Menyang kontèn

Dhèrèt wektu

Saka Wikipédia Jawa, bauwarna mardika basa Jawa
Data dhèrèt wektu kang ngandhut faktor acak (random) lan trend

Sajeroning statistika lan pamrosèsan sinyal, dhèrèt wektu ya iku rerangkèn data kang wujud aji pengamatan (pengamatan) kang diukur sajeroning kurun wektu tinamtu, dhedhasar wektu kanthi interval kang uniform (padha).[1] Sawetara conto data dhèrèt wektu ya iku produksi total taunan prodhuk tetanèn indonésia, rega penutupan padinan sawijining saham ing pasar modhal kanggo kurun wektu sesasi, suhu udara per jam, lan asil dodolan total sesasi sawijining pasar swalayan ing sajeroning wektu setaun.[1] Analisis dhèrèt wektu (Basa Inggris: time series analysis) minangka métodhe kang nyinaoni dhèrèt wektu, saka segi téyori lan kanggo gawé ramalan (prédhiksi).[butuh sitiran] Predhiksi / peramalan dhèrèt wektu ya iku panggunaan modhèl kanggo mrédhiksi aji ing wangsa ngarep dhedhasar kadadéan kang wis kelakon. Ing donya bisnis, data dhèrèt wektu minangka bahan acuan kanggo gawé kaputusan saiki, kanggo proyèksi, lan kanggo gawé rancangan mangsa ngarep.[2] Conto panggunaané ya iku ing rega paada anambukaan rega saham ing bursa èfèk dhedhasar performa sadurungé.[2]

Asumsi-asumsi dhèrèt wektu

[besut | besut sumber]

Ana sawatara asumsi wigati kang kudu dipenuhi supaya data dhèrèt wektu bisa dipigunakaké sajeroning kaperluan proyèksi/peramalan.[2] antarané ya iku anané kagumantungan antara kadadéan mangsa ngarep marang mangsa sadurungé[2] utawa luwih kaloka kanthi istilah anané autokorélasi[3] antara Zt lan Zt-k.[4] Asumsi bsabanjuré ya iku aktivitas ing mangsa ngarep mèlu pola kang kelakon ing mangsa kapungkur lan gegayutan/keterkaitan marang mangsa kapungkur bisa ditemtokaké nganggo pengamatan utawa panelitèn.[2] Akurasi kang diasilaké saka peramalan dhèrèt wektu, gumantung marang sepira adohé asumsi-asumsi ing dhuwur bisa dikebaki.[2]

Komponèn dhèrèt wektu

[besut | besut sumber]

Modhèl klasik dhèrèt wektu kang biyasa dipigunakaké ya iku ping-pingan saka 4 komponèn dhèrèt wektu.[2]

Yt = Tt X Ct X St X It,[2] karo
Yt: variabel respon ing wektu-t.[2]
Tt: trend sekulèr, ya iku obahan umum plot data sajeroning jangka panjang.[2]
Ct: pergerakan siklus, ya iku pola data dhèrèt wektu kang kelakon lan ngalami perulangan sawisé kalamangsa wektu tinamtu.[2]
St: fluktuasi mangsa, ya iku pola teratur taunan kang ambal-ambalan saben taun.[2]
It:variasi ora tumata, ing ngendi komponèn ini tidak bisa dinuga sadurungé lan asipat acak, kaya anané bencana.[2]

Métodhe pemulusan dhèrèt wektu

[besut | besut sumber]

Ana sawatara métodhe pemulusan kanggo dhèrèt wektu.[5] Dua jinis modhèl kang banyak dipigunakaké ya iku modhèl rataan bergerak (moving average) (MA) lan modhèl autoregresif (AR).[butuh sitiran] Kaloro modhèl iki gumantung marang data sadurungé kanthi linier lan dibahas luwih rinci ing artikel autoregressive moving average models (ARMA). [butuh sitiran]

Ahli ékonomi migunakaké analisis dhèrèt wektu minangka piranti bantu perencanaan ing jangka cendhak utawa jangka panjang.[2] Parusahan ènèrgi umpamané, bakal ngayahi peramalan konsumsi daya ing jangka panjang lan jangka cendhak (musiman).[2]

Rujukan

[besut | besut sumber]
  1. a b Spiegel, R. Murray & Stephens, Larry J STATISTIK Schaum's OuTlines, Edisi Ketiga (2007). Jakarta, Erlangga. ISBN 978-979-015-189-5
  2. a b c d e f g h i j k l m n o Siagian, Dergibson & Sugiarto. Métodhe Statistika kanggo Bisnis lan Ékonomi, 2002. Jakarta, PT Gramedia Pustaka Utama. ISBN 979-655-924-2
  3. Hasan, M.Iqbal. Pokok-pokok Materi Statistik 2 (Statistik Inferensif), 2005. Jakarta, PT Bumi Aksara. ISBN 979-526-778-7
  4. Iriawan, Nur & Astuti, Septin Puji. Mengolah Data Statistik dengan mudah menggunakan Minitab 14 (Yogyakarta: ANDI, 2006). ISBN 979-763-111-7.
  5. Cryer, Jonathan D. Time Series Analysis, 1986. Boston, Duxbury Press. ISBN 0-87150-963-6
  • Bloomfield, P. (1976). Fourier analysis of time series: An introduction. New York: Wiley.
  • Box, George; Jenkins, Gwilym (1976), Time series analysis: forecasting and control, rev. ed., Oakland, California: Holden-Day
  • Brillinger, D. R. (1975). Time series: Data analysis and theory. New York: Holt, Rinehart. & Winston.
  • Brigham, E. O. (1974). The fast Fourier transform. Englewood Cliffs, NJ: Prentice-Hall.
  • Elliott, D. F., & Rao, K. R. (1982). Fast transforms: Algorithms, analyses, applications. New York: Academic Press.
  • Gershenfeld, Neil (2000), The nature of mathematical modeling, Cambridge: Cambridge Univ. Press, ISBN 978-0-521-57095-4, OCLC 174825352
  • Hamilton, James (1994), Time Series Analysis, Princeton: Princeton Univ. Press, ISBN 0-691-04289-6
  • Jenkins, G. M., & Watts, D. G. (1968). Spectral analysis and its applications. San Francisco: Holden-Day.
  • Priestley, M. B. (1981). Spectral analysis and time series. New York: Academic Press.
  • Shasha, D. (2004), High Performance Discovery in Time Series, Berlin: Springer, ISBN 0-387-00857-8
  • Shumway, R. H. (1988). Applied statistical time series analysis. Englewood Cliffs, NJ: Prentice Hall.
  • Wiener, N.(1964). Extrapolation, Interpolation, and Smoothing of Stationary Time Series.The MIT Press.
  • Wei, W. W. (1989). Time series analysis: Univariate and multivariate methods. New York: Addison-Wesley.
  • Weigend, A. S., and N. A. Gershenfeld (Eds.) (1994) Time Series Prediction: Forecasting the Future and Understanding the Past. Proceedings of the NATO Advanced Research Workshop on Comparative Time Series Analysis (Santa Fe, May 1992) MA: Addison-Wesley.
  • Durbin J., and Koopman S.J. (2001) Time Series Analysis by State Space Methods. Oxford University Press.

Pranala njaba

[besut | besut sumber]