LOGO Universitas

Muhammadiyah
Ponorogo

TIME SERIES

• Mashuri, M.Sc
• mashuri_07@yahoo.com
 Materi Kuliah

Pendahuluan
Konsep-konsep dasar runtun waktu
Stasioner (strictly) dan stasioner
(Wide-Sense) stasioner

www.themegallery.com
 Buku Pegangan

 Brockwell, P.J dan Davis, R.A, 1991, Time

Series : Theory and methods, Springer
Verlag
 Shumway, R.H, Stoffer D.S, 2006, Time
Series Analysis and Its Applications,
Springer

www.themegallery.com
Kontrak Belajar

No Uraian Prosentase
1 Ujian Akhir Semester 40%
2 Ujian Tengah Semester 30%
3 Tugas Mandiri 30%
4 Presensi +

www.themegallery.com
 PENDAHULUAN
Jenis Data Menurut Waktu
1. Data Cross-Section, yakni jenis data yang dikumpulkan
untuk/pada sejumlah individu/kategori untuk sejumlah variabel
pada suatu titik waktu tertentu
2. Data Time Series (Runtun Waktu), yakni jenis data yang
dikumpulkan menurut urutan waktu dalam suatu rentang
waktu tertentu. Jika waktu dimodelkan bersifat diskrit (waktu
bersifat kontinu) frekuensi pengumpulan selalu pada jarak
waktu yang sama (equidistant). Dalam kasus diskrit, frekuensi
dapat berupa detik, menit, jam, hari, minggu, bulan, tahun dll.
3. Data Panel/Pooled, yakni tipe data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu
pada sejumlah individu/kategori.

www.themegallery.com
 Konsep-konsep Dasar
 Probability density function (pdf)/ Fungsi Probabilitas
memenuhi sifat :
1. f ( x) ≥ 0
2. ∑ f ( x) = 1
 Cumulative Distribution Function (CDF)
F ( x)= P( X ≤ x)= ∑ f (t )
t≤x
 Fungsi Mean
∞
m=
x (t ) E=
( xt ) ∫x
−∞
t f ( x) dx
Menyatakan nilai rata-rata dari proses pada keseluruhan
waktu.

www.themegallery.com
 Konsep-konsep Dasar
 Fungsi Variansi

E ( X t − m (t ))
2
γ x (t , t ) =
cov( X t , X t ) = ; t ∈T
 Fungsi Kovariansi

γ x (t , s ) = E {( X t − m ( t ) ) ( X s − m ( s ) )} ; t , s ∈ T
cov( X t , X s ) =
 Fungsi Korelasi

γ (t , s)
ρ (t , s) =
γ (t , t ).γ ( s, s)

www.themegallery.com
 Konsep-konsep Dasar
 SIFAT-SIFAT FUNGSI KOVARIANSI DAN KORELASI

1. Simetri
γ (t , s ) = γ ( s, t )
ρ (t=
, s ) ρ ( s, t ); ∀ t , s ∈ T
2. Positivity
γ (t , t ) ≥ 0
ρ (t= , t) 1 ; ∀ t, s ∈ T
3. Ketidaksamaan Schwarz
γ (t , s ) ≤ γ (t , t ). γ ( s, s)
ρ (t , s ) ≤ 1 ; ∀ t, s ∈ T
www.themegallery.com
 Konsep-konsep Dasar
 Kejadian yang saling Independen / saling bebas

Dua kejadian dikatakan saling bebas jika

f ( s, t ) = f ( s ). f (t )
Akibat-akibat dari kejadian saling bebas
1. E ( st ) = E ( s ).E (t )

2. γ ( s, t ) = 0

3. ρ ( s, t ) = 0

www.themegallery.com
 Model Stasioner
{ }
 Proses Runtun Waktu X t , t ∈ T dengan T = Z = {0, ±1, ±2,...}
disebut proses Wide-Sense stasioner jika :

(
(i ) E X t
2
)<∞
( ii ) E ( X t ) Konstanta, independen dengan t , ∀t ∈ Z
( iii ) γ (t , s) = γ (t + h, s + h), ∀t , s, h ∈ Z ,independen terhadap t

www.themegallery.com
 Model Stasioner
 Jika { X t } stasioner, maka γ ( t ,=
s ) γ ( t − s, 0 ) yakni fungsi
kovariansi hanya bergantung kepada jarak waktu ( t − s ) ,
tetapi tidak bergantung kepada t dan/atau s secara sendiri-
sendiri. Fungsi kovariansi untuk proses stasioner dapat
didefinisikan ulang sebagai

γ ( h ) γ=
= (h, 0) cov ( X t + h , X t ) untuk h = t − s
disebut sebagai kovariansi pada lag-h
Karena { X t } dan { X s } adalah data yang sama maka disebut
juga autokovariansi pada lag-h
 Secara ekuivalen fungsi korelasi dari proses { X t }stasioner
pada lag-h didefinisikan sebagai
γ ( h)
(h)
ρ= = cor ( X t + h , X t )
γ (0)

www.themegallery.com
LOGO