Rangkuman Model Deret Waktu Musiman

 Banyak data yang muncul di lapangan memberikan fenomana pola musiman.

 Pola musiman merupakan sebuah pola deret waktu yang memiliki perulangan
pada periode-periode tertentu dengan panjang interval perulangan yang sama.

 Contoh fenomena musiman :

1. Data arus mudik tahun baru masehi
2. Data penjualan baju lebaran (jika diukur menggunakan waktu kalender hijriah)
3. Data harga sembako mendekati ramadhan (waktu kalender hijriah)
4. Data penjualan alat tulis memasuki tahun ajaran baru
5. dll
 Salah satu contoh data yang memiliki fenomena pola musiman :

 Data bulanan level CO2 pada situs pengukuran Alert, Canada

Sumber Daftar Pustaka : 1

 Jika kita berikan keterangan Bulan pada data CO2 sebagai berikut :

 Maka dapat terindetifikasi bahwa pola yang terjadi adalah penurunan setiap bulan
April pada setiap tahunnya.
Sumber Daftar Pustaka : 1
 Secara konvensional, model deret waktu akan memiliki perpaduan antara
komponen tren (Pt), komponen musiman (St), serta komponen galat (et).
 Jika kita mulai dengan model regresi, maka model yang terbentuk adalah sbb:
𝑌𝑡 = 𝑃𝑡 + 𝑆𝑡 + 𝑒𝑡
𝑚 𝑘
𝑌𝑡 = 𝛼0 + 𝑎𝑖 𝑈𝑖𝑡 + 𝛽𝑖 𝑉𝑗𝑡 + 𝑒𝑡
𝑖=1 𝑗=1

 dengan 𝑈𝑖𝑡 adalah variabel tren dan 𝑉𝑗𝑡 adalah variabel musiman

Sumber Daftar Pustaka : 2

 Model musiman MA(Q) dari orde Q dengan periode musiman s didefinisikan sbb :

 dengan polynomial karakteristik musiman MA sbb :

 Berdasarkan persamaan diatas, diketahui bahwa data deret waktu akan stasioner
dan fungsi autokorelasi akan bernilai tak nol untuk lag musiman s, 2s, 3s,…., Qs.

Sumber Daftar Pustaka : 1

 Model musiman AR(P) dari orde P dengan periode musiman s didefinisikan sbb :

 dengan polynomial karakteristik musiman AR sbb :

 Berdasarkan persamaan diatas, diketahui bahwa data deret waktu akan stasioner
dan koefisien Φ akan bernilai tak nol untuk lag musiman s, 2s, 3s,…., Qs.

Sumber Daftar Pustaka : 1

 Model ARIMA non seasonal dengan ARIMA seasonal dapat digabungkan dan akan
membentuk sebuah model baru.
 Perhatikan model MA dengan karakteristik polinomial berikut :

(1 − 𝜃𝐵)(1 − Θ𝐵12 )
 Jika kita operasikan (dikalikan) maka akan menjadi :

1 − 𝜃𝐵 − Θ𝐵12 + 𝜃Θ𝐵13
 Dan jika dibentuk sebuah model deret waktu maka akan menjadi :

𝑌𝑡 = 𝑒𝑡 − 𝜃𝑒𝑡−1 − Θ𝑒𝑡−12 + 𝜃Θ𝑒𝑡−13

 Model deret waktu di atas disebut model ARMA(0,1)(0,1)12

Sumber Daftar Pustaka : 1

 Dengan autokovariansi dan autokorelasi sebagai berikut :

 ACF bernilai tak nol pada lag 1, 11, 12 dan 13

Sumber Daftar Pustaka : 2

 Contoh plot ACF pada model ARMA(0,1)(0,1)12 dijelaskan sbb :

Sumber Daftar Pustaka : 1

 Salah satu teknik dalam menganalisis model deret waktu musiman tak stasioner
adalah dengan melakukan seasonal differencing dengan periode waktu s pada
deret waktu 𝑌𝑡 dan dinotasikan dengan 𝛻𝑠 𝑌𝑡 .
𝛻𝑠 𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−𝑠
 Jika banyaknya data deret waktu sebelum seasonal differencing adalah s, maka
banyaknya data deret waktu setelah seasonal differencing akan menjadi 𝑛 − 𝑠.

Sumber Daftar Pustaka : 1

 Misalkan sebuah proses deret waktu sebagai berikut :

𝑌𝑡 = 𝑆𝑡 + 𝑒𝑡 dengan 𝑆𝑡 = 𝑆𝑡−𝑠 + 𝜀𝑡
 Jika St merupakan proses random walk musiman dan bersifat tak stasioner, maka Yt
pasti tak stasioner. Dengan melakukan seasonal differencing diperoleh hasil sbb:
𝛻𝑠 𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−𝑠
𝛻𝑠 𝑌𝑡 = 𝑆𝑡 + 𝑒𝑡 − 𝑆𝑡−𝑠 + 𝑒𝑡−𝑠
𝛻𝑠 𝑌𝑡 = 𝑆𝑡−𝑠 + 𝜀𝑡 − 𝑆𝑡−𝑠 + 𝑒𝑡 − 𝑒𝑡−𝑠
𝛻𝑠 𝑌𝑡 = 𝜀𝑡 + 𝑒𝑡 − 𝑒𝑡−𝑠
Maka 𝛻𝑠 𝑌𝑡 adalah deret stasioner dengan ACF mengikuti model MA(1)S

Sumber Daftar Pustaka : 1

 Misalkan sebuah proses deret waktu sebagai berikut :

𝑌𝑡 = 𝑀𝑡 + 𝑆𝑡 + 𝑒𝑡 dengan 𝑆𝑡 = 𝑆𝑡−𝑠 + 𝜀𝑡 dan 𝑀𝑡 = 𝑀𝑡−1 + 𝜖𝑡

 Jika Mt merupakan perubahan pola tren. Dengan melakukan seasonal differencing
dan differencing biasa maka diperoleh hasil sbb:
𝛻𝛻𝑠 𝑌𝑡 = 𝛻 𝑀𝑡 − 𝑀𝑡−𝑠 + 𝜀𝑡 + 𝑒𝑡 − 𝑒𝑡−𝑠
𝛻𝛻𝑠 𝑌𝑡 = 𝜖𝑡 + 𝜀𝑡 + 𝑒𝑡 − 𝜀𝑡−1 + 𝑒𝑡−1 − 𝜖𝑡−𝑠 + 𝑒𝑡−𝑠 + 𝑒𝑡−𝑠−1
 Proses tersebut memiliki nilai ACF yang tak nol pada lag 1, s-1, s, dan s+1 dan
mengikuti model ARMA(0,1)(0,1)s.
 Sedangkan proses 𝑌𝑡 sendiri mengikuti model ARIMA(p,d,q)(P,D,Q)s jika :

𝑊𝑡 = 𝛻 𝑑 𝛻𝑠𝐷 𝑌𝑡
Sumber Daftar Pustaka : 1
1. Cryer, J. D. dan Chan, K. S. (2008): Time Series Analysis with Applications in R,
Springer, New York. (hal. 227)
2. Wei, W. W. S. (2006). Time Series Analysis Univariate and Multivariate Method.
Second Edition. New York: Pearson Education. (hal. 160)