Chapter 3

Model Runtun Waktu Stasioner

Proses-proses stasioner (W-S) yang penting adalah sebagai berikut:
White Noise
Moving Average: MA(1), MA(q), MA()
Autoregressive: AR(1), AR(p), AR()
Autoregressive Moving Average: ARMA(p, q)
Pada sub bab berikut, proses-proses diatas akan dibahas lebih detail.
3.1 Proses White Noise
Proses white noise {X
t
} adalah barisan variabel random tidak berkorelasi dengan mean = 0
dan variansi
2
yakni
cov(X
t+h
, X
t
) =
_

2
, h = 0
0, h = 0
cor(X
t+h
, X
t
) =
_

2
, h = 0
0, h = 0
Dapat ditunjukan proses white noise bersifat stasioner. Proses ini merupakan buliding block
bagi proses stasioner lainnya. Sering ditulis X
t
WN(0,
2
). Perhatikan dari denisi diatas
diperoleh bahwa cov(X
t
, X
s
) =
2
jika dan hanya jika t = s, dan bernilai 0 jika t = s.
3.2 Proses MA(1)
Proses moving average orde 1 dapat dituliskan sebagai
X
t
=
t
+
t1
, t Z,
t
WN(0,
2
), R
Dengan demikian E(X
t
) = 0, E(X
2
t
) =
2
(1 +
2
) < dan

X
(t +h, t) =
_
_
_
(1 +
2
)
2
Z
h = 0

2
Z
h = 1
0 |h| > 1
9
10 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
yang tidak bergantung pada t. Terlihat proses MA(1) merupakan proses yang stasioner. Selan-
jutnya disini diperoleh

X
(h) =
_
_
_
1 h = 0

(1+
2
)
h = 1
0 |h| > 1
3.3 Proses MA(q)
{X
t
} disebut proses moving average orde q, dapat dituliskan sebagai
X
t
= b
0

t
+b
1

t1
+ +b
q

tq
=
q

j=0
b
j

tj
,
t
WN(,
2
)
dimana b
0
= 1, b
1
, b
2
, , b
q
R. Diperoleh
Mean
m(t) = EX
t
= (b
0
+b
1
+. . . +b

), merupakan suatu konstanta

Kovariansi
Denisikan

X
t
= X
t
m(t),
t
=
t

maka diperoleh

X
t
=
t
+b
1

t1
+ +b
q

tq
Dengan demikian diperoleh

X
2
t
=
q

i=0
q

j=0
b
i
b
j

ti

tj
sehingga dari sifat proses white noise didapat
E(

X
2
t
) =
q

i=0
q

j=0
b
i
b
j
E(
ti

tj
) =
2
q

j=0
b
2
i
Yakni disimpulkan var(

X
t
) = var(X
t
) tidak bergantung pada t. Selanjutnya, denisikan

X
t

X
s
=
q

i=0
q

j=0
b
i
b
j

ti

sj
Asumsikan s t, maka diperoleh
(t, s) = E

X
t

X
s
=
_
_
_

2
qs+t

i=0
b
i
b
it+s
|t s| q
0 |t s| > t
hanya bergantung pada jarak s t = h, yakni
(h) =
_
_
_

2
q|h|

i=0
b
i
b
i+h
|h| q
0 |h| > t
dan
3.4. PROSES AR(1) (SKEMA MARKOV) 11
(h) =
_

_
q|h|

i=0
bib
i+h
q

j=0
b
2
i
|h| q
0 |h| > t
Catatan: Secara equivalen dapat ditunjukkan bahwa (t, s) =
2

q
i=ts
b
i
b
it+s
, 0 t s q
Dari analisa diatas, terlihat bahwa MA(q) adalah proses (W S) stasioner karena memenuhi
aksioma proses stasioner.
3.4 Proses AR(1) (skema Markov)
Proses AR(1) didenisikan sebagai
X
t
= aX
t1
+
t
,
t
WN(,
2
), a R
Denisikan

X
t
= X
t
E(X
t
)

t
=
t
E(
t
) E(
t
) = 0
Anggap sistem mulai dari t = 0, X
0
konstanta atau non stokastik. Diperoleh dengan substitusi
sederhana

X
t
= X
t
E(X
t
)
= aX
t1
+
t
E(aX
t1
+
t
)
= aX
t1
+
t
aE(X
t1
) +E(
t
)
= a(X
t1
E(X
t1
)) + (
t
E(
t
))
= a

X
t1
+
t
Selanjutnya dengan substitusi berulang diperoleh

X
t
= a
t

X
0
+
t1

j=0
a
j

tj
Disini diperoleh
E(

X
t
) = a
t

X
0
, yakni E(

X
0
) =

X
0
diasumsikan konstanta
Var (

X
t
) =
t1

j=0
a
2j

2
cov(

X
t+h
,

X
t
) = E(
t+h1

j=0
a
j

t+hj
t1

i=0
a
i

ti
) =
t1

i=0
a
h+2i

2
Diperoleh beberapa keadaan
1. a = 0 =

X
t
=
t
proses stasioner.
2. |a| < 1 = E(

X
t
) 0, t dan var(

X
t
)
1
1a
2

2
, t . Keadaan ini seringkali
disebut kasus stable atau BIBO (Bounded input gives Bounded Output), bersifat stasioner
secara asimtotik
12 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
3. |a| > 1 =|E

X
t
| = |a|
t
|

X
0
| , t
var(

X
t
) =
a
2t
1
a
2
1

2
, t
= bersifat tidak stable secara eksponensial (exponentially unstable)
4. |a| = 1 = E(

X
t
) = |

X
0
| dan var(

X
t
) =
2
t. Terlihat variansi akan menuju tak hingga
tetapi tidak secara exponentially unstable.
Untuk a = 1 diperoleh proses random walk

X
t
=
t1

j=0

tj
+

X
0
Proses ini sering digunakan untuk menggambarkan pergerakan harga saham.
Sekarang misalkan sistem tidak dimulai dari waktu t = 0 dengan

X
0
, tetapi dimulai pada
waktu dengan t = T dengan nilai awal

X
T
maka untuk kasus stable dalam limit untuk
T diperoleh penyelesaian berbentuk

X
t
=

j=0
a
j

tj
Penyelesaian berbentuk demikian sering disebut penyelesaian steady state karena meru-
pakan penyelesaian untuk stable yang dimulai dari waktu lampau yang tidak berhingga.
Penyelesaian steady-state juga merupakan penyelesaian stasioner secara asimtotik.
3.5 Proses MA()
Proses ini dapat dinyatakan sebagai
X
t
=

j=
b
j

tj
,
t
WN(0,
2
)
Interpretasi dari jumlahan/sum diatas adalah nilai limit dalam mean square dari

N
j=N
b
j

tj
, N N
yakni berlaku
E(X
t

j=N
b
j

tj
)
2
0, N
Denisi 3.5.1. Misalkan {X
k
, k N} adalah barisan variabel random {X
k
, k N} konvergen ke
X
0
dalam mean-square jika dan E(X
2
0
) < dan
lim
k
E(X
k
X
0
)
2
= 0
Ditulis X
0
= l.i.m.
k
X
k
Catatan : var(X
k
X
0
) 0 untuk X
0
= E(X
k
)
Teorema 3.5.2. (Riesz-Fischer) Diberikan barisan variabel random X
k
dengan E(X
2
k
) < .
Maka terdapat variabel random X
0
sedemikian hingga X
0
= l.i.m. X
k
jika dan hanya jika
lim
k
E(X
k
X
l
)
2
= 0
untuk k, l
3.6. PROSES AR(P) 13
Terlihat dari teorema diatas, X
k
memenuhi sifat Cauchy Convergence
Kondisi untuk Cauchy Convergence :

j=
b
2
j
<
Proses MA() dengan

j=
b
2
j
< adalah proses stasioner
Bukti : Karena fungsi ekspektasi adalah fungsi kontinu, maka dengan mengaplikasikan Monotone
Convergence Theorem dan Lemma Fatou diperoleh
E(X
t
) = E( lim
n
n

j=n
b
j

tj
) = lim
n
E(
n

j=n
b
j

tj
)
= lim
n
n

j=n
b
j
E(
tj
)
= 0
Selanjutnya, didapatkan
cov(X
t
, X
s
) = E(X
t
X
s
) = E(

j=
b
j

tj
)(

i=
b
j

si
)
=

i,j=
b
i
b
j
E(
ti

sj
)
=

j=
b
i
b
ts+i

2
Denisikan jarak antar waktu h = t s maka diperoleh
cov(X
t
, X
s
) = cov(X
t+h
, X
t
) =

i=
b
i
b
i+h

2
merupakan suatu fungsi yang hanya bergantung kepada jarak h, independen terhadap t.Dapat
disimpulkan X
t
proses stasioner.
Contoh 3.5.3. Pandang proses AR(1) dengan |a| < 1 . Didepan telah ditunjukkan bahwa proses
ini stasioner dengan penyelesaian steady-state berbentuk X
t
=

j=0
a
j

tj
,
t
WN(0,
2
). Den-
gan memandang bentuk untuk proses MA() diatas, diperoleh b
j
= a
j
, j > 0 dan b
j
= 0 untuk
j < 0. Dengan demikian didapat

j=0
b
2
j
=

j=0
a
2j
=
1
1a
2
< , sehingga dapat disimpulkan
bahwa penyelesaian steady-state untuk proses AR(1) diatas stasioner . Hasil ini juga dapat diper-
oleh dari fakta bahwa E(X
t
) = 0 dan cov(X
t
, X
t+h
) =
2

j=0
a
j
a
j+h
=
2 a
|h|
1a
2
, suatu fungsi
dari jarak h, bukan merupakan fungsi dari t.
3.6 Proses AR(p)
Proses autoregressive orde p dapat ditulis sebagai
X
t
= a
1
X
t1
+a
2
X
t2
+. . . +a
p
X
tp
+
t
, t Z
dengan a
1
, a
2
, . . . , a
p
R,
t
WN(0,
2
). Dengan mendenisikan operator backward-shift (lag
operator) untuk proses {X
t
} sebagai
(B
j
X)
t
= X
tj
j, t Z
14 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
maka proses AR(p) dapat dituliskan sebagai berikut:
X
t
a
1
X
t1
a
2
X
t2
. . . a
p
X
tp
=
t
X
t
a
1
(BX)
t
a
2
(B
2
X)
t
. . . a
p
(B
p
X)
t
=
t
(1 a
1
B a
2
B
2
. . . a
p
B
p
)X
t
=
t
D(B)X
t
=
t
dengan polinomial D(z) = (a
n
z . . . a
p
z
p
). Jika polinomial D(z) memiliki sifat tertentu
maka proses AR(p) akan bersifat stasioner (dibahas lebih lanjut pada subbagian kausalitas dan
invertible.
3.7 Proses ARMA(p, q)
Proses X
t
adalah suatu proses ARMA(p, q) dapat ditulis sebagai
X
t
a
1
X
t1
. . . a
p
X
tp
=
t
+b
1

t1
+. . . +b
q

tq
dengan a
1
, a
2
, . . . , a
p
, b
1
, b
2
, . . . , b
q
R,
t
WN(0,
2
).
Dengan menggunakan operator lag maka proses ARMA(p, q) dapat ditulis menjadi
D(B)X
t
= C(B)
t
dengan
D(z) = 1 a
1
z . . . a
p
z
p
C(z) = 1 +b
1
z +b
2
z
2
+. . . +b
q
z
q
Jika polinomial D(z) memiliki sifat tertentu maka proses AR(p) akan stasioner (dibahas lebih
lanjut pada bagian kausalitas dan invertible).
Kasus khusus dari proses ARMA(p, q)
1. AR(p) jika C(z) = 1, D(z) = 1 a
1
z . . . a
p
z
p
2. MA(q) jika D(z) = 1, C(z) = 1 +b
1
z +b
2
z
2
+. . . +b
q
z
q
3.8 Kausalitas dan Invertibilitas
Denisi 3.8.1. (Kausalitas)Jika proses linear X
t
=

j=
b
j

tj
berlaku b
j
= 0, j < 0 dan

j=0
b
2
j
< , maka X
t
disebut fungsi kausal (dari
t
)
Catatan:
1. Proses X
t
=

j=
b
j

tj
merupakan kelas proses stasioner yang penting, yang disebut
proses linear (atau seringkali disebut sebagai proses Wold)
2. Untuk proses linear yang kausal berlaku X
t
=

j=0
b
j

tj
, yakni proses X
t
hanya bergantung
kepada nilai-nilai
s
, s t (yakni nilai-nilai proses
t
di nasa lampau).
3. Agar proses linear memenuhi kondisi l.i.m. maka dibutuhkan kondisi

j=
b
2
j
< . Kondisi
yang lebih umum untuk mean square convergence adalah:

j=
|b
j
| < dan limsupE|X
t
|
2
<

3.8. KAUSALITAS DAN INVERTIBILITAS 15

3.8.1 Kausalitas dari proses ARMA (p, q)
Misalkan {X
t
} adalah ARMA (p, q) berbentuk D(B)X
t
= C(B)
t
, dengan polinomial D() dan
C() tidak memiliki akar-akar yang sama. Maka {X
t
} akan bersifat kausal jika dan hanya jika
D(z) = 0 untuk |z| 1, z C . Dengan kata lain-polinomial D(z) (dari polinomial autoregresi)
tidak memiliki akar-akar dalam unit circle |z| 1, yakni jika z
i
, i = 1, . . . , r adalah akar-akar
berbeda dari D(z) maka berlaku |z
i
| > 1.
Jika X
t
bersifat kausal maka kondisi

j=0
b
j
2
< akan dipenuhi, yakni X
t
akan stasioner. Pada
kasus kausal, penyelesaian untuk X
t
dapat ditulis sebagai
X
t
=
C(B)
D(B)

t
=

j=0
b
j
B
j

t
=

j=0
b
j

tj
dengan
t
WN(0,
2
)
Penyelesaian steady-state
Jika polinomial D(z) = 0 untuk |z| = 1 (yakni akar-akar dari polinomial D(z) memiliki nilai
mutlak = 1), maka terdapat penyelesaian yang bersifat steady state untuk X
t
.
X
t
=
C(B)
D(B)

t
=

j=
b
j
B
j

t
=

j=
b
j

tj
Penyelesaian yang diperoleh tidak selalu bersifat stasioner, stasioner hanya apabila

j=
|c
j
| <
.
Ekspansi dari D(z)
Penyelesaian untuk proses ARMA, D(B)X
t
= C(B)
t
, dapat diperoleh dengan ekspansi dari poli-
nomial D(B) dalam persamaan X
t
=
C(B)
D(B)

t
(yakni ingin ditentukan deret berupa proses MA()
yang ekuivalen sebagai hasil ekspansi D(B) dikalikan polinomial C(B)). Untuk menentukan ben-
tuk ekspansi dari D(z) =

j=
h
j
z
j
= H(z) untuk r
1
< |z| < r
2
, r
1
, r
2
, C maka polinomial D(z)
dapat dituliskan sebagai
D(z) = c(z z
1
)(z z
2
) . . . (z z
r
)
dimana z
1
, z
2
, . . . , z
r
adalah akar-akar dari D(z) dan c suatu konstanta yang harus ditentukan.
Dengan demikian diperoleh
1
D(z)
=
1
c
1
z z
1
.
1
z z
2
. . .
1
z z
r
Ekspansi
1
D(z)
selanjutnya dapat diperoleh dengan melakukan ekspansi dari setiap faktor ke dalam
deret geometri berikut
1. Kasus |z
i
| > 1
1
z z
i
=
1
z
i
1
1
1
zi
z
=
1
z
i

j=0
(z
j
i
)z
j
, |z| < z
i
16 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
2. Kasus |z
i
| < 1
1
z z
i
=
1
z
1
1
zi
z
=
1
z

j=0
_
z
i
z
_
j
=

j=0
z
i
z
(j+1)
= z
1
+z
i
z
2
+z
2
i
z
3
+. . .
=

j=1
z
j1
i
z
j
=
1

j=
z
j1
i
z
j
, |z| > z
i
=
1
z
i
1

j=
(z
i
)
j
z
j
Catatan: Untuk proses yang kausal, penyelesaian dapat diperoleh dengan metode lain, lihat bagian
(3.8.3).
Contoh 3.8.2. 1. AR(1) (Skema Markov)
X
t
= aX
t1
+
t
X
t
aX
t1
=
t
(1 aB)X
t
=
t
D(z) = 1 aZ = a(z
1
a
) c = a, z
1
=
1
a
H(z) =
1
D(z)
=
1
c(z z
i
)
=
1
a
1
z
1
a
Akar-akar dari D(z) = 0 1 az = 0
z =
1
a
jika |
1
a
| > 1 atau |a| < 1 maka X
t
kausal
Misalkan |a| < 1 atau |
1
a
| > 1
1
z z
1
=
1
z
1

j=0
(z
j
1
)z
j
= a

j=0
a
j
z
j
maka
H(z) =
1
D(z)
=
1
a
. a

j=0
a
j
z
j
=

j=0
a
j
z
j
Maka diperoleh penyelesaian kausal
X
t
= H(B)
t
=

j=0
a
j
B
j

t
=

j=0
a
j

tj
2. AR(2) (Proses Yule)
X
t
= a
1
X
t1
+a
2
X
t2
+
t
Agar stasioner (kausal) maka akar-akar dari polinomial D(z) = | a
1
z a
z
z
2
harus berada
di luar unit circle, yakni |z
i
| > 1, i = 1, 2.
Sebagai contoh :
3.8. KAUSALITAS DAN INVERTIBILITAS 17
a D(z) = (1 1.5z + 0.56z
2
)
= (1 0.7z)(1 0.8z)
z
1
=
1
0.7
, z
2
=
1
0.8
, |z
i
| > 1, i = 1, 2 proses stasioner
b D(z) = (1 0.2z 0.8z
2
) = (1 z)(1 +0.2z) z
1
= 1, z
2
=
1
0.2
|z
1
| = 1 bersifat
non kausal, non steady state sehingga non stasioner.
Kondisi stasioner dari AR(2) dapat dinyatakan dengan parameter-parameternya a
1
, a
2
. Akar-akar
dari D(z) = 1 a
1
z a
2
z
2
adalah
z
1
=
a
1
+
_
a
2
1
+ 4a
2
2a
2
, z
2
=
a
1

_
a
2
1
+ 4a
2
2a
2
Jika z
1
, z
2
akar-akar dari persamaan D(z) maka
D(z) = (1
1
z
1
z)(1
1
z
2
z) = 0
= 1 (
1
z
1
+
1
z
2
)z
. .
a1
+ (
1
z
1
1
z
2
)
. .
a2
= 0
1
z
1
+
1
z
2
=
2a
2
a
1
+
_
a
2
1
+ 4a
2
+
2a
2
a
1

_
a
2
1
+ 4a
2
= a
1
1
z
1
.
1
z
2
=
4a
2
2
4a
2
= a
2
Kondisi untuk stasioner: |z
i
| > 1 |
1
zi
| < 1, i = 1, 2 maka
|a
2
| = |
1
z
1
1
z
2
| < 1 1 < a
2
< 1
|a
1
| = |
1
z
1
+
1
z
2
| < 2 2 < a
1
< 2
Untuk akar-akar real:
a
2
1
+ 4a
2
2
0
1 <
1
z
1
=
2a
2
a
1
+
_
a
2
1
+ 4a
2
. .
0

2a
2
a
1

_
a
2
1
+ 4a
2
=
1
z
2
< 1
1 <
2a
2
a
1
+
_
a
2
1
+ 4a
2
< 1
2a
2
+a
1
<
_
a
2
1
+ 4a
2
, kuadratkan
4a
2
2
+ 4a
2
a
1
+a
2
1
< a
2
1
+ 4a
2
4a
2
2
+ 4a
2
a
1
4a
2
< 0
4a
2
(a
2
+ a
1
1) < 0
(a
2
+a
1
) < 1
18 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
2a
2
a
1
+
_
a
2
1
+ 4a
2
> 1
2a
2
a
1
>
_
a
2
1
+ 4a
2
a
1
2a
2
<
_
a
2
1
+ 4a
2
4a
2
(a
1
a
2
+ 1) < 0
a
1
a
2
< 1
3.8.2 Invertibilitas
Denisi 3.8.3. (Invertible)
Suatu proses ARMA (p, q) didenisikan dengan persamaan
D(B)X
t
= C(B)
t
dengan
D(z) = 1 a
1
z . . . a
p
z
p
C(z) = 1 +b
1
z +. . . +b
q
z
q
disebut invertible jika terdapat barisan konstanta {h
j
} sedemikian hingga

j=0
h
2
j
< dan

t
=

j=0
h
j
X
tj
, t Z, h
0
= 1 (proses AR())
Terlihat bahwa sifat kausalitas dan invertible menunjukan hubungan antara {X
t
} dan {
t
}
Teorema 3.8.4. Diberikan {X
t
} suatu proses ARMA(p, q) dengan polinomial D() dan C()
tidak memiliki akar-akar yang sama. Maka {X
t
} invertible jika dan hanya jika C(z) = 0 untuk
semua z C sedemikian hingga |z| 1. Dengan kata lain, akar-akar berbeda dari C(z), yakni
z
1
, . . . , z
k
, akan memiliki sifat |z
i
| > 1, i = 1, 2, . . . , k.
Contoh :
1. Tentukan apakah proses berikut proses yang kausal dan/atau invertible
X
t
= Y
t
0.4Y
t1
W
t
= Y
t
2.5Y
t1
dengan Y
t
adalah suatu proses stasioner yang memiliki mean 0
Jawab : X
t
dan W
t
adalah proses MA(1), maka menurut denisi, proses MA orde q selalu
merupakan proses kausal (yakni memenuhi denisi kausal, X
t
=

j=0
c
j

tj
, c
j
= 0 untuk
j < 0,

j=0
c
j
< dan mengambil nilai c
j
= 0, j 2). Untuk proses X
t
, polinomial
C(z) = 1 0, 4z yakni akarnya adalah z
1
=
1
0,4
, sehingga |z
1
| = 2, 5 > 1 maka bersifat
invertible. Untuk proses W
t
, polinomial C(z) = 1 2, 5z sehingga akar-akarnya z
1
= |
1
2.5
| =
0.4 < 1, maka bersifat tidak invertible.
Catatan :
Berdasarkan denisi dapat ditunjukkan bahwa proses MA(q), q < selalu bersifat kausal,
sedangkan proses AR(p), q < selalu bersifat invertible, sedangkan untuk proses ARMA(p, q)
bergantung kepada akar-akar dari polinomial-polinomialnya.
3.8. KAUSALITAS DAN INVERTIBILITAS 19
2. Dimiliki proses ARMA(2,1) berbentuk
X
t
= 0.9X
t1
0.04X
t2
+
t
+ 0.25
t1
dengan
t
WN(0,
2
). Diperoleh
X
t
0.9X
t1
+ 0.04X
t2
=
t
+ 0.25
t1
maka dimiliki
D(z) = 1 0.5z + 0.04z
2
= (1 0.4z)(1 0.1.z)
C(z) = 1 + 0.25z
Karena akar-akar D(z) adalah z
1
=
1
0.4
, z
2
=
1
0.1
maka X
t
proses kausal dan stasioner!
Karena akar-akar dari C(z) adalah z
1
=
1
0.25
maka x
t
adalah proses yang invertible.
3.8.3 Menentukan koesien-koesien dari penyelesaian Kausal
Diberikan proses ARMA(p, q) yang kausal
D(B)X
t
= C(B)
t
maka penyelesaian kausal akan berbentuk
X
t
= H(B)
t
=

j=0
h
j
B
j

t
=

j=0
h
j

tj
Polinomial H(z) =
C(z)
D(z)
, |z| 1 diperoleh dengan ekspansi dari polinomial D(z) yang memiliki
akar-akar dengan nilai absolut > 1.
Disini diperoleh
D(z) = 1 a
1
z . . . a
p
z
p
C(z) = 1 +b
1
z +. . . +b
q
z
q
Sehingga diperoleh dari H(z) =
C(z)
D(z)
berlaku
H(z)D(z) = B(z)
(h
0
+h
1
z +h
2
z
2
+h
3
z
3
+. . .)(1 a
1
z a
2
z
2
. . . a
p
z
p
) = (1 +b
1
z +. . . + b
q
z
q
)
Dengan menyamakan koesien diperoleh
z
0
: h
0
= b
0
= 1
z
1
: h
1
h
0
a
1
= b
1
h
1
= b
1
+h
0
a
1
= b
1
+a
1
z
2
= h
2
h
0
a
2
h
1
a
1
= b
2
h
2
= b
2
+h
0
a
2
+h
1
a
1
= h
2
+a
2
+c
1
b
1
+a
2
1
.
.
.
Bentuk Umum :
() h
j

0<kj
a
k
h
jk
= b
j
, 0 j < max(p, + 1)
() h
j

0<kp
a
k
c
jk
= 0, j > max(p, q + 1)
20 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
dengan b
0
= 1, b
j
= 0 untuk j > q, a
j
= 0 untuk j > p. Penyelesaian umum akan berbentuk
h
n
=
k

i=1
ri1

j=0

ij
n
j

n
i
, n max(p, q + 1) p
dengan
i
, i = 1, 2, . . . k menunjukkan akar-akar yang berbeda dari polinomial D(z), r
i
= mul-
tiplikasi dari
i
(banyaknya
i
yang sama),

k
i=1
r
i
= p. Konstanta
ij
(p buah) dan koesien
h
j
, 0 j < max(p, q + 1) p diperoleh dari syarat batas (*)
Contoh : ARMA(2,1), p = 2; q = 1
(1 B +
1
4
B
2
)X
t
= (1 +B)
t
A(z) = 1 z +
1
4
z
2
z
1
= 2, z
2
= 2
(1
1
2
z)(1
1
2
z) = 0 z
1
= 2, k = 1, r
1
= 2
a = 1, a
1
= 1 a
2
=
1
4
, b
0
= 1, b
1
= 1
Dari persamaan (*)
h
j

0<kj
a
k
h
jk
= b
j
0 j < max(p, q + 1)
j = 0 h
0
= b
0
= 1
j = 1 h
1
a
1
h
0
= b
1
h
1
= a
1
+b
1
= 1 + 1 = 2
Dari persamaan (**)
h
j

0<kj
a
k
h
jk
= 0 j max(p, + 1)
j 2 h
j
a
1
h
j1
a
2
h
j2
= 0
h
j
h
j1
+
1
4
h
j2
= 0
Penyelesaian umum : h
n
=

k
i=1

ri=1
j=0

ij
n
j

1
i
.
Masukkan nilai-nilai yang diperoleh di depan, didapat
h
n
= (
10
+n
11
)2
n
, n max(p, q + 1) p
n 0
Dari boundary condition: h
0
= 1, h
1
= 2 diperoleh dari persamaan untuk h
n
.
Untuk, n = 0 =
10
= h
0
= 1
n = 1 =(
10
+
11
)2
1
= h
1
= 2

11
= 4
10
= 3
yakni
h
n
= (1 + 3n)2
1
, n = 0, 1, 2, . . .
Contoh : ARMA (1,1)
(1 a
1
B)X
t
= (1 +b
1
B)
t
z
0
= h
0
= 1
z
1
: h
1
h
0
a
1
= b
1
h
1
= a
1
+b
1
z
2
= h
2
h
1
a
1
= 0 h
2
= a
2
1
+a
1
b
1
= a
1
(a
1
+b
1
)
z
3
= h
3
h
2
a
1
= 0 h
3
= h
2
a
1
= a
2
1
(a
1
+b
1
)
.
.
.
z
j
= h
j
= a
j1
1
(a
1
+b
1
) j 1
3.9. FUNGSI AUTOKOVARIANSI PROSES LINEAR STASIONER 21
jika D(z) = 1a
1
z kausal maka |z
1
| = |
1
a1
| > 1 |a
1
| < 1 maka a
j1
1
0; j sehingga

j=0
akan berhingga
X
t
=

j=0
h
j

tj
stasioner.
3.9 Fungsi Autokovariansi Proses Linear Stasioner
Jika {
t
} adalah proses stasioner dengan fungsi autokovariansi () dan

c
2
j
< maka untuk
semua t Z, deret/series
C(B)
t
=

c
j
B
j

t
=

c
j

tj
konvergen (dalam m.s.)
Denisikan X
t
= C(B)
t
. Maka X
t
stasioner dengan fungsi autokovariansi

X
(h) =

j,k=
c
j
c
k
(h j +k)
Bukti :
E(X
t
) = lim
n
n

j=n
c
j

tj
= (

j=
c
j
)E(
t
) (3.1)
E(X
t+h
X
t
) = lim
n
E(
n

j=n
c
j

t+hj
)(
n

k=n
c
k

tk
)
=

j.k=
c
j
c
k
{(h j +k) + (E
t
)
2
} (3.2)
yang berhingga dan independen terhadap waktu t. Baris terakhir diperoleh dari fakta karen fungsi
kovariansi untuk
t
adalah (.) dan
t
stasioner, maka

(h) = E(
t+h

t
) E(
t+h
)E(
t
)
= E(
t+h

t
) (E(
t
))
2
, dari E(
t+h

t
) =

(h) + (E(
t
))
2
Subsitusi (3.1) ke (3.2) diperoleh

X
(h) = E(X
t+h
X
t
) E(X
t+h
)E(X
t
)
=

j,k=
c
j
c
k
(h j +k)
3.10 Fungsi Autokorelasi Parsial
Fungsi Autokorelasi parsial (PACF) pada lag-k adalah korelasi di antara X
t
dan X
t+k
setelah
dependensi linear antara X
t
dan X
t+k
variabel antara X
t+1
, X
t+2
, . . . , X
t+k1
dihapus. Ada
beberapa prosedur untuk menentukan bentuk PACF yang salah satunya akan dijelaskan sebagai
berikut. Misalkan {X
t
} adalah suatu proses stasioner dengan mean nol. Misalkan X
t+k
dapat
ditulis sebagai model liner.
X
t+k
= a
k1
X
t+k
+a
k2
X
t+k2
+. . . +a
kk
X
t
+e
t+k
(3.3)