STASIONER

Laporan Praktikum Ke-1

Disusun untuk Memenuhi Laporan Praktikum Analisis Deret Waktu

















Oleh :


Nama : Fachriyatul Umah
NIM : 0910950038
Asisten I : RiIqi Ramadhan P
Asisten II : Yustian Al-Fariz






PROGRAM STUDI STATISTIKA
1URUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS BRAWI1AYA
2011
BAB I
PENDAHULUAN

1.1 Latar Belakang
Ramalan (Iorecast) merupakan dugaan atau perkiraan mengenai
terjadinya suatu kejadian atau peristiwa di waktu yang akan datang.
Ramalan ini sangat berguna dalam berbagai bidang kehidupan,
terutama dalam rangka perencanaan untuk mengantisipasi berbagai
keadaan yang terjadi pada masa yang akan datang.
Ramalan memang tidak akan pernah tepat 100, karena masa
depan mengandung masalah ketidakpastian. Namun demikian,
dengan pemilihan metode yang tepat, kita membuat peramalan
dengan tingkat kesalahan yang kecil atau memberikan perkiraan
yang sebaik mungkin terhadap keadaan masa yang akan datang.
Salah satu asumsi penting dalam analisis deret waktu adalah
stasioneritas. Oleh karena itu, dalam bab ini akan dibahas mengenai
stasioneritas. Dan bagaimana cara merubah data yang tidak
stasioner menjadi stasioner.

1.2 Tujuan Praktikum
1.2.1 Tujuan Umum
Mahasiswa mampu mendeskripsikan konsep stasioner
1.2.2 Tujuan Khusus
1. Mahasiswa mampu mengenali data deret waktu yang tidak
stasioner terhadap rata-rata dan variansi dengan cara diskriptiI
dan inIerensia
2. Mahasiswa mampu menguji deret waktu yang tidak stasioner
terhadap rata-rata dan variansi
3. Mahasiswa mampu mentransIormasi deret waktu yang tidak
stasioner menjadi stasioner

BAB II
DASAR TEORI

2.1 Stasioneritas
Suatu deret pengamatan dikatakan stasioner apabila proses tidak
berubah seiring dengan perubahan waktu. Stasioneritas berarti bahwa
tidak terdapat pertumbuhan atau penurunan pada data. Data secara
kasarnya harus horisontal sepanjang sumbu waktu.
Dengan kata lain, Iluktuasi data berada di sekitar suatu nilai
ratarata yang konstan, tidak tergantung pada waktu dan variansi dari
Iluktuasi tersebut yang pada intinya tetap konstan setiap waktu.
Bentuk visual dari suatu plot deret berkala seringkali cukup
untuk meyakinkan para peramal bahwa data tersebut stasioner atau tidak
stasioner. Demikian pula dengan plot autokorelasi, dapat dengan mudah
memperlihatkan ketidakstasioneran. Nilai nilai autokorelasi dari data
stasioner akan turun sampai nol sesudah time lag kedua atau ketiga,
sedangkan untuk data yang tidak stasioner, nilai nilai tersebut berbeda
signiIikan dari nol untuk beberapa periode waktu.
Apabila disajikan secara graIik, autokorelasi data yang tidak
stasioner memperlihatkan suatu trend searah diagonal dari kanan ke kiri
bersama dengan meningkatnya jumlah time lag ( selisih waktu ).
Konsep stasioneritas dapat digambarkan secara praktis sebagai berikut :
a. Apabila suatu data deret berkala diplotkan dan kemudian tidak
terbukti adanya perubahan niali tengah dari waktu ke waktu,
maka dapat dikatakan bahwa deret data tersebut stasioner pada
nilai tengahnya ( mean )
b. Apabila plot deret berkala tidak memperlihatkan adanya
perubahan variansi yang jelas dari waktu ke waktu, maka dapat
kita katakan bahwa data tersebut stasioner pada variansinya.
Jika suatu deret data bukan merupakan data yang stasioner,
maka sebelum melakukan pembuatan model deret berkala,
maka perlu dilakukan pembedaan





2.2 Istilah-Istilah dalam Stasioneritas
- Fungsi Autokorelasi (autocorrelation function, ACF)
Autokorelasi adalah korelasi antarderet pengamatan suatu
deret waktu, sedangkan Iungsi autokorelasi (ACF) adalah
plot autokorelasi-korelasi.
- Partial Auto Correlation Function (PACF)
Partial autocorrelation adalah korelasi antar deret
pengamatan suatu deret waktu. Mengukur hubungan
keeratan antar pengamatan suatu deret waktu.
- Cross Correllation
Digunakan untuk menganalisis time series multivariat
sehingga ada lebih dari 2 time series yang akan dianalisis.
- Proses White Noise
DideIinisikan sebagai deret variabel acak yang
independen, identik, dan terdistribusi.
- Analisis Tren
Digunakan untuk menaksir model tren suatu data time
series.
- Rata-rata Bergerak (Moving Average)
Salah satu metode membuat model time series. Dalam
Moving average, data diperhalus dengan membuat rata-
rata secara berurutan dari sekelompok pengamatan pada
jangka waktu tertentu

BAB III
METODOLOGI

Pada praktikum ini, digunakan soItware minitab versi 14. Langkah awal
yang dilakukan adalah :
o ditor enable commands ketik 'set c1 untuk memasukkan data
pada kolom c1 enter
o Masukkan data yang akan dianalisis enter ketik 'end untuk
mengakhiri
o Data yang diinputkan akan muncul pada worksheet minitab, beri
nama pada data tersebut, missal 'x
o Untuk mengecek stationer terhadap ragam, stat control charts
box-cox transIormation
o Pilih 'observations Ior a subgroup are in one row oI coloumns,
masukkan nama kolom data yang akan dianalisis
o Untuk melakukan transIormasi, options masukkan letak hasil data
yang telah ditransIorm - ok
o Ulangi langkah tersebut hingga didapat data yang stasioner

o Untuk melihat pola trend dari data, stat - time series time series
plot simple ok

o Untuk mengecek stasioner dengan ACF, stat - time series
autocorrelation ok






BAB IV
HASIL DAN PEMBAHASAN

4.1 Milk Production (tahunan)
MTB set c1
DATA 7389 7560 7905 8077 8505 8795 8986 9167
DATA 9384 10009 10250 10111 10301 10352
DATA end.

4.1.1 Time series plot
%ime series plot, untuk mengetahui pola trend dari data. Pada
data kasus ini, didapatkan hasil seperti dibawah ini.




















Dari gambar di atas, menunjukkan data tersebut
membentuk pola trend yang naik ke atas.
4.1.2 Plot Box cox
Box Cox digunakan untuk mengecek stasioner terhadap
ragam dengan melakukan transIormasi. Apabila nilai estimate
yang didapat 1, maka dapat dikatakan bahwa data tersebut
sudah stasioner. Dan apabila belum stasioner, maka dapat
dilakukan transIormasi hingga didapatkan estimate1
!ndex
t
r
a
n
s
1
14 13 12 11 10 3 8 7 6 S 4 3 2 1
S000000
4S00000
4000000
3S00000
3000000
Time Series Plot of trans1




ambar di atas, menggambarkan plot pada data awal. Pada
plot tersebut didapatkan nilai estimate sebesar 1,67. Nilai
estimate yang didapat tersebut tidak sama dengan 1, sehingga
data tersebut belum bisa dikatakan stasioner.
Maka, untuk langkah selanjutnya dapat dilakukan
transIormasi agar data tersebut bisa menjadi stasioner. Pada
transIormasi pertama didapat hasil seperti di bawah ini









nilai estimate yang didapat 1, sehingga data milk
production tersebut sudah bisa dikatakan stasioner terhadap
ragam.
ambda
S
t
D
e
v
S.0 2.S 0.0 2.S S.0
280
270
260
2S0
240
230
220
Lower CL
Limit
Lambda
1.67
(using 3S.0 confidence)
Estimate 1.67
LowerCL 3.06
UpperCL *
Rounded value
BoxCox Plot of x
ambda
S
t
D
e
v
S.0 2.S 0.0 2.S S.0
27S000
2S0000
22S000
200000
17S000
1S0000
Lower CL Upper CL
Limit
Lambda
1.00
(using 3S.0 confidence)
Estimate 1.00
LowerCL 1.63
UpperCL 4.04
Rounded value
BoxCox Plot of trans1
4.1.3 ACF (Autocorrelation Function)
r
a
g
a
m
.

ACF (Autocorrelation Function) digunakan untuk mengecek
stasioner dengan memperhatikan garis merah dan lag. Apabila
terdapat maksimal 3 garis merah yang terlihat berpotongan
dengan garis biru, maka data tersebut dapat dikatakan stasioner.
Pada data tersebut, didapatkan hasil plot seperti di atas.
Hanya terdapat 1 garis biru yang berpotongan dengan garis
merah, yaitu pada lag 1. Sehingga, dapat disimpulkan bahwa
data deret waktu tersebut stasioner.
Data Hasil %ransIormasi :





ag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
4 3 2 1
1.0
0.8
0.6
0.4
0.2
0.0
0.2
0.4
0.6
0.8
1.0
Autocorrelation Function for trans1
(with S significance limits for the autocorrelations)
4.2 Portland, Oregon (tahunan)
MTB set c1
DATA 462.7 621.2 662.3 690.0 740.4 795.0 1038.9 1419.7
DATA 1586.1
DATA end.


4.2.1 Time series plot
%ime series plot, untuk mengetahui pola trend dari data. Pada
data kasus ini, didapatkan hasil seperti dibawah ini.
Dari gambar di bawah ini, menunjukkan data tersebut
membentuk pola trend yang naik ke atas.



















4.2.2 Plot Box cox
Box Cox digunakan untuk mengecek stasioner terhadap
ragam dengan melakukan transIormasi. Apabila nilai estimate
yang didapat 1, maka dapat dikatakan bahwa data tersebut
sudah stasioner. Dan apabila belum stasioner, maka dapat
dilakukan transIormasi hingga didapatkan estimate1
!ndex
c
1
3 8 7 6 S 4 3 2 1
17S0
1S00
12S0
1000
7S0
S00
Time Series Plot of c1



















ambar di atas, menggambarkan plot pada data awal. Pada
plot tersebut didapatkan nilai estimate sebesar -0,28. Nilai
estimate yang didapat tersebut tidak sama dengan 1, sehingga
data tersebut belum bisa dikatakan stasioner.
Maka, untuk langkah selanjutnya dapat dilakukan
transIormasi agar data tersebut bisa menjadi stasioner. Pada
transIormasi pertama didapat hasil seperti di bawah ini








ambda
S
t
D
e
v
S.0 2.S 0.0 2.S S.0
S00
400
300
200
100
Lower CL Upper CL
Limit
Lambda
0.S0
(using 3S.0 confidence)
Estimate 0.28
LowerCL 2.02
UpperCL 1.30
Rounded value
BoxCox Plot of c1
ambda
S
t
D
e
v
S.0 2.S 0.0 2.S S.0
0.0037S
0.003S0
0.0032S
0.00300
0.0027S
0.002S0
Lower CL Upper CL
Limit
Lambda
0.S0
(using 3S.0 confidence)
Estimate 0.S6
LowerCL 2.S2
UpperCL 4.17
Rounded value
BoxCox Plot of trans1

ambar di atas, menggambarkan plot pada data awal yang
sudah ditransIormasi (trans1). Pada plot tersebut didapatkan
nilai estimate sebesar 0,56. Nilai estimate yang didapat tersebut
tidak sama dengan 1, sehingga data tersebut belum bisa
dikatakan stasioner
Maka, untuk langkah selanjutnya dilakukan transIormasi
kembali agar data tersebut bisa menjadi stasioner. Pada
transIormasi kedua didapat hasil seperti di bawah ini









ambar di atas, menggambarkan plot pada data yang telah
ditransIormasi kedua kalinya (trans2). Pada plot tersebut
didapatkan nilai estimate sebesar 1,12. Nilai estimate yang
didapat tersebut tidak sama dengan 1, sehingga data tersebut
belum bisa dikatakan stasioner.
Maka untuk langkah selanjutnya dilakukan transIormasi
kembali agar data tersebut bisa menjadi stasioner. Pada
transIormasi ketiga didapat hasil seperti di bawah ini


ambda
S
t
D
e
v
S.0 2.S 0.0 2.S S.0
0.0074
0.0072
0.0070
0.0068
0.0066
0.0064
0.0062
Lambda
1.12
(using 3S.0 confidence)
Estimate 1.12
LowerCL *
UpperCL *
Rounded value
BoxCox Plot of trans2









ambar di atas, menggambarkan plot pada data yang telah
ditransIormasi ketiga kalinya (trans3). Dan sudah didapatkan
nilai estimate 1. sehingga data Portlan, Oregon (tahunan)
tersebut sudah bisa dikatakan stasioner terhadap ragam.
4.2.3 ACF (Autocorrelation Function)









ambda
S
t
D
e
v
S.0 2.S 0.0 2.S S.0
0.0070
0.0068
0.0066
0.0064
0.0062
0.0060
0.00S8
Lambda
1.00
(using 3S.0 confidence)
Estimate 1.00
LowerCL *
UpperCL *
Rounded value
BoxCox Plot of trans3
ag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
S 4 3 2 1
1.0
0.8
0.6
0.4
0.2
0.0
0.2
0.4
0.6
0.8
1.0
Autocorrelation Function for trans3
(with S significance limits for the autocorrelations)
ACF (Autocorrelation Function) digunakan untuk mengecek
stasioner dengan memperhatikan garis merah dan lag. Apabila
terdapat maksimal 3 garis merah yang terlihat berpotongan
dengan garis biru, maka data tersebut dapat dikatakan stasioner.
Pada data tersebut, didapatkan hasil plot yang tidak ada
satupun garis merah dan biru yang berpotongan. Sehingga,
dapat disimpulkan bahwa data deret waktu tersebut stasioner.
Data Hasil %ransIormasi :
















BAB V
PENUTUP

6.1 Kesimpulan
Stasioneritas berarti bahwa tidak terdapat pertumbuhan atau
penurunan pada data. Dengan kata lain, Iluktuasi data berada di sekitar
suatu nilai ratarata yang konstan, tidak tergantung pada waktu dan
variansi dari Iluktuasi tersebut yang pada intinya tetap konstan setiap
waktu.
Pada analisa menggunakan data milk production dan Portland
Oregon, awalnya tidak didapatkan data yang stasioner. Kemudian
setelah ditransIormasi dengan menggunakan Box-Cox %ransIormation
antara 1-3x baru bisa didapatkan data deret waktu yang stasioner

6.2 Saran
Sebelum melakukan analisa atau pemeriksaan kestasioneran,
praktikan sebaiknya benar-benar memahami tentang metode peramalan
yang ada, dan praktikan diharapkan lebih teliti dalam melakukan analisa
















DAFTAR PUSTAKA

Anonim. 2009. www.scribd.com/doc/60950685/19/Konsep-
Stasioneritas. diakses 31 oktober 2011
Anonim. 2000.
http.//d.yimg.com/kq/groups/23376985/489178461/name/
K9Stasioneritas.ppt. diakses 31 oktober 2011
Anonim. 2005. http.//www.scribd.com/doc/60950685/18/Stasioneritas.
diakses 31 oktober 2011
Anonim. 2009. http.//bbfxindo.blogspot.com/2010/05/moving-average-
deret-waktu.html. diakses 31 oktober 2011
Junaidi. 2009. http.//funaidichaniago.wordpress.com/2009/01/20/deret-
waktu-peramalan-seri-1/. diakses 31 oktober 2011