Professional Documents
Culture Documents
Dalam dunia bisnis, data time series diperlukan sebagai acuan pengambilan
keputusan, proyeksi, dan perencanaan strategis pada saat ini maupun pada masa
yang akan datang. Asumsi penting yang harus diperhatikan dalam penggunaan
data time series untuk peramalan adalah: (1) adanya ketergantungan kejadian
masa yang akan datang dengan masa lalu; (2) aktivitas pada masa yang akan
datang mengukuti pola kejadian masa lalu; (3) keterkaitan dengan masa lalu dapat
Beberapa model analisis time series yang sering digunakan adalah analisis
tidak musiman (data tidak teratur sehingga tidak terlihat polanya) digunakan
Metode dekomposisi didasarkan atas asumsi bahwa data time series merupakan
gabungan dari komponen pola dan error. Artinya, Data (Yt) = pola + error = f(Tt,
Ct, St) + It. Dalam hal ini, Yt = variabel dependen, Tt = secular trend, Ct = cyclical
1
Paper disampaikan dan didiskusikan pada “Pelatihan Metode Kuantitatif dengan Program
SPSS, QM, AHP dan AMOS, diselenggarakan oleh Laboratorium Statistik dan Komputer,
Fakultas Pertanian Universitas Mataram, di Mataram, Lombok, Nusa Tenggara Barat, tanggal 1-
30 Juni 2004.
2
Ketua Program Studi Sosial Ekonomi Pertanian (Agribisnis), Jurusan Sosial Ekonomi
Pertanian, Fakultas Pertanian, Universitas Udayana, Denpasar, Bali.
1
movement, St = seasonal fluctuation, dan It = irreguler variation (random).
Penyatuan pola data ini, dapat dilakukan dengan penambahan atau perkalian.
Model perkalian sering disebut model klasik time series, yakni mengalikan empat
mengekstrak komposisi time series menjadi sub pola (bukan pola dasar) sehingga
trend dan musiman, dan berapa periode yang akan diramal. Hasil peramalan sudah
2
(seasonal indices). Di pihak lain, analisis rerata bergerak (MA) membutuhkan
input, seperti panjang periode MA (misalnya 3 bulan), jumlah periode yang akan
Tingkat ketepatan model (accuracy of model), antara lain ditunjukkan oleh nilai
MAPE (mean absolute percentage error), MAD (mean absolute deviation), dan
MSD (mean square deviation). Semakin kecil nilai-nilai MAPE, MAD dan MSD
sebuah model, semakin akurat peramalan yang dihasilkan oleh model tersebut.
Dengan berkembangnya program komputer, seperti Minitab dan SPSS, saat ini
pemilihan berbagai model analisis time series dapat dikerjakan jauh lebih mudah,
cepat dan akurat. Untuk lebih mengapresiasi analisis time series dengan bantuan
program komputer, berikut ini akan diberikan satu contoh analisis time series
software Minitab 13. Data time series penjualan sebuah produk yang akan
dianalisis sudah disiapkan terlebih dahulu dalam format Minitab dan disimpan
Selanjutnya, pada menu utama, pilih Stat, Time Series, dan Decomposition
(Gambar 1), dan akan muncul kotak dialog Decomposition (Gambar 2).
3
Gambar 1. Menu Utama Statistik untuk Memilih Analisis Dekomposisi
pilihan Model Type, dan Trend plus seasonal pada pilihan Model
Components. Pada First obs.is in seasonal period, ketik angka1, lalu aktifkan
terakhir (dengan cara mengisi kotak Starting from origin dengan angka 16;
data sale mempunyai length = 16), dan terakhir ketik OK. Hasil olahan
4
Gambar 2. Kotak Dialog Dekomposisi dengan Beberapa Pilihan Model dan
Masukan untuk Analisis Dekomposisi
Data sale
Length 16.0000
NMissing 0
Yt = 11.9 + 0.394118*t
Seasonal Indices
Period Index
1 0.889655
2 1.15999
3 0.913351
4 1.03700
Accuracy of Model
MAPE: 1.54914
MAD: 0.23623
MSD: 0.07229
Forecasts
1 17 16.5476
2 18 22.0331
3 19 17.7083
4 20 20.5143