Musiman
Pada data deret waktu, musiman adalah adanya variasi yang terjadi pada interval waktu tertentu yang kurang dari satu tahun, seperti mingguan, bulanan, atau kuartalan. Musiman dapat disebabkan oleh berbagai faktor, seperti cuaca, liburan, dan hari raya dan terdiri dari pola yang periodik, berulang, dan umumnya teratur dan dapat diprediksi pada level dari suatu deret waktu.
Fluktuasi musiman dalam deret waktu dapat dikontraskan dengan pola siklus. Yang terakhir ini terjadi ketika data menunjukkan kenaikan dan penurunan yang tidak memiliki periode tetap. Fluktuasi non-musiman tersebut biasanya disebabkan oleh kondisi ekonomi dan sering kali terkait dengan "siklus bisnis"; periode mereka biasanya lebih dari satu tahun, dan fluktuasinya biasanya paling sedikit dua tahun.
Organisasi yang menghadapi variasi musiman, seperti penjual es krim, sering kali tertarik untuk mengetahui kinerja mereka relatif terhadap variasi musiman normal. Variasi musiman di pasar tenaga kerja dapat dikaitkan dengan masuknya para lulusan sekolah ke pasar kerja karena mereka ingin berkontribusi pada dunia kerja setelah menyelesaikan sekolah mereka. Perubahan reguler ini kurang menarik bagi mereka yang mempelajari data ketenagakerjaan daripada variasi yang terjadi karena keadaan ekonomi yang mendasarinya; fokus mereka adalah pada bagaimana pengangguran di angkatan kerja telah berubah, terlepas dari dampak variasi musiman reguler.
Penting bagi organisasi untuk mengidentifikasi dan mengukur variasi musiman dalam pasar mereka untuk membantu mereka merencanakan masa depan. Hal ini dapat mempersiapkan mereka untuk kenaikan atau penurunan sementara dalam kebutuhan tenaga kerja dan inventaris karena permintaan untuk produk atau layanan mereka berfluktuasi selama periode tertentu. Hal ini mungkin memerlukan pelatihan, pemeliharaan berkala, dan sebagainya yang dapat diatur sebelumnya. Terlepas dari pertimbangan-pertimbangan ini, organisasi perlu mengetahui apakah variasi yang mereka alami lebih atau kurang dari jumlah yang diharapkan, di luar dari apa yang biasa terjadi pada variasi musiman.
Motivasi
Ada beberapa alasan utama mempelajari variasi musiman:
Mendeskripsikan dampak musiman memungkinkan kita untuk lebih memahami pengaruh faktor-faktor ini pada serangkaian hasil.
Setelah menetapkan pola musiman, kita dapat menggunakan metode untuk mengekstrak sampel tersebut dari rangkaian waktu, sehingga menghilangkan perubahan lain seperti rotasi . Pengaruh komponen dapat dipelajari. Sepertinya kilat. Menghilangkan efek musiman ini disebut detrending atau transformasi data musiman.
Studi tentang variasi musiman juga melibatkan penerapan pola masa lalu untuk membuat prakiraan dan memprediksi tren masa depan. Konteks iklim umum. Oleh karena itu, pemahaman mendalam tentang perubahan musim dapat menjadi alat yang berguna dalam perencanaan strategis dan pengambilan keputusan untuk mengoptimalkan kinerja produk atau layanan.
Motivasi
Ada beberapa alasan utama untuk mempelajari variasi musiman:
- Deskripsi efek musiman memberikan pemahaman yang lebih baik tentang dampak komponen ini terhadap deret waktu tertentu.
- Setelah menetapkan pola musiman, metode dapat diterapkan untuk menghilangkannya dari deret waktu untuk mempelajari efek komponen lain seperti variasi siklus dan tidak teratur. Penghilangan efek musiman ini disebut sebagai de-musiman atau penyesuaian musiman data.
- Menggunakan pola masa lalu dari variasi musiman untuk berkontribusi pada peramalan dan prediksi tren masa depan, seperti pada iklim normal.
Deteksi
Teknik grafis berikut ini dapat digunakan untuk mendeteksi musim:
Sebuah plot urutan waktu berjalan sering kali akan menunjukkan musiman
- Plot musiman penggunaan listrik AS
- Plot musiman akan menunjukkan data dari setiap musim yang tumpang tindih
- Plot subseri musiman adalah teknik khusus untuk menunjukkan musiman
- Beberapa plot kotak dapat digunakan sebagai alternatif dari plot subseri musiman untuk mendeteksi musiman
- Plot autokorelasi (ACF) dan plot spektral dapat membantu mengidentifikasi musiman.
Cara yang sangat baik untuk menemukan periodisitas, termasuk musiman, dalam rangkaian data reguler adalah dengan menghilangkan tren keseluruhan terlebih dahulu dan kemudian memeriksa periodisitas waktu.
Plot run sequence adalah langkah pertama yang direkomendasikan untuk menganalisis deret waktu apa pun. Meskipun musiman terkadang dapat ditunjukkan oleh plot ini, musiman ditunjukkan dengan lebih jelas oleh plot subseri musiman atau plot kotak. Plot subseri musiman melakukan pekerjaan yang sangat baik dalam menunjukkan perbedaan musiman (antara pola kelompok) dan juga pola di dalam kelompok. Plot kotak menunjukkan perbedaan musiman (antara pola kelompok) dengan cukup baik, tetapi tidak menunjukkan pola dalam kelompok. Namun, untuk kumpulan data yang besar, plot kotak biasanya lebih mudah dibaca daripada plot subseri musiman.
Plot musiman, plot subseri musiman, dan plot kotak semuanya mengasumsikan bahwa periode musiman telah diketahui. Dalam banyak kasus, analis akan mengetahui hal ini. Misalnya, untuk data bulanan, periodenya adalah 12 karena ada 12 bulan dalam satu tahun. Namun, jika periode tidak diketahui, plot autokorelasi dapat membantu. Jika terdapat musiman yang signifikan, plot autokorelasi akan menunjukkan lonjakan pada lag yang sama dengan periode. Sebagai contoh, untuk data bulanan, jika ada efek musiman, kita akan melihat puncak yang signifikan pada lag 12, 24, 36, dan seterusnya (meskipun intensitasnya dapat menurun semakin jauh).
Plot autokorelasi (ACF) dapat digunakan untuk mengidentifikasi musiman, karena plot ini menghitung perbedaan (jumlah residu) antara nilai Y dan nilai lag Y. Hasilnya memberikan beberapa titik di mana kedua nilai tersebut berdekatan (tidak ada musiman), tetapi titik lain di mana terdapat perbedaan yang besar. Titik-titik ini menunjukkan tingkat musiman dalam data.
Perhitungan
Variasi musiman diukur dalam sebuah indeks, yang disebut indeks musiman. Indeks musiman adalah rata-rata yang dapat digunakan untuk membandingkan pengamatan aktual dengan apa yang akan terjadi jika tidak ada variasi musiman. Nilai indeks dilampirkan pada setiap periode deret waktu dalam satu tahun. Hal ini mengimplikasikan bahwa jika data bulanan dipertimbangkan, terdapat 12 indeks musiman yang terpisah, satu untuk setiap bulan. Metode-metode berikut ini menggunakan indeks musiman untuk mengukur variasi musiman dari data deret waktu.
- Metode rata-rata sederhana
- Metode rasio terhadap tren
- Metode rasio terhadap rata-rata bergerak
- Metode hubungan kerabat
Disadur dari: en.wikipedia.org