May 11, 2012

Teori Analisis Time Series

teori time seriesKali ini sy akan membahas materi mata kuliah saya mengenai time series(untuk slnjutnya akan sy sebut TS ya). mumpung masih fresh karena habis UTS kmren. yg menurut ane hasilnya agak baik atau soalnya yg gampang ya atau mungkin perasaan positif yg berlebihan. mudah2n baik lah hasilnya. Amiin.




Tapi sy ingin berbagi ilmu kepada teman-teman sekalian. tp sepengetahuan ane aja ya, klo ada yg perlu dikritik atau saran dibilang aje ya. ane dengan senang hati menerimanya.


Sebelum kita masuk pada intinya. kita harus kenalan dulu nih, sebenarnya TS itu apa sih? mungkin dah pada klo tau TS. tp ane beri pendpat ya "time series merupakan kumpulan kejadian-kejadian masa lalu yang dirangkum menjadi satu deret waktu sehingga menghasilkan data yang dapat dilihat dari periode ke periode.



Pertanyaan yang lebih penting. buat apa sebenarnya kita belajar TS ini? apa kelebihannya? bedanya dengan yang laen apa? nah! untuk menjawab ini semua sy akan sedikit mengilustrasikan dengan kasus.


"pada tahu kan mengenai krismon? krismon kan krisis moneter di indonesia pada tahun 1997, pada mulanya krismon ini tidak diduga2 muncul, bahkan pada saat injury time (bola kali) baik pakar2 ekonomi berkaliber2(saking hebatnya) tidak menduga krismon akan muncul, namun jauh2 waktu sebelumnya malah ahli psikologi, antropolgi sudah mengingatkan bom waktu itu akan terjadi." inti dari cerita yang agak kurang tidak jelas ini yaitu apabila kita bisa mengetahui lebih awal kalau krismon akan muncul, kita bisa mengantisipasi dengan berbagai kebijakan sehingga krismon ini tidak begitu besar dampaknya dan cepat terselesaikan. so, inti dari TS ini yaitu meramalkan masa depan. tp bukan asal meramalkan,meramalkan secara ilmiah. bukan asal2an meramal yg sudah diuji. sehingga dari ramalan bisa dijadikan dasar untuk menentukan kebijkan kedepan supaya kejadian tidak diinginkan bisa tak terjadi.

Untuk kali ini saya akan membahas kulitnya saja ya, lagi UTS masalahnya. insya allah postingan selajutnya. yang pertama dibahas yaitu jenis-jenis data.


Jenis-jenis data:


  • Cross sectional
    artinya itu data yang dikumpulkan dalam satu waktu. Contoh:data PDB Indonesia berdasarkan provinsi tahun 2012
  • Time series
    artinya data yang dikumpulkan dalam satu series waktu. Contoh: data PDB Indonesia tahun 1997-2012
  • Panel
    merupakan data gabungan cross sectional dan time series. Contoh: data PDB Indonesia berdasarkan provinsi tahun 1997-2012


untuk kali ini kita akan membahas data time series, untuk data cross sectional mungkin dah sering dengan analisis regresi. sedangkan untuk data panel mungkin tingkatannya lebih tinggi, jadi ane belom bahas. masalahnya ane blom belajar gan.


Inti dari belajar TS adalah forecasting. Dalam metode forecasting dapat digolongkan sebagai berikut:



Disini kita akan focus untuk bagian sebelah kiri yaitu time series method. Selain itu, dalam time series hal yang perlu diperhatikan yaitu jenis datanya. Jenis data ini sangat berpengaruh bagaimana kita menggunakan metode yang tepat pada setiap jenis data.


Berikut jenis data time series dan metode forecesting:

1. Data Stasioner



Data stasioner terjadi bila data berfluktuasi di sekitar rata-rata dan varian yang konstan seperti pada gambar diatas.
Contoh: Data penjualan mobil yang konstan

Metode yang dapat digunakan:

  • Naïve Models
  • Simple Averages
  • Moving Averages
  • Single Exponential Smoothing


2. Data Trend

 

Data Trend erjadi bilamana kenaikan atau penurunan sekuler jangka panjang dalam data. Contoh: penigkatan PDB indonesia dari tahun ke tahun


Metode yang dapat digunakan:


  • Naïve models
  • Double Moving Averages
  • Double Exponential Smothing


3. Data Siklus


 
Data ini terjadi bila data dipengaruhi oleh fluktuasi.

Metode yang dapat digunakan data siklus:


  • Naïve Models
  • Winter’s Model


4. Data Musiman



Data dikatakan data musiman jika terjadi bilamana suatu deret dipengaruhi oleh faktor musiman. Contoh: data produksi durian.


Metode yang dapat digunakan untuk data musiman:


  • Naïve Models
  • Winter’s Model


Selain metode diatas ada satu metode lagi yang paling sering digunakan. Karena kelebihannya yang dapat digunakan hamper di semua jenis data TS yaitu ARIMA(box-jenkins). Untuk semua metode yang saya sebutkan tidak akan saya bahas pada postingan kali ini saya akan melanjutkan di postingan selanjutnya.


Metode-metode diatas memiliki kekurangan dan kelebihan tersendiri. Tapi, untuk menentukan model yang terbaik kita dapat melakukan beberapa pendekatan. Berikut ada beberapa cara untuk melihat model terbaik yang dapat digunakan:


  • MSE(mean square error)/MSD
  • MAD(mean absolute deviation)
  • MAPE(mean absolute percentage error)





Yang perlu diperhatikan model dikatakan baik ketika nilai tersebut yang paling kecil. Biasanya dalam melakukan analisis pada software statistic biasanya ada output seperti itu. Jadi, tidak perlu susah-susah.


Sekian dulu dari penulis. Insya allah akan dilanjutkan untuk metode-metodenya. Ini sedikit dasar agar kedepannya sudah enak gitu. Kritik dan saran ditunggu ya.
Written by: Nasrul Setiawan
STATISTIK CERIA, Updated at: 10:21 AM

3 comments :

  1. Terimakasih atlas sharing ilmunya, bermanfaat banget. Mohon maaf. ada tidak tutorial untuk mengatasi masalah asumsi klasik dengan eviews; dan juga tutorial autoregressive. Terimakasih sebelumnya (Farah)

    ReplyDelete
  2. Terimakasih atas ilmunya, kebetulan sangat membantu sekali. Kebetulan saya sedang menyusun skripsi peramalan beban listrik. Nah, datanya itukan perjam, dan perhari. Metode apa yang cocok dalam penyusunan datanya, karena apabila salah susun data, proses forecastingnya bisa salah.

    Terimakasih

    ReplyDelete
    Replies
    1. sama2.
      hampir semua cara di atas bisa digunakan.
      mungkin bisa pakai ARIMA, atau kalau memungkinkan pakai arch/garch.

      Delete

 

Copyright @ 2013 Statistik Ceria