nasional, indeks harga konsumen dari biro pusat statistik dan data perbangkan dari Bank Indonesia.
4. Menurut waktu pengumpulannya a. Data cross section, ialah data yang dikumpulkan pada suatu waktu
tertentu untuk menggambarkan keadaan pada waktu tersebut. Misalnya pendapatan nasionl tahun 1991 menggambarkan keadaan pendapatan
tingkat nasional pada tahun 1991, produksi dan penjualan suatu perusahaan tahun 1992 menggambarkan keadaan produksi dan penjualan
tahun 1992, data beban listrik area Semarang 2014 yang menyatakan konsumsi listrik secara total di daerah Semarang pada tahun 2014 dan
lain sebagainya. b. Data berkala time series, ialah data yang dikumpulkan dari waktu ke
waktu untuk menggambarkan perkembanganpertumbuhan. Data produksi semen Cibinong dari tahun 1974 sd 1992 , data pemakaian
listrik dari tahun 2010 sd 2014 menggambarkan perkembangan tingkat konsumsi listrik selama 4 tahun.
2.4 Model Time Series Analysis
Model time series adalah pendugaan masa depan dilakukan berdasarkan nilai masa lalu dari suatu variable atau kesalahan masa lalu. Tujuan model
time series seperti itu adalah menemukan pola dalam deret data historis dan mengekstrapolasikan pola tersebut ke masa depan. Makridakis, 1995
Ketika sebuah deret waktu digambarkan atau diplot, akan terlihat suatu pola-pola tertentu. Pola-pola tersebut dapat dijelaskan oleh banyaknya
kemungkinan hubungan sebab-akibat. Beberapa pola dari data deret waktu adalah sebagai berikut:
1. Pola acak random atau pola horizontal, dihasilkan oleh banyak pengaruh independen yang menghasilkan pola non-sistematik dan tidak
berulang dari beberapa nilai rataan. Pola acak terjadi karena data yang diambil tidak dipengaruhi oleh faktor-faktor khusus sehingga pola
menjadi tidak menentu dan tidak dapat diperkirakan secara biasa. 2. Pola tren trend, peningkatan atau penurunan secara umum dari deret
waktu yang terjadi selama beberapa periode tertentu. Trend disebabkan oleh perubahan jangka panjang yang terjadi disekitar faktor-faktor yang
mempengaruhi data deret waktu. Pola perkembangan data ini membentuk karakteristik yang mendekati garis linier. Gradien yang naik atau turun
menunjukkan peningkatan atau pengurangan nilai data sesuai dengan waktu.
3. Pola musiman seasonal, dihasilkan oleh kejadian yang terjadi secara musiman atau periodik contoh: iklim, liburan, kebiasaan manusia.
Suatu periode musim dapat terjadi tahunan, bulanan, harian dan untuk beberapa aktivitas bahkan setiap jam. Pola ini terbentuk karena adanya
pola kebiasaan dari data dalam suatu periode kecil sehingga grafik yang dihasilkan akan serupa jangka waktu tertentu berulang-ulang.
4. Pola siklis, biasanya dihasilkan oleh pengaruh ekspansi ekonomi dan bisnis dan kontraksi resesi dan depresi. Pengaruh siklis ini sulit
diprakirakan karena pengaruhnya berulang tetapi tidak periodik. Pola ini masih terus dikembangkan dan diteliti lebih lanjut pemodelannya
sehingga dapat diperoleh hasil yang tepat. 5. Pola autokorelasi, nilai dari sebuah deret pada satu periode waktu
berhubungan dengan nilai itu sendiri dari periode sebelumnya. Dengan autokorelasi, ada suatu korelasi otomatis antar pengamatan dalam sebuah
deret. Autokorelasi merupakan hasil dari pengaruh luar dalam skala besar dan pengaruh sistematik lainnya seperti trend dan musiman.
Sumber: Makridakis, 1995 Gambar 2.2 Pola Data Deret Waktu
Ada beberapa istilah yang sering ditemui dalam analisis deret waktu atau time series analysis :
1. Stasioneritas, berarti tidak ada kenaikan atau penurunan data, yang merupakan asumsi yang sangat penting dalam suatu analisa deret
waktu. Bila tidak terdapat perubahan pada tren deret waktu maka dapat disebut stasioner. Maksudnya, rata-rata deret pengamatan di sepanjang
waktu selalu konstan. Apabila suatu data tidak stasioner maka diperlukan differensiasi pada data tersebut. Yang dimaksud
Differensiasi disini adalah menghitung perubahan atau selisih nilai data yang diobservasi. Bila data masih belum stasioner maka perlu
didifferensiasi lagi hingga stasioner. 2. Autocerrelation Function ACF, merupakan korelasi antar deret
pengamatan suatu deret waktuyang disusun dalam plot setiap lag. 3. Partial Autocerrelation Function PACF, merupakan korelasi antar
deret pengamantan dalam lag-lag pengamatan yang mengukur keeratan antar pengamatan suatu deret waktu.
4. Cross corelation, untuk mengukur korelasi antart deret waktu, tetapi korelasi yang diukur adalah korelasi dari dua deret waktu.
5. Proses white noise, merupakan proses stasioner suatu data deret waktu yang didefinisikan sebagai deret variabel acak yang independen, tidak
berkorelasi, identik, dan terdistribusi. 6. Analisis trend, analisis ini digunakan untuk menaksir model trend
suatu data deret waktu. Ada beberapa model analisis tren, antara lain
model linier, kuadratik, eksponensial, pertumbuhan atau penurunan, dan model kurva S. Analisis tren digunakan apabila deret waktu tidak
ada komponen musiman.
2.5 Metode ARIMA Autoregressive Integrated Moving Average