Cara menurunkan tren data: dengan contoh

“Mengurangi tren” data deret waktu berarti menghilangkan tren yang mendasari data tersebut. Alasan utama kami ingin melakukan hal ini adalah untuk lebih mudah memvisualisasikan tren mendasar dalam data yang bersifat musiman atau siklus.

Misalnya, perhatikan data deret waktu berikut yang mewakili total penjualan perusahaan selama 20 periode berturut-turut:

Tentu saja, penjualan cenderung meningkat dari waktu ke waktu, namun tampaknya juga terdapat tren siklus atau musiman dalam data, sebagaimana dibuktikan dengan “bukit-bukit” kecil yang terjadi dari waktu ke waktu.

Untuk mendapatkan gambaran yang lebih baik tentang tren siklus ini, kita dapat mengempiskan data. Dalam hal ini, hal ini berarti menghilangkan keseluruhan tren kenaikan dari waktu ke waktu sehingga data yang dihasilkan hanya mewakili tren siklus.

Ada dua metode umum yang digunakan untuk mengempiskan data deret waktu:

1. Kecenderungan diferensiasi

2. Degradasi karena penyesuaian model

Tutorial ini memberikan penjelasan singkat setiap metode.

Metode 1: Relaksasi dengan diferensiasi

Salah satu cara untuk mengurangi tren data deret waktu adalah dengan membuat kumpulan data baru yang setiap observasinya mewakili perbedaan antara observasi tersebut dan observasi sebelumnya.

Misalnya, gambar berikut menunjukkan cara menggunakan pembedaan untuk mengurangi tren rangkaian data.

Untuk mendapatkan nilai pertama dari data deret waktu detrended kita hitung 13 – 8 = 5. Kemudian untuk mendapatkan nilai berikutnya kita hitung 18-13 = 5, dan seterusnya.

Bagan berikut menunjukkan data deret waktu asli:

Dan bagan ini menunjukkan data tanpa tren:

Perhatikan betapa mudahnya melihat tren musiman pada data deret waktu pada grafik ini karena tren kenaikan secara keseluruhan telah dihilangkan.

Metode 2: Degradasi dengan penyesuaian model

Cara lain untuk mengurangi tren data deret waktu adalah dengan menyesuaikan model regresi dengan data tersebut dan kemudian menghitung selisih antara nilai observasi dan nilai prediksi model.

Misalnya, kita memiliki kumpulan data yang sama:

Jika kita menyesuaikan model regresi linier sederhana dengan data, kita dapat memperoleh nilai prediksi untuk setiap observasi dalam kumpulan data.

Kita kemudian dapat mencari selisih antara nilai aktual dan nilai prediksi untuk setiap observasi. Perbedaan-perbedaan ini menunjukkan penurunan data.

Jika kita membuat grafik data tanpa tren, kita dapat memvisualisasikan tren musiman atau siklus data dengan lebih mudah:

Perhatikan bahwa kami menggunakan regresi linier dalam contoh ini, tetapi metode yang lebih kompleks seperti regresi eksponensial dapat digunakan jika terdapat lebih banyak tren naik atau turun eksponensial dalam data.