Analisis Deret Waktu Statdas 30.04.121 PDF
Analisis Deret Waktu Statdas 30.04.121 PDF
Analisis Deret Waktu Statdas 30.04.121 PDF
Apabila
p nilai curah hujan
j saat ini dianggap
gg p dipengaruhi
p g oleh rata-
rata curah hujan kemarin dst, maka data rata-rata curah hujan di atas
dapat dikategorikan sebagai suatu deret waktu (time series).
2
Plot Data
berdasarkan waktu
Rata-rata curah hujan bulanan 2001 - 2004 di Stasiun Padaherang
600
500
400
urah hujan
300
nilai cu
200
100
0
0 5 10 15 20 25 30 35 40 45
waktu (bulan ke-)
3 @ UM
Proses Stokastik
Proses stokastik adalah barisan peubah acak {Yt , t T }
2000
8
7
Miliar pounds
1500
Persen
6
000
5
10
M
4
500
3
Kuartal Tahun
118
0000 40000 6000
116
114
112
20
110
1850 1860 1870 1880 1890 1900 0 100 200 300 400 500
6
Tahun Menit
Manfaat dan Tujuan TS
Memodelkan
d lk ddata TS sehingga
h ddapat ddilihat
l h perilaku
l k ddata
lebih lanjut
Melakukan prediksi ke depan atau prakiraan jangka pendek
(short-time forecasting)
7
Beberapa Konsep Dasar dalam TS
K t i
Kestasioneran
8
Beberapa Konsep Dasar dalam TS
ACF fungsi
ACF, f i autokorelasi
t k l i
ACF (fungsi autokorelasi) : fungsi antara
lag k dan k dengan, k = corr (Yt ,Yt –k).
ACF sampel:
n
(Y Y )(Y
t t k Y )
rk t k 1 n
t
(Y
t 1
Y ) 2
1.0 Coefficient
Upper Confidence Limit
Lower Confidence
Limit
ber of blowfly
0.5
6000
ACF
0.0
numb
4000
-0.5
-1.0
2000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Number
number of blowfly
1 3 5 7 9 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5 6 6 6 6 6 7 7 7 7 7 8
1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1
Graphs
p 0.5
Time Series
Partial ACF
0.0
Autocorrelations...
pilih variabel yang akan -0.5
dihit
dihitung ACF dan
d PACF-nya
PACF -1.0
OK 1 2 3 4 5 6 7 8
Lag Number
9 10 11 12 13 14 15 16
11
Model-model Time Series
Untuk TS Stasioner
1. Autoregresi (AR) : “regresi terhadap TS yg lalu & galat
sekarang
sekarang”
AR(1): Yt = +1Yt-1 +et , di mana 1<1<1
AR(2): Yt = +1Yt-1 + 2Yt-2 + et ,
di mana 1<2<1, 2+1<1, 2-1<1
AR(p): Yt = +1Yt-1 + 2Yt-2 + … + pYt-p + et
13
Model-model Time Series
Untuk TS tidak Stasioner
Misal TS {Yt } tidak stasioner.
Buat TS baru yg stasioner, sebut {Zt } dengan cara
diferensi, yaitu Zt = Yt – Yt-1, untuk setiap t.
Maka
“ARMA(p,q) untuk {Zt} disebut ARIMA (p,1,q)
untuk {Zt }”
14
Metode Box Jenkins
Tahap awal:
Pemeriksaan kestasioneran:
- Plot TS
- Jika stasioner, lanjutkan ke “tiga tahap iteratif”.
Jik tidak
Jika tid k lakukan
l k k transformasi
t f i atau
t diferensi
dif i
Tiga tahap iteratif :
1 Identifikasi
1.
2. Penaksiran parameter
3. Uji diagnostik (pemeriksaan asumsi sisa)
15
Identifikasi
Model ACF PACF
AR(p) Menurun secara Cut off setelah lag p
eksponensial atau
membentuk gelombang sinus
teredam
MA(q) Cut off setelah lag q Menurun secara
eksponensial atau
membentuk gelombang sinus
teredam
17
Uji Diagnosis
Ingat asumsi galat: et ~ N (0,2) dan tidak berkorelasi
P
Pengujian
ji asumsi:
i
Cara 1:
Plot sisaan
berfluktuasi di sekitar 0 E[et ] = 0
nilai sisaan di sekitar 1,96ˆ Var(et) = 2
2
k 1 n k
Jika Q * > 2, dengan = h – m dan m = # parameter,
parameter maka H0
ditolak
18
Contoh
Hasil produksi bulanan perkebunan teh di lokasi PAL tahun
1992-2009 (T = 216)
250000 100000
200000
produksi teh
produksi teh
50000
150000
0
100000
0 50 100 150 200
50000 -50000
0 -100000
0 50 100 150 200 bulan ke-
bulan ke-
19
Contoh
Sari Numerik Data
Data perkebunan teh PAL Data perkebunan teh PAL (diff 1 kali)
Data perkebunan teh PAL (diff 1 kali)
20
Contoh
Identifikasi
21
Contoh
Penaksiran dan Uji Diagnostik
AR (1)
24