Tugas Analisis Deret Waktu
Tugas Analisis Deret Waktu
Tugas Analisis Deret Waktu
DISUSUN OLEH :
NAOMI PANDIANGAN
140110160017
dimana :
𝑝𝑘 : koefisien korelasi pada lag-k
𝑋̅ : rata-rata observasi.
Ada beberapa langkah untuk membangun model deret waktu sebagai berikut :
1. Spesifikasi atau Identifikasi Model
Pada tahap ini, kita memiliki model dengan prinsip parsimony (model sederhana) dengan
jumlah parameter yang sedikit. Prosesnya dengan membuat plot observasi terhadap waktu
kemudian diamati apakah grafiknya sudah stasioner, memiliki tren naik atau turun, dan
mengandung unsur musiman.
2. Penaksiran parameter
Pada tahap ini, kita menemukan estimasi atau taksiran terbaik dari parameter yang tidak
diketahui.
3. Diagnosa model
Disini kita akan menganalisa kualitas model, apakah model cukup layak dengan melihat
plot error dan plot normal.
4. Dapat model untuk forcasting
Setelah kita mendapatkan model yang terbaik, maka kita dapat meramalkan kejadian di
waktu mendatang.
Terdapat dua model deret waktu stasioner yaitu model AR (Auto Regressive), model MA
(Moving Average), dan gabungan keduanya, yaitu model ARMA.
dimana:
𝜇 ′ = suatu konstanta
𝜙𝑝 = parameter autoregresif ke –p
𝑒𝑖 = nilai kesalahan pada saat t
dimana:
𝜇 ′ = suatu konstanta
𝜃1 sampai 𝜃𝑞 adalah parameter-parameter moving average
𝑒𝑡−𝑘 = nilai kesalahan pada saat t - k
Model Campuran :
a. Proses ARMA
Model umum untuk campuran proses AR(1) murni dan MA(1) urni, misal ARIMA
(1,0,1) dinyatakan sebagai berikut:
𝑋𝑡 = 𝜇 ′ + 𝜙1 𝑋𝑡−1 + 𝑒𝑡 − 𝜃1 𝑒𝑡−1
atau
(1 − 𝜙1 𝐵) 𝑋𝑡 = 𝜇 ′ + (1 − 𝜃1 𝐵)𝑒𝑡
AR(1) MA(1)
b. Proses ARIMA
Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka model
umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus sederhana ARIMA (1,1,1)
adalah sebagai berikut:
(1 − 𝐵)(1 − 𝜙1 𝐵) 𝑋𝑡 = 𝜇 ′ + (1 − 𝜃1 𝐵)𝑒𝑡
Cara membedakan model yang digunakan tersebut, kita dapat membuat grafik ACF dan
PACF
Proses pemilihan model yang tepat dilakukan dengan mengidentifikasikan orde AR dan MA
pada grafik ACF dan PACF (Arsyad, 1995).
a) Jika autokorelasi secara eksponensial melemah menuju nol berarti terjadi proses
AR(p).
b) Jika autokorelasi parsial melemah secara eksponensial menuju nol berarti terjadi
proses MA(q). c) Jika keduanya melemah menjadi nol maka model tersebut adalah
gabungan dari AR dan MA yaitu ARMA(p,q).
Pada pembelajaran di mata kuliah Analisis Deret Waktu kaliini, kita hanya memakai waktu
diksrit, univariat, ruang keadaan bebas dan stasioner jika tidak stasioner maka harus di
differencing kan.
Contoh-Contoh Fenomena di Lapangan yang dapat Digambarkan dengan Model (AR)
dan Model Moving Average (MA)