Materi-7: Analisis Time Series

1). DATA TIME SERIES

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 (Memahami Statistika Bisnis, 1997) bahwa data deret berkala adalah
suatu rangkaian atau seri dari nilai-nilai suatu variabel yang dicatat dalam jangka waktu yang
berurutan.
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.

* Menetapkan model peramalan dimasa yang akan datang, baik ramal-an jangka pendek
maupun jangka panjang.

Berikut ini akan diberikan satu analisis data deret waktu, yaitu analisis klasik atau analisis
dekomposisi. Analisis dalam kajian ini memperhatikan 4 faktor yang melekat dalam
mempengaruhi model yang akan dibentuk, yaitu :

* Pengaruh Tren : gerakan jangka panjang yang memiliki kecenderungan menuju suatu arah, yaitu
arah naik atau turun
* 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
memasuku ajaran baru, seperti bulan Juli, dibandingkan
bulan-bulan lainnya. Maka dalam hal akan ada pengaruh
musiman bulanan.
* Pengaruh Siklis : gerakan jangka panjang yang memiliki unsure per-luasan
(expansian), puncak (peak), kemun-duran
(contraction) dan depresi (trough).
* Pengaruh Residu : atau disebut juga pengaruh randon, yaitu gerakan yang
bersifat acak atau tidak ber-aturan, sehingga tidak
dapat diprediksi sebelumnya. Seperti, terjadi
pengeboman gedung BEJ Jakarta, mengakibatkan
turun-nya transaksi saham pada saat itu dan
beberapa hari setelahnya.
Sehingga dalam hubungan ini suatu pemodelan data akan dapat dibentuk dalam suatu fungsi yang
berbentuk : Y = f (T, M, S, R)

Sehubungan dengan kebutuhannya, maka dalam pasal kajian kita ini hanya dibahas pengaruh Tren
dan Pengaruh musiman saja, dalam rangka menaksir bentuk model data.

2). ANALISIS TREN

Tren diambil dari istilah kecenderungan (trendi), yang merupakan gerakan kekontinuan data jangka
waktu tertentu dan stabil. Dimana gerakan nya memiliki kecenderungan menuju suatu arah, yaitu
arah naik atau turun Berdasarkan pencaran data kita dapat menetapkan apakah gerakannya cende-
rung berbentuk garis lurus, atau garis lengkung. Jika tren data membentuk garis lurus dikatakan
model data membentuk Tren Linier, sebaliknya jika kecenderungannya membentuk garis lengkung
dikatakan Tren Non-Linier.

(i). Tren Linier : gerak data membentuk garis lurus atau mendekatinya.

Model Umum : Yt =  + ti + i ... (1)

Model Estimasi : Y t = a + b t i ... (2)

Dimana : Yt = unit data var-Y untuk periode ke-t,

 = kontanta model tren yang ditaksir oleh a.
 = koefisien model tren (slope), yang ditaksir oleh b.
 = deviasi atau sisaan, atau kekeliruan
Kurva Tren Linier :

Yt Yt

0 t 0 t

Gambar 5.1. Kurva Tren-Linier

(ii). Tren Non-Linier : gerak data membentuk garis lengkung yang beraturan.
Jenis Trend ini diantaranya :
 Tren Parabola : Yt = ao + a1 ti + a2 ti2 ... (3)

 Tren Logistik : Yt = (a.bt ) –1 ... (4)

ti
 Tren Eksponen : Yt = a.(b) ... (5)
  Tren Geometrik : Yt = a.( ti )b ... (6)

 Tren Kubik : Yt = a + b ti + c ti2 + d ti3, ... (7)

Kurva Tren :

Yt Tren Parabola Yt Tren Parabola

0 t 0 t

Yt Tren Eksponensial Yt Tren Kubik

0 t 0 t

Yt Tren Logistik Yt Tren Kubik

0 Gambar 5.2. Beberapat Bentuk0Kurva Non-Linier t

3). ANALISIS TREN LINIER

Metoda analisis Tren, yaitu untuk menaksir model tren data deret waktu, dapat digunakan beberapa
teknik estimasi statistik, diantaranya dengan metode kuadrat terkecil (Least square methods),
metode kemungkinan maksimum (Maximum likelihood methods), tetapi pada umumnya dan untuk
lebih mudah penggunaannya digunakan metoda kuadrat terkecil (MKT), yaitu menentukan model
tren dengan menaksir koefisien model sedemikian rupa sehingga jumlah kuadrat kekeliruan nilai
tren atau deviasi kuadratnya terhadap nilai yang sesungguhnya seminimum mungkin, atau : 2 =
( Y  Y )2 minimum.
Seperti diketahui model umum trend linier adalah Yt =  + ti + i
dengan ; Yt adalah data pengamatan pada waktu ke-t
ti adalah waktu ke-i
 adalah konstanta model dan  adalah koefisien arah model
 adalah kekeliruan nilai trend
Nilai Konstanta  dan koefisien  dapat ditaksir oleh a dan b melalui MKT, yaitu :

> Buatkan persamaan normal dari model linier, minimal 2 buah persamaan, yaitu :
(i).  Yi = n. a + b  ti
(ii).  ti Yi = a  ti + b  ti 2
> Lakukan peng-Kodingan untuk data waktu (t), dibuatkan sedemikian rupa sehingga jumlah ti
atau  t = 0 , sehingga :

* Jika data ganjil memiliki nilai koding : . . . . , -3, -2, -1, 0, 1, 2, 3, . . . .

* Jika data genap memiliki nilai koding : . . . . ., -5, -3, -1, 1, 3, 5, . . . . .

> Karena  ti = 0, maka persamaan diatas menjadi :

(i). Yi = n.a ... (8)

(ii).  ti Yi = b  ti 2 ... (9)
> Dengan demikian taksiran nilai koefisien model adalah :

===========================================
a = Yi / n dan b = ( ti Yi ) /  ti 2 ... (10)
===========================================
n = jumlah periode waktu dari data pengamatan.

Contoh 1 :

Rekapitulasi penerimaan Koperasi "ANU" dari beberapa sumber penerimaan sejak tahun
1990 s.d 1996 tercatat sbb : (Y = jumlah penerimaan dalam jutaan rupiah )
Jika diasumsikan trend data penerimaan adalah linier, tentukan model trendnya.

Jawab: Untuk menaksir model trend, maka perlu dibentuk tabel perhitungan
berikut :

Tahun ‘90 ‘91 ‘92 ‘93 ‘94 ‘95 ‘96

Y 5,5 6,2 7,0 7,6 8,3 8,8 9,5
Jika diasumsikan trend data penerimaan adalah linier, tentukan model trendnya.
Jawab : Untuk menaksir model trend, maka perlu dibentuk tabel perhitungan berikut ;

Tahun Yi ti ti2 ti.Yi

5,5 5,5 -3 9 -16,5
6,2 6,2 -2 4 -12,4
7,0 7,0 -1 1 -7,0
7,6 7,6 0 0 0
8,3 8,3 1 1 8,3
8,8 8,8 2 4 17,6
9,5 9,5 3 9 28,5
Jumlah 52,9 0 28 18,5

Maka : taksiran koefisien a = 52.9/7 = 7,557 b = 18,5/28 = 0,66

Maka Model Tren data diperoleh : Yt = 7,557 + 0,66 ti

4). ANALISIS TREN NON-LINIER

Trend non-linier dapat dipastikan jika pencaran data berdasarkan urutan waktu membentuk garis
lengkung pada sumbu koordinat t atas Y. Untuk menaksir koefisien model trend data dilakukan
dengan MKT yang dimodifikasi sesuai bentuk modelnya dengan pendekatan kepada kelinieran.

a. Menaksir Tren Parabola

Bentuk umum model trend parabola Yt = ao + a1 ti + a2 ti 2 , untuk memperoleh bentuk model

peramalannya maka harus mampu mencari besarnya masing-masing koefisien model (ao , a1 , dan
a2 ) , caranya sbb :

> Bentuk 3 buah persamaan normalnya, yaitu :

(i). Yi = n.ao + a1  ti + a2  ti 2

(ii). ti Yi = ao  ti + a1  ti 2 + a2  ti 3

(iii).  ti2 Yi = ao  ti2 + a1  ti 3 + a2  ti 4

> Lakukan peng-Kodingan, sehingga diusahakan : ti = ti 3 =  ti 5 = 0

> Berdasarkan nilai koding tsb, maka persamaan normal diatas dapat ditulis :

(i). Yi = n. ao + a2  ti 2 ... (11)

(ii).  ti Yi = a1  ti 2 ... (12)

(iii).  ti 2Yi = ao  ti2 + a2  ti 4 ... (13)

> Taksiran nilai koefisien model akan diperoleh dari subsitusi ketiga persamaan normal hasil
koding diatas.

Contoh 2 : Pertumbuhan angka kelahiran per-1000 penduduk di kodya Bandung mengikuti

bentuk distribusi Parabola, hal ini dapat diperhatikan pada tahun 1970 s.d 1978

Y = Jumlah kelahiran per-1000 penduduk

Tahun 1993 1994 1995 1996 1997 1998 1999 2000 2001
Y 25 23 21 18 16 17 19 23 24
a. Taksirlah bentuk model trend data tersebut.
b. Berapa ramalan kelahiran tahun 1980 ?
Penyelesaian :

Bentuk dahulu tabel perhitungan yang dibutuhkan dalam persamaan normalnya, yaitu
:

Thn Y ti ti2 ti4 ti.Yi ti2 .Yi

1993 25 -4 16 256 -100 400
1994 23 -3 9 81 -69 207
1995 21 -2 4 16 -42 84
1996 18 -1 1 1 -18 18
1997 16 0 0 0 0 0
1998 17 1 1 1 17 17
1999 19 2 4 16 38 76
2000 23 3 9 81 69 207
2001 24 4 16 256 96 384
Jml 186 0 60 708 -9 1393

Dari hasil tersebut akan membentuk persamaan berikut :

(i). 186 = 9 ao + 60 a2
(ii). -9 = 60 a1
(iii). 1393 = 60 ao + 708 a2
Dengan langkah subsitusi atau eliminasi, diperoleh hasilnya sbb :

ao = 17,355 a1 = -0,15 a2 = 0,497

a. Sehingga Taksiran Model Tren-nya adalah :

======== Yt = 17,355 - 0,15 ti + 0,497 ti 2 =========

b. Ramalan angka kelahiran tahun 1002 adalah :

2002 => nilai koding : t 2002 = 5

==> Y2002 = 17,355 - 0,15 (5) + 0,497 (5)2 = 29

b. Menaksir Tren Eksponensial

Bentuk umum trend Eksponensial : Yt = a. b ti

Bentuk ini akan lebih mudah jika dilakukan penyederhanaan : dibuatkan bentuk logaritmanya

yaitu : log Yt = log a + ti log b ,

jika : log Yt = Zi

log a = A log b = B

maka : Zi = A + B ti

Bentuk terakhir disamping adalah bentuk linier, dengan mengikuti langkah pada penyelesaian
Tren Linier kita akan dapatkan taksiran untuk koefisien a maupun b, yaitu

a = antilog [ ( log Yi ) / n ] ... (14)

b = antilog [ ( ti log Yi ) / ti 2 ] ... (15)

(Buktikan ! )

c. Taksiran Tren Logistik

Bentuk umum Tren logistik : Yt = (a. b ti )-1

Dengan cara yang sama seperti taksiran dalam bentuk tren eksponensial, maka taksiran
koefisien model trennya adalah sbb :

a = antilog [ ( - log Yi ) / n ] ... (16)

b = antilog [ ( ti {-log Yi }) /  ti 2 ] ... (17)

(Buktikan ! )

5). ANALISIS FAKTOR MUSIMAN

Dalam analisis Time Series, jika kita berhadapan dengan data mingguan, kuartal, atau data bulanan
akan besar kemungkinannya dipengaruhi oleh faktor musiman. Ambil contoh ; hasil penjualan
daging sapi, akan terasa lonjakan jumlah permintaan pada bulan-bulan menghadapi tahun baru dan
Lebaran Idul Fitri. Permintaan akan buku tulis, nampaknya dalam setahun, akan terlihat jumlah
permintaan buku tulis sangat signifikans pada bulan-bulan menghadapi tahun ajaran baru, biasanya
pada bulan Juni atau Juli.
Untuk meninjau seberapa besar faktor musiman berpengaruh pada data deret waktu, dilakukan
dengan menentukan indeks musimannya (IM).
Cara perhitungan :
Perhitungan Indeks Musiman dalam hal ini lebih mudah dilakukan dengan cara persentase rata-rata,
yaitu mengikuti langkah /prosedur berikut :
(untuk kasus data bulanan) ;
1. Tentukan rata-rata data periode untuk setiap tahun. Misalkan diperoleh untuk
tahun ke-I adalah : X i , i = 1, 2, . . (beberapa tahun pengamatan)

2. Tentukan prosentase setiap data yang bersesuaian dengan periodenya.

Yaitu : (Xij / X i ) x 100 %

3. Hitung rata-rata untuk waktu pengamatan yang sama dari beberapa tahun yang
diselidiki, nilai hasil hitungan disebut Indeks Musiman Sementara (IMS).

4. Periksa nilai IMS, jika waktu yang diamati data bulanan haruslah berjumlah
1200 untuk setiap tahun penyelidikan. Jika tidak, perlu disesuaikan dengan
mengalikan oleh faktor penentu (p), dimana ; p = 1200/IMS

5. Dari langkah ke-4 tersebut akan diperoleh Indeks Musiman (IM)

Contoh : Frekuensi pemanfaatan jasa tabanas di bank Epsilon selama 3 tahun terakhir,
berdasarkan pengamatan perbulan diketahui sbb :

Tahun Pengamatan Data

Periode 1999 2000 2001
Januari 178 180 206
Pebruari 183 186 189
Maret 204 209 200
April 201 221 211
MeI 196 243 232
Juni 185 234 285
Juli 192 210 292
Agustus 188 194 280
September 197 207 247
Oktober 202 215 252
November 205 228 255
Desember 213 208 253
Rata-rata 195.33 211.25 241.83

Untuk memperhitungkan besarnya pengaruh musiman dapat diperhatikan tabel berikut :

= Kita tentukan Rata-rata Prosentase :

Tahun Pengamatan Data

Periode 1999 2000 2001
Januari 91.13 85.21 85.18
Pebruari 93.69 88.05 78.15
Maret 104.44 98.93 82.70
April 102.90 104.62 87.25
Mei 100.34 115.03 95.93
Juni 94.71 110.77 117.85
Juli 98.29 99.41 120.74
Agustus 96.25 91.83 115.78
September 100.85 97.99 102.14
Oktober 103.41 101.78 104.20
November 104.95 107.93 105.44
Desember 109.04 98.46 104.62

= Tentukan rata-rata untuk setiap waktu yang sama : Yaitu Periode

Januari s/d Desember, sehingga diperoleh IMS, yaitu :

Periode IMS
Januari 87.17
Pebruari 86.63
Maret 95.36
April 98.26
MeI 103.77
Juni 107.78
Juli 106.15
Agustus 101.29
September 100.33
Oktober 103.13
November 106.11
Desember 104.04
Jumlah 1200.00

Karena Total IMS atau :  IMS = 1200, maka nilai IMS berlaku otomatis sebagai nilai
IM atau besar pengaruh musiman setiap periodenya.

Dari Tabel Faktor Musiman diatas, kolom IM diartikan :

IM(Januari) = 87,17 % artinya terdapat pengaruh musiman sebesar 12,83 % dibawah

rata-rata

IM(Januari) = 86,63 % artinya terdapat pengaruh musiman sebesar 13,57 % dibawah

rata-rata

IM(Agustus)= 100,33 artinya hampir dapat dikatakan tidak ada atau tidak terdapat
pengaruh musiman.

-
 IM(Desemb)= 104,04 artinya terdapat pengaruh musiman sebesar 4,04% diatas rata-rata.

Terlihat bahwa : Pengaruh musiman sangat besar atau tinggi terjadi pada bulan :
Januari dan Pebruari.

SOAL-SOAL LATIHAN

Kasus-1 :

Data Berikut menyatakan tinjauan tentang perkembangan usaha dagang “CV. Angin Ribut “
untuk beberapa komiditi yang dijalankan selama tahun 2000-2001

Jumlah Komoditi & Tahun Pengamatan

Beras (dalam Ton) Gula ( dalam Ton)
Periode 2000 2001 2000 2001
Triwulan-1 25,5 42,6 25,42 19,50
Triwulan-2 28,2 44,7 22,23 20,01
Triwulan-3 34,5 50,0 20,06 20,73
Triwulan-4 38,8 52,1 19,76 21,22

a. Buatkan gambar plot perkembangan data kedua komoditi dagang perusahaan tersebut.

b. Bagiamana kecenderungan perkembangan datanya ?

c. Lakukan Taksiran Model Tren data kedua komoditi tersebut.

d. Hitunglah pengaruh musiman yang terjadi pada perkembangan dagang komoditi Beras
maupun Gula.

e. Simpulkan semua hasil yang anda peroleh.