Anda di halaman 1dari 66

ESTIMASI MAKSIMUM LIKELIHOOD PADA MODEL ARIMA (1,1,0)

BOX-JENKINS

SKRIPSI

Diajukan Dalam Rangka Penyelesaian Studi Strata I

Untuk Mencapai Gelar Sarjana Sains

lesaian Studi Strata I Untuk Mencapai Gelar Sarjana Sains Nama Nim Oleh: Program Studi Jurusan :

Nama

Nim

Oleh:

Program Studi

Jurusan

: Jumroh

: 4150401016

: Matematika SI

: Matematika

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI SEMARANG

2005

i

ABSTRAK

Jumroh, 4150401016. Estimasi Maksimum Likelihood Model ARIMA(1,1,0) Box-Jenkins. Skripsi , Matematika SI, Fakultas Matematika dan Ilmu Pengetahuan Alam.

Universitas Negeri Semarang

Runtun waktu adalah himpunan observasi berurutan dalam waktu (atau dalam satuan yang lain). Runtun waktu dibedakan menjadi 2 yaitu runtun waktu stasioner dan runtun waktu nonstasioner. Runtun waktu nonstasioner yang telah distasionerkan dengan metode pembeda (diferensi) disebut proses ARIMA. Salah satu model ARIMA adalah ARIMA (1, 1, 0). Langkah selanjutnya setelah ditentukan model adalah mengestimasikan parameternya. Berdasarkan uraian diatas permasalahan yang akan dibahas adalah bagaimana bentuk fungsi Likelihood ARIMA (1, 1, 0) dan menetukan estimator parameter-parameter yang ada pada model ARIMA (1, 1, 0). Tujuannya adalah mempelajari cara mengkontruksi fungsi Likelihood model ARIMA (1, 1, 0) Box – Jenkins, selanjutnya menentukan estimator parameter-parameter yang ada pada model tersebut dengan metode estimasi maksimum Likelihood (EML). Sedangkan manfaatnya adalah menambah pengetahuan tentang estimasi maksimum Likelihood pada model ARIMA(1,1,0). Pada penelitian ini prosedur yang digunakan adalah identifikasi masalah, perumusan masalah, analisis data dan penarikan kesimpulan. Dari data yang ada setelah diidentifikasikan model maka ditentukan nilai parameter-parameternya atau mengestimasinya dengan pendekatan estimasi maksimum Likelihood. Pengkontruksian fungsi Likelihood dari model ARIMA (1, 1, 0) Box – Jenkins dapat dilakukan dengan asumsi kenormalan dan independensi di sesatan a t, sehingga jika data observasi diketahui maka fungsi Likelihood untuk

parameter-parameternya adalah

. Penerapan estimasi maksimum

Likelihood dilakukan dengan cara meminimumkan fungsi jumlah kuadrat s(Φ) dari log fungsi Likelihood model ARIMA (1, 1, 0) Box – Jenkins. Menentukan estimator untuk parameter dengan EML menjumpai kesulitan karena bentuk

L

( 2 W) φσ , a
(
2
W)
φσ
,
a

M

j

=

∂ ⎧ 1 ⎨ () 1 ln M ⎫ ⎬ j ⎩ ⎭ 2 ∂φ
⎧ 1
() 1
ln
M
j
⎩ ⎭
2
∂φ
j

adalah fungsi dari Φ yang cukup rumit. Untuk mengatasi

kesulitan ini di gunakan metode estimasi kuadrat terkecil dan diperoleh :

ˆ

σ

()

ˆ

φ

2 S

=

a

n

dan

ˆ

φ=

D

p

1

d

= D

1

11 D

12

Skripsi ini hanya membahas model ARIMA (1, 1, 0), disarankan kepada penulis lain untuk mempelajari lebih lanjut dengan cakupan yang lebih luas dengan mengambil model ARIMA (p, d, 0), ARIMA (0, d, q) dan ARIMA (p, d, q) dengan p > 1, g > 0, d > 1

ii

HALAMAN PENGESAHAN

Skripsi dengan judul “ Estimasi Maksimum Likelihood Model ARIMA (1, 1, 0) Box – Jenkins” telah dipertahankan dihadapan sidang panitia ujian Skripsi FMIPA UNNES pada

Ketua

:

Tanggal :

Hari

Panitia Ujian

Drs. Kasmadi Imam S, M.S NIP . 1300781011

Pembimbing Utama

Drs. Supriyono, M.Si NIP . 130815345

Pembimbing Pendamping

Walid, S. Pd, M. Si NIP . 132299121

iii

Sekretaris

Drs. Supriyono, M. Si NIP . 130815345

Ketua Penguji

Drs. Khaerun, M.S

NIP.131813671

Anggota Penguji I

Drs. Supriyono, M.Si NIP . 130815345

Anggota Penguji II

Walid, S. Pd, M. Si NIP . 132299121

MOTTO DAN PERSEMBAHAN

MOTTO

“ … Allah mengangkat orang-orang yang beriman dan berilmu pengetahuan diantara kamu akan beberapa derajat (Q.S.Al- pengetahuan diantara kamu akan beberapa derajat (Q.S.Al-

Mujadalah:11)”

“ … Dan bertanyalah kepada orang yang mempunyai pengetahuan jika kamu tidak mengetahui (Q.S. An-Nahl :42)” kamu tidak mengetahui (Q.S. An-Nahl :42)”

Jalanilah kehidupan ini dengan keimanan, kesabaran dan ketekunan.jika kamu tidak mengetahui (Q.S. An-Nahl :42)” PERSEMBAHAN Kedua Orang tua Kakak dan adik tersayang

PERSEMBAHAN

Kedua Orang tuaini dengan keimanan, kesabaran dan ketekunan. PERSEMBAHAN Kakak dan adik tersayang Seseorang yang aku sayangi

Kakak dan adik tersayangkesabaran dan ketekunan. PERSEMBAHAN Kedua Orang tua Seseorang yang aku sayangi Sahabatku dan teman-teman

Seseorang yang aku sayangikesabaran dan ketekunan. PERSEMBAHAN Kedua Orang tua Kakak dan adik tersayang Sahabatku dan teman-teman Mat’01 iv

Sahabatku dan teman-teman Mat’01keimanan, kesabaran dan ketekunan. PERSEMBAHAN Kedua Orang tua Kakak dan adik tersayang Seseorang yang aku sayangi

iv

KATA PENGANTAR

Tiada kalimat yang patut penulis panjatkan kehadirat Allah SWT selain Alhamdu lil-lahi robbil’alamin, karena hanya rahmat dan karunianya skripsi yang berjudul “Estimasi Maksimum Likelihood Model ARIMA (1, 1, 0) Box – Jenkins” ini dapat diselesaikan. Skripsi ini disusun untuk memenuhi sebagian persyaratan guna mencapai gelar Sarjana Sains Program Studi Matematika, Universitas Negeri Semarang. Penulis menyadari ba hwa dalam menyelesaikan skripsi ini, penulis tidak dapat me nyelesaikan sendiri tanpa bantuan oranglain, dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada:

1. Dr. A. T Soegito, SH, MM, Rektor UN NES yang telah memberikan kesempatan untuk meneruskan pendidikan ke jenjang S1.

g telah memberikan

2. Drs. Kasmadi Imam, S, MS Dekan FMIPA UNNES yan ijin untuk mengadakan penelitian ini.

tika FMIPA UNNES dan pembimbing

3. Drs. Supriyono, M. Si Kajur Matema

utama yang telah memberikan petunjuk dan bimbingan dalam menyelesaikan

sripsi ini.

4. d, M. Si pembimbing pendamping yang telah memberikan petunjuk

Walid S. P

dan bimbingan dalam menyelesaikan skripsi ini.

5. Bapak/Ibu Dosen Matematika FMIPA UNNES y dan dorongan.

6. Bapak/Ibu kary

ang telah memberikan saran

awan Tata Usaha FMIPA UNNES yang telah membantu

dalam menyelesaikan administrasi.

7. Orang tua, kakak, adik dan seorang

yang aku sayangi yang selalu memberikan

motivasi dan dukungan kepada penulis dalam mengikuti studi.

8. Sahabatku Afit, Tuti, Fitri dan Supardi yang telah memberikan

membantu dalam menyelesaikan sripsi ini

semangat dan

9. Mba Tami yang telah membantu dan dalam

10. Semua pihak yang telah memberikan bantuan dalam penelitian dan penul isan

pencarian buku-buku pustaka

sripsi ini

v

Penulis hanya dapat memohon, semoga Allah SWT memberikan balasan

kebaikan dan barokah kepada pihak-pihak tersebut. Penulis menyadari bahwa

masih banyak sekali kekurangannya. Oleh karena itu masukan berupa

saran dan kritik sangat diharapkan demi perbaikan sripsi ini. Akhirnya penulis berharap semoga sripsi ini dapat bermanfaat dan menambah khasanah ilmu pengetahuan bagi pembaca.

sripsi ini

vi

Semarang,

Oktober 2005

Penulis

DAFTAR ISI

JUDUL

i

ABSTRAK

ii

HALAMAN PENGESAHAN

iii

MOTTO DAN PERSEMBAHAN

iv

KATA PENGANTAR

v

 

DAFTAR ISI

vii

ARTI LAMBANG DAN SINGKATAN

ix

BAB

I PENDAHULUAN

1

A. Latar Belakang Masalah

1

B. Permasalahan ………………………………………………

2

C. Tujuan Penelitian ……………………………………………

3

D. Manfaat Penelitian

4

E. Sistematika Skripsi

5

BAB

II LANDASAN TEORI

7

A. Konsep Dasar Analisis Runtun Waktu

7

1. Stasioner dan Takstasioner

8

2. Fungsi Autokovariansi

10

3. Autokorelasi

11

4. Autokorelasi Parsial

12

5. Metode Box-Jenkins

13

B. Model Runtun Waktu

16

vii

1.

Model Runtun Waktu Stasioner

17

 

2.

Model Rntun Waktu Nonstasiomer

29

C.

Tijauan Distribusi Normal Multivariate

33

1. Fungsi Densitas Normal Multivariate Bersama

33

2. Fungsi Likelihood dan Estimasi Maksimum Likelihood

34

B

AB III ME

TODOLOGI PENELITIAN

38

 

A. Studi Pustaka

38

B. Perumusan Masalah

38

C. Analisis dan Pemecahan Masalah

38

D. Penarikan Kesimpulan

38

BAB IV PEMBAHASAN

40

 

A. Inferensi Selisih Pertama Runtun Waktu

40

1. Menentukan Selisih Pertama Runtun WAktu

40

2. Fungsi Likelihood Model ARIMA(p,d,o)

45

3. Fungsi Likelihood Model ARIMA (1,1,0)

49

B. Estimasi Maksimum Likelihood pada Model ARIMA(1,1,0)

51

B

AB V

SIMPULAN DAN SARAN

56

DAFTAR PUSTAKA

 

58

viii

ARTI LAMBANG DAN SINGKATAN

AR (p) : Autoregresif Orde p

MA (q) : Moving average orde q

ARMA (p, q) : Campuran antara A R (p) dan MA (q)

ARIMA (p, d, q) : Autoregresif Integrated Moving a verage process, yaitu model

runtun waktu stasioner (p, d, q) setelah dilakukan deferensi tingkat

Z t = Runtun Waktu Stasioner

A t : Garisan variabel random y ang independent

W t = Z t . Z t-1 : runtun waktu stasioner setelah dil akukan differensi

P

(.) : Fungsi densitas probabilitas

P

(.I.) : dist bersama bersyaratan da ri fungsi P (.)

L

(.I.) : fungsi Likelihood

I

(.I.) : Logaritma dari L (.I .) dengan bilangan pokok “e”

E

(Z t ) = μ : Nilai tengah dari runtun Z t

Τ a 2 : Variasi dari runtun Z t

Cov (Z t, Z t-k ) : Kovariansi Z

t dan Z t-k

Γ k : Kovariansi dari runtun Z t

{γ k , k = 0, 1, ….) : fungsi auto kovariansi

ρ k : autokorelasi dari runtun Z t pada lag k

{ρ k , k = 0, 1, …

}

fungsi autokorelasi (fak )

ρˆ = r k = estimasi fungsi autokorelasi

γˆ = C k : estimasi fungsi autokovariansi

k

ix

{Φ k , k = 1, 2, …

}

: fungsi autokorelasi parsial (fakp)

BZ t = Z t-1 : Operator backshift (B)

Z t = Z t – Z t-1 : Operator diferens i

ψ (B) : Operator Linier yang mentran sformasikan d t ke t t

S (Φ) : fungsi jumlah kuadrat untuk Φ

ˆ

φ

:Estimator untuk parameter Φ

ˆ

σ

2

a

: estimator untuk parameter

ˆ

σ

2

a

φ

p

(B) : operator autoregresif stasioner tingkat p

λ(B) : Operator autoregresif berubah

x

BAB I

PENDAHULUAN

A. Latar Belakang Masalah

Suatu runtun waktu adalah himpunan observasi beraturan dalam waktu

(atau da lam dimensi apa saja yang lain). Jika pengalaman yang lalu, keadaan

yang akan datang dapat diramalkan secara pasti, maka runtun waktu itu

dinamakan deterministik, dan tidak memerlukan penyelidikan lebih lanjut.

Sebaliknya jika pengalaman yang lalu hanya bisa menunjukkan struktur

probabilitas keadaan yang akan datang suatu runtun waktu, maka runtun waktu

semacam ini dinamakan stokastik (statistik).

Runtun waktu statistik dapat dipand ang sebagai suatu realisasi dari

proses s tatistik (stokastik). Biasanya tidak mungkin diperoleh realisasi yang

lain suatu proses statistik, yaitu tidak dapat diulang kembali keadaan untuk

memperoleh himpunan observasi serupa seperti yang telah dikumpulkan.

Selanjutnya,

misalkan

Z 1 ,Z 2 ,…,Z n

adalah

observasi

yang

telah

diidentifikasikan suatu model yang diperkirakan telah menghasilkan observasi

itu. Dengan demikian Z t dapat dipandang sebagai suatu realisasi dari suatu

variable

random

Z t

yang

mempunyai

distribusi

probabilitas (fdp) tertentu, misalnya p(Z t ).

dengan

fungsi

densitas

Setiap himpunan Z t., misalnya Z t ,…,Z t+r

mempunyai fkp bersama

p(Z t1 ,… ,Z tr ),

jika

suatu

proses

statistik

mempunyai

fkp

bersama

p(Z t+n1 ,…,Z t+nm ) yang independen dengan t, sebarang pilihan n 1 ,n 2 ,…,n m yang

mempunyai struktur probabilistik tidak berubah dengan berubahnya waktu.

xi

Proses seperti ini dinamakan stasioner, jika tidak demikian maka proses itu

dinamakan

tak

stasioner.

Apabila

definisi

kondisi

ini

berlaku

dengan

pembatasan m p, dengan p bilangan bulat positif, maka stasioneritas itu

dinamakan stasioner tingkat p.

Untuk proses Gaussian yang didefinisikan dengan sifat bahwa fkp

yang be rkaitan dengan sebarang himpunan waktu adalah normal multivariate,

stasioneritasnya hanya memerlukan stasioneritas tingkat dua. Dengan demikian

biasanya

cukup

puas

dengan

stasioneritas

tingkat

dua,

yang

dinamakan

stasioneritas lemah dengan mengharapkan asumsi normalitas berlaku.

Runtun waktu yang stasioner pada umumnya jarang sekali d ijumpai

dalam p raktek, namun stasioneritas merupakan asumsi yang sangat bermanfaat

dalam

mengestimasi

runtun

waktu.

Pada

tahun

1970-an

Box-Jenkins

membahas tentang model runtun waktu klasik, termasuk didalamnya model

autoregresif

klasik.

Dalam

perkembangannya

model

autoregresif

itu

mempunyai dua macam yakni model autoregresif yang stasioner dan model

autoregresif

yang

tidak

stasioner(nonstasioner).

Pada

runtun

waktu

yang

stasioner

biasanya

bisa

langsung

dilakukan

estimasi

terhadap

parameter-

parameter yang ada, tetapi untuk model runtun waktu yang tidak stasioner

perlu dilakukan langkah untuk menjadikan runtun waktu itu stasioner dulu,

kemudian mengestimasi parameter-parameternya.

Jika data asli menunjukan adanya ketid akstasioneran, maka perlu

dilakuk an transformasi, apabila ragam runtun aslinya telah stasioner tetapi nilai

tengah

runtun

menunjukan

keadaan

yang

tidak

stasioner,

maka

untuk

 

xii

menghilangkan ketidakstasioneran itu digunakan metode pembeda (diferensi).

Cara ini akan membuat runtun waktu selisih (derajat tertentu) nilai-nilai yang

beurutan dari runtun aslinya Z t (ditulis W t =Z t -Z t-1 ) menjadi stasioner, yang

dipandang bahwa Z t sebagai integrasi runtun waktu W t yang dikenal sebagai

proses autoregresife integrated moving average (ARIMA), sehingga ketentuan

yang berlaku pada proses ARMA barlaku pula untuk proses ARIMA.

Proses ARIMA yang tidak mempunyai proses moving average disebut

ARI(p,d ) atau ARIMA (p,d,0). Model ini mempunyai beberapa macam model,

diantaranya model autoregresif atau ARIMA(1,d,0), (2,d,0), (1,1,0), (2,1,0),

(2,2,0) dan (p,d,0).

Model runt un waktu yang tidak stasioner dikelompokan menjadi dua

yaitu m odel runtun waktu tak stasioner (nonstasioner) homogen dan runtun

waktu tak stasioner

(nonstasioner) tak homogen. Runtun waktu nonstasioner

yang homogen ditunjukkan oleh selisih (perubahan) nilai-nilai yang berurutan

adalah stasioner. Proses runtun waktu ARIMA (1,1,0) Box-Jenkins klasik

ditulis dalam bentuk:

{(

(1φ B) 1B

1

)

}

Z μ= a

t

t

Selanjutnya misalkan Z 1 , Z 2 , …, Z n adalah sekumpulan observasi dan

telah d iidentifikasikan suatu model yang diperkirakan telah menghasilkan

observasi itu, dengan memandang observasi itu sebagai variabel random yang

diambil

dari

distribusi

bersama

σ

a

2

adalah

menunjukan

parameter-parameter

barisan

atau

vektor

p W φ μ σ

(

/

1

,

,

a

2

)

y

ang

yang

tidak

dik

stasioner

xiii

,

dengan

φ

1

,

μ

dan

etahui,

sed

an kan

g

W

dan

merupakan

selisih

observasi di atas. Dari fungsi bersama tersebut dapat ditentukan estimasi

maksimum likelihoodnya.

Dari uraian di atas, penulis tertarik ingin mengadakan penelitian

tentang estimasi maksimum likelihood model ARIMA (1,1,0)

B. Permasalahan

Berdasa rkan uraian di atas, maka permasalahan yang akan dikaji penelitian ini adalah : Bagaimana cara menentukan nilai-nilai

parameter pada model ARIMA (1,1,0) yang homogen dengan menggunakan metode maksimum likelihood ? C. Tujuan Penelitian

dalam

Adapun tuju an penelitian ini adalah :

a. M

empelajari cara mengkontruksi bent

uk fungsi likelihood dari model

aoutoregresif, khususnya model ARIMA (1,1,0)

b. Menentukan estimator untuk parameter-paramete

r yang ada pada model

ARIMA (1,1,0)

dengan menggunakan metode estimasi maksimum

likelihood

D. Manfaat Penelitian

Penelitian ini d iharapkan dapat memberikan manfaat antara lain:

1.

Bag

i peneliti diharapkan dapat menambah wawasan pengetahuan

yang

lebih

luas

terutama

yang

berkaitan

dengan

masalah

estimasi

model

ARIMA (1,1,0) Box-Jenkins.

 

2.

Secara umum diharapkan dapa

t memberikan sumbangan pengetahuan dan

gambaran tentang estimai model ARIMA (1,1,0) Box-Jenkins.

xiv

E. Sistematika Skripsi

Secara garis besar skripsi ini dibagi menjadi tiga bagian yaitu bagian

awal, bagian isi, dan bagian akhir.

Bagian awal terdiri dari halaman judul, abstrak, halaman

pengesahan,halaman motto dan persembahan, kata pengantar, daftar isi, daftar tabel, daftar gambar dan daftar lampiran. Bagian isi terdiri dari

BAB I

:

Pendahuluan

BAB II

Mengemukakan tentang alasan pemilihan judul, permasalahan, tujuan penelitian, manfaat penelitian, sistematika penulisan skripsi. : Landasan Teori

BAB III

Menguraikan tentang konsep dasar analisis runtun waktu dan tinjauan distribusi normal multivariate serta fungsi likelihood. : Metode Penelitian

BAB IV

Bab ini berisi tentang metode yang digunakan dalam penelitian yang meliputi studi pustaka, perumusan masalah, analisis dan pemecahan masalah serta penarikan kesimpulan. : Hasil Penelitian dan Pembahasan

BAB V

Membahas tentang penentuan selisih proses autoregresif tak stasioner sehingga menjadi stasioner. Selanjutnya membahas tentang fungsi likelihood untuk model ARIMA (1,1,0) dan model-model autoregresif, serta estimasi maksimum likelihood pada autoregresif (ARI) dan estimasi likelihood pada model autoregresif Box-Jenkins yang homogen. : Penutup Bab ini berisi tentang kesimpulan dari pembahasan pada bab-bab sebelumnya dan saran-saran yang diberikan peneliti berdasarkan simpulan yang diambil.

xv

Adapun bagian akhir dari skripsi berisi daftar pustaka dan lampiran- lampiran yang mendukung skripsi.

BAB II LANDASAN TEORI

A. Konsep Dasar Analisis Runtun Waktu

Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut

pengertian dan konsep dasar analisis runtun waktu.

Definisi 1

Runtun waktu adalah himpunan observasi terurut dalam waktu atau dalam dimensi lain. (Zanzawi, 1987 :

2.2).

Dalam pembahasan ini runtun waktu dinotasikan dengan Z t , jika t A, dengan A bilangan asli, maka Z t

adalah berupa runtun waktu diskrit, sedangkan jika t, dengan bilangan real, maka Z t adalah runtun waktu kontinu. Jika runtun waktu didasarkan terhadap sejarah nilai observasi itu diperoleh, maka runtun waktu dapat dibedakan antara runtun waktu deterministik dan stokastik.

Definisi 2

Runtun waktu deterministik adalah runtun waktu dengan nilai observasi yang akan datang dapat diramalkan secara pasti berdasarkan observasi lampau. (Zanzawi, 1987 : 2.2).

Definisi 3

xvi

Runtun waktu stokastik adalah runtun waktu dengan nilai observasi yang akan datang bersifat probabilistik, berdasarkan observasi yang lampau. (Zanzawi, 1987 : 2.2).

1. Stasioner dan Takstasioner

Himpunan obsevasi dari runtun waktu stokastik yang telah didapat tidak akan diperoleh kembali dengan mengadakan proses stokastik yang lain, sebab runtun waktu stokastik merupakan suatu realisa dari suatu proses

statistik (stokastik), sehingga untuk sebarang Z t dapat dipandang sebagai suatu realisa dari suatu variabel random Z t yang mempunyai distribusi dengan densitas probabilitas (fdp) tertentu, sebut p(Z t ). Setiap himpunan Z t , misalnya

{Z t ,Z t ,

stasioner dan proses tak stasioner.

,Z

t }mempunyai fdp bersama p{Z t ,Z t ,

Definisi 4

,Z

t }, sehingga dari uraian di atas dapat di turunkan definisi proses

Jika suatu proses stokastik yang mempunyai fkp bersama P(Z t + n1 , Z t + n2 , Z t + n3 ,

yang independen terhadap t, sebarang bilangan bulat k dan sebarang pilihan n 1 , n 2 ,

sifat bahwa struktur probabilistiknya tidak berubah dengan berubahnya waktu, maka proses seperti

ini dinamakan stasioner. Jika tidak demikian dinamakan tidak stasioner.(Zanzawi, 1987: 2.4)

Jika hal tersebut berlaku tetapi dengan pembatasan m p, dimana

., Z t + nk )

., n k dengan

p bilangan bulat positip, maka stasioneritas itu kita namakan stasioneritas

tingkat p. Selanjutnya jika runtun waktu Z t stasioner, maka nilai tengah

(mean), variansi, dan covarian runtun waktu tersebut tidak dipengaruhi

oleh berubahnya waktu pengamatan, sehingga:

Nilai tengah:

Variansi

Covarians

untuk t,m,ksebarang.

μ =

z

:

σ

z

: γ

k

(

E Z

t

)

=

(

E Z

t

+

n

)

2

= E Z μ = Z μ

t

z

t

+

n

z

(

)

2

(

(

= E Z μ

t

z

)(

Z

t

+

k

μ

z

)

(

= E Z

t

+

m

)(

μ Z

z

t

+ +

m

k

μ

z

)

)

2

Dengan kata lain : jika Z t stasioner maka distribusi probabilitas

pada sebarang waktu t 1 ,t 2 ,

,t

m harus memiliki distribusi yang sama pada

waktu t 1+k ,t 2+k ,

,t

m+k , dengan k sebarang pergeseran sepanjang sumbu

waktu. Untuk m=1, maka p(Z t ) = p(Z t+k ), sehingga distribusi marginal

tidak bergantung waktu, yang menyebabkan E(Z t )= μ

xvii

dan

Var(Z t )=

γ .

0

Untuk proses normal ( Gaussian) yang didefinisikan dengan sifat

bahwa

fdp

yang

berkaitan

dengan

sebarang

waktu

adalah

normal

multivariate, stasioneritasnya hanya memerlukan stasioner tingkat dua,

sehingga biasanya cukup puas dengan stasioner tingkat dua, yang disebut

dengan stasioner lemah, dengan mengharapkan asumsi normal berlaku.

Mengingat

definisi

4

di

atas,

maka

runtun

waktu

dapat

dikelompokan menjadi dua yaitu : i) runtun waktu stasioner dan ii) runtun

waktu tak stasioner. Untuk runtun waktu tak stasioner dibedakan menjadi

dua yaitu runtun waktu tak stasioner homogen dan runtun atau tak

stasioner tak homogen. Berdasarkan uraian ini maka dapat diturunkan

definisi di bawah ini .

Definisi 5

Runtun waktu tak stasioner yang homogen adalah yang waktu yang

selisih (perubahan) nilai-nilai yang berurutan stasioner. (Zanzawi,

1987: 4.2)

Berdasarkan definisi 5, maka dapat dikatakan bahwa runtun waktu

tak stasioner homogen adalah runtun waktu yang mempunyai selisih

derajat tertentunya adalah stasioner. Dalam skripsi ini runtun waktu yang

homogen yang akan menjadi objek penelitian.

2. Fungsi Autokovariansi

xviii

Telah diperoleh bahwa dalam proses stasioner lemah mean proses

itu

menyebabkan

E[Z t ]= μ ,

variansi

proses

itu

V(Z t )= γ

O

cov(Z t

,

Z

t+k )=

γ

k

, dengan μ dan

γ

k

untuk semua k adalah konstan. Dalam hal ini

μ

adalah mean proses itu dan

γ

k

adalah autokovarian pada lag k. Pada

proses stasioner lemah variansinya adalah konstan, yaitu :

V(Z t )=

σ

z

2

=

γ

O

Juga untuk semua bilangan bulat k

γ = γ

k

k

, dan juga karena :

Cov ( Z , Z

t

t

+

k

) = Cov(Z

t

+

k

,

Z

t

) = Cov(Z ,

t

Z

t+k

) = γ

k

(2.1)

Sehingga yang perlu ditentukan adalah γ

k

Definisi 6

untuk semua k 0.

Himpunan

{ γ

k

:k=0,1,2,3,

}

(Zanzawi ,1987:2.5)

disebut

fungsi

autokovariansi.

Definisi 7

Autokorelasi pada lag k ditulis dengan :

ρ

k

=

(

cov Z , Z

t

t-k

)

=

γ

k

γ

k

=

1

{()( )} (

V Z

t

,V Z

t-k

2

γ γ

0

,

0

)

1

2

γ

0

(Zanzawi, 1987: 2.5)

Definisi 8

Himpunan

{

ρ

k

: k

=

0,1,2,

}

dengan

autokorelasi (fak)

3. Autokorelasi

ρ =1

0

disebut

(2.3)

fungsi

xix

Dari suatu runtun waktu yang stasioner Z 1 ,Z 2 ,

,Z n , mean μ dan

fungsi

autokovariansi

menggunakan statistik :

μˆ

1
1

= Z =

n

n

t

= 1

Z

t

{ γ

k

:

k=0,1,2,

}dapat

diestimasi

dengan

γ ˆ =

C k

=

1

n

n

t

=

1

(Z Z)(Z

t

t-k

Z)

untuk k=0,1,2

Unrtuk mendapatkan harga estimasi yang cukup baik biasanya diperlukan

n>50, dan harga C k yang dibutuhkan sekitar

dengan

ρˆ

k

= r =

k

C

k

C

0

k<n/4. Nilai

ρ

k

diestimasi

(2.2)

Untuk proses normal yang stasioner, rumus Bartlett menanyakan bahwa

dengan mengganggap

ρ

k =0 untuk semua k>0 diperoleh :

Cov(r , r

k

k-1

)

1

N

i

k

= k +

ρ ρ

i

i-s

s

dengan mengambil s=0, maka untuk k>K

V

(

r

k

)

1

N

k

i =− k

2

i

ρ

(2.3)

Untuk N yang sangat besar jika

ρ

k = 0

maka r k mendekati distribusi

normal. Dalam prakteknya

ρ dapat diganti dengan r i sehingga menjadi:

i

xx

k 1 2 V(r ) ≈ ∑ ρ k i N i = -k 1
k
1
2
V(r
) ≈
∑ ρ
k
i
N
i
=
-k
1
(
2
2
=
r
+
r
+
-k
-k
+
1
N
γ 0
dengan
=
r
=
= 1
ρ 0
0
γ 0
k
2
=
1 ⎜ ⎛ 1 + 2
∑ i
r
N ⎝
⎟ ⎞
i = 1

+

r

2

-k +

k

=

0

+

r

1

2

, maka diperoleh

Jadi

(

V r

k

)

1 ⎜ ⎛ 1 + 2

N

k

i

r

i = 1

2

+

r

2

2

+ + r

k

2 )

(2.4)

Sedangkan akar positif adalah sesatan standar r k untuk lag besar, sehingga

SE(r )

k

V r ( ) k
V r
(
)
k

4. Autokorelasi Parsial

Fungsi Autokorelasi parsial (fakp) dinotasikan dengan

{

φ

kk

: k = 1,2,

}, yakni himpunan autokarelasi parsial untuk lag k

didefinisikan sebagai berikut :

dengan

φ kk

ρ

* ρ − k − k
*
ρ
k
k

= ρ

k

: matriks autokorelasi kxk dan

ρ

k

*

(2.5)

: matriks autokorelasi

dengan kolom terakhir diganti dengan

ρ

ρ

1

2

.

.

.

ρ

3

Nilai estimasi

ˆ

φ

kk

diperoleh dengan mengganti

ρ

i

dengan r

i.

xxi

Untuk lag yang cukup besar dimana fakp menjadi sangat kecil nilainya

hingga mendekati nol (

r i

= 0

) dari persamaan (2.3) maka diperoleh

persamaan :

Var (

ˆ 1

φ

kk

)

N

Untuk N besar

ˆ

φ kk

dianggap mendekati distribusi normal.

5. Metode Box-Jenkins

Analisis runtun waktu Z t yang dikembangkan menurut metode

Box-Jenkins menggunakan dua operator, yaitu operator backshift B dan

operator differensi . operator backshift B didefinisikan sebagai:

BZ t = Z t – 1

Sedangkan operator differensi dideffinisikan sebagai:

Z t = Z t – Z t – 1

sehingga kedua operator mempunyai hubungan:

. Z t = Z t – Z t 1

= Z t – BZ t

= (1 – B) Z t , jadi = (1 – B)

Adapun model proses stokostik yang sering digunakan adalah bentuk:

ϕ (B) Z t = θ (B) a t

(2.6)

Dengan ϕ (B) dan θ (B) adalah polinomial dan {a t : t = 1,2,3

}

adalah barisan variabel random independen dan distribusi normal dan

dengan

E[a t ]

=

0,

var

[a t ]

=

E

[a t 2 ]

=

σ 2

serta

Cov

(a t , a t-k )

=

0;

 

xxii

{a t :t=1,2,3,

}

merupakan suatu runtun getaran yang dibangkitkan oleh

proses white noise (gerakan random).

Persamaan (2.6) dapat ditulis dengan bentuk:

Z t =

θ )

(

B

φ )

(

B

a

t atau

Z t =

Ψ(B)a

t

Dengan

Ψ(B)a

t

=

θ , dengan demikian Z t dapat dipandang sebagai
φ

(

B

)

(

B

)

a

t

runtun

yang

dihasilkan

dengan

melewatkan

proses

white

noise

{a t }

melalui kombinasi linear (filter linear) dengan fungsi transfer

Ψ(B)

.

Kondisi ini menunjukkan operasi linear filter yang mempresentasikan

runtun waktu sebagai hasil dari linear filter jumlah tertimbang dari

observasi sebelumnya, yakni

Z t = µ + a t + Ψ 1 a t-1 + Ψ 2a t-2 + Ψ 3 a t-3 +

Z t = µ + Ψ

(B)a 1

Dengan

Ψ

(B) = 1 + Z t = Ψ 1 (B) + Ψ 2 (B) + Ψ 3 (B) +

(2.7)

adalah operator linear yang mentransformasikan

fungsi transfer atau filter.

Atau dapat ditulis dalam bentuk:

a t ke Z t merupakan

Z t - µ = a t + Ψ 1 a t-1 + Ψ 2a t-2 + Ψ 3 a t-3 +

Zt

=

a

t

+

j = 1

Ψ

j

a

t

j

(2.8)

dengan Zt =

Z

t

μ

.

xxiii

Bentuk ini merupakan devisa proses itu dari titik referensi, atau

meannya jika proses itu stasioner. Barisan itu biasanya disebut proses white-

noise atau random shocks.

Selanjutnya dari persamaan tersebut diperoleh :

E(Z t ) = µ

γ o

=

V

(

Z

t

)

=

E Z

(

t

)

μ

2

=

σ

2

j = 0

Ψ

2

j

dengan menggunakan nilai E(a t-i ,a t-j )

γ

k

=

(

Z

t

μ

)(

Z

t

k

)

=

(

E a

t

1

a

1

1

2

a

t

=

σ

2

(

1.

Ψ +ΨΨ +

k

1

k +

2

=

σ

2

j = 0

ΨΨ

j

j + k

2

+

)

k

a

t

k

k

=

1

a

t

k

1

)(

a

t

k

1

a

t

(2.9)

(2.10)

k

1

+

)

sehingga persamaan autokorelasi pada lag k dapat ditulis dalam bentuk :

ρ

k

j

= 0

ΨΨ

j

j

+

k

γ

k

=

Ψ

2

j

γ

0

=

j = 0

(2.11)

jika jumlah bobot

konvergen

secara

Ψ j tak hingga, maka diasumsikan bahwa bobot itu

absolute

atau

Ψ j
Ψ
j

<

.

Sebagai

contoh

jika

Ψ=−

1

φ

dan

menjadi :

Z

t

μ

Ψ =

j

0 untuk j>1. maka proses white-noise dapat ditulis

=

a

t

φa

t 1

(2.12)

xxiv

Secara umum untuk

noise menjadi :

Z

t

μ a φa

− =

t

+

t

1

+

2

φ a

(

φ

= +

a

t

(

= φ

Z

t

1

a

t

1

μ

)

+

+

φ

a

a

t

t 2

t

2

+

+

Ψ

j

2

φ

a

t

= − φ

2

+

j

maka persamaan persamaan white-

)

Model ini dalam runtun waktu dikenal dengan model autoregresif tingkat

(orde) satu, selanjutnya untuk memenuhi keadaan stasioner maka

B. Model Runtun Waktu

φ
φ

< 1 .

Model Runtun waktu dapat dikelompokan menjadi dua yaitu (1)

kelompk

runtun

waktu

stasioner,

dan

(2)

kelompok

runtun

waktu

tak

stasioner(nonstasioner). Kelompok runtun waktu pertama meliputi proses

autoregresif, untuk orde p ditulis AR(p), moving average untuk orde q ditulis

MA(q), dan model campuran autoregresif-moving average, jika masing-

masing berorde p dan q maka model ini ditulis ARMA (p,q).

Sedangkan kelompok kedua merupakan kelompok runtun waktu yang

banyak dijumpai dalam praktek, dalam hal ini runtun waktu nonstasioner yang

mempunyai selisih (derajat tertentu) nilai-nilai yang berurutan dari runtun

aslinya Z t yaitu Z t -Z t-1 =W t adalah stasioner. Dalam proses ini Z t dipandang

sebagai integrasi runtun W t , yang dikenal dengan autoregressive integrated

moving average proses (ARIMA), sehingga ketentuan yang berlaku pada

model

ARMA

berlaku

pula

pada

model

xxv

ARIMA.

Suatu

runtun

waktu

nonstasioner setelah diambil selisih ke-d menjadi stasioner yang mempunyai

model AR(p) dan model MA(q) ditulis dengan ARIMA(p,d,q).

Kedua

kelompok

model

runtun

waktu

tersebut,

dapat

dipandang

sebagai model ARIMA, dengan melihat nilai p,q dan tingkat selisih d: nilai

untuk d model stasioner adalah 0. Sehingga untuk model stasioner AR(p)

dapat

ditulis

ARIMA

(p,0,0),

model

stasioner

MA(q)

dapat

ditulis

ARIMA(0,0,q) dan model stasioner ARMA (p,q) dapat ditulis ARIMA(p,0,q)

uraian untuk masing-masing kelompok model runtun waktu dibahas pada

bagian berikut ini.

1. Model Runtun Waktu Stasioner

a. Proses-proses Autoregresif

1) Proses auotoregresif Orde 1[AR(1)]

Model AR(1) telah dikemukakan pada bagian (2.7), oleh karena itu

pembahasan pada bagian ini mengacu model (2.12) yang dapat ditulis

dalam bentuk

~

Z

t

(

~

φ

Z

t-1

)

=

a

t

dengan

~

Z

t

= Z μ

t

(2.13)

Jika operator Backshift B diterapkan pada model (2.13) maka dapat ditulis

menjadi :

Z

t

=

φ

Z

t

1

+ a

t

=

(

~

φφ

Z

t

2

2

= φ

~

Z

t

2

+

a

t

1

+

φ

aa

t

)

+

a

t

1

+

a

t

(

2

~

φ φ

=

=

Μ

Z

t

3

~

3 +

φ 3

Z

t

+

2

φ

a

t

2

a

t

2

)

+

φ

a

+

φ

t

t

1

1

+

xxvi

+

a

a

t

t

(2.14)

Sehingga diperoleh bentuk

~

Z t

=

a

t

+

φa

t

1

+

φ a

2

t

2

+

φ a

3

t

3

+

φ a

4

t

4

+

(2.15)

Jika operator B diterapkan pada persamaan (2.15) maka diperoleh bentuk

~

Z

t

=

(1

+

φ

1

Ba

t

1

+

φ

2

2

B a

t

2

+

φ

3

3

B a

t

3

+

φ

4

4

B a

t

4

+

)a

t

dengan (1

(

= −φ

1

B

)

B)

φ

1

=

1

a

t

(1

+

φ φ

B

+

2

B

2

+

φ

3

B

3

+

)

B ) φ − 1 = 1 a t ( 1 + φ φ B +

Dalam pernyataan ini harus dicatat bahwa φ < 1 yang merupakan

syarat stasioner. Selanjutnya untuk memudahkan penulisan diambil μ = 0

sehingga

~

Z

t

= Z

t

dan

dapat ditulis menjadi

Z

t

φ

= Z + a

t

1

t

~

Z

t

1

= Z

t

1

, dengan demikian persamaan (2.14)

(2.16)

2) Proses Autoregresif Order 2[AR(2)]

Model AR(2) dapat diperoleh dengan cara yang sama dengan

model AR(1) dari persmaan (2.9), sehingga diperoleh :

Z =

φ

a

t

1

+

φ

2

a

t

2

+ a

t

(2.17)

dengan menggunakan operator backshift B. Bentuk persamaan (2.17)

dapat ditulis bentuk :

(1

φ

1

B

φ

2

B

2

)Z

t

= a

t

(2.18)

3) Proses Autoregresif Order p[AR(p)]

Bentuk AR(p) diperoleh cara yang sama pada AR(1) dan AR(2),

sehingga model autoregresif tingkat p adalah :

xxvii

Z

t

=

φ 1

Z

t

1

+

φ

2

Z

t

2

+

+

φ

p a

t

p

+ a

t

Terlihat bahwa model AR(p) dapat dipandang sebagai data Z t yang

diregresikan pada p nilai Z t yang lalu, dalam hal ini pengamatan yang

lalu yaitu Z 1 ,Z 2 ,

,Z

t-p .

Jika operator backshift B diterapkan pada proses ini maka model (2.18)

dapat ditulis dalam bentuk :

(1

φ

1

B

φ

2

atau φ B Z

(

)

t

2

B

= a

t

φ

p

B

p

dengan

(

φ

B

)

= −φφ

1

1

2

B

)Z

t

= a

t

2

− −φ B

p

p

b. Autokorelasi Proses-proses Autoregresif

1) Autokorelasi Proses-proses AR(1)

Dalam

penelitian

ini

akan

dibahas

dua

cara

untuk

mencari

autokorelai dengan menggunakan pendekatan yang berbeda .

Cara pertama adalah cara penggunaan langsung (2.9) dan (2.10)

dengan

ψ =φ

i

j

sehingga

γ

0

=

=

=

=

=

2

σ ψ

i = 0

2

j

 

2 j

σ

2

φ

 

j

=

0

σ

2

(

1

+

2

2

1

σ

σ

2

1

2

φ

1

2

φ

+

φ φ

⎟ ⎠

4

+

)

diperoleh

xxviii

dengan φ<1 ∞ 2 2 γ =σ ∑ ψψ k j j + k i
dengan φ<1
2
2
γ =σ
ψψ
k
j
j
+
k
i = 0
j
j + k
= σ
2 ∑
φφ
k=0,1,2,3,
j = 0
2
(
2
4
)
k
=
σ
1
+
φ φ
+
+
φ
2
k
σφ
=
2
1 −
φ
dengan φ<1

sehingga fungsi autokorelasinya adalah :

ρ

k

=

γ

k

=

2

σφ

k

(

1

φ

2

)

γ

0

1

φ

2

σ

2

 

k

=φ

dengan k=0,1,2,3,

Cara kedua merupakan cara dengan pendekatan yang dapat

digunakan secara umum untuk proses yang lain. Cara ini diperoleh dari

persamaan (2.16)

Z

t

=

φ Z

t

1

yaitu

dengan

mengganti

+ a