Anda di halaman 1dari 135

Buku Ajar

ANALISIS DATA DERET WAKTU

4.0 3.5 3.0 2.5 2.0 1.5 2.5 3.5 LN 1.0 Unstandardized Predi 3.0 2.4 .5
4.0
3.5
3.0
2.5
2.0
1.5
2.5
3.5
LN
1.0
Unstandardized Predi
3.0
2.4
.5
cted Value
2.5
1
11
21
31
41
51
61
71
81
2.3
6
16
26
36
46
56
66
76
2.0
2.2
Case Number
1.5
2.1
1.0
-1.5
-1.0
-.5
0.0
.5
1.0
1.5
Unstandardized Residual
.5
-1.5
-1.0
-.5
0.0
.5
1.0
1.5
Unstandardized Residual
Unstandardized Predicted Value
Value
LN
Residual Unstandardized Predicted Value Value LN Disusun oleh MULYANA UNIVERSITAS PADJADJARAN FAKULTAS

Disusun oleh

MULYANA

UNIVERSITAS PADJADJARAN

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

JURUSAN STATISTIKA

2004

PENGANTAR

Buku ini disusun dalam upaya membantu mahasiswa Jurusan Statistika FMIPA Unpad, untuk bisa memahami materi perkuliahan Analisis Data Deret Waktu khususnya, umumnya mahasiswa lain, peminat, atau pengguna ilmu Statistika sebagai alat untuk menyelesaikan persoalan penelitian, yang menyangkut peramalan data deret waktu univariat. Buku ini direncanakan ditulis dalam dua bagian, bagian pertama telaahan tentang analisis regresi deret waktu univariat, yang ditujukan untuk bahan ajar atau pengetahuan mahasiswa program S-1, sedangkan bagian kedua telaahan tentang analisis regresi deret waktu multivariat (regresi deret waktu vektor), yang ditujukan untuk mahasiswa program S-2. Walaupun pada buku ini banyak disajikan formulasi matematis, diharapkan dapat juga dipahami oleh mahasiswa bukan bidang ilmu Statistika- Matematika. Penulis yakin, buku ini masih jauh dari “predikat baik” apalagi sempurna, sehingga segala kritik dan saran yang bertujuan untuk perbaikan buku ini, sangat diharapkan. Walaupun dengan segala keterbatasan dan kekurangan, diharapkan buku ini ada manfaatnya untuk pengetahuan dan pengembangan ilmu Statistika.

Januari , 1 September 2004

i

Penulis

DAFTAR ISI

Halaman

Kata Pengantar

i

Daftar Isi

ii

Bab 1

Pendahuluan

1

1.1.

Regresi Deret Waktu

2

1.2.

Proses Analisis Untuk Data Deret Waktu

4

1.3.

Sasaran Analisis Data Deret Waktu

5

Bab 2

Analisis Dalam Kawasan Waktu

7

2.1.

Autokorelasi dan Autokorelasi Parsial

7

2.2.

Stasioneritas

15

2.3.

Model Regresi Deret Waktu

20

2.4.

Identifikasi Model

33

2.5

Transformasi Stabilitas Varians

38

2.6.

Analisis Residual

42

Bab 3

Peramalan

47

3.1.

Ekstrapolasi Trend

48

3.2.

Eksponensial Sederhana

56

3.3.

Holt

59

3.4.

Winters

61

3.5.

Holt-Winters

65

3.6.

Box-Jenkins

69

3.7.

Autoregresi Stepwise

75

3.8.

Peramalan Multivariat

76

3.9.

Pemilihan Metode

76

Bab 4

Model Fungsi Transfer

79

4.1.

Konsepsi Umum

79

4.2.

Korelasi Silang

84

ii

4.3.

Hubungan Korelasi Silang Dengan Fungsi Transfer

86

4.4.

Membangun Fungsi Transfer

88

4.5.

Penaksiran Pada Fungsi Transfer

91

4.6.

Rata-Rata Hitung Kuadrat Kekeliruan

93

4.7.

Contoh Numerik

96

Bab 5

Analisis Spektral

106

5.1.

Fungsi Spektral

107

5.2.

Periodogram

108

5.3.

Metode Windowing

110

5.4.

Metode Fast Fourier Transform (metode FFT)

114

5.5.

Distribusi Peluang Spektral

116

5.6.

Transformasi Data

117

Kepustakaan

124

Lampiran 1

125

 

Lampiran 2

127

iii

BAB 1 PENDAHULUAN

Pada dasarnya setiap nilai dari hasil pengamatan (data), selalu dapat dikaitkan dengan waktu pengamatannya. Hanya pada saat analisisnya, kaitan variabel waktu dengan pengamatan sering tidak dipersoalkan. Dalam hal kaitan variabel waktu dengan pengamatan diperhatikan, sehingga data dianggap sebagai fungsi atas waktu, maka data seperti ini dinamakan Data Deret Waktu (Time series). Banyak persoalan dalam ilmu terapan yang datanya merupakan data deret waktu, misalnya dalam bidang ilmu

a. ekonomi : banyak barang terjual dalam setiap hari, keuntungan perusahaan dalam setiap tahun, total nilai ekspor dalam setiap bulan,

b. fisika : curah hujan bulanan, temperatur udara harian, gerak partikel,

c. demografi : pertumbuhan penduduk, mortalitas dan natalitas,

d. pengontrolan kualitas : proses pengontrolan kualitas produk, pengontrolan proses

produksi,

e. biomedis : denyut nadi, proses penyembuhan, pertumbuhan mikroba. Karena data deret waktu merupakan regresi data atas waktu, dan salah satu segi (aspect) pada data deret waktu adalah terlibatnya sebuah besaran yang dinamakan Autokorelasi (autocorrelation), yang konsepsinya sama dengan korelasi untuk data bivariat, dalam analisis regresi biasa. Signifikansi (keberartian) autokorelasi menentukan analisis regresi yang harus dilakukan pada data deret waktu. Jika autokorelasi tidak signifikans (dalam kata lain data deret waktu tidak berautokorelasi), maka analisis regresi yang harus dilakukan adalah analisis regresi sederhana biasa, yaitu analisis regresi data atas waktu. Sedangkan jika signifikans (berautokorelasi) harus dilakukan analisis regresi data deret waktu, yaitu analisis regresi antar nilai pengamatan. Segi lain dalam data deret waktu adalah kestasioneran data yang diklasifikasikan atas stasioner kuat (stasioner orde pertama, strickly stationer) dan stasioner lemah (stasioner orde dua, weakly stationer), dan kestasioner ini merupakan kondisi yang diperlukan dalam analisis data deret waktu, karena akan memperkecil kekeliruan baku.

1

Dalam teori Statistika, setiap data deret waktu dibangun atas komponen trend (T), siklis (S), musiman (M, untuk data bulanan), dan variasi residu (R). Bentuk hubungan antara nilai data dengan komponen-komponennya tersebut bisa bermacam-macam, dan bentuk hubungan yang sering digunakan adalah linier dan multiplikatif. Jika x t nilai data pada waktu-t dan hubungan dengan komponennya linier, maka persamaannya

x t = T t + S t + M t + R t , jika t : bulanan

(1.1)

x t = T t + S t + R t dan multiplikatif, maka persamaannya

, jika t : tahunan

(1.2)

x t = T.S.M.R , jika t : bulanan

(1.3)

x t = T.S.R ,

jika t : tahunan

(1.4)

Sebagai akibat dari terdapatnya komponen-komponen dalam data deret waktu dan terjadinya hubungan antar komponen, adalah berautokorelasinya antar pengamatan sehingga dapat dibangun sebuah hubungan fungsional yang dinamakan regresi deret waktu.

1.1. Regresi Deret Waktu

Analisis data deret waktu merupakan telaahan khusus dari analisis regresi biasa, seperti halnya analisis ekonometrika dan analisis disain eksperimen. Analisis regresi deret waktu adalah analisis regresi dalam kondisi variabel respon berautokorelasi, sehingga antar variabel respon dapat dibangun sebuah hubungan fungsional, yang dalam analisis data deret waktu bentuk hubungannya selalu digunakan regresi linier. Konsepsi analisis regresi linier biasa dapat digunakan secara utuh dalam analisis regresi deret waktu, hanya proses perhitungan nilai penaksir parameternya tidak selalu bisa dijadikan acuan. Dalam analisis regresi linier biasa, proses perhitungan taksiran parameter selalu dapat dilakukan dengan menggunakan perhitungan matriks, sebab sistem persamaan parameternya selalu merupakan sistem persamaan linier. Sedangkan dalam analisis regresi deret waktu, ada beberapa model yang perhitungan taksiran parameternya harus menggunakan metoda iterasi atau rekursif, sehingga sebagian besar persoalan analisis regresi deret waktu harus diselesaikan dengan menggunakan fasilitas komputer.

2

Dalam analisis data deret waktu, jika pengamatan berautokorelasi maka model

hubungan fungsionalnya dibangun berdasarkan kondisi kestasioner data, sehingga model

regresi deret waktu dikelompokan atas regresi deret waktu stasioner dan regresi deret

waktu tidak stasioner. Model regresi deret waktu tidak stasioner identik dengan model

regresi deret waktu stasioner, yang terlebih dulu data distasionerkan melalui proses

berautokorelasi maka model regresi

antar pengamatan (autoregresi) disajikan dalam persamaan

diferensi. Jika data deret waktu X t , t = 1, 2,

X t = µ + γ 1 X t-1 + γ 2 X t-2 +

+ γ k X t-k + Z t

(1.5)

dengan Z t kekeliruan model yang diasumsikan berdistribusi identik independen dengan

rata 0 dan varians konstan σ 2 , yang dalam analisis data deret waktu Z t biasa disebut white

noise, µ , γ 1 ,

Model autoregresi dengan Persamaan (1.5) dinamakan Autoregresi Lag-k dan disingkat

AR(k). Dalam analisis data deret waktu, untuk menyajikan X t-i , i = 1, 2 ,

, k biasa

digunakan operator backshift B, dengan menuliskan X t-i = B i X t , sehingga model AR(k)

jika disajikan dalam operator backshift maka persamaannya menjadi

, γ k parameter autoregresi.

X t = µ + γ 1 BX t + γ 2 B 2 X t +

+ γ k B k X t + Z t

(1.6)

atau

X t - γ 1 BX t - γ 2 B 2 X t -

- γ k B k X t = µ + Z t

Γ k (B)X t = µ + Z t

dengan Γ k (B) = 1 - γ 1 B - γ 2 B 2 -

Karena Γ k (B) 0, secara matematis persamaan Γ k (B)X t = µ + Z t setara dengan

- γ k B k

X

t

=

µ

Γ

k

(B)

+

1

Γ

k

(B)

Z

t

X t = Γ k -1 (B)µ + Γ k -1 (B)Z t = θ + Γ k -1 (B)Z t

sehingga jika didefinisikan Γ k -1 (B) = Ψ p (B) = 1 - ψ 1 B - ψ 2 B 2 -

Persamaan (1.7) menjadi

(1.7)

- ψ p B p maka

(1.8)

Model dengan Persamaan (1.8) dinamakan model rata-rata bergerak (moving average)

orde-p disingkat MA(p). Jadi dalam hal ini model MA(p) merupakan model inversi dari

3

X t = θ + Ψ p (B)Z t =

θ + Z t - ψ 1 Z t-1 - ψ 2 Z t-2 -

- ψ p Z t-p

AR(k), yang berarti model AR(k) dan MA(p) merupakan model yang saling berkebalikan (invertible) Model AR(k) dan MA(p) merupakan model regresi deret waktu stasioner dan saling berkebalikan, sehingga keduanya dapat digabungkan dengan cara dijumlahkan, dan model yang diperoleh dinamakan model autoregresi rata-rata bergerak, disingkat ARMA(k,p), dengan persamaan

X t = η + γ 1 X t-1 + γ 2 X t-2 + atau

+ γ k X t-k + Z t - ψ 1 Z t-1 - ψ 2 Z t-2 -

-ψ p Z t-p (1.9)

X t - γ 1 X t-1 - γ 2 X t-2 -

- γ k X t-k = η + Z t - ψ 1 Z t-1 - ψ 2 Z t-2 -

-ψ p Z t-p

Γ k (B)X t = η + Ψ p (B)Z t Karena AR(k) dan MA(p) adalah mode regresi deret waktu stasioner, maka ARMA(k,p) juga model regresi deret waktu stasioner. Jika data tidak stasioner, maka dapat distasionerkan melalui proses stasioneritas, yang berupa proses diferensi jika trendnya linier, dan proses linieritas dengan proses diferensi pada data hasil proses linieritas, jika trend data tidak linier. Model ARMA(k,p) untuk data hasil proses diferensi dinamakan model autoregresi integrated rata-rata bergerak disingkat ARIMA(k,q,p).

1.2. Proses Analisis Untuk Data Deret Waktu.

Dalam analisis data deret waktu, proses baku yang harus dilakukan adalah

1. Memetakan nilai data atas waktu, hal ini dilakukan untuk menelaah kestasioneran data, sebab jika data tidak stasioner maka harus distasionerkan melalui proses stasioneritas.

2. Menggambarkan korelogram (gambar fungsi autokorelasi), untuk menelaah apakah autokorelasi signifikans atau tidak, dan perlu-tidaknya proses diferensi dilakukan. Jika autokorelasi data tidak signifikans, analisis data cukup menggunakan analisis regresi sederhana data atas waktu, sedangkan jika signifikans harus menggunakan analisis regresi deret waktu. Jika data ditransformasikan, maka proses pemetaan data dan penggambaran korelogram, sebaiknya dilakukan juga pada data hasil

4

transformasi, untuk menelaah apakah proses transformasi ini sudah cukup baik dalam upaya menstasioner kan data.

3. Jika dari korelogram disimpulkan bahwa autokorelasi signifikans, maka bangun model regresi deret waktunya, dan lakukan penaksirannya baik dalam kawasan waktu maupun kawasan frekuensi.

4. Lakukan proses peramalan dengan metode yang sesuai dengan kondisi datanya, dan

untuk mendapatkan hasil yang memuaskan sebaiknya gunakan metode Box-Jenkins . Semua proses tersebut dapat dilakukan dengan mengunakan kemasan program (software)

komputer, dan telah banyak kemasan program yang dapat digunakan diantaranya SPSS dan STATISCA.

1.3. Sasaran Analisis Data Deret Waktu

Ada beberapa tujuan dalam analisis data deret waktu, yaitu

1.3.1. Deskripsi (description)

Jika ingin mempresentasikan karakter dari data yang dimiliki, seperti kestasioneran, keberadaan komponen musiman, keberartian autokorelasi (sebab pada dasarnya setiap data deret waktu berautokorelasi hanya autokorelasinya signifikans atau tidak ?), maka tahap pertama dari analisis data deret waktu adalah menggambarkan peta data dan korelogram, yang tujuannya, 1.3.1.1. gambar peta data atas waktu untuk menelaah kestasioneran dan keberaadaan komponen musiman (jika datanya bulanan), dan 1.3.1.2. gambar korelogram untuk menelaah signifikansi autokorelasi dan perlu-tidaknya transformasi data, sehingga berdasarkan informasi visual tersebut dapat dirumuskan mengenai analisis data yang harus dilakukan, yaitu analisis regresi sederhana data atas waktu, atau analisis regresi deret waktu.

1.3.2. Menerangkan (explanation)

Jika variabel data deret waktu lebih dari satu buah, maka telaahan dilakukan untuk menentukan apakah salah satu variabel dapat menjelaskan variabel lain, sehingga bisa dibangun sebuah model regresi (fungsi transfer) untuk keperluan analisis data deret

5

waktu lebih lanjut ? Sebab pada dasarnya analisis data deret waktu adalah analisis data univariat, sehingga jika datanya bivariat atau multivariat, maka bagaimana proses univariatisasinya ?

1.3.3. Perkiraan (prediction)

Jika dimiliki sampel data deret waktu, dan diinginkan perkiraan nilai data berikutnya, maka proses peramalan harus dilakukan. Peramalan adalah sasaran utama dari analisis data deret waktu, yang prosesnya bisa berdasarkan karakter dari komponen data, atau model regresi deret waktu. Pengertian perkiraan (prediction) dan peramalan (forecasting) beberapa penulis ada yang membedakannya, sebab mereka berpendapat perkiraan adalah penaksiran (estimation) nilai data dengan tidak memperhatikan model

hubungan (regresi) antar nilai data, tetapi peramalan adalah proses penaksiran nilai data berdasarkan sebuah model hubungan fungsional antar nilai data. Tetapi kebanyakan penulis berpendapat perkiraan dengan peramalan adalah dua proses analisis data yang sama. Dalam buku ajar ini perkiraan bisa diidentikan dengan peramalan.

1.3.4. Kontrol (control)

Proses kontrol dilakukan untuk menelaah apakah model (regresi) ramalan (perkiraan) yang ditentukan cukup baik untuk digunakan ? Dalam statistika, sebuah model baik digunakan untuk peramalan, jika dipenuhi modelnya cocok dan asumsinya juga dipenuhi. Sehingga proses kontrol terhadap model perlu dilakukan untuk menelaah dipenuhi- tidaknya asumsi, kecocokan bentuk model yang dibangun, ada-tidaknya pencilan (outliers), yang analisisnya dapat dilakukan berdasarkan karakter nilai residu atau analisis varians. Untuk bisa memahami dengan baik mengenai analisis data deret waktu, diperlukan pemahaman mengenai analisis regresi biasa, sebab analisis data deret waktu adalah analisis khusus dari analisis regresi biasa, yaitu analisis regresi dalam hal data responnya berautokorelasi, sehingga konsepsi pada analisis regresi biasa berlaku dalam analisis regresi deret waktu, tetapi belum tentu untuk sebaliknya.

6

BAB 2 ANALISIS DALAM KAWASAN WAKTU

Sudah dikemukakan pada Bab 1 bahwa data deret waktu adalah data yang merupakan fungsi atas waktu, dan setiap data deret waktu dibangun oleh komponen trend, siklis, musiman (untuk data bulanan), dan variasi residu. Sehingga berdasarkan konsepsi tersebut, analisis data deret waktu dapat dilakukan dalam dua kawasan (domain), yaitu kawasan waktu dan kawasan frekuensi. Dalam kawasan waktu adalah telaah signifikansi autokorelasi, kestasioneran data, penaksiran parameter model regresi deret waktu, dan peramalan (forecasting). Sedangkan dalam kawasan frekuensi adalah telaahan frekuensi tersembunyi, yaitu frekuensi komponen siklis yang sulit diperoleh dalam kawasan waktu, dengan tujuan untuk mengetahui hal-hal istimewa atau kondisi tertentu pada data. Analisis dalam kawasan frekuensi dinamakan Analisis Spektral, dan analisis ini dilakukan untuk memberikan informasi tambahan pada hasil analisis dalam kawasan waktu.

2.1. Autokorelasi dan Autokorelasi Parsial Konsepsi autokorelasi setara (identik) dengan korelasi Pearson untuk data bivariat.

Deskripsinya sebagai berikut, jika dimiliki sampel data deret waktu x 1 , x 2 ,

, (x k , x n ) , autokorelasilasi

, x n , dan

dapat dibangun pasangan nilai (x 1 , x k+1 ) , (x 2 , x k+2 ) , lag-k, dari sampel data deret waktu adalah

x

1

=

1

k

r

k

=

k

2

x

t

,

x

t

=

1

kor.(X ,X

t

t

+

=

1

k

t

n

t

x

=

k

+

1

k

)

=

n − k 2 ( )( ) x − x x − x 1 t
n
− k
2
(
)(
)
x
x
x
x
1
t
t
+
k
t
= 1
n
k
n
− k
2
(
)
2
(
)
x
x
x
x
1
t
i
t
=
1
t
= 1

(2.1)

Dalam analisis data deret waktu untuk mendapatkan hasil yang baik, nilai n harus cukup besar, dan autokorelasi disebut berarti jika nilai k cukup kecil dibandingkan dengan n, sehingga bisa dianggap

7

dan Persamaan (2.1) menjadi

r

k

x

1

n

t x t = 1 ≈ x ≈ x = 2 n n − k
t
x
t
=
1
x
x
=
2
n
n
− k
k
(
)(
)
x
x x
x
t
t
+
t
= 1
n
2
(
)
x
x
t
t
= 1

dan perumusan autokorelasi seperti ini yang digunakan dalam analisis data deret waktu.

Karena r k merupakan fungsi atas k, maka hubungan autokorelasi dengan lagnya

dinamakan Fungsi Autokorelasi (autocorrelation function, ACF), dan dinotasikan oleh

ρ (k)

=

n

k

(

k

x

t

x x

t

+

)(

t

=

1

x

)

2

x

t

x

n

(

)

t

= 1

(2.2)

Konsepsi lain pada autokorelasi adalah autokorelasi parsial (partial autocorrelation),

yaitu korelasi antara X t dengan X t+k , dengan mengabaikan ketidak-bebasan X t+1 , X t+2 ,

. , X t+k-1 , sehingga X t dianggap sebagai konstanta, X t = x t , t = t+1 , t+2 ,

, t+k-1 .

Autokorelasi parsial X t dengan X t+k didefinisikan sebagai korelasi bersyarat,

ρ kk = kor.(X t ,X t+k X t+1 = x t+1 , X t+2 = x t+2 ,

Seperti halnya autokorelasi yang merupakan fungsi atas lagnya, yang hubungannya

dinamakan fungsi autokorelasi (ACF), autokorelasi parsial juga merupakan fungsi atas

lagnya, dan hubungannya dinamakan Fungsi Autokorelasi Parsial (partial

autocorrelation function, PACF). Gambar dari ACF dan PACF dinamakan korelogram

(correlogram) dan dapat digunakan untuk menelaah signifikansi autokorelasi dan

kestasioneran data. Jika gambar ACF membangun sebuah histogram yang menurun (pola

eksponensial), maka autokorelasi signifikans atau data berautokorelasi, dan jika diikuti

oleh gambar PACF yang histogramnya langsung terpotong pada lag-2, maka data tidak

stasioner, dan dapat distasionerkan melalui proses diferensi.

, x n , maka yang harus dihitung

untuk mendapatkan autokorelasi sampel lag-k secara “manual” adalah,

, X t+k-1 = x t+k-1 ) (2.3)

Jika dimiliki sampel data deret waktu, x 1 , x 2 ,

8

1. rata-rata sampel,

1 x =
1
x
=

n

n

t

x

t

= 1

2. autokovarians sampel lag-k,

s

k

=

1

n

k

n

k

(

k

x

t

x

x

t

+

)(

t

=

1

x

)

3. autokorelasi sampel lag-k,

r

k

=

s

k

s

0

Sedangkan untuk menghitung autokorelasi parsial sampel lag-k, adalah sebagai berikut

1. bangun kombinasi linier X t+k dengan X t+k-1 = x t+k-1 , X t+k-2 = x t+k-2 ,

, X t+1 = x t+1 ,

dengan persamaan

X t+k = β 1 x t+k-1 + β 2 x t+k-2 +

+ β k-1 x t+1 , β i , 1 i k-1 , koefisien model.

2. lakukan proses penaksiran untuk β i , berdasarkan metode kuadrat rata-rata hitung,

- β k-1 x t+1 ), dengan asumsi

E(X t ) = 0. Proses minimisasi dilakukan dengan menggunakan perhitungan

diferensiasi biasa, sehingga jika r i , 1 i k 1, autokorelasi sampel lag-i , maka

yaitu meminimumkan E(X t+k - β 1 x t+k-1 - β 2 x t+k-2 -

penaksir β i ,

β , diperoleh berdasarkan persamaan matriks

r

r

.

.

.

1

2

r

k

1

=

1 r

1

r 1

1

r

k

.

.

.

2

r

k

.

.

.

3

r

r

2

1

r

k

.

.

.

4

.

.

.

r

r

k

k

.

.

.

r

1

3

4

r

k

r

k

.

.

.

1

2

3

β

β

.

.

.

β

k

1

2

1

Dengan menggunakan metode Cramer, jika dinotasikan

dan

m =

1

r

1

r 1

1

r

k

.

.

.

2

r

k

.

.

.

3

r

r

2

1

r

k

.

.

.

4

.

.

.

9

r

r

k

k

.

.

.

r

1

3

4

r

k

r

k

.

.

.

1

2

3

,

r =

r

.

.

.

1

r

2

r

k1

m

i

=

1

r

r

.

.

.

1

2

r

r

k

k

3

2

r

1

1

r

1

r

k

r

k

.

.

.

4

3

r

1

1

.

.

.

r

i

2

.

.

.

r

k

− −

i

r

k

i

1

r

r

r

.

.

.

1

2

3

r

k

r

k

2

1

r

i

r

r

i

i

.

.

.

1

2

r

r

k

k

− −

i

− −

i

3

2

.

.

.

r

k

r

r

k

k

.

.

.

r

1

2

3

4

yaitu matriks yang diperoleh dari m dengan mengganti kolom ke-i oleh r ,

maka

∧ m i β = i m
m i
β
=
i
m

, dengan m i dan mmasing-masing determinan dari m i dan m,

Berdasarkan Persamaan (2.3), maka autokorelasi parsial populasi dihitung berdasarkan

persamaan

ρ

kk

=

∧ ∧ kov. X − X X − X t t + k t t
kov. X
− X
X
− X
t
t
+ k
t
t
+ k
var. X
X
var. X
X
t
t
+
k
t
t
+
k

sehingga autokorelasi parsial sampel, dihitung berdasarkan persamaan

r kk

=

 

 

 

r

k

−β

1

r

k

 

1

−β

k

1

r

1

 

 

1

−β

1

 

r

1

 

−β

k

 

1

r

k

 

1

 
 

=

(

r

k

r

k-1

r

1

)

1

−β

1

−β

k

1

 

)

1

 

k

1

(

1r

1

r

k-1

−β

1

−β

(2.4)

β

i

Persamaan (2.4) jika dikaitkan dengan nilai-nilai

perhitungan determinan matriks, maka sajian dalam persamaan determinannya

yang

dihitung

berdasarkan

10

r kk

=

1

r

1

 

r

2

 

r

k

2

r

1

 

r

1

1

r

1

r

k

3

r

2

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

r

k

1

r

k

2

r

k

3

r

1

r

k

1

r

1

r

2

r

k

2

r

k

1

r 1 1

 

r

1

r

k

3

r

k

2

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

r

k

1

r

k

2

r

k

1

r

1

1

 

Menghitung autokorelasi parsial antara X t dengan X t+k dapat juga dilakukan sebagai berikut. Bangun model regresi linier tanpa konstanta dengan X t+k sebagai variabel tidak

bebas dan X t+k-1 , X t+k-2 ,

, X t sebagai variabel bebas,

X t+k = φ k1 X t+k-1 + φ k2 X t+k-2 +

+ φ kk X t + ε t+k

φ ki , i = 1, 2,

ε t+k kekeliruan yang diasumsikan berdistribusi normal identik independen dengan rata-

rata 0, varians konstan σ 2 , dan tidak berkorelasi dengan X t+k-i , i = 1, 2,

Dengan tidak mengabaikan keumuman, diasumsikan E(X t+k ) = 0 untuk setiap t dan k. Selanjutnya perkalikan X t+k-i dengan persamaan regresi

, k , parameter model ;

,k ;

γ i = φ k1 γ i-1 + φ k2 γ i-2 + φ kk γ i-k

untuk setiap i = 1, 2,

membangun sebuah sistem persamaan linier

, dengan menggunakan metode Cramer, maka akan diperoleh jawab

φ 11 = ρ 1

, k, dan hitung nilai ekspetasinya, yang hasilnya akan

i = 1, 2,

, k

ρ i = φ k1 ρ i-1 + φ k2 ρ i-2 + φ kk ρ i-k

11

φ =

22

1 ρ 1 ρ 1 ρ 2 1 ρ 1 ρ 1 1
1 ρ
1
ρ
1 ρ
2
1 ρ
1
ρ
1 1
 

1

ρ

1

ρ

1

 

ρ

1

1

ρ

2

ρ

1

ρ ρ

1 3

1

ρ ρ

1 2

ρ

1

1

ρ

1

ρ

2

ρ

2

1

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

 

1

ρ

1

ρ

2

ρ

k

2

ρ

1

1

ρ 1

1 ρ

ρ 3

2 ρ

1

 

ρ

ρ

k

k

3

4

ρ

ρ

2

3

ρ k

2

ρ

k

3

ρ

k

4

ρ

2

ρ

k

1

ρ k

1

ρ

k

2

ρ

k

3

ρ

1

ρ

k

=

 

1

ρ

1

ρ

2

ρ

k

2

ρ

k

1

1

ρ 1

1 ρ

ρ 3

2 ρ

1

 

ρ

ρ

k

k

3

4

ρ

ρ

k

k

2

3

ρ k

2

ρ

k

3

ρ

k

4

1

ρ

1

ρ k

1

ρ

k

2

ρ

k

3

ρ

1

1

 

φ =

33

. .

. .

. .

φ kk

Sehingga jika ρ i ditaksir oleh

ρ

i = r i (autokorelasi sampel), maka φ ii ditaksir oleh

Berdasarkan paparan

mengenai kedua konsepsi perhitungan autokorelasi parsial tersebut, dapat disimpulkan autokorelasi parsial antara X t dengan X t+k adalah penaksir koefisien regresi ke-k, dari model regresi dengan persamaan

φ

ii

= ρ

kk

= r ii (autokorelasi parsial sampel),

i

=

1,

2,

.

.

.

,

k.

12

X t+k = φ k1 X t+k-1 + φ k2 X t+k-2 +

φ

kk

= ρ

kk

= r

kk

+ φ kk X t + ε t+k

Untuk menghitung autokorelasi dan autokorelasi parsial banyak kemasan program (software) komputer yang dapat digunakan, seperti SPSS, MINITAB, dan STATISTICA, sehingga jika para pengguna analisis data deret waktu tidak memahami konsepsi perhitungan dan pembuatan program komputer untuk perhitungannya, bisa menggunakan salah satu kemasan program tersebut untuk keperluan analisisnya.

Contoh numerik :

Perhatikan data pada Tabel 2.1 di bawah ini

Tabel 2.1 Data Volume Penjualan (dalam ribuan unit)

   

Tahun

Bulan

1990

1991

1992

1993

1994

1995

1996

Januari

12,35

10,12

9,25

2,75

5,80

12,25

10,85

Pebruari

9,78

8,75

5,45

10,19

11,09

8,75

7,50

Maret

10,25

19,75

5,89

4,35

7,00

8,00

12,67

April

2,75

25,30

5,55

30,25

12,20

6,75

29,77

Mei

25,24

12,10

10,25

5,25

11,20

30,45

12,20

Juni

20,25

30,00

6,75

5,25

5,00

10,25

12,25

Juli

11,25

10,25

10,00

30,25

2,75

30,30

12,25

Agustus

12,20

10,35

30,33

12,25

10,00

10,50

12,25

September

20,25

25,05

12,33

8,75

7,75

5,55

4,25

Oktober

10,00

12,25

30,25

24,20

20,10

12,25

5,75

Nopember

8,75

9,90

10,25

25,22

2,57

5,75

7,50

Desember

10,80

8,90

9,25

5,50

4,75

10,25

10,00

Jika autokorelasi dan autokorelasi parsial dihitung dengan menggunakan paket program SPSS untuk 16 lag yang pertama (default-nya proram) diperoleh hasil seperti dibawah in.

MODEL: MOD_1.

Autocorrelations:

NILAI

 

Auto-

Stand.

Lag Corr.

Err.

-1

-.75 -.5 -.25

0

.25

.5

.75

1

Box-Ljung Prob.

 

+----+----+----+----+----+----+----+----+

1 -.012

.107

.

*

.

.014

.907

2 .039

.107

.

I*

.

.149

.928

3 .116

.106

.

I** .

 

1.356

.716

4 -.094

.105

. **I

.

2.161

.706

5 -.232

.105

*.***I

.

7.084

.214

6 -.036

.104

.

*I

.

7.204

.302

7 -.103

.103

. **I

.

8.204

.315

13

ACF

8

-.151

.103

.***I

.

10.364

.240

9

.100

.102

I** .

11.323

.254

10

-.073

.101

*I

.

11.844

.296

11

.155

.101

I***.

14.227

.221

12

.022

.100

.

*

.

14.276

.283

13

.044

.099

.

I*

.

14.476

.341

14

-.027

.098

.

*I

.

14.553

.409

15

16

.031

-.080

.098

.097

Plot Symbols:

I*

.

14.655

15.331

. . **I Autocorrelations *

. Two Standard Error Limits .

.477

.501

Total cases: 84

Computable first lags: 83

 

Partial Autocorrelations:

Pr-Aut- Stand.

NILAI

Lag

Corr.

Err.

-1

-.75 -.5

-.25 0

 

.25

.5

.75

1

 

+----+----+----+----+----+----+----+----+

1

-.012

.109

.

*

.

2

.039

.109

.

I*

.

3

.117

.109

.

I** .

 

4

-.094

.109

. **I

.

5

-.249

.109

*.***I

.

6

-.055

.109

.

*I

.

7

-.062

.109

.

*I

.

8

-.112

.109

. **I

.

9

.071

.109

.

I*

.

10

-.109

.109

. **I

.

11

.150

.109

.

I***.

 

12

-.051

.109

.

*I

.

13

-.001

.109

.

*

.

14

-.060

.109

.

*I

.

15

.002

.109

.

*

.

16

-.029

.109

.

*I

.

Plot Symbols:

Autocorrelations *

Two Standard Error Limits .

Total cases: 84

Computable first lags: 83

dan gambar ACF dengan PACF-nya seperti di bawah di bawah ini

Nilai

Nilai

1.0 0.5 0.0 -0.5 -1.0 1 2 3 4 5 6 7 8 9 10
1.0
0.5
0.0
-0.5
-1.0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Lag Number

Coefficient 1.0 Coefficient Upper Confidence Upper Confidence Limit Limit Lower Confidence Lower Confidence Limit
Coefficient
1.0
Coefficient
Upper Confidence
Upper Confidence
Limit
Limit
Lower Confidence
Lower Confidence
Limit
Limit
0.5
0.0
-0.5
-1.0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Partial ACF

Lag Number

Gambar 2.1a ACF Nilai Data Pada Tabel 2.1

Gambar 2.1b PACF Nilai Data Pada Tabel 2.1

14

Jika ditelaah, gambar ACF dan PACF keduanya membangun pola alternating (tanda dan nilai autokorelasi berubah secara acak sesuai dengan berjalannya nilai lag), hal ini mengindikasikan data tidak stasioner dalam varians, dan stasioner lemah dalam rata-rata hitung. Sedangkan signifikansi autokorelasi kemungkinannya lemah (nilai lagnya cukup besar jika dibandingkan dengan ukuran sampelnya) Jika hasil telaahan secara “visual” tidak cukup menyakinkan, maka dapat dilakukan pengujian hipotesis statistis untuk keberartian autokorelasi.

2.2. Stasioneritas

Kestasioneran data merupakan kondisi yang diperlukan dalam analisis regresi deret waktu karena dapat memperkecil kekeliruan model, sehingga jika data tidak stasioner, maka harus dilakukan transformasi stasioneritas melalui proses diferensi, jika trendnya

linier, sedangkan jika tidak linier, maka transformasinya harus dilakukan dulu transformasi linieritas trend melalui proses logaritma natural jika trendnya eksponensial, dan proses pembobotan (penghalusan eksponensial sederhana) jika bentuknya yang lain, yang selanjutnya proses diferensi pada data hasil proses linieritas. Berdasarkan deskripsinya, bentuk kestasioneran ada dua, yaitu stasioner kuat (strickly stationer), atau stasioner orde pertama (primary stationer) dan stasioner lemah (weakly stationer), atau stasioner orde kedua (secondary stationer). Deskripsi

umum kestasioneran adalah sebagai berikut, data deret X 1 , X 2 ,

sama dengan distribusi gabungan

jika distribusi gabungan

disebut stasioner kuat

,X

X

t

1

, X

t

2

,

t

n

X

t

1

+

k

, X

t

2

+

k

,

,X

t

n

+

k

, untuk setiap nilai

t 1 ,

t 2 ,

.

.

.

,

t n

dan k.

Sedangkan disebut

stasioner lemah, jika rata-rata hitung data konstan, E(X t ) = µ, dan autokovariansnya

merupakan fungsi dari lag, ρ k = f(k). Sedangkan ketidakstasioner data diklasifikasikan atas tiga bentuk yaitu

1. tidak stasioner dalam rata-rata hitung, jika trend tidak datar (tidak sejajar sumbu waktu) dan data tersebar pada “pita” yang meliput secara seimbang trendnya.

15

2. tidak stasioner dalam varians, jika trend datar atau hampir datar tapi data tersebar membangun pola melebar atau menyempit yang meliput secara seimbang trendnya (pola terompet).

3. tidak stasioner dalam rata-rata hitung dan varians, jika trend tidak datar dan data membangun pola terompet. Untuk menelaah ketidak-stasioneran data secara visual, tahap pertama dapat

dilakukan pada peta data atas waktu, karena biasanya “mudah”, dan jika belum mendapatkan kejelasan, maka tahap berikutnya ditelaah pada gambar ACF dengan

PACF. Telaahan pada gambar ACF, jika data tidak stasioner maka gambarnya akan membangun pola,

1. menurun, jika data tidak stasioner dalam rata-rata hitung (trend naik atau turun),

2. alternating, jika data tidak stasioner dalam varians,

3. gelombang, jika data tidak stasioner dalam rata-rata hitung dan varians.

Gambar-gambar di bawah ini menyajikan kasus data tidak stasioner dan bentuk ACF-nya 0.600 crest 0.500
Gambar-gambar di bawah ini menyajikan kasus data tidak stasioner dan bentuk ACF-nya
0.600
crest
0.500
Coefficient
1.0
Upper Confidence
Limit
0.400
Lower Confidence
Limit
0.5
0.300
0.200
0.0
0.100
-0.5
0.000
1
6
1 1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9 1
9
1
1
1
1 1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
-1.0
1 6
1
6
1
6
1
6
1
6
1
6
1
6
1
6
1 0
6
0
1 1
2 6
2
3 3
4 4
4
5
5 9
6 0
7
7
8 3
8
9
0
1 1
2
2
3
4
5
5 6
6
7
7
1
6
1 6
1
6
1 6
1 6
6
1
6 6
1 6
1
6
1 1
6
1
6
1
6
1 6
1
6
1
6
1
6 1
1
6
Case Number
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Value crest
ACF

Gambar 2.2a Data tidak stasioner dalam rata-rata hitung

16

Lag Number

Gambar 2.2b ACF dari Gambar 2.2a

Value connect

ACF

Value ozone

CREST 1.0 .5 0.0 -.5 Confidence Limits -1.0 Coefficient 1 3 5 7 9 11
CREST
1.0
.5
0.0