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.

19 Responses to "Teori Analisis Time Series"

  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
  3. salam, mau nanya sebelumnya :) saya kebetulan sedang meneliti pertumbuhan laba bank (pertahun) dg variabel bebas yg lebih dr satu.. menurut penulis sy lebih cocok memakai cara yg mana ya? trimakasih sebelumnya...

    ReplyDelete
    Replies
    1. Bisa di jelaskan lebih terperinci permasalahn penelitiannya apa supaya bisa ditentukan analisisnya.
      kalau dilihat dari pernyataanya sebaiknya menggunakan ecm. cari aja di blog ini. ada kok.heheehe

      Delete
  4. makasih atas ilmunya ... saya sedang ngerjain tugas kuliah nii mohon pencerahannya perbedaan siple regresi yang ada di time series method dan causal metod itu apa ? mohon pencerahannya

    ReplyDelete
  5. asslm,,
    tulisannya bagus pak,nah pak yang mau saya tanyakan kalau scr teori bgmn kita menentukan bhw sekumpulan data bisa dianalisis dgn metode apa, seandainya bentuk grafik dari data2 aktual/aslinya tidak beraturan? trmksh pak :)

    ReplyDelete
    Replies
    1. jd maksdnya kalau gambar yg disajikan di tulisan bpk di atas bentuk grafiknya jelas, jd scr kasat mata mudah ditebak jenis apa (trend,siklus,stasioner, atau musiman kah) data tsb, shg mudah utk menentukan metode analisis forcastingnya

      Delete
  6. selamat malam, tulisannya sangat membantu dalam mengerjakan salah satu tugas kuliah saya. namun ada yang ingin saya tanyakan disini adalah, apa perbedaan peramalan pada data time series dan perkiraan dengan regresi? mohon penjelasannya. terimakasi

    ReplyDelete
  7. Assalammualaikum saya mau tanya cara mengukur arus kas masa depan itu gmn ya?
    email : wahyudiputra962@yahoo.com

    ReplyDelete
  8. assalamualaikum pak apakah bisa data time series diuji dengan uji normalitas-uji stasioneritas lalu langsung ke uji F,t dan goodness to fit tanpa ada uji asumsi klasik?

    ReplyDelete
  9. Mas nasrul boleh minta sumber dari mana /bukunya apa saja?

    ReplyDelete
  10. Mas, saya mau nanya mengenai pendekatan model terbaik atau tingkat akurasi menggunakan MAPE dan MSE. Dalam referensi, hanya MAPE yang memiliki kejelasan mengenai tingkatan akurasinya baik atau buruk. Sedangkan MSE, metode bernilai baik jika MSEnya mendekati nol. Nah setelah saya hitung2, jika saya meramalkan data dlm rentang 0-1 misalkan tingkat inflasi BI, kan kalau inflasi datanya itu 0.02 , 0,3 ya pokoknya 0, skian, nah itu MSE nya pasti kecil, dapatnya "nol koma sekian " juga. Sednangkan dalam kasus misalnya meramalkn jumlah pasien misalnya yg pasti nilainya besar, minimal 1 kan, itu MSE yg diperoleh bukan "nol koma sekian ", nah tapi jika data pasien itu saya ubah semua yakni dengan membagi 100 pada tiap data, misalnya pasien januari itu harusnya ada 42 orang, saya ubah menjadi 0,42 dan seterusnya, itu MSE nya juga ikutan kecil Beda dengan MAPE yang tidak berpengaruh sama sekali. Nah pertanyaan saya, bagaimana cara mengidentifikasi apakah metode peramalan tersebut baik atau buruk jika dilihat dari MSE nya? ataukah MSE hanya sebagai hitungan error saja, jadi untuk tau metodenya baik atau nggak itu hrus dilakukan komparasi dengan metode lain menggunakan data yg sama, baru dibandingkan MSE nya? Begitu saja mas, terimakasih sebelumnya, maaf kalimatnya berantakkan.

    ReplyDelete
  11. Terimakasih sangat membantu sekali ..kalo boleh saya mau tanya mas ..saya kan lagi skripsi mas nah skripsi saya itu data nya hanya satu mas ..saya bingung sekali bagaimana cara analisinya terimakasih mas sebelum nya

    ReplyDelete
  12. terima kasih gan, sangat membantu artikelnya

    ReplyDelete
  13. kak boleh minta file materinya kak ?

    ReplyDelete
  14. Bisa minta alamat emailnya utk kasa pengolahan?

    ReplyDelete
  15. Selamat siang mohon maaf menggangu waktu bapak/Ibu. saya izin bertanya. untuk menghitung peramalan jumlah produk CPO kelapa sawit cocok nya menggunakan data apa ya bapak ibu?
    dan untuk mendapatkan materinya itu judulnya apa ya?

    ReplyDelete