Anda di halaman 1dari 38

Pemodelan Data

Deret Waktu
Stasioner
Kuliah 11 – Metode Peramalan Deret Waktu
r.rahma.anisa@gmail.com

1
𝑌𝑡 merupakan kombinasi linear
terboboti dari white noise pada
periode ke-𝑡 dan periode-periode
sebelumnya.
Proses Linear
Umum

Keterangan:
𝑌𝑡 = pengamatan deret waktu
𝑒𝑡 = white noise

white noise series : a sequence of identically distributed, zero-mean, independent 2


random variables
deret tak hingga
Proses Linear
Umum
∞ 2
Asumsi 𝜓
𝑖=1 𝑖 <∞

3
deret tak hingga
Proses Linear
Umum
∞ 2
Asumsi 𝜓
𝑖=1 𝑖 <∞

Koefisien bagi 𝑒𝑡 adalah 1, sehingga 𝜓0 = 1

4
𝝍′s nilainya turun secara eksponensial
Proses Linear
Umum
𝜓𝑗 = 𝜙 𝑗 , dimana −1 < 𝜙 < 1

5
Proses Linear
Umum

𝑌𝑡 memiliki nilai tengah nol dan ragam konstan

6
Tentukan 𝑐𝑜𝑣 𝑌𝑡 , 𝑌𝑡−1 dan
Problem (1) 𝑐𝑜𝑟𝑟 𝑌𝑡 , 𝑌𝑡−1 .

7
Proses
Linear
Umum

8
• Syarat kestasioneran

Model Deret
Waktu
• Model Stasioner
Stasioner
• Autoregressive : AR(p)
• Moving Average: MA(q)
• ARMA(p,q)

9
Proses
Rataan
Bergerak • menerapkan bobot 1, −𝜃1 , −𝜃2 , … , −𝜃𝑞 pada peubah
𝑒𝑡 , 𝑒𝑡−1 , 𝑒𝑡−2 , … , 𝑒𝑡−𝑞 untuk memperoleh 𝑌𝑡

Moving • menggeser bobot tsb sehingga diterapkan pada peubah


Average 𝑒𝑡+1 , 𝑒𝑡 , 𝑒𝑡−1 , … , 𝑒𝑡−𝑞+1 untuk memperoleh 𝑌𝑡+1

MA(q)

10
Model: 𝑌𝑡 = 𝑒𝑡 − 𝜃𝑒𝑡−1

Proses
Rataan
Bergerak
Ordo Kesatu
MA(1)

11
Model: 𝑌𝑡 = 𝑒𝑡 − 𝜃𝑒𝑡−1

dapat diringkas sbb:

Proses
Rataan
Bergerak
Ordo Kesatu
MA(1) 𝛾𝑘
𝜌𝑘 =
𝛾0

12
 Tentukan fungsi autokorelasi bagi
Problem (2) ∗ 1
model MA(1) jika 𝜃 = 𝜃 .

13
Contoh: Proses MA(1) dengan 𝜃 = −0.9

Proses
Rataan
Bergerak Plot 𝑌𝑡 Vs 𝑌𝑡−1 Plot 𝑌𝑡 Vs 𝑌𝑡−2
Ordo Kesatu
MA(1)

Terdapat korelasi positif pada lag 1 14


Model: 𝑌𝑡 = 𝑒𝑡 − 𝜃1 𝑒𝑡−1 − 𝜃2 𝑒𝑡−2

Proses
Rataan
Bergerak
Ordo
Kedua
MA(2)

15
Model: 𝑌𝑡 = 𝑒𝑡 − 𝜃1 𝑒𝑡−1 − 𝜃2 𝑒𝑡−2

Proses
Rataan
Bergerak
Ordo Kedua
MA(2)

16
17
𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + ⋯ + 𝜙𝑝 𝑌𝑡−𝑝 + 𝑒𝑡
Proses
Regresi Diri
Nilai 𝑌𝑡 pada periode saat ini (t) adalah kombinasi
linear dari p nilai periode sebelumnya ditambah
Autoregressive komponen 𝑒𝑡 .

Asumsi: 𝑒𝑡 saling bebas thdp 𝑌𝑡−1 , 𝑌𝑡−2 , … , 𝑌𝑡−𝑝


AR(p)

18
Model: 𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡

𝑉𝑎𝑟 𝑌𝑡 = 𝑉𝑎𝑟 𝜙𝑌𝑡−1 + 𝑒𝑡


𝑉𝑎𝑟 𝑌𝑡 = 𝜙 2 𝑉𝑎𝑟 𝑌𝑡−1 + 𝑉𝑎𝑟 𝑒𝑡
Proses
Regresi Diri
Ordo Kesatu 𝛾0 = 𝜙 2 𝛾0 + 𝜎𝑒2
AR(1) 𝜎𝑒2
𝛾0 = 1−𝜙 2

dengan 𝜙 2 < 1 atau 𝜙 < 1

19
Model: 𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡

untuk 𝑘 = 1,2, …

𝑐𝑜𝑣 𝑌𝑡−𝑘 , 𝑌𝑡 = 𝑐𝑜𝑣 𝑌𝑡−𝑘 , 𝜙𝑌𝑡−1 + 𝑒𝑡


Proses 𝑐𝑜𝑣 𝑌𝑡−𝑘 , 𝑌𝑡 = 𝜙𝑐𝑜𝑣 𝑌𝑡−𝑘 , 𝑌𝑡−1 + 𝑐𝑜𝑣 𝑌𝑡−𝑘 , 𝑒𝑡
Regresi Diri
𝛾𝑘 = 𝜙𝛾𝑘−1 + 𝑐𝑜𝑣 𝑌𝑡−𝑘 , 𝑒𝑡
Ordo Kesatu
AR(1)
𝜙𝜎𝑒2
untuk 𝑘 = 1, 𝛾1 = 𝜙𝛾0 = 1−𝜙 2

𝜙2 𝜎𝑒2
untuk 𝑘 = 2, 𝛾2 = 𝜙𝛾1 = 1−𝜙 2

20
Model: 𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡

𝜙𝜎𝑒2
untuk 𝑘 = 1, 𝛾1 = 1−𝜙2 𝜙 𝑘 𝜎𝑒2
Proses 𝜙 2 𝜎𝑒2 𝛾𝑘 =
untuk 𝑘 = 2, 𝛾2 = 1 − 𝜙2
1−𝜙 2
Regresi Diri
Ordo Kesatu
AR(1)

21
Ilustrasi plot korelasi diri pada model-model AR(1)

Proses
Regresi Diri
Ordo Kesatu
AR(1)

22
Asumsi yang digunakan:
• 𝑒𝑡 saling bebas terhadap 𝑌𝑡−1 , 𝑌𝑡−2 , 𝑌𝑡−3 …
• 𝜎𝑒2 > 0
Kestasioneran
pada Proses
AR(1) Stationarity condition pada AR(1) ↔ 𝜙 < 1

23
Kestasioneran
pada Proses
AR(1)

Yt Vs Yt-1 Yt Vs Yt-2 Yt Vs Yt-3


24
Model: 𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + 𝑒𝑡

Asumsi :
Proses • 𝑒𝑡 saling bebas thdp 𝑌𝑡−1 , 𝑌𝑡−2 , 𝑌𝑡−3 …
Regresi Diri • 𝜎𝑒2 > 0
Ordo Kedua
AR(2) Stationarity condition pada AR(2):
• 𝜙1 + 𝜙2 < 1
• 𝜙2 − 𝜙1 < 1
• 𝜙2 < 1

25
Model: 𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + 𝑒𝑡

𝑐𝑜𝑣(𝑌𝑡−𝑘 , 𝑌𝑡 ) = 𝑐𝑜𝑣 𝑌𝑡−𝑘 , 𝜙1 𝑌𝑡−1 + cov 𝑌𝑡−𝑘 , 𝜙2 𝑌𝑡−2 + 𝑐𝑜𝑣 𝑌𝑡−𝑘 , 𝑒𝑡

Proses
Regresi Diri
Ordo Kedua 𝛾𝑘 = 𝜙1 𝛾𝑘−1 + 𝜙2 𝛾𝑘−2
AR(2) dibagi 𝛾0

𝜌𝑘 = 𝜙1 𝜌𝑘−1 + 𝜙2 𝜌𝑘−2

26
Model: 𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + 𝑒𝑡

𝜌𝑘 = 𝜙1 𝜌𝑘−1 + 𝜙2 𝜌𝑘−2
Proses
Regresi Diri
Ordo Kedua
AR(2)

𝑘=1?
𝑘=2?

27
Model: 𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + 𝑒𝑡

𝜌𝑘 = 𝜙1 𝜌𝑘−1 + 𝜙2 𝜌𝑘−2
Proses
Regresi Diri
Ordo Kedua
𝑘=1
AR(2)
𝜌1 = 𝜙1 𝜌0 + 𝜙2 𝜌−1 , dengan 𝜌0 = 1 dan 𝜌−1 = 𝜌1
𝜌1 = 𝜙1 + 𝜙2 𝜌1

𝜙1
𝜌1 =
1 − 𝜙2

28
Model: 𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + 𝑒𝑡

𝜌𝑘 = 𝜙1 𝜌𝑘−1 + 𝜙2 𝜌𝑘−2
Proses
Regresi Diri
Ordo Kedua
𝑘=2
AR(2)
𝜙
𝜌2 = 𝜙1 𝜌1 + 𝜙2 𝜌0 , dengan 𝜌0 = 1 dan 𝜌1 = 1−𝜙1
2

𝜙1
𝜌2 = 𝜙1 + 𝜙2
1 − 𝜙2

𝜙2 1 − 𝜙2 +𝜙1 2
𝜌2 =
1 − 𝜙2 29
Ilustrasi plot korelasi diri pada model-model AR(2)

Proses
Regresi Diri
Ordo Kedua
AR(2)

30
Model AR(p)

𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + ⋯ + 𝜙𝑝 𝑌𝑡−𝑝 + 𝑒𝑡

Model MA(q)

𝑌𝑡 = 𝑒𝑡 − 𝜃1 𝑒𝑡−1 − 𝜃2 𝑒𝑡−2 − ⋯ − 𝜃𝑞 𝑒𝑡−𝑞


Model
Campuran
ARMA(p,q)
Model Campuran ??

31
Model AR(p)

𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + ⋯ + 𝜙𝑝 𝑌𝑡−𝑝 + 𝑒𝑡

Model MA(q)

𝑌𝑡 = 𝑒𝑡 − 𝜃1 𝑒𝑡−1 − 𝜃2 𝑒𝑡−2 − ⋯ − 𝜃𝑞 𝑒𝑡−𝑞


Model
Campuran
ARMA(p,q)
Model ARMA(p,q)

𝑌𝑡 = 𝜙1 𝑌𝑡−1 + ⋯ + 𝜙𝑝 𝑌𝑡−𝑝 + 𝑒𝑡 − 𝜃1 𝑒𝑡−1 − ⋯ − 𝜃𝑞 𝑒𝑡−𝑞

32
Model: 𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡 − 𝜃𝑒𝑡−1

Perhitungan peragam:

Model 𝑐𝑜𝑣 𝑒𝑡 , 𝑌𝑡 = 𝑐𝑜𝑣(𝑒𝑡 ,𝜙𝑌𝑡−1 + 𝑒𝑡 − 𝜃𝑒𝑡−1 )= 𝜎𝑒2

Campuran
𝑐𝑜𝑣 𝑒𝑡 , 𝑌𝑡−1 = 𝑐𝑜𝑣(𝑒𝑡 ,𝜙𝑌𝑡−2 + 𝑒𝑡 − 𝜃𝑒𝑡−1 )
ARMA(1,1) = 𝜙𝜎𝑒2 − 𝜃𝜎𝑒2
= 𝜙 − 𝜃 𝜎𝑒2

33
Model: 𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡 − 𝜃𝑒𝑡−1

Fungsi autokorelasi:

Model
Campuran
ARMA(1,1)

34
 Buktikan bahwa fungsi autokorelasi bagi
ARMA (1,1) adalah :
Problem (3)

35
Can a moving average model
Invertabilitas be reexpressed as an
autoregression?

36
Invertabilitas

37
1. Cryer, J.D. and Chan, K.S. 2008.
Time Series Analysis with
Referensi Application in R. Springer.
2. Pustaka lain yang relevan.

38