Dr.

Kusman Sadik
Dept. Statistika IPB, 2015

Model Musiman (Seasonal Model)

Model musiman merupakan salah satu bentuk model untuk data

deret waktu yang memiliki pola siklik.

250

200

150
Zt

100

50

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

Bulan

s = periode musim.
Curah hujan di Indonesia  s = ......?

Model ARMA Musiman

(Seasonal ARMA / SARMA )

Parameter AR musiman : 
Parameter MA musiman : 
Penulisan : AR(P)s, MA(Q)s, ARMA(P, Q)s

Contoh:
MA Reguler : MA(1)  Yt = et - θet-1

MA Musiman (s = 12) : MA(1)12  Yt = et - et-12

MA(2)12  Yt = et - 1et-12 - 2et-24

1
 Dr. Kusman Sadik
Dept. Statistika IPB, 2015

ACF untuk MA(1)12

0 : Cov(Yt, Yt) = Cov(et - et-12, et - et-12) = (1 + 2)e2
1 : Cov(Yt, Yt-1) = Cov(et - et-12, et-1 - et-13) = 0
2 = 3 = ... = 11 = 0
12 : Cov(Yt, Yt-12) = Cov(et - et-12, et-12 - et-24) = - e2
13 = 14 = ... = 0
k
k 
0

 
 1   2 ; k  12
k  
 0 ; k selainnya

Jadi ACF untuk MA(1)12 nilainya berbeda dengan nol hanya
untuk lag ke-12, selainnya 0.
Bagaimana ACF untuk MA(2)12 dan MA(2)4 ?

MA(Q)s  Yt = et - 1et-s - 2et-2s - ... - Qet-Qs

ACF untuk MA(Q)s nilainya akan berbeda dengan nol hanya
pada lag ke : s, 2s, 3s, ..., Qs.

AR(P)s  Yt = 1Yt-s + 2Yt-2s + ... + PYt-Ps + et

ACF : berpola eksponensial pada lag ke : s, 2s, 3s, ...
PACF : nilainya akan berbeda dengan nol hanya pada lag ke : s,
2s, 3s, ..., Ps.

Misal : AR(1)4  Yt = Yt-4 + et

Untuk model AR(1)4 ini
 ACF-nya akan berpola eksponensial pada lag ke-4, 8, 12, ....,
 PACF-nya berbeda dengan nol hanya pada lag ke-4 dan
selainnya adalah nol.

2
 Dr. Kusman Sadik
Dept. Statistika IPB, 2015

Model ARMA Musiman Multiplikatif

Model multiplikatif artinya bahwa model ARMA non-musiman

dan ARMA musiman terjadi secara multiplikatif.

Backshift operator (B)  B2(Yt) = Yt-2; Bn(Yt) = Yt-n

MA(2)  Yt = et - 1et-1 - 2et-2

= et - 1B(et) - 2B2(et)
= (1 - 1B - 2B2)et
= 2(B)et

MA(q)  Yt = q(B)et

AR(2)  Yt = 1Yt-1 + 2Yt-2 + et

Yt - 1Yt-1 - 2Yt-2 = et
(1 - 1B - 2B2)Yt = et
2(B)Yt = et

AR(p)  p(B)Yt = et

ARMA(p, q)  p(B)Yt = q(B)et

ARMA(P, Q)s  P(Bs)Yt = Q(Bs)et

3
 Dr. Kusman Sadik
Dept. Statistika IPB, 2015

Multiplikatif ARMA
ARMA(p, q)(P, Q)s  p(B)P(Bs)Yt = q(B)Q(Bs)et

Misal :
ARMA(0, 1)(0, 1)12  0(B)0(B12)Yt = 1(B)1(B12)et
Yt = (1 - B)(1 - B12)et
= (1 - B - B12 + B13)et
= et - et-1 - et-12 + et-13

ACF dari model ini dapat ditentukan sebagaimana metode yang

telah dibahas sebelumnya pada model ARMA non-musiman.
Hasilnya adalah sebagai berikut (cek dan jabarkan kembali!) :

0 = (1 + 2)(1 + 2)e2
  
1   ; 11  13  ; 12  
1 2 (1   )(1   )
2 2
1  2
Nilai ACF () selainnya adalah nol.

4
 Dr. Kusman Sadik
Dept. Statistika IPB, 2015

Model ARIMA Musiman Tidak Stasioner

Ketidakstasioneran ARIMA musiman dapat diidentifikasi dari
ACF-nya. Plot ACF-nya menurun secara lambat pada lag ke : s,
2s, 3s, ....

1.0

0.8

0.6

0.4

0.2

0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Sample of ACF

Apa yang bisa disimpulkan dari plot ACF ini?

Penstasioneran Melalui Differencing

Misalkan dinotasikan : d = (1 – B)d

ARIMA Reguler
d=1  1Yt = (1 – B)Yt = Yt – Yt-1
d=2  2Yt = (1 – B)2Yt = Yt – 2Yt-1 + Yt-2

ARIMA Musiman
D=1, s=12  sD = (1 – Bs)D
112 Z t = (1 – B12)1Yt = Yt – Yt-12

12
2
Z t = (1 – B12)2Yt = Yt – 2Yt-12 + Yt-24

Model Lengkap
ARIMA(p, d, q)(P, D, Q)s
 p(B)P(Bs)dsD Yt = q(B)Q(Bs)et

5
 Dr. Kusman Sadik
Dept. Statistika IPB, 2015

Pemodelan untuk ARIMA musiman sama dengan tahapan

pemodelan pada ARIMA reguler (Box-Jenkins), yaitu :
 identifikasi model
 pendugaan parameter
 diagnostik model

Latihan :
Jabarkan model ARIMA(0, 1, 1)(1, 1, 0)6

6
 Dr. Kusman Sadik
Dept. Statistika IPB, 2015

Seasonal Model
ARIMA model for Yt

Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 -0.3768 0.1032 -3.65 0.000
SAR 6 0.2149 0.2109 1.02 0.311
SMA 6 1.4309 0.1695 8.44 0.000
SMA 12 -0.7483 0.1458 -5.13 0.000
Constant 0.0025 0.1055 0.02 0.981

Differencing: 1 regular, 1 seasonal of order 6

Number of observations: Original series 100, after
differencing 93
Residuals: SS = 977.269 (backforecasts
excluded)
MS = 11.105 DF = 88

Berdasarkan hasil di atas berarti modelnya :

ARIMA(1, 1, 0)x(1, 1, 2)6

--------------------------------------------------

SAS
proc arima data=mobil;
identify var=y(1,1,12) nlag=15;
run;
estimate p=(1) q=(1,2)(12) ;
run;
forecast out=ramalan lead=24 id=t;
run;

Data Penjulan Mobil Merk ABC

The ARIMA Procedure

Name of Variable = y

Period(s) of Differencing 1,1,12

Mean of Working Series -0.04615
Standard Deviation 19.99495
Number of Observations 130
Observation(s) eliminated by differencing 14

The ARIMA Procedure

Conditional Least Squares Estimation

Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag

MU -0.03960 0.02876 -1.38 0.0710 0

MA1,1 0.88669 0.32801 2.70 0.0078 1
MA1,2 0.09136 0.32797 0.28 0.0410 2
MA2,1 0.07988 0.10890 0.73 0.0346 12
AR1,1 -0.36827 0.30914 -1.19 0.0158 1

Constant Estimate -0.05418

Variance Estimate 148.7513
Std Error Estimate 12.19636
AIC 1024.121
SBC 1038.459
Number of Residuals 130

7
 Dr. Kusman Sadik
Dept. Statistika IPB, 2015

y
800

700

600

500

400

300

200

JAN00 JAN01 JAN02 JAN03 JAN04 JAN05 JAN06 JAN07

date