Professional Documents
Culture Documents
Materi dalam bab ini adalah suatu pendekatan Statistika dalam memecahkan persoalan
perubahan/pertumbuhan variabel atau faktor tertentu. Seperti diketahui Statistika
membantu proses pengambilan keputusan secara efisien dan efektif .
Dalam Ekonomi misalnya terdapat begitu berfluktuasi dan beragam pola pertumbuhan
variabel-nya, baik tingkat inflasi, depaluasi, nilai Kurs Rp/US-dollar, suku bunga bank,
eksport tekstil, import beras, produksi Migas, dan lain-lain.umumnya dan variabel. .
Dalam bidang Akuntansi, terbiasa kita menganalisis perubahan-perubahan harga,
volume produksi, ataupun aktiva perusahaan dari waktu ke waktu. Penilaian
perubahan, pertumbuhan atau kecenderungan dapat digunakan Analisis Data deret
waktu (Time Series Analysis). Bidang pemasaran ; orang akan berbicara pada
jangkauan potensi penjualan produknya dimasa yang akan datang. Karena berbicara
waktu, maka akan lebih yakin dicoba dilakukan analisis penjualan data deret waktu
1). Pengertian
Data deret waktu adalah sekumpulan data hasil pengamatan/pencatatan historis dan berkala yang
menggambarkan secara kronologis suatu karakteristik populasi. Jelas bagi kita mencirikan jenis data ini,
karena informasi yang diberikan didasari oleh urutan waktu tertentu.
Selain istilah diatas, data ini disebut pula data berkala, atau Data Time Series. Seperti Data jumlah
Pengunjung atau konsumen per minggu di suatu Supermarket, Rata-rata jumlah pemanfaatan jasa
perbankan dalam sebulan, Jumlah produksi setiap tahun merupakan salah satu contoh data deret waktu.
Menurut Lukas Setia Atmaja (Memahami Statistika Bisnis, 1997) bahwa data deret berkala adalah suatu
rangkaian atau seri dari nilai-nilai suatu variabel yang dicatat dalam jangka waktu yang berurutan.
Analisis yang dimaksud dari data deret waktu (Time Series Analysis) adalah dalam rangka
menentukan ukuran-ukuran yang dapat digunakan untuk membuat keputusan, meramal, dan
merencanakan operasi di waktu mendatang, sehingga secara singkat dapat dinyatakan, suatu analisis
dalam membuat :
* Model kecenderungan data deret waktu.
*
Menetapkan model peramalan dimasa yang akan datang, baik ramal-an jangka pendek
maupun jangka panjang.
Berikut ini akan diberikan satu analisis data deret waktu, yaitu analisis klasik atau analisis dekomposisi.
Analisis dalam kajian ini memperhatikan 4 faktor yang melekat dalam mempengaruhi model yang akan
dibentuk, yaitu :
* Pengaruh Tren : gerakan jangka panjang yang memiliki kecenderungan menuju suatu arah, yaitu arah
naik atau turun
* Pengaruh Musiman: gerakan jangka pendek, kurang dari 1 tahun, yang ber-ulang secara
teratur dari beberapa tahun pengamatan, seperti penjualan
daging sapi, akan terlihat jumlah pesanan yang cukup meledak
biasanya menghadapi lebaran, atau tahun baru. Demikian pula
tentang Jumlah permintaan buku tulis, tampak sangat berbeda
terjadi pada bulan-bulan memasuku ajaran baru, seperti bulan
* Pengaruh Residu : atau disebut juga pengaruh randon, yaitu gerakan yang bersifat
acak atau tidak ber-aturan, sehingga tidak dapat diprediksi
sebelumnya. Seperti, terjadi pengeboman gedung BEJ
Jakarta, mengakibatkan turun-nya transaksi saham pada
saat itu dan beberapa hari setelahnya.
Sehingga dalam hubungan ini suatu pemodelan data akan dapat dibentuk dalam suatu fungsi yang
berbentuk :
Y = f (T, M, S, R)
Sehubungan dengan kebutuhannya, maka dalam pasal kajian kita ini hanya dibahas pengaruh Tren dan
Pengaruh musiman saja, dalam rangka menaksir bentuk model data.
2).
ANALISIS TREN
Tren diambil dari istilah kecenderungan (trendi), yang merupakan gerakan kekontinuan data jangka
waktu tertentu dan stabil. Dimana gerakan nya memiliki kecenderungan menuju suatu arah, yaitu arah
naik atau turun Berdasarkan pencaran data kita dapat menetapkan apakah gerakannya cende-rung
berbentuk garis lurus, atau garis lengkung. Jika tren data membentuk garis lurus dikatakan model data
membentuk Tren Linier, sebaliknya jika kecenderungannya membentuk garis lengkung dikatakan Tren
Non-Linier.
(i). Tren Linier : gerak data membentuk garis lurus atau mendekatinya.
Model Umum : Yt = + ti + i
Model Estimasi :
Y t = a + b ti
...
(1)
...
(2)
Dimana :
Yt
(ii). Tren Non-Linier : gerak data membentuk garis lengkung yang beraturan.
Jenis Trend ini diantaranya :
...
Tren Parabola
:
Yt = ao + a1 ti + a2 ti2
Tren Logistik
Yt = (a.bt ) 1
Tren Eksponen
Yt = a.(b)
Tren Geometrik
Tren Kubik
(3)
...
(4)
...
(5)
Yt = a.( ti )b
...
(6)
Yt = a + b ti + c ti2 + d ti3,
...
ti
(7)
Kurva Tren :
Yt
Tren Parabola
Yt
Yt
Tren Eksponensial
0
Yt
Yt
t
Tren Logistik
Tren Parabola
Tren Kubik
0
Yt
0 Kurva Non-Linier
t Bentuk
Gambar 5.2. Beberapa
t
Tren Kubik
...
...
===========================================
...
a = Yi / n
dan
b = ( ti Yi ) / ti 2
===========================================
n = jumlah periode waktu dari data pengamatan.
(8)
(9)
(10)
Contoh 1 :
Rekapitulasi penerimaan Koperasi "ANU" dari beberapa sumber penerimaan sejak tahun 1990
s.d 1996 tercatat sbb : (Y = jumlah penerimaan dalam jutaan rupiah )
Jika diasumsikan trend data penerimaan adalah linier, tentukan model trendnya.
Jawab: Untuk menaksir model trend, maka perlu dibentuk tabel perhitungan
berikut :
Tahun
Y
90
5,5
91
6,2
92
7,0
93
7,6
94
8,3
95
8,8
96
9,5
Jika diasumsikan trend data penerimaan adalah linier, tentukan model trendnya.
Jawab : Untuk menaksir model trend, maka perlu dibentuk tabel perhitungan berikut ;
Tahun
5,5
6,2
7,0
7,6
8,3
8,8
9,5
Jumlah
Yi
5,5
6,2
7,0
7,6
8,3
8,8
9,5
52,9
ti
-3
-2
-1
0
1
2
3
0
ti2
9
4
1
0
1
4
9
28
ti.Yi
-16,5
-12,4
-7,0
0
8,3
17,6
28,5
18,5
Trend non-linier dapat dipastikan jika pencaran data berdasarkan urutan waktu membentuk garis
lengkung pada sumbu koordinat t atas Y. Untuk menaksir koefisien model trend data dilakukan dengan
MKT yang dimodifikasi sesuai bentuk modelnya dengan pendekatan kepada kelinieran.
a. Menaksir Tren Parabola
Bentuk umum model trend parabola Yt = ao + a1 ti + a2 ti 2 , untuk memperoleh bentuk model
peramalannya maka harus mampu mencari besarnya masing-masing koefisien model (ao , a1 , dan a2 )
, caranya sbb :
> Bentuk 3 buah persamaan normalnya, yaitu :
Yi
= n.ao + a1 ti + a2 ti 2
(ii). ti Yi = ao ti + a1 ti 2 + a2 ti 3
(iii). ti2 Yi = ao ti2 + a1 ti 3 + a2 ti 4
(i).
+ a2 ti 2
...
(11)
(ii). ti Yi = a1 ti 2
...
(12)
(iii). ti 2Yi
...
(i).
= n. ao
= ao ti2 + a2 ti 4
(13)
> Taksiran nilai koefisien model akan diperoleh dari subsitusi ketiga persamaan normal hasil koding
diatas.
Contoh 2 : Pertumbuhan angka kelahiran per-1000 penduduk di kodya Bandung mengikuti
distribusi Parabola, hal ini dapat diperhatikan pada tahun 1970 s.d 1978
bentuk
1997
16
1998
17
1999
19
2000
23
2001
24
Bentuk dahulu tabel perhitungan yang dibutuhkan dalam persamaan normalnya, yaitu :
Thn
1993
1994
1995
1996
1997
1998
1999
2000
2001
ti
-4
-3
-2
-1
0
1
2
3
4
ti2
16
9
4
1
0
1
4
9
16
ti4
256
81
16
1
0
1
16
81
256
ti.Yi
-100
-69
-42
-18
0
17
38
69
96
ti2 .Yi
400
207
84
18
0
17
76
207
384
186
60
708
-9
1393
25
23
21
18
16
17
19
23
24
Jml
a1 = -0,15
a2 = 0,497
log Yt = Zi
log a = A
log b = B
maka : Zi = A + B ti
Bentuk terakhir disamping adalah bentuk linier, dengan mengikuti langkah pada penyelesaian Tren
Linier kita akan dapatkan taksiran untuk koefisien a maupun b, yaitu
a = antilog [ ( log Yi ) / n ]
...
(14)
b = antilog [ ( ti log Yi ) / ti 2 ]
...
(15)
(Buktikan ! )
...
(16)
b = antilog [ ( ti {-log Yi }) / ti 2 ]
...
(17)
(Buktikan ! )
5).
Dalam analisis Time Series, jika kita berhadapan dengan data mingguan, kuartal, atau data bulanan akan
besar kemungkinannya dipengaruhi oleh faktor musiman. Ambil contoh ; hasil penjualan daging sapi,
akan terasa lonjakan jumlah permintaan pada bulan-bulan menghadapi tahun baru dan Lebaran Idul Fitri.
Permintaan akan buku tulis, nampaknya dalam setahun, akan terlihat jumlah permintaan buku tulis
sangat signifikans pada bulan-bulan menghadapi tahun ajaran baru, biasanya pada bulan Juni atau Juli.
Untuk meninjau seberapa besar faktor musiman berpengaruh pada data deret waktu, dilakukan dengan
menentukan indeks musimannya (IM).
Cara perhitungan :
Perhitungan Indeks Musiman dalam hal ini lebih mudah dilakukan dengan cara persentase rata-rata, yaitu
mengikuti langkah /prosedur berikut :
(untuk kasus data bulanan) ;
1. Tentukan rata-rata data periode untuk setiap tahun. Misalkan diperoleh untuk tahun
ke-I adalah : X i , i = 1, 2, . . (beberapa tahun pengamatan)
2. Tentukan prosentase setiap data yang bersesuaian dengan periodenya.
Yaitu : (Xij / X i ) x 100 %
3.
Hitung rata-rata untuk waktu pengamatan yang sama dari beberapa tahun yang
diselidiki, nilai hasil hitungan disebut Indeks Musiman Sementara (IMS).
4. Periksa nilai IMS, jika waktu yang diamati data bulanan haruslah berjumlah 1200
untuk setiap tahun penyelidikan. Jika tidak, perlu disesuaikan dengan mengalikan
oleh faktor penentu (p), dimana ; p = 1200/IMS
5. Dari langkah ke-4 tersebut akan diperoleh Indeks Musiman (IM)
Contoh : Frekuensi pemanfaatan jasa tabanas di bank Epsilon selama 3 tahun terakhir, berdasarkan
pengamatan perbulan diketahui sbb :
Periode
Januari
Pebruari
Maret
April
MeI
Juni
Juli
Agustus
September
Oktober
November
Desember
Rata-rata
2010
178
183
204
201
196
185
192
188
197
202
205
213
195.33
2012
206
189
200
211
232
285
292
280
247
252
255
253
241.83
2010
91.13
93.69
104.44
102.90
100.34
94.71
98.29
96.25
100.85
103.41
104.95
109.04
2012
85.18
78.15
82.70
87.25
95.93
117.85
120.74
115.78
102.14
104.20
105.44
104.62
Periode
Januari
Pebruari
Maret
April
MeI
Juni
Juli
Agustus
September
Oktober
November
Desember
Jumlah
87.17
86.63
95.36
98.26
103.77
107.78
106.15
101.29
100.33
103.13
106.11
104.04
1200.00
Karena Total IMS atau : IMS = 1200, maka nilai IMS berlaku otomatis sebagai nilai IM
atau besar pengaruh musiman setiap periodenya.
Dari Tabel Faktor Musiman diatas, kolom IM diartikan :
IM(Januari) = 87,17 % artinya terdapat pengaruh musiman sebesar 12,83 % dibawah rata-rata
IM(Januari) = 86,63 % artinya terdapat pengaruh musiman sebesar 13,57 % dibawah rata-rata
-
IM(Agustus)= 100,33 artinya hampir dapat dikatakan tidak ada atau tidak terdapat pengaruh
musiman.
IM(Desemb)= 104,04 artinya terdapat pengaruh musiman sebesar 4,04% diatas rata-rata.
Terlihat bahwa : Pengaruh musiman sangat besar atau tinggi terjadi pada bulan : Januari
dan Pebruari.
SOAL-SOAL LATIHAN
Kasus-1 :
Data Berikut menyatakan tinjauan tentang perkembangan usaha dagang CV. Angin Ribut untuk
beberapa komiditi yang dijalankan selama tahun 2000-2001
Periode
Triwulan-1
Triwulan-2
Triwulan-3
Triwulan-4
a.
Buatkan gambar plot perkembangan data kedua komoditi dagang perusahaan tersebut.
b.
c.
d.
Hitunglah pengaruh musiman yang terjadi pada perkembangan dagang komoditi Beras
maupun Gula.
e.
Kasus-2 :
Setiap perusahaan memerlukan sumber dana yang berasal dari luar perusahaan. Namun terkadang perusahaan
tersebut tidak mampu untuk membayar kewajiban-kewajibannya. Untuk mengukur apakah perusahaan tersebut dapat
membayar kewajiban-kewajibannya, maka dapat dilihat dari likuiditasnya. Sementara itu Setiap perusahaan
menginginkan laba yang maksimal, karena laba ini dapat digunakan perusahaan untuk kegiatan di dalam pencapaian
nilai perusahaan. Profitabilitas dapat mengukur kemampuan perusahaan di dalam menghasilkan laba dengan total
assetnya. Dan kebijakan pendanaan ini menetapkan apakah perusahaan akan menggunakan modal sendiri, utang jangka
pendek ataupun utang jangka panjang di dalam membiayai setiap investasinya.
Sedangkan keuangan perusahaan (Financing) diukur dari total hutang perusahaan dibandingkan dengan modal
perusahaan. Berikut disajikan data ketiga faktor diatas pada perusahaan BAT Indonesia selama periode 1994-2003.
Likuiditas
Profitabilitas
Financing
1,105
0,220
0,70
0,332
0,309
1,23
0,238
0,257
3,07
0,273
0,066
3,85
0,162
0,045
4,32
0,180
0,054
7,50
0,194
0,066
1,13
0,375
0,140
0,81
0,342
0,162
0,72
0,457
0,071
0,55