MAKALAH

ANALISIS TIME SERIES DAN FORECASTING

Disusun Untuk Memenuhi Tugas Mata Kuliah

Analisis Laporan Keuangan Syariah

Dosen Pengampu :
Miftakhul Huda, SE.I., M.Sy.

Disusun Oleh Kelompok 5 :

1. Sitinur Hanifah (126406202194)

2. Putri Rofifah (126406203223)
3. Rini Nuraini (126406203224)

PROGRAM STUDI MANAJEMEN KEUANGAN SYARIAH

FAKULTAS EKONOMI DAN BISNIS ISLAM
UNIVERSITAS ISLAM NEGERI SAYYID ALI RAHMATULLAH
TULUNGAGUNG

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

Tulungagung, 26 Maret 2023

ii
 DAFTAR ISI

KATA PENGANTAR ......................................................................................... ii

DAFTAR ISI ......................................................................................................iii

BAB I PENDAHULUAN .................................................................................... 1

A. Latar Belakang .......................................................................................... 1

B. Rumusan Masalah ..................................................................................... 2

C. Tujuan Masalah ......................................................................................... 2

BAB II PEMBAHASAN ..................................................................................... 3

A. Pengertian Analisis Time Series ................................................................ 3

B. Karakteristik Time Series .......................................................................... 5

C. Komponen Data Time Series ..................................................................... 6

D. Pengertian Forecasting .............................................................................. 8

E. Kegunaan Analisis Time Series Sebagai Forecasting (Peramalan) ........... 14

BAB III PENUTUP ........................................................................................... 16

A. Kesimpulan ............................................................................................. 16

B. Saran ....................................................................................................... 16

DAFTAR PUSTAKA ........................................................................................ 18

iii
 BAB I PENDAHULUAN

A. Latar Belakang

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, 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

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, dan menetapkan model peramalan dimasa yang

akan datang, baik ramal-an jangka pendek maupun jangka panjang.

Metode peramalan adalah cara memperkirakan secara kuantitatif apa 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

metode peramalan yang digunakan diantaranya Moving Average, Exponential

Smoothing, Linear Regression dan Constant Forecasting. Model-model tersebut

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

a. Jelaskan Mengenai Pengertian Analisis Time Series !

b. Jelaskan dan Sebutkan Karakteristik Time Series !

c. Jelaskan dan Sebutkan Komponen Data Time Series !

d. Jelaskan Mengenai Pengertian Forecasting !

e. Sebutkan Kegunaan Analisis Time Series Sebagai Forecasting (Peramalan) !

C. Tujuan Masalah

a. Untuk Mengetahui Pengertian Analisis Time Series

b. Untuk Mengetahui Karakteristik Time Series

c. Untuk Mengetahui Komponen Data Time Series

d. Untuk Mengetahui Pengertian Forecasting

e. Untuk Mengetahui Kegunaan Analisis Time Series Sebagai Forecasting

(Peramalan)

1
Aswi Sukarna. “Analisis Deret Waktu Teori dan Aplikasi”.Makassar: Andira Publisher
(2006).

2
 BAB II PEMBAHASAN

A. Pengertian Analisis Time Series

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.

Selain berhubungan antara waktu time series juga terdapat kemungkinan

adanya hubungan antara dimensi lain seperti wilayah ataupun dimensi lain yang saling

berkaitan kemudian disusun sebagai data statistik sebagai data berkala.

 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

AF Nurcahya, ““Perbandingan Metode Arimax dan Varimax untuk Peramalan Jumlah

2

Penumpang Kereta Api Menurut Wilayah” (2020).

3
 yang teratur, maka berdasarkan pola perkembangan tersebut akan dapat

diramalkan peristiwa yang bakal terjadi dimasa yang akan datang. 3

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:

a) Horizontal Tipe data horizontali

Ketika data observasi berubah-ubah di sekitar tingkatan atau rata-rata yang

konstan. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau

menurun secara konsisten pada suatu waktu.

b) Musiman (Seasonal) Tipe data seasonal

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.

c) Trend Tipe data trend

Ketika observasi naik atau menurun pada perluasan periode suatu waktu. Sebagai

contoh adalah data populasi.

d) Cyclical Tipe data cyclical

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

B. Karakteristik Time Series

Beberapa karakteristik data time series :

 Terdapat gerakan-gerakan khas atau variasi (variations) yang beberapa di

antaranya atau seluruhnya terdapat dalam berbagai tingkat yang berbeda.

Analisis dari gerakan-gerakan ini sangat penting dalam berbagai hal, salah satu di

antaranya adalah meramalkan (forecasting) gerakan-gerakan yang akan datang.

Oleh karena itu, tidak mengherankan banyak industri dan lembaga-lembaga

pemerintah sangat berkepentingan dengan analisis gerakan-gerakan data berkala

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

seperti apa, baru kemudian bisa melakukan analisis lebih lanjut.

Bahkan dalam analisis time series, ada berbagai jenis dan model analisis yang akan

mencapai hasil yang berbeda, yaitu :

 Klasifikasi: Mengidentifikasi dan menetapkan kategori ke data.

 Curve fitting: Memplot data sepanjang kurva untuk mempelajari hubungan

variabel dalam data.

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,

siklus, atau variasi musiman.

 Analisis eksplanatif: Upaya untuk memahami data dan hubungan di dalamnya,

serta sebab dan akibat.

 Analisis eksplorasi: Menyoroti karakteristik utama data time series, biasanya

dalam format visual.

 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.

 Analisis intervensi: Mempelajari bagaimana suatu peristiwa dapat mengubah

data.

 Segmentasi: Membagi data menjadi segmen-segmen untuk memperlihatkan

properti yang mendasari informasi sumber. 5

C. Komponen Data Time Series

Data Time Series merupakan variable acak sehingga memiliki variasi acak.

Oleh karena itu, nilai variable time series mempunyai 4 komponen, yaitu :

 Pengaruh Tren

Gerakan jangka panjang yang memiliki kecenderungan menuju suatu arah,

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

Gerakan jangka panjang yang memiliki unsur per-luasan (expansian), puncak

(peak), kemun-duran (contraction) dan depresi (trough) atau bisa diartikan dengan

nilai data deret waktu yang membentuk pola berulang atau periodik dalam jangka

waktu yang lebih lama dibandingkan musiman.

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

ber-aturan, sehingga tidak dapat diprediksi sebelumnya.Variasi random atau acak

7
 ini diperlukan dalam rangka menentukan persediaan pengaman untuk

mengantisipasi kekurangan persediaan bila terjadi lonjakan permintaan.

Pola variasi acak terjadi karena faktor faktor adanya bernacan alam,

bangkrutnta perusahaan pesaing, promosi khusus, dan kejadian kejadian lainnya

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

Peramalan adalah suatu tindakan yang akan menggambarkan suatu kebutuhan

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

data yang relevan pada masa lalu.

Selain itu, Ramalan (forecast) merupakan dugaan atau perkiraan mengenai

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

sebaik mungkin terhadap keadaan masa yang akan datang.

Ramalan bisa dilakukan secara kualitatif maupun kuantitatif. Terkait dengan

ramalan kuantitatif, metode peramalannya pada dasarnya dapat dibedakan atas:

 Metode peramalan melalui analisis suatu variabel yang akan diperkirakan dengan

variabel waktu, yang dikenal dengan metode hubungan deret waktu. Data yang

digunakan adalah data deret waktu (time series).

 Metode peramalan melalui analisis pola hubungan antara variabel yang akan

diperkirakan dengan variabel-variabel lain yang mempengaruhinya (waktu

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

sifat penyusunan, peramalan berdasarkan waktu ramalan dan peramalan berdasarkan

pola data. Berikut ini merupakan jenis model/metode peramalan hubungan deret

waktu. Diantaranya adalah:

 Model Linear

Linear Regression merupakan model peramalan kasual kuantitatif dengan banyak

faktor yang dipertimbangkan dalam analisis kasual dan penjualan produk

dikaitkan dengan anggaran, harga pesaing, pembebanan harga, dan strategi

promosi

 Model Moving Average

Peramalan dengan metode ini didasarkan pada proyeksi serial data yang

dimuluskan dengan rata-rata bergerak. Nilai perkiraan untuk suatu periode

merupakan rata-rata dari nilai observasi n periode terakhir.

 Model Single dan Double Exponential Smoothing

Metode Exponential Smoothing berasal dari pembobotan (faktor pemulusan) dari

periode-periode sebelumnya yang membentuk hubungan eksponensial, model ini

didasarkan pada ide bahwa ramalan yang handal dapat diperoleh dengan cara

memodelkan pola-pola didalam data yang terlihat pada plot time-series-nya,

kemudian melakukan suatu ekstrapolasi pola-pola itu untuk meramalkan periode

setelahnya

 Model ARIMA.

10
 Autoregressive Integrated Moving Average (ARIMA) adalah metode untuk

menyesuaikan data deret waktu ke model untuk mendapatkan prediksi masa

depan dari data historis. Secara teori, ARIMA mencakup tiga komponen:

a. autoregressive (AR)

b. moving average (MA),

c. Integrated (I).8

Sedangkan, metode peramalan subjektif mempunyai metode kualitatif dan

metode peramalan objektif mempunyai dua model, yaitu metode time series dan model

kausal. Model kualitatif berupaya memasukkan faktor-faktor subyektif dalam 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

kekuatan dan survey pasar konsumen.9

Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari

cara melihatnya. Jika diklasifikasikan maka jenis-jenis peramalan dikelompokkan

menjadi tiga macam sifat yang mendasarinya, yaitu:

1. Peramalan menurut sifat penyusunannya.

Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas

dua macam, yaitu:

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

“judgement” dari orang yang menyusunnya sangat menentukan baik tidaknya

hasil ramalan tersebut.

 Peramalan obyektif, adalah peramalan yang didasarkan atas data yang relevan

pada masa lalu, dengan menggunakan teknik-teknik dan metode-metode dalam

penganalisaan data tersebut.

2. Peramalan menurut jangka waktu ramalan yang disusunnya.

Jika dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat

dibedakan atas dua macam, yaitu:

 Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan

hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga

semester. Peramalan seperti ini misalnya diperlukan dalam penyusunan rencana

pembangunan suatu negara atau daerah, corporate planning, rencana investasi

atau rencana ekspansi perusahaan.

 Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan

hasil ramalan dengan jangka waktu yang kurang dari satu setengah tahun,

peramalan seperti ini diperlukan dalam penyusunan rencana tahunan, rencana

kerja operasional dan anggaran.

3. Peramalan menurut kategori jenis data yang digunakan.

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

masa yang akan datang (long term forecasting).

Peramalan kualitatif menggunakan pertimbangan pendapat- pendapat para

pakar yang ahli atau expert di bidangnya. Adapun kelebihan dari metode ini

adalah biaya yang dikeluarkan sangat murah (tanpa data) dan cepat diperoleh.

Sementara kekurangannya yaitu bersifat subyektif sehingga seringkali

dikatakan kurang ilmiah.

 Metode Kuantitatif Penggunaan metode ini didasari ketersediaan data mentah

disertai serangkaian kaidah matematis untuk meramalkan hasil di masa depan.

Terdapat beberapa macam model peramalan yang tergolong metode

kuantitatif, yaitu:

a. Model-model Regresi Perluasan dari metode linear regression,

Meramalkan suatu variabel yang memiliki hubungan secara linier

dengan variabel bebas yang diketahui atau diandalkan.

b. Model Ekonometrik

Menggunakan serangkaian persamaanpersamaan regresi, yaitu terdapat

variabel-variabel tidak bebas yang menstimulasi segmen-segmen

ekonomi seperti harga dan lainnya.

13
 c. Model Time Series Analysis (Deret Waktu)

Memasang suatu garis trend yang representatif dengan data-data masa

lalu (historis) berdasarkan kecenderungan datanya dan

memproyeksikan data tersebut ke masa yang akan datang. Berdasarkan

uraian tersebut, sebelumnya penulis telah membatasi bahwa metode

peramalan yang akan digunakan adalah cara memperkirakan sesuatu

yang akan terjadi pada masa depan secara kuantitatif karena data yang

ada merupakan termasuk data kuantitatif. Pada dasarnya metode

peramalan kuantitatif ini dibedakan atas dasar-dasar penggunaannya,

yaitu analisis deret berkala (time series), dan metode kausal, 10

E. Kegunaan Analisis Time Series Sebagai Forecasting (Peramalan)

Kegunaan dan tujuan dari peramalan atau forecasting dalam analisis time series

yaitu:

 Melihat deskripsi utama data, biasanya dilakukan setelah melakukan bentuk

plotting pada data.

 Menjelaskan isi data, dengan melihat hubungan variabel dengan variabel lainnya.

 Prediksi, atau yang biasa disebut dengan forecasting.

 Kontrol kualitas data, biasanya dilakukan dengan monitoring data.

 Suatu proses untuk memprediksi kejadian masa depan

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,

personnel dan facilities. 11

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

peramalan dapat bermacam-macam tergantung pada pola data yang ada. 12

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

Berdasarkan proses analisis pembahasan yang telah dijelaskan sebelumnya,

maka diperoleh kesimpulan sebagai berikut :

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,

hasil penjualan, jumlah penduduk, dll.

2. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif

dan efisien. Peramalan berguna untuk mengantisipasi berbagai keadaan yang

terjadi pada masa yang akan datang.

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

forecasting, dan melakukan monitoring data.

B. Saran

Dari uraian di atas diharapkan dapat memberikan tambahan pengetahuan

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

mempunyai rujukan yang tepat dan sesuai.

17
 DAFTAR PUSTAKA

Aliansi Zahra,Ilan. 2019. “Analisis Perbandingan Teknik Peramalan Kebutuhan Obat

dengan Metode Arima dan Single Eksponensial Smoothing Studi Kasus RSUD
Indramayu” (2019).
Andi Baudadi, Andi. 2016. “Analisis Time Series Terhadap Penawaran Rotan”,
(academia.edu), diakses 2016.
Fariza, Arna. 2022. “Analisis Deret Waktu (Time Series Analysis)”, diakses 2022.
H. Kuntoro, H. 2015. ‘Teori dan Aplikasi Analisis Seri Waktu” Sidoarjo: Zifatama
Publisher.
Junaidi. 2014. “Analisis Hubungan Deret Waktu Untuk Peramalan”.
(repository.unja.ac.id), diakses 10 Agustus 2014.
Kusdarwati, Heni, dkk. 2022. “Analisis Deret Waktu Univariat Linier: Teori dan
Terapannya dengan Rstudio”. Malang: UB Press.
Matra, Aditiya, dan M. S. I. E. M Giatman. 2019. "Analisis Kebutuhan Dosen Dengan
Pendekatan Forecasting Jurusan Teknik Sipil Fakultas Teknik Universitas
Negeri Padang", CIVED 6.3.
Mike, Yuliana. 2013. "Prediksi Intensitas Trafik Dgn. Dynamic Forecasting Untuk
Jaringan 3G", diakses 2013.
Muawanah Robial, Siti. 2018. "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)
Sukarna, Aswi. 2006. “Analisis Deret Waktu Teori dan Aplikasi”.Makassar: Andira
Publisher.

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

jangka panjang, seperti yang berhubungan dengan siklus bisnis.

Pola trend merupakan kecenderungan arah data dalam jangka panjang, dapat

berupa kenaikan maupun penurunan. Model persamaan trend (kecenderungan) suatu

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

menentukan bentuk umum persamaan trend linier.

Ŷ = a + bX

Dimana:

Ŷ: adalah nilai trend pada periode tertentu (variabel tak bebas) 

X: adalah periode waktu (variabel bebas) 

19
 a: adalah intersep (konstanta) dari persamaan trend 

b: adalah koefisien kemiringan atau gradien dari persamaan trend yangmenunjukkan

besarnya perubahan Y bila terjadi perubahan satu unit pada X

Sedangkan pola irregular merupakan kejadian yang tidak terduga bersifat acak,

tetapi kemunculannya dapat mempengaruhi fluktuasi data time series. 13

1. Konsep Dasar dalam Analisis Deret Waktu

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

dengan proses selisih (Differencing).

Ciri-ciri dalam pembentukan model analisis deret waktu adalah dengan

mengasumsikan bahwa data dalam keadaan stasioner. Deret waktu dikatakan

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)

Dengan menggukan fungsi autokorelasi pengujian terhadap kestasioneran

data dapat dilakukan, fungsi autokorelasi sendiri merupakan fungsi yang

menunjukkan besarnya korelasi antara pengamatan pada waktu ke t dengan

pengamatan pada waktu sebelumnya. Secara matematis rumus koefisien

autokorelasi adalah

c. Fungsi Autokorelasi parsial (Partial Autocorrelation function,PACF)

Fungsi Autokorelasi Parsial (Partial Autocorrelation function,PACF)

Autokorelasi Parsial digunakan untuk mengukur tingkat keeratan antara dan

apabila pengaruh dari lag 1, 2, 3,... dan seterusnya sampai k-1 dianggap terpisah.

Hubungan antara autokorelasi parsial dengan lag-nya disebut fungsi autokorelasi

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

independensi residual (white noise) dapat dilakukan dengan menggunakan

statistik uji Ljung-Box.

e. Differencing

Istilah yang menunjukkan seberapa besar perubahan dari dua random

variabel secara bersama-sama. Differencing merupakan metode yang dilakukan

untuk menstasionerkan data yang tidak stasioner dalam rata-rata atau sebuah

selisih antara data ke-t dengan data ke-t-1.

Proses Selisih (Differencing) Proses selisih dilakukan jika data tidak

stasioner dalam rata-ratanya. Salah satu cara umum yang dipakai adalah metode

pembedahan atau lebih dikenal dengan sebutan differencing, yaitu mengurangi

nilai data pada suatu periode dengan nilai data pada periode sebelumnya, yang

dapat ditulis sebagai berikut :

f. Prinsip Parsimoni

Principle of Parsimony itu merupakan salah satu prinsip yang dipegang

dalam membuat model model stastistik. Model statistic adalah persamaan yang

dibentuk dari sejumlah data sampek untuk menggambarkan hubungan antara

variable variable yang dipengaruhi dengan variable variable yang

22
 mempengaruhinya. Principle of Parsimony sendiri merupakan suatu prinsip yang

menyatakan bahwa semakin sederhana sebuah model statistic dengan jumlah

variable dependen yang dipengaruhi cukup informatif untuk menjelaskan model,

semakin baik pula model statistic tersebut 14

2. Metode ARIMA Box-Jenkins (Autoregressive Integrated Moving Average)

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

merupakan model peramalan yang menghasilkan ramalan-ramalan berdasarkan

sintesis dari pola data secara historis. Dalam membuat peramalan model ARIMA

tidak menggunakan variabel independen tetapi menggunakan nilai-nilai sekarang

dan nilai-nilai lampau dari variabel dependen untuk menghasilkan peramalan jangka

pendek yang akurat.

Model Autoregressive Integrated Moving Average (ARIMA) merupakan

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

Autocorrelation Function (PACF). 15

Penggunaan teknik Box-Jenkins dalam suatu prediksi atau forecasting data

berbeda dengan metode forecasting yang lain. Teknik ini tidak mengasumsikan

adanya pemecahan (decomposition) yang berbentuk pola-pola khusus: tren, siklus,

musim, dan perubahan tak tentu (irregular) pada data runtun waktu. Model

autoregressive integrated moving average (ARIMA) telah dipelajari secara

mendalam oleh George Box dan Gwilym Jenkins, dan nama mereka sering

disinonimkan dengan proses ARIMA yang diterapkan untuk analisis runtun waktu,

peramalan dan pengendalian.

Model ARIMA dilakukan pada data yang didifferencing sehingga data telah

stasioner. Model ARIMA (p,d,q) merupakan gabungan dari model ARMA (p, q)

dan proses differencing, yaitu:

∅𝑝 (𝐵)(1 − 𝐵) 𝑑𝑍𝑡 = 𝜃𝑞(𝐵)𝑎𝑡

Metode peramalan yang telah dikenalkan oleh George Box dan Gwilym

Jenkins adalah metode Box-Jenkins. Langkah-langkah dalam peramalan dengan

menggunakan metode Box-Jenkins, dapat dilakukan dengan identifikasi model,

penaksiran parameter, pemeriksaan diagnostik, dan peramalan

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

stasioner. Jika data tidak stasioner maka dilakukan differencing atau

transformasi. Setelah data stasioner selanjutnya yaitu melihat plot ACF dan

PACF untuk menduga orde AR dan MA yang sesuai.

b. Estimasi parameter model Setelah melakukan identifikasi model sementara,

tahap selanjutnya yaitu mengestimasi nilai nilai parameter model dan menguji

signifikansi dari parameter model tersebut.

c. Diagnosis model atau tahap verifikasi Diagnosis model dilakukan untuk

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

datang berdasarkan data pada masa lalu atau data sebelumnya. 16

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