Professional Documents
Culture Documents
PENDAHULUAN
Analisis deret waktu pada dasarnya digunakan
untuk melakukan analisis data yang
mempertimbangkan pengaruh waktu. Data
dikumpulkan secara periodik berdasarkan urutan
waktu, bisa dalam jam, hari, minggu, bulan,
kuartal dan tahun. Analisis deret waktu dapat
dilakukan untuk membantu dalam menyusun
perencanaan ke depan.
Untuk menentukan metode peramalan pada data
deret waktu perlu diketahui pola dari data tersebut
sehingga peramalan data dapat dilakukan dengan
metode yang sesuai.
AR,
MA,
ARMA,
SARIMA dan lainnya.
ARMA
Model ARMA dibentuk dengan menggabungkan AR
dan MA ke dalam satu model. Deret waktu {xt}
mrp proses autoregresif moving average (ARMA)
berorde (p,q), dinotasikan dgn ARMA(p,q)
Deret waktu {xt} mrp proses autoregresif moving
average (ARMA) berorde (p,q), dinotasikan dgn
ARMA(p,q)
Deret waktu {xt} mrp proses autoregresif moving
average (ARMA) berorde (p,q), dinotasikan dgn
x ARMA(p,q)
x x K x w w K w
t
1 t 1
2 t 2
p t p
p B xt q B wt
t 1
t q
CONTOH
Proses ARMA dpt disimulasikan menggunakan perintah
arima.sim. Sebagai contoh proses ARMA(1,1) dengan
parameter = 0.6 dan
xt =0.60.5,
xt 1 yakni
wt 0.5wt 1
0
-2
> set.seed(1)
> x <- arima.sim(n = 10000, list(ar = -0.6, ma = 0.5))
> plot(x)
2000
4000
6000
Time
8000
10000
Penaksiran
Model ARMA (p,q) dapat ditaksir dengan perintah
arima dengan parameter order diset c(p,0,q). Data
xt proses
0.6 xt 1 ARMA(1,1)
wt 0.5wt 1
yg dibangkitkan mengikuti
ditaksir sbb:
> taksir.arma11 <- arima(x, order = c(1, 0, 1))
> print(taksir.arma11)
Call:
arima(x = x, order = c(1, 0, 1))
Coefficients:
ar1
-0.5970
s.e.
0.0494
ma1
0.5027
0.0530
intercept
-0.0066
0.0095
log likelihood =
> print(x.arma)
Coefficients:
ar1
ma1 intercept
0.8925 0.5319
2.9597
s.e. 0.0759 0.2021
0.2435
sigma^2 estimated as 0.01505: log likelihood = 25.14, aic
= -42.27
xt 0.8925 xt 1 wt 0.5319 wt 1 2.9597
> acf(resid(x.arma))
0.4
0.2
0.0
-0.2
ACF
0.6
0.8
1.0
Series resid(x.arma)
2
Lag
CONTOH