Anda di halaman 1dari 67

ANALISIS DATA

BERKALA

Diklat Fungsional Statistisi Tingkat


Ahli

APA ITU DATA BERKALA ???


t Data yang dikumpulkan dari waktu ke
waktu;
t Digunakan untuk menggambarkan
perkembangan suatu kegiatan;
t Data berkala yang khas merupakan
kombinasi dari 4 (empat) komponen;

Contoh data berkala

Luas panen padi


Harga saham
Curah hujan
Tingkat kecelakaan di jalan tol
Jumlah penumpang angkutan

4 (EMPAT) KOMPONEN VARIASI DATA BERKALA


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

MACAM-MACAM METODE
PERAMALAN
Permasalahan semakin kompleks
kebutuhan untuk memahami
masa depan dengan kerangka
pikir yang rasional.
Pengambilan keputusan
Peramalan
Peramal
memperkecil
kesalahan

Lanjutan
Hal yang harus diperhatikan dalam
meramal:
Pengumpulan data yang relevan,
berupa informasi yang dapat
menghasilkan peramalan yang
akurat.
Pemilihan teknik peramalan yang
tepat, dengan memanfaatkan
informasi yang diperoleh seoptimal

Metode Peramalan
Metode Kualitatif (subjektif)
mengandalkan judgment dan
intuisi manusia dari pada data
historis. (pengambilan keputusan
yang cepat)
Faktor-faktor yang
dipertimbangkan bisa banyak
atau sedikit, tp semuanya bersifat
individual dan tidak dapat ditiru
contoh: metode delphi, riset

Lanjutan
Metode Kuantitatif
Diterapkan dengan kondisi:
tersedia informasi masa lalu;
informasi dalam bentuk data
numerik; diasumsikan aspek pola
masa lalu berhubungan dengan
masa yang akan datang.

Lanjutan
Menurut Makridakis, dkk (1998):
peramalan kuantitatif dibagi 2 jenis
model peramalan yang utama yaitu
metode kausal (regresi) dan metode
time series (data berkala)

Metode Kausal
Pendugaan masa depan (variabel
tak bebas) didasari suatu asumsi
yang menunjukkan suatu hubungan
sebab-akibat dengan satu atau
lebih variabel bebas.
Contoh:
Penjualan=f(pendapatan, harga,
iklan, dll)

Metode Time Series (data


berkala)
Pendugaan masa depan
berdasarkan pada nilai masa lalu
dari suatu variabel.
Menitikberatkan pada pola data,
perubahan pola data, dan faktor
gangguan (disturbance) yang
disebabkan oleh pengaruh acak
(random)
Tujuan: menemukan pola dalam
data berkala dan

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).

Tahun (X)

Tahun (X)

Trend Positif

Trend Negatif

Y = a + b.X

Y = a b.X

Contoh lain dari trend


(kecenderungan)

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.
Siklus Indeks Saham Gabungan
2, 5
2

IH S G

1, 5
1
0, 5
0
-0,5 94

95

96

97

98

-1
-1,5
-2
-2,5
T ahun

99

00

01

02

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
2

20

Inflasi (%)

Produksi (000 ton)

30

10
0

1,5
1
0,5

I- II- III- I- II- III- I- II- III- I- II- III98 98 98 99 99 99 00 00 00 01 01 03

Triw ulan

Variasi Musim
Produk Pertanian

0
1

10 11 12

Bulan

Variasi Inflasi
Bulanan

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.
Perkembangan Infl asi dan Suku B unga

80
70
60
50
40
30
20
10
0
-10

94

95

96

97

98

99

00

01

Tahun
Inflasi

Suku B unga

02

DASAR PEMIKIRAN ANALISA DATA


BERKALA
t Rumusan secara pasti (matematis) hubungan antara
keempat komponen terhadap variasi data berkala
sampai saat ini belum ada.
t Secara umum analisa data berkala selalu didasarkan
pada anggapan bahwa nilai data berkala merupakan
hasil kali dari keempat komponen variasinya.
t Dengan asumsi tersebut hubungan secara matematis
dari keempat komponen tersebuat adalah :
Db = Ts .Vs .Vm .R
Dimana :

Db = Data berkala
Vs = Variasi sikli
R = Random

Ts = Trend sekuler
Vm = Variasi musim

PENENTUAN GARIS TREND

METODE RATA-RATA BERGERAK


(Rata-rata bergerak sederhana)
t 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.
t Metode ini tidak memberikan ketentuan berapa tahun yang
harus digunakan sebagai dasar pengrataan.
t Makin banyak jumlah tahun yang digunakan akan semakin
mulus grafik yang diperoleh dan makin intensif kita
menghilangkan variasi musim, random dan sikli.
t Jika kita gunakan 3 tahun sebagai dasar pencarian rata-rata,
maka teknik ini disebut rata-rata bergerak per 3 tahun, dst.

METODE RATA-RATA BERGERAK


(Rata-rata bergerak tertimbang)
t Pada prinsipnya prosedur yang digunakan adalah
sama dengan metode rata-rata bergerak
sederhana.
t Dalam prosedur ini data berkala diberikan
penimbang sebelum dirata-ratakan.
t 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.

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

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

Contoh
Tahun

Penjualan Rata 2

Nilai X tahun dasar


2000

2005

2000

150

-2

-6

2001

140

-1

-5

2002

125

-4

2003

110

-3

2004

130

2004

130

-2

2005

150

-1

2006

156

2007

160

2008

168

131.0

152.8

Untuk Nilai (a)


-2002 = 131.0
-2006 = 152.8
Untuk Nilai (b)
= (152.8 131.0)/
(2006 2002)
= 5.45

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

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

Contoh Kasus
Tahun
2000
2001
2002
2003
2004
2005
2006
2007
Total
a
b

Penjualan
Y
150
140
125
110
150
156
160
168
1159
144.875
6.8928571
4

Kode X
(tahun)
-3.5
-2.5
-1.5
0.5
0.5
1.5
2.5
3.5

Y.X
-525
-350
-187.5
55
75
234
400
588
289.5

X
12.25
6.25
2.25
0.25
0.25
2.25
6.25
12.25
42

= 1159 / 8
=289.5 / 42

Persamaan tren
Y = a + b(X)
Y = 144.875 +
6.8928 (X)
Peramalan tahun
2008 :
(X) = 4.5
Maka :
Y = 144.875 +
6.8928. (4.5)
Y = 175.892

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

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

Metode Perhitungan Variasi


Musim
Metode rata rata sederhana
Metode rata rata dengan tren
Metode rata rata bergerak

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] / Ratarata total

Lihat contoh

Contoh kasus data tingkat produksi dalam 3 kuartal

Produksi

Tahun

Padi(ton)

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
Rata-rata

Triwulan

476

171

175

130

79.33

28.50

29.17

21.67

Rata-rata total

26.44
= 79.33 / 3

Rata-rata triwulan

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

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

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

Persamaan Metode Rata rata dengan


Tren
Persamaan tren
Y = a + b.(X)
Koefisien a
a = Y / n
Koefisien b
b = XY / X

Contoh kasus

Produksi

Tahun

XY

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

89

17.5

Total

476

79.333

5.086

a = 476/6
b = 89/17.5

n 5. 0
a
a
+
m
3
a
rs 9.33
e
P
7
=
Y

)
X
(
6

Contoh kasus
Persamaan
tren
Y = 79.333
+
5.086
(X)

Masukan
nilai X ke
persamaa
n, maka
akan
diperoleh

Produksi

TH

XY

2001

63

-2.5 -157.5

6.25

66.618

-3.618

2002

77

-1.5 -115.5

2.25

71.704

5.296

2003

75

-0.5

-37.5

0.25

76.790

-1.790

2004

82

0.5

41

0.25

81.876

0.124

2005

89

1.5

133.5

2.25

86.962

2.038

2006

90

2.5

225

6.25

92.048

-2.048

89

17.5

475.998

Total

476

Y'

Y-Y'

Contoh kasus
Menghitung indeks
musim
Th 2002
= (77 / 71.70) x
100
= 107.39

Produksi

Indek

Tahun

Y'

2001

63

66.62

94.57

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

Musim

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
= Data asli
/ data rata-rata
bergerak
koreksi
= (100 x n ) / jumlah rata-rata selama n

Contoh Kasus
Tahun

Triwulan

60 + 65 + 70 = 195
65 + 70 + 75 = 210

Data asli

Total bergerak
3 triwulan

2005

2006

2007
Total

Rata rata

Indeks Ratio

60

II

65

195

65.00

100

III

70

210

70.00

100

75

223

74.33

101

II

78

233

77.67

100

III

80

233

77.67

103

75

223

74.33

101

II

68

213

71.00

96

III

70

(75 / 74.33) x 100

641

1530

510.00

701

Contoh Kasus
Tahun
I
2005
2006
101
2007
101
Rata-rata
67
Total rata-rata
Faktor koreksi

(67 + 99 + 68) / 3

Triwulan
II
100
100
96
99
234

= (100

Indeks musim
kuartalan :
Triwulan I
= 67 x 1,284 =
86,028
68
Triwulan II
= 99 x 1,284 =
1,284
127,116
Triwulan III
= 68
x 1,284
=
Angka
indek
triwulan ini yang
x 3 ) / 234 87,312
digunakan
sebagai
peramalan
selanjutnya

III
100
103

Contoh Menentukan Rata Rata


bergerak
Triwulan

Data asli

Rata - rata bergerak per


3

60

II

65

65

68

III

70

70

72

70

75

74

76

74

II

78

78

77

76

III

80

78

75

75

75

74

73

74

II

68

71

53

III

70

(60+65+70) / 3
(60+65+70+75) / 4

(60+65+70+75+78) / 5

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
Ledakan - boom
Krisis

Mempunyai
Periode disebut
Lama siklus

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

Contoh
Indeks
musimKasus
C = Rata-rata bergerak dari CI

T = Y (kuadrat terkecil

Tahun

2005

2006

2007

Total

Triwulan

60

47.56

II

65

53.47

100.00

65.00

121.56

III

70

59.39

100.00

70.00

117.87

117.75

75

65.31

100.90

74.33

113.82

113.58

II

78

71.22

100.43

77.67

109.05

107.85

III

80

77.14

103.00

77.67

100.68

99.74

75

83.06

100.90

74.33

89.50

89.99

II

68

88.97

95.77

71.00

79.80

III

70

94.89

641

TCI=Y/S

CI=TCI/T

C : indeks
yang men
yatakan
adanya
pengaruh
siklus da
lam data

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

Indeks Gerak Tak Beraturan


Komponen data berkala sudah
diketahui
Y=TxSxCxI
CI = Faktor siklus
C = Siklus

Maka I = CI / C

Indek tak beraturan


I2005.3 = 117.87 /117.75
= 100.10

Contoh Kasus
Tahun

2005

2006

2007
Total

Triwulan

60

47.56

II

65

53.47

100.00

65.00 121.56

III

70

59.39

100.00

70.00 117.87 117.75 100.10

75

65.31

100.90

74.33 113.82 113.58 100.21

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

75

83.06

100.90

74.33

89.50

89.99

II

68

88.97

95.77

71.00

79.80

III

70

94.89

641

TCI=Y/S

CI=TCI/T

99.45

ARIMA
(Autoregressive Integrated
Moving Average)

Batasan (Syarat) ARIMA


Data harus bersifat Stationer
Memiliki deret minimal 50 observasi
Harus terpenuhi untuk mendapatkan
model yang baik

Tahapan Pemodelan ARIMA


1.
2.
3.
4.

Identifikasi Model
Estimasi Parameter
Validasi Model (Diagnostic Cheking)
Peramalan (Forecast)

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

Model AR(p)

atau dpt dituliskan sbb:

Contoh AR(1) :

Z t 1Z t 1 at

Model MA(q)
Z t a
t a 1

a 2

t 1

... a q

t 2

t q

atau
Z t (1 B1 B2

...
Bq )a

Contoh MA(1) :

Z t at 1at 1

qB( a)

Model ARMA(p,q)
Zt 1Z t 1 2 Zt 2 ... p Zt p at a 1 t 1a 2

... a q

t 2

t q

atau dapat dituliskan sbb:


(1 1 B 2 B 2 ... p B p ) Z t (1 B1 B2

atau
p (B)Zt (B)a
q

Contoh ARMA(1,1) :
Z t 1Z t 1 a
t a 1 t 1

q
...
Bq )a

Model ARIMA(p,d,q)
p B 1 B Zt Bq a
d

dimana:

1 B Zt Zt Z t 1 Wt
Contoh ARIMA (1,1,1)

Wt 1Wt 1 a
t a 1

t 1

Model SARIMA(P,D,Q)
P B 1 B Z t Q B at
D

dimana:

1 B Zt Zt Z t 1 Wt
Contoh Model SARIMA (1,1,1)

Wt 1Wt 12 at 1at 12

Langkah Pemodelan ARIMA


2

1. Melihat stasioneritas data


2. Identifikasi beberapa kemungkinan model
yang bisa dibentuk dengan melihat lag
yang signifikan pada plot ACF dan plot PACF
3. Estimasi parameter Model ARIMA
4. Uji signifikansi parameter
5. Periksa asumsi error dengan uji white noise
dan uji kolmogorov-smirnov
6. Menghitung nilai MSE

Stasioneritas Data
Correlogram
Tes ADF (Augmented Dickey Fuller)
H0 : data deret waktu tidak stasioner
H1 : data deret waktu stasioner

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 autoregressive
(AR) dan ordo moving average (MA)
dari model ARIMA

PACF dan ACF


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

Bentuk PACF dan ACF u/


ARIMA

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

ACF for stationary time series


1

cuts of

Lag
k

dies down
(exponential
)

-1

-1

-1

8
oscillation

Lag
k

dies down
(exponential)

-1

Lag
k

Lag
k

no
oscillation

dies down
(sinusoidal)

Dying down fairly quickly versus extremely


slowly
1

Dying down fairly quickly

stationary
time series
(usually)

Lag
k

-1

-1

Dying down extremely


slowly

nonstationary
time series
(usually)

Lag
k

Estimasi Parameter
Conditional least square
Langkah-langkah:
Misal model ARMA(p,q):
Z t 1 Z t 1 2 Z t 2 ... p Z t p a
t a 1
a
t a 1

a 2

t 1

t 2

...a q

t q

Z1

a 2

t 2

...a q

t q

Z2

t 2

... Z p

t p

t 1

t 1

Tentukan nilai parameter awal


(mendekati nol)
Hitung nilai at.dst

Diagnostic Cheking
Uji White Noise
Uji Durbin Watson

Terima kasih