P. 1
Analisis Data Deret Waktu

Analisis Data Deret Waktu

|Views: 5,636|Likes:
Published by uneholicz

More info:

Published by: uneholicz on Aug 23, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/03/2013

pdf

text

original

Setelah model regresi dibangun berdasarkan sebuah sampel, selanjutnya adalah

menghitung penaksir (ramalan) nilai-nilai pengamatan, hal ini diperlukan untuk menelaah

besarnya kekeliruan jika model tersebut digunakan sebagai model ramalan. Besaran yang

digunakan sebagai acuan untuk menyimpulkan bahwa model yang dibangun cocok dan

baik untuk peramalan, adalah residu (Rt), yaitu selisih antara nilai pengamatan (xt)

dengan nilai ramalannya(t
x

), Rt = xt − t
x

.

43

Karena kekeliruan (error, et) merupakan variabel acak tidak terukur, untuk menelaah

dipenuhi-tidaknya asumsi pada model, yaitu rata-rata sama dengan 0, varians konstan,

dan tidak berautokorelsi, residu ( Rt ) digunakan sebagai variabel penelaahnya. Sebuah

model ramalan disebut cocok dan baik, jika

1. taksiran koefisien regresi signifikans,

2. kekeliruan baku, yang diukur oleh simpangan baku residu, nilainya kecil,

3. asumsi pada kekeliruan dipenuhi, dan

4. tidak ada pencilan, yang dalam prakteknya model tanpa pencilan sulit dihindari,

sehingga jika ada maka dilakukan telaahan khusus mengenai keberadaannya.

Untuk menelaah secara “visual” apakah sebuah model regresi baik dan cocok untuk

digunakan sebagai model ramalan, dapat dilakukan berdasarkan diagram pencar (scatter

diagram) nilai pengamatan atau nilai ramalan dengan nilai residunya. Kesimpulan yang

dapat dikemukakan sehubungan dengan pola pencaran titik adalah sebagai berikut.

1. Sebuah model disebut baik dan cocok jika gambar menyajikan sebuah pencaran titik

yang berada pada “pita tipis yang meliput secara acak dan seimbang” garis rata-rata

hitung kekeliruan yang sejajar sumbu residu.

2. Jika pencaran titik meliput seimbang garis rata-rata yang sejajar sumbu residu, tetapi

membangun pola “terompet”, maka model cocok tetapi asumsi varians konstan

(homogen) tidak dipenuhi.

3. Jika pencaran titik berada pada “pita tipis” yang meliput tidak seimbang garis rata-

rata dan sejajar sumbu residu, maka model cocok tetapi asumsi kekeliruan sama

dengan 0 tidak dipenuhi.

4. Jika pencaran titik meliput seimbang garis rata-rata yang sejajar sumbu residu, tetapi

membangun sebuah pola siklometri, maka model cocok tetapi asumsi kekeliruan

saling bebas tidak dipenuhi.

Sebagai ilustrasi disajikan gambar-gambar di bawah ini untuk bahan telaahan

44

xt (t
x

)

rata-rata
Rt

Gambar 2.12a
Model cocok dan baik untuk peramalan

xt (t
x

)

rata-rata

Rt

Gambar 2.12b
Model cocok dan baik tetapi memiliki pencilan

xt (t
x

)

rata-rata

Rt

Gambar 2.12c
Model cocok untuk peramalan tetapi tidak baik
karena varians kekeliruan tidak homogen (konstan)

45

xt (t
x

)

rata-rata

Rt

Gambar 2.12d
Model cocok untuk peramalan tetapi tidak baik
karena rata-rata hitung kekeliruan tidak sama dengan 0

xt (t
x

)

rata-rata

Rt

Gambar 2.12e
Model cocok untuk peramalan tetapi tidak
baik karena kekeliruannya berautokorelasi

Chatfield (1984), Box dan Jenkins (1976) mengemukakan, konsepsi analisis residual

pada regresi biasa seperti yang telah dikemukakan, berlaku jika variabel respon (variabel

tidak bebas) tidak berautokorelasi, dan tidak ada multikolinieritas pada variabel

explanatory (variabel bebas). Sedangkan dalam analisis data deret waktu, jika data

berautokorelasi pada lag-k, maka terdapat hubungan fungsional antara Xt , Xt-1 , . . . , Xt-k

dan pada saat dibangun model regresinya, Xt sebagai variabel respon, Xt-1 , Xt-2 , . . . , Xt-k

sebagai variabel explanatory, sehingga jika pada identifikasi model, pengambilan nilai

lag tidak cocok (kurang dari k), maka akan terjadi pelanggaran konsepsi analisis regresi

biasa, karena adanya multikolinieritas pada Xt-1 , Xt-2 , . . . , Xt-k , dan ketidak bebasan

(berautokorelasi) pada Xt.

Penggunaan analisis residual dalam regresi deret waktu dilakukan untuk dua telaahan

utama, yaitu memeriksa kecocokan autokorelasi dan menguji kecocokan dan kebaikan

model. Jika dalam analisis regresi biasa peta residual ditelaah salah satu saja, yaitu peta

46

residual antara nilai pengamatan dengan residu atau nilai ramalan dengan residu, sebab

hasilnya akan identik. Tetapi dalam analisis data deret waktu peta residual harus ditelaah

untuk keduanya, sebab peta residual nilai pengamatan dengan residu untuk menelaah

kecocokan model dan peta residual nilai ramalan dengan residu untuk menelaah kebaikan

model. Selain itu perlu juga ditelaah pola nilai pengamatan dengan ramalannya.

47

BAB 3

PERAMALAN

Peramalan (forecasting) merupakan sasaran dari analisis data dalam kawasan waktu,

yang diperlukan untuk perancangan (planing) dan proses kontrol. Peramalan data deret

waktu banyak dilakukan pada masalah-masalah manajemen, sistem inventory,

pengontrolan kualitas, dan analisis investasi.

Banyak prosedur peramalan data deret waktu yang bisa dilakukan, dan secara umum

dapat diklasifikasikan atas tiga macam, yaitu peramalan secara

1. subjektif.

Peramalan secara subjektif dilakukan hanya dengan mengandalkan daya intuisi dan

kemampuan daya nalar, sehingga pengalaman dan keakhlian dalam menangani

persoalan data deret waktu sangat menentukan akurasi hasil. Peramalan subjektif

bukan sebuah metode statistis atau matematis yang bisa dipelajari secara keilmuan,

sehingga metode ini tidak dijadikan objek dalam analisis data deret waktu.

2. univariat.

Peramalan univariat adalah peramalan yang didasarkan pada sampel data deret waktu

univariat, dengan memperhatikan model hubungan antar pengamatan dan proses

ekstrapolasi atau transformasi data. Proses peramalan ini banyak digunakan dalam

persoalan bidang ekonomi, dan perdagangan. Peramalan mengenai hasil penjualan

suatu produk biasa dinamakan naive atau projeksi. Peramalan univariat merupakan

metode peramalan prinsipal dalam analisis data deret waktu.

3. multivariat.

Seperti sudah dikemukakan, analisis data deret waktu merupakan analisis univariat,

sehingga jika dimiliki data deret waktu multivariat, maka proses yang dilakukan

adalah

1. mentransformasikan pengamatan multivariat menjadi sebuah model univariat,

atau

2. mengadaptasi peramalan univariat dalam sistem multivariat, sehingga analisis

dilakukan dalam bentuk persamaan (model) matriks atau vektor.

48

Peramalan multivariat pada prinsipnya adalah pengembangan dari peramalan

univariat.

Walaupun prosedur peramalan diklasifikasikan dalam tiga macam, tetapi dalam

prakteknya analisis peramalan merupakan kombinasi dari minimal dua prosedur.

Misalnya, peramalan univariat sering dilakukan untuk mengembangkan atau

memperbaiki hasil dari peramalan subjektif, dan peramalan multivariat dilakukan sebagai

pengembangan dari peramalan univariat. Sebagai contoh, peramalan dalam bidang

pemasaran, model peramalan mengenai volume penjualan merupakan gabungan dari

peramalan mengenai frekuensi iklan, pangsa pasar, harga, bentuk, kualitas, dan variabel-

variabel lain yang berhubungan dengan volume penjualan.

Proses peramalan akan berhubungan dengan apa yang dinamakan waktu mendatang

(lead time) dan konsepsi peramalan jangka pendek (short term), yaitu peramalan

dengan lead time yang cukup kecil jika dibandingkan dengan panjang waktu pengamatan.

Misal dalam persoalan persediaan barang (stock control), peramalan jangka pendek

adalah peramalan ketersediaan barang dengan lead time antara waktu pemesanan sampai

pengantaran, yang biasanya memerlukan waktu beberapa minggu atau bulan.

Sebelum memilih prosedur peramalan yang akan dilakukan, perlu untuk

memperhatikan maksud dan tujuan peramalan, waktu, biaya, dan banyaknya data yang

tersedia untuk menentukan lead time yang layak diambil, sehingga proses peramalan

menjadi efektif dan efisien.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->