ANALISIS RUNTUN WAKTU

Kelompok 2 :
Siti Ihza Arsella Kasim/H051171017
Paramitha Ar Rasis/H051171309
Zulfa Putri Azmawi/H051171305
Munadiah Apriliani/H051171507
Nur Alya Tussa’ada/H051171508
Zakarias Maukari/H051171701

PROGRAM STUDI STATISTIKA

DEPARTEMEN STATISTIKA FMIPA

UNIVERSITAS HASANUDDIN

MAKASSAR

2019
1. Suatu model AR mempunyai persamaan polinomial karakteristik AR ( 1 − 1,6𝑥 +
0,7𝑥 2 )(1 − 0,8𝑥12 ).
a. Apakah model tersebut termasuk model yang stasioner? Jelaskan!
b. Lakukan identifikasi untuk menentukan orde dari model ARIMA tersebut!
Jawab :
a. Diketahui persamaan polinomial karakteristik AR (1 − 1,6𝑥 + 0,7𝑥 2 )(1 − 0,8𝑥12 ) dapat
ditulis sebagai berikut:
(1 − 1,6𝑥 + 0,7𝑥 2 )(1 − 0,8𝑥12 ) = 𝑎𝑡
(1 − 𝜙1 𝐵 − 𝜙2 𝐵 2 )(1 − Φ1 𝐵12 )𝑍𝑡 = 𝑎𝑡

Diketahui 𝜙1 = 1,6, 𝜙2 = −0,7 dan Φ = 0,8. Dikatakan stasioner apabila parameternya

memenuhi syarat berikut:
𝜙1 + 𝜙2 < 1,
𝜙2 − 𝜙1 < 1,
|𝜙2 | < 1
|Φ1 | < 1

Sehingga diperoleh :

𝜙1 + 𝜙2 = 1,6 − 0,7 = 0,9 < 1

𝜙2 − 𝜙1 = −0,7 − 1,6 = −2,3 < 1
|𝜙2 | = |−0,7| = 0,7 < 1
|Φ1 | = 0,8 = 0,8 < 1
Berdasarkan penyelesain diatas, dapat dilihat bahwa semua memenuhi syarat
kestasioneran. Sehingga terbukti bahwa model polinomila karakteristik AR (1 − 1,6𝑥 +
0,7𝑥 2 )(1 − 0,8𝑥12 ) dikatakan stasioner.

b. Berikut model persamaan AR (1 − 1,6𝑥 + 0,7𝑥 2 )(1 − 0,8𝑥12 ) :

(1 − 𝜙1 𝐵 − 𝜙2 𝐵 2 )(1 − Φ𝐵12 )𝑍𝑡 = 𝑎𝑡

Dari model disimpulkan memiliki orde ARIMA (2,0,0)(1,0,0)12.

2. Perhatikan dua model berikut ini!

1. 𝑍𝑡 = 0,5𝑍𝑡−1 + 𝑍𝑡−4 − 0,5𝑍𝑡−5 + 𝑎𝑡 − 0,3𝑎𝑡−1
2. 𝑍𝑡 = 𝑍𝑡−1 + 𝑍𝑡−12 − 𝑍𝑡−13 + 𝑎𝑡 − 0,5𝑎𝑡−1 − 0,5𝑎𝑡−12 + 0,25𝑎𝑡−13
a. Identifikasi orde dari kedua model tersebut!
b. Rekonstruksi dugaan pola data sampai bentuk FAK dan FAKP akhir yang mengikuti
model tersebut!
Jawab:
a. Identifikasi model

1. 𝑍𝑡 = 0,5𝑍𝑡−1 + 𝑍𝑡−4 − 0,5𝑍𝑡−5 + 𝑎𝑡 − 0,3𝑎𝑡−1

𝑍𝑡 − 0,5𝑍𝑡−1 = 𝑍𝑡−4 − 0,5𝑍𝑡−5 + (1 − 0,3𝐵)𝑎𝑡
(1 − 𝐵 4 )(𝑍𝑡 − 0,5𝑍𝑡−1 ) = (1 − 0,3𝐵)𝑎𝑡
(1 − 𝐵 4 )(1 − 0,5𝐵)𝑍𝑡 = (1 − 0,3𝐵)𝑎𝑡
(1 − 𝐵 𝑠 )𝐷 (1 − 𝜙𝐵)𝑍𝑡 = (1 − 𝜃𝐵)𝑎𝑡
Sehingga ordenya adalah ARIMA(1,0,1)(0,1,0)4.

2. 𝑍𝑡 = 𝑍𝑡−1 + 𝑍𝑡−12 − 𝑍𝑡−13 + 𝑎𝑡 − 0,5𝑎𝑡−1 − 0,5𝑎𝑡−12 + 0,25𝑎𝑡−13

𝑍𝑡 − 𝑍𝑡−12 = 𝑍𝑡−1 − 𝑍𝑡−13 + 𝑎𝑡 − 0,5𝑎𝑡−12 − 0,5𝑎𝑡−1 + (0,5)(0,5)𝑎𝑡−13
(1 − 𝐵12 )(𝑍𝑡 − 𝑍𝑡−1 ) = (1 − 0,5𝐵12 )𝑎𝑡 − 0,5(𝑎𝑡−1 − 0,5𝑎𝑡−13 )
(1 − 𝐵12 )(1 − 𝐵)𝑍𝑡 = (1 − 0,5𝐵12 )𝑎𝑡 − 0,5(1 − 0,5𝐵12 )𝑎𝑡−1
(1 − 𝐵12 )(1 − 𝐵)𝑍𝑡 = (1 − 0,5𝐵12 )(𝑎𝑡 − 0,5𝑎𝑡−1 )
(1 − 𝐵12 )(1 − 𝐵)𝑍𝑡 = (1 − 0,5𝐵12 )(1 − 0,5𝐵)𝑎𝑡
(1 − 𝐵 𝑠 )𝐷 (1 − 𝐵)𝑑 𝑍𝑡 = (1 − Θ𝐵 𝑠 )(1 − 𝜃𝐵)𝑎𝑡
Sehingga ordenya adalah ARIMA(0,1,1)(0,1,1)12.

b. Rekonstruksi pola data

1. ARIMA(1,0,1)(0,1,0)4.
Diketahui nilai 𝜙 = 0,5 dan θ = 0,3. Setelah dilakukan differencing musiman, nilai
FAK dan FAKP akan mengikuti nilai-nilai FAK dan FAKP model ARIMA musiman
yang stasioner, sesuai dengan orde autoregressive dan orde moving average-nya,
yaitu ARIMA (𝑝, 0, 𝑞)(𝑃, 0, 𝑄)4.

Misalnya, dalam kasus (1) di atas ARIMA (1,0,1)(0,1,0)4 setelah differencing

musiman ( 𝐷 = 1 ), nilai FAK dan FAKP-nya seperti pada model
ARIMA (1,0,1)(0,0,0)4 . Adapun bentuk FAK pada model ARMA (1,1) adalah
sebagai berikut:

1; 𝑘 =0
(𝜙 + 𝜃)(1 + 𝜙𝜃)
𝜌𝑘 = ; 𝑘=1
1 + 2𝜙𝜃 + 𝜃 2
{ 𝜙 k−1 𝜌1 ; 𝑘 ≥ 2

2. ARIMA(0,1,1)(0,1,1)12.
Diketahui nilai 𝜃 = 0,5 dan Θ = 0,5. Setelah dilakukan differencing nonmusiman
dan differencing musiman, nilai FAK dan FAKP akan mengikuti nilai-nilai FAK dan
FAKP model ARIMA musiman yang stasioner, sesuai dengan orde autoregressive
dan orde moving average-nya, yaitu ARIMA (𝑝, 0, 𝑞)(𝑃, 0, 𝑄)12.

Misalnya, dalam kasus (2) di atas ARIMA (0,1,1)(0,1,1)12 setelah differencing

musiman (𝐷 = 1) setelah terlebih dahulu differencing nonmusiman (𝑑 = 1), nilai
FAK dan FAKP-nya seperti pada model ARIMA(0,0,1)(0,0,1)12 . Berikut model
ARIMA(0,0,1)(0,0,1)12:
𝑍𝑡 = (1 − Θ𝐵12 )(1 − 𝜃𝐵)𝑎𝑡
𝑍𝑡 = (1 − Θ𝐵12 )(𝑎𝑡 − 𝜃𝑎𝑡−1 )
𝑍𝑡 = 𝑎𝑡 − 𝜃𝑎𝑡−1 − Θ𝑎𝑡−12 + 𝜃Θ𝑎𝑡−13

Karena 𝑎𝑡 ~(0, 𝜎𝑎2 ), maka nilai 𝐸(𝑍𝑡 ) = 0. Selanjutnya untul nilai 𝑉𝑎𝑟(𝑍𝑡 ) diperoleh
berikut ini:
𝑉𝑎𝑟(𝑍𝑡 ) = 𝑉𝑎𝑟(𝑎𝑡 − 𝜃𝑎𝑡−1 − Θ𝑎𝑡−12 + 𝜃Θ𝑎𝑡−13 )
= 𝜎𝑎2 + 𝜃 2 𝜎𝑎2 + Θ2 𝜎𝑎2 + 𝜃 2 Θ2 𝜎𝑎2
= 𝜎𝑎2 (1 + 𝜃 2 + Θ2 + 𝜃 2 Θ2 )
𝛾0 = 𝜎𝑎2 (1 + 𝜃 2 )(1 + Θ2 )

Untuk nilai 𝐶𝑜𝑣(𝑍𝑡 , 𝑍𝑡−1 ) diperoleh dengan :

= 𝐶𝑜𝑣(𝑎𝑡 − 𝜃𝑎𝑡−1 − Θ𝑎𝑡−12 + 𝜃Θ𝑎𝑡−13 , 𝑎𝑡−1 − 𝜃𝑎𝑡−2 − Θ𝑎𝑡−13 + 𝜃Θ𝑎𝑡−14 )
= −𝜃𝜎𝑎2 − 𝜃Θ2 𝜎𝑎2 = −𝜃𝜎𝑎2 (1 + Θ2 )

Untuk 𝐶𝑜𝑣(𝑍𝑡 , 𝑍𝑡−2 ), diperoleh:

= 𝐶𝑜𝑣(𝑎𝑡 − 𝜃𝑎𝑡−1 − Θ𝑎𝑡−12 + 𝜃Θ𝑎𝑡−13 , 𝑎𝑡−2 − 𝜃𝑎𝑡−3 − Θ𝑎𝑡−14 + 𝜃Θ𝑎𝑡−15 ) = 0

Untuk 𝐶𝑜𝑣(𝑍𝑡 , 𝑍𝑡−11 ) diperoleh:

𝛾11 = 𝐶𝑜𝑣(𝑎𝑡 − 𝜃𝑎𝑡−1 − Θ𝑎𝑡−12 + 𝜃Θ𝑎𝑡−13 , 𝑎𝑡−11 − 𝜃𝑎𝑡−12 − Θ𝑎𝑡−23 + 𝜃Θ𝑎𝑡−24 )
= 𝜃Θ𝜎𝑎2

Untuk 𝐶𝑜𝑣(𝑍𝑡 , 𝑍𝑡−12 ) diperoleh:

𝛾12 = 𝐶𝑜𝑣(𝑎𝑡 − 𝜃𝑎𝑡−1 − Θ𝑎𝑡−12 + 𝜃Θ𝑎𝑡−13 , 𝑎𝑡−12 − 𝜃𝑎𝑡−13 − Θ𝑎𝑡−24 + 𝜃Θ𝑎𝑡−25 )
= −Θ𝜎𝑎2 − 𝜃 2 Θ𝜎𝑎2 = −Θ𝜎𝑎2 (1 + 𝜃 2 )

Untuk 𝐶𝑜𝑣(𝑍𝑡 , 𝑍𝑡−13 ) diperoleh:

𝛾13 = 𝐶𝑜𝑣(𝑎𝑡 − 𝜃𝑎𝑡−1 − Θ𝑎𝑡−12 + 𝜃Θ𝑎𝑡−13 , 𝑎𝑡−13 − 𝜃𝑎𝑡−14 − Θ𝑎𝑡−25 + 𝜃Θ𝑎𝑡−26 )
= 𝜃Θ𝜎𝑎2
 Sehingga, fungsi autokovariansi dari model ini adalah:

𝜎𝑎2 (1 + 𝜃 2 )(1 + Θ2 ) ; 𝑘=0

−𝜃𝜎𝑎2 (1 + Θ2 ) ; 𝑘=1
𝛾𝑘 = 𝜃Θ𝜎𝑎2 ; 𝑘 = 11,13
−Θ𝜎𝑎2 (1 + 𝜃 2 ) ; 𝑘 = 12
{ 0; 𝑢𝑛𝑡𝑢𝑘 𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Dengan demikian, autokorelasi dari model tersebut

1; 𝑘 = 0
−𝜃
; 𝑘=1
1 + 𝜃2
𝜃Θ
𝜌𝑘 = ; 𝑘 = 11,13
(1 + 𝜃 2 )(1 + Θ2 )
−Θ
; 𝑘 = 12
(1 + Θ2 )
{ 0 ; 𝑢𝑛𝑡𝑢𝑘 𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

3. Suatu perusahaan menghasilkan produk tertentu, tertarik untuk mengetahui gambaran jumlah
permintaan produksi dari bulan ke bulan, dan jumlah permintaan di bulan–bulan yang akan
datang. Kemudian bagian pemasaran mengumpulkan data jumlah permintaan produksi
selama ini. Data yang dikumpulkan kemudian dimodelkan dengan menggunakan pendekatan
ARIMA Box-Jenkins. Dari data asli dapat diketahui bahwa data belum stasioner baik dalam
rata-rata nonmusiman maupun dalam rata-rata musiman, sehingga langkah selanjutnya
adalah melakukan differencing. Hasil proses differencing 1 nonmusiman (d = 1) dan
differencing 1 musiman 12 (D = 12) memberikan gambaran nilai FAK dan FAKP seperti
pada gambar berikut ini.
Berdasarkan FAK dan FAKP itu jawablah pertanyaan berikut!
a. Apa dugaan model ARIMA yang sesuai untuk data produk tersebut? Jelaskan alasan
Anda!
b. Tulis bentuk umum model dugaan Anda dan jelaskan arti model itu!
Jawab:

a. Model yang cocok adalah ARIMA (0,1,1)(0,1,1)12.

Hal ini dikarenakan pada bagian ARIMA reguler (0,1,1), FAK cut off setelah lag 12.
Atau pada lag 12 bernilai signifikan berbeda dengan nol sedangkan FAKP menunjukkan
dies down, dan pada soal disebutkan bahwa mengalami proses differencing 1
nonmusiman (d = 1) , sehingga model regulernya adalah ARIMA(0,1,1).

Untuk bagian musiman, FAK cut off pada lag 12 ke 24, dan FAKP lag 12, 24, 36 dan
seterusnya serta menunjukkan pola dies down, dan pada soal disebutkan differencing 1
musiman 12 (D = 12) sehingga model musimannya adalah ARIMA(0,1,1)12.
b. Secara umum model ARIMA (0,1,1)(0,1,1)12 .
(1 − 𝐵)(1 − 𝐵12 )𝑍𝑡 = (1 − 𝜃𝐵)(1 − Θ𝐵12 )𝑎𝑡
(1 − 𝐵)(𝑍𝑡 − 𝑍𝑡−12 ) = (1 − 𝜃𝐵)(𝑎𝑡 − Θ𝑎𝑡−12 )
(𝑍𝑡 − 𝑍𝑡−12 ) − (𝑍𝑡−1 − 𝑍𝑡−13 ) = (𝑎𝑡 − Θ𝑎𝑡−12 ) − 𝜃(𝑎𝑡−1 − Θ𝑎𝑡−13 )
𝑍𝑡 = 𝑍𝑡−12 + 𝑍𝑡−1 − 𝑍𝑡−13 + 𝑎𝑡 − Θ𝑎𝑡−12 − 𝜃𝑎𝑡−1 + 𝜃Θ𝑎𝑡−13

Yang berarti, model dugaan mengalami differencing 1 (d=1) dan mengalami

differencing 1 musiman 12 (D=12). Diperlukan data jumlah produksi beserta sisaannya
setidaknya 13 atau 14 bulan terakhir untuk melakukan peramalan untuk bulan-bulan
berikutnya (bulan ke-14, 15, 16, dan seterusnya).