BAB I

PENDAHULUAN

A. Latar Belakang

Analisis time series merupakan salah satu metode yang digunakan dalam pengolahan

data. Hasil dari pengolahan data menggunakan analisis time series adalah suatu model time

series yang dapat digunakan untuk meramalkan nilai data time series pada masa depan yang

dapat digunakan sebagai acuan dalam pengambilan keputusan.

Pada tahun 1970, Box & Jenkins memperkenalkan model runtun waktu yang biasa

digunakan untuk memodelkan runtun waktu yaitu Autoregressive Moving Average (ARMA

(p,q)), dimana p dan q berturut-turut adala orde dari Autoregressive dan Moving Average.

Suatu proses runtun waktu agar dapat dimodelkan dengan model ARMA, harus memenuhi

sifat stasioner, yaitu fungsi mean dan variansinya konstan terhadap waktu, dan fungsi

autokovariansi antara dua observasi pada dua titik waktu yang berbeda hanya bergantung

pada selisih antara dua titik waktu tersebut. Salah satu bentuk khusus dari model ARMA

adalah autoregressive yang merupakan model ARMA dengan bagian moving avarage berorde

0.

Dalam suatu model autoregressive perlu dilakukan penaksiran parameter yang

terdapat dalam model autoregressive tersebut. Salah satu metode yang dapat digunakan untuk

mengestimasi parameter dalam model autoregressive adalah metode Marginal Likelihood.

Untuk memperoleh fungsi marginal likelihood dalam proses autoregressive, maka proses

autoregressive dapat dinyatakan sebagai struktural model (Fraser, 1968).

1
 Berbeda dengan fungsi likelihood, fungsi marginal likelihood tidak lagi mengandung

parameter populasi yang pada umumnya tidak diketahui. Untuk membangun fungsi marginal

likelihood, diperlukan ancillary statistic yang distribusinya tidak bergantung pada parameter

populasi. Untuk memudahkan para peneliti yang berhadapan dengan data yang bersifat Time

Series stasioner, maka penjelasan mengenai model ARMA(p,q) sangat diperlukan. Oleh

karena itu, maka dari itu disusunlah makalah mengenai Model ARMA(1,1).

B. Rumusan Masalah
Adapun rumusan masalah dalam makalah ini adalah sebagai berikut:
1. Bagaimana sifat dan nilai FAK dan FAKP dari ARMA(1,1)?
2. Bagaimana cara menaksir parameter ARMA(1,1)?
C. Tujuan
Adapun tujuan dari makalah ini adalah sebagai berikut:
1. Untuk mengetahui sifat dan nilai FAK dan FAKP dari ARMA(1,1)
2. Untuk mengetahui cara menaksir parameter ARMA(1,1)?

2
 BAB II

PEMBAHASAN

A. Definisi ARIMA

Model arima merupakan salah satu teknik peramalan time series (deret waktu) yang

hanya berdasarkan perilaku data variabel yang diamati. Teknik Box-Jeenkins sebagaia teknik

peramalan berbeda dengan kebanyakan model peramalan yang ada. Model ARIMA sama

sekali mengabaikan variabel independen karena model ini menggunakan nilai sekarang dan

nilai-nilai lampau dari variabel dependen untuk menghasilkan peramalan jangka pendek

yang akurat. Secara harfiah, model ARIMA merupakan gabungan antara model AR

(Autoregressive) dan model MA (Moving Average).

Teknik analisis data dengan metode ARIMA dilakukan karena merupakan teknik

untuk mencari pola yang paling cocok dari sekelompok data (curve fitting), dengan demikian

ARIMA memanfaatkan sepenuhnya data masa lalu dan sekarang untuk melakukan peramalan

jangka pendek yang akurat (Sugiarto dan Harijono, 2000). ARIMA seringkali ditulis sebagai

ARIMA (p,d,q) yang memiliki arti bahwa p adalah orde koefisien autokorelasi, d adalah

orde/jumlah diferensial yang dilakukan (hanya digunakan apabila data bersifat non-stasioner)

dan q adalah orde dalam koefisien rata-rata bergerak (moving average).

Langkah-langkah pembentukan model ARIMA secara iteratif adalah sebagai berikut:

1. Identifikasi Model
2. Estimasi Parameter
3. Uji Signifikansi Parameter
4. Pemeriksaan Diagnostik
5. Peramalan
B. Model ARMA (p,q)

3
 ARMA merupakan penggabungan antara model AR dan MA (ARMA). Model ini

digunakan dalam analisis time series untuk menggambarkan time series stasioner. ARMA

juga merupakan time series yang dihasilkan dengan melewatkan white noise melalui rekursif

dan melalui sringan linear nonrecursive, berturut-turut. Nilai variabel dependen dipengaruhi

oleh kelambanan pertama dan kelambanan tingkat pertama residual maka modelnya disebut

dengan ARMA (1,1).

1. Proses campuran ARMA (p,q)

Suatu proses (Z t ) dikatakan mengikuti model campuran Autoregresif Moving

Average ARMA(p,q) jika memenuhi:

∅ p ( B ) Zt =θ q ( B ) at

dimana ∅ p ( B ) =( 1−θ 1 B−θ 2 B2−…−∅ p B p )

1−θ1 B−θ2 B 2−…−θq Bq

dan θq ( B )=¿

Agar proses invertible, akar-akar dari ∅ p ( B ) =0 terletak di luar lingkungan satuan.

Kemudian, supaya proses stasioner, akar-akar dari ∅ p ( B ) =0 terletak di luar lingkaran

satuan.

Proses ARMA yang stasioner dan invertible dapat ditulis dalam representasi

autoregressive seperti yang telah dibahas sebelumnya, yaitu:

π ( B ) Z t =a t

∅p (B )
dimana π ( B )= =( 1−π t B−π t B2−… ) .
θq ( B )
4
 Proses ini dapat juga ditulis sebagai representasi dari moving average, yaitu:

θq ( B )
Ź t =φ ( B )= = ( 1+φ1 B+ φ2 B 2+ … )
∅ p (B )

a. Fungsi autokorelasi proses ARMA(p,q)

Perhatikan kembali model campuran Autoregresive Moving Average ARMA (p,q)

yaitu:

∅ p ( B ) Źt =θ q ( B ) at

Yang dapat ditulis menjadi

1−∅1 B1 −∅ 2 B2−…−∅ p B p ¿ Ź t=(1−θ 1 B1−θ2 B 2−…−θq B q )a t

Ź t =∅ 1 Z t−1 +…+ ∅ p Z t− p +a t−θ 1 a t−1−θ2 at −2−…−θq a t−q

Apabila kedua ruas dikalikan dengan Ź t −k , dan kemudian dihitung nilai

harapan yang diperoleh:

γ k =∅1 γ k−1+ …+∅ p γ k− p + E ( Ź t −k at ) −θ1 ( Źt −k at −1 ) −…−θ p ( Źt −k at −q )

Karena E ( Ź t−k at −i) =0 untuk k> i ,

Maka fungsi autokovariansi dari proses ini dapat ditulis

γ k =∅1 γ k−1+ …+∅ p γ k− p , k ≥ ( q+1 )

Oleh karena itu, fungsi autokorelasi dapat ditukis dengan

ρk =∅ 1 ρk−1 +…+∅ p ρk −p , k ≥ ( q+1 ) .

5
 2. Proses Autoregresive Moving Average, ARMA(1,1)

Suatu proses (Z t ) dikatakan mengikui model Autoregresive Moving Average

ARMA (1,1) jika memenuhi:

( 1−∅1 B ) Ź t =( θ1 B ) a t
Ź t −∅ ´1 BZ t=at −θ1 at−1

Ź t =a t−θ 1 a t−1 +∅ 1 Ź t−1

Poses ini stasioner jika −1< ∅1 <1 dan invertible jika −1< ∅1 <1 .

3. FAK dan FAKP dari ARIMA(1,0,1) atau ARMA(1,1)

Bentuk teoritis dari FAK dan FAKP model autoregresif moving average (ARIMA)

orde 1 adalah:

{
( ∅ 1−θ1 ) ( 1−∅ 1 θ1 )
untuk k=1
ρk = 1+ θ12 2 ∅ 1 θ 1
∅ 1 ρ k−1 untuk k =2,3, …
Dan ∅ kk =¿ terapkan rumus Durbin (1960).

Berdasarkan analisis FAK dan FAKP tersebut dapat diperoleh karakteristik dari

model ARMA (1.1) sebagai berikut:

a. Nilai autokorelasi turun secara eksponensial menuju nol.

b. Autokorelasi parsial turun secara eksponensial menuju nol.

C. Model ARMA (1,1)

D. FAK ARMA (1,1)
E. FAKP ARMA (1,1)

6
F. Penaksiran Parameter

7
 BAB III
PENUTUP
A. Kesimpulan

1. FAK dan FAKP ARMA(1,1) secara umum dapt ditulikan sebagai berikut:

Untuk FAK bersifat Dies Down

{
1 , k=0
φ 1 θ1)
ρ ( 1 1)
−θ (1−φ
, k=1
(1+θ1−2 φ 1 θ1 )
φ 1 ρk−1 , k ≥2

Untuk FAKP bersifat Dies Down

2. Untuk menentukan taksiran parameter ARMA (1,1) dapat menggunakan

metode moment melalui persamaan FAK dan dengan memperhatikan
syarat kestasioneran serta invertibel proses ARMA(1,1) maka estimasi
parameter φ1 dapat ditentukn dan kemudian θ1 dapat ditentukn
dengan metode iteratif.

B. Saran

Kami Menyadari bahwa Makalah ini masih jauh dari kesempurnaan yang

semua itu hanyalah keterbatasan ilmu pengetahuan yang kami miliki, oleh karena

itu, kami sangat mengharapkan kritik/saran dari Bapak yang membimbing kami

dan teman-teman yang bersifat membangun demi kesempurnaan makalah ini.

Akhir kata kami ucapkan, semoga makalah ini dapat bermanfaat bagi penulis

khususnya dan pembaca umumnya.