KONSEP DASAR TIME

SERIES
Jamzani Sodik
Data

Cross
Section
Time
Data
Series

Panel
 Jenis Data-1
Data Cross-Section

 Adalah nilai variabel yang dikumpulkan pada satu periode waktu

yang sama dari beberapa individu

 Individu bisa berupa negara, daerah, perusahaan atau perorangan

dan lain sebagainya.

 Sebagai contoh adalah data makroekonomi seluruh propinsi di

Indonesia pada tahun 2019.
 Jenis Data-2
Data Time Series

 Adalah nilai variabel dari suatu individu yang disusun menurut urutan waktu

 Data time seris bisa berupa data harian, mingguan, bulanan, triwulanan
maupun tahunan dan lain sebagainya.

 Sebagai contoh adalah data makroekonomi Indonesia dari tahun 1990

sampai dengan tahun 2019

 Misalnya berupa data: household consumption (HHC), private consumption

(PC), government consumption (GC), investment (I), saving (S), export (X),
import (M), produk domestik bruto (PDB), dan sebagainya.
 Jenis Data-3
Data Panel

 Adalah gabungan time series dan cross-section data.

 Mencakup banyak individu (negara, provinsi, perusahaan, household dll) selama

rentang waktu tertentu.

 Sebagai contohnya adalah data makroekonomi seluruh propinsi di Indonesia

dari tahun 1990 sampai tahun 2019.

 Misalnya, household consumption (HHC), private consumption (PC),

government consumption (GC), investment (I), saving (S), export (X), import
(M), produk domestik bruto regional (PDBR), price ratio PR) untuk semua
propinsi di Indonesia, dari tahun 1990 – 2019.
 DATA

Cross Section Time Series Panel Data

Univariate Multivariate

Correlation Regression Correlation Pooled

Regression AR, MA Multiple Fixed-Effect
Regression
Multivariate ARMA Random-Effect
Analysis Granger Causality
ARIMA
VAR
(G)ARCH
SVAR
V(ECM), GMM
Model

Regresi
Sederhana
Single equation

Regresi Berganda

Linear

Model Simultan
System Equation
Non Liner
(multi equation)
Bukan simultan
 Introduction
 Time series adalah suatu himpunan pengamatan yang dibangun
secara berurutan dalam waktu. Waktu atau periode yang dibutuhkan
untuk melakukan suatu peramalan itu biasanya disebut sebagai lead
time yang bervariasi pada tiap persoalan. 
 Berdasarkan himpunan pengamatan yang tersedia maka time series
dikatakan kontinu jika himpunan pengamatan tersebut adalah
kontinu dan dikatakan diskrit bila himpunan pengatamatan tersebut
juga diskrit.
Pola Data Time Series

Trend

Cyclical

Seasonal

Irreguler
 Pola data time series
1. Trend, Yaitu komponen jangka panjang yang mendasari pertumbuhan (atau penurunan)
suatu data runtut  waktu. Merupakan pergerakan meningkat atau menurun. Contoh: jumlah
pengguna seluler yang terus bertambah.
2. Cyclical, yaitu suatu pola dalam data yang terjadi setiap beberapa tahun. fluktuasi atau
siklus dari data runtut waktu akibat perubahan kondisi ekonomi
3. Seasonal, yaitu pola data yang berulang pada kurun waktu tertentu. fluktuasi musiman yang
sering dijumpai pada data kuartalan,bulanan atau mingguan. Contoh: menjelang lebaran
jumlah permintaan uang naik, penjualan pakaian meningkat
4. Irregular, yaitu pola acak yang disebabkan oleh peristiwa yang tidak bisa diprediksi atau
tidak beraturan.
Konsep dasar time series

Deterministic Process

Stochastic/Random
Konsep
process

Stationarity process
 Proses Deterministik : jika dari pengalaman yang lalu keadaan
yang akan datang dari suatu barisan kejadian dapat diramalkan
secara pasti, maka barisan kejadian itu dinamakan
deterministik
 Proses Stokastik :   jika pengalaman yang lalu hanya dapat menyajikan
struktur peluang keadaan yang akan datang, maka barisan kejadian yang
demikian disebut stokastik. Hull, 1989  setiap nilai yang berubah
terhadap waktu dengan cara yang tidak tertentu (dalam ketidakpastian)
dikatakan mengikuti proses stokastik.
 Proses Stokastik : suatu proses yg menghasilkan rangkaian nilai2 peubah
acak yg menggambarkan perilaku data pada berbagai kondisi.
 Stasioner
Data time series dikatakan stasioner jika rata–rata, varian dan
covarian dari variabel–variabel tersebut seluruhnya tidak dipengaruhi oleh
waktu atau dengan kata lain konstan.

Untuk menjelaskan pernyataan di atas, maka dapat dijelaskan sebagai berikut:

Rata-rata: E(Yt) =  = konstan (1)

Varian: Var (Yt) = E(Yt - )2 = 2 = konstan (2)
Covarian: cov (Yt , Yt-k) = E[(Yt - )(Yt-k - )] = k = konstan (3)
 Varians dan kovarian adalah dua ukuran yang digunakan dalam statistik. Varians
adalah ukuran penyebaran data, dan kovarians menunjukkan tingkat perubahan dua
variabel acak secara bersamaan. Varians lebih merupakan konsep intuitif, tetapi
kovarians didefinisikan secara matematis pada awalnya tidak intuitif.
 Varians adalah ukuran dispersi data dari nilai rata-rata distribusi. Ini memberitahu
seberapa jauh titik data terletak dari rata-rata distribusi. Ini adalah salah satu
deskriptor utama dari distribusi probabilitas dan salah satu momen dari distribusi.
Juga, varians adalah parameter populasi, dan varians sampel dari populasi
bertindak sebagai penaksir untuk varians populasi. Dari satu perspektif, ia
didefinisikan sebagai kuadrat dari deviasi standar.
 Dalam teori statistik, kovarians adalah ukuran dari seberapa banyak dua variabel
acak berubah bersama. Dengan kata lain, kovarians adalah ukuran kekuatan
korelasi antara dua variabel acak. Juga, dapat dianggap sebagai generalisasi
konsep varians dari dua variabel acak.
 Stasioner
 Non Stationary process
E[Yt] = µt
Var[Yt] = 2t
 White noise process
E[Yt] = 0
Var[Yt] = 2

 White noise merupakan asumsi dimana gangguan-gangguan pada residual telah

diputihkan atau dihilangkan (Wei, 2006). Proses white noise, merupakan proses
stasioner suatu data deret waktu.
 Umumnya data time series tidak stasioner
 Regresi dengan menggunakan data yang tidak stasioner akan
menyebabkan spurious regression (ditandai dengan nilai R2 yang
tinggi dan t-stat, F-stat yang signifikan tetapi dw relatif kecil <
0.5)
 Regresi kelihatan “bagus” tetapi sebetulnya tidak.
 Karakteristik data time series yang stasioner dan tidak stasioner

11.5 0.2

11.0
0.1
10.5

0.0
10.0

9.5

Data pada level (unit

-0.1

9.0
-0.2

atau log)
8.5

8.0 -0.3
70 75 80 85 90 95 00 70 75 80 85 90 95 00

LOG(NM R ) DLOG(NMR) relatif tidak

12.0 0.15
Stasioner
11.5
0.10

11.0

Data pada first

0.05
10.5
0.00
10.0

9.5
-0.05
difference (unit atau
9.0
70 75 80 85 90 95 00
-0.10
70 75 80 85 90 95 00
log) relatif akan
LOG(GDPR ) DLOG(GDPR)
stasioner
0.5 0.3

0.4
0.2

0.3
0.1
0.2
0.0
0.1

-0.1
0.0

-0.1 -0.2
70 75 80 85 90 95 00 70 75 80 85 90 95 00

R IR D(RIR)
20
Pengujian Kestasioneran data
 Correlogram
 DF-ADF test
 Phillips-Perron
 The Kwiatkowski, Phillips, Schmidt, and Shin (KPSS)
Test
 Elliot, Rothenberg, and Stock Point Optimal (ERS) Test
 Ng and Perron (NP) Tests

Jika data tidak stasioner maka harus distasionerkan terlebih dahulu,

salah satu caranya adalah dengan melakukan pembedaaan
(differencing)
Asumsi time series

 White noise residual  tidak ada autokorelasi 

diuji dengan Durbin Watson
 Residual berdistribusi normal
 Residual tidak heteroskedastis
 Kegunaan time series data :

Single Moving
Average (SMA)

Metode Rata-rata
Linear Moving
Bergerak (Moving
Average
Average)

Weighted Moving
Average

Smoothing Single exponential

smoothing
Peramalan Exponential
Kegunaan Kriteria peramalan
Smoothing
Time Series Double exponential
smoothing
Pemodelan Double Moving
Average