commit to user 34
permintaan dengan metode kausal dilakukan dengan mencari hubungan antara faktor-faktor yang mempengaruhi permintaan suatu produk
variabel bebas terhadap permintaan suatu produk variabel tak bebas Herlambang, 2000: 105-108.
9. Analisis Deret Berkala Time Series
Makridakis et al. 1999: 329-331 menjelaskan bahwa penggunaan metode-metode peramalan umum meliputi dua tugas dasar yaitu analisis
deret data dan seleksi model peramalan yang paling cocok dengan deret data tersebut. Kategori utama teknik peramalan deret berkala adalah
pemulusan smoothing dan dekomposisi decomposition. Metode pemulusan mendasarkan
ramalannya pada prinsip
perata-rataan penghalusan kesalahan-kesalahan masa lalu dengan menambahkan
persentase kesalahan pada persentase ramalan sebelumnya. Metode dekomposisi deret berkala didasarkan pada prinsip “pemecahan” data deret
berkala ke dalam masing-masing komponennya yaitu musiman, trend, siklus dan unsur random, dan kemudian dilakukan peramalan terhadap
nilai masing-masing dan komposisi tersebut secara terpisah dan akhirnya menggabungkan kembali ramalan-ramalan tersebut.
Pada suatu persamaan dengan metode deret berkala, variabel bebas persamaan merupakan nilai sebelumnya dari variabel tak bebas. Nilai-nilai
ini merupakan nilai-nilai time-laged dari variabel tak bebas, sehingga digunakan istilah auotoregresi AR untuk menjelaskan persamaan
tersebut.
commit to user 35
俰
1
俰
1 2
俰
2
俰 …
1 Kemudian dilakukan pembobotan terhadap nilai-nilai sebelumnya
sehingga persamaan 1 menjadi bentuk sebagai berikut : 俰
1 1
2 2
尳
… 2
Keterangan: 俰
= variabel terikat pada saat t Y
1
… Y = variabel terikat pada saat time lag t – 1 …. t – k
a = konstanta
b
1
… b
k
= parameter dari Y
1
… Y = nilai kesalahan pada saat t
e
1
… e = nilai kesalahan pada periode sebelumnya
Pada persamaan 2 secara eksplisit ditetapkan hubungan ketergantungan antara nilai-nilai kesalahan yang berurutan dan persamaan disebut model
moving average MA. Model-model autoregresif AR dapat secara efektif digabungkan dengan model moving average MA untuk
membentuk kelas model yang sangat umum dan berguna dalam model deret
berkala yang
biasanya dinamakan
pola atau
proses autoregresivemoving average ARMA.
Alat-alat metodologi untuk menganalisis data deret berkala diantaranya adalah Makridakis et al., 1999: 337-348 :
commit to user 36
a. Plot data Langkah pertama yang baik untuk menganalisis data deret berkala
adalah memplot data tersebut secara grafis. Hal ini akan bermanfaat untuk memplot berbagai versi data moving average untuk menetapkan
adanya trend penyimpangan nilai tengah untuk menghilangkan pengaruh musim pada data deseasonilize the data.
b. Koefisien autokorelasi Statistik kunci di dalam analisis deret berkala adalah koefisien
autokorelasi, yaitu korelasi deret berkala dengan deret berkala itu sendiri dengan selisih waktu lag 0, 1, 2 periode atau lebih.
c. Distribusi sampling autokorelasi Konsep dari distribusi sampling sangat penting di dalam analisis deret
berkala karena dapat memberikan petunjuk untuk menilai koefisien autkorelasi dan bagaimana hubungannya dengan signifikansi.
d. Periodogram dan analisis spektral Dilakukan dengan menguraikan data dalam himpunan gelombang
sinus siklus pada frekuensi yang berbeda-beda. Nilai pengujian kumpulan amplitude dari berbagai gelombang tersebut dapat
membantu penentapan unsur random, unsur musiman, dan autokorelasi positif atau negatif dalam deret berkala.
e. Koefisien autokorelasi parsial Autokorelasi parsial digunakan utnuk mengukur tingkat keeratan
association antara dan
, apabila pengaruh dari time lag 1, 2,
commit to user 37
3, … dan seterusnya sampai 1 dianggap terpisah. Koefisien
autokorelasi berorde didefinisikan sebagai koefisien autoregresif
terakhir dari model AR 晦 .
10. Metode Box-Jenkins ARIMA
