Analisis time series yaitu jenis analisis yang melibatkan penggunaan data deret waktu atau data time series untuk membuat model yang akan digunakan sebagai dasar peramalan.
Oleh Tju Ji Long · Statistisi
Pada umumnya, terdapat tiga jenis data yang tersedia untuk analisis empiris yakni data cross section, data time series atau data deret waktu, dan data panel [gabungan data cross-section dan time series].
Pemodelan dan peramalan yang melibatkan penggunaan data cross section telah banyak kita bahas dalam materi analisis regresi, sedangkan pemodelan dan peramalan berdasarkan data panel dibahas dalam materi ekonometrika.
Untuk analisis time series atau analisis deret waktu, kita akan fokus pada pemodelan dan peramalan dengan menggunakan data time series. Dengan demikian,analisis time series yaitu analisis yang melibatkan penggunaan data deret waktu atau data time series untuk membuat model yang akan digunakan sebagai dasar peramalan.
Perlu diketahui bahwa menganalisis data berorientasi waktu dan meramalkan nilai di masa mendatang dari suatu data time series adalah salah satu masalah terpenting yang dihadapi analis di banyak bidang, mulai dari keuangan dan ekonomi, manajemen produksi, analisis kebijakan politik dan sosial, hingga menyelidiki dampak keputusan manusia dan kebijakan yang mereka buat terhadap lingkungan.
Akibatnya, ada sekelompok besar orang di berbagai bidang, termasuk keuangan, ekonomi, sains, teknik, statistika, dan kebijakan publik yang perlu memahami beberapa konsep dasar analisis time series dan peramalan.
Dengan menguasai analisis time series, kita dapat memahami penyebab yang mendasari suatu tren atau pola sistemik yang terjadi dari waktu ke waktu. Dengan visualisasi data, kita dapat melihat tren musiman dan menggali lebih dalam mengapa tren ini terjadi. Dengan metode time series yang tepat, kita dapat memprediksi kemungkinan kejadian di masa depan dengan lebih baik.
Berdasar alasan di atas, penulis membuat materi ini dengan harapan dapat menjadi salah satu referensi untuk belajar analisis time series. Pembahasan dalam materi ini merupakan ringkasan dari berbagai buku sebagaimana tercantum pada setiap akhir artikel.
Untuk dapat mengikuti materi ini dengan baik, pembaca diharapkan memiliki latar belakang statistik dasar yang cukup [materi regresi linear akan sangat membantu] dan juga sedikit matematika terutama pengetahuan tentang aljabar matriks, integral, dan turunan. Namun, jika pembaca hanya tertarik pada hasil, detail yang melibatkan manipulasi matriks, integral, dan turunan dapat dilewati.
Dalam materi ini, kita akan mempelajari beberapa model yang dapat diandalkan untuk menghasilkan peramalan. Beberapa model yang akan dipelajari seperti model autoregressive [model AR], model moving average [model MA], dan model autoregressive moving average [model ARMA]. Ketiga model ini termasuk model untuk data time series yang stasioner.
Selain itu, kita juga akan membahas model data time series nonstasioner seperti model ARIMA [autoregressive integrated moving average], model untuk data nonstasioner dengan pola musiman seperti SARIMA [Seasonal ARIMA], dan model untuk data time series nonstasioner yang menunjukkan volatilitas yang tinggi [heteroskedastis] seperti ARCH-GARCH.
Untuk memberikan Anda sedikit gambaran bagaimana analisis time series digunakan untuk melakukan peramalan, perhatikan Gambar 1 berikut yang menunjukkan total penumpang bulanan pada suatu maskapai penerbangan internasional AS selama 12 tahun dari Januari 1949 sampai Desember 1960.
Data time series ini menunjukkan pola musiman karena perjalanan mencapai puncaknya pada akhir bulan musim panas, sedangkan puncak berikutnya terjadi pada musim semi.
Anda diminta untuk memperkirakan atau meramalkan total penumpang pada beberapa bulan berikutnya berdasarkan data pada Gambar 1 di atas. Dengan menggunakan model SARIMA dalam analisis time series, Anda peroleh hasil peramalan seperti tampak pada Gambar 2 berikut.
Gambar 2 di atas menunjukkan hasil peramalan yang menakjubkan, bukan? Penasaran bagaimana hasil tersebut diperoleh? Dengan menguasai analisis time series, Anda dapat membuat banyak model peramalan sesuai dengan data yang tersedia untuk memperkirakan kemungkinan suatu kejadian akan terjadi atau memperkirakan nilai di masa mendatang dari suatu fenomena dengan lebih baik.
Cukup sekian ulasan singkat mengenai apa itu analisis time series dalam artikel ini. Terima kasih telah membaca artikel ini sampai selesai. Jika Anda merasa artikel ini bermanfaat, boleh dibantu share ke teman-temannya, supaya mereka juga bisa belajar dari artikel ini.
Dalam setiap penelitian, adanya data sangat penting sebagai sumber yang nantinya akan menunjukkan hasil dari penelitian tersebut. Data ini memiliki berbagai jenis bentuk dilihat dari karakteristiknya, termasuk dari dimensi waktu yang digunakan.
Data time series dikenal sebagai salah satu jenis data berdasarkan dimensi waktu, selain data cross section dan data panel. Dalam data time series bentuk data dapat berupa kuantitatif maupun kualitatif. Berikut adalah penjelasan lebih lanjut mengenai data time series.
Pengertian Data Time Series
Menurut Wei [1994], time series atau runtun waktu sendiri diartikan sebagai himpunan observasi terurut waktu. Dalam sumber lainnya, data time series adalah sebuah rangkaian pengamatan terkait suatu fenomena, peristiwa, maupun perubahan yang terjadi dari waktu ke waktu.
Selain itu, data time series juga memiliki definisi lain, yakni data yang didapatkan dan disusun berdasarkan urutan waktu atau data yang diperoleh akan diurutkan berdasarkan waktu ke waktu. Data tersebut dapat mingguan, bulanan, tahunan, atau lainnya.
Terakhir, pengertian dari data time series adalah kumpulan data dari unit-unit observasi [individu, rumah tangga, perusahaan, provinsi, negara, dan lain-lain] dalam beberapa kurun waktu yang berbeda, tetapi tetap dalam rentang periode yang sama.
Data time series sebagai metode merupakan cara peramalan dengan memakai analisis plot hubungan antara variabel yang akan diperkirakan dengan variabel waktu.
Sedangkan data time series untuk analisis menurut Hasan [2002] merupakan analisis yang digunakan untuk mengukur sekaligus menerangkan adanya perubahan yang terjadi atau perkembangan data dalam satu periode pengukuran.
Tujuan Penggunaan Data Time Series
Secara umum, tujuan penggunaan data time series adalah untuk menganalisis data yang sudah ada dari waktu terdahulu untuk meramalkan [forecasting] kejadian atau nilai di masa mendatang. Kemudian, data time series dapat menunjukkan informasi mengenai hal-hal berikut:
- Proses random walk
- Proses white noise
- Proses autoregressive
- Proses moving average
- Analisis varians
- Analisis covariance
- Stationary
- Autocorrelation
- Spurious.
Dengan data time series, peneliti mampu mendapatkan data dari sampel yang representatif dan sudah bebas dari outlier. Oleh sebab itu, tujuan lain dari penggunaan time series adalah untuk mengetahui tren atau pola yang dapat menjelaskan varians musiman berdasarkan data yang sesuai dengan keinginan peneliti.
Dalam suatu perusahan, data time series yang dianalisis dapat membantu untuk memahami penyebab yang mendasari tren serta pola sistemik dari masa ke masa. Sedangkan dalam bidang penelitian ekonomi, tujuan dari penggunaan data time series adalah untuk mengenali perilaku aktivitas keuangan maupun perekonomian di waktu yang berbeda-beda.
Contoh Penerapan Data Time Series
Salah satu contoh penelitian yang menggunakan data time series adalah studi yang disusun oleh Anis Mahfud Al’afi, Widiarti, Dian Kurniasari, dan Mustofa Usman asal Universitas Lampung pada tahun 2020 dengan judul artikel Peramalan Data time series Seasonal Menggunakan Metode Analisis Spektral.
Dalam penelitian ini, data time series yang digunakan yaitu data penumpang pesawat Bandar Udara Raden Intan II dari bulan Januari tahun 2012 sampai bulan Agustus 2018. Hasil dari penelitian tersebut ditemukan model SARIMA yang tepat, yakni persamaan SARIMA [0,1,1][0,1,1] untuk membuat prediksi penumpang pesawat pada bulan September 2018 – April 2019 mendatang.
Kelebihan dan Kekurangan Data Time Series
Data time series yang digunakan dalam penelitian memiliki kelebihan dan kekurangannya tersendiri sehingga penggunaannya harus sesuai dengan tujuan dari penelitian. Berikut adalah kelebihan dan kekurangan tersebut:
Kelebihan
- Model lebih mudah dan lebih cepat dibentuk.
- Menghasilkan data yang baik untuk peramalan dalam jangka pendek dan mudah diinterpretasikan.
- Data fleksibel dan dapat mewakili rentang dari karakter deret waktu yang lebar sekaligus terjadi dalam jangka pendek.
- Mempunyai prosedur yang formal dalam proses menguji kesesuaian model.
- Prediksi pada interval ramalan sudah mengikuti model.
- Hasil analisis yang diberikan lebih mendalam apabila dibandingkan dengan metode regresi berganda.
Kekurangan
- Data yang dibutuhkan dalam penelitian relatif banyak.
- Peneliti perlu melakukan analisis terhadap metode pengambilan data dari sumber yang dirujuk.
- Apabila data bertambah, tidak ada cara untuk memperbaharui model yang sudah terbentuk.
- Butuh waktu dan sumber daya lainnya yang lebih besar agar dapat membentuk model yang baik.
- Tidak dapat mengetahui pengaruh variabel-variabel lainnya terhadap variabel tergantung [dependent] yang diamati di masa mendatang selain berdasarkan informasi variabel tergantung dari lag sebelumnya.
- Tidak dapat menangkap hubungan fungsional yang belum diketahui antara variabel independen dengan variabel dependen atau dengan kata lain tidak dapat menangkap hubungan antar variabel yang belum terdapat landasan teorinya.
Kesimpulan Pembahasan
Demikianlah pembahasan mengenai pengertian, tujuan, contoh penggunaan, serta kelebihan dan kekurangan dari data time series. Kesimpulannya, data time series merupakan jenis data terkait peristiwa, kejadian, atau fenomena yang mempunyai urutan waktu pada periode tertentu.
Tujuan penggunaan data time series secara umum adalah untuk menganalisis data-data di masa lalu untuk meramalkan kondisi di masa depan. Contohnya terdapat pada penelitian Al’afi, dkk. [2020] yang menggunakan model SARIMA untuk memperkirakan penumpang pesawat di Bandara Raden Intan II dengan data tahun 2012-2018 untuk tahun 2018-2019.
Kelebihan dari data time series di antaranya, yaitu model lebih mudah dibuat, data lebih mudah diinterpretasikan, dan hasil analisisnya lebih mendala dibanding regresi berganda. Sedangkan kekurangannya adalah butuh banyak data dan tidak dapat mengetahui kemungkinan pengaruh variabel lainnya di masa depan selain dari informasi yang sudah ada.