Sebelumnya kita sudah menelisik mengenai pengertian dari data berdasarkan waktu pengambilannya (yang pengin tahu sanggup dibaca di sini). Berikutnya kita akan menginjak pada pembahasan mengenai jenis model runtun waktu dalam analisis runtun waktu (time series analysis). Elemen pokok yang membedakan jenis model runtun waktu itu dalam istilahnya dinamakan dengan stasioner.
Sebenarnya apa yang dimaksud dengan stasioner? dan bagaimana caranya mengetahui contoh data runtun waktu dikatakan telah stasioner? Pertama kita akan ulas mengenai pengertian dasar dari stasioner itu sendiri. Mudahnya, stasioner sanggup didefinisikan sebagai sebuah kondisi model runtun waktu tertentu yang karakteristik statistiknya tetap atau konstan. Kondisi yang konstan dalam artian, seluruh nilai-nilai statistik yang terkandung dalam model runtun waktu sudah tak lagi dipengaruhi oleh perubahan waktu. Kita sanggup saksikan biasanya terdapat sebuah model runtun waktu yang mengalami gangguan heteroskedastisitas (uji homoskedastisitas sanggup Anda baca di sini), nilai ragam atau variansnya berubah-ubah seiring waktu. Kondisi ragam yang tak tetap menyerupai itu akan berdampak pada ketidakefisienan dalam melaksanakan pendugaan, biasnya pun juga akan besar.
Selain itu, ada pula kondisi model runtun waktu yang tidak sanggup dipakai akhir terganggu oleh adanya relasi serial antara suatu amatan dengan amatan pada waktu sebelumnya. Inilah mengapa selanjutnya kita mengenal istilah differencing dalam analisis runtun waktu.
Dengan demikian, kondisi model runtun waktu yang dikatakan stasioner merupakan kondisi yang biasanya linier dan homoskedastistik. Pada kondisi model yang stasioner ini, kita telah mendapat satu instrumen dalam melaksanakan asumsi di masa yang akan tiba dengan berbahan dasar contoh dan karakteristik data yang sama di masa lalu. Di sinilah uniknya analisis runtun waktu, sebuah contoh data dipengaruhi oleh masa lalunya.
Lantas, bagaimana dengan model runtun waktu yang non-stasioner? Yang jelas, model non-stasioner merupakan kebalikan dari model stasioner. Karakteristik statistik pada model non-stasioner berubah-ubah untuk setiap waktunya, bahkan sanggup jadi tidak teratur. Kondisi inilah riilnya yang seringkali kita temui di lapangan. Ketidakteraturan contoh sebuah data memicu kita untuk memahami yang namanya contoh data itu sendiri, mulai dari contoh tren, siklus, contoh musiman, contoh ketidakteraturan serta contoh akhir sebuah kebijakan pemerintah misalnya.
Tren merupakan bentuk pertama yang biasa ditemukan pada data runtun waktu. Tren menunjukkan pergerakan nilai data runtun waktu dalam jangka panjang (relatif lama) dan biasanya mempunyai dua tipe, yaitu tren naik dan tren turun. Jangka waktu yang biasanya kita gunakan dalam melihat tren antara 15 hingga 20 tahun. Karena rentangnya yang relatif panjang, umumnya contoh tren dipengaruhi oleh perubahan penduduk, perubahan teknologi, perubahan Sumber Daya Manusia (SDM) atau perubahan budaya. Pola tren sanggup diilustrasikan sebagai berikut:
Siklus merupakan contoh fluktuatif nilai data yang mempunyai rentang waktu relatif lebih pendek daripada tren, biasanya sekitar 2 hingga 10 tahun saja. Siklus merupakan perubahan berperiode tetap sedemikian sehingga kondisinya akan sama pada satu titik tertentu dalam waktu yang sama. Misalkan data penjualan produk minuman hambar untuk bulan Januari 2017 ternyata sama untuk penjualan di bulan Agustus. Untuk lebih jelasnya sanggup kita ilustrasikan berikut.
Musiman merupakan contoh naik-turunnya nilai data runtun waktu akhir adanya efek perubahan musim. Di Indonesia misalkan, contoh musiman jumlah panen buah dan palawija ditentukan oleh dua musim, yaitu isu terkini hujan dan isu terkini kemarau. Tak hanya itu, contoh musiman juga sanggup terbentuk akhir fenomena yang setiap waktunya terjadi secara kontinu atau sudah menjadi kebiasaan, misalkan harga daging ayam yang naik setiap jelang hari raya Idul Fitri atau harga pakaian naik dikala jelang Natal atau kejadian sejenisnya. Untuk membedakan antara contoh siklus dan musiman sanggup kita lihat pada gambaran berikut.
Tidak teratur merupakan salah satu contoh nilai data runtun waktu yang bergerak bebas tanpa terlihat contoh atau sikap datanya. Fluktuasi nilainya begitu tinggi bahkan di dalamnya terdapat volatilitas yang besar akhir perubahannya terlalu cepat atau dinamis. Salah satu penyebab adanya contoh ini contohnya krisis ekonomi yang berujung krisis multidimensi di Indonesia tahun 1997/1998, fenomena Subrime Mortage di Amerika Serikat, Bencana Tsunami Aceh tahun 2004, kejadian Lumpur Lapindo Brantas Sidoarjo tahun 2006 atau Bencana banjir bandang yang merusak lahan pertanian padi dan sejenisnya. Berikut ilustrasinya biar lebih jelas.
Itulah beberapa kondisi penyebab adanya model non-stasioner dalam analisis runtun waktu. Dampaknya yaitu merusak karakteristik data serta menyulitkan di dalam membentuk model yang relevan pada kondisi normal. Di dalam praktiknya, untuk sanggup memilih apakah model yang kita dapatkan yaitu stasioner atau tidak sanggup memakai dua cara. Pertama, dengan melihat sebaran data (sifatnya subyektif) dan cara kedua, kita sanggup memakai pemodelan matematis, contohnya model univariate yaitu model yang hanya memakai satu variabel untuk diamati atau model multivariate untuk pengamatan lebih dari satu variabel.
Sumber http://www.ngobrolstatistik.com/
Sebenarnya apa yang dimaksud dengan stasioner? dan bagaimana caranya mengetahui contoh data runtun waktu dikatakan telah stasioner? Pertama kita akan ulas mengenai pengertian dasar dari stasioner itu sendiri. Mudahnya, stasioner sanggup didefinisikan sebagai sebuah kondisi model runtun waktu tertentu yang karakteristik statistiknya tetap atau konstan. Kondisi yang konstan dalam artian, seluruh nilai-nilai statistik yang terkandung dalam model runtun waktu sudah tak lagi dipengaruhi oleh perubahan waktu. Kita sanggup saksikan biasanya terdapat sebuah model runtun waktu yang mengalami gangguan heteroskedastisitas (uji homoskedastisitas sanggup Anda baca di sini), nilai ragam atau variansnya berubah-ubah seiring waktu. Kondisi ragam yang tak tetap menyerupai itu akan berdampak pada ketidakefisienan dalam melaksanakan pendugaan, biasnya pun juga akan besar.
Selain itu, ada pula kondisi model runtun waktu yang tidak sanggup dipakai akhir terganggu oleh adanya relasi serial antara suatu amatan dengan amatan pada waktu sebelumnya. Inilah mengapa selanjutnya kita mengenal istilah differencing dalam analisis runtun waktu.
Dengan demikian, kondisi model runtun waktu yang dikatakan stasioner merupakan kondisi yang biasanya linier dan homoskedastistik. Pada kondisi model yang stasioner ini, kita telah mendapat satu instrumen dalam melaksanakan asumsi di masa yang akan tiba dengan berbahan dasar contoh dan karakteristik data yang sama di masa lalu. Di sinilah uniknya analisis runtun waktu, sebuah contoh data dipengaruhi oleh masa lalunya.
Lantas, bagaimana dengan model runtun waktu yang non-stasioner? Yang jelas, model non-stasioner merupakan kebalikan dari model stasioner. Karakteristik statistik pada model non-stasioner berubah-ubah untuk setiap waktunya, bahkan sanggup jadi tidak teratur. Kondisi inilah riilnya yang seringkali kita temui di lapangan. Ketidakteraturan contoh sebuah data memicu kita untuk memahami yang namanya contoh data itu sendiri, mulai dari contoh tren, siklus, contoh musiman, contoh ketidakteraturan serta contoh akhir sebuah kebijakan pemerintah misalnya.
Tren merupakan bentuk pertama yang biasa ditemukan pada data runtun waktu. Tren menunjukkan pergerakan nilai data runtun waktu dalam jangka panjang (relatif lama) dan biasanya mempunyai dua tipe, yaitu tren naik dan tren turun. Jangka waktu yang biasanya kita gunakan dalam melihat tren antara 15 hingga 20 tahun. Karena rentangnya yang relatif panjang, umumnya contoh tren dipengaruhi oleh perubahan penduduk, perubahan teknologi, perubahan Sumber Daya Manusia (SDM) atau perubahan budaya. Pola tren sanggup diilustrasikan sebagai berikut:
Siklus merupakan contoh fluktuatif nilai data yang mempunyai rentang waktu relatif lebih pendek daripada tren, biasanya sekitar 2 hingga 10 tahun saja. Siklus merupakan perubahan berperiode tetap sedemikian sehingga kondisinya akan sama pada satu titik tertentu dalam waktu yang sama. Misalkan data penjualan produk minuman hambar untuk bulan Januari 2017 ternyata sama untuk penjualan di bulan Agustus. Untuk lebih jelasnya sanggup kita ilustrasikan berikut.
Musiman merupakan contoh naik-turunnya nilai data runtun waktu akhir adanya efek perubahan musim. Di Indonesia misalkan, contoh musiman jumlah panen buah dan palawija ditentukan oleh dua musim, yaitu isu terkini hujan dan isu terkini kemarau. Tak hanya itu, contoh musiman juga sanggup terbentuk akhir fenomena yang setiap waktunya terjadi secara kontinu atau sudah menjadi kebiasaan, misalkan harga daging ayam yang naik setiap jelang hari raya Idul Fitri atau harga pakaian naik dikala jelang Natal atau kejadian sejenisnya. Untuk membedakan antara contoh siklus dan musiman sanggup kita lihat pada gambaran berikut.
Tidak teratur merupakan salah satu contoh nilai data runtun waktu yang bergerak bebas tanpa terlihat contoh atau sikap datanya. Fluktuasi nilainya begitu tinggi bahkan di dalamnya terdapat volatilitas yang besar akhir perubahannya terlalu cepat atau dinamis. Salah satu penyebab adanya contoh ini contohnya krisis ekonomi yang berujung krisis multidimensi di Indonesia tahun 1997/1998, fenomena Subrime Mortage di Amerika Serikat, Bencana Tsunami Aceh tahun 2004, kejadian Lumpur Lapindo Brantas Sidoarjo tahun 2006 atau Bencana banjir bandang yang merusak lahan pertanian padi dan sejenisnya. Berikut ilustrasinya biar lebih jelas.
Itulah beberapa kondisi penyebab adanya model non-stasioner dalam analisis runtun waktu. Dampaknya yaitu merusak karakteristik data serta menyulitkan di dalam membentuk model yang relevan pada kondisi normal. Di dalam praktiknya, untuk sanggup memilih apakah model yang kita dapatkan yaitu stasioner atau tidak sanggup memakai dua cara. Pertama, dengan melihat sebaran data (sifatnya subyektif) dan cara kedua, kita sanggup memakai pemodelan matematis, contohnya model univariate yaitu model yang hanya memakai satu variabel untuk diamati atau model multivariate untuk pengamatan lebih dari satu variabel.
Sumber http://www.ngobrolstatistik.com/