Professional Documents
Culture Documents
Ilustrasi
Berikut adalah data rata-rata curah hujan bulanan yang
Tahun
a u
2001
2002
2003
2004
Ja
Jan
278.59
299.78
425.21
547.8
Feb
eb
279.78
245.88
370.8
308.2
Mar
a
355.29
266.64
300.23
388
Apr
p
241.34
185.27
157.43
93
Mei
e
115.9
122.22
184.96
297
Ju
Jun
Jul Agust
Ju
gust
176.9 55.32 29.08
133.1 76.78 32.4
69.93 23.28 14.39
128
47
5
Sep O
Oktt Nop
op Des
es
43.82 313.68 508.49 267.82
26.09 169.05 461.62 415.73
17.86 275.23 433.23 456.02
87
105
389 371.6
Apabila
p
nilai curah hujan
j saat ini dianggap
gg p dipengaruhi
p g
oleh rata-
rata curah hujan kemarin dst, maka data rata-rata curah hujan di atas
dapat dikategorikan sebagai suatu deret waktu (time series).
2
Plot Data
berdasarkan waktu
Rata-rata curah hujan bulanan 2001 - 2004 di Stasiun Padaherang
600
nilai cu
urah hujan
500
400
300
200
100
0
10
15
20
25
@ UM
30
35
40
45
Proses Stokastik
Time Series
(1)
Yt = f (.) + et
Asumsi galat: et ~ N (0, 2) dan tidak berkorelasi
1500
10
000
Miliar pounds
M
6
5
3
500
Persen
2000
Tingkat Pengangguran di AS
20
40
60
80
100
120
1880
1900
1920
Kuartal
1940
1960
1980
Tahun
110
112
114
116
118
20
0000 40000 6000
00 80000
1850
1860
1870
1880
Tahun
1890
1900
100
200
300
Menit
400
500
lebih lanjut
Melakukan prediksi ke depan atau prakiraan jangka pendek
(short-time forecasting)
(konstan)
2. kov(Yt , Yt k) = k (tidak tergantung t )
1. E[Yt] =
(Y Y )(Y
rk t k 1
t k
Y )
2
(
)
Y
Y
t
t 1
kk
10
1
1
1,96
kk 1,96
n
n
C t h ACF d
Contoh
dan PACF d
dengan
g SPSS
number of blowfly
8000
Coefficient
1.0
0.5
6000
ACF
numb
ber of blowfly
Lower Confidence
Limit
0.0
4000
-0.5
-1.0
2000
10
11
12
13
14
15
16
Lag Number
number of blowfly
1 3 5 7 9 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5 6 6 6 6 6 7 7 7 7 7 8
1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1
Sequence number
Coefficient
1.0
11
0.5
Partial ACF
0.0
-0.5
-1.0
1
10
Lag Number
11
12
13
14
15
16
12
regresi
terhadap
h d TS
S yang lalu
l l dan
d semua galat
l
ARMA(1,1): Yt = +1 Yt-1 +et 1et -1
ARMA(p,q):
Zt = +(1 Yt-1 + + p Yt-p ) +(et 1et -1 qet -q )
Catatan: AR(p) = ARMA(p,0), MA(q) = ARMA(0,q)
13
ARIMA(p,d,q)
ARIMA(
d )
Catatan: ARMA(p,q) = ARIMA (p,0,q)
14
Identifikasi
Model
ACF
PACF
AR(p)
Menurun secara
Cut off setelah lag p
eksponensial atau
membentuk gelombang sinus
teredam
MA(q)
Menurun secara
eksponensial atau
membentuk gelombang sinus
teredam
Akaike (AIC)
AIC n log
+ 2m ,
m = # parameter
Hitung nilai AIC untuk setiap (p,q). Orde yang dipilih adalah
16
Penaksiran Parameter
Metode:
17
Uji Diagnosis
Ingat asumsi galat: et ~ N (0,2) dan tidak berkorelasi
P
Pengujian
ji asumsi:
i
Cara 1:
Plot sisaan
ditolak
18
r
Q n(n 2)
k 1 n k
Contoh
Hasil produksi bulanan perkebunan teh di lokasi PAL tahun
1992-2009 (T = 216)
Produksi teh "PAL" 1992-2009
1992 2009
diferensi 1 kali
300000
150000
250000
100000
200000
produksi teh
produksi teh
150000
100000
0
0
50
100
-50000
50000
0
-100000
0
50
100
bulan ke-
19
50000
150
200
bulan ke-
150
200
Contoh
Sari Numerik Data
DataperkebunantehPAL
Mean
StandardError
Median
Mode
StandardDeviation
p
SampleVariance
Kurtosis
Skewness
Range
Mi i
Minimum
Maximum
Sum
Count
20
133793.6
2488.531
136781
#N/A
36573.79
1.34E+09
0.222436
0.07241
218458
36305
254763
28899412
216
455.7023
2407.674
1515
15033
35303.43
1.25E+09
1.25E
09
1.855309
0.701741
216395
81536
81536
134859
97976
215
Contoh
Identifikasi
ACF menurun seperti
gelombang sinus
teredam sedangkan
PACF cut off setelah
g
lag-1.
Model yang mungkin
adalah AR(1)
Contoh
AR (1)
ARIMA (1,1,1)
22
Diperoleh ARIMA(1,1,1) :
Contoh
Kesimpulan
Berdasarkan hasil Ljung-Box, dimana pada model AR(1) H0
ditolak
dit
l k ((sisaan
i
bberkorelasi)
k l i) untuk
t k semua 1% 10%,
10%
sedangkan ARIMA(1,1,1) tidak ditolak untuk <1,7%.
Oleh karena itu model ARIMA(1,1,1)
( , , ) bisa dianggap
gg p lebih
cocok (dengan sisaan yang tidak berkorelasi) sehingga dapat
digunakan untuk melakukan short-time forecast dengan
menggunakan persamaan :
Z t 19,, 205 0,, 434 Z t 1 0,934
,
et 1 et
Yt 1 19,
19 205 11, 434Yt 00, 434Yt 1 00,934
934et 1
23
Referensi
Box, G.
B
G E.
E P.
P dan
d Jenkins,
J ki
G
G. M
M. (1976):
(
) Time
Ti
S
Series
i
Analysis: Forecasting & Control, Holden-Day Inc.,
San Fransisco
Cryer, J. D. dan Chan, K. S. (2008): Time Series
Analysis with Applications in R, Springer, New York.
24