STASIONER DAN

NONSTASIONER,
DIFFERENCING, ACF
DAN PACF, TAHAPAN
ARIMA BOX-JENKINS
Kelompok 1
 Anggota
Arlinda Trias
Lianistya Irsalina Amanda
190312617723 180312613086

Rahmadayanti
Dwi Wulandari Hidayah
190312617622 190312617636
STASIONE
R DAN
NON
STASIONE
R
 Stasioner

Suatu data dapat dikatakan stasioner apabila pola data

tersebut berada pada keseimbangan di sekitar nilai rata-
rata yang konstan dan variansi di sekitar rata-rata
tersebut konstan selama waktu tertentu

Time Series dikatakan stasioner apabila tidak ada unsur

trend dalam data dan tidak ada musiman atau rata-rata
dan variansnya tetap.
 2 Bentuk Kestasioneran

Stasioner Kuat (Strickly Stasioner Lemah (Weakly

Stationer) atau Stasioner Orde Stationer) atau Stasioner Orde
Pertama (Primary Stationer) Kedua (Secondary Stationer)
 
Stasioner kuat jika distribusi gabungan , sama dengan
distribusi gabungan , untuk setiap nilai dan .
Sedangkan stasioner lemah, jika rata-rata hitung data
konstan, , dan autokovariansnya merupakan fungsi
dari lag, .
 Stasioneritas dibagi menjadi 2

● Stasioner dalam variansi

● Stasioner dalam rata-rata
Sebuah data time series dikatakan
Stasioner dalam rata-rata adalah
stasioner dalam variansi apabila
fluktuasi data berada di sekitar suatu
struktur dari waktu ke waktu
nilai rata-rata yang konstan, tidak
mempunyai fluktuasi data yang tetap
bergantung pada waktu dan variansi
atau konstan dan tidak berubah-ubah.
dari fluktuasi tersebut. Dari bentuk plot
Secara visual untuk melihat hal
data seringkali dapat diketahui bahwa
tersebut dapat dibantu dengan
data tersebut stasioner atau tidak
menggunakan plot time series, yaitu
stasioner.
melihat data waktu ke waktu.
Non Stasioner
Data non stasioner apabila terdapat
unsur trend dalam data, yaitu
mengalami kenaikan dan
penurunan seiring bertambahnya
periode waktu. Pada data non
stasioner yang memiliki trend akan
memiliki nilai Autocorrelation
Function (ACF) yang signifikan
pada lag-lag awal kemudian
mengecil secara bertahap.
DIFFEREN
CING
DIFFERENCING (PEMBEDAAN)
Ketidakstasioneran dalam time series (deret waktu)
dibedakan menjadi dua (2), yaitu
1. Tidak stasioner dalam mean (disebabkan t tidak
konstan) yang dapat diatasi dengan melakukan
differencing (pembedaan) untuk menstasionerkan
mean
2. Tidak stasioner dalam varians (disebabkan t 2 yang
dependent terhadap deret waktu) yang dapat diatasi
dengan stabilizing varians (transformasi) untuk
menstasionerkan varians
 Differencing Penggunaan backward shift adalah
(pembedaan) dilakukan sebagai berikut  
untuk menstasionerkan
data nonstasioner.
Operator shift mundur
(backward shift) sangat Dimana
= nilai variabel pada waktu t
tepat untuk
= nilai variabel pada waktu t-1
menggambarkan proses = backward shift
differencing
(Makridakis, 1999:
383).
 Sebagaicontoh, jika suatu data time series nonstasioner
maka data tersebut dapat dibuat mendekati stasioner dengan
melakukan differencing orde pertama dari data. Rumus
untuk differencing orde pertama, yaitu
 
(2.2)

Dimana = nilai variabel pada waktu t setelah

differencing
Dengan menggunakan backward shift, persamaan (2.2)
dapat ditulis menjadi
(2.3)
Atau
Sama halnya apabila pembedaan orde kedua (yaitu pembedaan pertama dari
●  
pembedaan pertama sebelumnya) harus dihitung, maka

Pembedaan orde kedua diberi notasi , sedangkan pembedaan pertama

Tujuan dari menghitung pembedaan adalah untuk mencapai stasioneritas dan
secara umum apabila terdapat pembedaan orde ke- untuk mencapai stasioneritas,
ditulis sebagai berikut:
ACF dan PACF
 ACF
(Fungsi Autokorelasi)
 
Koefisien autokorelasi runtun waktu dengan selisih waktu(lag) 0,1,2 periode atau
lebih, autokorelasi menghitung dan membuat plot nilai autokorelasi dari suatu data
time series.
Untuk menghitung koefisien korelasi antara dua variable X dan Y yang dinotasikan
sebagai untuk n pasangan observasi (digunakan rumus sebagai berikut :

Dimana: adalah deviasi standar X dan Y.

 

Autokorelasi adalah korelasi antara suatu variable dengan variable tersebut dengan lag
1,2,3 periode atau lebih misalnya antara .
Koefisien autokorelasi untuk lag 1,2,3,..k dengan banyak pengamatan n, dapat dicari
dengan menggunakan rumus dan dinotasikan .
Data diasumsikan stasioner, jadi kedua nilai tengah dapat diasumsikan bernilai sama
dan dua nilai variansi(atau deviasi standar) dapat diukur satu kali saja yaitu dengan
menggunakan selurh data yang diketahui sebagai berikut:
= Cov()
=
   Dengan menggunakan asumsi-asumsi di samping,
  maka persamaan di atas dapat disederhanakan
menjadi:

Keterangan:

= Koefisien autokorelasi lag ke k, dimana k = 0,1,2,

…, k

n = Jumlah data

= nilai x orde ke t

= nilai rata-rata (mean)

 PACF ( Fungsi Autokorelasi Parsial)

 
Fungsi Autokorelasi parsial (PACF) adalah himpunan autokorelasi
parsial untuk berbagai lag k yang ditulis dengan ( a kk; k = 1, 2, 3,
…,k) yakni himpunan autokorelasi parsial untuk berbagai lag k.
Fungsi autokorelasi parsial digunakan untuk mengukur tingkat
keeratan antara Xt dan Xt-k, apabila pengaruh dari selisih waktu
1,2,3,…,k-1 dianggap terpisah. didefinisikan :

dimana adalah matrik autokorelasi kk

 
1.adalah
  dengan kolom terakhir diganti dengan sehingga :
1.   etimasi dapat diperoleh dengan mengganti dengan untuk selisih waktu yang cukup besar,
Nilai
dimana fungsi autokorelasi parsial menjadi kecil sekali (tidak signifikan berbeda dengan nol),
Quenouille memberikan rumus variansi sebagai berikut:
Var(
Disini juga untuk N sangat besar, dapat dianggap mendekati distribusi normal
Tahapan
ARIMA
Box-
Jenkins
Metode ARIMA Box-Jenkins
Dalam metode Box-
Jenkins (ARIMA) tidak
dibutuhkan adanya asumsi
tentang suatu pola yang tetap.
Metode Box-Jenkins
(ARIMA) akan tepat guna jika
observasi dari data runtut
waktu bersifat dependen atau
berhubungan satu sama lain
secara statistik.
Model umum dan uji stasioneritas data
Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data.
Data secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain,
fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung
pada waktu dan varians dari fluktuasi tersebut atau tetap konstan setiap waktu.
Untuk mengetahui stasioner tidaknya data dapat diamati dari time series plot data
tersebut, autocorrelation function data atau model trend linier data terhadap
waktu.

Suatu data time series yang tidak stasioner harus diubah menjadi data

stasioner, karena aspek-aspek AR dan MA dari model ARIMA hanya berkenaan
dengan data time series yang stasioner. Salah satu cara yang paling sering dipakai
adalah metode pembedaan (differencing) yaitu menghitung perubahan atau selisih
nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak.
Jika belum stasioner maka dilakukan differencing lagi.
 Identifikasi model
Setelah data time series yang Model Pola ACF Pola PACF
akan diolah langkah berikutnya adalah AR (p) atau Menyusut Ada bar sampai
penetapan model ARIMA (p,d,q) yang ARIMA (p,q,0) secara lag p
sekiranya cocok. Jika data tidak eksponensial
mengalami differencing, maka d atau pola
bernilai 0, jika data menjadi stasioner gelombang
sinusoidal yang
setelah differencing ke- 1 maka d
tidak begitu
bernilai 1 dan seterusnya. jelas
Dalam memilih dan menetapkan
p dan q dapat dibantu dengan MA (q) atau Ada bar yang Menyusut
mengamati pola Autocorrelation ARIMA (0,d,q) jelas sampai lag secara
Function (ACF) dan Partial q eksponensial
Autocorrelation Function (PACF) ARIMA (p,d,q) Menyusut Menyusut
dengan acuan sebagai berikut: secara decara
eksponensial eksponensial
 Pendugaan parameter model
a.   Dengan cara mencoba-coba (trial and error), menguji
beberapa nilai yang berbeda dan memilih satu nilai tersebut (atau
sekumpulan nilai, apabila terdapat lebih dari satu parameter yang
akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa
(sum of squared residual).
b.   Perbaikan secara iteratif, memilih taksiran awal dan kemudian
penghitungan dilakukan Box-Jenkins Computer Program untuk
memperhalus penaksiran tersebut secara iteratif.
 Pemeriksaan diagnosa
●  Dalam pemeriksaan terhadap model ada beberapa metode yang bisa
dilakukan, antara lain adalah:
Pengujian model secara keseluruhan (Overall F test) dan pengujian masing-
masing parameter model secara parsial (t-test), untuk menguji apakah koefisien
model signifikan secara statistik atau tidak baik secara keseluruhan maupun
parsial
Model dikatakan baik jika nilai error bersifat random, artinya sudah tidak
mempunyai pola tertentu lagi. Dengan kata lain model yang diperoleh dapat
menangkap dengan baik pola data yang ada. Untuk melihat kerandoman nilai error
dilakukan pengujian terhadap nilai koefisien autokorelasi dari error, dengan
menggunakan salah satu dari dua statistik berikut:
1) Uji Q Box dan Pierce:
2)
● Uji  Ljung-Box:

Kriteria pengujian:
Jika Q ≤ Khi kuadrat (a,db), berarti: nilai error bersifat random (model dapat diterima). Jika
Q > Khi kuadrat (a,db) berarti: nilai error tidak bersifat random (model tidak dapat diterima). 
Dari hasi tersebut mungkin saja ada beberapa model yang baik digunakan. Sehingga
langkah selanjutnya dengan memilih model terbaik dengan melihat beberapa indicator lain.
Untuk
●   menentukan model yang terbaik dapat digunakan standard error estimate berikut:

Model terbaik adalah model yang memiliki nilai standard error estimate (S) yang paling kecil.
Selain nilai standard error estimate, nilai rata-rata persentase kesalahan peramalan (MAPE) dapat juga
digunakan sebagai bahan pertimbangan dalam menentukan model yang terbaik yaitu:
Penggunaan model untuk peramalan
Setelah ketiga tahap itu dilewati maka dapat dilakukan
peramalan. Peramlan ini sesungguhnya merupakan penjabaran dari
persamaan berdasarkan koefisien-koefisien yang didapat, sehingga
akan didapat menetukan kondisi di masa yang akan datang. Untuk
data yang mengalami differencing, bentuk selisih harus
dikembalikan pada bentuk awal dengan melakukan proses integral
karena yang diperlukan adalah ramalan time series asli.
THANKS