Você está na página 1de 48

Modul Analisis Dekomposisi

dan Model Runtut Waktu


DR. MUDRAJAD KUNCORO, M.Soc.Sc
Fakultas Ekonomi & Pascasarjana UGM
Outline:
• Akar Unit
• Exponential
Smoothing
• Moving Average
• Trend
• Proyeksi
Apa Arti Runtut Waktu?
• Data runtut waktu (time • Runtut waktu dianalisis
series) merupakan data untuk menemukan pola
yang dikumpulkan, variasi masa lalu yang
dicatat, atau diobservasi dapat dipergunakan
sepanjang waktu secara untuk: (1) memprakirakan
berurutan nilai masa depan dan
• Periode waktu dapat membantu dalam
tahun, kuartal, bulan, manajemen operasi
minggu, dan di beberapa bisnis; (2) membuat
kasus hari atau jam. perencanaan bahan
baku, fasilitas produksi,
dan jumlah staf guna
memenuhi permintaan di
masa mendatang.
Mengapa Mempelajari
Analisis Runtut Waktu?
• Karena dengan • Empat komponen yang ditemukan
dalam analisis runtut waktu adalah:
mengamati data 1. Trend, yaitu komponen jangka panjang
runtut waktu akan yang mendasari pertumbuhan (atau
penurunan) suatu data runtut waktu.
terlihat empat
2. Siklikal (cyclical), yaitu suatu pola
komponen yang fluktuasi atau siklus dari data runtut
mempengaruhi waktu akibat perubahan kondisi
ekonomi.
suatu pola data 3. Musiman (seasonal), yaitu fluktuasi
masa lalu dan musiman yang sering dijumpai pada
sekarang, yang data kuartalan, bulanan atau
mingguan.
cenderung berulang 4. Tak beraturan (irregular), yaitu pola
di masa mendatang acak yang disebabkan oleh peristiwa
yang tidak dapat diprediksi atau tidak
beraturan, seperti perang, pemogokan,
pemilu, atau longsor maupun bencana
alam lainnya.
Jenis Teknik Peramalan
Metode Delphi

Opini juri
Model kualitatif eksekutif
Komposit
kekuatan
penjualan
Survei pasar
konsumen

Rata-rata
bergerak
Teknik peramalan Model runtut Exponential
waktu smoothing

Proyeksi trend

Analisis regresi

Model kausal

Metode ARIMA
Sumber: Render & Stair, 2000: 156-7) (Box-Jenkins)
Model Runtut Waktu
• Model runtut waktu • Dengan kata lain,
berusaha untuk model runtut waktu
memprediksi masa mencoba melihat apa
depan dengan yang terjadi pada
menggunakan data suatu kurun waktu
historis tertentu dan
menggunakan data
runtut waktu masa
lalu untuk
memprediksi.
Model Kausal
• Model kausal • Model kausal biasanya
memasukkan dan menggunakan analisis
menguji variabel-variabel regresi untuk menentukan
yang diduga mana variabel yang
mempengaruhi variabel signifikan mempengaruhi
dependen. variabel dependen
• Model kausal juga dapat
menggunakan metode
ARIMA atau Box-Jenkins
untuk mencari model terbaik
yang dapat digunakan dalam
peramalan
Model Kualitatif
• model kualitatif • Model semacam ini
berupaya diharapkan akan
memasukkan faktor- sangat bermanfaat
faktor subyektif dalam apabila data
model peramalan kuantitatif yang akurat
sulit diperoleh
Model Peramalan Runtut Waktu
• Model runtut waktu yang dipilih• Apabila data runtut waktu
untuk peramalan tergantung dari mengandung unsur trend, maka
apakah data yang digunakan peramalan yang dapat digunakan
mengandung unsur trend atau adalah teknik trend linear, trend
tidak kuadratik, trend eksponensial, artau
• Apabila data tidak mengandung model autoregresif.
unsur trend, maka teknik• Bagaimana mengidentifikasi apakah
peramalan yang dapat digunakan suatu data runtut waktu mengandung
adalah dengan penghalusan komponen trend atau tidak? Salah
eksponensial (expionential satu cara yang bisa dilakukan adalah
smoothing), dan rata-rata dengan menggunakan Uji Akar Unit
bergerak (moving average)
Model Peramalan Runtut Waktu
Dengan atau Tanpa Trend
Runtut waktu

Exponential smoothing

Mengan Tidak
-dung
unsur
trend?
Moving average

Ya

Trend linear Trend kuadratik Trend Model autoregresif


eksponensial
Uji Akar Unit
• Uji Akar Unit (unit root test) atau ADF (Augmented
Dickey Fuller) dipakai untuk mengetahui data runtut
waktu mengandung unsur trend atau tidak
• Uji akar unit atau ADF juga penting untuk mengetahui
apakah data stasioner atau tidak
• Uji ini berisi regresi dari diferensi pertama data runtut
waktu terhadap lag variabel tersebut, lagged diference
terms, konstanta dan variabel trend.
Uji Akar Unit
1. File_ Open_Workfile: ”Bank.Wf1:
2. Show_ : RPUS (data rpus) _ OK
Uji Akar Unit
View__Unit Root Test__ (gunakan Level pada Unit Root Test) OK
Uji Akar Unit
• Hasil Uji ADF menunjukkan bahwa data RPUS
tidak stasioner, yang ditunjukkan oleh statistik
Dickey Fuller yang lebih kecil (dalam harga
mutlak) dari nilai kritis Mac Kinnon pada derajat
kepercayaan berapapun
• Solusinya: menciptakan variabel baru dengan
cara first difference (misal: DRPUS) kemudian
uji ADF kembali
• Tahapan dan Hasilnya sebagai berikut:
Uji Akar Unit
View__Unit Root Test__ (gunakan 1st Difference pada Unit Root Test) OK
Uji Akar Unit
Kesimpulan Hasil Uji Akar:
1. Data RPUS tidak memiliki akar unit dan data
stasioner pada derajad t atau I (1)
2. Nilai t statistik Dickey-Fuller lebih besar dari
pada nilai kritis MacKinnon, pada derajat 1%,
sehingga hipotesis yang menyatakan RPUS
memiliki akar unit ditolak
3. Data RPUS tidak memiliki trend, karena t
statistik untuk variabel trend ternyata tidak
signifikan
Exponential Smoothing
(Penghalusan Eksponensial)
• Metode ini adalah suatu • Formula menghitung
prosedur yang secara penghalusan
terus menerus eksponensial adalah:
memperbaiki peramalan
dengan merata-rata F1 = Ft-1 +  (At-1 – Ft-1)
(menghaluskan=smoothin
g) nilai masa lalu dari
suatu data runtut waktu di mana F1 = peramalan
dengan cara menurun baru; Ft-1 = peramalan
(eksponensial). sebelumnya;  =
konstanta penghalusan
(0< <1); At-1 = data asli
pada periode
sebelumnya.
Exponential Smoothing
Exponential Smoothing
• Tahapan (data Edo) Exponential Nama RMSE
• Quick Smoothing Variabel
– Series Statistic
• Exponential Smoothing
– Series name: RPUS
Single RPUSS 1304.241
– Ok
– Pilih Single

(tinggal dipilih metode yang


HW-N RPUSHWN 1303.335
akan digunakan, Single,
double, Hot Winter, etc
dan data diberi nama
baru misal RPUSS untuk HW-M RPUSHWM 1094.471
metode single, etc)
RPUS: Aktual vs Single
Smoothing
• Tahapan Dengan Eviews
• Quick 16000

– Graph 14000

• Line 12000

10000
Series List:
8000

rpus rpuss 6000

– Ok 4000

2000
1995 1996 1997 1998 1999

RPUS RPUSS
Double Exponential Smoothing

• Tahapan (data Edo) Exponential Nama RMSE


• Quick Smoothing Variabel
– Series Statistic
• Exponential Smoothing Single RPUSS 1304.241
– Series name: RPUS
– Ok
– Pilih Doble
– (tinggal dipilih metode HW-N RPUSHWN 1303.335
yang akan digunakan,
Single, double, Hot
Winter, etc dan data
diberi nama baru
misal RPUSD untuk HW-M RPUSHWM 1094.471
metode Double, etc)
Double Exponential Smoothing:
RPUS Aktual VS Double

• Tahapan Dengan Eviews Grafik RPUS dengan RPUSD


• Quick 16000
– Graph
14000
• Line
– Series List: rpus rpusd 12000

– Ok 10000

8000

6000

4000

2000
1995 1996 1997 1998 1999

RPUS RPUSD
Rata-Rata Bergerak
(Moving Average)
• Rata-rata bergerak diperoleh • Teknik ini akan
dengan menghitung rata-rata bekerja secara
suatu nilai runtut waktu dan sempurna bila pola
kemudian menggunakannya data yang digunakan
untuk meramal periode stasioner atau relatif
selanjutnya steady, tidak ada
lonjakan maupun
penurunan yang tajam.

Secara matematis:
Mt = Yt+1 = (Yt + Yt-1 + Yt-2 +…+ Yt-n+1)/n
Moving Average
Moving Average
Moving Average

Hasil analisis dengan Moving Average

• Missing
• Result Values First Last Valid Creating
• Variable Replaced Non-Miss Non-Miss Cases Function

• RPUS_1_1 3 59 57 DIFF(RPUS_1,1)
Moving Average
Moving Average
Moving Average
Moving Average

16000

14000

12000

10000

8000

6000

4000

2000 Rp per US$


Value

0 J A AP J U O C J A AP J U O C J A AP J U O C J A AP J U O C J A AP J U O C MA(RPUS,3,3)
N R L T N R L N L N L N L
19 19 19 19 19 19 19 T 19 19R 19 19 T 19 19R 19 19 T 19 19R 19 19 T 19
95 95 95 95 96 96 96 96 97 97 97 97 98 98 98 98 99 99 99 99

DATE. FORMAT: "MMM YYYY"


ANALISIS TREND
SPSS memberikan 4 macam pilihan:
• Trend Linear, yang menghasilkan garis regresi dengan
metode OLS yang paling tepat (best fit) dengan titik-titik
data pada diagram sebaran.
• Trend kuadratik, yang merupakan kurva regresi,
termasuk unsur kuadratik, yang paling tepat (best fit)
dengan titik-titik data pada diagram sebaran.
• Trend kubik, yang merupakan kurva regresi, termasuk
unsur kuadratik dan kubik, yang paling tepat (best fit)
dengan titik-titik data pada diagram sebaran.
• Trend Lowess, yang menggunakan metode iterative
weighted least-squares dalam menghasilkan kurva yang
paling tepat (best fit) dengan titik-titik data pada diagram
sebaran.
Tahapan dengan SPSS: Trend Kurs Rupiah
TREND
Trend Kurs Rupiah
TREND
Trend Kurs Rupiah
TREND
Trend Kurs Rupiah

16000

14000

12000

10000

8000

6000
Rp per US$

4000

2000
0 10 20 30 40 50 60 70

WAKTU

Klik dua kali pada hasil Ouput, Kemudian Chart, lalu pilih Options
TREND
Trend Kurs Rupiah dengan Trend Linear
TREND
Trend Kurs Rupiah dengan Trend Linear
TREND
Trend Kurs Rupiah dengan Trend Linear

16000

14000

12000

10000

8000

6000

4000

2000 Rsq = 0.5848


0 10 20 30 40 50 60 70

WAKTU
TREND
Trend Kurs Rupiah dengan Trend Kubik
TREND
Trend Kurs Rupiah dengan Trend Kubik

16000

14000

12000

10000

8000

6000
Rp per US$

4000

2000 Rsq = 0.7296


0 10 20 30 40 50 60 70

WAKTU
ANALISIS PROYEKSI
Proyeksi Arus Barang Pelabuhan “X”
Tahun Aktual Moderat Pesimis Optimis
1991 19094860 19488780 13280634 25696925
1992 21139756 20774026 14735844 26812208
1993 22521172 22059273 16160586 27957959
1994 23362290 23344519 17552659 29136380
1995 25803551 24629766 18910231 30349301
1996 26797977 25915013 20231986 31598039
1997 28039839 27200259 21517233 32883286
1998 25020710 28485506 22765971 34205041
1999 26674746 29770753 23978892 35562613
2000 31632492 31055999 25157313 36954686
2001 32999845 32341246 26303064 38379428
2002 35604394 33626492 27418347 39834638
2003 . 34911739 28505587 41317891
2004 . 36196986 29567297 42826675
2005 . 37482232 30605964 44358500
2006 . 38767479 31623977 45910981
2007 . 40052726 32623562 47481890
ANALISIS PROYEKSI
Proyeksi Arus Barang Pelabuhan “X”
ANALISIS PROYEKSI
Proyeksi Arus Barang Pelabuhan “X”
ANALISIS PROYEKSI
Proyeksi Arus Barang Pelabuhan “X”

Arus Barang
50000000

40000000

30000000

20000000

Observed

10000000 Linear
0 10 20

Sequence
ANALISIS PROYEKSI
Proyeksi Arus Barang Pelabuhan “X”
Grafik Proyeksi
ANALISIS PROYEKSI
Proyeksi Arus Barang Pelabuhan “X”
Grafik Proyeksi
ANALISIS PROYEKSI
Proyeksi Arus Barang Pelabuhan “X”
Grafik Proyeksi

Masukkan pada line present: barang; moderat; pesimis; optimis


ANALISIS PROYEKSI
Proyeksi Arus Barang Pelabuhan “X”
Grafik Proyeksi

50000000

40000000

30000000

Arus Barang

20000000 moderat

pesimis
Value

10000000 optimis
1991 1993 1995 1997 1999 2001 2003 2005 2007
1992 1994 1996 1998 2000 2002 2004 2006

TAHUN
Homework
1. Buka Situs Bank Indonesia: http://www.BI.go.id.
Download data harian kurs tengah Rupiah terhadap
USD mulai dari tanggal 30 April 2002 sd 10 Mei 2005.
2. Apakah Kurs antara 30 April 2002 sd 10 mei 2005
memiliki akar unit? Kurs tersebut stasioner pada
derajat berapa? Apakah kurs tersebut mengandung
unsur trend ataukah tidak? Bila ya, trend jenis apa
yang terbaik untuk menggambarkan perilaku kurs tsb?
3. Dengan analisis proyeksi, cobalah lakukan proyeksi
dengan 3 skenario kurs rupiah dalam 2 bulan
mendatang.