You are on page 1of 9

ANALISIS DERET WAKTU

SELFINA CLARA WOHON


(13101103003)
VALDY PRASETYO BIRI
(13101103026)
M. SAFRIL BAHAR
(13101103017)

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.

Terdapat beberapa model yang dapat


digunakan
Seperti :
1.
2.
3.
4.

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

yg bisa ditulis dgn operator backward shift

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

sigma^2 estimated as 1.024:


-14309.65, aic = 28627.29

log likelihood =

aksiran Model utk Data Kurs Mata Uang


Kita coba taksir dengan model MA(1), AR(1) dan ARMA
(1,1) dan bandingkan AIC-nya.
> www <- "c:/pounds_nz.dat"
> x <- read.table(www, header = T)
> x.ts <- ts(x, st = 1991, fr = 4)
> x.ma <- arima(x.ts, order = c(0, 0, 1))
> x.ar <- arima(x.ts, order = c(1, 0, 0))
> x.arma <- arima(x.ts, order = c(1, 0, 1))
> AIC(x.ma)
[1] -3.526895
AIC terbesar
> AIC(x.ar)
AIC kedua terkecil
[1] -37.40417
> AIC(x.arma)
[1] -42.27357
AIC terkecil

> 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