DIKTAT KULIAH

PENGANTAR ANALISA RUNTUN WAKTU

Dr.rer.nat. Dedi Rosadi, M.Sc.Eng.Math.

Email: dedirosadi@ugm.ac.id
http://dedirosadi.staff.ugm.ac.id

Program Studi Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Gadjah Mada

Yogyakarta, 18.06.2006
Contents

Kata Pengantar v

1 Pendahuluan 1
1.1 Jenis data menurut waktu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Klasifikasi model runtun waktu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2 Konsep-konsep dasar 5
2.1 Proses Stokastik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Stasioner (Strictly) dan (Wide-Sense) Stasioner . . . . . . . . . . . . . . . . . . . . 6
2.3 Hubungan antara stricly stasioner dan W − S stasioner . . . . . . . . . . . . . . . 7

3 Model Runtun Waktu Stasioner 9

3.1 Proses White Noise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Proses MA(1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3 Proses MA(q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4 Proses AR(1) (skema Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.5 Proses MA(∞) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.6 Proses AR(p) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.7 Proses ARMA(p, q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.8 Kausalitas dan Invertibilitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.8.1 Kausalitas dari proses ARMA (p, q) . . . . . . . . . . . . . . . . . . . . . . 15
3.8.2 Invertibilitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.8.3 Menentukan koefisien-koefisien dari penyelesaian Kausal . . . . . . . . . . . 19
3.9 Fungsi Autokovariansi Proses Linear Stasioner . . . . . . . . . . . . . . . . . . . . 21
3.10 Fungsi Autokorelasi Parsial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.11 Menentukan Fungsi kovariansi proses ARMA-kausal . . . . . . . . . . . . . . . . . 26
3.12 Hubungan antara AR(p) dan MA(q) . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.13 Algoritma Durbin Levinson untuk PACF . . . . . . . . . . . . . . . . . . . . . . . 32

4 Peramalan dengan model ARMA 33

i
ii CONTENTS

5 Estimasi Fungsi Mean dan Autokorelasi 37

5.1 Estimasi Mean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.1.1 Mean Ergodic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2 Estimator untuk γ(·) dan ρ(.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2.1 Sampel Autokovariansi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2.2 Sampel ACF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.2.3 Sampel PACF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

6 Estimasi Model ARMA 45

6.1 Estimasi model Autoregresive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.1.1 Estimasi model Autoregresive dengan metode Yule Walker . . . . . . . . . 45
6.1.2 Sifat-sifat Estimator Y-W . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1.3 Estimasi dengan metode Least Square . . . . . . . . . . . . . . . . . . . . . 47
6.1.4 Estimasi dengan Metode Maksimum Likelihood . . . . . . . . . . . . . . . . 49
6.2 Estimasi Proses Moving Average . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.2.1 Substitusi estimator fungsi kovariansi . . . . . . . . . . . . . . . . . . . . . 50
6.2.2 Estimator Nonlinear Least square . . . . . . . . . . . . . . . . . . . . . . . . 51
6.2.3 Estimator Maksimum Likelihood . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3 Estimasi Parameter model ARMA . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3.2 Estimator Least Square . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3.3 Estimator Maksimum Likelihood . . . . . . . . . . . . . . . . . . . . . . . . 53
6.3.4 Metode Kesalahan Prediksi (Prediction Error Method) . . . . . . . . . . . . 54

7 Model Trend dan Musiman 57

7.1 Model nonstasioner dalam mean . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
7.1.1 Model Trend Deterministik . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
7.1.2 Model ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.2 Model Non Stasioner dalam variansi dan autokovariansi . . . . . . . . . . . . . . . 58
7.3 Model Musiman (Seasonal Mode) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

8 Model Heteroskedastik 63
8.1 Asset Return . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
8.1.1 Definisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
8.1.2 Sifat tipikal return . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
8.1.3 Volatility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8.2 Model ARCH/GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2.1 Struktur dari model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2.2 Model untuk mean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2.3 Model untuk volatilitas: ARCH . . . . . . . . . . . . . . . . . . . . . . . . . 67
CONTENTS iii

8.2.4 Model untuk Volatilitas: GARCH . . . . . . . . . . . . . . . . . . . . . . . . 69

8.2.5 Pengujian Adanya Efek ARCH/GARCH . . . . . . . . . . . . . . . . . . . 69
iv CONTENTS
Kata Pengantar

Assalamualaikum Wr. Wb.,

Alhamdulillah, Puji dan syukur kami panjatkan ke hadirat Allah SWT, yang telah melimpahkan
rahmat dan karunianya sehingga penulis dapat menyusun handout kuliah Analisa Runtun Waktu
ini.
Handout perkuliahan ini merupakan printout dari materi perkuliahan yang diberikan dikelas.
Versi online dari handout ini dapat diakses di alamat http://dedirosadi.staff.ugm.ac.id/, di
mana di alamat web ini terdapat pula berbagai informasi tambahan berkaitan dengan perkuliahan
analisa runtun waktu, seperti data-data dan keterangan-keterangan penting lainnya.
Penyusun mengucapkan terimakasih kepada PHK A3 Jurusan Matematika yang telah memberi
dana bagi penyusunan handout ini melalui hibah pengajaran. Terimakasih pula kepada berbagai
pihak yang telah membantu baik langsung maupun tidak langsung untuk penyusunan handout
ini.
Besar harapan kami agar handout ini dapat bermanfaat bagi penggunanya. Saran dan kritik
membangun sangat diharapkan untuk perbaikan perkuliahan ini, dan dapat dikirikan ke alamat
email penyusun dialamat dedirosadi@staff.ugm.ac.id

Wassalamualaikum Wr. Wb.

Yogyakarta, Juli 2006

Penyusun

Dr. Dedi Rosadi, S.Si., M.Sc.

v
Chapter 1

Pendahuluan

1.1 Jenis data menurut waktu

Untuk dapat memahami pemodelan runtun waktu, perlu diketahui beberapa jenis data menurut
waktu, yang dapat dibedakan sebagai berikut:

• Cross-section data, yakni jenis data yang dikumpulkan untuk/pada sejumlah individu/kategori
untuk sejumlah variabel pada suatu titik waktu tertentu.
Model yang digunakan untuk memodelkan data tipe ini seperti model regresi (cross-section)

• Time Series (Runtun waktu) data yakni jenis data yang dikumpulkan menurut urutan waktu
dalam suatu rentang waktu tertentu. Jika waktu dipandang bersifat diskrit (waktu dapat
dimodelkan bersifat kontinu), frekuensi pengumpulan selalu sama (equidistant). Dalam
kasus diskrit, frekuensi dapat berupa misalnya detik, menit, jam, hari, minggu, bulan atau
tahun. Model yang digunakan adalah model-model time series, yang menjadi fokus dari
perkuliahan ini.

• Panel/Pooled data, yakni tipe data yang dikumpulkan menurut urutan waktu dalam suatu
rentang waktu tertentu pada sejumlah individu/kategori. Model yang digunakan untuk pe-
modelan data tipe ini seperti model data panel, model runtun waktu multivariat. Secara
ekuivalen, dikenal juga tipe data Longitudinal, dengan frekuensi data tidak harus equidis-
tant, namun analisa fokusnya berbeda dengan model panel.

Contoh 1.1.1. Contoh data panel : Misalkan dimiliki data produksi gula bulanan dari 10
pabrik gula di Indonesia dalam 12 bulan terakhir

PG1 PG2 PG3 ... PG10

Januari
Februari .
..
.
Desember

1.2 Klasifikasi model runtun waktu

Salah satu pengelompokan model-model runtun waktu dapat diberikan sebagai berikut:

1
2 CHAPTER 1. PENDAHULUAN

1. Model stasioner, yakni suatu model yang sedemikian hingga semua sifat statistiknya tidak
berubah dengan pergeseran waktu (yakni bersifat time invariant). Dalam aplikasi, sifat
statistik yang sering menjadi perhatian adalah rata-rata (expected value),variansi (variance)
serta ukuran keeratan (dependence) yakni fungsi kovariansi (covariance function), yang mana
suatu model yang memenuhi sifat ini disebut sebagai proses weakly-stasioner. Pada model
stasioner, sifat-sifat statistiknya dimasa yang akan datang dapat diramalkan berdasarkan
data historis yang telah terjadi dimasa yang lalu. Beberapa model runtun waktu stasioner
(khususnya sering disebut model linear dan homoskedastik) yang akan dibahas pada ku-
liah ini adalah model i.i.d., white noise, moving average, Autoregressive Moving average
(ARMA), dan model ARMA dengan variabel eksogen/prediktor (yakni model ARMAX).

2. Model non-stasioner, yakni model yang tidak memenuhi sifat model stasioner diatas

Dalam kuliah ini, akan dibahas beberapa model non stasioner, yakni model trend, model Autore-
gressive Integrated Moving Average (ARIMA), Seasonal ARIMA (SARIMA), Model ARIMAX,
model heteroskedastik ARCH/GARCH. Ada sangat banyak model lain yang dikenal didalam lit-
eratur, sebagai contoh model siklus, model dengan long memory Fractional ARIMA, dan model-
model lain, baik model linear maupun non linear.
Klasifikasi lain dari model runtun waktu dapat diberikan sebagai berikut:

• Model univariat : hanya mengamati satu variabel/individu runtun waktu

• Model multivariate (multivariabel): lebih dari satu variabel/individu runtun waktu

Contoh model multivariat yang relatif populer:

– model Vector Autoregressive (VAR)

– model State-Space
– model Space-Time, banyak digunakan untuk pemodelan data-data geografi, data-data
fisika/geofisika. Dalam pemodelan data tipe ini, dapat juga digunakan pendekatan
VAR
– model multivariate Arch/GARCH, dan lain-lain

Klasifikasi lain dalam pengelompokan model runtun waktu dapat digambarkan dengan tabel
berikut:
Linear dengan error Gaussian, non-linear dengan error Gaussian
misal: ARMA, ARIMA, ARIMAX + normal misal: Threshold AR, STAR, SETAR + normal
Linear dengan error non-Gaussian, non-linear dengan error non-Gaussian
misal: ARMA + student t, ARMA+stable misal: TAR, STAR, SETAR+non normal

Fokus perkuliahan ini adalah analisa model runtun waktu pada domain waktu dimana

• Waktu bersifat diskrit

• Model Univariate

• Model Linear dengan error normal

• Model stasioner dan beberapa model non stasioner

Analisa time series dapat dilakukan dalam domain frekuensi, yang dikenal sebagai spectral analysis.
Analisa tipe ini banyak digunakan pada aplikasi di bidang teknik.
Buku Acuan Utama :
1.2. KLASIFIKASI MODEL RUNTUN WAKTU 3

1. Wei, W.S, 1994, Time Series Analysis: Univariate and Multivariate Methods, Addison Wes-
ley.
2. Enders, W., Applied Econometrics Times Series, 2nd Eds., Wiley.
3. Brockwell, P.J. dan Davis, R.A., Introduction to Time Series and Forecasting, 1996.
4. Brockwell, P.J. dan Davis, R.A., 1991, Time Series: Theory and methods, Springer Verlag.

Buku penunjang, diantaranya

1. Hamilton, Time Series Analysis, Princeton.

2. Gouri éroux, C., 1997, ARCH Models and Financial Application, Springer.

Diktat Kuliah

1. Rosadi, D., 2005. Pengantar Analisa Data Runtun Waktu dengan EViews 4, Lab Komputasi
Matematika Statistika, FMIPA UGM
2. Rosadi, D., 2006, Pengantar Analisa Data Runtun Waktu, Program Studi Statistika FMIPA
UGM.

Selain itu akan digunakan sejumlah literature online di Internet, yang akan diinformasikan selama
kuliah berlangsung
4 CHAPTER 1. PENDAHULUAN