PENDAHULUAN
Koefisien ini menunjukkan keeratan hubungan antara nilai variabel yang sama
tetapi pada waktu yang berbeda
MODEL AR dan MA
Fungsi Model Autoregresif (AR)
Model ini dapat dipilih apabila ACF menunjukkan pola dying down dan
PACF menunjukkan pola yang cut off.
Model ini dapat dipilih apabila ACF menunjukkan pola yang cutoff dan
PACF menunjukkan pola dying down
Autoregressive (AR)
Menunjukkan korelasi antara data Yt dengan lag sebelumnya Yt-1,Yt-2, .., Yt-k.
yt a0 i yt 1 t
i 1
Identifikasi
Cek correlogram residual : PACF (AR)
yt a0
t i
Biasanya dinotasikan dengan MA(q). (q) adalah order dari lag model MA
Identifikasi
Cek correlogram residual : ACF (MA)
CUT OFF
Cut off adalah lag yang tidak signifikan terhadap garis batas signifikansi
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
10
15
20
25
30
35
Lag
40
45
50
55
60
DYING DOWN
Dying down adalah lag yang bergerak turun dengan bertambahnya lag (sinusoidal)
Partial Autocorrelation Function for Pembedaan musiman dan reguler
(with 5% significance limits for the partial autocorrelations)
1.0
Partial Autocorrelation
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
10
15
20
25
30
35
Lag
40
45
50
55
60
: Periode musiman
s=3
s=4
s=6
s = 12
dst
=> Triwulan
=> Kwartalan
=> Semesteran
=> Tahunan
Model tersebut menunjukkan nilai d & D adalah nol, yang berarti data asli telah stasioner
sehingga tidak diperlukan Difference baik terhadap data non musiman dan musimannya.
Nilai p nol dan P bernilai 1, yang berarti perilaku PACF menunjukkan tidak ada yang
signifikan untuk data musiman, sedangkan pada data musimannya ada yang signifikan.
Nilai q & Q adalah 0, yang berarti perilaku ACF menunjukkan tidak ada yang signifikan
untuk data musiman dan non musiman.
1. Tahap Identifikasi
Tahap identifikasi dilakukan tiga hal yaitu identifikasi terhadap pola data, kestasioneran data
dan perilaku ACF dan PACF.
2. Estimasi Model.
Pada tahap estimasi, penentuan nilai estimasi awal untuk parameter-parameter dari model
tentatif berdasarkan pola ACF dan PACF.
3. Evaluasi Model.
Melakukan uji diagnostik untuk menguji kedekatan model dengan data. Uji ini dilakukan
dengan menguji nilai residual dan signifikansi.
4. Peramalan.
Peramalan dilakukan menggunakan perangkat lunak MINITAB 14. Nilai hasil peramalan
disediakan dari perangkat tersebut.
Data Inflow
Tidak
Tidak
Gambar 1
Tidak stasioner dalam mean
Gambar 2
Nilai ACF dari Gambar 1
Gambar 3
Nilai PACF dari Gambar 1
Gambar 4
Tidak stasioner dalam varians
Gambar 5
Nilai ACF dari Gambar 4
Gambar 6
Nilai PACF dari Gambar 4
Gambar 7
Tidak stasioner dalam varians dan mean
Gambar 8
Nilai ACF dari Gambar 7
Gambar 9
Nilai PACF dari Gambar 7
1.0
Variable
A ctual
Fits
1.0
0.8
0.6
0.5
Autocorrelation
A ccuracy Measures
MA PE
100.148
MA D
0.242
MSD
0.095
0.0
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.5
-0.8
-1.0
-1.0
1
32
64
96
128
160 192
Index
224
256
288
320
Gambar 10
Stasioner dalam varians dan mean
10
15
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
10
20
25
30
35
Lag
40
45
50
Gambar 11
Nilai ACF dari Gambar 10
Partial Autocorrelation
1.5
15
20
25
30
35
Lag
40
45
50
55
Gambar 12
Nilai PACF dari Gambar 10
60
55
60
ESTIMASI MODEL
ACF
Cut off setelah lag 1 atau 2, koefisien
korelasi tidak signifikan pada lag-lag
musiman
Cut off setelah lag musiman L,
koefisien korelasi tidak signifikan
pada lag-lag non musiman
Cut off setelah lag musiman L,
terdapat koefisien korelasi yang
signifikan pada lag non musiman ke1 atau 2
Dying down
Dying down
Dying down
Dying down
Sumber: Gaynor and Kirpartik (1994)
PACF
Model
Dying down
Dying down
Seasonal
(Q=1)
Dying down
Moving
Average
EVALUASI MODEL
1. Residual peramalan bersifat acak. Untuk memastikan apakah model sudah
memenuhi syarat ini, dapat digunakan indikator Box- Ljung Statistic. Dari
session diketahui bahwa nilai P-value untuk uji statistik ini lebih besar dari
0,05 yang menunjukkan bahwa residual sudah acak.
2. Model parsimonious (model relatif sudah dalam bentuk yang paling
sederhana).
3. Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari
nilai P-value koefisien yang kurang dari 0,05.
4. Kondisi invertibilitas ataupun stasioneritas harus terpenuhi. Hal ini
ditunjukkan oleh jumlah koefisien MA atau AR dimana masing-masingnya
harus kurang dari satu.
5. Model harus memiliki MS & SS yang kecil.
6. Selain itu grafik ACF dan PACF dari residual menunjukkan pola cut off, yang
berarti bahwa residual memang sudah acak.