Anda di halaman 1dari 31

BAB I

PENDAHULUAN

1.1 Latar belakang
Dalam kehidupan sehari-hari sering kita menjumpai fenomena sebuah
data yang berhubungan dengan waktu. Dalam berbagai bidang, hal tersebut
dapat kita amati diantaranya dalam bidang kedokteran yaitu tingkat
kematian pasien akibat virus flu burung yang melanda negara kita akhir-
akhir ini, dalam bidang ekonomi seperti kenaikan harga - harga sembako
setiap periode tertentu, dan masih banyak bidang - bidang yang lainnya
lagi.
Analisis deret waktu adalah data yang dikumpulkan dari waktu ke
waktu untuk menggambarkan perkembangan suatu kegiatan
(perkembangan produksi, harga, hasil penjualan, jumlah penduduk, jumlah
kecelakaan, jumlah peserta KB dan lain sebagainya). Analisis deret waktu
memungkinkan kita untuk mengetahui perkembangan suatu atau beberapa
kejadian serta hubungan atau pengaruhnya terhadap kejadian lain. Misalnya
apakah kenaikan biaya iklan akan diikuti dengan kenaikan penerimaan hasil
penjualan, apakah penurunan tarif pajak penghasilan diikuti oleh
kenaikannya pemasukan pemerintah dari sektor pajak dan lain sebagainya.
Analisis deret waktu mempunyai 2 macam manfaat, pertama, untuk
mengetahui dan memodelkan mekanisme stokastik yang memberikan
kesimpulan dari data yang kita amati serta untuk memprediksi atau
meramalkan nilai yang kita amati di masa yang akan datang berdasarkan
nilai sekarang.
Di dalam analisis deret waktu, dikenal beberapa macam model
yang memiliki parameter-parameter yang berbeda pada tiap-tiap model.
Untuk mengetahui parameter tersebut, diperlukan metode dalam pendugaan
parameter, sehingga model dapat diketahui dan dapat digunakan untuk
meramalkan nilai di masa yang akan datang.Salah satu model peramalan
yang mensyaratkan penggunaan data runtut waktu yang stasioner adalah
ARIMA (Autoregressive Integrated Moving Average). Metode ARIMA
merupakan metode yang secara intensif dikembangkan oleh George Box
dan Gwilym Jenkins yang diterapkan untuk analisis peramalan data berkala
(time series). Metode ini memanfaatkan sepenuhnya data masa lalu dan
data sekarang untuk menghasilkan peramalan jangka pendek yang lebih
akurat.
Plot data time series yang dihasilkan dari suatu observasi akan
mempunyai plot (grafik) yang berbeda-beda. Tentunya model yang sesuai
untuk data tersebut juga berbeda-beda. Untuk menentukan model yang
sesuai, langkah pertama yang harus dilakukan adalah melihat apakah data
tersebut sudah stasioner terhadap ragam dan rata-rata atau belum. Data
yang tidak stasioner akan mempunyai nilai ragam dan rata-rata yang
berbeda pada tiap waktunya.
Model ARIMA adalah suatu model deret waktu yang terdiri atas
model autoregressive dan model Moving Average (MA) yang didiferensi
sebanyak d kali . Dalam melihat gambar dari data time series, spesifikasi
model tentatif dapat dibuat dengan cara mengidentifikasi ciri-ciri grafik
fungsi autokorelasi (ACF) dan grafik fungsi autokorelasi parsial (PACF).
Oleh karena itu, pembahasan spesifikasii model sangat diperlukan untuk
mempelajari suatu data analisis deret waktu.
Dalam melakukan penentuan model pada analisis deret waktu ada
beberapa tahapan yang akan kita lewati,yaitu yang pertama merumuskan
model-model umum,dan salah satunya dengan menggunakan model
ARIMA atau model yang lainnya. Sedangkan tahap selanjutnya adalah
penentuan model tentative dan melakukan identifikasi model, dimana
dalam menentukan model tentative ini terlebih dahulu kita harus menguji
data kita itu apakah dia sudah stasioner terhadap ragam dan rata-rata atau
tidak. Setelah model tentative diperoleh maka selanjutnya yang kita
lakukan adalah melakukan pendugaan parameter dengan menggunakan
beberapa metode. Adapun metode yang biasa digunakan adalah metode
momen, metode least squares, dan metode maximum likelihood. Namun
dalam laporan praktikum kali ini hanya dibahas metode Maximum
Likelihood.


1.2 Tujuan
- Tujuan umum
Mahasiswa mampu melakukan pendugaan parameter dengan
berbagai cara

- Tujuan khusus
Mahasiswa mampu melakukan
1. Pendugaan parameter dengan metode moment
2. Pendugaan parameter dengan metode least-squares
3. Pendugaan parameter dengan metode maximum likelihood.


BAB II
TINJAUAN PUSTAKA
Dalam mengidentifikasi suatu model tentatif ARIMA (p,d,q)
dapat dilakukan dengan mengenal ciri-ciri ACF dan PACF suatu model.
Setelah ciri ACF dan PACF data sudah dikenali, maka model dari data
yang sudah stationer bisa ditentukan. Model ARIMA (p,d,q) adalah suatu
model time series yang terdiri model gabungan antara model autoregressive
(AR) dan moving average (MA) dengan p adalah order untuk AR , q adalah
order untuk MA dan d adalah differensi. Untuk model time series moving
average (MA) , bisa dilihat dari bentuk ACF nya dan untuk AR dapat
dilihat dari PACF (Harvey, 1993).
- Fungsi autokorelasi data sampel
Autokorelasi lag ke k dari data sampel dapat dihitung dengan :

( )( )
( )

=
+


=
n
t
t
k n
t
k t t
k
Z Z
Z Z Z Z
r
1
2
1
, k=0, 1,2 ,3,
Yang dimaksud dengan fungsi autokorelasi (ACF) data sampel adalah
dengan memplotkan data autokorelasi lag ke-k dengan lag ke-k itu
sendiri.
- Fungsi autokorelasi parsial data sampel
Autokorelasi parsial lag ke k dari data sampel dapat dihitung dengan :

=
1
1
, 1
1
1
, 1
1
k
j
j j k
k
j
j k j k k
kk
|
|
| dan
kj
=
k-1,j
-
kk

j-1
,
k-j
, j = 1, 2, 3, ......k-1
Untuk contoh
11
= maka, dapat dihasilkan sebagai berikut :
2
1
2
1 2
1 11
1 11 2
22
1
1


|
|
|

21
=
11

22

11
( dibutuhkan untuk k = 3 )
2 22 1 21
1 22 2 21 3
33
1 | |
| |
|


=
Plot antara autokorelasi parsial antara lag ke-k dengan lag ke-k itu sendiri
akan membentuk suatu fungsi autokorelasi parsial (PACF) dari data sampel
(Cryer,1986).

Secara empirik deret berkala tidak memiliki rata rata yang
konstan ( tidak stasioner ) akan tetapi mempunyai ragam yang homogen.
Cara yang digunakan untuk menganalisa data tersebut adalah dengan
melakukan proses diferensasi terlebih dahulu sehingga data menjadi
stasioner. Dalam prakteknya, parameter diferensiasi, d, umunya bernilai 0,
1, dan 2. Jika d = 0 berarti data deret berkala menunjukkan bentuk
eksponensial. Jika d = 1 berarti data deret berkala mempunyai trend linier
dan jika d > 1 berarti data deret berkala menunjukkan trend polinomial.
Model yang melibatkan diferensiasi pada deret berkala disebut proses
ARIMA (Lestari, 2000).
Model ARIMA terdiri dari orde ke p proses autoregresif, orde ke
q proses moving average dan orde ke d proses diferensiasi, sehingga
model ARIMA dinotasikan dengan model ARIMA (p,d,q). Beberapa model
umum ARIMA yang stasioner adalah :
a. Model ARIMA (p,0,0) atau AR(p)
t p t p t t t
a Z Z Z Z + + + + =

| | | ...
2 2 1 1
atau
t t
a Z B = ) ( |
Kondisi stasioner pada proses AR(pa) terjadi apabila akar akar
dari persamaan 0 ) ( = B | , nilainya lebih besar 1 dalam nilai
mutlak. Model AR(p) ditandai dengan :
autokorelasi menurun secara eksponensial atau mengikuti
gelombang sinus teredam
koefisien autokorelasi parsial tidak berbeda nyata dengan nol
setelah lag ke-p.
b. Model ARIMA (0,0,q) atau MA(q)
q t q t t t t
a a a a Z

= u u u ....
2 2 1 1
atau
t t
a B Z ) ( u =
Syarat suatu proses MA(q) dikatakan stasioner jika jumlah
paramter parameternya adalah terhingga, yaitu
<
q
u u u
2 1
1 dan akar akar persamaan 0 ) ( = B u
lebih besar dari 1 dalam nilai mutlak. Proses MA(q) ditandai
dengan :
autokorelasi tidak berbeda nyata dengan nol setelah lag ke-q
koefisien autokorelasi parsial menurun secara eksponensial
atau mengikuti gelombang sinus teredam.
c. Model ARIMA(p,0,q) atau ARMA(p,q)
q t q t t t p t p t t t
a a a a Z Z Z Z

+ + + + = u u u | | | ... ...
2 2 1 1 2 2 1 1
atau =
t
Z B) ( |
t
a B) ( u
Model ini dikatakan stasioner apabila akar dari persamaan
0 ) ( = B | dan 0 ) ( = B u lebih besar dari 1 dalam nilai mutlak
(Nugroho, 2006).

Pada suatu data sampel model ARIMA memiliki fungsi
autokorelasi lag ke-k dan fungsi autokorelasi parsial lag ke-k. Proses
identifikasi model tentatif ARIMA (p,d,q) dapat dilakukan dengan
mengenal ciri-ciri ACF dan PACF suatu model. Jika ciri-ciri ACF dan
PACF dapat dikenali maka dapat ditentukan model dari data yang stasioner
(Arga, 1985).
Dengan demikian, suatu data mengikuti model ARMA (p,q)
apabila data tersebut stasioner. Namun, apabila tidak stasioner dapat di
stasionerkan dengan diferensi sebanyak d kali sehingga data tersebut
mengikuti model ARIMA (p,d,q). Untuk menentukan p dan q bisa
diidentifikasi dari plot ACF dan PACF pada data yang sudah stasioner.
Nilai p ditentukan dengan melihat pada time lag berapa terdapat garis yang
keluar batas pada grafik fungsi PACF. p=1 ditandai dengan adanya satu
garis yang keluar batas pada lag pertama. p=2 ditandai dengan adanya dua
garis yang keluar batas pada lag pertama dan kedua. Nilai q ditentukan
dengan melihat pada time lag berapa terdapat garis yang keluar batas pada
grafik fungsi ACF. Jika terdapat satu garis keluar pada lag1, maka q=1.
Jika terdapat dua garis keluar pada lag1 dan 2, maka q=2. Sedangkan d
dapat ditentukan dengan melihat berapa banyak diferensi yang dibutuhkan
untuk membuat data yang ada menjadi stasioner (Harvey, 1993).
Untuk mendapatkan model dari data yang diperoleh dari observasi
tersebut diperlukan suatu pemodelan deret waktu seperti autoregressive
(AR), moving average (MA), autoregressive moving average (ARMA) dan
autoregressive integrated moving average (ARIMA). Model-model ini
digunakan untuk memodelkan data deret waktu dengan ketergantungan
jangka pendek (short memory), yaitu data dengan periode terpisah jauh
diasumsikan tidak memiliki hubungan (tidak berkorelasi). Data deret waktu
akan mempunyai sifat ketergantungan jangka panjang (long memory) jika
diantara pengamatan dengan periode yang terpisah jauh masih mempunyai
korelasi yang tinggi. Sifat dari data deret waktu seperti ini mempunyai
fungsi autokorelasi (ACF) k untuk lag ke-k, turun secara hiperbolik.
Sedangkan data deret waktu yang stasioner akan mempunyai sifat
ketergantungan jangka pendek (short memory) jika mempunyai fungsi
autokorelasi k yang turun secara cepat atau turun secara eksponensial

Tabel 1. ciri-ciri ACF dan PACF model ARIMA (p,d,q)
Model ACF PACF
MA (1) beda nyata pada lag-1 turun eksponensial
MA (2) beda nyata pada lag-1 dan 2
turun
eksponensial/gelombang
sinus
MA (q) beda nyata pada lag-1 sampai k
turun
eksponensial/gelombang
sinus
AR (1) turun eksponensial beda nyata pada lag-1
AR (2)
turun eksponensial/gelombang
sinus beda nyata pada lag-1 dan 2
AR (p)
turun eksponensial/gelombang
sinus
beda nyata pada lag-1
sampai -p
ARMA
(1,1) turun eksponensial turun eksponensial
(Darmawan, dkk, 2010).

Pendugaan parameter dilakukan pada model tentatif yang telah
terpilih. Pendugaan parameter dapat diduga dengan menggunakan beberapa
metode, yakni : metode Moment, metode Least-Square (metode Kuadrat
Terkecil) dan metode Maximum Likelihood. (Arga, IR W.1985)
2.1 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)
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)

, dengan

< 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)


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).


2.2 Metode Kuadrat Terkecil
Karena metode moment tidak dapat memenuhi untuk model MA,
maka harus diduga dengan metode pendugaan lain, salah satunya
dengan Metode Kuadrat Terkecil.
Konsep dari metode least-square ( metode kuadrat terkecil ) ini
adalah meminimumkan galat dari model yang ada. Karena dalam
model Time Series galatnya adalah white noise maka untuk
mendapatkan nilai duga dari parameter model, harus meminimumkan
a
t
. Kita dapat memandang ini adalah suatu model regresi dengan
peramal Zt-1 dan respon Zt.
Model AR(1)
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 *
) ( ) ( ) , ( | |

Ini biasanya 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 diapat :
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 (Cryer,1986).
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
(Wei W.S.1990)

2.3 Metode Likelihood
Kelebihan metode Maksimum Likelihood adalah semua informasi
yang tersedia dalam data digunakan lebih baik dari sekedar momen
pertama dan kedua, seperti pada kuadrat terkecil. Manfaat lain adalah
banyak sampel berukuran besar yang dikenal dibawah kondisi umum.
Salah satu kekurangan dari metode ini adalah kita terlebih dahulu harus
menemukan joint Probability Density Function (PDF).
Pada metode ini, setelah kita memperoleh Probability Density
Function maka untuk selanjutnya kita mencari fungsi ln dari model
tersebut kemudian dimaksimumkan dengan cara menurunkan terhadap
parameter yang akan diduga.
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 sampel besar digunakan (Anonim,
2004 )


BAB III
METODOLOGI

3.1 Plot data dan Identifikasi pola
- Ketikan data percobaan pada notepad
- Masuk pada Minitab session lalu pilih Editor > enable
commands

- MTB > Set C1 (pilih sesuai tempat yang diinginkan)
- DATA > (copy data dari notepad yang telah disimpan tadi),
lalu tekan enter.
- DATA > end.
- Beri nama C1 dengan nama yangdiinginkan
- Setelah itu untuk menggambar grafik, pilih Stat > Time Series
> Time Series Plot

- Pilih Simple

- Isi series dengan data yang akan diidentifikasi polanya

- Isi label dengan judul grafik
- Klik OK


3.2 Uji stasioneritas
Terhadap ragam
- Membuat-Plot Box-Cox data dengan Pilih Stat >
Control Chat > Box-Cox Transformation.

- Pada Kotak pilih All observations for a chart are in
one column . Masukkan C1 (yang terdapat pada
kotak paling kiri), dengan Subgroup size 1.

- Dan Kemudian klik Option pada Store transformed
data in ketik di kolom mana data hasil transformasi
itu akan diletakkan lalu tekan OK.

- Data dikatakan stasioner terhadap ragam apabila
nilai dari 1 ~ atau = 1. Jika 1 = maka
lanjutkan mentransformasi data.
- Dilakukan langkah diatas dengan memasukkan data
hasil transformasi sampai nilai mendekati 1 atau
= 1 .

Terhadap rata-rata
Data yang dipakai adalah data yang stasioner pada ragam.
Langkahnya sebagai berikut:
- Klik Stat > Time Series > Autocorellation



- Jika didapatkan hasil lag yang ke 4 mendekati batas sehingga
meragukan untuk memutuskan apakah lag tersebut melebihi batas
kepercayaan atau tidak maka data harus di uji dengan Dickey
Fuller(DF) untuk memutuskannya. Jika data memang jelas terlihat
tidak stasioner yaitu terdapat lebih dari 3 lag yang melebihi batas
maka di lakukan uji Differences.

1. Uji Dickey Fuller menggunakan E-Views
- Klik file > new > workfile

- Isikan satuan data (missal:bulanan) dengan banyaknya data
(start-end date)

- Masukkan data salah satunya dengan file > import > read text
lotus excel



- Di dapatkan data, kemudian untuk menampilkan gambar view
> unit root test. Pilih user specified isi dengan 1

- Setelah keluar hasilnya, di lihat nilai statistic test DF,
bandingkan dengan nilai test critical 5%. Apabila | statistic test
DF| > | test critical 5%.| maka data tersebut stasioner.

2. Uji Differensi, langkahnya sebagai berikut
- Klik stat > time series > difference.

- Massukkan data yang sudah stasioner terhadap ragam, Pada
Store differences in kita isikan nama kolom untuk meletakkan
data yang telah di diferensi. Kemudian data tersebut dibuat
grafik autocorrelation lagi.
- Untuk melihat gambar dengan: stat > time series >
autocorellation. Centang store ACF.

- Hal ini diulang maksimal sampai 3 kali, jika setelah diulang 3
kali, data masih belum stasioner, berarti data memang tidak
stasionerkan terhadap rata-rata.

3.3 Identifikasi Model
Data yang dipakai adalah data yang stasioner pada ragam.
Terlebih dahulu lihat plot ACF nya, kemudian
- Pilih Stat > Time Series > Parsial Correlation

3.4 Pendugaan Parameter
Setelah didapatkan model sementara, kemudian diduga
parameternya menggunakan metode Maximum Likelihood, dengan
- Pilih Stat > Time Series >ARIMA




BAB IV
HASIL DAN PEMBAHASAN

4.1. Milk Production (4bulanan)
a) Pola data
Berikut ini ialah data dari Milk Production (4bulanan)
MTB > set c1
DATA> 2446 2663 2280 2492 2735 2333 2639
2823 2443
DATA> 2711 2893 2473 2803 3041 2661 2926
3143 2726
DATA> 2984 3207 2795 3014 3281 2872 3088
3347 2949
DATA> 3298 3558 3153 3415 3645 3190 3375
3599 3137
DATA> 3397 3691 3213 3411 3657 3284
DATA> end

Index
M
i
l
k
.
P
r
o
c

(
4
b
l
n
)
40 36 32 28 24 20 16 12 8 4
3800
3600
3400
3200
3000
2800
2600
2400
2200
Milk Production
4 bulanan

Berdasarkan hasil time series plot diatas data Milk Production
(4bulanan) , dapat dikatakan bahwa data tersebut memiliki pola trend
musiman, dimana trend-nya cenderung naik.


b) Stasioneritas
Terhadap ragam
Lambda
S
t
D
e
v
5.0 2.5 0.0 -2.5 -5.0
340
330
320
310
300
290
280
270
260
Lower CL Upper CL
Limit
Lambda
0.50
(using 95.0% confidence)
Estimate 0.69
LowerCL -1.50
UpperCL 3.06
Rounded Value
Box-Cox Plot of Milk.Proc (4bln)

Berdasarkan hasil Box-Cox di atas, nilai estimasi Lambda dari data Milk
Production (4 bulanan) yang diperoleh adalah 0.69 dan nilai Lower CL= -
1.50 dan Upper CL= 3.06. Nilai tersebut masih jauh dari 1. Jadi, data
tersebut belum memenuhi asumsi stasioner terhadap ragam sehingga data
perlu ditransfosmasi kembali.

Lambda
S
t
D
e
v
5.0 2.5 0.0 -2.5 -5.0
2.65
2.60
2.55
2.50
2.45
Lower CL
Limit
Lambda
1.38
(using 95.0% confidence)
Estimate 1.38
LowerCL -3.17
UpperCL *
Rounded Value
Box-Cox Plot of trnfr.1

Nilai estimasi Lambda hasil transformasi yang pertama didapatkan hasil
1.38 dan nilai Lower CL= -3.17 dan Upper CL= *. Nilai tersebut masih
jauh dari 1 sehingga dapat disimpulkan bahwa data tidak stasioner. Jadi,
data tersebut belum memenuhi asumsi stasioner terhadap ragam sehingga
data perlu ditransformasi kembali.
Lambda
S
t
D
e
v
5.0 2.5 0.0 -2.5 -5.0
18.0
17.5
17.0
16.5
16.0
15.5
Lower CL Upper CL
Limit
Lambda
1.00
(using 95.0% confidence)
Estimate 1.00
LowerCL -2.14
UpperCL 4.57
Rounded Value
Box-Cox Plot of trnfr.2

Nilai estimasi Lambda hasil transformasi yang kedua didapatkan hasil
adalah 1.00 dan nilai Lower CL= -2.14 dan Upper CL= *. Nilai tersebut
sudah mencapai nilai lambda sebesar 1 sehingga dapat disimpulkan bahwa
data stasioner.
Jadi, dapat disimpulkan bahwa data Milk Production (4bulanan)
stasioner terhadap ragam pada transformasi kedua dengan nilai estimasi
lambda sebesar 1.

Terhadap rata rata
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
11 10 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 trnfr.2
(with 5% significance limits for the autocorrelations)

Grafik ACF Milk Production (4bulanan) di atas terlihat bahwa terdapat 3
lag pertama yang keluar batas (2/n), maka dapat dikatakan bahwa data
Milk Production (4bulanan) sudah stasioner terhadap rata rata tanpa perlu
dilakukan differences.

c) Identifikasi model
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
11 10 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 trnfr.2
(with 5% significance limits for the autocorrelations)

Dari plot ACF Milk Production (4bulanan) yang sudah stasioner terhadap
ragam dan rata rata terdapat hanya 3 lag yang pertama keluar batas
(2/n) atau yang signifikan, dari hasil tersebut dapat dikatakan bahwa
model yang memenuhi ialah MA(3) dengan d=0.
Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
11 10 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
Partial Autocorrelation Function for trnfr.2
(with 5% significance limits for the partial autocorrelations)

Dari plot PACF di atas terdapat lebih dari 3 lag yang melebihi batas
(2/n) maka dapat dikatakan bahwa tidak ada model AR yang tepat untuk
data Milk Production (4bulanan) di atas.
Dari kedua plot (ACF dan PACF) diatas dapat dikatakan bahwa data
Milk Production (4bulanan) di atas memiliki model MA(3).

d) Pendugaan Perameter
ARIMA Model: Milk.Proc (4bln)

Estimates at each iteration

Iteration SSE Parameters
0 760384344 0.100 0.100 0.100
1 573448895 -0.050 0.128 0.113
2 438326925 -0.200 0.155 0.115
3 335901396 -0.350 0.173 0.109
4 257528793 -0.500 0.177 0.098
5 196504533 -0.650 0.156 0.085
6 147912317 -0.800 0.096 0.072
7 109029004 -0.950 -0.014 0.051
8 81269442 -1.084 -0.164 0.017
9 63884321 -1.192 -0.314 -0.031
10 51853259 -1.290 -0.464 -0.089
11 43313604 -1.381 -0.614 -0.152
12 37125476 -1.468 -0.764 -0.219
13 32675139 -1.552 -0.914 -0.290
14 29556778 -1.635 -1.064 -0.362
15 27534562 -1.720 -1.214 -0.432
16 25891259 -1.819 -1.364 -0.485
17 23689373 -1.909 -1.445 -0.460
18 20928075 -2.054 -1.595 -0.509
19 20664091 -2.048 -1.569 -0.466
20 19785701 -2.114 -1.719 -0.554
21 19473099 -2.119 -1.716 -0.522
22 17415901 -2.244 -1.866 -0.570
23 17300962 -2.250 -1.872 -0.564
24 16989710 -2.272 -1.895 -0.570
25 16967767 -2.273 -1.883 -0.556

** Convergence criterion not met after 25 iterations **
Final Estimates of Parameters

Type Coef SE Coef T P
MA 1 -2.2730 0.0017 -1358.65 0.000
MA 2 -1.8826 0.0152 -123.70 0.000
MA 3 -0.5561 0.0473 -11.75 0.000


Number of observations: 42
Residuals: SS = 16569930 (backforecasts excluded)
MS = 424870 DF = 39

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 136.8 228.6 280.6 *
DF 9 21 33 *
P-Value 0.000 0.000 0.000 *



Dengan melihat hasil keluaran minitab diatas didapatkan bahwa
iterasi dihentikan pada iterasi ke-25 karena pada iterasi ini mempunyai
hasil yang sama seperti pada iterasi sebelumnya. Nilai

dan


masing - masing sebesar -2.273, -1.883 dan -0.556.
Sehingga untuk nilai pendugaann parameter dengan metode
likelihood didapatkan koefisien MA(1) sebesar -2.273, MA(2) sebesar -
1.883 dan MA (3) -0.556, dimana ketiga nilai ini merupakan nilai duga dari

dan

Sehingga jika menggunakan metode Maximum Likelihood


yang diperoleh tanpa nilai awalan adalah:



4.2. Porland Oregon (4bulanan)
a) Pola data
Berikut ini ialah data dari Portland Oregon (4bulanan)
MTB > set c1
DATA> 147.6 153.6 161.5 191.8 216.6
212.8 210.0 222.4 229.9
DATA> 223.2 229.5 237.3 242.1 248.5
249.8 253.7 265.7 275.6
DATA> 287.3 353.5 398.1 454.6 482.2
482.9 515.5 536.8 533.8
DATA> 500.8
DATA> end
Index
P
o
r
t
l
n
d

O
r
e
g
o
n

(
4
b
l
n
)
27 24 21 18 15 12 9 6 3
500
400
300
200
100
Portland Oregon
4 bulanan

Berdasarkan hasil time series plot diatas data Portland Oregon
(4bulanan) , dapat dikatakan bahwa data tersebut memiliki pola trend
dimana trend-nya cenderung naik.

b) Stasioneritas
Terhadap ragam
Lambda
S
t
D
e
v
5.0 2.5 0.0 -2.5 -5.0
60
50
40
30
20
10
Lower CL Upper CL
Limit
Lambda
0.00
(using 95.0% confidence)
Estimate -0.07
LowerCL -1.03
UpperCL 0.80
Rounded Value
Box-Cox Plot of Portlnd Oregon (4bln)

Berdasarkan hasil Box-Cox di atas, nilai estimasi Lambda dari data
Portland Oregon (4bulanan) yang diperoleh adalah -0.07 dan nilai Lower
CL= -1.03 dan Upper CL= 0.80. Nilai tersebut masih jauh dari 1. Jadi, data
tersebut belum memenuhi asumsi stasioner terhadap ragam sehingga data
perlu ditransfosmasi kembali.

Lambda
S
t
D
e
v
5.0 2.5 0.0 -2.5 -5.0
0.0525
0.0520
0.0515
0.0510
0.0505
0.0500
0.0495
0.0490
0.0485
Lower CL
Limit
Lambda
0.60
(using 95.0% confidence)
Estimate 0.60
LowerCL -4.97
UpperCL *
Rounded Value
Box-Cox Plot of trnsfrm.1

Nilai estimasi Lambda hasil transformasi yang pertama didapatkan hasil
0.60 dan nilai Lower CL= -4.97 dan Upper CL= *. Nilai tersebut masih
jauh dari 1. Jadi, data tersebut belum memenuhi asumsi stasioner terhadap
ragam sehingga data perlu ditransfosmasi kembali.

Lambda
S
t
D
e
v
5.0 2.5 0.0 -2.5 -5.0
0.0153
0.0152
0.0151
0.0150
0.0149
0.0148
Lambda
1.00
(using 95.0% confidence)
Estimate 1.00
LowerCL *
UpperCL *
Rounded Value
Box-Cox Plot of trnsfrm.2

Nilai estimasi Lambda hasil transformasi yang kedua didapatkan hasil
adalah 1.00 dan nilai Lower CL= * dan Upper CL= *. Nilai tersebut sudah
mencapai nilai lambda sebesar 1 sehingga dapat disimpulkan bahwa data
stasioner.
Jadi, dapat disimpulkan bahwa data Portland Oregon (4bulanan)
stasioner terhadap ragam pada transformasi kedua dengan nilai estimasi
lambda sebesar 1.

Terhadap rata rata
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
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 trnsfrm.2
(with 5% significance limits for the autocorrelations)

Grafik ACF Portland Oregon (4bulanan) di atas terlihat bahwa hanya
terdapat 2 lag pertama yang keluar batas (2/n), maka dapat dikatakan
bahwa data Portland Oregon (4bulanan) sudah stasioner terhadap rata
rata tanpa perlu dilakukan differences.

c) Identifikasi model
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
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 trnsfrm.2
(with 5% significance limits for the autocorrelations)

Dari plot ACF yang sudah stasioner terhadap ragam dan rata rata
terdapat 2 lag yang pertama keluar batas (2/n) atau yang signifikan, dari
hasil tersebut dapat dikatakan bahwa model yang memenuhi ialah MA(2)
dengan d=0.

Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
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
Partial Autocorrelation Function for trnsfrm.2
(with 5% significance limits for the partial autocorrelations)

Dari plot PACF di atas terdapat lebih dari 1 lag yang melebihi batas maka
dapat dikatakan bahwa model AR yang tepat untuk data Portland Oregon
(4bulanan) di atas ialah AR(1).
Dari kedua plot (ACF dan PACF) diatas dapat dikatakan bahwa data
Portland Oregon (4bulanan)) di atas memiliki model ARMA(1,2) atau
ARIMA(1,0,2).

d) Pendugaan Perameter
ARIMA Model: Portlnd Oregon (4bln)

Estimates at each iteration

Iteration SSE Parameters
0 3724889 0.100 0.100 0.100
1 2446685 0.250 0.020 0.149
2 1873094 0.400 0.032 0.203
3 1618659 0.550 0.114 0.266
4 1459375 0.700 0.222 0.341
5 1329929 0.850 0.337 0.432
6 1131260 0.814 0.187 0.500
7 1026353 0.733 0.037 0.492
8 975646 0.617 -0.113 0.422
9 937006 0.492 -0.263 0.327
10 899067 0.367 -0.413 0.223
11 852132 0.251 -0.563 0.115
12 777243 0.156 -0.713 0.003
13 606430 0.142 -0.863 -0.115
14 409377 0.292 -0.876 -0.135


15 256002 0.442 -0.886 -0.157
16 146827 0.592 -0.876 -0.166
17 71148 0.742 -0.846 -0.162
18 24688 0.892 -0.788 -0.143
19 9519 0.999 -0.825 -0.243
20 9199 1.003 -0.685 -0.162
21 9137 1.003 -0.710 -0.232
22 9117 1.003 -0.682 -0.235
23 9111 1.003 -0.680 -0.251
24 9109 1.003 -0.674 -0.254
25 9109 1.003 -0.672 -0.258

** Convergence criterion not met after 25 iterations **

* WARNING * Back forecasts not dying out rapidly

Back forecasts (after differencing)

Lag -97 - -92 192.909 192.308 191.709 191.111 190.515
189.921
Lag -91 - -86 189.329 188.739 188.151 187.564 186.979
186.397
Lag -85 - -80 185.815 185.236 184.659 184.083 183.509
182.937
Lag -79 - -74 182.367 181.798 181.232 180.667 180.104
179.542
Lag -73 - -68 178.982 178.424 177.868 177.314 176.761
176.210
Lag -67 - -62 175.661 175.113 174.567 174.023 173.481
172.940
Lag -61 - -56 172.401 171.863 171.327 170.793 170.261
169.730
Lag -55 - -50 169.201 168.674 168.148 167.624 167.101
166.580
Lag -49 - -44 166.061 165.543 165.027 164.513 164.000
163.489
Lag -43 - -38 162.979 162.471 161.964 161.460 160.956
160.455
Lag -37 - -32 159.954 159.456 158.959 158.463 157.969
157.477
Lag -31 - -26 156.986 156.496 156.009 155.522 155.037
154.554
Lag -25 - -20 154.072 153.592 153.113 152.636 152.160
151.686
Lag -19 - -14 151.213 150.742 150.272 149.803 149.336
148.871
Lag -13 - -8 148.407 147.944 147.483 147.023 146.565
146.108
Lag -7 - -2 145.652 145.198 144.746 144.294 143.845
143.396
Lag -1 - 0 142.949 144.530


Back forecast residuals

Lag -97 - -92 -1.208 -0.392 -0.625 -0.675 -0.578 -
0.627
Lag -91 - -86 -0.615 -0.607 -0.612 -0.607 -0.605 -
0.604
Lag -85 - -80 -0.602 -0.600 -0.598 -0.596 -0.594 -
0.592
Lag -79 - -74 -0.591 -0.589 -0.587 -0.585 -0.583 -
0.581
Lag -73 - -68 -0.580 -0.578 -0.576 -0.574 -0.572 -
0.571
Lag -67 - -62 -0.569 -0.567 -0.565 -0.564 -0.562 -
0.560
Lag -61 - -56 -0.558 -0.557 -0.555 -0.553 -0.551 -
0.550
Lag -55 - -50 -0.548 -0.546 -0.545 -0.543 -0.541 -
0.540
Lag -49 - -44 -0.538 -0.536 -0.534 -0.533 -0.531 -
0.529
Lag -43 - -38 -0.528 -0.526 -0.525 -0.523 -0.521 -
0.520
Lag -37 - -32 -0.518 -0.516 -0.515 -0.513 -0.512 -
0.510
Lag -31 - -26 -0.508 -0.507 -0.505 -0.504 -0.502 -
0.501
Lag -25 - -20 -0.499 -0.497 -0.496 -0.494 -0.493 -
0.491
Lag -19 - -14 -0.490 -0.488 -0.487 -0.485 -0.484 -
0.482
Lag -13 - -8 -0.481 -0.479 -0.478 -0.476 -0.475 -
0.473
Lag -7 - -2 -0.472 -0.470 -0.469 -0.467 -0.466 -
0.464
Lag -1 - 0 -0.463 1.565


Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 1.0031 0.0228 43.96 0.000
MA 1 -0.6724 0.2067 -3.25 0.003
MA 2 -0.2580 0.2068 -1.25 0.224


Number of observations: 28
Residuals: SS = 9077.02 (backforecasts excluded)
MS = 363.08 DF = 25


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 6.6 14.7 * *
DF 9 21 * *
P-Value 0.681 0.836 * *


Dengan melihat hasil keluaran minitab diatas didapatkan bahwa
iterasi dihentikan pada iterasi ke-25 karena pada iterasi ini mempunyai
hasil yang sama seperti pada iterasi sebelumnya. Nilai

dan


masing - masing sebesar 1.0031, dan -0.6724 , -0.2580 .
Sehingga untuk nilai pendugaann parameter dengan metode
likelihood didapatkan koefisien AR(1) sebesar 1.0031, MA(1) sebesar --
0.6724 dan MA (2) -0.2580 , dimana ketiga nilai ini merupakan nilai duga
dari

dan

. Sehingga jika menggunakan metode Maximum


Likelihood yang diperoleh tanpa nilai awalan adalah:




BAB V
PENUTUP
5.1 Kesimpulan
Pendugaan parameter dilakukan pada model tentatif yang telah
terpilih. Pendugaan parameter dapat diduga dengan menggunakan
beberapa metode, yakni : metode Moment, metode Least-Square
(metode Kuadrat Terkecil) dan metode Maximum Likelihood .Namun
laporan praktikum hanya di bahas tentang Metode Maximum
Likelihood saja.
Dari praktikum yang dilakukan dapat di tarik kesimpulan bahwa
pendugaan parameter menggunakan metode Maximum Likelihood
dengan iterasi sebanyak 25 kali mempunyai hasil koefisiennya

dan

masing - masing sebesar -2.273, -1.883 dan -0.556. untuk


Milk Production dan Portland Oregon

dan

masing - masing
sebesar 1.0031, dan -0.6724 , -0.2580 . sehingga model dengan
pendugaan paramer yang didapat untuk Milk Production dan Portland
Oregon berturut - turut ialah


dan



5.2 Saran
Dalam pengadaan praktikum analisis deret waktu sebaiknya
dilakukan revisi dalam pembuatan modul tiap tahunnya. Mengingat
perkembangan teknologi yang sangat pesat sehingga dapat
menggunakan software software yang terbaru.

DAFTAR PUSTAKA

Anonim. 2004. ARIMA. www.xycoon.com/arima_estimation.htm //.
Diakses pada tanggal 4 Desember 2011
Arga, IR W. 1985. Analisa Runtun Waktu Teori dan Aplikasi Jilid I. BPFE.
Yogyakarta
Cryer, D.J. 1986. Time Series Analysis. PWS-KENT Publishing
Company. Boston USA
Darmawan, dkk. 2010. Perbandingan Model Pada Data Deret Waktu
Pemakaian Listrik Jangka Pendek Yang Mengandung Pola
Musiman Ganda. http://pustaka.unpad.ac.id/wp-
content/uploads/2010/01/perbandingan_model_pada_data_deret_w
aktu.pdf . Diakses tanggal 26 November 2011.
Harvey, C.Andrew. 1993. Time Series Models. Harvester wheatsheaf . New
York
Lestari, Budi. 2000. Pemodelan dan Peramalan Banyaknya Hari Hujan Di
Jember Dengan Proses ARIMA.
http://www.unej.ac.id/fakultas/mipa/majalah_mat/2000/Pemodelan
%20dan%20Peramalan-Budi.pdf. Diakses tanggal 26 November
2011.
Nugroho, Sigit. 2006. Analisis Deret Waktu.
http://www.geocities.com/sinugsta/AnalisisDeretWaktu.pdf.
Diakses tanggal 26 November 2011.
Wei, W.S.1990. Time Series Analysis.Addison.Weshley Publishing
Company.