LAPORAN PRAKTIKUM

PERTEMUAN VI
ANALISIS DERET WAKTU

Oleh :

Nama : Ulfianida Aysha

NPM : F1F020024

Dosen Pengampu : Herlin Fransiska, S.Si., M.Si.

Asisten Praktikum : 1. Idam Abdurrohim Hasani (F1F019009)

2. Okta Saputra (F1F019023)

3. Muhammad Gabdika Bayubuana (F1F019028)

LABORATORIUM MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BENGKULU
2022
 KATA PENGANTAR
Puji syukur kita haturkan atas kehadirat Tuhan Yang Maha Esa, karena dengan ridho
dan nikmat dari-Nya sehingga penulis dapat menyelesaikan laporan praktikum Analisis
Deret Waktu.
Laporan ini disusun dengan bantuan dan dukungan berbagai pihak, khususnya kepada
Ibu Herlin Fransiska, S.Si., M.Si., selaku dosen pengampu mata kuliah Analisis Deret
Waktu dan asisten praktikum. Kepada orang tua yang selalu mendoakan kelancaran
kuliah. Penulis sampaikan terima kasih atas waktu, tenaga dan pikirannya yang telah
diberikan. Penulis sadar laporan ini masih sangat jauh dari kesempurnaan. Oleh karena
itu kritik serta saran yang membangun masih penulis harapkan untuk penyempurnaan
laporan berikutnya. Sebagai manusia biasa penulis merasa memiliki banyak kesalahan,
penulis mohon maaf yang sebesar-besarnya untuk kelancaran menyelesaikan laporan ini.
Atas perhatian dari semua pihak yang membantu penulisan laporan ini penulis
ucapkan terima kasih. Semoga laporan ini dapat dipergunakan seperlunya.

Bengkulu, 12 April 2022

Penulis

ii
 DAFTAR ISI
HALAMAN JUDUL ........................................................................................................ i
KATA PENGANTAR ..................................................................................................... ii
DAFTAR ISI ...................................................................................................................iii
DAFTAR GAMBAR ...................................................................................................... iv
DAFTAR TABEL ........................................................................................................... v
MODEL-MODEL STASIONER (AR, MA, DAN ARMA)
4.1 Pendahuluan .............................................................................................................. 1
a. Latar Belakang ...................................................................................................... 1
b. Rumusan Masalah ................................................................................................. 1
c. Tujuan ................................................................................................................... 1
4.2 Landasan Teori ......................................................................................................... 2
4.3 Langkah Kerja dan Teladan .................................................................................... 4
a. Langkah Kerja ....................................................................................................... 4
b. Teladan .................................................................................................................. 7
4.4 Hasil dan Pembahasan .............................................................................................. 8
a. Hasil ...................................................................................................................... 8
b Pembahasan ........................................................................................................... 9
4.5 Kesimpulan dan Saran ........................................................................................... 10
a. Kesimpulan ......................................................................................................... 10
b. Saran .................................................................................................................... 10
DAFTAR PUSTAKA ..................................................................................................... vi

iii
 DAFTAR GAMBAR
Gambar 1. Icon Eviews ..................................................................................................... 4
Gambar 2. Tampilan Lembar Kerja Eviews ..................................................................... 4
Gambar 3. Workfile Create ............................................................................................... 4
Gambar 4. Workfile ........................................................................................................... 5
Gambar 5. Tampilan Data Teladan ................................................................................... 5
Gambar 6. Series List ........................................................................................................ 5
Gambar 7. Group Options ................................................................................................. 6
Gambar 8. Series Name ..................................................................................................... 6
Gambar 9. Correlogram Spesification .............................................................................. 6
Gambar 10. Formula pada Window Command ................................................................. 6
Gambar 11. Output Plot Data ........................................................................................... 8
Gambar 12. Output Plot ACF dan PACF ......................................................................... 8
Gambar 13. Output Pendugaan Model .............................................................................. 8

iv
 DAFTAR TABEL
Tabel 1. Data Teladan ....................................................................................................... 7

v
 MODEL-MODEL STASIONER (AR, MA, DAN ARMA)
4.1 Pendahuluan
a. Latar Belakang
Dalam perkembangan ilmu pengetahuan dan teknologi saat ini, komputer merupakan
perangkat yang diciptakan untuk memudahkan kerja manusia dalam berbagai hal seperti
pengolahan data statistik. Oleh karena itu sangat tepat jika dalam melakukan analisis
peramalan, data yang telah diperoleh diolah dengan menggunakan software untuk
kemudahan dalam pekerjaan sehingga mendapat hasil yang lebih efektif dan efisien.
Eviews adalah program komputer yang digunakan untuk mengolah data statistik dan data
ekonometri. Program ini tersedia dalam versi Windows dan Macintosh. Eviews
merupakan kelanjutan dari MicroTSP, yang dikeluarkan pada tahun 1981. Aplikasi
Eviews dibuat pertama kali oleh Quantitative Micro Software (QMS) yang berada di
Irvine, California, Amerika Serikat. Eviews dapat kita gunakan untuk menyelesaikan
masalah yang berbentuk time-series, cross section, maupun data panel.
Time-series, cross section, dan data panel merupakan analisis yang dapat dilakukan
oleh program Eviews. Ada dua hal yang perlu diperhatikan dalam menganalisis suatu data
yang berpengaruh pada waktu, yaitu kestasioneran data dan ketergantungan antara
kejadian masa datang terhadap masa sebelumnya dari data. Stasioner merupakan kondisi
yang diperlukan dalam analisis regresi deret waktu karena dapat memperkecil kekeliruan
model. Model-model stasioner terdiri dari proses Autoregressive (AR(𝑝)) ,Moving
Average (MA(𝑞)), proses campuran Autoregressive-Moving Average (ARMA(𝑝, 𝑞)).
b. Rumusan Masalah
Berdasarkan latar belakang tersebut, maka rumusan masalah yang dapat disimpulkan
adalah bagaimana melakukan permodelan yang stasioner yang meliputi AR, MA,
ARMA?
c. Tujuan
Berdasarkan rumusan masalah di atas, maka tujuan yang dapat disimpulkan adalah
mahasiswa agar dapat melakukan permodelan yang stasioner yang meliputi AR, MA,
ARMA.

1
4.2 Landasan Teori
Stasioner merupakan data berada di sekitar nilai rata-rata dan variansi yang konstan.
Bentuk visual dari plot time series sering menyakinkan peramal bahwa data tersebut
stasioner atau non stasioner, demikian pula plot autokorelasi dapat dengan mudah
memperlihatkan ketidakstasioneran data. Kebanyakan data dalam time series tidak
stasioner, oleh karena itu perlu dilakukan pengujian mengenai stasioneritas pada data time
series. Pengujian ini dapat dilakukan dengan menggamati plot time series. Jika plot time
series cenderung konstan tidak tedapat pertumbuhan atau penurunan disimpulkan bahwa
data sudah stasioner. Selain itu, stasioneritas dapat dilihat dari nilai-nilai autokorelasi
pada plot ACF. Nilai-nilai autokorelasi dari data stasioner akan turun sampai nol sesudah
time lag kedua atau ketiga (Assauri, 2007).
Model-model stasioner terdiri dari proses Autoregressive (AR(𝑝)), Moving Average
(MA(𝑞)), dan proses campuran Autoregressive-Moving Average (ARMA(𝑝, 𝑞)). Langkah
yang dilakukan untuk identifikasi model awal dari Box-Jenkins tanpa musiman adalah:
1. Buat plot data berdasarkan periode pengamatan (series). Jika data berfluktuasi pada
garis lurus dengan tingkat fluktuasi yang relatif sama, maka data tersebut sudah
stasioner.
2. Jika series telah stasioner, buat grafik autokorelasi dan autokorelasi parsial dari data
series. Lihat pola untuk menentukan model ARIMA awal.
Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktiasi
data berada disekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan
variansi dari fluktuasi tersebut. Stasioneritas terbagi dalam dua jenis: rata-rata dan varian
(Fransiska, 2022).
1. Autoregressive (AR)
Model autoregressive dengan ordo AR (𝑝) atau model ARIMA (𝑝, 0,0) dinyatakan
sebagai berikut:
𝑍̂𝑡 = ∅1 𝑍̂𝑡−1 + ∅2 𝑍̂𝑡−2 + ⋯ + ∅𝑝 𝑍̂𝑡−𝑝 + 𝑎𝑡
Keterangan:
∅𝑝 : parameter autoregressive ke-p
𝑎𝑡 : white noise nilai kesalahan pada saat t
𝑍̂𝑡−𝑝 : independen variabel

2
 Variabel independen merupakan deretan nilai dari variabel yang sejenis dalam
beberapa periode 𝑡 terakhir. Sedangkan 𝑎𝑡 adalah error atau unit residual yang
menggambarkan gangguan acak yang tidak dapat dijelaskan oleh model.
2. Moving Average (MA)
Model lain dari model ARIMA adalah moving average yang dinotasikan dalam MA
(𝑞) atau ARIMA (0,0, 𝑞) yang ditulis dalam persamaan berikut :
𝑍̂𝑡 = 𝑎𝑡 − 𝜃1 𝑎𝑡−1 + 𝜃2 𝑎𝑡−2 + ⋯ + 𝜃𝑞 𝑎𝑡−𝑞
Keterangan:
𝜃𝑞 : parameter moving average
𝑎𝑡 : error atau unit residual
𝑎𝑡−1 − 𝑎𝑡−2 − ⋯ − 𝑎𝑡−𝑞 : selisih nilai aktual dengan nilai prakiraan
Persamaan di atas menunjukkan bahwa nilai 𝑍̂𝑡 tergantung nilai error sebelumnya
dari pada nilai variabel itu sendiri. Untuk melakukan pendekatan antara proses
autoregressive dan moving average diperlukan pengukuran autokorelasi antara nilai
berturut-turut dari 𝑍̂𝑡 , sedangkan model moving average mengukur autokorelasi antara
nilai error atau residual.
3. Autoregressive Moving Average (ARMA)
Penggabungan model autoregressive (AR) dan moving average (MA) akan
membentuk model baru, yaitu ARMA (autoregressive moving average) dengan orde
ARMA (𝑝, 𝑞). Adapun bentuk umum persamaan ARMA merupakan gabungan dari
persamaan AR dan MA yang dinotasikan sebagai berikut:
𝑍̂𝑡 = ∅1 𝑍̂𝑡−1 + ⋯ + ∅𝑝 𝑍̂𝑡−𝑝 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 + ⋯ + 𝜃𝑞 𝑎𝑡−𝑞
(Purnomo, 2015)

3
4.3 Langkah Kerja dan Teladan
a. Langkah Kerja
1. Buka program Eviews yang telah diinstal pada komputer.

Gambar 1. Icon Eviews.

2. Maka akan muncul tampilan lembar kerja pada Eviews seperti berikut ini.

Gambar 2. Tampilan Lembar Kerja Eviews.

3. Pilih File→New→Workfile, maka akan muncul Workfile Create. Pilihlah Workfile
structure type dan isi jumlah observasi pada kolom Observations. Kemudian
masukkan nama workfile pada kolom WF.

Gambar 3. Workfile Create.

4
4. Setelah klik Ok, akan muncul workfile yang siap diisi dengan objek-objek lainnya.

Gambar 4. Workfile.
5. Untuk memasukkan data, pilih menu Quick→Empty Group (Edit Series). Kemudian,
masukkan data pada sel seperti di bawah ini dengan cara manual satu per satu atau
copy data dari Excel.

Gambar 5. Tampilan Data Teladan.

6. Untuk melihat data sudah stasoner atau tidak, akan digunakan plot dengan memilih
menu Qick→Graph, maka akan muncul Series List untuk memasukkan data yang
akan dibuat grafik. Pada Graph Options, untuk Option Pages pilih Graph
Type→Basic Type dan akan muncul General lalu pilih Basic Graph. Pada Specific
pilih Line & Symbol. Setelah itu, klik Ok.

Gambar 6. Series List.

5
 Gambar 7. Group Options.
7. Untuk membuat plot ACF dan PACF, pilih menu Qick→Series
Statistics→Correlogram kemudian masukkan nama data pada kotak dialog Series
Name. Maka akan muncul Correlogram Spesification untuk memilih level pada
Correlogram of.

Gambar 8. Series Name.

Gambar 9. Correlogram Spesification.

8. Dengan melihat plot ACF dan PACF, maka model awal dapat ditetapkan. Untuk
mendapatkan penduga model tersebut tuliskan formula dalam Window Command.

Gambar 10. Formula pada Window Command.

6
b. Teladan
Lakukan pemodelan pada data berikut.
Tabel 1. Data Teladan
147 130 114 169 215 179 185
144 131 140 147 227 193 177
136 156 145 131 194 214 184
150 150 135 151 176 222 194
163 140 163 156 157 187 232
163 164 148 165 179 161 223
151 185 157 178 181 130 189
134 185 163 166 181 151 159
119 173 184 168 186 154 133
133 133 184 203 185 138 159

7
4.4 Hasil dan Pembahasan
a. Hasil Teladan
ULFI6
240

220

200

180

160

140

120

100
5 10 15 20 25 30 35 40 45 50 55 60 65 70
Gambar 11. Output Plot Data.

Gambar 12. Output Plot ACF dan PACF.

Gambar 14. Output Pendugaan Model.

8
b. Pembahasan
Pada teladan, diperintahkan untuk melakukan untuk melakukan pemodelan terhadap
data yang telah tersedia. Dalam melakukan pemodelan ini, data terlebih dahulu diuji
apakah stasioner atau tidak dengan cara melihat plot data. Berdasarkan plot data yang
telihat pada gambar 11, data dapat dikatakan sudah stasioner. Dengan kestasioneran data
sudah terpenuhi, maka akan dibuat plot ACF dan PACF untuk menentukan model
awalnya. Dari output, di mana plot ACF merupakan dies down (turun cepat secara
eksponensial) dan plot PACF merupakan cuts off after lag p (terputus setelah lag p). Pada
pliot PACF, batangan atau garis terputus pada lag 2, sehingga model awal ditetapkan
sebagai AR(2). Kemudian, masukkan rumus untuk mendapatkan penduga model tersebut
pada window command. Berdasarkan output, terlihat bahwa model sudah signifikan
dengan nilai probabilitasnya lebih kecil dari 𝛼(0,05). Sehingga model yang dapat ditulis
yaitu 𝑍𝑡 = 165,6944 + 0,9749𝑍𝑡−1 − 0,3086𝑍𝑡−2 .

9
4.5 Kesimpulan dan Saran
a. Kesimpulan
Model-model stasioner terdiri dari proses Autoregressive (AR(𝑝)), Moving Average
(MA(𝑞)), dan proses campuran Autoregressive-Moving Average (ARMA(𝑝, 𝑞)). Langkah
yang dilakukan untuk identifikasi model awal dari Box-Jenkins tanpa musiman adalah
membuat plot data berdasarkan periode pengamatan (series). Jika data berfluktuasi pada
garis lurus dengan tingkat fluktuasi yang relatif sama maka data tersebut sudah stasioner.
Jika series telah stasioner, buat grafik autokorelasi dan autokorelasi parsial dari data
series. Lihat pola untuk menentukan model ARIMA awal.
Berdasarkan pembahasan, dari plot data yang diperoleh dapat dikatakan bahwa data
sudah stasioner. Maka akan dibuat plot ACF dan PACF untuk menentukan model
awalnya. Dari output, di mana plot ACF merupakan dies down (turun cepat secara
eksponensial) dan plot PACF merupakan cuts off after lag p (terputus setelah lag p). Pada
plot PACF, batangan atau garis terputus pada lag 2, sehingga model awal ditetapkan
sebagai AR(2). Kemudian, masukkan rumus untuk mendapatkan penduga model tersebut
pada window command. Berdasarkan output, terlihat bahwa model sudah signifikan
dengan nilai probabilitasnya lebih kecil dari 𝛼(0,05). Sehingga model yang dapat ditulis
yaitu 𝑍𝑡 = 165,6944 + 0,9749𝑍𝑡−1 − 0,3086𝑍𝑡−2 .
b. Saran
Laporan praktikum pertemuan VI Analisis Deret Waktu ini membahas tentang
Model-Model Stasioner (AR, MA, dan ARMA). Dalam melakukan perhitungan nilai atau
menjalankan programnya kita harus lebih teliti lagi dan mengikuti prosedur yang ada.
Agar tidak terjadi kendala atau error dalam melakukan perhitungan atau hasil yang
didapat.

10
 DAFTAR PUSTAKA
Assauri. 2007. Stasioneritas. eprints.uny.ac.id/9180/3/bab%2.pdf. Diakses pada tanggal
11 April 2022 pukul 20.24 WIB.
Fransiska, Herlin. 2022. Modul Analisis Deret Waktu. Bengkulu : Universitas Bengkulu.
Purnomo, Febi Satya. 2015. Penggunaan Metode ARIMA (Autoregressive Integrated
Moving Average) Untuk Prakiraan Beban Konsumsi Listrik Jangka Pendek (Short
Term Forecasting). http://lib.unnes.ac.id/20940/1/5301411059-S.pdf. Diakses
pada tanggal 11 April 2022 pukul 20.11WIB.

vi