BT - Analisis Deret Berkala - Jimmy Ludin, SST.,M.si - 2131
BT - Analisis Deret Berkala - Jimmy Ludin, SST.,M.si - 2131
BERKALA
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?
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
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)
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.
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
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)
12
METODE RATA-RATA BERGERAK
(Rata-rata bergerak tertimbang)
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 …….
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
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
24
Contoh kasus data tingkat produksi dalam 3 kuartal
25
Contoh kasus data tingkat produksi dalam 3 kuartal
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
30
Contoh kasus
• Menghitung indeks
musim
Indek
• Th 2002
Produksi
32
Contoh Kasus
60 + 65 + 70 = 195
65 + 70 + 75 = 210
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
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
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
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
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
0 Lag k
8
-1
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
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
Sumber:
Wei, W.W.S., 1990. Time Series Univariate and Multivariate Methods, Addison Wesley
Publishing Company Inc, Canada.
57
58
Estimasi parameter Model ARIMA
59
Uji signifikansi parameter dan nilai AIC
60
Uji Kenormalan Residual
61
Uji Residual Correlogram
62