LAPORAN PRAKTIKUM I ANALISIS DERET WAKTU

STASIONERITAS

OLEH :
NUR PRADINA KUSUMAWARDANI
(125090500111028)
ASISTEN :
1.
2.
TANGGAL PRAKTIKUM

: 14 OKTOBER 2014

LABORATORIUM STATISTIKA
PROGRAM STUDI STATISTIKA
JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA
MALANG
2014

BAB 1

PENDAHULUAN
1.1

Latar Belakang
Ilmu statistika merupakan salah satu cabang ilmu
matematika yang berkembang pesat dalam waktu terakhir ini. Tak
hanya digunakan sebagai alat analisis dalam memecahkan berbagai
permasalahan, namun satatistika juga dapat digunakan sebagai alat
peramalan dan alat bantu dalam mengambil keputusan. Di dalam
ilmu statistika sendiri, terdapat metode khusus yang digunakan
untuk menangani data-data yang terkait dengan waktu dan juga
sebagai acuan dalam berbagai metode peramalan. Metode tersebut
bernama analisis deret waktu atau yang biasa disebut time series.
Time series pada dasarnya digunakan untuk melakukan
analisis data yang mempertimbangkan pengaruh waktu. Data-data
yang dikumpulkan secara periodik berdasarkan urutan waktu, bisa
dalam jam, hari, minggu, bulan, kuartal dan tahun. Selain itu
analisis time series bisa digunakan untuk peramalan data beberapa
periode ke depan yang sangat membantu dalam menyusun
perencanaan ke depan. Data time series terdapat dalam berbagai
bidang, misalnya bidang ekonomi misalnya data penjualan setiap
hari, keuntungan perusahaan dalam setiap tahun dan total nilai
ekspor dalam setiap bulan. sedangkan pada bidang demografi
misalnya data pertumbuhan penduduk, mortalitas dan natalitas. Di
bidang pengontrolan kualitas, data time series misalnya data proses
pengontrolan kualitas produk, pengontrolan proses produksi, dan
masih banyak bidang yang lain.
Dalam data time series, salah satu asumsi yang penting
adalah stasioneritas. Data yang tidak stasioner memiliki rata-rata dan
varian yang tidak konstan sepanjang waktu dan akan lebih sulit
untuk dianalisis. Pada laporan ini akan dibahas lebih lanjut
mengenai asumsi stasioneritas dan uji stasioneritas menggunakan
software minitab.

1.2

Tujuan

Dapat mendeskripsikan konsep stasioner.

Dapat mengenali data deret waktu yang tidak stasioner terhadap
rata-rata dan variansi menggunakan software minitab.
Dapat melakukan transformasi data deret waktu yang tidak
stasioner, sehingga menjadi stasioner terhadap rata-rata dan
variansi menggunakan software minitab.

BAB II
TINJAUAN PUSTAKA

Deret waktu adalah rangkaian data yang berupa nilai pengamatan

(pengamatan) yang diukur selama kurun waktu tertentu, berdasarkan waktu
dengan interval yang uniform. Analisis deret waktu (time series analysis)
merupakan metode yang mepelajari deret waktu, baik dari segi teori yang
menaunginya maupun untuk membuat peramalan (prediksi). Prediksi /
peramalan deret waktu adalah penggunaan model untuk memprediksi nilai di
waktu mendatang berdasar peristiwa yang telah terjadi.
Dalam analisis deret waktu, asumsi yang harus dipenuhi yaitu data
harus stasioner baik dalam mean maupun varians. Data dikatakan stasioner
apabila rata-rata dan variansnya konstan. Menurut Santoso (2009: 38),
stasioneritas adalah keadaan rata-ratanya tidak berubah seiring dengan
berubahnya waktu, dengan kata lain, data berada di sekitar nilai rata-rata dan
variansi yang konstan. Makridakis (1999:351) menyatakan bahwa bentuk
visual dari plot time series sering meyakinkan peramal bahwa data tersebut
stationer atau nonstationer, demikian pula plot autokorelasi dapat dengan
mudah memperlihatkan ketidakstasioneran data.
Kebanyakan data time series tidak stasioner, oleh karena itu perlu
dilakukan pengujian mengenai stasioneritas pada data time series. Pengujian
ini dapat dilakukan dengan mengamati plot time series. Jika plot time series
cenderung konstan, tidak terdapat pertumbuhan atau penurunan, dapat
disimpulkan bahwa data sudah stasioner. Selain itu, stasioneritas dapat
dilihat dari nilai- nilai autokorelasi pada plot ACF dan fungsi autokorelasi
parsial (PACF).. Nilai-nilai autokorelasi dari data stasioner akan turun
sampai nol. Sesudah time lag kedua atau ketiga.
Nonstasioneritas suatu data time series dapat dilihat dari plot time
series. Data yang tidak stasioner, plot time series cenderung memperlihatkan
trend searah diagonal. Selain itu, ketidakstasioneritas dapat dilihat dari plot
ACF yang nilai-nilai autokorelasinya signifikan berbeda dari nol untuk
beberapa periode waktu. Nonstasioneritas dalam mean dan nonstasioneritas
dalam varians.
Fungsi Autokorelasi (ACF) merupakan suatu proses korelasi pada
data time series antara Xt dengan Xt+k. Plot ACF dapat digunakan untuk
identifikasi model pada data time series dan melihat kestasioneran data,

terutama pada kestasioneran dalam mean. Fungsi autokorelasi antara Xt dan

Xt+k adalah sebagai berikut :

k =

kov (X t , X t +k )

= k
var ( X t ) var ( X t+ k ) 0

Apabila data masukan tidak stasioner perlu dilakukan penyesuaian

untuk menghasilkan data yang stasioner. Salah satu cara yang umum dipakai
adalah metode pembedaan (differencing). Metode defferencing merupakan
metode yang digunakan untuk mentransformasi data tidak stasioner menjadi
data stasioner.
Stasioneritas terhadap ragam dapat diduga dengan melihat plot boxcox. Jika nilai sama dengan satu ( sama dengan satu dalam batas atas
dan batas bawah) maka deret waktu sudah stasioner terhadap ragam. Jika
data belum stasioner terhadap ragam, maka dilakukan transformasi Box-cox
sebagai berikut.

Z t 1
T ( Z t )=Z t =
,
ln Z t ,
( )

=0
dimana:

T ( Zt)
Zt

= data transformasi
= pengamatan pada waktu ke t
= parameter transformasi

Stasioneritas terhadap rata-rata dapat diperiksa menggunakan uji

dickey Fuller (DF). Uji DF ini didasarkan pada persamaan regresi berikut.

Z t= Z t 1+ 1
Hipotesis yang digunakan adalah :
H0:

= 0 (data nonstasioner)

H1:

< 0 (data stasioner)

Dengan statistik uji sebagai berikut.

^
^
Se( )

dibandingkan dengan

(, n)

yang merupakan nilai kritis statistik

Dickey Fuller.penolakan H0 memberikan kesimpulan bahwa data stasioner.

BAB III
METODOLOGI
3.1 Data
Data yang digunakan adalah data inflasi Kota Kediri pada rentang
waktu Januari 2007 Desember 2010
3.1.1 Inflasi Kota Kediri Januari 2007- Desember 2010
6,70
6,99
7,80
7,37
7,04
6,41
6,66
6,79
7,20
6,47

6,68
6,84
7,17
6,45
7,30
8,55
9,93
11,48
11,86
12,27

12,04
11,30
10,64
9,52
8,10
7,75
7,11
6,24
5,33
3,69

2,34
1,92
2,62
2,12
2,36
3,60
4,28
4,55
3,32
4,09

4,47
5,32
6,08
6,04
5,51
5,44
6,27
6,80

3.2 Prosedur
A. Memasukkan data ke software minitab.
Copy-Paste data yang sudah ada pada software lain atau ketikkan
data inflasi Kota Kediri memanjang (1 kolom) pada kolom C1.

Seperti pada gambar di samping ini

B. Membuat time series plot data awal

Stat time series plot

Lalu akan muncul seperti pada gambar di bawah ini

klik simple ok

Kemudian akan muncul dialog box seperti gambar di bawah ini.

Klik 2x pada tulisan C1 inflasi untuk memasukkannya dalam kotak

series ok

C. Pengujian Stasioneritas terhadap ragam

Klik stat control charts box-cox transformation

masukkan data c1 ke kolom observations > isi subgroub sizes

dengan 1

Klik Option tempatkan transformasi pada C2 dengan mengisi

Store transformed data in : C2 Ok

Langkah C ini diulang sampai mendapatkan nilai estimate

mendekati satu atau sama dengan 1. Apabila transformasi dilakukan
lebih dari satu kali, maka data yang dipakai adalah data sebelum
transformasi yang terakhir.
D. Pengujian Stasioneritas terhadap rata-rata
Klik stat time series autocorrelation

Lalu akan muncul dialog box seperti di bawah ini :

masukkan data inflasi ke series centang store ACF ok.

Langkah D ini diulangi samapai didapatkan ACF berbeda nyata,atau

lebih baik menggunakan data yang sudah ditransformasi sehingga
estimasinya 1,00 atau mendekati 1. (hasil dari transformasi pada
langkah sebelumnya).