Apa yang Dimaksud dengan Data Time Series?

Data time series adalah serangkaian data yang dikumpulkan dan dicatat dalam interval waktu yang teratur.  

Data time series umumnya digunakan di berbagai bidang, misalnya keuangan, ekonomi, meteorologi, dan pemrosesan sinyal.

Kapan Analisis Time Series Digunakan?

Analisis time series digunakan untuk berbagai tujuan, di antaranya adalah untuk: 

Pengenalan pola 

Analisis time series membantu mengidentifikasi pola dan tren dalam data. Dengan mengamati pola historis, perubahan variabel dapat dipahami dari waktu ke waktu, sehingga analis dapat mendeteksi pola berulang, seperti musiman, tren, atau siklus. 

Melakukan forecasting

Analisis time series membantu memperkirakan nilai yang mungkin muncul di masa depan berdasarkan pola data masa lalu. Data ini sangat berguna terutama di pasar keuangan, penjualan, dan alokasi sumber daya.

Membantu pengambilan keputusan

Analisis time series memberikan informasi untuk membuat keputusan berdasarkan data. Dengan menganalisis data historis dan memahami polanya, perusahaan dapat menyusun rencana strategis, misalnya manajemen inventaris, alokasi sumber daya, dan perencanaan produksi.

Manajemen risiko 

Dengan memahami pola dan fluktuasi historis, potensi risiko dan ketidakpastian dapat diidentifikasi. Karena itu, perusahaan dapat mengambil tindakan preventif untuk memitigasi risiko tersebut dan membuat keputusan yang tepat.

Jenis Analisis Time Series

Analisis time series menggunakan berbagai variasi dan kategori data, karena itu seorang analis perlu menyesuaikan data yang ada dengan tipe analisis time series-nya. Mengutip dari tableau.com, jenis analisis time series misalnya: 

Classification

Classification memberikan kategori atau label ke data berdasarkan kriteria tertentu. Analisis ini bertujuan untuk mengkategorikan deret waktu ke dalam kelas atau grup yang berbeda, sehingga analis dapat menganalisis pola yang ada. 

Curve fitting

Curve fitting menggunakan kurva atau fungsi matematika ke data time series. Tujuannya adalah untuk memodelkan dan memahami hubungan antar variabel dalam data. 

Descriptive analysis 

Analisis deskriptif bertujuan untuk mengidentifikasi dan mendeskripsikan pola dalam data time series. Melalui descriptive analysis, karakteristik seperti tren, siklus, atau variasi musiman dapat dideteksi. 

Explanative analysis 

Explanative analysis lebih mendalam dari analisis deskriptif karena berupaya menjelaskan alasan mengapa pola atau perilaku tertentu terjadi dalam deretan waktu terkait. Jenis analisis ini seringnya menggunakan faktor atau variabel eksternal lain yang dapat memengaruhi data time series.

Exploratory analysis 

Exploratory analysis menyelidiki karakteristik utama data time series, biasanya dalam format visual. Tujuannya adalah untuk mendapatkan pemahaman awal tentang data, mengidentifikasi outlier atau anomali, dan mendeteksi pola atau tren yang terlihat.

Forecasting

Forecasting dalam analisis time series memprediksi data di masa mendatang berdasarkan tren dan pola historis. Teknik forecasting dapat dilakukan menggunakan metode sederhana seperti ekstrapolasi hingga model yang lebih canggih seperti ARIMA (Autoregressive Integrated Moving Average) dan algoritma machine learning.

Intervention analysis

Intervention analysis meneliti bagaimana suatu peristiwa atau intervensi memengaruhi data time series. Dengan kata lain, analisis ini menggunakan dampak faktor eksternal, perubahan kebijakan, atau peristiwa pada deretan waktu yang diamati. 

Segmentation

Segmentation membagi data time series menjadi segmen atau subkategori berdasarkan kriteria tertentu. Analisis ini bertujuan untuk mengungkap sifat atau karakteristik yang mendasari sumber informasi yang tidak terlihat secara langsung. 

Contoh Data Time Series

Contoh data time series dapat dilihat pada grafik di bawah ini. 

Grafik tersebut menunjukkan penjualan sepatu di suatu perusahaan tiap bulannya selama delapan bulan berturut-turut. 

Dari grafik tersebut, terlihat bahwa kurva menunjukkan adanya peningkatan dari 10.000 pasang sepatu yang terjual di bulan pertama ke 16.000 pasang di bulan kedelapan, dan tiap bulannya terdapat kenaikan penjualan sebanyak 1.000 pasang sepatu. 

Dengan asumsi bahwa kenaikan penjualan tersebut konstan tiap bulan, dapat diprediksi bahwa akan terjadi kenaikan penjualan sebanyak 1.000 pasang sepatu di bulan kesembilan. 

Data time series ini merupakan contoh sederhana. Realitanya, analis juga perlu mempertimbangkan faktor lain seperti tren untuk memprediksi kejadian di masa mendatang. 

FAQ (Frequently Asked Question)

Mengapa uji autokorelasi dilakukan pada data time series?

Autokorelasi adalah hubungan antara suatu variabel dan nilai pada interval waktu yang berbeda.

Uji autokorelasi, misalnya uji Durbin-Watson, sering menggunakan data time series karena uji tersebut secara spesifik mengamati adanya autokorelasi dalam suatu deret. 

Misalnya, tes autokorelasi dapat membantu memprediksi suhu harian, seperti kemungkinan suhu tinggi di masa mendatang jika suhu saat ini tinggi. 

Singkatnya, uji autokorelasi menggunakan data time series karena dapat mengeksplorasi ketergantungan dalam deret, mengidentifikasi pola, dan forecasting.