Pada artikel sebelum kita sudah membahas terkait dengan makna dan arti stasioneritas, penjelasan kita pada stasioner dimudahkan dengan metode grafik dengan harapan bahwa peneliti dapat mencermati kriteria dan spesifikasi pola grafik yang mencirikan dari jenis gangguan stasioner pada data deret waktu yang dimiliki oleh peneliti. Secara umum seperti yang sudah kita jelaskan pada artikel sebelumnya bahwa sedikitnya ada 3 gangguan pada kestasioneran data yaitu ketidakstasioneran pada rata-rata hitung, ketidakstasioneran pada varians serta ketidak stasioneran pada rata-rata hitung dan varians.
Pada kesempatan kali ini kita akan menunjukkan dengan menggunakan SPSS bagaimana mengindentifikasi stasioneritas dengan metode grafik yang sudah dijelaskan sebelumnya. 2 (dua) yang sudah kita jelaskan sebelumnya adalah cara mendapatkan korelogram ACF dan PACF pada bahasan Autokorelasi dan Autokorelasi Parsial. Berikut tahapan dalam SPSS untuk mengidentifikasi ke stasioneran pada data deret waktu :
- Persiapkan data yang akan di analisis dalam file excel, untuk memudahkan dalam melakukan persiapan data yang akan dianalisis pada software Pastikan data yang kita miliki merupakan data waktu, seperti tampak pada gambar berikut.
- Buka software SPSS, lalu entry-kan data yang sudah kita persipakan pada file excel ke dalam jendela Data View pada SPSS dan lakukan penamaan pada jendela Variabel View pada SPSS, sehingga tampak seperti gambar berikut.
- Setelah selesai dengan pendefinisian data, lalu klik Analyse, pilih menu Time Series, lalu muncul menu baru klik pada Sequence Charts, seperti tampak pada gambar berikut.
- Pada tampilan menu Squence Charts, untuk tahap awal pengidentifikasian data biarkan default apa yang sudah muncul pada menu Squence Charts, lalu klik OK. Maka proses pembuatan peta data atas waktu dilakukan oleh SPSS.
- Pemrosesan oleh SPSS akan dihasilkan output SPSS seperti gambar berikut. Menunjukkan peta data atas waktu yang dapat peneliti amati secara kasa mata untuk memutuskan data yang dimiliki sudah stasioner ataukah belum (baca artikel : Stasioneritas Data Deret Waktu).
- Pada hasil output SPSS di atas, peta data atas waktu memperlihatkan pola trend yang hampir mendatar (sejajar sumbu waktu) dan variasi data terletak pada sebuah “pita yang meliput tidak seimbang” trend data, hal ini mengindikasikan bahwa data stasioner lemah dalam rata-rata hitung, tetapi tidak stasioner dalam varians.
- Pada korelogram yang dihasilkan pada pembahasan sebelumnya (baca artikel : Autokorelasi dan Autokorelasi Parsial Dengan SPSS). Seperti pada output SPSS berikut.
Gambar 1. Korelogram ACF
Gambar 2. Korelogram PACF
- Ketidakstasioneran dalam varians jelas terlihat pada gambar ACF dan PACF-nya, seperti ditunjukkan pada output SPSS di atas, yang keduanya menyajikan pola hampir alternating. Untuk memperjelas pendapat tersebut, perlu dicoba untuk melakukan diferensi orde-1 dari data deret waktu yang dimiliki.
Differencing Orde-1
- Kembali pada tampilan menu Squence Charts, untuk tahap lanjutan pengidentifikasian data, centang pada menu Transform pilih/centang Difference lalu isikan nilai 1 (satu), seperti terlihat pada gambar berikut, lalu klik OK. Maka proses pembuatan peta data atas waktu dengan differensi orde-1 dilakukan oleh SPSS.
- Pemrosesan oleh SPSS akan dihasilkan output SPSS seperti gambar berikut. Menunjukkan peta data atas waktu hasil differensi orde-1 yang dapat peneliti amati secara kasat mata untuk memutuskan data yang dimiliki sudah stasioner ataukah belum (baca artikel : Stasioneritas Data Deret Waktu).
- Pada hasil output SPSS di atas, peta data atas waktu dengan differensi orde-1 memperlihatkan pola data dengan trend mendatar dan pola “terompet di sisi kiri dan kanan”, hal ini mengindikasikan bahwa dengan diferensi orde-1 data yang tadinya stasioner lemah dalam rata-rata hitung menjadi stasioner kuat dalam rata-rata hitung.
- Selanjutnya untuk menghasilkan korelogram orede-1, pada tampilan menu Autocorrelation, centang pada menu Transform pilih/centang Difference lalu isikan nilai 1 (satu), seperti terlihat pada gambar berikut, lalu klik OK. Maka proses penghitungan nilai Autokorelasi dan Autokorelasi Parsial dilakukan oleh SPSS.
- Pemrosesan oleh SPSS akan dihasilkan output SPSS seperti gambar berikut. Menunjukkan korelogram ACF dan PACF hasil differensi orde-1 yang dapat peneliti amati secara kasa mata untuk memutuskan data yang dimiliki sudah stasioner ataukah belum (baca artikel : Stasioneritas Data Deret Waktu)
Gambar 1. Korelogram ACF Differensi Orde-1
Gambar 2. Korelogram PACF Differensi Orde-1
- Pada hasil output SPSS di atas, korelogram ACF yang membangun pola alternating dan korelogram PACF membangun pola “hampir gelombang”, hal ini menunjukkan bahwa proses diferensi belum bisa menstabilkan varians, tetapi tidak perlu dilakukan lagi diferensi (cukup orde-1), yang harus dilakukan adalah transformasi stabilitas varians.
Butuh efforts yang ekstra untuk menemukan bentukan data deret waktu yang ideal untuk dibentuk menjadi sebuah model matematis yang baik untuk digunakan dalam peramalan. Pada kesempatan lain, kita akan bahas beberapa metode penghalusan (smoothing) yang digunakan untuk mendapatkan data yang sesuai (salah satunya memenuhi kriteria stasioneritas) untuk membentuk model regesi data deret waktu yang ideal untuk peramalan. SEMANGAT MENCOBA!!!
———————————————————————————————————————————————————-
- Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :
- WhatsApp : 081321709749
- Email : welcome@mobilestatistik.com
- Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.
- “1st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”
———————————————————————————————————————————————————-
