUP
5.1 KESIMPULAN
Berdasarkan uraian sebelumnya, diketahui terdapat empat model
pola deret waktu, yaitu trend, siklis, musiman, dan tidak teratur. Suatu
data deret waktu ternyata ada yang prosesnya dipengaruhi waktu dan
ada yang tetap seperti keadaan awal meskipun sudah terjadi perubahan
waktu. Data deret waktu yang tetap meskipun terdapat perubahan
waktu dinamakan stasioner. Kestasioneritasan bisa terhadap ragam dan
juga terhadap rata-rata. Bila data belum stasioner, maka sebelum
membentuk suatu model deret waktu, data tersebut harus
ditransformasi terlebih dahulu agar menjadi stasioner. Setelah itu baru
dilakukan uji terhadap rata-rata dan ragam. Jika data tersebut sudah
autokorelasi kita tidak perlu melakukan diferensiasi lagi, namu jika
belum autokorelasi, maka kita perlu melakukan diferensiasi

5.2 SARAN
 DAFTAR PUSTAKA

http://daps.bps.go.id/file_artikel/77/arima.pdf

http://personal.fmipa.itb.ac.id/utriweni/files/2012/09/13.-Analisis-Deret-
Waktu-Statdas-27.11.12.pdf

http://statistik.studentjournal.ub.ac.id/index.php/statistik/article/viewFile/12
/12

http://id.wikipedia.org/wiki/Deret_waktu

Gujarati, D., (1995), Ekonometrika Dasar, Erlangga, Jakarta, Terjemahan:

Drs. Ak. Sumarno Zain, MBA
Rosadi, D., (2011), Analisis Ekonometrika & Runtun Waktu Terapan
dengan R, Andi, Yogyakarta
LAMPIRAN
Soal 1

Time Series Plot of Zt

350

300

250
Zt

200

150

1 5 10 15 20 25 30 35 40 45
Index
Soal 2