Tugas Analisis Deret Waktu

TUGAS ANALISIS DERET WAKTU
DISUSUN OLEH :
NAOMI PANDIANGAN
140110160017
PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2018
Definisi Deret Waktu
Dalam statistika dan pemrosesan sinyal, deret waktu adalah rangkaian data yang
berupa nilai pengamatan (pengamatan) yang diukur selama kurun waktu tertentu, berdasarkan
waktu dengan interval yang uniform sama.
Definisi Analisis Deret Waktu

Analisis deret waktu (Bahasa Inggris: 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. Di dunia bisnis,
data deret waktu digunakan sebagai bahan acuan pembuatan keputusan sekarang, untuk
proyeksi, maupun untuk perencanaan pada masa depan. Contoh penggunaannya adalah pada
harga pembukaan harga saham di bursa efek berdasar performa sebelumnya.
Model Time Series

Analisis deret waktu dikenalakan oleh George E. P. Box dan Gwilym M. Jenkins pada
tahun 1970 melalui bukunya Time Series Analysis : forecasting and control. Sejak saat itu,
time series mulai banyak dikembangkan. Dasar pemikiran time series adalah pengamatan
sekarang (Zt) tergantung pada satu atau beberapa pengamatan sebelumnya (Zt-1) (Iriawan N
dan Astuti P, 2006). Suatu data pengamatan dikatakan stasioner jika data tersebut mempunyai
nilai mean dan variansi yang relatif konstan dari waktu ke waktu (Widarjono, 2007).
Sebaliknya, data pengamatan yang tidak stasioner mempunyai mean dan variansi yang tidak
konstan atau berubah seiring dengan berubahnya waktu. Autokorelasi adalah korelasi antara
suatu variabel satu atau lebih periode sebelumnya dengan dirinya sendiri. Rumus fungsi
autokorelasi menurut Mulyana (2004) adalah sebagai berikut:
dimana :
𝑝𝑘 : koefisien korelasi pada lag-k
𝑋̅ : rata-rata observasi.
Autokorelasi Parsial disingkat PACF digunakan untuk mengukur tingkat keeratan

(association)
antara 𝑋𝑡 dan 𝑋𝑡−𝑘 , apalagi pengaruh dari lag 1, 2, 3, ... , dan seterusnya sampai k-1 diangkap
terpisah. Menurut Wei (1990), rumus fungsi autokorelasi parsial ditulis dengan:
dimana, 𝑝𝑘 = 𝑛𝑖𝑙𝑎𝑖 𝑎𝑢𝑡𝑜 𝑘𝑜𝑟𝑒𝑙𝑎𝑠𝑖 𝑙𝑎𝑔 − 𝑘
Identifikasi Model Melalui Plot ACF dan PACF

Analisis deret waktu bertujuan untuk membuat model yang dapat berguna untuk
memprediksi nilai pada waktu akan datang berdasarkan observasi-observasi untuk
memprediksi nilai pada waktu yang akan datang berdasarkan observasi-observasi yang telah
ada.
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.
Model Auto Regressive (AR) :

Bentuk umum model Autoregressive dengan ordo p (AR(p)) atau model ARIMA
(p,0,0) dinyatakan sebagai berikut:
𝑋𝑡 = 𝜇 ′ + 𝜙1 𝑋𝑡−1 + 𝜙2 𝑋𝑡−2 + ⋯ + 𝜙3 𝑋𝑡−3 + 𝑒𝑖 [0]
dimana:
𝜇 ′ = suatu konstanta
𝜙𝑝 = parameter autoregresif ke –p
𝑒𝑖 = nilai kesalahan pada saat t
Model Moving Average MA :

Bentuk umum model moving average ordo q (MA(q)) atau ARIMA (0,0,q)
dinyatakan sebagai berikut:
𝑋𝑡 = 𝜇 ′ + 𝑒𝑡 − 𝜃1 𝑒𝑡−1 − 𝜃2 𝑒𝑡−2 − ⋯ − 𝜃𝑞 𝑒𝑡−𝑘
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).
MODEL ACF PACF

AR(p) Eksponensial turun atau sinus Terpotong setelah lag-p
terdalam
MA(q) Terpotong setelah lag-q Eksponensial turun atau sinus
terdalam
ARMA(p,q) Eksponensial turun atau sinus Eksponensial turun atau sinus
terdalam terdalam
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)
 Tindakan kriminalitas di suatu tempat dengan waktu diskrit

 Kejadian kecelakaan kendaraan bermotor di suatu tempat pada waktu tertentu dengan
waktu diskrit.
 Hasil pertanian di suatu tempat dengan waktu diskrit.
 Hasil perkebunan di suatu tempat dengan waktu diskrit.
 Suhu temperatur udara, ruangan, dll dengan waktu diskrit.
 Hasil penjualan sebuah barang dagangan (berupa apa saja) dengan waktu sikrit.
 Jumlah pendatang baik dari dalam maupun luar negri ke suatu objek wisata dengan
waktu diskrit.
 Harga rumah di dalam suatu daerah tertenru dengan waktu diskrit.
 Harga saham di nasional maupun Internasional dengan waktu diskrit.
 Harga properti di dalam suatu daerah tertentu dengan waktu dikrit.
 Harga emas dengan waktu diskrit.
 Harga minyak dengan waktu diskrit
 Harga Gas dengan waktu diskrit.
 Harga berbagai macam hasil tambang dengan waktu diskrit.
 Curah hujan di suatu daerah dengan waktu dskrit.
 Besar Inflasi dengan waktu diskrit.
 Pertumbuhan perekonomian di suatu daerah bisa mencakup daerah maupun nasional
dengan waktu diskrit.
 Jumlah penduduk di suatu daerah dengan waktu diskrit.
 Jumlah tingkat kematian maupun kelahiran dengan waktu diksrit.
 Tingkat kesejahteraan masyarakat di suatu tempat dengan waktu diskrit.
 Tingkat kesehatan masyarakat di suatu tempat dengan waktu diskrit.
 Jumlah penumpang dalam berbagai transportasi dengan waktu diskrit.
 Dll.

Tugas Analisis Deret Waktu

Diunggah oleh

Hak Cipta:

Format Tersedia

Tugas Analisis Deret Waktu

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tugas Analisis Deret Waktu

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS ANALISIS DERET WAKTU

PROGRAM STUDI MATEMATIKA

Definisi Analisis Deret Waktu

Model Time Series

Autokorelasi Parsial disingkat PACF digunakan untuk mengukur tingkat keeratan

dimana, 𝑝𝑘 = 𝑛𝑖𝑙𝑎𝑖 𝑎𝑢𝑡𝑜 𝑘𝑜𝑟𝑒𝑙𝑎𝑠𝑖 𝑙𝑎𝑔 − 𝑘

Identifikasi Model Melalui Plot ACF dan PACF

Model Auto Regressive (AR) :

𝑋𝑡 = 𝜇 ′ + 𝜙1 𝑋𝑡−1 + 𝜙2 𝑋𝑡−2 + ⋯ + 𝜙3 𝑋𝑡−3 + 𝑒𝑖 [0]

Model Moving Average MA :

𝑋𝑡 = 𝜇 ′ + 𝑒𝑡 − 𝜃1 𝑒𝑡−1 − 𝜃2 𝑒𝑡−2 − ⋯ − 𝜃𝑞 𝑒𝑡−𝑘

MODEL ACF PACF

 Tindakan kriminalitas di suatu tempat dengan waktu diskrit

Anda mungkin juga menyukai