Khoirul Umam
2022/2023
KATA PENGANTAR
Puji syukur kehadirat Allah SWT karna atas limpahan rahmat dan
karunianya sehingga saya dapat menyelesaikan penyususnan makalah ini.
Semoga makalah ini dapat dipergunakan sebagai salah satu acuan, petunjuk
maupun pedoman bagi pembaca dalam pembelajaran.
i
BAB I
PENDAHULUAN
A. Latar Belakang
Analisis time series (runtun waktu) banyak digunakan dalam
berbagai bidang, misalnya ekonomi, teknik, geofisik, pertanian dan
kedokteran. Runtun waktu adalah suatu deret observasi yang berurut
dalam waktu. Analisis data runtun waktu digunakan untuk melakukan
analisis data yang mempertimbangkan pengaruh waktu. Data-data yang
dikumpulkan secara periodik berdasarkan urutan waktu, bisa dalam jam,
hari, minggu, bulan, kuartal dan tahun, dapat dilakukan analisis
menggunakan metode analisis data runtun waktu.
Metode yang sering digunakan dalam analisis runtun waktu
adalah ARIMA. Model ARIMA mampu mewakili deret waktu
stasioner maupun nonstasioner. Karakteristik model ini tidak
mengikutkan variabel bebas di dalam modelnya. Pada ARIMA, suatu
runtun waktu nonstasioner harus diubah menjadi data stasioner dengan
melakukan differensiasi. Analisis regresi merupakan alat statistika yang
memanfaatkan hubungan antara dua atau lebih variabel yang bersifat
kuantitatif, sehingga salah satu variabel dapat diprediksi dari variabel
lainnya. Dalam regresi linier sederhana, metode yang biasa digunakan
dalam mengestimasi parameter regresi adalah metode kuadrat terkecil atau
Ordinary Least Squares (OLS). Secara matematika penentuan parameter
regresi ini dengancara meminimumkan jumlah kuadrat dari residualnya.
B. Rumusan Masalah
1. Apa yang dimaksud dengan time series?
2. Apa saja jenis – jenis dari time series?
3. Apa yang dimaksud dengan stasioneritas data?
C. Tujuan
1. Untuk mengetahui apa yang dimaksud dengan time series
2. Untuk mengetahui apa saja jenis – jenis time series
3. Untuk mengetahui apa yang dimaksud dengan stasioneritas data.
1
BAB II
PEMBAHASAN
2
wilayah sebagai variabel multivariat . Sehingga, dibutuhkan analisis
yang lebih dari satu data time series yaitu dengan menggunakan
multivariat time series. Proses dalam multivariat time series sama
dengan prose dalam univariat time series yaitu dengan
memperhatiakan stasioneritas data.
2. Variasi Kalender
Model variasi kalender merupakan model time series yang
digunakan untuk meramalkan data berdasarkan pola musiman dengan
periode bervariasi. Di sebagian besar negara-negara Islam, data time
series bulanan di bidang ekonomi dan bisnis dapat diketahui dengan
dua jenis efek kalender, yaitu efek hari kerja atau efek hari
perdagangan di setiap bulan, yang biasa disebut sebagai efek
perdagangan hari dan efek hari libur seperti tahun baru cina, natal, dan
idul fitri dimana penentuan hari raya tersebut berbeda dengan kelender
Masehi. Indonesia merupakan salah satu negara yang merasakan
variasi kalender terutama saat memasuki tahun baru dan hari raya. Saat
tahun baru dan hari raya kebanyakan masyarakat Indonesia yang
bekerja atau bertempat tinggal di luar kota kelahiraan melakukan
tradisi pulang kampung (Mudik) sehingga kebutuhan transportasi akan
meningkat dari biasanya, sehingga pemerintah atau perusahaan
transportasi perlu melakukan evaluasi dan persiapan untuk
kenyamanan penumpang.
3. Forcasting (Peramalan)
Forcasting adalah suatu ilmu yang digunakan untuk meramalkan
atau memprediksi krjadian di waktu mendatang. Peramalan dapat
dilakukan dengan cara institusi subjektif atau dengan model matematis
(Heizer & Render, 2011). Peramalan biasa digunakan dalam hal
perencanaan penjualan ataupun perencanaan pembangunan sbagai
tambahan informasi.
4. Autoregressive Integreted Moving Average (ARIMA)
ARIMA (Autoregressive Integrated Moving Average) atau disebut
dengan metode deret berkala Box-Jenkins. Nilai data pada waktu
3
mendatang bersifat linier dari data historis dan random error. ARIMA
dibagi dalam tiga klasifikasi yaitu:
a. Model Autoregressive (AR)
Autoregressive merupakan peramalan regresi yang veriabel time
lag (selang waktu) dan nilai-nilai sebelumnya saling.model AR
dapat dikatakan mengikuti proses AR apabila lag-lag pada plot
ACF menurun secara eksponensial dan lag yang signifikan tidak
sama dengan nol pada plot PACF kemudian digunakan indikasi
parameter p. Bentuk umum model autoregressive dengan orde ke-p
atau model ARIMA (p,0,0) dinyatakan sebagai berikut:
𝑍𝑡 = 𝜇 + ∅1𝑍𝑡−1 + ∅2𝑍𝑡−2 + ⋯ + ∅𝑝𝑍𝑡−𝑝 + 𝑒𝑡 …
Dimana:
𝜇 = nilai konstan
𝑍𝑡 = nilai pengamatan pada waktu t
∅p = koefisien orde p
et = nilai galat pada saat ke-t
b. Model Moving Average (MA)
Moving Average biasa disebut rata-rata bergerak adalah deret
berkala pada waktu t yang dipengaruhi dengan galat saat ini dan
galat yang terbobot pada historis waktu sebelumnya. Suatu deret
berkala dikatakan mengikuti proses apabila lag-lag pada plot ACF
tidak sama dengan nol dan lag yang signifikan menurun secara
eksponensial pada plot PACF kemudian digunakan indikasi
parameter q. Bentuk umum model moving average orde ke-q atau
ARIMA (0,0,q) dapat ditulis sebagai berikut:
𝑍𝑡 = 𝜇 + 𝑒𝑡 − 𝜃1𝑒𝑡−1 − 𝜃2𝑒𝑡−2 − ⋯ − 𝜃𝑞𝑒𝑡−𝑞 …(2.2)
Dimana :
𝜃𝑞 = nilai koefisien orde q
𝑒𝑡 = nilai galat pada saat t
5. Model Autoregresive Moving Average (ARMA)
Model peramalan deret berkala jenis ini dapat berbentuk
autogregresive (AR), rata-rata bergerak (MA) atau kombinasi antara
4
keduanya (ARMA). Bentuk umum model ARMA (p,q) dapat ditulis
sebagai berikut:
∅𝑝 (𝐵)Zt = 𝜇 + 𝜃𝑞 (𝐵)et …
Dimana:
∅𝑝 (𝐵) = (1 − ∅1𝐵 − ∅2𝐵 2 − ⋯ − ∅ )
𝜃𝑞 (𝐵) = (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − )
6. Model Autoregressive Integrated Moving Average (ARIMA)
ARIMA (Autoregressive Integrated Moving Average). Model
ARIMA adalah model ARMA (p,q) yang nonstasioner. Model ini
membutuhkan suatu proses pembedaan agar data stasioner. Model
ARMA dilakukan pembedaan dengan ordo ke-d yaitu 𝑍𝑡 𝑑 = (1 − 𝐵)
𝑑𝑍𝑡 sehingga 𝑍1 , 𝑍2 , … menjadi deret berkala yang stasioner, maka
model ARMA (p,q) menjadi model ARIMA (p,d,q). Bentuk model
umum ARIMA (p,d,q) sebagai berikut:
∅𝑝 (𝐵)(1 − 𝐵) 𝑑𝑍𝑡 = 𝜇 + 𝜃𝑞 (𝐵)𝑒𝑡 …
Dimana:
∅𝑝 (𝐵) = (1 − ∅1𝐵 − ∅2𝐵 2 − ⋯ − ∅ )
𝜃𝑞 (𝐵) = (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − ) (1 − 𝐵)
𝑑𝑍𝑡 = pembeda dengan ordo ke-d
𝑒𝑡 = nilai galat pada saat t
Metode ARIMA Box-Jenkins memiliki 3 langkah analisis yakni
identifikasi model, estimasi parameter dan diagnostic checking.
7. ARIMAX (Autoregresive Integreted Moving Average with Exogenous
Variables)
Model ARIMAX adalah model ARIMA yang diberi tambahan
variabel dammy atau disebut variabel exogenous, variabel dummy
yang biasa digunakan adalah model ARIMAX dengan variasi
kalender. Pemodelan runtun waktu dengan penambahan beberapa
variabel yang dianggap memiliki pengaruh secara signifikan terhadap
data digunakan untuk memperkuat akurasi dari peramalan yang
dilakukan. Menurut Cyer dan Chan (2008) dalam Lee et al. (2010)
bahwa model ARIMAX merupakan model ARIMA dengan tambahan
5
variabel. Model ARIMAX dengan efek variasi kalender dituliskan
sebagai berikut :
𝑍𝑡 = β1X1,t + β2X2,t+ ⋯ + βpXp,t+ ∅
Dengan:
Z𝑡 : kombinasi linier dari gabungan pengamatan dan sisaan pada
waktu-waktu sebelumnya
X1,t, X2,t, … , Xn,t : variabel dummy hari-hari khusus
𝛽1, 𝛽2, … , 𝛽𝑛 : parameter variabel dummy hari-hari khusus
𝜙𝑝 : parameter regresi diri ordo ke-p
𝜃𝑞 : parameter rataan bergerak ordo ke-q
𝜙𝑝 (𝐵) : (1 − 𝜙1𝐵 − 𝜙2𝐵 2 − ⋯ − )
𝜃𝑞 (𝐵) : (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − )
Pemodelan diatas terdiri dari variabel respon time series dan variabel
dummy yang di bentuk dari variasi kalender. Menurut Lee &
Suhartono, langkah penyelesaaian analisis pada model ARIMAX
adalah sebagai berikut :
a. Menentukan variabel dummy berdasarkan pada variasi kalender
b. Melakukan pemodelan regresi seperti berikut
Yt =β0+β 1V1, +β 2V2,t +…+β pVp,t+wt
c. Memodelkan residual dari hasil model regresi dengan model
ARIMA
d. Melakukan pemodelan ARIMAX
e. Mengecek signifikansi parameter
8. VARIMA (Vector Autorgresive Integreted Moving Average)
Data time series atau runtunn waktu sering kali terdiri dari
beberapa variabel atau biasa di sebut data time series multivariate.
Variabel multivariate pada data time series misalnya berupa lokasi
yang berbeda, atau jenis produk yang berbeda yang dapat dihitung dan
terbatas. Menurut (Wei, 2006) model VARIMA dituliskan sebagai
berikut :
Фp (B)D(B) 𝑍̇ = Θq (B) at …(2.6)
Dimana :
6
Фp (B) = Ф0– Ф1B – Ф2B2 -…- ФPBp
Dan
Θp (B) = Θ 0 –Θ 1B - Θ 2B2 …- ΘPBq
BZt = Zt-1
Dengan :
𝑍̇ adalah vector pengamatan dengan Zt = [ Z1,t, Z2,t,…, Zn,t,] Фp
(B) dan Θq(B) berturut-turut adalah suatu matriks autoregressive dan
moving average polinomial orde p dan q dengan ukuran matrik
nonsingular yaitu mxm. Untuk kasus nonsingular, matriks varians
kovarians dari t a adalah definit positif.
Jika q = 0 maka proses menjadi vektor AR (p).
ΦP(B)Zt at …(2.7)
jika p = 0 maka proses menjadi vektor MA (q)
ΦP(B)Zt Θq(B) at-q …(2.8)
C. Stasioner Data
Data yang tidak stasioner memiliki rata-rata dan varian yang tidak
konstan sepanjang waktu. Dengan kata lain, secara ekstrim 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
7
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 15 mengandung akar unit (unit root). Terdapat berbagai metode
untuk melakukan uji akar unit diantarnya Dickey-Fuller, Augmented
Dickey Fuller, DickeyFuller DLS (ERS), Philips-Perron, Kwiatkowski-
Philips-Schmidt-Shin, ElliotRothenberg-Stock Point-Optimal, dan Ng-
Perron.
D. Pengujian Stasioneritas
1. Grafik
Untuk melihat adanya stasioneritas dapat dengan mudah kita lihat
dengan grafik. grafik tersebut dibuat plot antara observasi dengan
waktu. jika terlihat memiliki rata-rata dan varians konstan, maka data
tersebut dapat disimpulkan stasioner. berikut contoh metode grafik
yang merupakan data stasioner:
8
2. 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)
9
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.
Metode formal yang dimaksud di atas dalam mendeteksi
stasioneritas menggunakan korelogram:
a. Uji bartlet
Bartlett menunjukkan bahwa jika suatu time series dibentuk
melalui proses white noise, maka sampel otokorelasi-nya akan
berdistribusi normal dengan mean 0 dan standar deviasi 1/
T½, dimana T banyaknya pengamatan, bila ada rk > 0.2 (dua kali
standar deviasi), maka kita yakin dengan kepercayaan 95% bahwa
ρ ± 0 dan berarti time series yang sedang kita analis bukan berasal
dari proses white noise. Atau secara matematis dituliskan dengan:
rk ± Zα/2 s.e
b. Uji box-pierce
Uji ini digunakan untuk mengetahui apakah nilai ρk pada
sekumpulan waktu secara nyata berbeda dengan 0. untukk menguji
10
hipotesis tersebut tersebut, kita gunakan tes Q yang dikenalkan
oleh Box dan Pierce,
c. Uji Ljung-Box
Sejatinya uji ini hampir bisa dibilang kembar. namun, uji
ini lebih "powerful". uji ini cocok untuk sampel yang berukuran
kecil
untuk penetuan penolakan hipotesis, hampir sama dengan uji
diatas.
3. Uji unit root
kedua metode diatas masih menggunakan subjektivitas sehingga
diperlukan uji formal. uji formal ini disebut uji unit root. uji ini yang
paling sering digunakan dalam melakukan uji stasioneritas. uji ini
disebut Dickey-Fuller (DF) test sesuai dengan yang menciptakan yaitu
David Dickey dan Wayne Fuller.dimana menggunakan persamaan
berikut:
11
misalnya EViews. secara umum kita bisa mencobanya masing-masing
model sehingga keputusanya akan lebih tepat. Model-model
sebelumnya mengasumsikan erorr(ut) tidak berkorelasi, Hampir tidak
mungkin. Untuk mengantisipasi adanya korelasi tersebut, Dickey-
Fuller mengembangkan pengujian diatas dengan sebutan:
Augmented Dickey-Fuller (ADF) Test formulasinya sebagai berikut :
Berdasarkan model tersebut kita dapat memilih tiga model yang akan
digunakan untuk melakukan Uji ADF, model tersebut sama dengan
model ADF di atas. Penjelasan lengkap mengenai uji tersebutdapat
dilihat pada Gujarati (2004) halaman 814-818.
12
standarisasi (z-score), dll. Tujuan dari transformasi yang lain tersebut
biasanya bukan untuk meghilangkan akar unit atau menstasionerkan data,
tetapi menghilangkan efek satuan, menormalkan data, dsb. Namun,
biasanya, data yang ditransformasi ke bentuk2 tersebut juga menjadi
stasioner.
BAB III
PENUTUP
A. Kesimpulan
Time series atau deret waktu merupakan pengamatan satu atau
beberapa variabel yang diambil secara beruntun terhadap interval waktu
yang tetap. Pada tahun 1976 George Box dan Gwilyn Jenkins
memperkenalkan analisis time series untuk pertama kalinya. Analisis time
series adalah salah satu prosedur statistika yang digunakan pada peramalan
kejadian di masa depan.
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
13
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.
DAFTAR PUSTAKA
JURNAL
Rizal, J., & Akbar, S. Perbandingan Uji Stasioner Data Timeseries Antara Metode: Control
Chart, Correlogram, Akar Unit Dickey Fuller, dan Derajat Integrasi. 2015, GRADIEN,
Arumsari, M., & Dani, A. T. R.. Peramalan data runtun waktu menggunakan model hybrid time
series regression–autoregressive integrated moving average. 2021 Jurnal Siger Matematika,
Hansun, S. (2012). Peramalan data IHSG menggunakan fuzzy time series. 2012, IJCCS
(Indonesian Journal of Computing and Cybernetics Systems).
INTERNET
https://dqlab.id/jenis-data-statistik-dalam-time-series-analysis
14
Diakses pada tanggal 28 November 2022
https://scundip.org/uncategorized/analisis-runtun-waktu/
15