MAKALAH EKONOMETRIKA

“ KONSEP DASAR ANALISIS TIME SERIES”

Dosen Pengampuh : IRWANDI, S.Sy,.M.E.Sy

Di Susun Oleh :

Sama’un Darma Yuda

Gayanti MandaSari

Program Studi : Perbankan Syari’ah

Semester : VII ( TUJUH)

SEKOLAH TINGGI AGAMA ISLAM (STAI) HUBBULWATHAN DURI

2020/2021

i
 Puji dan syukur kami panjatkan kehadirat Allah Swt, karena berkat rahmat dan

karuniaNya kami dapat menyelesaikan makalah ini dengan judul “Konsep Dasar Analisis Time

Series” dengan tepat waktu. Penulisan makalah ini bertujuan untuk memenuhi nilai tugas mata

kuliah Ekonometrika , selain itu makalah ini juga bertujuan untuk menambah pengetahuan

kami sebagai penulis dan khususnya bagi kami yang merupakan mahasiswa STAI

Hubbulwathan Duri Jurusan Perbankan Syariah. Kami mengucapkan banyak terima kasih pada

semua pihak yang telah membantu dalam menyelesaikan makalah ini. Tak ada gading yang tak

retak. Tentunya dalam penyusunan makalah ini, masih jauh dari kesempurnaan. Kritik dan

saran yang membangun, sangat kami butuhkan demi kesempurnaan dalam karya kami kedepan.

Dengan adanya makalah ini kami berharap makalah ini dapat bermanfaat bagi pembaca pada

umumnya dan Bagi mahasiswa Perbankan Syariah pada khususnya.

Duri, 29 September 2020

Penulis

ii
 BAB I
PENDAHULUAN

A. Latar Belakang

Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan
terjadi pada masa yang akan datang. Metode peramalan adalah cara untuk memperkirakan
secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang
relevan pada masa lalu.
Data time series adalah sekumpulan data pengamatan yang diperoleh dari perhitungan
dari waktu kewaktu. Pada umumnya pengumpulan dan pencatatan itu dilakukan dalam jangka
waktu tertentu misalnya tiap bulan, tiap akhir tahun, sepuluh tahun dan sebagainya. Contoh
data time series adalah pertumbuhan ekonomi suatu negara pertahun, jumlah produksi minyak
perbulan, indeks harga saham perhari.
Hal yang perlu diperhatikan pada peramalan data time series adalah galat error, dimana
merupakan bagian yang tidak terpisahkan dalam metode peramalan. Hasil dariprediksi
sangatlah jarang yang sama dengan data sesungguhnya, maka seorangperamal 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.
Deret berkala dan peramalan menganalisis perubahan dalam bisnis dan aktivitas
ekonomi pada waktu yang lalu berdasarkan gerakan time series (runtut waktu). Data deret
berkala adalah sekumpulan data yang dicatat dalam suatu periode tertentu. Analisis terhadap
masa lampau penting karena hal ini akan memberi kesempatan pada pengusaha untuk membuat
ramalan yang lebih akurat untuk aktivitas yang akan dating. Manfaat analisis data berkala
adalah mengetahui kondisi masa mendatang. Peramalan kondisi mendatang bermanfaat untuk
perencanaan produksi, pemasaran, keuangan dan bidang lainnya. Hasil dari analisis runtut
waktu akan meningkatkan efisien dalam mengambil keputusan.

B. Rumusan Masalah

1. Apa itu Time Series?

2. Bagaimana Uji Stasioneritas, Regresi Palsi, Ko-intregrasi dan ECM?

1
 BAB II

PEMBAHASAN

A. Pengertian Analisis Time Series

Analisis time series adalah analisis perbandingan data dengan data keuangan periode
sebelumnya (perbandingan dengan data historis). Forecasting digunakan untuk
memproyeksikan kondisi keuangan pada masa mendatang.
Dalam analisis data keuangan, analisis terhadap data historis diperlukan untuk melihat
tren-tren yang mungkin timbul. Kemudian kita bisa menganalisis apa yang terjadi dibalik tren-
tren angka tersebut. Data historis perusahaan sebaiknya juga dibandingkan dengan data historis
industri untuk melihat apakah tren suatu perusahaan begerak relatif lebih baik terhadap tren
industri. Tiga pendekatan dalam analisis time series (Endah. 2014)
a) Pendekatan Ekonomi
b) Pendekatan Statistik
c) Pendekatan Visual

B. Time Series Indeks

Teknik ini bisa menggunakan angka indeks bisa juga angka-angka yang ada dalam
laporan keuangan disusun dan disajikan dalam rentang waktu berseri misalnya 5 atau 10 tahun.
Jika laporan ini dikonvensi menjadi angka indeks maka menjadi laporan indeks berseri. Semua
laporan keuangan yang dibandingkan secara berseri dikonvensikan ke indeks. Untuk
menentukan indeks ini maka menentukan tahun dasar. Tahun dasar ini dipilih menurut kriteria
tertentu misalnya dipilih tahun pendirian sebagai tahun dasar atau tahun tertentu yang bisa
dijadikan sebagai suatu momen penting agar kita lebih mudah dan lebih cepat melakukan
perbandingan dengan indeks tahun lainnya (Suharyadi. 2008)

C. Analisa Tren
Analisa tren ini bertujuan untuk mengetahui tendensi atau kecenderungan keadaan
keuangan suatu perusahaan dimasa yang akan datang baik kecenderungan naik, turun, maupun
tetap. Teknik analisa ini biasanya dipergunakan untuk menganalisa laporan keuangan yang
meliputi minimal 3 periode atau lebih. Analisa ini dimaksudkan untuk mengetahui
perkembangan perusahaan melalui rentang perjalanan waktu yang sudah lalu dan memproyeksi
situasi masa itu kemasa yang berikutnya. Berdasarkan data historis itu, dicoba melihat

2
kecenderungan yang mungkin akan muncul di masa yang akan datang. Analisa trend ini
bermanfaat untuk menilai situasi “tren” perusahaan yang telah lalu serta dapat memprediksi
“tren” perusahaan di masa yang akan datang berdasarkan garis tren yang sudah terjadi itu
(Endah. 2014)
Untuk melakukan analisa trend series berindeks (untuk hal-hal tertentu bisa dipakai
dalam teknis trend) ini maka dapat melakukannya melalui:
a) Metode statistik dengan cara menghitung garis trend dari laporan keuangan beberapa
periode.
b) Menggunakan angka indeks.

Langkah-langkah untuk melakukan analisa trend berindeks ini adalah sebagai berikut
(Nurhayati. 2014) :
a) Menentukan tahun dasar. Tahun dasar ini ditentukan dengan melihat arti suatu tahun bisa
tahun pendirian, tahun perubahan, atau reorganisasi, dan tahun bersejarah lainnya. Pos-pos
laporan keuangan tahun dasar dicatat sebagai indeks 100.
b) Menghitung angka indeks tahun-tahun lainnya dengan menggunakan angka pos laporan
keuangan tahun dasar sebagai penyebut.
c) Memprediksi kecenderungan yang mungkin bakal terjadi berdasarkan arah dan
kecenderungan historis pos laporan keuangan yang dianalisa.
d) Mengambil keputusan mengenai hal-hal yang harus dilakukan untuk mengantisipasi
kecenderungan itu.

D. Analisis Data Keuangan

Data penjualan mencerminkan empat macam faktor (Endah. 2014) yaitu :
a) Trend
Trend merupakan pergerakan time series dalam jangka panjang, bisa merupakan tren
naik atau turun. Diperlukan waktu jangka panjang (15 atau 20 tahun) untuk melihat pola trend
tersebut. Trend tersebut bisa dipengaruhi oleh perubahan jumlah penduduk, perubahan
teknologi, dan lain-lain.
b) Siklus
Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek (sekitar 2–10 tahun).
Belum ada penjelasan yang memuaskan terhadap timbulnya fluktuasi siklus. Lamanya dan
besarnya fluktuasi juga sangat beragam dari perusahaan ke perusahaan dan dari industri ke
industri.

3
c) Musiman
Musiman merupakan fluktuasi yang terjadi dalam lingkup satu tahun.Ada beberapa
penyebab timbulnya fluktuasi musiman, misalnya karena peristiwa tertentu (lebaran, tahun
baru), karena cuaca (musim hujan, kemarau).
d) Ketidakteraturan (Irregularities)
Fluktuasi semacam ini disebabkan karena faktor-faktor yang munculnya tidak teratur,
dalam jangka waktu pendek. Misalnya gudang perusahaan terbakar, akibatnya keuntungan
perusahaan pada periode itu terpengaruh.

a. Mengukur Pengaruh Trend

Trend suatu data bisa dilihat dengan cara (Endah. 2014) yaitu :
a) Menggambar dengan tangan
Yaitu dengan cara menarik garis lurus disekitar data-data yang ada.
Kelebihan: sangat praktis dan sederhana, kelemahan: kurang konsisten (subyektif).
b) Menggunakan model matematika (metode least square)
Yaitu menggambarkan garis lurus sedemikian rupa sehingga selisih kuadrat
antara garis lurus tersebut dengan data yang sesungguhnya, yang paling kecil.
Kelebihan : obyektif, kelemahan: terlalu mekanistis.
Rumus:
Yt = a + b X
a = ∑ (Y) – b ∑ (X)
b = ( ∑XY – n∑ (X) ∑ (Y)) / (∑ X2 – n ∑ (X)2)

b. Trend Sebagai Proyeksi Masa Depan

Untuk memakai persamaan tren sebagai proyeksi masa depan, seorang analis harus
hati-hati terhadap asumsi yang digunakan. Trend garis lurus mengasumsikan perkembangan
yang konstan untuk masa-masa yang akan mendatang. Padahal beberapa situasi, penjualan
tumbuh merambat pada periode berikutnya. Misalnya suatu produk baru diluncurkan,
pertumbuhan pada awal periode akan sangat cepat. Kemudian memasuki tahap kedewasaan,
pertumbuhan tersebut akan semakin melambat.
Rumus:
Y = a + b X + c X2
log Y = a + b log X

4
 c. Analisis Siklus
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah (2–10 tahun). Pengaruh
siklus dapat dilihat dengan persentase tren yang dirumuskan sebaga berikut
% Trend = Y / Yt x 100
Ada kecenderungan siklus dengan jangka waktu 7 tahun.Tahun 2000 menunjukkan
penjualan tinggi, penjualan tinggi tersebut muncul lagi tahun 2008.

d. Analisis Musiman
Menurut Nurhayati (2014) Analisis musiman akan bermanfaat pada beberapa situasi.
Pertama, apabila analis ingin melihat pengaruh musiman dan memanfaatkan informasi tersebut
untuk tujuan tertentu. PT A mempunyai anggaran penjualan tahun 2009 sebesar Rp
1.000.000.000 (per triwulan Rp 250.000.000) dan mempunyai indeks musiman:
Triwulan I : 0,99
Triwulan II : 1,01
Triwulan III : 0,90
Triwulan IV : 1,10

Anggaran penjualan
Indeks
Triwulan Anggaran Penjualan dengan
musiman
(1) (3) pengaruh musiman
(2)
(4)=(2)x(3)
I 0,99 250.000.000 247.500.000
II 1,01 250.000.000 252.500.000
III 0,90 250.000.000 225.000.000
IV 1,10 250.000.000 275.000.000
Total anggaran penjualan 1.000.000.000

Kedua, apabila analis ingin menghilangkan pengaruh musiman untuk melihat pengaruh
trend, siklus, dan ketidakteraturan secara lebih jelas.

Anggaran Penjualan
Indeks Anggaran penjualan tanpa
Triwulan dengan pengaruh
musiman pengaruh musiman
(1) musiman
(2) (4) = (3) / (2)
(3)

5
 I 0,99 247.500.000 250.000.000
II 1,01 252.500.000 250.000.000
III 0,90 225.000.000 250.000.000
IV 1,10 275.000.000 250.000.000
Total anggaran penjualan 1.000.000.000

E. Stasioneritas

Dalam berbagai studi ekonometrik, data time series paling banyak digunakan. namun,
penggunaan time series tidak lepas dari permasalahan autokorelasi yang sudah dibahas
sebelumnya. tetapi kali ini kita tidak akan membahas autokorelasi lagi. kali ini kita akan bahas
bentuk lain dari autokorelasi yaitu stasioneritas. karena autokorelasi mengakibatkan data
menjadi tidak stasioner.

Penentuan stasioner ini sangatlah penting. Hal ini berkaitan dengan dengan metode
estimasi yang digunakan. Seperti yang sudah dijelaskan sebelumnya bahwa jenis data yang
digunakan akan menetukan estimasi yang digunakan. namun secara umum banyak metode
dalam membuat model-model ekonometrik dengan data time series yang mengharuskan kita
menggunakan data yang stasioner. jadi, patutlah kita mengatakan stasioneritas menjadi
masalah penting dalam analisis data time series.

Ide dasar dari stasioneritas adalah hukum probabilitas mengharuskan proses tidak
berubah sepanjang waktu, dengan kata lain proses dalam keadaan setimbang secara statistik
(Cryer, 1986). Sekumpulan data dinyatakan stasioner jika nilai rata-rata dan varian dari data
time series tersebut tidak mengalami perubahan secara sistematik sepanjang waktu, atau
sebagian ahli menyatakan rata-rata dan variannya konstan (nachrowi dan haridus usman, 2006).

Sebelum kita masuk dalam uji stasioneritas, perlu kita mengetahui beberapa model time series
stokastik yang tidak stasioner:

1. Random walk tanpa intersep

Random walk tanpa intersep akan mengalami rata-rata konstan pada awalnya, namun
nilai variansnya meningkat sejalan dengan bertambahannya waktu.

6
 2. Random walk dengan intersep
Sedangkan random walk dengan intersep tidak hanya variansnya yang tidak
konstan tetapi juga rata-ratanya meningkat sejalan dengan bertambahnya waktu.

3. Random walk dengan trend

salah satu variasi model random walk adalah dengan menambahkan trend dengan
modelnya. sehingga modelnya berubah menjadi:

berdasarkan hasil tersebut. walaupun nilai variansnya konstan namun nilai rata-ratanya
berubah sepanjang waktu. sehinga model masih belom stasioner.

4. Random walk dengan intersep dan trend

dengan adanya intersep pada model random walk trend akan mengakibatkan rata-rata
dan variansnya tidak konstan.

Pengujian stasioneritas:
1. Grafik
Untuk melihat adanya stasioneritas dapat dengan mudah kita lihat dengan
grafik. grafik tersebut dibuat plot antara observasi dengan waktu. jika terlihat
memiliki rata-rata dan varians konstan, maka data tersebut dapat disimpulkan
stasioner. berikut contoh metode grafik yang merupakan data stasioner:

7
2. Korelogram
Metode grafik diatas memiliki kelamahan dalam objektivitas peneliti. karena
setiap peneliti memiliki pandangan yang bisa berbeda-beda. sehingga, dibutuhkan uji
formal yang akan menguatkan keputusan secara ilmiah. salah satu uji formal tersebut
adalah korelogram. pada dasarnya korelogram merupakan teknik identifikasi stasioner
data time series melalui fungsi autokorelasi(ACF). didapat dengan membuat plot
antara ρk dan k (lag). Plot antara ρk dan k ini disebut korelogram populasi. Dalam
praktek, kita hanya dapat menghitung fungsi otokorelasi sampel (Sample
Autocorrelation Function). untuk data yang stasioner, korelogram menurun dengan
cepat seiring dengan meningkatnya k. Sedangkan untuk data yang tidak stasioner,
korelogram cenderung tidak menuju nol (turun lambat)

8
 Correlogram ini hampir sama dengan metode grafik, karena masih menggunakan unsur
subjektivitas. oleh karena dasar metode ini digunakanlah beberapa metode formal yang
dilakukan untuk menguji hipotesis ρk. dimana hipotesisnya sebagai berikut
h0 :ρk = 0
h1 :ρk ± 0
sehingga apabila terima h0 maka dapat dikatakan data yang digunakan sudah stasioner.

Metode formal yang dimaksud di atas dalam mendeteksi stasioneritas menggunakan

korelogram:

o Uji bartlet

Bartlett menunjukkan bahwa jika suatu time series dibentuk melalui proses white noise, maka
sampel otokorelasi-nya akan berdistribusi normal dengan mean 0 dan standar deviasi 1/
T½, dimana T banyaknya pengamatan, bila ada rk > 0.2 (dua kali standar deviasi), maka
kita yakin dengan kepercayaan 95% bahwa ρ ± 0 dan berarti time series yang sedang kita analis
bukan berasal dari proses white noise. Atau secara matematis dituliskan dengan: rk ± Zα/2 s.e

9
 o Uji box-pierce

Uji ini digunakan untuk mengetahui apakah nilai ρk pada sekumpulan waktu
secara nyata berbeda dengan 0.
untukk menguji hipotesis tersebut tersebut, kita gunakan tes Q yang dikenalkan
oleh Box dan Pierce,

o Uji Ljung-Box
Sejatinya uji ini hampir bisa dibilang kembar. namun, uji ini lebih "powerful".
uji ini cocok untuk sampel yang berukuran kecil

untuk penetuan penolakan hipotesis, hampir sama dengan uji diatas.

2. Uji unit root

kedua metode diatas masih menggunakan subjektivitas sehingga diperlukan uji
formal. uji formal ini disebut uji unit root. uji ini yang paling sering digunakan dalam
melakukan uji stasioneritas. uji ini disebut Dickey-Fuller (DF) test sesuai dengan yang
menciptakan yaitu David Dickey dan Wayne Fuller.dimana menggunakan persamaan
berikut:

sehingga akan membentuk hipotesis sebagai berikut:

H0: δ = 0
H1: δ ≠ 0

Jika kita tidak menolak hipotesis δ = 0, maka ρ = 1. Artinya kita memiliki unit root,
dimana data time series Yt tidak stasioner.

Pada penerapannya, ada tiga bentuk persamaan uji Dickey-Fuller sebagai berikut:

1. Model tanpa intersep

2. Model dengan intersep
3. Model dengan intersep dan memasukkan variabel bebas waktu.

hal ini penting karena akan menetukan model yang digunakan. penetuan dengan atau
tanpa intersep tergantung dari datanya. yang akan digunakan untuk pemilihan model

10
 pada software statistik misalnya EViews. secara umum kita bisa mencobanya masing-
masing model sehingga keputusanya akan lebih tepat.

Model-model sebelumnya mengasumsikan erorr(ut) tidak berkorelasi, Hampir tidak

mungkin. Untuk mengantisipasi adanya korelasi tersebut, Dickey-Fuller
mengembangkan pengujian diatas dengan sebutan: Augmented Dickey-Fuller
(ADF) Test
formulasinya sebagai berikut:

Berdasarkan model tersebut kita dapat memilih tiga model yang akan digunakan untuk
melakukan Uji ADF, model tersebut sama dengan model ADF di atas. Penjelasan
lengkap mengenai uji tersebutdapat dilihat pada Gujarati (2004) halaman 814-818.

Mengatasi Ketidakstasioneran Data Time Series

Apabila suatu data runtun waktu (time series) tidak stasioner atau memilki akar unit, ada
beberapa trik yangg dapat dilakukan untuk menstasionerkan data tersebut. Salah satu caranya
adalah dengan proses difference stokastik, yaitu dengan mengurangkan set data runtun waktu
dengan akar unitnya. Misalkan suatu data runtun waktu memiliki persamaan akar unit:

Maka proses difference stokastiknya adalah,

Data runtun waktu yang tidak di-difference-kan sering juga disebut sebagai data level
dan memiliki lambang difference I(0). Sedangkan untuk data yang telah di-difference-kan pada
orde ke-n memiliki lambang difference I(n). Proses difference stokastik akan mengubah data
runtun waktu yang tadinya tidak stasioner menjadi data runtun waktu yang stasioner dan
memiliki rata-rata serta varians yang konstan antar periodenya.
Proses difference stokastik merupakan salah satu bentuk transformmasi data. Ada beberapa

11
bentuk lain transformasi suatu data, antara lain, transformasi ke bentuk logaritma (log),
logaritma natural (ln), standarisasi (z-score), dll. Tujuan dari transformasi yang lain tersebut
biasanya bukan untuk meghilangkan akar unit atau menstasionerkan data, tetapi
menghilangkan efek satuan, menormalkan data, dsb. Namun, biasanya, data yang
ditransformasi ke bentuk2 tersebut juga menjadi stasioner.

F. Regresi Palsu (Spurious Regression)

Apabila dalam suatu runtun waktu ada data yang tidak stasioner, maka hasil regresi
akan menyebabkan regresi palsu (spurious regression). Meregresikan suatu variabel runtun
waktu terhadap variabel runtun waktu lainnya kadangkala menghasilkan 𝑅 2 yang tinggi
meskipun tidak ada hubungan yang cukup berarti antara keduanya. Situasi ini biasa disebut
dengan spurious regression atau regresi palsu (Wooldridgje, 2009). Koefisien determinasi 𝑅 2
digunakan untuk mengukur besar kontribusi dari variabel X terhadap perubahan variabel Y. Uji
𝑅 2 merupakan angka yang menunjukkan besarnya derajat kemampuan menerangkan variabel
bebas terhadap variabel terikat dari fungsi tersebut. Nilai 𝑅 2 mempunyai sifat 0 ≤ 𝑅 2 ≤
1 dan apabila nilai 𝑅 2 semakin mendekati 1 semakin dekat pula hubungan antara variabel bebas
dengan variabel terikat atau bisa dikatakan model semakin baik. Ciri-ciri regresi palsu
(spurious regression) adalah sebagai berikut :

1. Memiliki 𝑅 2 > D/W (Durbin-Watson).

2. Memiliki nilai signifikansi (t) tinggi.

3. Memiliki nilai D/W (Durbin-Watson) rendah.

Persamaan regresi dapat ditulis sebagai berikut :

𝑌𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + µ𝑡 .

Jika 𝑥𝑡 dan 𝑦𝑡 adalah random walk dengan penyimpangan (drif) dan trend waktu ini tidak
disertakan, masalah regresi spurious bahkan lebih buruk. Jika 𝑦𝑡 adalah tidak stasioner dan
setidaknya beberapa variabel penjelas adalah tidak stasioner, hasil regresi mungkin palsu.

G. Uji Kointegrasi

Uji kointegrasi dipopulerkan oleh Engle dan Granger (1987) (Damodar Gujarati, 2009).
Pendekatan kointegrasi berkaitan erat dengan pengujian terhadap kemungkinan adanya

12
hubungan keseimbangan jangka panjang antara variabel-variabel ekonomi seperti yang
disyaratkan oleh teori ekonomi. Pendekatan kointegrasi dapat pula dipandang sebagai uji teori
dan merupakan bagian yang penting dalam perumusan dan estimasi suatu model dinamis
(Engle dan Granger, 1987). Dalam konsep kointegrasi, dua atau lebih variabel runtun waktu
tidak stasioner akan terkointegrasi bila kombinasinya juga linier sejalan dengan berjalannya
waktu, meskipun bisa terjadi masing-masing variabelnya bersifat tidak stasioner. Bila variabel
runtun waktu tersebut terkointegrasi maka terdapat hubungan yang stabil dalam jangka
panjang, bila dua seri tidak stasioner yang terdiri atas 𝑋𝑡 dan 𝑌𝑡 terkointegrasi, maka ada
representasi khusus sebagai berikut :

𝑌𝑡 = β0 + β1 𝑋𝑡 + ε𝑡

ε𝑡 = 𝑌𝑡 - β0 - β1 𝑋𝑡

Untuk mengetahui runtun waktu stasioner atau tidak stasioner dapat digunakan regresi.
Uji kointegrasi yang digunakan dalam penelitian ini adalah uji kointegrasi yang dikembangkan
oleh Johansen. Uji Johansen menggunakan analisis trace statistic dan nilai kritis pada tingkat
kepercayaan 𝛼 = 5 %. Hipotesis nolnya apabila nilai trace statistic lebih besar dari nilai kritis
pada tingkat kepercayaan 𝛼 = 5 % atau nilai probabilitas (nilai-p) lebih kecil dari 𝛼= 5 % maka
terindikasi kointegrasi.

H. Model Koreksi Kesalahan (Error Correction Model)

Bila dua variabel waktu adalah tidak stasioner tetapi saling berkointegrasi maka dapat
disimpulkan bahwa ada hubungan keseimbangan jangka panjang antara kedua variabel
tersebut. Dalam jangka pendek ada kemungkinan terjadi ketidakseimbangan (disequilibrium),
dan untuk mengatasinya digunakan koreksi dengan model koreksi kesalahan (Error Correction
Model). Model ECM diperkenalkan oleh Sargan, dikembangkan oleh Hendry, dan
dipopulerkan oleh Engle dan Granger. Model ECM mempunyai beberapa kegunaan, namun
penggunaan yang paling utama dalam ekonometrika adalah mengatasi data runtun waktu yang
tidak stasioner dan regresi palsu. Model ECM Engle-Granger dapat didefinisikan sebagai
berikut :

∆𝑌𝑡 = 𝛼0 + 𝛼𝑡 ∆𝑋𝑡 + 𝛼2 𝐸𝐶𝑡 + 𝜀𝑡

dengan 𝐸𝐶𝑡 = 𝑌𝑡−1 − 𝛽0 − 𝛽1 𝑋𝑡−1 , ∆𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−1 ,

13
𝛼1 = koefisien jangka pendek,

𝛽1= koefisien jangka panjang, dan

𝛼2 = koefisien koreksi ketidakseimbangan.

Koefisien koreksi ketidakseimbangan 𝛼2 adalah nilai absolut yang menjelaskan seberapa cepat
waktu yang diperlukan untuk mendapatkan nilai keseimbangan. Apabila nilai probabilitas dari
koefisien 𝛼2 lebih kecil 0.05 maka terindikasi mempunyai hubungan jangka pendek.

14
 BAB III

PENUTUP

A. Kesimpulan

Analisis time series adalah analisis perbandingan data dengan data keuangan periode
sebelumnya (perbandingan dengan data historis). Forecasting digunakan untuk
memproyeksikan kondisi keuangan pada masa mendatang.
Dalam analisis data keuangan, analisis terhadap data historis diperlukan untuk melihat
tren-tren yang mungkin timbul. Kemudian kita bisa menganalisis apa yang terjadi dibalik tren-
tren angka tersebut. Data historis perusahaan sebaiknya juga dibandingkan dengan data historis
industri untuk melihat apakah tren suatu perusahaan begerak relatif lebih baik terhadap tren
industri. Tiga pendekatan dalam analisis time series (Endah. 2014)
d) Pendekatan Ekonomi
e) Pendekatan Statistik
f) Pendekatan Visual

Ide dasar dari stasioneritas adalah hukum probabilitas mengharuskan proses tidak
berubah sepanjang waktu, dengan kata lain proses dalam keadaan setimbang secara statistik
(Cryer, 1986). Sekumpulan data dinyatakan stasioner jika nilai rata-rata dan varian dari data
time series tersebut tidak mengalami perubahan secara sistematik sepanjang waktu, atau
sebagian ahli menyatakan rata-rata dan variannya konstan (nachrowi dan haridus usman, 2006).

Apabila dalam suatu runtun waktu ada data yang tidak stasioner, maka hasil regresi
akan menyebabkan regresi palsu (spurious regression). Meregresikan suatu variabel runtun
waktu terhadap variabel runtun waktu lainnya kadangkala menghasilkan 𝑅 2 yang tinggi
meskipun tidak ada hubungan yang cukup berarti antara keduanya. Situasi ini biasa disebut
dengan spurious regression atau regresi palsu (Wooldridgje, 2009). Koefisien determinasi 𝑅 2
digunakan untuk mengukur besar kontribusi dari variabel X terhadap perubahan variabel Y. Uji
𝑅 2 merupakan angka yang menunjukkan besarnya derajat kemampuan menerangkan variabel
bebas terhadap variabel terikat dari fungsi tersebut. Nilai 𝑅 2 mempunyai sifat 0 ≤ 𝑅 2 ≤
1 dan apabila nilai 𝑅 2 semakin mendekati 1 semakin dekat pula hubungan antara variabel bebas
dengan variabel terikat atau bisa dikatakan model semakin baik.

15
 DAFTAR PUSTAKA

Endah, Oktafia. 2014. Analisis Time Series. (https://oktafiaendah.wordpress.com/

2014/06/10/analisis-time-series )

Nurhayati, Lisa, 2014. Analisis Time Series dan Forescasting.http://tugas-alk.

blogspot.co.id/2014/06/analisis-times-series-dan-forecasting.html )

Suharyadi dan Purwanto S.K. (2008). Statistika untuk Ekonomi dan Keuangan Modern Edisi
2. Buku 1. Penerbit Salemba Empat Jakarta.

Damodar, N. Gujarati and Dawn C Porter (2009). Basic Econometrics, Fifth Edition. New
York: McGraw-Hill Irwin.
Wooldridgje, Jeffrey M (2009). Introductory Econometrics, Fourth Edition. Canada : South-
Westren.
Winarno,Wing Wahyu (2009). Analisis Ekonometrika dan Statistika dengan Eviews, Edisi
kedua.Yogyakarta : Unit Penerbit dan Percetakan (UPP STIM YKPN).
Widarjono, Agus (2009). Ekonometrika Pengantar dan Aplikasinya,Edisi ketiga. Yogyakarta :
Ekonosia.
Web 1 :
Endri, Analisis Faktor-faktor yang Mempengaruhi Inflasi. Jurnal Ekonomi Pembangunan
hal.1-13. Vol.13 No.1 April 2008.
Web 2 :
Kusuma, Briliant Vanda (2008). Analisis Faktor yang Mempengaruhi Konsumsi Masyarakat
di Indonesia (Tahun 1988-2005). Fakultas Islam Indonesia, Jogjakarta.

16