Statistika

Data Time Series: Pengertian – Tujuan dan Contoh Penggunaannya

√ Edu Passed Pass education quality & scientific checked by advisor, read our quality control guidelance for more info

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.