Modul Praktikum II

ANALISIS DERET WAKTU

Identifikasi
Model Deret Waktu

Oleh :
Dani Al Mahkya, S.Si., M.Si.
Program Studi Sains Aktuaria

JURUSAN SAINS
INSTITUT TEKNOLOGI SUMATERA

15
A. TUJUAN INSTRUKSIONAL UMUM
Setelah mengikuti praktikum ini, mahasiswa diharapkan dapat mengidentifikasi data deret
waktu yang diperoleh dilapangan guna pembentukan model deret waktu.

B. TUJUAN INSTRUKSIONAL KHUSUS

Setelah mengikuti praktikum ini, mahasiswa diharapkan mampu :
1. Menampilkan Plot deret waktu data sampel.
2. Melakukan Uji Stasioneritas.
3. Menerapkan Transoformasi Box-Cox yang sesuai.
4. Menentukan orde ARIMA yang sesuai berdasarkan ACF dan PACF.

C. TIME SERIES PLOT

Time Series plot merupakan salah satu elemen penting yang digunakan dalam
mengidentifikasi data deret waktu. Banyak alat bantu yang dapat digunakan dalam
menampilkan time series plot dari data deret waktu. Pada pembahasan modul ini,
digunakan alat bantu R-Studio. Berikut penjelasan terkait perintah yang digunakan.

a. Perintah Default Plot Deret Waktu

Baris Perintah Package
1 ts.plot(data) stats

*package stats biasanya telah terinstal secara otomatis saat instlasi R/RStudio
Penjelasan
- data : data sampel yang digunakan dalam pengujian.

b. Permasalahan
Jika diketahui data deret waktu sebagai berikut, tentukan time series plot!
t Yt t Yt t Yt t Yt
1 50,29 11 49,40 21 52,43 31 48,07
2 50,27 12 50,11 22 49,41 32 48,99
3 48,52 13 49,93 23 49,32 33 51,97
4 47,01 14 49,54 24 47,81 34 48,65
5 48,39 15 50,68 25 47,33 35 50,52
6 49,02 16 50,86 26 48,46 36 49,64
7 48,96 17 50,21 27 49,50 37 49,25
8 50,26 18 50,55 28 51,46 38 50,12
9 49,59 19 51,03 29 50,74 39 50,69
10 50,06 20 53,75 30 50,62 40 50,14

16
c. Penyelesaian
1. Import data tersebut pada R-Studio lalu berikan nama data : adw_2

2. Masukan Perintah t s . plot (adw_ 2)

3. Perintah t s . plot (dat a) memiliki perintah-perintah opsional lainnya yang dapat

dimanfaatkan untuk memperjelas tampilan plot yang dihasilkan seperti contoh:

17
D. UJI STASIONERITAS
Proses identifikasi data deret waktu membutuhkan informasi terkait dengan
kestasioneritasan data dalam rataan. Salah satu uji yang dapat digunakan untuk menguji
kestasioneran rataan adalah uji Augmented Dickey Fuller atau (ADF test). ADF test
merupakan pengembangan dari Dickey Fuller Test (DF test). DF test digunakan untuk
menguji jika 𝜙 = 0 dalam sebuah data dengan persamaan :
𝑌𝑡 = 𝛼 + 𝛽𝑡 + 𝜙𝑌𝑡−1 + 𝑒𝑡
yang ditulis menjadi
∆𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1 = 𝛼 + 𝛽𝑡 + 𝛾𝑌𝑡−1 + 𝑒𝑡
Pada model di atas, 𝑌𝑡 adalah data sampel yang digunakan dan akan diregresikan terhadap
𝑡 dan 𝑌𝑡−1 serta menguji apakah 𝛾 = 0. Jika 𝛾 = 0 maka model di atas akan bersesuaikan
dengan proses Random Walk . Jika tidak dan −1 < 1 + 𝛾 < 1 maka proses tersebut
merupakan proses yang stasioner. ADF test memungkinkan proses Autoregressive dengan
orde yang lebih tinggi ∆𝑌𝑡−𝑝 dengan persamaan :
∆𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1 = 𝛼 + 𝛽𝑡 + 𝛾𝑌𝑡−1 + 𝛿1 ∆𝑌𝑡−1 + 𝛿2 ∆𝑌𝑡−2 + ⋯
Hipotesis nol yang digunakan dalam pengujian adalah data mengikuti proses yang tak
stasioner (Homes, 2021).

a. Perintah Default Uji Stasioneritas

Baris Perintah Package
1 adf.test(data) tseries

Penjelasan
data : data sampel yang digunakan dalam pengujian.

b. Permasalahan
Berdasarkan data adw_2, ujilah apakah data tersebut mengikuti proses yang stasioner!

c. Penyelesaian
1. Import data tersebut pada R-Studio lalu berikan nama data : adw_2
2. Install package tseries dengan perintah ins t all. pac k ages (“t s eries ”)

3. Panggil package dengan perintah library (t s eries )

4. Definisikan data sebagai vector time series dengan perintah data2 = as.ts(adw_ 2)

5. Masukan Perintah adf . t es t (dat a2)

18
 6. Hasil Luaran

7. Uji Hipotesis
H0 : Data tidak stasioner
H1 : Data stasioner
Signifikansi 𝛼 5%
P-Value : 0,04235
Daerah Penolakan : tolak H0 jika nilai P-Value < 𝛼
Keputusan : H0 ditolak karena nilai P-Value (0,04235) < 𝛼 (0,05)
Kesimpulan : Pada taraf siginifikansi 𝛼 5% diperoleh kesimpulan
bahwa data deret waktu telah stasioner.

d. Jika Data tidak Stasioner dalam Rataan

Jika dalam uji ADF diperoleh kesimpulan bahwa data tidak stasioner, maka solusi
yang dapat dilakukan adalah dengan melakukan differencing. Berikut perintah yang
digunakan :
Baris Perintah Package
1 diff(data) stats

*package stats biasanya telah terinstal secara otomatis saat instlasi R/RStudio
Penjelasan
data : data sampel yang digunakan dalam pengujian.

19
E. TRANSFORMASI BOX-COX
Selain kestasioneran rataan, dalam pemodelan deret waktu, perlu adanya pengecekan
apakah data deret waktu yang digunakan telah stasioner dalam varians. Ketidakstasioneran
pada data deret waktu tidak hanya disebabkan karena faktor keterkaitan waktu terhadap
rataan namun juga keterkaitan waktu terhadap variansi. Jika differencing dapat digunakan
mengatasi ketidakstasioneran rata-rata, maka transformasi dapat mengatasi
ketidakstasioenaran variansi (Wei, 2006). Salah satu transformasi yang dapat digunakan
adalah Power Transformation yang diperkenalkan oleh Box dan Cox (1964). Bentuk umum
𝑌𝑡𝜆 −1
dan ketentuan dari transformasi Box Cox adalah 𝑇 (𝑌𝑡 ) = dengan ketentuan sebagai
𝜆
berikut (Wei, 2006) :

a. Perintah Default Transformasi Box-Cox

Baris Perintah Package
1 boxcox(data) EnvStats

Penjelasan
data : data sampel yang digunakan dalam pengujian.

b. Permasalahan
Berdasarkan data adw_2, ujilah apakah data tersebut telah stasioner dalam varians!

c. Penyelesaian
1. Import data tersebut pada R-Studio lalu berikan nama data : adw_2
2. Install package tseries dengan perintah ins t all. pac k ages (“E nv S t at s ”)

3. Panggil package dengan perintah library (E nv S t at s )

4. Definisikan data sebagai data3 = adw_2[,1]

5. Masukan Perintah box c ox (dat a3)

20
6. Hasil Luaran

7. Berdasarkan hasil poin 7, diperoleh nilai PPCC terbesar pada lambda=-2,0 hal ini
1
menunjukan bahwa dibutuhkan transformasi .
𝑌2
1
8. Hitung nilai data yang baru sesuai dengan transformasi menggunakan perintah
𝑌2

data4 = 1/(adw_2^2)

21
F. MENENTUKAN ORDE ARIMA
Setelah diperoleh data sampel yang stasioner dalam rataan dan varians, selanjutnya adalah
menentukan orde ARIMA yang sesuai berdasarkan plot ACF dan PACF sesuai dengan
ketentuan :

a. Perintah Default ACF dan PACF

Perintah dalam menentukan ACF dan PACF telah dibahas pada modul sebelumnya
(modul 1). Silahkan buka kembali modul 1.

b. Permasalahan
Berdasarkan data data4 (data yang telah stasioner dalam rataan maupun varians),
tentukan orde ARIMA yang sesuai berdasarkan ACF dan PACF!

c. Penyelesaian
1. Hasil Luaran ACF dan PACF

2. Dugaan orde ARIMA yang sesuai.

Berdasarkan plot ACF dan PACF yang dihasilkan, dugaan model yang mungkin
adalah : AR(1), MA(1), dan ARMA(1,1).

22
LATIHAN
Diketahui data hasil penjualan sebuah toko perabot rumah tangga sebagai berikut. Riri
merupakan pemiliki toko tersebut dan ingin melakukan pemodelan terkait hasil penjualannya
serta melakukan prediksi jangka pendek pada periode yang akan datang.
t Yt t Yt t Yt
1 81,77 12 84,02 23 83,75
2 80,91 13 86,62 24 81,14
3 82,34 14 84,05 25 83,39
4 81,59 15 82,27 26 85,42
5 82,99 16 83,47 27 80,81
6 82,49 17 81,52 28 84,85
7 82,47 18 81,81 29 82,37
8 83,86 19 82,79 30 82,89
9 83,48 20 83,13 31 83,70
10 83,03 21 84,70 32 83,81
11 83,77574 22 83,12634 33 83,13
Bantulah Riri untuk memodelkan data penjualan tersebut meliputi time series plot¸uji
stasioneritas, informasi terkait transformasi yang dibutuhkan serta dugaan model ARIMA yang
mungkin untuk data tersebut!

23
DAFTAR PUSTAKA

1. Wei, W. W. (2006). Time Series Analysis Univariate and Multivariate Methods 2nd
Edition. Boston: Pearson.

2. Cryer, J.D. and Chan, K.S. 2008. Time Se ries Analysis with Application in R. Springer

3. Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis 2nd. John Wiley.

4. Holmes, E.E., et.al. 2021. Applied Time Series Analysis for Fisheries and
Environmental Sciences. NOAA Fisheries, Northwest Fisheries Science Center.

24