Metode Time Series merupakan metode yang dipergunakan untuk menganalisis serangkaian data
yang merupakan fungsi dari waktu. Metode ini mengasumsikan beberapa pola yang selalu berulang
sepanjang waktu. Dengan analisis deret waktu, dapat ditunjukan berapa jumlah permintaan
terhadap suatu produk tertentu bervariasi terhadap waktu. Perubahan data dari waktu ke waktu
akan digunakan untuk meramalkan informasi yang dibutuhkan oleh analis pada masa yang akan
datang.
CARA ARIMA / BOX JENKINS
Cara ARIMA
ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik ketepatannya untuk
peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik.
Biasanya akan cenderung flat(mendatar/konstan) untuk periode yang cukup panjang.
Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan
independen variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari
variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari
deret waktu (time series) secara statistik berhubungan satu sama lain (dependent).
Skema Pendekatan ARIMA
2. Menggambarkan korelogram (gambar fungsi autokorelasi), untuk menelaah apakah autokorelasi signifikan atau tidak, dan perlu tidaknya
proses diferensi dilakukan. Jika autokorelasi data tidak signifikan, analisis data cukup menggunakan analisis regresi sederhana data atas
waktu, sedangkan jika signifikan harus menggunakan analisis regresi deret waktu. Jika data ditransformasikan, maka proses pemetaan data
dan penggambaran korelogram, sebaiknya dilakukan juga pada data hasil transformasi, untuk menelaah apakah proses transformasi ini
sudah cukup baik dalam upaya menstasionerkan data.
3. Jika dari korelogram disimpulkan bahwa autokorelasi signifikan, maka bangun model regresi deret waktu dan lakukan penaksiran baik
dalam kawasan waktu maupun kawasan frekuensi.
4. Lakukan proses peramalan dengan metode yang sesuai dengan kondisi data dan untuk mendapatkan hasil yang memuaskan sebaiknya
gunakan metode Box-Jenkins.
Langkah-Langkah Syarat Timeseries dengan SPSS
1. Siapkan data Timeseries yang akan dianalisis 2. Masukkan ke SPSS
3. Klik Analyze, Time Series, AutoCorellations 4. Masukkan Data dan Bulan sesuai dengan Gambar
OUTPUT DARI SPSS
Pemrosesan oleh SPSS akan dihasilkan output SPSS seperti gambar berikut. Terdapat 4 bagian utama sebagai mana dijelaskan
pada artikel sebelumnya yaitu nilai Autokorelasi, korelogram ACF, nilai Autokorelasi Parsial dan korelogram PACF.
1. Klik Analyze, Time Series, Sequence Charts 2. Sesuaikan menu yang muncul dengan gambar berikut
Output dan Analisis Pemrosesan oleh SPSS akan dihasilkan output SPSS seperti
gambar di atas. Menunjukkan peta data atas waktu yang dapat
peneliti amati secara kasa mata untuk memutuskan data yang
dimiliki sudah stasioner ataukah belum.
Pada hasil output SPSS di atas, korelogram ACF yang membangun pola
alternating dan korelogram PACF membangun pola “hampir
gelombang”, hal ini menunjukkan bahwa proses diferensi hampir bisa
menstabilkan varians sehingga tidak perlu dilakukan lagi diferensi
(cukup orde-1).
Selain itu, kita dapat pula melakukan metode Timeseries lainnya seperti
smoothing, regresi, dan lain-lain yang mungkin lebih berarti untuk
dijadikan model ramalan.