Konsep Time Series (Analisis Runtun Waktu).pdf

data analisis runtun waktu

1. zAnalisis
Kuantitatif dan
Kualitatif
Lidyana Dinda

2. z Analisis TimeSeries
§AnalisisTimeSeries(Runtun Waktu)adalah metode analisis
datayang dikumpulkan berdasarkan urutan waktu
tertentumisalnya harian, bulanan, atau tahunan untuk
melihatpola, tren, dan perubahan dari waktu ke waktu.

3. zCiri-CiriData TimeSeries
§Data disusun berdasarkan waktu (t)—urutan sangat penting.
§Setiap observasi memiliki waktu tertentu(hari, bulan, tahun).
§Tujuannyaadalah menganalisis perubahan dari waktu ke
waktu.
§Data sering digunakan untukperamalan (forecasting)masa
depan

4. zTujuan Analisis TimeSeries
§Mengidentifikasi pola perubahan dari waktu ke waktu.
→ Apakah meningkat, menurun, atau berfluktuasi?
§Menentukan faktor penyebab perubahan.
→ Misalnya karena tren ekonomi, musim, atau kejadian tertentu.
§Membuat peramalan (forecasting).
→ Memprediksi kondisi masa depan berdasarkan data masa lalu.
§Membantu pengambilan keputusan.
→ Contoh: menentukan stok barang berdasarkan pola penjualan
tahun sebelumnya.

5. zJenis-jenis Analisis TimeSeries
§Analisis Grafik (Visual TrendAnalysis)
→ Melihat pola data secara langsung dalam grafik.
§Metode Rata-rata Bergerak (MovingAverage)
→ Menghaluskan data untuk melihat tren jangka panjang.
§Metode LeastSquare(Regresi Linier Tren)
→ Menentukan garis tren terbaik secara matematis.
§DecompositionMethod
→ Memisahkan data ke dalam komponen (trend, seasonal, cyclical,
irregular).
§ForecastingModel (Peramalan)
→ Menggunakan model sepertiARIMA,ExponentialSmoothing, dll.

6. zPenerapan TimeSeriesdalam Dunia
Nyata

7. zPraktikum
Konsep Time
Series
Pertemuan Kedua

8. zPengertian TimeSeries(Deret Waktu)
Timeseriesadalahdatayangdikumpulkan
berdasarkanurutanwaktutertentu,misalnya
harian,mingguan,bulanan,atautahunan.
Tujuannyaadalahuntukmelihatperubahan
ataupola(trend)dariwaktukewaktu.

9. zContoh
§Data inflasi Indonesia dari tahun 2015–2025
§Penjualan produk per bulan
§Jumlah pengunjung websiteper minggu
§Jumlah nasabah bank syariah per tahun

10. zCiri-ciri Data TimeSeries:
§Setiap data memilikikomponen waktu(t).
§Tujuannya bukan hanya menggambarkan keadaan
saat ini, tapi jugamelihat perubahan dan
memprediksi masa depan.
§Satu variabel diamatisecara berurutan dari
waktu ke waktu.

11. zTujuan Analisis TimeSeries
§Menganalisis pola perubahan datadari waktu ke waktu.
§Mengidentifikasi tren jangka panjangdan fluktuasi musiman.
§Memprediksi (forecasting)nilai di masa depan berdasarkan
data historis.
§Mendukung keputusan manajerial—misalnya menentukan
waktu produksi, penjualan, atau investasi.

12. zJenis-jenis Pola TimeSeries

13. zPermodelan Volatilitas
(VolatilityModeling)

14. z
§Apa itu Volatilitas?

15. z§Volatilitasadalahukurantingkat
ketidakstabilanataufluktuasisuatu
variabel,biasanyaharga,nilaitukar,atau
returnsahamdalamperiodetertentu.
Semakinbesarperubahannaik-turunsuatu
data,semakintinggivolatilitasnya.

16. z
Contoh:
§Harga saham harian naik-turun drastis
→ volatilitas tinggi.
§Inflasi bulanan yang stabil → volatilitas
rendah.

17. zDalam bidang ekonomi dan keuangan,
volatilitas penting

18. zKonsep Dasar Permodelan Volatilitas
1. Asumsi Data TimeSeries
Dalam analisis kuantitatif, data sepertiharga harian saham, inflasi
bulanan, atau kurs harianbersifattimeseries(berurutan berdasarkan
waktu).
Sebelum dimodelkan, biasanya diasumsikan bahwa:
§Rata-rata data dapat berubah sepanjang waktu.
§Variansi (penyebaran data)tidak selalu konstan.

19. z§2. Masalah Volatilitas Tidak Konstan
Model regresi biasa (OLS) mengasumsikan varians errorkonstan.
Namun pada data keuangan, varians seringbergelombangkadang
stabil, kadang bergejolak. Contoh data returnSaham:

20. zModel Volatilitas Univariate
Modelunivariatedigunakan ketikahanya ada satu variabelyang dianalisis
fluktuasinya.
Misalnya:
§Returnsaham Bank BRI harian.
§Nilai tukar Rupiah terhadap Dolar.
§Harga minyak dunia.

21. zModel Volatilitas
Univariate

22. zTujuan Analisis Volatilitas Univariat
§Mengukur tingkat risiko atau ketidakpastiandari satu variabel.
§Mengetahui pola fluktuasi, apakah meningkat, menurun, atau stabil.
§Memprediksi volatilitas masa depan, berdasarkan perilaku masa lalu.
§Membantu pengambilan keputusan(investasi, kebijakan harga, atau
manajemen risiko).

23. zKarakteristik Data Volatilitas
Data yang cocok untuk pemodelanvolatilitas univariat
memiliki ciri:
§Fluktuasi tidak konstan (heteroskedastis)—
kadang tinggi, kadang rendah.
§Adanya clusteringvolatility—periode tenang
diikuti periode turbulen.
§Distribusi tidak normal (berekor tebal / fattails).

24. zModel-Model Volatilitas Univariatyang Umum

25. zContoh
Kita memiliki dataharga cabai merah mingguandi
Banda Aceh selama 10 minggu.

26. zKesimpulan

27. zTugas
1. Pilihsatu variabel ekonomi(misal harga cabai, kurs rupiah, atau harga
BBM).
2. Catat datanya selama5–10 periode(boleh dari berita atau data asumsi).
3. Gambarkan dalam bentukgrafik garis sederhanadi kertas.
4. Tentukan:
§Periode mana volatilitas tinggi?
§Periode mana volatilitas rendah?
§Jelaskan penyebabnya (secara logika ekonomi).

28. zContoh :Data Harga Cabai
Periode yang di ambil 8 Minggu

29. z Gambarkan Grafik
§grafik garis sederhana d
§Sumbu X = waktu (minggu ke-1, 2, 3, …)
§Sumbu Y= harga cabai (Rp/kg)
§Hubungkan titik-titik data dengan garis.
§Tujuan: melihat langsung pola fluktuasi (naik-turun)dari harga cabai.

30. zGrafik

31. zAmati Pola Fluktuasi
Perhatikan:
§Apakah harga naik secara stabil atau melonjak tiba-tiba?
§Apakah setelah kenaikan besar, harga turun drastis?
§Apakah ada periode harga stabil?
Contoh hasil pengamatan:
§Minggu 1–3: harga naik perlahan → volatilitas rendah.
§Minggu 4–6: harga naik tajam → volatilitas tinggi.
§Minggu 7–8: harga turun perlahan → volatilitas menurun.

32. zAnalisis Volatilitas
pertanyaan:
1.Periode manavolatilitas tinggi(perubahan harga besar)?
2.Periode manavolatilitas rendah(harga stabil)?
3.Apa penyebab fluktuasi?Jelaskan secara logika ekonomi.
Contoh Analisis:
Pada minggu ke-4 hingga ke-6, harga cabai meningkat tajam dari Rp45.000 menjadi
Rp80.000 per kg.
Hal ini menunjukkanvolatilitas tinggi, kemungkinan disebabkan oleh faktor cuaca
buruk yang menurunkan pasokan cabai dari petani.
Setelah minggu ke-6, harga kembali menurun, menandakanvolatilitas mulai
menurunkarena pasokan mulai normal.

33. zKesimpulan
§Berdasarkan grafik, harga cabai menunjukkan
volatilitas tinggi pada pertengahan periode akibat
gangguan pasokan.
Volatilitas menurun di akhir periode saat kondisi
pasar kembali stabil.
Artinya, harga cabai memiliki pola fluktuasi yang
tidak konstan mencerminkan risiko pasar yang cukup
tinggi.

34. zModel Volatilitas Multivariate

35. zModel Volatilitas Multivariat
volatilitas univariat, yaitu perubahan variabilitas padasatu variabel
waktu tunggalmisalnya, harga cabai atau nilai tukar dolar saja.
Namun dalam dunia nyata,variabel ekonomi saling berhubungan.
Contoh:
§Harga minyak dunia memengaruhi nilai tukar rupiah.
§Nilai tukar rupiah memengaruhi harga impor dan inflasi.
§Inflasi memengaruhi suku bunga dan investasi.

36. zModel Volatilitas Multivariat
§Model Volatilitas Multivariatadalah model
statistik yang menganalisisperubahan
variabilitas (fluktuasi)lebih dari satu
variabelsecara bersamaan,terutama untuk
melihat keterkaitan (korelasi dinamis)antar
variabel dari waktu ke waktu.

37. zTujuan Analisis Multivariat
§Mengukur hubungan antar volatilitasantar variabel (misal: antara harga
minyak dan nilai tukar).
§Mengetahui arah pengaruhapakah volatilitas di satu pasar menular ke
pasar lain (volatilityspillover).
§Memprediksi risiko portofoliobagi investor atau pembuat kebijakan.
§Mengetahui stabilitas sistem ekonomisecara menyeluruh.

38. zKomponen Utama Model Multivariat

39. zIlustrasi Konsep (Sederhana)
dua variabel:
§Harga minyak dunia (X₁)
§Nilai tukar Rupiah/USD (X₂)

40. zPerbandingan: Univariatvs Multivariat

41. zKesimpulan
§Model volatilitas multivariatdigunakan untuk memahamiinteraksi dan
ketidakpastianbersamaantar variabel ekonomi.
Dengan model ini, kita dapat:
§Melihat bagaimanagejolak di satu pasar menular ke pasar lain,
§Mengukurrisiko sistemikekonomi,
§Dan menyusunkebijakan ekonomi yang lebih antisipatif.