ANALISIS DATA

BERKALA

Diklat Fungsional Statistisi Tingkat Ahli

Badan Pusat Statistik
Angkatan 21 Tahun 2020
1
Jimmy Ludin
 APA ITU
DATA DERET BERKALA ???
 Data yang dikumpulkan dari waktu ke
waktu;
 Digunakan untuk menggambarkan
perkembangan suatu kegiatan;
 Data berkala yang khas merupakan
kombinasi dari 4 (empat) komponen;

2
 Apa contoh data deret berkala?
• Luas panen padi
• Harga saham
• Curah hujan
• Tingkat kecelakaan di jalan tol
• Jumlah penumpang angkutan

3
 Ada berapa KOMPONEN VARIASI DATA
BERKALA?

Ada 4 (empat) Komponen:

 Gerakan yang berjangka panjang (Long
term movement);
 Gerakan/Variasi sikli (Cyclical variations);
 Gerakan/Variasi Musim (Seasonal
Movement/variations);
 Variasi random (random movement).

4
 1. Gerakan Berjangka Panjang
(Long term movement)
Suatu gerakan jangka panjang (10 tahun atau lebih) yang
menunjukkan arah perkembangan secara umum
(cenderung menuju ke satu arah, naik atau turun).

Y Y

Tahun (X) Tahun (X)

Trend Positif Trend Negatif

5
Y = a + b.X Y = a – b.X
 Contoh lain dari trend (kecenderungan)

Pelanggan Penjualan

80 160
70 140
60 120
50 100
40 Pelanggan 80 Penjualan
30 60
20 40
10 20
0 0

0 00 0 02 0 04 0 06 0 08 0 00 0 02 0 04 0 06 0 08
2 2 2 2 2 2 2 2 2 2
Tahun Tahun

6
2. Gerakan / Variasi Sikli
(Cyclical variations)

Suatu gerakan/variasi jangka panjang disekitar garis trend

yang bergerak agak beraturan dalam jangka waktu
tertentu (tiap 3 th, 5 th atau lebih).

Cth : Gerakan yang menunjukkan jangka waktu kemakmuran,

kemunduran dan pemulihan.

Sik lus Indek s Saham Gabungan

2, 5
2
1, 5
1
0, 5
IHSG

0
-0, 5 94 95 96 97 98 99 00 01 02
-1
-1, 5
-2
-2, 5
T ahun

7
 3. Gerakan/Variasi Musim
(Long term movement)
Suatu gerakan yang mempunyai pola secara teratur
secara musiman.
Cth : Kecenderungan belanja menjelang Hari Raya.

Pergerakan Inflasi 2002

Produksi Padi Permusim

2,5
30
P ro duksi (0 00 ton)

2
20

Inflasi (%)
1,5

10 1

0 0,5
I- II- III- I- II- III- I- II- III- I- II- III-
98 98 98 99 99 99 00 00 00 01 01 03 0
1 2 3 4 5 6 7 8 9 10 11 12
Triw ulan
Bulan

Variasi Musim Produk Variasi Inflasi Bulanan

Pertanian 8
4. Variasi Random
(Random Movement)

Suatu gerakan/variasi yang disebabkan oleh faktor

kebetulan, sehingga sangat sulit untuk diterka kurun waktu
kejadiannya.

Cth : Biasanya karena adanya bencana alam, perang dll.

9
 DASAR PEMIKIRAN ANALISA DATA
BERKALA
 Rumusan secara pasti (matematis) hubungan antara
keempat komponen terhadap variasi data berkala
sampai saat ini belum ada.
 Secara umum analisa data berkala selalu didasarkan
pada anggapan bahwa nilai data berkala merupakan
hasil kali dari keempat komponen variasinya.
 Dengan asumsi tersebut hubungan secara matematis
dari keempat komponen tersebuat adalah :
Db = Ts .Vs .Vm .R
Dimana : Db = Data berkala Ts = Trend sekuler
Vs = Variasi sikli Vm = Variasi musim
R = Random

10
PENENTUAN GARIS TREND

11
 METODE RATA-RATA BERGERAK
(Rata-rata bergerak sederhana)

 Metode rata-rata bergerak sering digunakan untuk mengrata-

ratakan data berkala yang bervariasi dengan cara mencari
nilai rata-rata data berkala beberapa tahun, sehingga
diperoleh nilai rata-rata yang bergerak secara teratur atas
dasar jumlah tahun tertentu.
 Metode ini tidak memberikan ketentuan berapa tahun yang
harus digunakan sebagai dasar pengrataan.
 Makin banyak jumlah tahun yang digunakan akan semakin
mulus grafik yang diperoleh dan makin intensif kita
menghilangkan variasi musim, random dan sikli.
 Jika kita gunakan 3 tahun sebagai dasar pencarian rata-rata,
maka teknik ini disebut rata-rata bergerak per 3 tahun, dst.

12
 METODE RATA-RATA BERGERAK
(Rata-rata bergerak tertimbang)

 Pada prinsipnya prosedur yang digunakan adalah

sama dengan metode rata-rata bergerak
sederhana.
 Dalam prosedur ini data berkala diberikan
penimbang sebelum dirata-ratakan.
 Penimbang yang digunakan adalah binomial,
sesuai dengan jumlah tahun yang digunakan,
misalnya untuk rata-rata bergerak per 3 tahun maka
koefisien 1, 2, 1 sebagai penimbang.

13
 Metode semi rata - rata
• Dengan cara mencari rata – rata kelompok
data
• Langkah :
– Kelompokan data menjadi dua kelompok
– Hitung rata – rata hitung dan letakkan di tengah
kelompok ( K1 dan K2), menjadi nilai konstanta (a)
dan letak tahun merupakan tahun dasar
– Hitung selisih K2 – K1
• K2 – K1 > 0 = Tren positif
• K2 – K1 < 0 = Tren negatif

14
 Lanjutan………….

• Langkah berikut
– Tentukan nilai perubah tern (b) dengan cara :

b=
K2 – K1
th dasar 2 – th dasar 1
– Persamaan tren ; Y’ = a + b.X
Untuk mengetahui besarnya tren, masukan nilai
(X) pada persamaan
– Untuk data ganjil, data (tahun) tengah dapat
dihilangkan atau dihitung dua kali

15
 Contoh
Untuk Nilai (a)
Tahun Penjualan Rata 2 Nilai X tahun dasar
-2002 = 131.0
2000 2005 -2006 = 152.8
2000 150 -2 -6
2001 140 -1 -5 Untuk Nilai (b)
= (152.8 – 131.0)/
2002 125 131.0 0 -4 (2006 – 2002)
2003 110 1 -3 = 5.45
2004 130

2004 130 2 -2
2005 150 3 -1
2006 156 152.8 4 0
2007 160 5 1
2008 168 6 2
16
 Lanjutan …….

• Maka persamaan tren

– Tahun dasar 2002
Y’ = 131+ 5.45 (X)
– Tahun dasar 2006
Y’ = 152.8 + 5.45 (X)
• Peramalan tahun 2009
– Y’ = 131+ 5.45 (7) = 169.15
– Y’ = 152.8 + 5.45 (3) = 169.15

17
 Metode kuadrat terkecil
• Dengan menentukan garis tren yang
mempunyai jumlah terkecil dari kuadrat selisih
data asli dengan data pada garis tren
• Persamaan ; Y’ = a + b. (X)
• Mencari nilai koefisien
a = (∑ Y ) / n
b = (∑XY) / (∑X)2

18
 Contoh Kasus
Tahun Penjualan Kode X Y.X X²
Y (tahun) Persamaan tren
2000 150 -3.5 -525 12.25 Y’ = a + b(X)
Y’ = 144.875 +
2001 140 -2.5 -350 6.25 6.8928 (X)
2002 125 -1.5 -187.5 2.25
Peramalan tahun
2003 110 0.5 55 0.25 2008 :
2004 150 0.5 75 0.25 (X) = 4.5
Maka :
2005 156 1.5 234 2.25
Y’ = 144.875 +
2006 160 2.5 400 6.25 6.8928. (4.5)
Y’ = 175.892
2007 168 3.5 588 12.25
Total 1159 289.5 42

= 1159 / 8
a 144.875
b 6.89285714 =289.5 / 42
19
 Memilih Tren yang baik

• Dalam memilih metode tren yang baik dapat

digunakan ukuran ketepatan
• Ukuran ketepatan Adalah seberapa tepat
sebuah alat peramalan tersebut menduga
kejadian yang sebenarnya
• Alat ukur yaitu ∑(Y – Y’)2 paling kecil

20
 Variasi Musiman
• Variasi musiman berhubungan dengan
perubahan atau fluktuasi dalam musim-musim
tertentu atau tahunan
• Fluktuasi dalam satuan
– Bulanan
– Triwulan
– Semester
• Jadi perubahan < 1 tahun

21
Metode Perhitungan Variasi Musim
• Metode rata – rata sederhana
• Metode rata – rata dengan tren
• Metode rata – rata bergerak

22
 Metode rata – rata sederhana
• Asumsi bahwa pengaruh tren dan siklus yang
tidak beraturan tidak besar dan dapat
dianggap tidak ada
• Indeks musim
= [Rata-rata perkuartal x 100] / Rata-rata total

• Lihat contoh

23
 Contoh kasus data tingkat produksi dalam 3 kuartal

Produksi Triwulan
Tahun Padi (ton) I II III
2001 63 25 20 18
2002 77 32 25 20
2003 75 23 32 20
2004 82 28 30 24
2005 89 31 33 25
2006 90 32 35 23
Total 476 171 175 130
Rata-rata 79.33 28.50 29.17 21.67
Rata-rata total 26.44

= 79.33 / 3 Rata-rata triwulan

24
 Contoh kasus data tingkat produksi dalam 3 kuartal

• Menentukan indek musim

– I = ( 28.50 x 100 ) / 26.44 = 107.79
– II = ( 28.17 x 100 ) / 26.44 = 106.54
– II = ( 21.67 x 100 ) / 26.44 = 81.96
• Jika direncanakan panen padi tahun 2008 sebesar
120 ton, maka :
– Rata-rata total setiap triwulan
= 120 / 3 = 40 ton
– Maka untuk mencari target per-triwulan :
= ( Indek musim x rata-rata total ) / 100

25
 Contoh kasus data tingkat produksi dalam 3 kuartal

• Menentukan target per triwulan

– I = ( 107.79 x 40 ) / 100 = 43.116 ton
– II = ( 106.54 x 40 ) / 100 = 42.616 ton
– II = ( 81.96 x 40 ) / 100 = 32.784 ton

Perkiraan produksi padi

Setiap triwulan

26
 Metode rata – rata dengan tren
• Suatu metode rata – rata yang disesuaikan
dengan tren
• Perbandingan antara nilai data asli dengan
nilai tren
• Rumusan : Nilai data asli
Indeks musim = x 100
Nilai tren

27
 Persamaan Metode Rata – rata dengan Tren

• Persamaan tren
Y = a + b.(X)
• Koefisien a
a = ∑Y / n
• Koefisien b
b = ∑XY / X²

28
 Contoh kasus
Produksi
Tahun Y X XY X²
2001 63 -2.5 -157.5 6.25
2002 77 -1.5 -115.5 2.25
2003 75 -0.5 -37.5 0.25
2004 82 0.5 41 0.25
2005 89 1.5 133.5 2.25
2006 90 2.5 225 6.25
Total 476 89 17.5
a 79.333
a = 476/6
b 5.086
b = 89/17.5
29
 Contoh kasus
• Persamaan
tren Produksi

Y = 79.333 + TH Y X XY X² Y' Y - Y'

5.086 (X) 2001 63 -2.5 -157.5 6.25 66.618 -3.618

• Masukan 2002 77 -1.5 -115.5 2.25 71.704 5.296

nilai X ke 2003 75 -0.5 -37.5 0.25 76.790 -1.790
persamaan, 2004 82 0.5 41 0.25 81.876 0.124
maka akan 2005 89 1.5 133.5 2.25 86.962 2.038
diperoleh 2006 90 2.5 225 6.25 92.048 -2.048
nilai Y’ Total 476 89 17.5 475.998

30
 Contoh kasus
• Menghitung indeks
musim
Indek
• Th 2002
Produksi

Tahun Y Y' Musim

= (77 / 71.70) x 100
2001 63 66.62 94.57
= 107.39
2002 77 71.70 107.39

2003 75 76.79 97.67

2004 82 81.88 100.15

2005 89 86.96 102.34

2006 90 92.05 97.78

31
Metode Rasio Rata – rata Bergerak
• Suatu metode yang dilakukan dengan cara
membuat rata – rata bergerak
• Indeks musim rasio rata-rata bergerak :
Indeks musim = Nilai ratio x faktor koreksi

= Data asli / data rata-rata bergerak

= (100 x n ) / jumlah rata-rata selama n

32
 Contoh Kasus
60 + 65 + 70 = 195
65 + 70 + 75 = 210

Tahun Triwulan Data asli Total bergerak Rata - Indeks -

3 triwulan rata Ratio
I 60
2005 II 65 195 65.00 100
III 70 210 70.00 100
I 75 223 74.33 101
2006 II 78 233 77.67 100
III 80 233 77.67 103
I 75 223 74.33 101
2007 II 68 213 71.00 96
III 70 (75 / 74.33) x 100
Total 641 1530 510.00 701
33
 Contoh Kasus
Triwulan
Indeks musim kuartalan :
Tahun I II III
Triwulan I
2005 100 100
= 67 x 1,284 = 86,028
2006 101 100 103
Triwulan II
2007 101 96
= 99 x 1,284 = 127,116
Rata-rata 67 99 68
Triwulan III
Total rata-rata 234 = 68 x 1,284 = 87,312
Faktor koreksi 1,284

(67 + 99 + 68) / 3 Angka indek triwulan

= (100 x 3 ) / 234 ini yang digunakan
sebagai peramalan
selanjutnya

34
 Contoh Menentukan Rata – Rata bergerak

(60+65+70) / 3
Triwulan Data asli Rata - rata bergerak per
3 4 5
(60+65+70+75) / 4
I 60
II 65 65 68
III 70 70 72 70
I 75 74 76 74
II 78 78 77 76 (60+65+70+75+78) / 5

III 80 78 75 75
I 75 74 73 74
II 68 71 53
III 70

35
 Analisa Variasi Siklus
• Variasi siklus
– Suatu perubahan atau gelombang naik dan turun
dalam suatu periode dan berulang pada periode
lain
• Dalam perekonomian mengalami gelombang
siklus, yaitu :
– Resesi
– Pemulihan Mempunyai
– Ledakan - boom Periode disebut
– Krisis Lama siklus

36
 Indek Siklus
• Komponen data berkala
– Y=TxSxCxI
• Dimana Y, T dan S diketahui, maka CI diperoleh
dengan cara :
– Y / S = T.C.I
– T.C.I adalah data normal, maka unsur tren (T)
dikeluarkan
– C.I = TCI / T

37
 Contoh
Indeks musimKasus
C = Rata-rata bergerak dari CI
T = Y’ (kuadrat terkecil

Tahun Triwulan Y T S TCI =Y/S CI=TCI/T C

I 60 47.56
2005 II 65 53.47 100.00 65.00 121.56 C : indeks
yang men
III 70 59.39 100.00 70.00 117.87 117.75 yatakan
I 75 65.31 100.90 74.33 113.82 113.58 adanya
pengaruh
2006 II 78 71.22 100.43 77.67 109.05 107.85
siklus da
III 80 77.14 103.00 77.67 100.68 99.74 lam data
I 75 83.06 100.90 74.33 89.50 89.99
2007 II 68 88.97 95.77 71.00 79.80
III 70 94.89
Total 641

38
 Analisa gerak Tak Beraturan
• Gerak tak beraturan – Irregular movement
– Suatu perubahan kenaikan dan penurunan yang
tidak beraturan baik dari sisi waktu dan lama dari
siklusnya
• Penyabab gerak tak beraturan
– Perang
– Krisis
– Bencana alam dll

39
 Indeks Gerak Tak Beraturan
• Komponen data berkala sudah diketahui
–Y=TxSxCxI
– CI = Faktor siklus
– C = Siklus
• Maka I = CI / C

40
 Indek tak beraturan
Contoh Kasus I2005.3 = 117.87 /117.75
= 100.10

Tahun Triwulan Y T S TCI =Y/S CI=TCI/T C I

I 60 47.56
2005 II 65 53.47 100.00 65.00 121.56
III 70 59.39 100.00 70.00 117.87 117.75 100.10
I 75 65.31 100.90 74.33 113.82 113.58 100.21
2006 II 78 71.22 100.43 77.67 109.05 107.85 101.11
III 80 77.14 103.00 77.67 100.68 99.74 100.94
I 75 83.06 100.90 74.33 89.50 89.99 99.45
2007 II 68 88.97 95.77 71.00 79.80
III 70 94.89
Total 641
41
 ARIMA

(Autoregressive Integrated Moving

Average)

42
 Batasan (Syarat) ARIMA
• Data wajib bersifat stokastik
– data sekarang dipengaruhi oleh data periode
sebelumnya
– Lihat Grafik Auto Correlation Function (ACF)
• Data harus bersifat Stationer
– Jika tidak stasioner harus distasionerkan dulu dengan
differencing
• Memiliki deret minimal 50 observasi
– bisa kurang bisa lebih tergantung pola data
• Beberapa Uji harus terpenuhi untuk
mendapatkan model yang baik
43
 Tahapan Pemodelan ARIMA
1. Identifikasi Model
2. Estimasi Parameter
3. Validasi Model (Diagnostic Cheking)
4. Peramalan (Forecast)

44
 Keluarga ARIMA
• Autoregressive (AR) : dipengaruhi oleh data pada
periode sebelumnya
• Moving Average (MA) : dipengaruhi oleh residual
data periode sebelumnya
• Autoregressive Moving Average (ARMA) :
dipengaruhi oleh data dan residual periode
sebelumnya
• Autoregressive Integrated Moving Average
(ARIMA) : dipengaruhi oleh data dan residual
periode sebelumnya yang di differencing
• Musiman/Seasonal ARIMA (SARIMA)
45
 Model AR(p)

Zt  1Zt 1  2 Zt 2  ...   p Zt  p  at

• Contoh AR(1) :

Zt  1Zt 1  at

46
 Model MA(q)

Zt  at  θ1at 1  θ2 at 2  ...  θq at q

• Contoh MA(1) :

Z t  at  1at 1

47
 Model ARMA(p,q)
Zt 1Zt 1  2 Zt 2  ...   p Zt  p  at  θ1at 1  θ2at 2  ... θq at q

• Contoh ARMA(1,1) :

Zt  1Zt 1  at  θ1at 1

48
 Model ARIMA(p,d,q)
• Contoh ARIMA (1,1,1)

Wt  1Wt 1  at  θ1at 1
• Dimana:
Wt  Z t  Z t 1

49
 Model SARIMA(P,D,Q)s
• Contoh Model SARIMA (1,1,1)12

Wt 1Wt 12  at 1at 12

• dimana:
Wt  Z t  Z t 1

50
 Langkah2 Pemodelan ARIMA
1. Melihat stasioneritas data
– Plot data, Plot ACF, atau ADF Test
2. Identifikasi beberapa kemungkinan model yang
bisa dibentuk dengan melihat lag yang signifikan
pada plot ACF dan plot PACF (lihat tabel)
3. Estimasi parameter Model ARIMA, uji
signifikansi parameter, dan nilai AIC
4. Periksa asumsi residual dengan uji kenormalan
residual dan uji residual correlogram
51
 Stasioneritas Data
• Plot ACF
• Tes ADF (Augmented Dickey Fuller)
– H0 : data deret waktu tidak stasioner
– H1 : data deret waktu stasioner

52
 PACF dan ACF
• PACF : Fungsi autokorelasi parsial adalah
korelasi antara 2 data setelah pengaruh dari
data yang lain dihilangkan
• ACF : hubungan antar pasangan data

53
 Dying down fairly quickly versus extremely slowly

1 Dying down fairly quickly stationary time

series (usually)

0 Lag k
8

-1

Dying down extremely slowly nonstationary time

1 series (usually)

0 Lag k
8

-1
54
 ACF for stationary time series
dies down
1 (exponential)
1 cuts off

0 0
8 Lag k 8 Lag k
no oscillation

-1 -1

dies down dies down

1 (exponential) 1 (sinusoidal)

0 0
8 Lag k 8 Lag k

-1 oscillation -1

55
 Identifikasi Model
• Metode Correlogram
• Salah satu metode yang biasa digunakan
untuk mengidentifikasi model ARIMA yaitu
menggunakan plot partial autocorrelation
function (PACF) dan plot autocorrelation
function (ACF)
• mengidentifikasi ordo (p) autoregressive (AR)
dan ordo (q) moving average (MA) dari model
ARIMA

56
 Bentuk PACF dan ACF u/ ARIMA

Model ACF PACF

turun cepat secara
AR(p) terputus setelah lag p
eksponensial / sinusoidal
turun cepat secara
MA(q) terputus setelah lag q
eksponensial / sinusoidal
ARMA(p,q) turun cepat setelah lag (q-p) turun cepat setelah lag (p-q)

Sumber:
Wei, W.W.S., 1990. Time Series Univariate and Multivariate Methods, Addison Wesley
Publishing Company Inc, Canada.

57
58
 Estimasi parameter Model ARIMA

• Gunakan software gretl

59
Uji signifikansi parameter dan nilai AIC

60
Uji Kenormalan Residual

61
Uji Residual Correlogram

62