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
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:
n = Jumlah data
= nilai x orde ke t
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 :
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.
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