PRAKTIKUM 5

UJI KESTASIONERAN DATA

Kestasioneran data dalam rata-rata (differencing)
Asumsi yang penting yang harus dipenuhi dalam memodelkan Deret waktu adalah asumsi
kestasioneran artinya sifat-sifat yang mendasari proses tidak dipengaruhi oleh waktu atau proses
dalam keseimbangan. Apabila asumsi stasioner belum terpenuhi maka data Deret waktu belum
dapat dimodelkan, namun Deret yang nonstasioner dapat ditransformasikan menjadi Deret yang
stasioner. Kestasioneran Deret waktu yang dimaksud adalah kestasioneran data dalam rata-rata
yang merupakan syarat utama yang harus dipenuhi dalam melakukan suatu peramalan.
Kestasioneran data dalam variansi (transformation)
Kestasioneran data dalam variansi merupakan salah satu syarat sifat dalam melakukan
peramalan. Variansi data dalam hubungannya terhadap Deret waktu sangat berpengaruh terhadap
hasil peramalan yang dimungkinkan dapat mengacaukan pola data. Oleh karena itu sebelum
melakukan peramalan maka kestasioneran data dalam rata-rata maupun variansi sangat diperlukan
dengan tujuan adanya keseimbangan dari waktu ke waktu.
Contoh Kasus Non-musiman :
Berikut ini adalah data Deret waktu tentang besarnya “viscositas dari suatu produk kimia” yang
diamati setiap hari selama 95 hari pengamatan (Data dibaca dari kiri ke kanan). Tabel 1. Data
viscositas harian suatu produk kimia XB-77-5
25.0000 27.0000 33.5142 35.4962 36.9029 37.8359
34.2654 31.8978 33.7567 36.6298 36.3518 40.0762
38.0928 34.5120 34.8567 34.5316 32.3851 32.6058
34.8913 38.2418 36.8926 33.8942 34.1710 35.2680
38.5813 34.6184 33.9741 30.2072 30.5429 34.8686
35.8892 35.2035 34.4337 35.4844 33.2381 36.1684
34.4116 33.7668 33.4246 33.5719 35.9222 33.2125
37.1668 35.8138 33.6847 33.2761 38.8163 42.0838
40.0069 33.4514 30.8413 30.0655 37.0544 39.0982
37.9075 36.2393 34.9535 33.2061 34.4261 37.4511
37.3335 38.4679 33.0976 32.9285 32.2754 33.2214
34.5786 32.3448 31.5316 37.8044 36.0536 35.7297
36.7991 34.9502 33.5246 35.1012 35.9774 38.0977
33.4598 32.9278 36.5121 37.4243 35.1550 34.7970
33.2898 33.9252 36.1036 36.7351 35.4576 37.5924
34.4895 39.1692 35.8242 32.3875 31.2846 35.2334

25
Prosedur analisisnya untuk mendapatkan output Minitab adalah sebagai berikut:
Membuat Plot Data
1. Masukkan data ke kolom C1 seperti pada Gambar. Ubah nama kolom C1 dengan data
pengganguran

2. Klik Stat>Time Series >Time Series Plot > Simple lalu pilih OK maka akan tampak kotak
dialog seperti berikut.

3. Pindahkan variabel C1 ke kotak Variabel dengan menekan tombol select.

4. Klik OK sehingga ouputnya adalah sebagai berikut.

26
 Time Series Plot of Data viscositas
42.5

40.0

37.5

35.0
C23
32.5

30.0

27.5

25.0

1 10 20 30 40 50 60 70 80 90
Index

Gambar 5. Plot data viscositas

Berdasarkan plot data Deret waktu waktu tersebut dapat disimpulkan data bahwa data
tersebut telah statsioner dalam rata-rata atau data berfluktuasi disekitar rata-rata yang konstan.
Membuat FAK dan FAKP
Tahap-tahap membuat FAK sebagai berikut:
2. Pilih stat > Time Series > Autocorrelation.
Layar monitor akan memperlihatkan kotak dialog Autocorrelation Function seperti pada
gambar

3. Masukkan variabel data pengangguran ke dalam Series.

4. Pilih Default number of lags.
5. Selanjutnya, klik OK.

27
 Tahap-tahap membuat FAKP sebagai berikut:
1. Pilih stat > Time Series > Partial Autocorrelation.
Layar monitor akan memperlihatkan kotak dialog Autocorrelation Function seperti pada
gambar

2. Masukkan variabel data viscositas ke dalam Series.

3. Pilih Default number of lags.
4. Selanjutnya, klik OK.

Autocorrelation Function for data viscositas Partial Autocorrelation Function for data viscositas
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag

Gambar 6. Diagram FAK dan FAKP data viscositas

Interpretasi Output FAK dan FAKP
Berdasarkan nilai FAK menunjukkan bahwa data telah stasioner baik dalam rata-rata
maupun variansi. Dari bentuk FAK yang turun secara eksponensial menuju nol dan bentuk FAKP
yang terpotong setelah lag 1, dan lag 2 yang signifikan berbeda dengan nol. Jika diperoleh hal
yang demikian, selanjutnya dilakukan identifikasi model awal.

28
 PRAKTIKUM 6

Identifikasi Model ARIMA

Tahapan identifikasi model pada ARIMA adalah membandingkan pola autokorelasi dengan
pola autokorelasi parsial pada data yang stasioner dan melihat signifikansi nilai lag pada FAK dan
FAKP (Lampiran 1). Melalui FAK dan FAKP-nya, kita dapat menentukan model autoregressive
(AR) atau model moving average (MA) orde ke beberapa data yang telah dianalisis. Kemungkinan
terdapat pengkaburan dalam penentuan model ARIMA yang tepat sehingga identifikasi model
dapat dilakukan dengan mencoba-coba (trial and error).

Autocorrelation Function for data viscositas

(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2 4 6 8 10 12 14 16 18 20 22 24
Lag

Lag FAK T LBQ Lag FAK T LBQ

1 0.435020 4.26 18.74 13 0.039894 0.28 47.15
2 -0.112655 -0.94 20.01 14 0.029110 0.21 47.25
3 -0.341512 -2.82 31.81 15 -0.017197 -0.12 47.28
4 -0.238642 -1.83 37.63 16 0.008666 0.06 47.29
5 0.003200 0.02 37.63 17 0.002939 0.02 47.29
6 0.199576 1.48 41.80 18 -0.079958 -0.56 48.07
7 0.116215 0.84 43.23 19 -0.147754 -1.04 50.73
8 -0.044609 -0.32 43.44 20 -0.130528 -0.91 52.84
9 -0.135885 -0.98 45.44 21 -0.054374 -0.37 53.21
10 -0.111799 -0.79 46.80 22 0.036497 0.25 53.38
11 -0.033796 -0.24 46.93 23 0.049172 0.34 53.69
12 0.019624 0.14 46.97 24 -0.021128 -0.15 53.75
Gambar 7. Diagram FAK data viscositas

29
 Partial Autocorrelation Function for data viscositas
(with 5% significance limits for the partial autocorrelations)

1.0
0.8
0.6

Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2 4 6 8 10 12 14 16 18 20 22 24
Lag

Lag FAKP T Lag FAKP T

1 0.435020 4.26 13 0.013298 0.13
2 -0.372365 -3.65 14 0.004483 0.04
3 -0.160767 -1.58 15 -0.034276 -0.34
4 -0.024109 -0.24 16 0.063706 0.62
5 0.040639 0.40 17 -0.039075 -0.38
6 0.091877 0.90 18 -0.109675 -1.07
7 -0.098348 -0.96 19 -0.098025 -0.96
8 -0.019633 -0.19 20 -0.071201 -0.70
9 -0.027122 -0.27 21 -0.046591 -0.46
10 -0.028199 -0.28 22 -0.037669 -0.37
11 -0.033832 -0.33 23 -0.055168 -0.54
12 -0.047156 -0.46 24 -0.060671 -0.59

Gambar 8. Diagram FAKP data viscositas

Tahapan identifikasi model pada ARIMA adalah membandingkan pola autokorelasi dengan
pola autokorelasi parsial pada data yang stasioner dan melihat signifikansi nilai lag pada FAK dan
FAKP. Pada diagram FAK, terlihat bahwa nilai autokorelasi turun secara eksponensial menuju
nol, sedangkan diagram FAKP-nya mempunyai autokorelasi parsial yang signifikan berbeda dari
nol pada lag 2 (cut off after lag 2). Nilai korelasi pada lag 2 adalah -0,372365. Dugaan model awal
yang sesuai untuk data tersebut adalah ARIMA(2,0,0). Untuk model ARIMA yang lain, diagram
FAK mempunyai autokorelasi yang signifikan berbeda dari nol pada lag 1 (cut off after lag1),
sedangkan diagram FAKP-nya terlihat nilai autokorelasi turun secara eksponensial menuju nol.
Nilai korelasi pada lag 1 adalah0 0,435020. Dugaan model awal yang sesuai untuk data tersebut
adalah ARIMA(0,0,1).

30