Dosen Pengampu :
Miftakhul Huda, SE.I., M.Sy.
i
KATA PENGANTAR
Puji syukur Alhamdulillah penulis panjatkan ke hadirat Allah SWT., atas segala
karunia-Nya sehingga penulisan makalah dapat terselesaikan. Shalawat serta salam
semoga senantiasa abadi tercurahkan kepada Nabi Muhammad SAW dan umatnya.
Sehubungan dengan selesainya penulisan makalah ini, maka penulis mengucapkan
terimakasih kepada :
1. Bapak Prof. Dr. Maftukhin, M.Ag. selaku Rektor UIN Sayyid Ali Rahmatullah
Tulungagung.
2. Bapak Dr. H. Dede Nurohman, M.Ag. selaku Dekan Fakultas Ekonomi dan
Bisnis Islam UIN Sayyid Ali Rahmatullah Tulungagung.
3. Ibu Hj. Amalia Nuril Hidayati, S.E., M.Sy. selaku Ketua Jurusan Manajemen
Keuangan Syariah FEBI UIN Sayyid Ali Rahmatullah Tulungagung.
4. Bapak Miftakhul Huda, SE.I., M.Sy selaku dosen pengampu mata kuliah Analisis
Laporan Keuangan Syariah yang telah memberikan pengarahan dalam penulisan
makalah ini.
5. Semua pihak yang telah membantu menyelesaikannya penulisan makalah ini.
Dalam penulisan makalah ini, penulis menyadari masih banyak terdapat kesalahan
dan kekeliruan, baik yang berkenaan dengan materi pembahasan maupun dengan
teknik pengetikan, walaupun demikian, inilah usaha maksimal kami selaku penulis.
Semoga dalam makalah ini para pembaca dapat menambah wawasan ilmu
pengetahuan dan diharapkan kritik yang membangun dari para pembaca guna
memperbaiki kesalahan sebagaimana mestinya
ii
DAFTAR ISI
A. Kesimpulan ............................................................................................. 16
B. Saran ....................................................................................................... 16
iii
BAB I PENDAHULUAN
A. Latar Belakang
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
dalam sebulan, Jumlah produksi setiap tahun merupakan salah satu contoh data
deret waktu.
Menurut Lukas Setia Atmaja, bahwa data deret berkala adalah suatu
rangkaian atau seri dari nilai-nilai suatu variabel yang dicatat dalam jangka waktu
yang berurutan. Menurut ahli lain mengatakan bahwa segala nilai pada rentang
skala yang sama dan diurutkan dengan waktu sebagai indeks disebut time series.
Analisis yang dimaksud dari data deret waktu (Time Series Analysis) adalah
kecenderungan data deret waktu, dan menetapkan model peramalan dimasa yang
akan terjadi pada masa depan berdasarkan data yang relevan pada masa lalu. Maka
1
metode peramalan ini digunakan dalam peramalan yang obyektif. Model dari
diuji ukuran kesalahannya untuk mengetahui model peramalan yang sesuai dengan
kriteria data. Ukuran kesalahan peramalan yang digunakan adalah MAD (Mean
Absolute Deviation), MSE (Mean Squared Error) dan MAPE (Mean Absolute
Percentage Error).1
B. Rumusan Masalah
C. Tujuan Masalah
(Peramalan)
1
Aswi Sukarna. “Analisis Deret Waktu Teori dan Aplikasi”.Makassar: Andira Publisher
(2006).
2
BAB II PEMBAHASAN
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 time series menggunakan data yang terpaut
oleh waktu, sehingga korelasi antara kejadian saat ini dengan periode waktu
2
sebelumnya akan terjadi.
adanya hubungan antara dimensi lain seperti wilayah ataupun dimensi lain yang saling
Misal data PDB atau GDP (Gross Domestic Product), perkembangan produksi,
Indeks harga konsumen, Indeks harga saham, hasil penjualan, jumlah penduduk,
dll.
Dari suatu runtun waktu akan dapat diketahui pola perkembangan suatu peristiwa,
kejadian atau variabel. Jika perkembangan suatu peristiwa mengikuti suatu pola
3
yang teratur, maka berdasarkan pola perkembangan tersebut akan dapat
Analisa data time series adalah analisa yang menukur dan menerangkan
berbagai perubahan atau perkembangan data selama satu period. Analisis time series
dilakukan untuk memperoleh pola data time series dengan menggunakan data masa
lalu yang akan digunakan untuk meramalkan suatu nilai pada masa yang akan datang.
Dalam time series terdapat empat macam tipe pola data, yaitu:
konstan. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau
Ketika observasi dipengaruhi oleh musiman, yang ditandai dengan adanya pola
perubahan yang berulang secara otomatis dari tahun ke tahun. Sebagai contoh
adalah pola data pembelian buku baru pada tahun ajaran baru.
Ketika observasi naik atau menurun pada perluasan periode suatu waktu. Sebagai
3
Arna Fariza, “Analisis Deret Waktu (Time Series Analysis)” (2022).
4
Ditandai dengan adanya fluktuasi bergelombang data yang terjadi di sekitar garis
trend. Sebagai contoh adalah data-data pada kegiatan ekonomi dan bisnis. 4
Analisis dari gerakan-gerakan ini sangat penting dalam berbagai hal, salah satu di
ini.
Ketika bekerja dengan data time series atau deret waktu, hal pertama yang penting
dilakukan adalah membuat plot data agar mengetahui gambaran atau pola datanya
Bahkan dalam analisis time series, ada berbagai jenis dan model analisis yang akan
4
Ilan Aliansi Zahra, “Analisis Perbandingan Teknik Peramalan Kebutuhan Obat dengan
Metode Arima dan Single Eksponensial Smoothing Studi Kasus RSUD Indramayu” (2019).
5
Analisis deskriptif: Mengidentifikasi pola dalam data time series, seperti tren,
Peramalan: Memprediksi data masa depan. Tipe ini didasarkan pada tren
historis. Ini menggunakan data historis sebagai model untuk data masa depan,
memprediksi skenario yang bisa terjadi di sepanjang titik plot masa depan.
data.
Data Time Series merupakan variable acak sehingga memiliki variasi acak.
Oleh karena itu, nilai variable time series mempunyai 4 komponen, yaitu :
Pengaruh Tren
yaitu arah naik atau turun atau bisa diartikan dengan nilai data deret waktu terjadi
kenaikan atau penurunan disertai variasi acak yang mempunyai tren linier turun
5
H. Kuntoro. ‘Teori dan Aplikasi Analisis Seri Waktu” Sidoarjo: Zifatama Publisher (2015)
hal 39-45
6
atau kuadrat. Misalnya, plot data deret waktu persentase pinjaman modal perbulan
dari Bank Pemerintah Daerah (BPD) mulai Januari 2014 sampai Desember 2017.
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 memasuki ajaran baru, seperti bulan Juli, dibandingkan
bulan-bulan lainnya. Maka dalam hal akan ada pengaruh musiman bulanan.
Pengaruh Siklis
(peak), kemun-duran (contraction) dan depresi (trough) atau bisa diartikan dengan
nilai data deret waktu yang membentuk pola berulang atau periodik dalam jangka
Pola ini amat berguna untuk peramalan jangka menengah dan jangka Panjang.
Misalnya, data deret waktu curah hujan di Indonesia dipengaruhi El Nino dengan
periode ulang 5 tahun. Periode ulang 5 tahun tersebut dapat disebut sebagai pola
siklis.
Pengaruh Residu
Pengaruh random, yaitu gerakanatau nilai data yang bersifat acak atau tidak
7
ini diperlukan dalam rangka menentukan persediaan pengaman untuk
Pola variasi acak terjadi karena faktor faktor adanya bernacan alam,
yang tidak mempunyai pola tertentu. Seperti, terjadi pengeboman gedung BEJ
Jakarta, mengakibatkan turun-nya transaksi saham pada saat itu dan beberapa hari
setelahnya.6
D. Pengertian Forecasting
pada masa yang akan datang. Prakiraan sebagai suatu proses peramalan suatu variabel
(kejadiaan) dimasa yang akan datang dengan berdasarkan data variabel tersebut pada
masa sebelumnya. 7 Peramalan merupakan alat bantu yang penting dalam perencanaan
yang efektif dan efisien. Menurut Makridakis, Teknik peramalan terbagi menjadi dua
bagian, yang pertama metode peramalan subjektif dan metode peramalan objektif.
Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan
datang. Sedangkan ramalan adalah sesuatu situasi atau kondisi yang diperkirakan akan
terjadi pada masa yang akan datang, ramalan tersebut dapat didasarkan atas bermacam-
macam cara yang dikenal dengan metode peramalan. Metode peramalan adalah cara
6
Heni Kusdarwati, Usman Effendi, dan Samingun Handoyo. “Analisis Deret Waktu Univariat
Linier: Teori dan Terapannya dengan Rstudio”. Malang: UB Press (2022), hal 54-56
7
Aditiya Matra dan M. S. I. E. M Giatman, "Analisis Kebutuhan Dosen Dengan Pendekatan
Forecasting Jurusan Teknik Sipil Fakultas Teknik Universitas Negeri Padang", CIVED 6.3 (2019), hal
30-35
8
memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan, berdasarkan
terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan ini sangat
berguna dalam berbagai bidang kehidupan, terutama dalam rangka perencanaan untuk
mengantisipasi berbagai keadaan yang terjadi pada masa yang akan datang. Ramalan
memang tidak akan pernah tepat 100%, karena masa depan mengandung masalah
ketidakpastian. Namun demikian, dengan pemilihan metode yang tepat, kita membuat
peramalan dengan tingkat kesalahan yang kecil atau memberikan perkiraan yang
Metode peramalan melalui analisis suatu variabel yang akan diperkirakan dengan
variabel waktu, yang dikenal dengan metode hubungan deret waktu. Data yang
Metode peramalan melalui analisis pola hubungan antara variabel yang akan
dan/serta bukan waktu). Metode ini sering disebut metode hubungan sebab akibat
(causal method). Data yang digunakan dapat berupa data time series maupun data
cross section.
9
Terdapat beberapa asumsi pada metode peramalan yaitu peramalam berdasarkan
pola data. Berikut ini merupakan jenis model/metode peramalan hubungan deret
Model Linear
promosi
Peramalan dengan metode ini didasarkan pada proyeksi serial data yang
didasarkan pada ide bahwa ramalan yang handal dapat diperoleh dengan cara
setelahnya
Model ARIMA.
10
Autoregressive Integrated Moving Average (ARIMA) adalah metode untuk
depan dari data historis. Secara teori, ARIMA mencakup tiga komponen:
a. autoregressive (AR)
c. Integrated (I).8
metode peramalan objektif mempunyai dua model, yaitu metode time series dan model
peramalan, model ini akan sangat bermanfaat jika data kuantitatif yang akurat sulit
diperoleh. Contoh dari metode ini ialah metode delphi, opini juri eksekutif, komposit
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari
Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas
8
Junaidi, “Analisis Hubungan Deret Waktu Untuk Peramalan”. dalam repository.unja.ac.id,
diakses 10 Agustus 2014, hal 6-10
9
Yuliana Mike"Prediksi Intensitas Trafik Dgn. Dynamic Forecasting Untuk Jaringan 3G",
(2013) hal 101-110
11
Peramalan subyektif, yaitu peramalan yang didasarkan atas perasaan atau
intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau
Peramalan obyektif, adalah peramalan yang didasarkan atas data yang relevan
Jika dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat
hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga
hasil ramalan dengan jangka waktu yang kurang dari satu setengah tahun,
12
Jika dilihat dari jenis data yang digunakan dapat diklasifikasikan dalam dua
kategori, yaitu:
Metode Kualitatif Metode ini digunakan tanpa ada model matematik, biasanya
disebabkan oleh data yang ada tidak cukup representatif untuk meramalkan
pakar yang ahli atau expert di bidangnya. Adapun kelebihan dari metode ini
adalah biaya yang dikeluarkan sangat murah (tanpa data) dan cepat diperoleh.
kuantitatif, yaitu:
b. Model Ekonometrik
13
c. Model Time Series Analysis (Deret Waktu)
yang akan terjadi pada masa depan secara kuantitatif karena data yang
Kegunaan dan tujuan dari peramalan atau forecasting dalam analisis time series
yaitu:
Menjelaskan isi data, dengan melihat hubungan variabel dengan variabel lainnya.
10
Siti Muawanah Robial, "Perbandingan Model Statistik Pada Analisis Metode Peramalan
Time Series (Studi Kasus PT Telekomunikasi Indonesia, TBK Kandatel Sukabumi)", Jurnal Ilmiah
SANTIKA Volume 8 No. 2 (2018) hal 4-10
14
Menjadi dasar untuk mengambil keputusan di bidang: production, inventory,
Hal yang perlu diperhatikan pada peramalan data time series adalah galat error,
dimana merupakan bagian yang tidak terpisahkan dalam metode peramalan. Hasil dari
prediksi sangatlah jarang yang sama dengan data sesungguhnya, maka seorang peramal
hanya bisa berusaha untuk membuat galatnya menjadi seminimal mungkin. Untuk
meramalkan data time series dibutuhkan Teknik peramalan yang baik. Teknik
11
Arna Fariza, “Analisis Deret Waktu (Time Series Analysis)”, (2022) hal 26-30
12
Andi Baudadi, “Analisis Time Series Terhadap Penawaran Rotan”, academia.edu (2016) hal
98-100
15
BAB III PENUTUP
A. Kesimpulan
1. Time series merupakan hubungan antara dimensi yang saling berkaitan kemudian
disusun sebagai data statistik sebagai data berkala contohnya seperti data PDB
atau GDP, perkembangan produksi, indeks harga konsumen, indeks harga saham,
2. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif
3. Tujuan dari peramalan atau forecasting dalam analisis time series yaitu untuk
melihat deskripsi utama data, menjelaskan isi data dengan melihat hubungan
variabel dengan variabel lainnya, memprediksi, atau yang biasa disebut dengan
B. Saran
mengenai Analisis Time Series dan Forecasting. Adapun saran yang dapat penulis
berikan adalah perlu adanya literasi lebih lanjut dari sumber terpercaya agar pembaca
dapat memahami materi yang telah kami sampaikan lebih mendalam dan lebih jauh
tentang Analisis Time Series dan Forecasting. Serta perlu adanya bahan yang dipelajari
16
agar dalam memahami pembahasan tentang Analisis Time Series dan Forecasting
17
DAFTAR PUSTAKA
18
Nama : Putri Rofifah
NIM : 126406203223
Kelas : MKS 6E
REVISI
Analisis data dapat dibedakan menjadi empat jenis, yaitu pola musiman, siklis,
trend, dan irregular. Pola musiman merupakan fluktuasi dari data yang terjadi secara
periodik dalam kurun waktu satu tahun, seperti triwulan, kuartalan, bulanan, mingguan,
atau harian. Pola siklis terjadi apabila datanya dipengaruhi oleh fluktuasi ekonomi
Pola trend merupakan kecenderungan arah data dalam jangka panjang, dapat
data berkala atau data runtun waktubisa berbentuk linier (trend linier) atau berbentuk
kuadratik (trend kuadratik). Trend Linier Untuk mentukan model persamaan trend
linier bisa dilakukan dengan beberapa cara, diantaranya yaitu metode Semi Rata-rata
dan metode Kuadrat terkecil (Least Square), Kedua metode tersebut dipakai untuk
Ŷ = a + bX
Dimana:
19
a: adalah intersep (konstanta) dari persamaan trend
Sedangkan pola irregular merupakan kejadian yang tidak terduga bersifat acak,
a. Stasioneritas
Stasioneritas berarti bahwa tidak adanya perubahan drastis pada data atau
secara sederhana, konsep stasioner dapat diartikan suatu kondisi dimana nilai
suatu data tidak jauh berbeda atau mungkin sama dengan data yang lainnya
Fluktuasi pada data tersebut biasanya berada disekitar suatu nilai ratarata yang
konstan, tidak tergantung pada waktu dari fluktuasi tersebut. Data Time Series
dikatakan stasioner jika rata-rata dan variannya konstan. Apabila data yang
menjadi input dari model ARIMA tidak stasioner, perlu dilakukan modifikasi
agar dapat menghasilkan data yang stasioner, kondisi seperti ini dapat diatasi
stasioner jika tidak ada perubahan kecenderungan dalam rata-rata dan perubahan
variansi.
13
Ukhra, A. U. “Pemodelan dan Peramalan Data Deret Waktu dengan Metode Seassonal
ARIMA”. Jurnal Matematika UNAND, Vol. 3 No. 3. (2014) hal. 23-25
20
b. Fungsi Autokorelasi (Autocorrelation function,ACF)
autokorelasi adalah
apabila pengaruh dari lag 1, 2, 3,... dan seterusnya sampai k-1 dianggap terpisah.
parsial. Menurut Wei, rumus fungsi autokorelasi parsial dapat ditulis dengan :
21
d. White Noise Process
Asumsi dasar bahwa residual bersifat white noise artinya tidak terdapat
korelasi antar residual dengan mean sama dengan nol dan varian konstan. Uji
e. Differencing
untuk menstasionerkan data yang tidak stasioner dalam rata-rata atau sebuah
stasioner dalam rata-ratanya. Salah satu cara umum yang dipakai adalah metode
nilai data pada suatu periode dengan nilai data pada periode sebelumnya, yang
f. Prinsip Parsimoni
dalam membuat model model stastistik. Model statistic adalah persamaan yang
22
mempengaruhinya. Principle of Parsimony sendiri merupakan suatu prinsip yang
Metode Box-Jenkins atau sering disebut metode ARIMA meramalkan data time
series berdasarkan pada teori statistik yang telah berkembang untuk menemukan
pola dalam deret data lalu mengekstrapolasikannya ke masa depan. Model ARIMA
sintesis dari pola data secara historis. Dalam membuat peramalan model ARIMA
dan nilai-nilai lampau dari variabel dependen untuk menghasilkan peramalan jangka
model time series yang menggabungkan model Autoregressive (AR) dan Moving
Average (MA). Dalam model ARIMA semua data yang input harus sudah stasioner
maka dari itu kita harus periksa terlebih dahulu apakah data tersebut sudah stasioner
atau tidak stasioner. Suatu data dapat dikatakan stasioner apabila pola data tersebut
14
Johanes Lusikooya, Nelson Nainggolana, dan Jullia Titaleya. “Prediksi Harga Tutup Saham
PT Garuda Indonesia, Tbk Menggunakan Metode ARIMA”, Jurnal MIPA Unsrat 6 (1) 74-77 (2017).
Hal 75-76
23
berada pada kesetimbangan di sekitar nilai rata-rata yang konstan dan variansi di
sekitar rata-rata tersebut konstan selama waktu tertentu. Dalam hal ini kestasioneran
data bisa diperiksa dengan analisis Autocorrelation Function (ACF) dan Partial
berbeda dengan metode forecasting yang lain. Teknik ini tidak mengasumsikan
musim, dan perubahan tak tentu (irregular) pada data runtun waktu. Model
mendalam oleh George Box dan Gwilym Jenkins, dan nama mereka sering
disinonimkan dengan proses ARIMA yang diterapkan untuk analisis runtun waktu,
Model ARIMA dilakukan pada data yang didifferencing sehingga data telah
stasioner. Model ARIMA (p,d,q) merupakan gabungan dari model ARMA (p, q)
Metode peramalan yang telah dikenalkan oleh George Box dan Gwilym
15
Makridakis, S., Wheelwright, S.C., & McGee, V.E. (n.d.), “Metode dan Aplikasi Peramalan”,
Jilid 1 Edisi Kedua (Vol. 61 & 339). (M. &. Ir. Untung Sus Ardiyanto, Trans.) Jakarta: Erlangga
24
a. Identifikasi model Tahap untuk melakukan identifikasi model sementara yaitu
menentukan deret waktu yang digunakan untuk peramalan stasioner atau tidak.
Hal ini sangat penting karena model-model ini hanya berlaku untuk data
transformasi. Setelah data stasioner selanjutnya yaitu melihat plot ACF dan
tahap selanjutnya yaitu mengestimasi nilai nilai parameter model dan menguji
menguji apakah model yang dibangun layak untuk digunakan dalam peramalan.
Model dikatakan layak jika asumsi dari error memenuhi proses white noise dan
berdistribusi normal.
d. Peramalan Untuk langkah yang terakhir yaitu peramalan untuk masa yang akan
16
Sulaeman Nurman, Muhammad Nusrang,dan Sudarmin, “Analysis of Rice Production
Forecast in Maros District Using the Box-Jenkins Method with the ARIMA Model”, ARRUS Journal of
Mathematics and Applied Science, Vol. 2, No. 1 (2022). Hal 36-37
25