Analisis Time Series &

Forecasting
Addie Hardiansyah 20120024 Sekolah Tinggi Ilmu Ekonomi Indonesia Malang
Arviana Putri 20120025 Jl. Mega Mendung No. 1-9, Pisang Candi, Sukun,
Kota Malang, Jawa Timur
Time series forecasting adalah
sebuah area pada machine learning
yang berfokus pada atribut waktu.
Sesuai namanya, bidang ini
berfokus pada analisis rentetan data
yang sekuensial terhadap waktu,
lalu memprediksi data-data yang
akan datang berdasarkan data
sebelumnya. Tapi , sebelum kita
menyelam lebih dalam ke bidang
tersebut, kita harus memahami dulu
apa itu Time Series secara umum.
Time Series
Time Series adalah rentetan kejadian atau pengamatan yang diambil secara sekuensial
terhadap waktu. Contoh mudahnya adalah kumpulan data penjualan barang per bulan
selama 5 bulan berturut-turut.
Memang jika dilihat secara sepintas contoh diatas tidak berbeda jauh dengan data statistik
biasa, namun ada satu hal yang menjadi pembeda, yaitu dimensi waktu . Dimensi waktu ini
berfungsi sebagai sesuatu yang biasa kita sebut feature dalam dunia machine learning.
Feature ini dapat memberikan banyak kegunaan dalam pemrosesan dan analisis data, kita
dapat memperoleh insight , atau kesimpulan terhadap suatu observasi.
Analisis Time Series & Forecasting

Analisis vs
Peramalan
Time Series terbagi lagi menjadi dua, yaitu Time Series
Analysis dan Time Series Forecasting. Analisis berfokus
pada pemahaman terhadap dataset yang ada. Di sini,
kita lebih fokus pada tren , hubungan dengan faktor
eksternal, dan lain-lain. Intinya, kita hanya ingin
mendapatkan insight terhadap data yang ada, itu saja.
Peramalan mengambil langkah yang lebih jauh lagi,
yaitu memprediksi kejadian masa depan, dari insight
yang kita dapatkan, dari rentetan kejadian yang telah
terjadi, kita dapat mekalkulasi kejadian-kejadian di masa
yang akan datang, hal ini tentunya sangat berguna
karena dengan hal tersebut kita bisa melakukan banyak
hal, seperti melakukan antisipasi terhadap apa yang
akan datang di masa depan..
Seasonal
Moving Average
kami akan menggunakan salah satu (atau dua) metode Time
Series Forecasting, yaitu Seasonal Moving Average. Teknik ini Namun, perhitungan tersebut belum cukup
bertujuan untuk mengestimasi masa depan berdasarkan akurat, ini karena nilai dari data terbaru
rerata dari kejadian pada rentang waktu yang memiliki bernilai sama dengan data yang sudah lama.
kesamaan dalam season- nya, misal setiap bulan november, Pada beberapa kasus, kejadian ini wajar
setiap 10 hari, dll. Kita dapat memperkirakan apa yang akan adanya, namun, data yang sudah lama
terjadi/didapatkan pada musim selanjutnya di masa depan.
cenderung kurang bermakna
Fungsi dari moving average musiman adalah sebagai berikut :
Exponential Smoothing

Hal ini dapat diantisipasi dengan menggunakan metode

tambahan yaitu exponential smoothing. Exponential
Smoothing berfungsi untuk memberikan bobot pada data yang
dikalkulasi, dimana bobot ini akan terus menurun untuk data
yang lebih lama secara eksponensial,

Apa kegunaan exponential smoothing , metode ini berguna

untuk menunjukkan bahwa semakin baru data, maka semakin
relevan data tersebut terhadap data yang akan diprediksi.
Ibaratnya, pola belanja kita 1 tahun terakhir lebih relevan
dalam memprediksi pola belanja kita di masa depan,
ketimbang pola belanja 5 tahun sebelumnya.
 Metode times series merupakan salah satu metode simulasi forecasting atau peramalan
yang dapat memperkirakan perkembangan akademik mahasiswa sehingga dosen
01 pembimbing akademik dapat memprediksi kualitas belajar mahasiswa bimbingannya dengan
cara melihat hasil belajar dan perilaku mahasiswa bimbingannya

Metode time series adalah metode peramalan dengan menggunakan analisa pola hubungan
02 antara variabel yang akan dipekirakan dengan variabel waktu. Peramalan suatu data time
series perlu memperhatikan tipe atau pola data

Analisis Time Series atau Analisis Runtun Waktu merupakan analisis yang digunakan untuk
03 mengolah data time series. Dimana analisis ini akan melibatkan penggunaan data tersebut
untuk membuat model yang akan digunakan sebagai dasar peramalan

Sementara data time series adalah data yang dikumpulkan dari waktu ke waktu, ada
berbagai jenis data yang menjelaskan bagaimana dan kapan data tersebut direkam.
04 Sebagai contoh: Data time series adalah data yang direkam selama interval waktu yang
konsisten
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
moment penting agar kita lebih mudah dan lebih cepat melakukan
perbandingan dengan indeks tahun lainnya.
 Analisa Trend

Analisa trend ini bertujuan untuk mengetahui tendensi atau kecenderungan keadaan
keuangan suatu perusahaan di masa 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 ke masa yang berikutnya. Berdasarkan data historis itu, dicoba
melihat kecenderungan yang mungkin akan muncul di masa yang akan datang.Analisa trend
ini bermanfaat untuk menilai situasi “trend” perusahaan yang telah lalu serta dapat
memprediksi “trend” perusahaan di masa yang akan datang berdasarkan garis trend yang
sudah terjadi itu.Untuk melakukan analisa trend series berindeks (untuk hal-hal tertentu bisa
dipakai dalam teknis trend) ini maka dapat melakukannya melalui:1. Metode statistik
dengan cara menghitung garis trend dari laporan keuangan beberapa periode.2.
Menggunakan angka indeks.
 Langkah-langkah untuk melakukan analisa trend berindeks ini
adalah sebagai berikut:

Menentukan tahun dasar. Tahun dasar

ini ditentukan dengan melihat arti
suatu tahun bisa tahun pendirian,
01 tahun perubahan, atau reorganisasi,
dan tahun bersejarah lainnya. Pos-pos
laporan keuangan tahun dasar dicatat Menghitung angka indeks tahun-tahun
sebagai indeks 100.
02 lainnya dengan menggunakan angka
pos laporan keuangan tahun dasar
sebagai penyebut.

Memprediksi kecenderungan yang

mungkin bakal terjadi berdasarkan
03 arah dan kecenderungan historis pos
laporan keuangan yang dianalisa.
04
Mengambil keputusan mengenai hal-
hal yang harus dilakukan untuk
mengantisipasi kecenderungan itu.
 Pola Data Time Series
Trend menunjukkan pergerakan dalam jangka
waktu yang panjang untuk menunjukkan
kecenderungan apakah meningkat atau
menurun. Seringkali ditemui data yang memiliki
pergerakan naik dan turun dalam jangka waktu
yang singkat, tetapi trend mengacu pada
kecenderungan rata-rata dalam jangka waktu
yang panjang. Secara keseluruhan trend dapat
menunjukan naik, turun ataupun stagnan (stabil).
Siklus dalam time series menggambarkan pola
perubahan jangka menengah yang disebabkan
oleh keadaan yang berulang dalam sebuah
siklus. Durasi waktu siklus lebih panjang,
biasanya dua tahunan atau lebih.
Pergerakan musiman atau seasonal adalah
pergerakan fluktuasi data yang terjadi karena
kondisi musim dan biasanya dilihat dalam jangka
waktu per tahun. Jenis variasi dalam pergerakan
ini diisolasi hanya jika pola tersebut diberikan
dua kali setahun, triwulanan, ataupun bulanan.
Faktor yang dapat mempengaruhi pergerakan
Seasonal musiman misalkan iklim dan cuaca, kebiasaan
Trend atau atau perayaan pada bulan-bulan tertentu, dan
Musiman lain sebagainya.
Pola
Data
Cycle
Random
atau Pergerakan yang disebabkan oleh pengaruh
Movement
Siklus yang tidak dapat diprediksi, tidak teratur dan
tidak berulang dalam pola tertentu. Pola
pergerakan ini dapat disebabkan oleh perang,
demo, gempa bumi, banjir, revolusi, dan lain
sebagainya.
 01 Menggambar dengan tangan
Yaitu dengan cara menarik garis lurus disekitar data-data yang
ada. Kelebihan: sangat praktis dan sederhana, kelemahan:
kurang konsisten (subyektif).

Menggunakan model matematika (metode least

02 square)

Mengukur Yaitu menggambarkan garis lurus sedemikian rupa sehingga

selisih kuadrat antara garis lurus tersebut dengan data yang
sesungguhnya, yang paling kecil. Kelebihan:: obyektif,

Pengaruh
kelemahan: terlalu mekanistis.
Rumus:
Yt = a + b X

Tren
a = ∑ (Y) – b ∑ (X)
b = (∑ XY – n ∑ (X) ∑ (Y)) / (∑ X2 – n ∑ (X)2)
 Perhitungan Tren

Y/Yt*100 b = (∑ XY – n ∑ (X) ∑ (Y)) / (∑ X2 – n

TH X PENJ (Y) XY X 2
TREND (Yt*) (% trend)
∑ (X)2)
2000 1 8.000.000 8.000.000 1 7.932.888,9 100,85
b = (375.840.000 – 9 (5)
2001 2 8.050.000 16.100.000 4 8.011.472,2 100,48 (8.247.222,22)) / (285 – 9 (5)2)
2002 3 8.110.000 24.330.000 9 8.090.055,6 100,25 b = 4. 715.000,10 / 60
2003 4 8.140.000 32.560.000 16 8.168.638,9 99,65 b = 78.583,33
2004 5 8.200.000 41.000.000 25 8.247.222,2 99,43

2005 6 8.225.000 49.350.000 36 8.325.805,6 98,79 a = ∑ (Y) – b ∑ (X)

2006 7 8.300.000 58.100.000 49 8.404.388,9 98,76
a = 8.247.222,22 - 78.583,33 (5)
a = 7.854.305,57
2007 8 8.400.000 67.200.000 64 8.482.972,2 99,02

2008 9 8.800.000 79.200.000 81 8.561.555,5 102,79

Yt = a + b X
JML 45 74.225.000 375.840.000 285
Yt = 7.854.305,57 + 78.583,33 X
Rata-
rata 5 8.247.222,22
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+bX+cX2
log Y = a + b log X

Analisis Siklus
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah (2–10
tahun).. Pengaruh siklus dapat dilihat dengan persentase tren yang
dirumuskan sbb:
% Trend = Y / Yt × 100
Ada kecenderungan siklus dengan jangka waktu 7 tahun. Tahun 2000
menunjukkan penjualan tinggi, penjualan tinggi tersebut muncul lagi tahun
2008.
 Analisis Musiman
Analisis musiman akan bermanfaat pada beberapa situasi. Kedua, apabila analis ingin menghilangkan
Pertama, apabila analis ingin melihat pengaruh musiman pengaruh musiman untuk melihat pengaruh trend,
dan memanfaatkan informasi tersebut untuk tujuan siklus, dan ketidakteraturan secara lebih jelas.
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 Indeks Anggaran Penjualan Anggaran penjualan
Triwulan I : 0,99 musiman dengan pengaruh tanpa pengaruh
Triwulan II : 1,01 musiman musiman
Triwulan III : 0,90 (1) (2) (3) (4) = (3) / (2)
Triwulan IV : 1,10
I 0,99 247.500.000 250.000.000
Triwulan Indeks Anggaran Penjualan Anggaran penjualan II 1,01 252.500.000 250.000.000
musiman dengan pengaruh
III 0,90 225.000.000 250.000.000
musiman
(1) (2) (3) (4)=(2)x(3) IV 1,10 275.000.000 250.000.000
Total anggaran penjualan 1.000.000.000
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
 METODE-METODE PERAMALAN

Univariate Multivariate
Mekanis Model Rata-rata Bergerak Model Regresi
Model Box-Jenkins Univariate Model Fungsi Transfer Box-Jenkins

Non-mekanis Pendekatan Visual Pendekatan analis sekuritas

Dalam pendekatan univariate, hanya satu variabel yang

dilihat ketika analis melakukan perkiraan. Sedangkan
dalam pendekatan multivariate, beberapa variabel dan
interaksi antar variabel-variabel tersebut
dipertimbangkan dalam perkiraan data.
 Model Penghalusan Eksponensial

Kelebihannya karena kesederhanaannya dan data yang

dibutuhkan tidak banyak.
Rumus:
Ft = w At - 1 + (1 – w) Ft - 1

Ft = forecast untuk periode t

At - 1 = data sesungguhnya pada periode t – 1
Ft - 1 = forecast pada periode t – 1 Model
w = konstanta dengan nilai antara 0 – 1 Penghalusan
Eksponensial
Forecast baru = w (data sesungguhnya saat ini) + (1 – w)
(forecast saat ini)

Atau
Ft = At - 1 + (1 - w) (Ft - 1 – At - 1)
F 2009 = W A 2008 + (1 – W) F 2008
 Perbandingan Model-model Forecast
Pendekatan Analis Sekuritas (Multivariate) untuk Forecasting
Pendekatan Univariate Mekanis untuk Forecasting
Kelebihan:
1. Mampu menyesuaikan terhadap informasi dari berbagai Kelebihan:
sumber 1. Kemampuan mendeteksi dan memanfaatkan pola tertentu
2. Mampu menyesuaikan terhadap perubahan struktural pada data masa lalu
secara cepat 2. Tingkat subyektivitas yang rendah, terutama apabila
3. Mampu memperbaharui secara kontinu apabila metode statistik digunakan
ada informasi baru masuk 3. Biaya yang relatif lebih rendah
4. Mudah diperbaharui
Kelemahan: 5. Kemampuan menganalisis lebih lanjut dengan metode
1. Biaya yang cukup tinggi untuk persiapan dan statistik
pelaksanaan, untuk monitoring beberapa variabel, dan biaya-
biaya lainnya Kelemahan:
2. Ketergantungan yang tinggi terhadap kemampuan individu 1. Jumlah observasi yang terbatas pada situasi tertentu,
analisnya We Create
misal pada perusahaan yang baru berdiri
3. Analis barangkali mempunyai insentif untuk tidak
menampilkan forecast yang tidak bias (misal, karena tekanan
2. Laporan keuangan Quality Professional
barangkali tidak
asumsi‑asumsi yang diperlukan dalam analisis statistik
memenuhi

agar sesuai dengan konsensus forecast) 3. Sulit mengkomunikasikan hasil analisis kepada
4. Analis barangkali bisa dimanfaatkan oleh luar, terutama dalam hal metodologinya
perusahaan‑perusahaan tertentu untuk kepentingan
perusahaan tersebut.
Implementasi Analisis
Time Series

Proyeksi (forecasting) time series

memungkinkan pengambilan
keputusan dengan perkiraan evolusi
metrik atau peristiwa di masa depan
dan dengan demikian memainkan
peran penting dalam berbagai bidang
ilmiah dan teknik seperti kesehatan,
manajemen energi, arus lalu lintas,
dan investasi keuangan. Beberapa use
case yang umum diimplementasikan
menggunakan data time series
adalah :
• Deteksi seasonality untuk mencari
puncak aktifitas, seperti kepadatan
lalu lintas, pola kunjungan
wisatawan
• Korelasi otomatis untuk
mengidentifikasi saham yang
sedang tren
• Prediksi persedian barang
menggunakan pola belanja
pelanggan
THANK YOU
Analisis Time Series & Forecasting