Anda di halaman 1dari 18

PENDUGAAN PARAMETER ARIMA (p,d,q)

Laporan Praktikum Ke-5


Disusun untuk Memenuhi Praktikum Analisis Deret Waktu

















Oleh :


Nama : Fachriyatul Umah
NIM : 0910950038
Asisten I : Rifqi Ramadhan P
Asisten II : Yustian Al-Fariz






PROGRAM STUDI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
2011

BAB I
PENDAHULUAN

1.1 Latar Belakang
Data berkala (time series data) adalah data yang dikumpulkan
dari waktu ke waktu untuk menggambarkan perkembangan suatu
kegiatan. Analisis data berkala memungkinkan untuk mengetahui
perkembangan suatu atau beberapa kejadian serta hubungan atau
pengaruhnya terhadap kejadian lain.
Oleh karena data berkala terdiri dari beberapa komponen, maka
dengan analisis data berkala dapat diketahui masing-masing
komponen, bahkan dapat menghilangkan satu atau beberapa
komponen jika ingin menyelidiki komponen tersebut secara
mendalam tanpa kehadiran komponen lain. Maka penting untuk
dibuat plot atau grafiknya.
Dengan menggunakan program Minitab, pendugaan parameter
ARIMA (p,d,q) dapat dilakukan dengan 3 metode yaitu metode
moment, metode kuadrat terkecil, dan metode Maximum Likelihood
Akhirnya kita dapat mengetahui nilai parameter dari ARIMA yang
dihasilkan oleh ketiga metode diatas.

1.2 Tujuan Praktikum
1.2.1 Tujuan Umum
Mahasiswa mampu melakukan pendugaan parameter
dengan berbagai cara
1.2.2 Tujuan Khusus
Mahasiswa mampu melakukan :
1. Pendugaan parameter dengan metode moment
2. Pendugaan parameter dengan metode least-square
3. Pendugaan parameter dengan metode maximum likelihood



BAB II
DASAR TEORI

2.1 Pendugaan Parameter
Pendugaan adalah proses yang menggunakan sample statistik
untuk menduga atau menaksir hubungan parameter populasi yang
tidak diketahui. Pendugaan merupakan suatu pernyataan mengenai
parameter populasi yang diketahui berdasarkan informasi dari
sample , dalam hal ini sample random, yang diambil dari populasi
bersangkutan. Jadi dengan pendugaan itu, keadaan parameter
populasi dapat diketahui. Dengan penduga, dapat diketahui seberapa
jauh suatu parameter populasi yang tidak diketahui berada di sekitar
sample ( statistik sample ). Secara umum, parameter diberi lambang
( baca : theta ) (Anonim, 2005).
2.1.1 Ciri ciri Penduga yang Baik
Banyak ciri atau syarat untuuk menentukan apakah sebuah
penduga tergolong baik atau tidak . Suatau penduga dikatakan
baik apabila memiliki ciri ciri berikut :
1. Tidak Bias ( Unbiased )
Suatu penduga ( ) dikatakan tidak bias bagi parameternya
( ) apabila nilai penduga sama dengan nilai yang
diduganya ( parameternya ). Jadi , penduga tersebut secara
tepat dapat menduga nilai dari parameternya.
2. Efisien
Suatu penduga dikatakan efisien bagi parameternya ( )
apabila penduga tersebut memiliki varians yang kecil.
Apabila terdapat lebih dari satu penduga , penduga yang
efisien adalah penduga yuang memiliki varians terkecil.
Dua buah penduga dapat dibandingkan efisiensinya dengan
menggunakan efisiensi relatif ( relative efficiency ).
3. Konsisten
Suatu penduga dikatakan konsisten apabila memenuhi
syarat berikut :
a. Jika ukuran sample semakin bertambah maka penduga
akan mendekati parameternya. Jika besarnya sample
menjadi tak terhingga maka penduga konsisten harus
dapat memberi suatu pendugaan titik yang sempurna
terhadap parameternya.
b. Jika ukuran sample bertambah tak terhingga maka
distribusi sampling penduga akan mengecil menjadi
suatu garis tegak lurus di atas parameter yang
sebenarnya dengan probabilitas sama dengan 1.
Catatan : Suatu penduga konsisten belum tentu merupakan
penduga yang baik , karena konsisten hanya merupakan salah satu
syarat (Anonim, 2008)

2.2 Metode Moment
Metode moment merupakan metode yang paling mudah dan
sering dipakai untuk menduga parameter. Metode ini terdiri dari
persamaan moment sederhana untuk untuk moment dan persamaan
hasil penyelesaian untuk menduga parameter yang tidak diketahui.
Contoh sederhana dari metode ini adalah untuk menduga waktu
rata-rata dengan sample rata-rata
Z
.
Model MA(1) adalah : Z
t
= a
t
- a
t-1
, dengan
1
< 1 , maka
2
1 u
u

=

Dengan menganggap
1

menjadi r
1
, nilai

dapar diduga dengan
menyelesaikan persamaan kuadrat. Jika |

| = 0.5 diperoleh penduga
parameternya adalah:
( )
1
2
1
2
4 1 1

r
r +
= u

Jika r
1
= 0,5, maka = 1 yang berarti model tidak invertible.
Jika | r
1
| > 0.5 maka nilai tidak ada. Jadi metode moment gagal
untuk menghasilkan penduga dari . Tentu saja jika | r
1
| > 0.5,
spesifikasi dari model MA(1) akan diragukan. Untuk model MA(q),
metode moment akan lebih cepat mendapatkan hasil.
Model AR (1) adalah :
t t t
a Z Z + =
1
|
, dengan
1
< 1
Untuk model ini terdapat hubungan sederhana
| =
1
. Pada
metode moment,
1
adalah disamakan dengan r
1
, pada lag 1 sample
autokorelasi. Jadi penduga
|
adalah
1

r = |
.

Model AR (2) adalah :
t t t t
a Z Z Z + =
2 2 1 1
| |
Untuk kasus AR(2), hubungan antara parameter
1
|
dan
2
|
akan
mengikuti persamaan Yule - Walker :
2 1 1 1
| | + =
dan
2 1 1 2
| | + =

Dengan metode moment,
1
digantikan oleh r
1
dan
2
diganti oleh r
2

sehingga menghasilkan :
2 2 1 1
| | r r + =
dan
2 1 1 2
| | + = r r

Kemudian diselesaikan untuk memperoleh
1

|
dan
2

|

( )
2
1
2 1
1
1
1

r
r r

= |
dan
2
1
2
1 2
2
1

r
r r

= |

Untuk kasus AR(p) proses yang sama dilakukan dengan
menggantikan
k
dengan r
k
, pada persamaan Yule - Walker
diperoleh:
p p p p
p p
p p
r r r
r r r
r r r
| | |
| | |
| | |
+ + + =
+ + + =
+ + + =

...
...
...
2 2 1 1
2 2 1 1 2
1 2 1 1 1

Persamaan linier ini diselesaikan untuk mencari
p
| | |

,...,

2 1
dalam
bentuk r
1
, r
2
,., r
p
(Cryer, 1986).

2.3 Metode Least-Square
Karena metode moment tidak dapat memenuhi untuk model
MA, maka harus diduga dengan metode pendugaan lain, salah
satunya dengan Metode Kuadrat Terkecil.
Model AR(1) adalah :
t t t
a Z Z + =

) (
1
|

Model regresi dengan variable bebas adalah
1 t
Z
dan variable
respon
t
Z
adalah Metode kuadrat terkecil berusaha meminimumkan
jumlah kuadrat menjadi :
t t t
a Z Z =

) (
1
|

Sehingga diperoleh :

| |

=

=
n
t
t
Z Z S
2
2
1 *
) ( ) ( ) , ( | |

disebut Fungsi Jumlah Kuadrat. Berdasarkan prinsip metode
kuadrat terkecil asumsi
|
dan

dengan harga masing-masing


bahwa nilai minimum S
*
(
|
,

) diberikan oleh Z
1
, Z
2
, , Z
n
.
Mempertimbangkan persamaan
0
*
= c c S
, maka diperoleh:

( ) ( ) | |( )

=

= + =
c
c
n
t
t t
Z Z
S
2
1
*
0 1 2 | |

Sehingga penyelesaian untuk

adalah
( )( ) |
|

=

=

=
1 1
2
1
2
n
Z Z
n
t
t
n
t
t


Untuk n besar didapat :
Z
n
Z
n
Z
n
t
n
t
t t
~


= =

2 2
1
1 1

Jadi, dengan tanpa melihat harga
|
, didapatkan :

Z
Z Z
=

~
i
|


Untuk meminimalkan S
*
(
|
,

) terhadap
|
didapatkan:
( )
( ) ( ) | |( )

=

=
c
c
n
t
t t t
Z Z Z Z Z Z
Z S
2
1 1
*
2
,
|
|
|

Sehingga
|
adalah

( )( )
( )

=

=


=
n
t
t
n
t
t t
Z Z
Z Z Z Z
2
2
1
2
1

|

Kecuali untuk satu bentuk kesalahan penyebut, nama
( )
2
Z Z
n

adalah sama dengan r
1
, jadi metode kuadrat terkecil dan metode
pendugaan moment identik khususnya untuk sample yang besar.





MODEL MA(1)
Rumus umum untuk model MA (1) adalah Z
t
= a
t
- a
t-1
, model
invertiblenya adalah
t t t t
a Z Z Z + =

....
2
2
1
u u , rumus ini
disebut model autoregressive tetapi berasal dari orde yang tidak
terbatas.
Jadi metode kuadrat terkecil bisa diselesaikan dengan memilih
nilai untuk parameter yang telah diminimalkan yaitu dengan rumus

=
2
*
) (
t
a S u dimana a
t
= a
t
( ) adalah fungsi dari observasi
waktu dan parameter . Untuk Z
1
, Z
2
,, Z
n
dan nilai tertentu dari
untuk menyelesaikan rumus di atas dengan menggunakan rumus
umum untuk MA(1) diperoleh a
t
= Z
t
+ a
t-1
dan untuk keadaan a
0
=
0 digunakan a
1
= Z
1
, a
2
= Z
2
+ a
1
, a
3
= Z
3
+ a
2
, ., a
n
= Z
2
+ a
n-1
.
untuk orde yang lebih besardigunakan persamaan a
t
= Z
t
+
1
a
1
+

2
a
2
++
q
a
t-q
, dengan a
0
= a
-1
= ... = a
1-q
= 0 (Cryer, 1986).

2.4 Metode Maximum Likelihood
Fungsi log likelihood adalah

dimana SSR adalah Jumlah kuadrat sisaan dengan rumus

Proses ARMA untuk Wt dimana t > 0 disebut fungsi likelihood
bersyarat karena diasumsikan e
t
= 0. Box and Jenkins (1976)
mengatakan bahwa nilai log-likelihood dalam model ARIMA bisa
ditulis dengan
Dengan catatan
Dan

Sehingga

Untuk matrix variance-covariance pendugaan parameter didapat
dari invers matrix

Dalam prakteknya nilai 1
ij
atau S
ij
didekati oleh salah satu observasi
yaitu


Untuk varian dari sample besar digunakan
(William,1990).











BAB III
METODOLOGI

3.1 Metode Moment
1. Memplotkan data
stat > time series > time series plot
2. Hitung autokorelasi
stat > time series > autokorelasi.
3. Duga nilai parameter dengan metode moment. Rumus untuk
menduga nilai parameter
1
|
dan
2
|
adalah
2
1
2 1
1
1
) 1 (

r
r r

= |
dan
2
1
2
1 2
2
1

r
r r

= |
.

3.2 Metode Kuadrat Terkecil (MKT)
1. Lakukan transformasi lag 1 (Zt-1) dan lag 2 (Zt-2) dari data
percobaan Z
t.

stat > time series > lag
2. stat > regression
option > fit intercept (tidak dicentang)

3.3. Metode Maximum Likelihood
1. Duga nilai parameter dengan metode maximum likelihood
tanpa memasukkan nilai awal.
stat > time series > ARIMA
hilangkan tanda cek pada starting value
inputkan 2 pada nonseasonal AR
2. Duga nilai parameter dengan memasukkan nilai hasil
pendugaan parameter metode momen sebagai nilai awal.
stat > time series > ARIMA
cek pada starting value
masukkan kolom di mana nilai hasil penduga parameter
pada metode momen di tulis.



BAB IV
HASIL DAN PEMBAHASAN


Pada praktikum tentang pendugaan parameter untuk ARIMA (p,d,q
) data yang digunakan sebanyak 36, yang di asumsikan mengikuti model
AR(2). Dengan data sebagai berikut:

266.0 145.9 183.1 119.3 180.3 168.5
231.8 224.5 192.8 122.9 336.5 185.9
194.3 149.5 210.1 273.3 191.4 287.0
226.0 303.6 289.9 421.6 264.5 342.3
339.7 440.4 315.9 439.3 401.3 437.4
575.5 407.6 682.0 475.3 581.3 646.9
Data deret waktu tersebut sudah stasioner pada ragam dan rata-rata
serta mengikuti model AR (2). Sehingga bisa langsung dilakukan
pendugaan parameter AR (2) dengan menggunakan metode Momen,
metode Least Square (Metode Kuadrat Terkecil) serta metode
Maximum Likelihood.

4.1 Metode Moment






Index
C
1
36 32 28 24 20 16 12 8 4
700
600
500
400
300
200
100
Time Series Plot of C1
Karena data mengikuti model AR(2) maka perlu diketahui
model AR(2) yaitu:
a Z Z Z AR
t t t
+ = =
2 2 1 1
) 2 ( | |
Untuk mencari nilai dari | diperlukan nilai r
1
dan r
2
yang dapat
dilihat pada grafik autokorelasi untuk data karena nilai
2 2 1 1
r dan r = = yaitu:


Dari data di atas diperoleh nilai r
1
= 0.662558 dan r
2
= 0.716545.
Sehingga diperoleh nilai:
334759 . 0
) 662558 . 0 ( 1
) 716545 . 0 1 ( 662558 . 0
1
) 1 (

2 2
1
2 1
1
=

=
r
r r
|
494747 . 0
) 662558 . 0 ( 1
) 662558 . 0 ( 716545 . 0
1

2
2
2
1
2
1 2
2
=

=
r
r r
|

Atau dengan perhitungan secara minitab :

Yang dapat ditulis menjadi :


Sehingga pendugaan parameter dari
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
9 8 7 6 5 4 3 2 1
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for zt
(with 5% significance limits for the autocorrelations)
metode momen adalah 334759 . 0

1
= | dan
494747 . 0

2
= |
. Dari hasil
perhitungan tersebut model AR(2) dapat ditulis dalam persamaan
sebagai berikut :

t t t t
a Z Z Z + + =
2 1
494747 . 0 334759 . 0


4.2 Metode Kuadrat Terkecil (MKT)
Pendugaan dengan metode kuadrat terkecil dapat di lakukan
dengan terlebih dahulu melakukan transformasi lag1(Z
t-1
) dan
lag2(Z
t-2
). Setelah didapatkan lag 1 dan lag 2, kemudian dilakukan
uji regresi, Hasil regresi Z
t
terhadap Z
t-1
dan Z
t-2
sebagai berikut :













Dari hasil regresi tersebut di peroleh nilai 303 . 0

1
= | dan 765 . 0

2
= | di
mana nilai dari
2 1
| | dan merupakan koefisien regresi dari Z
t-1
dan Zt
-2

sehingga dengan metode kuadrat terkecil diperoleh model AR(2)
yaitu:
t t t t
a Z Z Z + + =
2 1
765 . 0 303 . 0

4.3 Metode Maximum Likelihood (MLE)
4.3.1 Tanpa Penduga awal
Pada kolom series masukkan nilai Zt. Karena model ini
mengikuti model AR(2), pada kolom autoregressive diisi
dengan nilai 2. Dan didapatkan hasil seperti di bawah ini :















































Dengan melihat hasil keluaran minitab diatas didapatkan nilai
1

|
dan
2

|
masing - masing sebesar 0.2952 dan 0.7110. Sehingga dari hasil
perhitungan tersebut model AR(2) dapat ditulis dalam persamaan
sebagai berikut :
t t t t
a Z Z Z + + =
2 1
7110 . 0 2952 . 0









4.3.2 Dengan Penduga Awal
Pendugaan parameter dengan menggunakan metode likelihood
dengan nilai awal dari hasil pendugaan parameter metode moment
334758 . 0

1
= | dan 494748 . 0

2
= |





















Sehingga pendugaan parameter dari metode maximum likelihood
dengan penduga awal nilai hasil dari metode momen adalah
3110 . 0

1
= | dan 6949 . 0

2
= | . Dari hasil perhitungan tersebut model
AR(2) dapat ditulis dalam persamaan sebagai berikut :
t t t t
a Z Z Z + + =
2 1
6949 . 0 3110 . 0



BAB V
PENUTUP

5.1 Kesimpulan
Pendugaan parameter model ARIMA(p,d,q) dapat di lakukan
dengan 3 metode yaitu metode moment, metode kuadrat terkecil dan
metode maksimum likelihood. Dan didapatkan hasil :
- Metode moment

t t t t
a Z Z Z + + =
2 1
494747 . 0 334759 . 0

- Metode kuadrat terkecil
t t t t
a Z Z Z + + =
2 1
765 . 0 303 . 0

- Metode maximum likelihood
a) Dengan nilai awal tidak ditentukan
t t t t
a Z Z Z + + =
2 1
7110 . 0 2952 . 0

b) Dengan nilai awal menggunakan penduga awal hasil
metode momen
t t t t
a Z Z Z + + =
2 1
6949 . 0 3110 . 0

Dari ketiga metode di atas, metode penduga yang terbaik adalah
metode maximum likelihood (MLE), karena menghasilkan KTG/MSE
yang lebih kecil dibandingkan dengan metode lain.


5.2 Saran
Saat melakukan analisa, disarankan agar lebih teliti, terutama
ketika melakukan perhitungan yang menggunakan rumus, baik
perhitungan secara manual maupun ketika menggunakan minitab.







DAFTAR PUSTAKA


Anonim. 2005. www.xycoon.com/arima_estimation.htm /. Diakses 27
November 2011

Anonim. 2008. www.ilmustatistik.com/2008/11/16/pendugaan-
parameter/ Diakses 27 November 2011

Cryer, Jonathan D. 1986. Time Series Analysis. PWS-KENT Publishing
Company. Boston USA.

Wei,William.W.S.1990. Time Series Analysis. Addison.Weshley
Publishing Company.