i

PENERAPAN METODE DEKOMPOSISI

DALAM PERAMALAN DATA DERET WAKTU (Time Series)

(Skripsi)

Oleh

HESTI MEILIANA PUTRI

1617031004

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2022
 ABSTRACT

APPLICATION OF DECOMPOSITION METHOD IN TIME SERIES

DATA FORECASTING (TIME SERIES)

By

HESTI MEILIANA PUTRI

Time series data is a type of data collected according to the order of time in a
certain time range. Forecasting on time series data can be done to predict future
events. The purpose of this study is to apply the decompotition method to
forecasting results from the application of the classical decompotition method. To
predict a data, used measuring tools including Mean Absolute Percentage Error
(MAPE), Mean Absolute Deviation (MAD), and Mean Squared Deviation (MSD).
The results of this study show the equation model of the classical decompotition
method and forecasting on the data on the amount of currency circulating in
Indonesia for the next six periods.

Keywords: Forecasting, Classical Decompotition Method, Mean Absolute

Percentage Error (MAPE), Mean Absolute Deviation (MAD), Mean Squared
Deviation (MSD).
 ABSTRAK

PENERAPAN METODE DEKOMPOSISI DALAM PERAMALAN DATA

DERET WAKTU (TIME SERIES)

Oleh

HESTI MEILIANA PUTRI

Data deret waktu (time series) merupakan suatu jenis data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu. Peramalan pada data
deret waktu dapat dilakukan untuk memprediksi kejadian di masa yang akan
datang. Tujuan dari penelitian ini adalah menerapkan metode dekomposisi pada
peramalan data deret waktu yang mengandung trend musiman dan mengetahui
hasil peramalan dari penerapan metode dekomposisi klasik. Untuk meramalkan
suatu data, digunakan alat ukur diantaranya Mean Absolute Percentage Error
(MAPE), Mean Absolute Deviation (MAD), dan Mean Squared Deviation (MSD).
Hasil penelitian ini menunjukan model persamaan metode dekomposisi klasik dan
peramalan pada data jumlah uang kartal yang beredar di Indonesia selama enam
periode mendatang.

Kata kunci: Peramalan, Metode Dekomposisi Klasik, Mean Absolute Percentage

Error (MAPE), Mean Absolute Deviation (MAD), Mean Squared Deviation
(MSD).
PENERAPAN METODE DEKOMPOSISI DALAM PERAMALAN DATA
DERET WAKTU (TIME SERIES)

Oleh

HESTI MEILIANA PUTRI

Skripsi

Sebagai Salah Satu Syarat untuk Mencapai Gelar

SARJANA MATEMATIKA

Pada

Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2022
 i

RIWAYAT HIDUP

Penulis bernama lengkap Hesti Meiliana Putri merupakan anak kedua dari
pasangan Bapak Sutarmin dan Ibu Nefra Linda yang dilahirkan di Desa Jati Baru,
Kecamatan Tanjung Bintang, Kabupaten Lampung Selatan pada tanggal 31 Mei
1999.

Penulis telah menyelesaikan pendidikan Sekolah Dasar di SD N 3 Jati Baru 2004-

2010, pendidikan Sekolah Menengah Pertama di SMP N 1 Tanjung Bintang pada
tahun 2010-2013, dan pendidikan Sekolah Menengah Atas di SMA N 1 Tanjung
Bintang pada tahun 2013-2016. Pada tahun 2016 penulis terdaftar sebagai
mahasiswa S1 Matematika di Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Lampung melalui jalur SNMPTN dan memperoleh beasiswa
Bidikmisi di Universitas Lampung. Selama menjadi mahasiswa penulis menjadi
mahasiswa aktif di Himpunan Mahasiswa Matematika (HIMATIKA) FMIPA
Unila. Penulis juga aktif di organisasi luar kampus yaitu organisasi bidang
kesenian.

Pada tanggal 03 Januari 2019 penulis melaksanakan Kuliah Kerja Nyata (KKN) di
Desa Sukabumi, Kecamatan Pakuan Ratu, Kabupaten Way Kanan dan pada
tanggal 01 Juli 2019 penulis melaksanakan Kerja Praktik (KP) di Kantor
Pelayanan Pajak Pratama (KPPP) Kedaton Bandar Lampung.

i
 iii

KATA INSPIRASI

“Dan barang siapa yang bertakwa kepada Allah, niscaya Allah

menjadikan baginya kemudahan dalam urusannya.”

(Q.S At-Talaq: 4)

“dan Allah sebaik-baik pemberi rezeki.”

(Q.S Al-Jumu’ah: 11)

iii
 iii

PERSEMBAHAN

Dengan mengucap Alhamdulillah atas berkat dan rahmat Allah

SWT dan dengan kerendahan hati kupersembahkan karya kecilku

untuk:

Kedua orang tuaku mama dan papa tercinta yang telah merawat,

membesarkan, mendidik, mencurahkan seluruh hidupnya untuk

kebahagiaanku dan tak berhenti untuk selalu mendoakanku.

Puterimu ini akan selalu berusaha membahagiakanmu mama,

papa.

Kakakku dan adikku, orang terdekatku, sahabat-sahabatku, dan

Almamaterku Universitas Lampung.

Terima Kasih

iii
 iii

SANWACANA

Puji syukur penulis panjatkan atas kehadirat Allah SWT, karena atas rahmat dan
hidayah-Nya penulis dapat menyelesaikan skripsi yang berjudul “Penerapan
Metode Dekomposisi dalam Peramalan Data Deret Waktu (Time Series).”
Sholawat serta salam semoga tetap tercurahkan kepada junjungan kita Nabi
Muhammad SAW, penuntun jalan bagi umat manusia.

Dalam Kesempatan ini penulis mengucapkan terimakasih kepada:

1. Bapak Drs. Nusyirwan, M.Si. selaku dosen pembimbing I, atas kesediaan
waktunya dalam membimbing, dan memberikan kritik serta saran kepada
penulis selama penyusunan skripsi ini.
2. Bapak Dr. Ahmad Faisol, S.Si., M.Sc. selaku dosen pembimbing II, atas
bantuan dan arahannya dalam penyusunan skripsi ini.
3. Ibu Dr. Khoirin Nisa, S.Si., M.Si. selaku dosen penguji, atas kritik dan saran
yang diberikan untuk perbaikan skripsi ini.
4. Bapak Prof. Drs. Mustofa Usman, M.A., Ph.D. selaku dosen pembimbing
akademik atas bimbingannya selama ini.
5. Bapak Dr. Aang Nuryaman, S.Si., M.Si. selaku Ketua Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung
6. Bapak Dr. Eng. Suripto Dwi Yuwono, S.Si., M.T. selaku dekan Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
7. Seluruh dosen dan staff Jurusan Matematika Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Lampung.
8. Kedua orang tua dan semua semua keluarga tercinta yang selalu mendoakan,
memberikan dukungan dan motivasi serta pengorbanan yang tak terhingga.
9. Sahabat-sahabat terbaikku (Tari, Elita, Eriza, Sinta, Susi, Cahya, Kak Adi,
Erni, Dinda, Kak Najib, Iyek) yang selalu menghiburku, menemaniku dalam
keadaan suka maupun duka.

iii
 iv

10. Teman-teman Mahasiswa Jurusan Matematika 2016 yang tidak dapat saya
tuliskan satu per satu.
11. Seluruh pihak yang telah membantu serta mendoakan penulis dalam
menyelesaikan skripsi ini.

Semoga Allah SWT membalas semua kebaikan bagi semua pihak yang telah
berjasa selama menyelesaikan skripsi ini. Penulis menyadari bahwa skripsi ini
jauh dari kata sempurna. Semoga skripsi ini dapat bermanfaat bagi semua pihak.

Bandar Lampung, Desember 2022

Penulis

Hesti Meiliana Putri

NPM. 1617031004

iv
 iii

DAFTAR ISI

Halaman

DAFTAR TABEL ............................................................................... v

DAFTAR GAMBAR .......................................................................... vi
I. PENDAHULUAN ........................................................................ 1
1.1 Latar Belakang ........................................................................ 1
1.2 Tujuan Penelitian .................................................................... 3
1.3 Manfaat Penelitian .................................................................. 3

II. TINJAUAN PUSTAKA ............................................................... 4

2.1 Peramalan ............................................................................... 4
2.2 Data Deret Waktu (Time Series) .............................................. 4
2.3 Indeks Musiman ...................................................................... 6
2.4 Metode Dekomposisi .............................................................. 7
2.4.1 Komponen Musiman .................................................... 9
2.4.2 Komponen Trend ......................................................... 11
2.4.3 Komponen Siklus ......................................................... 12
2.4.4 Keacakan (error) .......................................................... 12
2.5 Ukuran Ketepatan Peramalan .................................................. 12

III. METODOLOGI PENELITIAN ................................................. 15

3.1 Tempat dan Waktu .................................................................. 15
3.2 Data Penelitian ........................................................................ 15
3.3 Metode Penelitian ................................................................... 15

IV. HASIL DAN PEMBAHASAN .................................................... 17

4.1 Data Penelitian ........................................................................ 17
4.2 Plot Analisis Deret Waktu ....................................................... 18

iii
 iv

4.3 Metode Dekomposisi .............................................................. 19

4.3.1 Menentukan Komponen Musiman ................................ 19
4.3.2 Menentukan Komponen Trend ..................................... 26
4.3.3 Menentukan Komponen Siklus ..................................... 27
4.3.4 Menentukan Keacakan (error)...................................... 29
4.4 Ukuran Ketepatan Peramalan .................................................. 31
4.5 Peramalan ............................................................................... 32

V. KESIMPULAN ............................................................................ 34

DAFTAR PUSTAKA.......................................................................... 35

LAMPIRAN

iv
 1

DAFTAR TABEL

Tabel Halaman
1. Data Jumlah Uang Kartal yang Beredar di Indonesia (Milyar Rupiah)
Periode Januari 2013-Juni 2022 ..................................................... 17
2. Nilai Dekomposisi Rasio Rata-Rata Bergerak ................................ 20
3. Nilai Indeks Musiman untuk Metode Dekomposisi Klasik ............. 24
4. Komponen Trend untuk Metode Dekomposisi Klasik .................... 27
5. Komponen Siklus untuk Metode Dekomposisi Klasik .................... 27
6. Nilai Indeks Siklus untuk Metode Dekomposisi Klasik .................. 28
7. Nilai Hasil Peramalan Data Jumlah Uang Kartal yang Beredar di Indonesia
(Milyar Rupiah) ............................................................................. 32

v
 vi

DAFTAR GAMBAR

Gambar Halaman
1. Grafik Data Deret Waktu Jumlah Uang Kartal yang Beredar di Indonesia
(Milyar Rupiah) Periode Januari 2013-Juni 2022 ............................... 18
2. Grafik Komponen Musiman untuk Metode Dekomposisi Klasik ........ 25
3. Grafik Komponen Siklus untuk Metode Dekomposisi Klasik ............. 29
4. Grafik Model Multiplikatif Metode Dekomposisi Klasik ................... 30
5. Grafik Peramalan Metode Dekomposisi Klasik .................................. 33

vi
 1

I. PENDAHULUAN

1.1 Latar Belakang

Peramalan merupakan suatu hal yang penting dalam perencanaan yang efektif dan
efisien untuk memprediksi kejadian dimasa yang akan datang dengan
menggunakan dan mempertimbangkan data di masa lampau (Makridakis, dkk.,
1999). Selain diperlukan untuk memperkirakan apa yang akan terjadi dimasa
mendatang peramalan juga merupakan salah satu hal penting dalam mengambil
sebuah keputusan untuk membuat planning.

Untuk melakukan peramalan tersebut diperlukan data yang akurat pada masa
lampau sehingga dapat melihat kondisi yang akan datang. Data yang akan
digunakan untuk peramalan ini adalah data deret waktu (time series). Data deret
waktu (time series) merupakan suatu data deret observasi dalam suatu rentang
waktu tertentu (jam, hari, minggu, bulan, kuartal dan tahun).

Terdapat beberapa metode yang dapat digunakan untuk meramalkan data. Salah
satu metode peramalan yang digunakan untuk meramalkan data deret waktu
tersebut adalah dengan menggunakan metode dekomposisi. Metode dekomposisi
adalah metode peramalan dengan cara menghilangkan pengaruh variasi musiman,
jumlah data masing-masing kuartal (yang berisi trend, siklus, musiman, dan
keacakan) dibagi dengan indeks musiman untuk kuartal yang bersangkutan
kemudian menentukan persamaan regresi dari trend data dan menggunakannya
untuk peramalan (Mason, 1999). Metode dekomposisi adalah metode yang
memecah data menjadi beberapa pola, dan mengidentifikasi pola-pola tersebut
secara terpisah, sehingga mendapatkan tingkat keakuratan yang tinggi
(Makridakis, 1999)
 2

Metode dekomposisi mempunyai asumsi bahwa data tersusun sebagai berikut:

( )

Metode dekomposisi seringkali digunakan tidak hanya membuat suatu prediksi

atau ramalan, tetapi juga digunakan untuk menghasilkan informasi mengenai
komponen periodic dan pengaruh dari berbagai faktor, seperti musiman dan siklus
pada hasil yang diamati. Dalam metode dekomposisi terdapat model dekomposisi
aditif dan multiplikatif. Model dekomposisi aditif dan multiplikatif dapat
digunakan untuk memprediksikan atau meramalkan faktor trend, musiman, dan
siklus.

Uang merupakan benda yang disetujui oleh masyarakat sebagai alat perantara
untuk mengadakan tukar-menukar atau perdagangan. Jumlah uang yang beredar
merupakan nilai keseluruhan uang yang berada di tangan masyarakat yang terdiri
atas uang kartal dan uang giral (Ni Luhgede Ari Luwihadi, 2017). Dalam
perkembangannya, jumlah uang yang beredar di Indonesia tidak menutup
kemungkinan mengalami kenaikan atau penurunan karena hal itu merupakan
suatu hal yang wajar, namun permasalahannya yaitu jika jumlah uang beredar di
masyarakat itu berlebihan dapat mendorong peningkatan harga-harga (inflasi) dan
jika jumlah uang yang beredar di masyarakat terlalu rendah akan mengakibatkan
kelesuhan dalam perekonomian (Puswanti, 2020). Kenaikan jumlah uang beredar
di masyarakat juga disebabkan oleh meningkatnya tingkat konsumtif masyarakat
yang tidak diimbangi dengan kenaikana jumlah barang atau jasa yang diproduksi
yang mengakibatkan naiknya harga akibat kelangkaan terhadap barang atau jasa.

Tingginya harga secara keseluruhan dalam perekonomian sering disebut dengan

inflasi. Inflasi merupakan salah satu indikator faktor ekonomi makro yang
digunakan untuk mengukur tingkat kestabilan perekonomian suatu negara. Jika
tingkat inflasi semakin tinggi akan berdampak pada meningkatnya permintaan dan
jumlah uang beredar di masyarakat (Sancaya & Wenagama, 2019). Karena hal
itu, inflasi merupakan salah satu faktor yang mempengaruhi jumlah uang beredar.
Hal ini didukung oleh penelitian lain yaitu Setiadi (2013) dan Yuliana (2011)
mengatakan bahwa variabel inflasi berpengaruh terhadap jumlah uang beredar
 3

baik dalam jangka pendek maupun jangka panjang. Namun hal tersebut tidak
sejalan dengan penelitian dari Maria et al., (2017) dan Septeriani (2013)
menyatakan bahwa terdapat variabel lain yang lebih dapat mempengaruhi naik
turunnya jumlah uang beredar.

Berdasarkan uraian diatas, dengan mengetahui ramalan dengan menggunakan

metode dekomposisi untuk jumlah uang yang beredar di masyarakat maka dapat
membantu Bank Indonesia selaku pengendali moneter dalam menentukan
kebijakannya dalam hal mencetak dan mengedarkan uang di Indonesia.

1.2 Tujuan Penelitian

Tujuan dari penelitian ini adalah :

1. Menerapkan metode dekomposisi pada peramalan data deret waktu.
2. Mengetahui fluktuasi data deret waktu yang mengandung trend musiman.
3. Mengetahui hasil peramalan dari penerapan metode dekomposisi pada
peramalan data deret waktu yang mengandung trend musiman.

1.3 Manfaat Penelitian

Manfaat dari penelitian ini adalah menambah wawasan keilmuan matematika

umumnya tentang penerapan metode dekomposisi dalam meramalkan data deret
waktu yang mengandung trend musiman.
 4

II. TINJAUAN PUSTAKA

2.1 Peramalan

Definisi dari peramalan adalah memperkirakan besarnya atau jumlah sesuatu pada
waktu yang akan datang berdasarkan data pada masa lampau yang dianalisis
secara alamiah khususnya menggunakan metode statistika (Sudjana, 1989).

Untuk mempersiapkan dan mengantisipasi peristiwa yang dapat terjadi dimasa

yang akan datang maka diperlukan peramalan. Peramalan dapat digunakan
sebagai alat bantu bagi perencanaan jangka panjang maupun jangka pendek yang
efektif dan efisien dari suatu organisasi dikarenakan peramalan merupakan proses
dalam manajemen untuk membuat keputusan yang tepat.

Dalam membuat peramalan diupayakan supaya pengaruh ketidakpastian dapat

diminimumkan. Dengan kata lain peramalan ini bertujuan agar prakiraan yang
dibuat dapat meminimumkan kesalahan prediksi (forecast error). Forecast Error
bisa diukur dengan Mean Absolute Error (MAE) yaitu rata-rata nilai Absolute
Error dari kesalahan meramal (tidak dihiraukan tanda positif ataupun negatifnya)
dan Mean Squared Error (MSE) yaitu rata-rata dari kesalahan forecast
dikuadratkan (Subagyo, 1986).

2.2 Data Deret Waktu (time series)

Data deret waktu (time series) adalah data hasil pencatatan terus menerus dari
waktu ke waktu, biasanya dalam interval waktu yang sama. Data deret waktu
(time series) yang dicatat tidaklah timbul hanya karena pengaruh sebuah faktor
 5

saja, melainkan karena berbagai faktor penentu misalnya, bencana alam, manusia,
selera konsumen, keadaan musim, kebiasaan dan lainnya (Sudjana, 1986). Ada
empat faktor komponen variasi atau gerak yang masing-masing sering dianggap
sebagai pengaruh yang dianggap dapat menjelaskan keseluruhan yaitu trend,
siklus, musiman (seasonal) dan error (indeks gerak tak beraturan).
a. Kecenderungan (Trend)
Trend atau kecenderungan adalah komponen jangka panjang yang
mempunyai kecenderungan tertentu dalam pola data, baik arahnya meningkat
atau menurun dari waktu ke waktu sehingga membentuk pola yang konstan.
Teknik yang sering digunakan untuk mendapatkan trend suatu deret waktu
adalah rata-rata bergerak linear, pemulusan eksponensial, model Gompertz,
dimana teknik tersebut hanya menggunakan data masa lalu untuk
mendapatkan pola kecenderungan dan tidak memperhitungkan faktor lain
yang mempengaruhi kejadian.
b. Musiman (Seasonal)
Pola musiman menunjukan suatu gerakan yang berulang dari suatu periode ke
periode berikutnya secara teratur. Pola musiman ini dapat ditunjukan oleh
data-data yang dikelompokan secara mingguan, bulanan, atau kuartalan tetapi
untuk data yang berbentuk data tahunan tidak terdapat pola musimannya.
Pola musiman ini harus dihitung setiap minggu, bulan atau kuartalan
tergantung pola data yang digunakan untuk setiap tahunnya dan pola
musiman ini dinyatakan dalam bentuk angka. Teknik yang digunakan untuk
menentukan nilai pola musiman adalah metode rata-rata bergerak, pemulusan
eksponensial dari dekomposisi.
c. Siklus
Pola siklus adalah suatu seri perubahan naik atau turun, sehingga siklus ini
berubah dan bervariasi dari satu siklus ke siklus berikutnya. Pola siklus dan
pola tak beraturan didapatkan dengan menghilangkan pola kecenderungan
dan pola musiman jika data yang digunakan berbentuk mingguan, bulanan
atau kuartalan. Jika data yang digunakan adalah data tahunan maka yang
harus dihilangkan adalah pola kecenderungannya saja.
 6

d. Variasi acak
Pola yang acak atau tidak teratur tidak dapat digambarkan. Pola acak ini
disebabkan oleh peristiwa yang tak terduga seperti perang, bencana alam,
kerusuhan dan lain-lain. Karena bentuknya tidak beraturan atau tidak selalu
terjadi dan tidak bisa diramalkan maka pola variasi acak ini diwakili dengan
indeks 100% atau sama dengan 1 (Cryer, 1986).

2.3 Indeks Musiman

Pola musiman merupakan pola yang berulang secara berkala dan biasanya tidak
melebihi satu tahun. Variasi musiman juga bersifat periodik, artinya berulang
pada waktu tertentu setiap tahunnya. Variasi musim dapat terjadi dalam periode
mingguan, bulanan atau tahunan. Umtuk mengetahui ada atau tidaknya variasi
musiman, maka perlu dilakukan perhitungan indeks musiman. Indeks musiman
adalah angka yang menunjukkan nilai relatif dari data deret waktu untuk setiap
bulan dalam satu tahun. Rata-rata indeks musiman untuk periode tersebut adalah
100%. Oleh karena itu dapat dikatakan bahwa indeks musiman adalah suatu
angka yang bervariasi terhadap nilai dasar 100. Terdapat beberapa metode untuk
menghitung nilai indeks musiman, yaitu sebagai berikut:
1. Metode Rata-Rata Sederhana
Dalam metode rata-rata bergerak sederhana, indeks musiman dihitung
berdasarkan rata-rata periode musim setelah bebas dari pengaruh trend.
2. Metode Rasio Terhadap Trend
Dalam menghitung indeks musiman dengan metode rasio terhadap trend,
dapat dihitung dengan cara membagi data aktual (X) dengan nilai trend (T)
menjadi nilai gerak siklis musiman tak beraturan. Selanjutnya, dari nilai
gerak siklis tak beraturan mencari nilai rata-ratanya untuk memperoleh nilai
indeks musiman.
3. Metode Rasio Terhadap Rata-Rata Bergerak
Untuk menghitung indeks musiman dengan metode rasio terhadap rata-rata
bergerak dapat dihitung dengan menggunakan rumus berikut:
 7

̅
̅ ̅
̂

̅ ∑

dengan:
= Indeks musiman pada periode waktu ke-t
̂ = Rata-rata bergerak pusat pada periode waktu ke-t
̅ = Rata-rata bergerak pada periode waktu ke-t
= Data aktual pada periode waktu ke-t
= Banyaknya data (Masrudin, dkk., 2018).

2.4 Metode Dekomposisi

Metode dekomposisi adalah suatu metode pendekatan analisis data deret waktu
untuk mengindentifikasi faktor-faktor komponen yang mempengaruhi masing-
masing nilai dari data. Setiap komponen diidentifikasi secara terpisah. Proyeksi
dari masing-masing komponen kemudian dapat dikombinasikan untuk
menghasilkan nilai ramalan masa depan dari data deret waktu (Hanke & Wichern,
2009).

Metode dekomposisi memisahkan 3 komponen dasar, yaitu komponen trend,

komponen siklus, dan komponen musiman. Faktor trend menggambarkan
perilaku data yang dapat meningkat atau menurun dalam jangka panjang. Faktor
siklus menggambarkan kenaikan atau penurunan dalam periode tertentu. Faktor
musiman mengacu pada fluktuasi periodik dengan panjang konstan yang
disebabkan oleh beberapa hal. Perbedaan antara musiman dan siklus adalah
musiman berulang pada interval yang tetap seperti tahun, bulan atau minggu,
sedangkan faktor siklus memiliki periode yang lebih lama dan lamanya bervariasi
pada setiap siklusnya. Dekomposisi memiliki asumsi bahwa data tersusun sebagai
berikut:
 8

( )

Selain komponen pola, terdapat pula unsur galat atau keacakan. Galat ini
dianggap merupakan perbedaan antara pengaruh gabungan dari sub-pola deret
tersebut dengan data yang sebenarnya (Makridakis, dkk., 1999).

Metode dekomposisi termasuk pendekatan peramalan yang tertua. Dasar dari

metode dekomposisi muncul pada tahun 1920-an ketika konsep rasio-trend (ratio-
to-trend) diperkenalkan. Sejak saat itu pendekatan dekomposisi telah digunakan
secara luas baik oleh para ahli ekonomi atau para pengusaha.

Ada beberapa pendekatan alternatif untuk mendekomposisi data deret waktu, yang
bertujuan untuk memisahkan setiap komponen deret data seteliti mungkin.
Konsep dasar dalam pemisahan tersebut adalah bersifat empiris dan tetap,
awalnya memisahkan musiman, trend, dan siklus. Residu yang ada dianggap
sebagai unsur acak yang tidak dapat diprediksi atau diramal tetapi dapat
teridentifikasi. Penulisan matematis umum dari pendekatan dekomposisi adalah :

( )

dengan:
= Nilai aktual data deret waktu pada periode ke-t
= Nilai indeks musiman pada periode ke-t
= Nilai trend pada periode ke-t
= Nilai indeks siklus pada periode ke-t
= Komponen galat atau acak pada periode ke-t (Makridakis, dkk., 1999).

Metode dekomposisi berasumsi pada model aditif atau multiplikatif, bergantung

pada pola fluktuasi musiman pada data.

Metode dekomposisi berasumsi pada model aditif:

( )
 9

Metode dekomposisi berasumsi pada model multiplikatif:

( ) )

Sejak perkembangannya pada tahun 1920-an, metode rasio rata-rata bergerak

merupakan prosedur dekomposisi yang telah banyak digunakan selama beberapa
dekade, metode ini berasumsi pada model multiplikatif. Metode rasio rata-rata
bergerak dimulai dengan memisahkan unsur trend-siklus dari data dengan
menghitung rata-rata bergerak yang jumlah unsurnya sama dengan panjang
musiman. Rata-rata bergerak dengan panjang seperti ini tidak memiliki pengaruh
musiman dan tanpa atau sedikit sekali keacakan. Rata-rata bergerak yang
dihasilkan menurut Makridakis, dkk. (1999):

Berikut akan dibahas cara untuk mendapatkan komponen deret waktu pada
metode dekomposisi.

2.4.1 Komponen Musiman

Gerakan musiman terjadi pada waktu yang sama atau sangat berdekatan, dengan
kata lain gerakan musiman merupakan gerakan yang teratur yang mempunyai pola
tetap atau berulang-ulang secara teratur. Kecenderungan musiman dapat berupa
tahunan, bulanan atau mingguan. Gerakan musiman merupakan gerakan yang
memiliki pola-pola tetap atau identik dari waktu kewaktu dengan waktu yang
kurang dari satu tahun. Oleh sebab itu, variasi musiman adalah suatu pola yang
berulang dalam jangka pendek (Box dan Jenkins, 1976). Persamaan untuk
memperoleh komponen musiman pada metode dekomposisi yaitu dengan
membagi persamaan dekomposisi model multiplikatif dengan persamaan metode
rasio rata-rata bergerak yang jumlah unsurnya sama dengan panjang musiman.
Persamaan nya menjadi sebagai berikut:
 10

Persamaan diatas merupakan rasio dari data yang sebenarnya dengan rata-rata
bergerak dan mengisolasi dua komponen deret berkala lainnya. Menurut
Makridakis, dkk (1999), nilai rasio tersebut berkisar diantara 100, menunjukkan
pengaruh musiman pada nilai rata-rata data yang telah dihilangkan faktor
musimannya. Nilai rasio dapat ditentukan dengan rumus berikut:

( )

dengan

Kemudian, langkah selanjutnya yaitu dengan menghilangkan keacakan dari nilai-

nilai yang diperoleh dengan menggunakan suatu bentuk rata-rata pada bulan yang
sama. Untuk menghitung rata-rata medial maka rasio nilai sebenarnya terhadap
rata-rata bergerak disusun menurut bulan tiap tahunnya. Rata-rata medial adalah
nilai rata-rata untuk setiap bulan setelah dihilangkan nilai terbesar dan terkecil.
Nilai indeks musiman dapat diperoleh dari rata-rata medial dengan mengalikan
setiap rata-rata medial nya dengan (1200/jumlah rata-rata medial), yang
merupakan nilai penyesuaian hingga nilai rata-ratanya adalah 100. Sehingga
dapat dinyatakan seperti pada rumus berikut:

dimana:
= Nilai indeks musiman
= Nilai rata-rata medial pada periode ke-t
= Nilai penyesuian
 11

2.4.2 Komponen Trend

Perhitungan nilai trend dapat ditentukan dengan beberapa metode, salah satunya
yang cocok untuk digunakan pada metode dekomposisi adalah trend linear.
Menentukan nilai-nilai komponen trend memerlukan dua perameter yaitu a dan b,
untuk spesifikasi. Nilai a dan b dapat ditentukan dengan cara yang serupa dengan
yang digunakan untuk mencari nilai rata-rata data aktual. Nilai untuk a dan b
dapat diperoleh dengan meminimumkan Mean Square Error (MSE) dimana
galatnya adalah perbedaan antara nilai data deret waktu dan nilai garis trend yang
bersangkutan.

Garis trend pada dasarnya adalah garis regresi yang mana dapat dijelaskan dengan
dua parameter yaitu a dan b. Berikut persamaan garis trend:

Dari persamaan garis trend diatas dapat digunakan untuk menentukan komponen
trend data deret waktu pada metode dekomposisi. Nilai a dan b yang
meminimumkan MSE dapat diperoleh dengan menggunakan persamaan berikut:

∑ ∑ ∑
∑ (∑ )

∑ ∑

dengan:

= Data aktual time series

= Periode
= Jumlah data
= Parameter garis trend (Makridakis, dkk., 1999).
 12

2.4.3 Komponen Siklus

Siklus merupakan suatu perubahan atau gelombang yang berulang naik dan turun
dalam suatu periode dan berulang pada periode lainnya. Dalam perekonomian,
siklus dikenal sebagai resesi, recovery, boom dan krisis. Suatu siklus biasanya
memiliki periode tertentu untuk kembali ke titik asalnya. Siklus juga memiliki
frekuensi, yaitu siklus yang dapat diselesaikan dalam jangka waktu tertentu.
Berikut persamaan untuk mencari indeks siklus:

2.4.4 Keacakan (error)

Variasi gerak tak beraturan adalah suatu perubahan yang berupa kenaikan dan
penurunan yang tidak beraturan baik dalam waktu maupun lama siklus. Penyebab
untuk situasi ini misalnya perang, krisis dan bencana alam. Penentuan indeks
error dapat dilakukan dengan memecah komponen-komponen data deret waktu.
Persamaan untuk menentukan keacakan suatu data deret waktu dengan metode
dekomposisi adalah sebagai berikut:

2.5 Ukuran Ketepatan Peramalan

Jika merupakan data aktual periode dan merupakan ramalan maka ukuran
kesalahan didefinisikan sebagai berikut:
 13

dengan:
= kesalahan periode
= data aktual untuk periode
= ramalan (nilai kecocokan atau fitted value) untuk periode
Jika terdapat nilai pengamatan di ramalan untuk n periode waktu, maka akan
terdapat n buah galat dan ukuran statistik standar dapat didefinisikan sebagai
berikut:

MSE = ∑ ( )
Ukuran-ukuran ketepatan yang sering digunakan untuk mengetahui ketepatan
suatu metode peramalan yang melibatkan ∑ ( ) yaitu sebagai berikut:
a. MAPE (Mean Absolute Percentage Error). Persentase kesalahan absolute
rata-rata atau MAPE memberikan petunjuk seberapa besar kesalahan
peramalan dibandingkan dengan nilai sebenarnya.
∑|( ) |
MAPE =

b. MAD (Mean Absolute Deviation). Simpangan absolute rata-rata atau MAD

mengukur akurasi peramalan dengan merata-ratakan nilai absolute kesalahan
ramalan. Kesalahan diukur dalam unit yang sama seperti data aslinya.
∑|( )|
MAD =

c. MSD (Mean Squared Deviation). MSD menggunakan penyebut n tanpa

memperhatikan derajat bebas model. MSD juga digunakan bila ingin
membandingkan ketepatan ramalan antara metode peramalan yang berbeda.
∑( )
MSD =

dengan :
= nilai sebenarnya
= nilai ramalan
n = jumlah data

(Makridakis, dkk., 1999).

 14

Dalam fase peramalan menggunakan MSD dan MAD sebagai suatu ukuran
ketepatan peramalan dapat menimbulkan masalah, karena MSD dan MAD
merupakan ukuran absolute yang sangat bergantung pada skala dari data deret
waktu. Karena alasan tersebut, maka dipakailah alternatif sebagai salah satu
indikasi ketepatan dalam peramalan yaitu menggunakan MAPE.
 15

III. METODOLOGI PENELITIAN

3.1 Tempat dan Waktu

Penelitian ini dilakukan pada semester genap tahun akademik 2021/2022 di

Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Lampung.

3.2 Data Penelitian

Data yang digunakan dalam penelitian ini merupakan data sekunder yang
diperoleh dari situs resmi Badan Pusat Statistika (BPS) yaitu data jumlah uang
kartal yang beredar di Indonesia.

3.3 Metode Penelitian

Langkah-langkah untuk menganalisis data dalam meramalkan data jumlah uang

kartal yang beredar di Indonesia dengan menggunakan metode dekomposisi
adalah sebagai berikut:
1. Membuat pola time series untuk mengetahui model data.
2. Menentukan komponen musiman
a. Langkah pertama yaitu dengan cara menghitung nilai rata-rata bergerak
yang panjangnya (L) sama dengan panjang musiman. Merata-ratakan
sejumlah periode yang sama dengan panjang pola musiman (misal 12
untuk periode tahunan, 4 untuk periode kuartalan, atau 7 untuk untuk
periode mingguan), nilai ini disebut nilai rasio rata-rata bergerak.
 16

b. Menghitung nilai rata-rata medial dengan menentukan nilai rata-rata dari

nilai rasio rata-rata bergerak untuk setiap bulan setelah dihilangkan nilai
terbesar dan terkecil.
c. Menentukan nilai penyesuaian yang akan digunakan untuk menentukan
nilai indeks musiman yaitu dengan jumlah nilai rata-rata medialnya.
d. Menentukan nilai indeks musiman dengan cara mengalikan tiap rata-rata
medial dengan nilai penyesuaian.
3. Menentukan komponen trend
a. Menghitung nilai konstanta a dan b untuk menentukan persamaan garis
trend linear.
b. Menghitung nilai komponen trend untuk tiap periode dengan persamaan
garis trend yang telah ditentukan.
4. Menentukan komponen siklus dengan memisahkan nilai gabungan dari
komponen trend dan siklus untuk memperoleh faktor siklus yaitu dengan cara
membagi nilai rata-rata bergerak dengan nilai komponen trend.
5. Menentukan keacakan (error) yaitu dengan memisahkan komponen
musiman, trend, siklus dari data asli untuk mendapatkan unsur keacakan
dengan indeks 100 atau diwakilkan dengan nilai 1.
6. Melakukan peramalan untuk data ke depan dari Data Jumlah Uang Kartal
yang Beredar di Indonesia.
 34

V. KESIMPULAN

Berdasarkan hasil dan pembahasan analisis data yang telah dilakukan pada bab
sebelumnya, maka diperoleh kesimpulan sebagai berikut:
1. Model peramalan pada data jumlah uang kartal yang beredar di Indonesia
menggunakan metode dekomposisi klasik adalah:
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
2. Hasil peramalan 6 (enam) periode mendatang data jumlah uang kartal yang
beredar di Indonesia pada bulan Juli 2022=800764, Agustus 2022=795844,
September 2022=793586, Oktober 2022=795149, November=806495, dan
bulan Desember 2022=856800
 20

DAFTAR PUSTAKA

Box, G.E.P.& Jenkins, G.M. 1976. Time Series Analylis and Forcasting. John
Wiley and Sons. Inc, New Jersey.

Cryer, J.D. 1986. Time Series Analysis. University of Iowa PSW Kent
Publishing Company, Boston.

Hanke, J.E. & Wichern, D.W. 2009. Business Forecasting. Ninth Edition.
Pearson Prentice Hall, New Jersey.

Makridakis, S., Spyros., & Wheelwright, S. C. 1999. Metode dan Aplikasi

Peramalan. Erlangga, Jakarta.

Maria, J. A., Sedana, I. B. P., & Artini, L. G. S. 2017. Pengaruh Tingkat Suku
Bunga, Inflasi dan Pertumbuhan Gross Domestic Product Terhaadap Jumlah
Uang Beredar di Timor-Leste. E-Jurnal Ekonomi dan Bisnis Universitas
Udayana, 6(10): 3477-3514

Masrudin, Satyahadewi, N., & Imro’ah, N. 2018. Peramalan Jumlah Wisatawan

Mancanegara di Pontianak dengan Metode Deseasonalized. Buletin Ilmiah
Statistika Matematika dan Terapannya, 7(3): 159-168.

Mason. 1999. Teknik Statistika untuk Bisnis dan Ekonomi. Erlangga, Jakarta.

Ni Luhgede Ari Luwihadi, S. A. 2017. Determinan Jumlah Uang dan Tingkat

Inflasi di Indonesia Periode 1984-2014. E-Jurnal EPUnud, 6: 533-563.

Puswanti, T. 2020. Pengaruh Instrumen Moneter Syariah dan Alat Pembayaran

Non Tunai Terhadap Money Supply di Indonesia. Teresia Puswanti
Muhammad Nasrullah, 3(23).
 21

Sancaya, K.S., & Wenagama, I. W. 2019. Pengaruh Tingkat Suku Bunga,

Tingkat Inflasi, Kurs Dollar AS Terhadap Jumlah Uang Beredar di
Indonesia. E-Jurnal EPUnud, 8(4): 703-734.

Septeriani, S. 2013. Pengaruh Inflasi, Suku Bunga, dan Produk Domestik Bruto
Terhadap Jumlah Uang Beredar di Indonesia Periode 1995-2011. Jurnal
Pembangunan dan Pemerataan, 2(2).

Setiadi, I. O. 2013. Analisis Faktor-Faktor yang Mempengaruhi Permintaan

Uang di Indonesia Tahun 1999 : Q1-2010 : Q4 dengan Pendekatan Error
Corection Models (Ecm). Economics Development Analysis Journal, 2(1).

Subagyo. 1986. Forecasting: Konsep dan Aplikasi. BPFE, Yogyakarta.

Sudjana. 1986. Metode Statistika. Edisi ke V. Tarsito, Bandung.

Yuliana, SE., MM. (2011). Analisis Pengaruh Inflasi, Tingkat Suku Bunga SBI
dan Nilai Tukar Terhadap Jumlah Uang yang Beredar di Indonesia Periode
2001-2006. Istishoduna, 3(1):1-21.

Yuni S., Mozart W. Talakua, & Yopi A. Lesnussa. 2015. Peramalan Jumlah
Pengunjung Perpustakaan Universitas Pattimura Ambon Menggunakan
Metode Dekomposisi. Jurnal Ilmu Matematika dan Terapan, 9(1): 41-50.