Anda di halaman 1dari 20

ARIMA

AUTOREGRESSIVE
INTEGRATED
MOVING AVERAGE

TIME SERIES
(DERET BERKALA)

Contoh :
Tahun

Bln

CH (mm)

2007

197

237

110

77

129

71

48

10

41

11

69

12

212

83

329

85

Himpunan nilai nilai


hasil observasi (Yt)
yang diamati pada
suatu waktu spesifik (t)

2008

BEBERAPA JENIS POLA DATA


TIME SERIES (DERET BERKALA)
1.

Pola Horisontal nilai data berfluktuasi di sekitar nilai


rata rata yang konstan (stasioner terhadap nilai rata
rata).

2.

Pola Musiman berulang dengan sendirinya pada


interval yang tetap seperti tahun, bulan atau minggu.

3.

Pola Siklis data dipengaruhi fluktuasi jangka panjang


dan lebih lama dari pola musiman, lamanya berbeda
dari satu siklus ke siklus yang lain.

4.

Pola Trend bila terjadi kenaikan atau penurunan


sekuler jangka panjang dalam data.

MODEL ARIMA(p,d,q)
Merupakan model yang dibangun
berdasarkan proses autoregresif
(Autoregressive, AR) berorde p dan
proses rata rata bergerak (Moving
Average, MA) berorde q yang
mengalami pembedaan (differencing)
sebanyak d kali.

Istilah istilah dalam ARIMA

Time Series Plot


ACF Autocorrelation Function
PACF Partial Autocorrelation Function
AR Autoregressive
MA Moving Average
Lag
Orde

Stationarity (Stasioneritas)
Differencing (Pembedaan)

Transformasi
Seasonal (Musiman)
Non Seasonal (Non Musiman)

NOTASI MODEL ARIMA

Model ARMA(p,q) atau ARIMA(p,0,q)


Model RANDOM WALK atau ARIMA(0,1,0)
Model Non Musiman
ARIMA(p,d,q)
Model Musiman
ARIMA(p,d,q)(P,D,Q)S dengan s periode musiman

Note :
p = orde autoregressive non musiman (AR)
d = differencing non musiman
q = orde moving average non musiman (MA)
P = orde autoregressive musiman (SAR)
D = differencing musiman
Q = orde moving average musiman (SMA)

Contoh software yang bisa digunakan


untuk running model ARIMA :

Minitab 13
Statistica 5.0
SPSS 13.0
Hy BMG v.1.6.6

TAHAP-TAHAP
PEMODELAN ARIMA
1. Identifikasi parameter model
dengan menggunakan ACF dan
PACF.
2. Estimasi (penaksiran)
komponen-komponen AR dan MA.
3. Pengujian dan penerapan model
untuk meramalkan series data
beberapa periode ke depan.

1. Identifikasi

TIME SERIES PLOT


31

30

29

28

27

PANAKUKANG
25
1986

1988

1987

1990

1989

1992

1991

1994

1993

1996

1995

1998

1997

2000

1999

2002

2001

Das I Jan 1985 - Das III Des 2004

2004

2003

2005

700

Tahun

600

Curah Hujan (mm)

sst 3

26

500
400
300
200
100
0

Periode

100

200

300

400

500

600

700

identifikasi

A C F
(Autocorrelation Function)

Fungsi yang menyatakan korelasi


antara deret berkala (time series)
dengan deret berkala itu sendiri
dengan selisih waktu 0, 1, 2 periode
atau lebih.
(Makridakis, et.al., 1999)

identifikasi

Z ( 1 ) rk Z ( 1 )
n
n

CORRELOGRAM ACF

batas bawah

batas atas

Autocorrelation

PANAKUKANG 1985-2004

Note :

5%

1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

Z 0.025 1.96

12

22

Lag

Corr

LBQ

Lag

Corr

LBQ

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

0.56
0.39
0.41
0.37
0.28
0.21
0.13
0.06
0.00
-0.09
-0.17
-0.21
-0.25
-0.29
-0.30

14.91
8.27
7.88
6.57
4.70
3.49
2.17
0.97
0.04
-1.52
-2.73
-3.37
-3.95
-4.41
-4.47

223.30
334.67
454.99
553.25
609.64
642.64
655.83
658.51
658.51
665.10
686.64
720.06
767.68
829.60
896.67

16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

-0.32
-0.34
-0.33
-0.33
-0.33
-0.31
-0.29
-0.24
-0.24
-0.17
-0.08
-0.04
0.01
0.08
0.17

-4.67
-4.69
-4.55
-4.40
-4.28
-3.92
-3.55
-2.92
-2.92
-1.97
-0.96
-0.51
0.11
0.90
1.98

974.18
1057.26
1140.32
1222.58
1304.71
1377.24
1439.42
1482.83
1527.40
1548.13
1553.09
1554.51
1554.58
1559.05
1580.56

32
Lag

42

52

62

Corr

LBQ

Lag

Corr

LBQ

Lag

31 0.27
32 0.30
33 0.33
34 0.38
35 0.43
36 0.44
37 0.42
38 0.40
39 0.36
40 0.27
41 0.17
42 0.14
43 0.06
44 -0.02
45 -0.08

3.15
3.42
3.72
4.21
4.61
4.67
4.32
3.95
3.51
2.60
1.65
1.32
0.53
-0.15
-0.79

1635.71
1702.72
1784.70
1893.91
2031.23
2180.94
2316.61
2436.26
2534.76
2590.96
2613.90
2628.75
2631.15
2631.34
2636.69

46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

-0.13
-0.16
-0.19
-0.25
-0.27
-0.28
-0.31
-0.31
-0.32
-0.32
-0.31
-0.29
-0.26
-0.25
-0.20

-1.20
-1.52
-1.82
-2.29
-2.50
-2.59
-2.85
-2.83
-2.86
-2.78
-2.66
-2.47
-2.25
-2.11
-1.72

2649.11
2669.11
2698.24
2744.83
2801.15
2862.61
2938.79
3015.77
3096.21
3173.97
3246.99
3310.95
3365.31
3413.87
3446.36

61
62
63
64
65
66
67
68
69
70
71
72

Corr

72
T

LBQ

-0.15 -1.30 3465.25


-0.12 -0.97 3475.74
-0.07 -0.56 3479.28
0.02 0.19 3479.68
0.09 0.76 3486.20
0.17 1.38 3507.84
0.25 2.05 3555.73
0.33 2.74 3642.58
0.39 3.23 3765.87
0.38 3.10 3882.97
0.37 2.95 3991.74
0.38 3.00 4107.21

Suatu deret data dapat


disimpulkan bersifat acak
apabila koefisien korelasi
yang dihitung berada di
dalam batas tersebut
(Makridakis, S., et.al.,
1999).

n 240

n
lag
4

n 240 n 45 lag
nk

rk

(Y Y )(Y
t 1

t k

Y )

2
(
Y

Y
)
t
t 1

identifikasi

CORRELOGRAM PACF
Partial Autocorrelation

PANAKUKANG 1985-2004
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

12

22

32

42

52

62

72

Lag

PAC

Lag

PAC

Lag

PAC

Lag

PAC

Lag

PAC

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

0.56
0.12
0.22
0.08
-0.01
-0.03
-0.08
-0.08
-0.07
-0.13
-0.11
-0.08
-0.07
-0.06
-0.03

14.91
3.24
5.86
2.18
-0.26
-0.76
-2.24
-2.21
-1.92
-3.60
-2.97
-2.23
-1.96
-1.48
-0.81

16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

-0.05
-0.05
-0.05
-0.06
-0.07
-0.06
-0.07
-0.02
-0.11
0.02
0.03
0.00
0.03
0.03
0.09

-1.42
-1.22
-1.41
-1.58
-1.99
-1.67
-1.75
-0.62
-2.83
0.60
0.90
0.13
0.77
0.79
2.42

31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

0.14
0.05
0.06
0.06
0.08
0.09
0.04
0.03
0.01
-0.08
-0.11
-0.03
-0.09
-0.05
-0.06

3.68
1.30
1.73
1.63
2.19
2.34
1.00
0.70
0.15
-2.21
-2.90
-0.74
-2.42
-1.23
-1.53

46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

-0.01
0.03
0.03
0.01
0.03
0.01
-0.03
-0.01
-0.05
-0.01
-0.04
-0.03
-0.01
-0.04
0.00

-0.35
0.85
0.83
0.19
0.86
0.14
-0.81
-0.17
-1.23
-0.30
-0.94
-0.84
-0.27
-1.01
0.01

61
62
63
64
65
66
67
68
69
70
71
72

-0.02
-0.04
-0.03
0.03
-0.01
0.05
0.06
0.10
0.11
-0.01
-0.02
-0.01

-0.42
-1.10
-0.77
0.72
-0.17
1.38
1.52
2.71
2.84
-0.16
-0.58
-0.38

identifikasi

KONSEP STASIONERITAS

2.

Stasioner pada rata


rata plot data tidak
menunjukkan
perubahan rata rata
dari waktu ke waktu.
Stasioner pada variansi
plot data tidak
menunjukkan
perubahan variansi yang
jelas dari waktu ke
waktu

Diff36 Diff1 PANAKUKANG

500

Dif f 36 Dif f 1

1.

-500

Periode

100

200

300

400

500

600

700

Rata-rata tidak stasioner differencing.


Variansi tidak stasioner transformasi.

NON SEASONAL DIFFERENCING

identifikasi

Digunakan untuk menstasionerkan data yang belum stasioner dalam


rata-rata.
Diff1 PANAKUKANG
Das I Jan 1985 - Das III Des 2004
500

Dif f 1

d=1
0

-500
Periode

100

200

300

400

500

600

700

Proses differencing non musiman :

Y1
pembedaan orde 1
Y2

Y2' Y2 Y1
pembedaan orde 1
pembedaan orde 2
Y3

Y3' Y3 Y2
Y3'' Y3' Y2'

Yt 1
Yt

pembedaan orde 1
pembedaan orde 2

Yt ' Yt Yt 1
Yt '' Yt ' Yt '1

identifikasi

SEASONAL DIFFERENCING
Digunakan untuk menghilangkan pola musiman yang kuat.
Diff36 Diff1 PANAKUKANG

Dif f 36 Dif f 1

500

D=1
d=1

Proses differencing musiman :


-500

Periode

Y1
100

200

300

400

500

600

700

Y2
Y3
Y4
pembedaan musiman 4 periode
Y5
Y5' Y5 Y1
pembedaan musiman 4 periode
Y6
Y6' Y6 Y2

pembedaan musiman 4 periode


Yt
Yt ' Yt Yt 4

2. Estimasi
Lag ke-36

Estimasi komponen MA dan SMA

SMA(Q = 1)

Autocorrelation

Diff36 Diff1 Panakukang


1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2
Lag Corr

Lag ke-1 & ke-2

MA(q = 2)
atau
MA(q = 1)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

-0.35
-0.22
0.04
0.05
-0.03
-0.01
0.01
-0.01
0.07
-0.04
-0.04
0.04
-0.02
-0.01
0.00

LBQ

-9.12
-5.09
0.91
1.19
-0.75
-0.11
0.30
-0.13
1.48
-0.85
-0.90
0.83
-0.48
-0.16
0.09

83.53
115.88
117.00
118.91
119.66
119.68
119.80
119.83
122.82
123.82
124.94
125.90
126.22
126.25
126.26

12
Lag Corr
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

0.02
-0.02
0.01
0.01
-0.01
-0.01
-0.02
0.08
-0.09
0.01
0.07
-0.01
-0.03
-0.02
-0.01

22
T

LBQ

0.40
-0.44
0.18
0.29
-0.33
-0.12
-0.43
1.83
-2.10
0.22
1.48
-0.14
-0.66
-0.39
-0.23

126.48
126.75
126.80
126.92
127.07
127.09
127.36
132.15
138.50
138.57
141.78
141.81
142.45
142.68
142.75

32
Lag Corr
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

0.10
-0.06
-0.09
0.12
0.19
-0.45
0.16
0.09
-0.01
0.00
-0.06
0.05
-0.03
0.03
-0.06

42

LBQ

2.17
-1.23
-1.98
2.53
4.17
-9.52
2.97
1.58
-0.11
0.09
-1.10
0.93
-0.56
0.57
-1.14

149.77
152.07
157.99
167.83
195.04
344.63
363.13
368.49
368.52
368.53
371.16
373.04
373.74
374.45
377.30

52

Lag Corr
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

0.02
0.01
0.01
-0.01
0.02
-0.01
-0.00
0.01
-0.01
0.00
0.00
0.00
0.04
-0.08
0.04

62

LBQ

0.45
0.25
0.23
-0.26
0.29
-0.23
-0.03
0.22
-0.22
0.04
0.07
0.00
0.70
-1.40
0.69

377.76
377.90
378.01
378.17
378.35
378.47
378.47
378.57
378.68
378.68
378.69
378.69
379.81
384.29
385.37

Lag Corr
61
62
63
64
65
66
67
68
69
70
71
72

0.04
-0.03
-0.05
0.04
0.03
-0.04
-0.04
0.04
0.07
-0.04
-0.00
-0.10

72
T

LBQ

0.66
-0.56
-0.83
0.72
0.47
-0.68
-0.64
0.70
1.30
-0.67
-0.02
-1.74

386.37
387.10
388.71
389.93
390.44
391.52
392.49
393.65
397.63
398.70
398.70
405.87

ACF

estimasi

Lag ke-36
SAR(P = 1)

Estimasi komponen AR dan SAR

Partial Autocorrelation

Diff36 Diff1 Panakukang


1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

AR (p = 0)

12

22

32

42

52

62

72

Lag

PAC

Lag

PAC

Lag

PAC

Lag

PAC

Lag

PAC

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

-0.35
-0.39
-0.27
-0.19
-0.18
-0.15
-0.13
-0.13
-0.01
-0.01
-0.03
0.01
-0.03
-0.03
-0.04

-9.12
-10.08
-6.97
-4.84
-4.72
-4.04
-3.47
-3.36
-0.22
-0.34
-0.71
0.33
-0.71
-0.78
-1.17

16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

-0.03
-0.06
-0.05
-0.03
-0.04
-0.04
-0.07
0.05
-0.07
-0.05
0.00
0.02
0.03
0.00
-0.04

-0.88
-1.50
-1.37
-0.86
-0.92
-0.99
-1.86
1.19
-1.83
-1.42
0.13
0.59
0.79
0.12
-1.08

31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

0.10
0.04
-0.06
0.06
0.35
-0.20
-0.03
-0.11
-0.08
-0.01
-0.12
-0.01
-0.07
-0.03
-0.04

2.54
1.03
-1.44
1.45
9.25
-5.18
-0.68
-2.81
-1.98
-0.30
-3.05
-0.33
-1.81
-0.91
-0.96

46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

-0.04
-0.06
-0.02
-0.06
-0.02
-0.04
-0.02
-0.01
-0.03
0.00
0.01
-0.03
0.00
0.02
-0.05

-1.04
-1.68
-0.43
-1.67
-0.62
-0.96
-0.49
-0.36
-0.86
0.02
0.15
-0.66
0.05
0.44
-1.40

61
62
63
64
65
66
67
68
69
70
71
72

0.01
0.02
-0.03
0.04
0.01
-0.07
-0.01
-0.03
0.01
0.08
0.32
-0.14

0.18
0.46
-0.77
0.92
0.25
-1.83
-0.17
-0.67
0.31
2.21
8.25
-3.71

PACF

3. Pengujian & penerapan model

Pengujian Model
Kombinasi
yg dpt
dibuat &
diuji

ARIMA (0,1,1)( 2,1,1) 36 ARIMA (0,1,2)( 2,1,1) 36

ARIMA (0,1,1)(1,1,1) 36 ARIMA (0,1,2)(1,1,1) 36


ARIMA (0,1,1)( 0,1,1) 36 ARIMA (0,1,2)( 0,1,1) 36

Final Estimates of Parameters


Type
Coef
SE Coef
T
MA 1
0.9143
0.0146 62.83
SMA 36 0.9033
0.0257 35.22

Time Series Plot for Panakuka


(with forecasts and their 95% confidence limits)
700
600
500

P
0.000
0.000

400

Panakuka

ARIMA Model: Panakukang


ARIMA model for Panakukang
6.
5.
4.
3.
2.
1.

Nilainya
harus
lebih
kecil dari
0.05

300
200
100
0
-100
-200
50

100 150

200 250

300 350

400 450

Time

ARIMA (0,1,1)( 0,1,1) 36


(1 B)(1 B 36 )Yt (1 1 .B)(1 1 .B 36 )et


d 1

D 1

MA(1)

SMA(1)

Yt Yt 1 Yt 36 Yt 37 1 .et 36 1 .et 1 1 .1 .et 37 et


Yt Yt 1 Yt 36 Yt 37 (0.9033)et 36 (0.9143)et 1 (0.9143)(0.9033)et 37 et

500

550 600

650 700

pengujian & penerapan model

Penerapan Model
Misal akan diprediksi curah hujan pada

t 650

yaitu curah hujan pada dasarian II Januari 2003 :

Yt
Y

Yt 1 Yt 36 Yt 37 (0.9033)et 36 (0.9143)et 1 (0.9143)(0.9033)et 37 et

650

Y649 Y614 Y613 (0.9033)e614 (0.9143)e649 (0.9143)(0.9033)e613 e650

Y650 307 86 406 (0.9033)(168.089) (0.9143)(72.971) (0.8259)(151.906) 0


Y650 197.577 198 mm
dengan e650 ~ NID(0, 2 )
PANAKUKANG 2005
ARIMA(0,1,1)(0,1,1)
450
350

CH (mm)

Contoh
prakiraan
curah hujan
tahun 2005

400
300
250
200
150
100
50
0
1

10 13 16 19 22 25 28 31 34
DASARIAN
PRED2005

OBS2005

KATEGORI PEMILIHAN
MODEL TERBAIK
Melalui validasi dengan menggunakan:
korelasi

RMSE (Root Mean Square Error)


Residual Analysis

terhadap hasil prakiraan dibanding


observasi pada periode yang sama.