Penggunaan Diagram Kendali Data Deret Waktu untuk Data Keuangan

Sintia Sari, Siti Sunendiari

Abstract


Abstract. In the financial sector, it is necessary to examine and supervise to ensure that finances are in good and stable condition. It can be seen by using the Statistical Process Control (SPC) method in its control diagram. In general, one of the basic assumptions to building a control chart is independent or lacks autocorrelation problems. However, not all data can fulfill this assumption, especially in financial data in the form of time series. In this paper will be discussed another way to overcome the problem of autokoleration by using a time series data control diagram using Dynamic EWMA, provided that the data has positive autocorrelation and the average process is not constant with a small shift. Or by using the ARIMA control diagram, which is a control diagram formed from the residual value of the best ARIMA model. The ARIMA residual value is used to construct CUSUM, EWMA and ARIMA control charts. This study uses Tofu Company XYZ Income data from January 2013 to October 2018. The results show the ARIMA control chart is a control chart suitable for use in accordance with the characteristics of the data. The ARIMA control diagram shows an uncontrolled process.

Keywords: Autocorrelation, CUSUM, EWMA, Dynamic EWMA and ARIMA Control Charts.

Abstrak. Dalam bidang keuangan perlu dilakukan pemeriksaan dan pengawasan untuk memastikan keuangan dalam kondisi baik dan stabil. Hal ini dapat dilihat dengan menggunakan metode Statistical Process Control (SPC) dalam diagram kendalinya. Pada umumnya salah satu asumsi dasar dalam membangun suatu diagram kendali adalah bersifat independen atau tidak adanya masalah autokorelasi. Akan Tetapi tidak semua data dapat memenuhi asumsi ini, terutama pada data keuangan yang berbentuk deret waktu. Dalam makalah ini akan dibahas cara lain untuk mengatasi masalah autokolerasi yakni dengan menggunakan diagram kendali data deret waktu menggunakan Dynamic EWMA, dengan syarat data tersebut berautokorelasi positif dan rata- rata proses tidak konstan dengan pergeseran yang kecil. Ataupun dengan menggunakan diagram kendali ARIMA, yaitu diagram kendali yang dibentuk dari nilai residual model ARIMA terbaik. Nilai residual ARIMA digunakan untuk membangun diagram kendali CUSUM, EWMA dan ARIMA. Selanjutnya Penelitian ini menggunakan data Pendapatan Perusahaan Tahu XYZ Januari 2013 sampai dengan Oktober 2018. Hasil penelitian menunjukkan diagram kendali ARIMA merupakan diagram kendali yang cocok digunakan sesuai dengan karakteristik data. Diagram kendali ARIMA menunjukkan adanya proses yang tidak terkendali.

Kata Kunci: Autokorelasi, Diagram Kendali CUSUM, EWMA, Dynamic EWMA dan ARIMA.


Keywords


Autokorelasi, Diagram Kendali CUSUM, EWMA, Dynamic EWMA dan ARIMA.

Full Text:

PDF

References


Alwan,L.C. 1992. Effects of Autocorrelation on Control Chart Performance. Communication in Statistics: Theory and Methods.

Andryan, Setyadharma. 2010.Uji Asumsi Klasik. Semarang: FE UNES

Bertouex et al. 1978. Monitoring Sewage Treatment Plants: Some Quality Control Aspects. Journal of Quality Technology.

Gervini. 2003. A Robust and Efficient Adaptive Rewighted Estimator of Multivariate Location Scatter. Journal of Multivariate Analysis.

Harris, T.J and Ross,W.H. 1991. Statistical Process Control Procedures for Correlated Observation. The Canadian Journal of Chemical Engineering.

Karaoglan, A.D and Bayhan,G,M. 2011. Performance Comparison of Residual Control Chart for Trend Stationary First Order Autoregressive Processes. Gazi University of Science.

Martin, Kovarik and Petr, Klimek. 2012. The Usage of Time Series Control Charts for Financial Process Analysis. Journal of Competitiveness.

Meloun, M. & Militký, J. 2006. Kompendium statistického z pracování dat. Praha: Academia, nakladatelství Akademie věd České republiky.

Montgomery,D.C. 2001. Introduction of Statistical Quality Control. New York: John Wiley and Sons.

¬¬_____________ and L.A. Johnson, and J.S.Gardiner. 1990. Forecasting and Time Series Analysis. New York: McGra-Hill.

Muchlis, R. Dahlan. 2010. Buku Ajar Pengendalian Kualitas Statistika. Bandung: Universitas Islam Bandung.

Render, Barry and Heizer Jay. 2005. Operation Management. New Jersey: Pearson Prentice Hall.

Wei, W.W.S. 2006. Time Series Analysis: Univariate and Multivariate Methods. New Jersey: Pearson Prentice Hall.

Yanti, Teti Sofia. 2010. Buku Ajar Analisis Deret Waktu. Bandung: Universitas Islam Bandung.




Flag Counter