Analisis Runtun waktu Time Series Analysis

2.3 Analisis Runtun waktu Time Series Analysis

Time Series merupakan rangkaian pengamatan kuantitatif yang diatur dalam urutan kronologis. Menurut Makridakis,et al 1999: 9, tujuan metode peramalan runtun waktu adalah menemukan pola dalam deret data historis dan mengekstrapolasikan pola tersebut ke masa depan. Dalam memilih suatu metode runtun waktu harus mempertimbangkan jenis pola data. Pola data tersebut dibedakan menjadi empat, yaitu: 1. Pola horisontal H, terjadi apabila nilai data berfluktuasi disekitar rata-rata yang tetap atau dengan kata lain stasioner terhadap rata-rata. 2. Pola musiman S, terjadi apabila suatu runtun waktu dipengaruhi oleh faktor musiman, misalnya harian, bulanan, atau tahunan. 3. Pola siklis C, terjadi apabila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang. 4. Pola trend T, terjadi apabila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Banyak deret data yang mencakup kombinasi-kombinasi dari pola-pola di atas. Metode peramalan yang dapat membedakan setiap pola harus dipakai bila diinginkan adanya pemisahan komponen pola tersebut. Demikian pula, metode peramalan alternatif dapat digunakan untuk mengenali pola dan mencocokkan data secara tepat sehingga nilai mendatang dapat dirumuskan. Analisis runtun waktu merupakan salah satu prosedur statistika yang diterapkan untuk meramalkan struktur probabilistik keadaan yang akan terjadi di masa yang akan datang. Interval waktu antar indeks waktu dapat dinyatakan dalam satuan waktu yang sama Hendikawati, 2014: 8. Dasar pemikiran time series adalah pengamatan sekarang tergantung pada satu atau beberapa pengamatan sebelumnya . Dengan kata lain, model time series dibuat karena secara statistik ada korelasi antar deret pengamatan. Sehingga dapat digunakan untuk meramalkan pada beberapa periode ke depan serta leat time l yang menyatakan periode peramalan di masa mendatang. Fungsi dari akan menyediakan peramalan pada titik awal dengan objek mendapatkan nilai mean square deviations sekecil mungkin diantara nilai aktual dengan peramalan untuk setiap lead time l. Beberapa konsep yang berkaitan dengan analisis time series adalah: 1. Plot data Plot data merupakan langkah pertama untuk menganalisis data runtun waktu dengan memplotkan data secara grafis. Hal ini bermanfaat untuk menetapkan adanya trend penyimpangan nilai tengah dan adanya pengaruh musiman. 2. Fungsi autokorelasi Fungsi autokorelasi atau Autocorelation Function ACF merupakan suatu fungsi yang menunjukkan besarnya korelasi atau hubungan linier antara pengamatan pada waktu saat sekarang dengan pengamatan pada waktu-waktu sebelumnya . 3. Fungsi autokorelasi parsial Seperti halnya fungsi autokorelasi, Partial Autocorrelation PACF adalah korelasi antarderet pengamatan suatu deret waktu. Kegunaan PACF yaitu mengukur hubungan keeratan antar pengamatan suatu deret waktu. 4. Stasioner Stasioner berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data berada di sekitar satuan nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut. Bentuk visual dari plot data runtun waktu dapat digunakan untuk melihat data tersebut stasioner atau nonstasioner. Salah satu ciri yang menunjukkan bahwa suatu data stasioner ditandai dengan hasil plot yang grafiknya sejajar dengan sumbu waktu . Pada model stasioner, sifat-sifat statistik di masa yang akan datang dapat diramalkan berdasarkan data historis yang telah terjadi di masa lalu. Pengujian stasioneritas dari suatu data runtun waktu dapat dilakukan dengan cara sebagai berikut: a. Untuk mendeteksi stasioneritas data dapat digunakan plot dari data runtun waktu yaitu plot fungsi autokorelasi ACF dan plot autokorelasi parsial PACF. Jika data mengandung komponen trend maka plot ACF dan PACF akan meluruh secara perlahan. b. Stasioneritas data juga dapat diperiksa dengan mengamati apakah data runtun waktu mengandung akar unit unit root yaitu apakah terdapat komponen trend yang berupa random walk dalam data. Uji Uni Root yang digunakan adalah sebagai berikut. Hipotesis : data tidak stasioner : data stasioner Statistik uji ̂ ̂ Taraf signifikan Kriteria pengujian Jika nilai kritis maka ditolak atau diterima. Jika nilai kritis maka ditolak atau diterima.

2.4 Metode ARIMA