ANALISIS DERET WAKTU Posted by RaNi's w0rLd at 5:55 PM Deret waktu adalah sederetan nilai suatu peubah (variabel) yang dicatat berdasarkan waktu secara terus menerus. Deret waktu dianalisa untuk mendapatkan ukuran yang dapat digunakan untuk membuat keputusan masa kini, untuk peramalan, dan perencanaan operasional di masa yang akan datang. Dalam statistika dan pemrosesan sinyal, deret waktu adalah rangkaian data yang diukur berdasarkan waktu dengan interval yang uniform. Analisis deret waktu (Bahasa Inggris: time series analysis) merupakan metode yang mepelajari deret waktu, baik dari segi teori yang menaunginya maupun untuk membuat peramalan (prediksi). Prediksi deret waktu adalah penggunaan model untuk memprediksi nilai di waktu mendatang berdasar peristiwa yang telah terjadi. Contoh penggunaannya adalah pada harga pembukaan harga saham di bursa efek berdasar performa sebelumnya. Ada sejumlah model untuk deret waktu. Dua jenis model yang banyak digunakan adalah: 1. Model Rataan Bergerak (Moving Average/MA) 2. Model autoregresif (AR). Kedua model ini bergantung pada data sebelumnya secara linier dan dibahas lebih detail pada autoregressive moving average models (ARMA).
Analisis data deret waktu pada dasarnya digunakan untuk melakukan analisis data yang mempertimbangkan pengaruh waktu. Data-data yang dikumpulkan secara periodik berdasarkan urutan waktu, bisa dalam jam, hari, minggu, bulan, kuartal dan tahun, bisa dilakukan analisis menggunakan metode analisis data deret waktu. Analisis data deret waktu tidak hanya bisa dilakukan untuk satu variabel (Univariate) tetapi juga bisa untuk banyak variabel (Multivariate). Selain itu pada analisis data deret waktu bisa dilakukan peramalan data beberapa periode ke depan yang sangat membantu dalam menyusun perencanaan ke depan. Beberapa bentuk analisis data deret waktu dapat dikelompokkan ke dalam beberapa katagori sebagai berikut : 1. Metode Pemulusan (Smoothing). 2. Model ARIMA (Autoregressive Integrated Moving Average). 3. Analisis Deret Berkala Multivariate. Konsep dasar analisis deret waktu adalah: 1. 2. 3. 4.
Tersedianya data satu peubah(variabel) berdasarkan waktu. Perilaku informasi spt: permintaan, penawaran, harga, dsb. Pengetahuan dan pengalaman tentang tingkah laku dari peubah yang diamati. Prediksi atau peramalan beberapa periode kedepan.
Komponen Analisis Deret Waktu adalah: 1. 2. 3. 4.
Secular or Long-term Trend. Cyclical Movement. Seasonal Variation. Irregular Component.
Contoh Data deret waktu: 1. Ekonomi : banyaknya barang terjual setiap hari, total ekspor setiap bulan, keuntungan perusahaan setiap tahun, dsb; 2. Fisika : curah hujan bulanan, suhu udara harian, dsb; 3. Biomedis : denyut nadi, detak jantung, dsb. Karena data deret waktu merupakan regresi data atas waktu, dan salah satu segi (aspect) pada data deret waktu adalah terlibatnya sebuah besaran yang dinamakan autokorelasi (autocorrelation), yang konsepsinya sama dengan korelasi untuk data multivariat, dalam analisis regresi biasa. Signifikansi (keberartian) autokorelasi menentukan analisis regresi yang harus dilakukan pada data deret waktu. Jika autokorelasi tidak signifikans (dalam kata lain data deret waktu tidak berautokorelasi), maka analisis regresi yang harus dilakukan adalah analisis regresi sederhana biasa, yaitu analisis regresi data atas waktu. Sedangkan jika signifikans (berautokorelasi) harus dilakukan analisis regresi data deret waktu, yaitu analisis regresi antar nilai pengamatan. Segi lain dalam data deret waktu adalah kestasioneran data yang diklasifikasikan atas stasioner kuat (stasioner orde pertama, strickly stationer) dan stasioner lemah (stasioner orde dua, weakly stationer), dan kestasioner ini merupakan kondisi yang diperlukan dalam analisis data deret waktu, karena akan memperkecil kekeliruan baku. Sebagai akibat dari terdapatnya komponen-komponen dalam data deret waktu dan terjadinya hubungan antar komponen, adalah berautokorelasinya antar pengamatan sehingga dapat dibangun sebuah hubungan fungsional yang dinamakan regresi deret waktu. Analisis data deret waktu merupakan telaahan khusus dari analisis regresi biasa, seperti halnya analisis ekonometrika dan analisis disain eksperimen. Analisis regresi deret waktu adalah analisis regresi dalam kondisi variabel respon berautokorelasi, sehingga antar variabel respon dapat dibangun sebuah hubungan fungsional, yang dalam analisis data deret waktu bentuk hubungannya selalu digunakan regresi linier. Konsepsi analisis regresi linier biasa dapat digunakan secara utuh dalam analisis regresi deret waktu, hanya proses perhitungan nilai penaksir parameternya tidak selalu bisa dijadikan acuan. Dalam analisis regresi linier biasa, proses perhitungan taksiran parameter selalu dapat dilakukan dengan menggunakan perhitungan matriks, sebab sistem persamaan parameternya selalu merupakan sistem persamaan linier. Sedangkan dalam analisis regresi deret waktu, ada beberapa model yang perhitungan taksiran parameternya harus menggunakan metoda iterasi atau rekursif, sehingga sebagian besar persoalan analisis regresi deret waktu harus diselesaikan dengan menggunakan fasilitas komputer. Dalam analisis data deret waktu, jika pengamatan berautokorelasi maka model hubungan
fungsionalnya dibangun berdasarkan kondisi kestasioner data, sehingga model regresi deret waktu dikelompokan atas regresi deret waktu stasioner dan regresi deret waktu tidak stasioner. Model regresi deret waktu tidak stasioner identik dengan model regresi deret waktu stasioner, yang terlebih dulu data distasionerkan melalui proses diferensi. Jika data deret waktu Xt , t = 1, 2, . . . berautokorelasi maka model regresi antar pengamatan (autoregresi). Dalam analisis data deret waktu, proses analisis baku yang harus dilakukan adalah: 1. Memetakan nilai data atas waktu, hal ini dilakukan untuk menelaah kestasioneran data, sebab jika data tidak stasioner maka harus distasionerkan melalui proses stasioneritas. 2. Menggambarkan korelogram (gambar fungsi autokorelasi), untuk menelaah apakah autokorelasi signifikans atau tidak, dan perlu-tidaknya proses diferensi dilakukan. Jika autokorelasi data tidak signifikans, analisis data cukup menggunakan analisis regresi sederhana data atas waktu, sedangkan jika signifikans 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 menstasioner kan data. Jika dari korelogram disimpulkan bahwa autokorelasi signifikans, maka bangun model regresi deret waktunya, dan lakukan penaksirannya baik dalam kawasan waktu maupun kawasan frekuensi. 3. Lakukan proses peramalan dengan metode yang sesuai dengan kondisi datanya, dan untuk mendapatkan hasil yang memuaskan sebaiknya gunakan metode Box-Jenkins . Semua proses tersebut dapat dilakukan dengan mengunakan kemasan program (software) komputer, dan telah banyak kemasan program yang dapat digunakan diantaranya SPSS dan Minitab. Untuk mengetahui lebih lanjut dapat dilihat di sini. Dapat juga di download File download File download
