ANALISIS DATA BERKALA.

Slides:



Advertisements
Presentasi serupa
Analisis Data Berkala A. PENDAHUlUAN
Advertisements

INDEKS MUSIMAN DAN GERAKAN SIKLIS
BAB 3 PERSAMAAN GARIS LURUS Terdiri dari dua sumbu koordinat
REGRESI NON LINIER (TREND)
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
Oleh : Andri Wijaya, S.Pd., S.Psi., M.T.I.
ANALISIS TIME SERIES (ANALISIS DERET BERKALA)
MENGHILANGKAN PENGARUH MUSIMAN DAN TREND
ANALISIS RUNTUT WAKTU.
BAB IX Trend Trend merupakan gerakan yang berjangka panjang , lamban dan berkecenderungan menuju ke satu arah, menuju ke arah naik atau arah menurun. Penggambaran.
Peramalan (Forecasting)
P ertemuan 9 Data berkala J0682.
ANALISIS DATA BERKALA.
BAB X Indeks Musiman & Gerakan Siklis.
ANALISIS DATA BERKALA.
INDEKS MUSIMAN DAN GERAKAN SIKLIS
ANALISIS DATA BERKALA.
REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR
INDEKS MUSIMAN DAN GERAKAN SIKLIS
STATISTIK 1 Pertemuan 11: Deret Berkala dan Peramalan (Analisis Trend)
STATISTIK 1 Pertemuan 14: Deret Berkala dan Peramalan (Analisis Musiman) Dosen Pengampu MK: Evellin Lusiana, S.Si, M.Si.
TREND LINIER SIP-Sesi8.
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
ANALISA REGRESI & KORELASI SEDERHANA
Dian Safitri P.K. ANALISIS TIME SERIES.
METODE-METODE PERAMALAN BISNIS
Bab IX ANALISIS DATA BERKALA.
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
STATISTIK INDUSTRI MODUL 9
STATISTIK INDUSTRI MODUL 9
PERAMALAN “Proyeksi Tren”
Manajemen Operasional
MENENTUKAN TREND Terdapat beberapa metode yang umum digunakan untuk menggambarkan garis trend. Beberapa di antaranya adalah metode tangan bebas, metode.
DERET BERKALA DAN PERAMALAN
DERET BERKALA DAN PERAMALAN
BAB IX ANALISIS DATA BERKALA (Menentukan Trend) (Pertemuan ke-17)
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
DERET BERKALA DAN PERAMALAN
Resista Vikaliana Statistik deskriptif 2/9/2013.
BAB X Indeks Musiman & Gerakan Siklis.
Analisis Time Series.
STATISTIK 1 Pertemuan 12-13: Deret Berkala dan Peramalan (Analisis Musiman) Dosen Pengampu MK: Evellin Lusiana, S.Si, M.Si.
DERET BERKALA DAN PERAMALAN
ANALISIS DERET BERKALA dengan METODE SEMI AVERAGE
Deret berkala dan Peramalan Julius Nursyamsi
STATISTIK 1 Pertemuan 11: Deret Berkala dan Peramalan (Analisis Trend)
Kelompok CDM ( Cash Deposit Machine )
ANALISIS DATA BERKALA.
Metode Semi Average (Setengah rata-rata)
STATISTIK 1 Pertemuan 12-13: Deret Berkala dan Peramalan (Analisis Musiman) Dosen Pengampu MK: Evellin Lusiana, S.Si, M.Si.
Metode Semi Average (Setengah rata-rata)
Bab IX ANALISIS DATA BERKALA.
BAB 7 TIME SERIES ANALYSIS Dalam peramalan, biasanya orang akan mendasarkan diri pada pola atau tingkah laku data pada masa-masa lampau. Data yang dikumpulkan.
STATISTIK BISNIS Pertemuan 6: Deret Berkala dan Peramalan (Analisis Trend) Dosen Pengampu MK: Evellin Lusiana, S.Si, M.Si.
BAB 6 analisis runtut waktu
ANALISIS TIME SERIES (ANALISIS DERET BERKALA)
DERET BERKALA DAN PERAMALAN
Metode Semi Average (Setengah rata-rata)
Metode Semi Average (Setengah rata-rata)
06 Analisis Trend Analisis deret berkala dan peramalan
y x TEKNIK RAMALAN DAN ANALISIS REGRESI
INDEKS MUSIMAN DAN GERAKAN SIKLIS
Manajemen Operasional
DERET BERKALA DAN PERAMALAN
DERET BERKALA DAN PERAMALAN
Manajemen Operasional
STATISTIK 1 Pertemuan 13: Deret Berkala dan Peramalan (Analisis Trend)
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
Analisis Time Series.
DERET BERKALA DAN PERAMALAN
Transcript presentasi:

ANALISIS DATA BERKALA

ARTI DAN PENTINGNYA ANALISIS DATA BERKALA Data berkala adalah data yang dikumpulkan dari waktu-kewaktu untuk menggambarkan perkembangan suatu kegiatan. Analisis data berkala memungkinkan kita untuk mengetahui perkembangan suatu atau beberapa kejadian serta hubungan / pengaruhnya terhadap kejadian lainnya. Dengan data berkala kita juga dapat membuat ramalan-ramalan berdasarkan garis regresi atau garis trend.

Oleh karena data berkala itu terdiri dari beberapa komponen, maka dengan analisis data berkala kita bisa mengetahui masing-masing komponen, bahkan dapat menghilangkan satu atau beberapa komponen kalau kita ingin menyelidi komponen terssebut secara mendalam tanpa kehadiran komponen lain. Data berkala, karena adanya pengaruh dari komponen-komponen tersebut, selalu mengalami perubahan sehingga apabila dibuat grafiknya akan menunjukkan suatu fluktuasi, yaitu gerakan naik-turun.

KLASIFIKASI GERAKAN/ VARIASI/ DATA BERKALA Gerakan / variasi data berkala terdiri dari empat komponen sebagai berikut : Gerakan trend jangka panjang. Gerakan / variasi siklis. Gerakan / variasi musiman. Gerakan / variasi yang tidak teratur.

Analisa data berkala pada umumnya terdiri dari uraian secara matematis tentang komponen-komponen yang menyebabkan gerakan-gerakan atau variasi-variasi yang tercermin dalam fluktuasi. Apabila gerakan trend, siklis, musiman, dan acak masing-masing diberi simbol T, C, S, dan I, maka data berkala Y merupakan hasil kali dari 4 komponen tersebut, yaitu : Y = T x C x S x I Ada juga ahli statistik yang menganggap bahwa data berkala merupakan hasil penjumlahan dari 4 komponen tersebut, yaitu : Y = t + X + S + I

MENENTUKAN TREND Terdapat beberapa metode yang umum digunakan untuk menggambarkan garis trend. Beberapa di antaranya adalah metode tangan bebas, metode rata-rata semi, metode rata-rata bergerak, dan metode kuadrat terkecil.

Metode Tangan Bebas Langkah-langkah untuk menentukan garis trend dengan menggunakan metode tangan bebas adalah sebagai berikut : Buat sumbu tegak Y dan sumbu mendatar X Buat scatter diagram, yaitu kumpulan titik-titik koordinat (X, Y); X = variabel waktu. Dengan jalan observasi atau pengamatan langsung terhadap bentuk scatter diagram tariklah garis yang mewakili atau paling tidak mendekati semua titik koordinat yang membentuk diagram pencar tersebut.

Cara menarik garis trend dengan tangan bebas merupakan cara yang paling mudah, tetapi sifatnya sangat suyektif, maksudnya kalau ada lebih dari satu orang diminta untuk menarik garis trend dengan cara ini akan diperoleh garis trend lebih dari satu. Sebab masing-masing orang mempunyai pilihan sendiri sesuai dengan anggapannya, garis mana yang mewakili diagram pencar tersebut

Metode Rata-rata Semi Cara dengan metode rata-rata semi ini memerlukan langkah-langkah sebagai berikut : 1. Data dikelompkkan menjadi dua, masing-masing kelompok harus mempunyai jumlah data yang sama. Kalau ada 10 data masing-masing 5, 6 data dikelompokkan menjadi dua dengan jumlah masing-masing 3(kalau datanya ganjil, hilangkan satu, yaitu yang ditengah), 9 data masing-masing 4, 7 data dikelompokkan menjadi dua dengan jumlah masing-masing 3, dan lain sebagainya.

Masing-masing kelompok dicari rata-ratanya. Titik absis harus dipilih dari variabel X yang berada di tengah masing-masing kelompok( tahun atau waktu yang ditengah). Titik koordinatnya dimasukkan ke dalam persamaan Y = a + bX, untuk menghitung a dan b; dipergunakan sebagai nilai Y.

Metode Rata-rata Bergerak Kalau kita mempunyai data berkala sebanyak n, maka rata-rata bergerak n waktu (tahun, bulan, minggu, hari) merupakan urutan rata-rata hitung. Setiap rata-rata hitung disebut total bergerak, yang berguna untuk menguruangi variasi dari data asli. Didalam data berkala, rata-rata berbegerak sering dipergunakan untuk memuluskan fluktuasi yang terjadi dalam data tersebut.

Dengan menggunakan rata-rata bergerak untuk mencari trend, maka kehilangan beberapa data dibandingkan dengan data asli. Artinya, banyaknya rata-rata bergerak menjadi tidak sama dengan banyaknya data asli. Pada umumnya, jumlah data asli berkurang sebanyak (n – 1); n = derajat rata-rata bergerak, yaitu banyaknya data untuk menghitung rata-rata bergerak.

Metode Kuadrat Terkecil Seperti kita ketahui bahwa garis trend linear dapat ditulis sebagai persamaan garis lurus : Y’ = a + bX Jadi mencari garis trend berarti mencari nilai a dan b. Apabila a dan b sudah diketahui, maka garis trend tersebut dapat dipergunakan untuk meramalkan Y.

Untuk mencari persamaan trend garis lurus dengan metode kuadrat terkecil dapat dilakukan dengan beberapa cara. Di sini akan diberikan dua cara. Cara Pertama : Pada cara pertama ini, untuk mengadakan perhitungan diperlukan nilai tertentu pada variabel waktu (X) sedemikian rupa, sehingga jumlah nilai variabel waktu adalah nol. Cara Kedua : Menentukan periode awal pada variabel waktu X = 1, jadi tidak perlu membuat Xi = 0.