Analisis

Time Series
 Analisis Time Series
Data Time Series
 Tergantung pada waktu
 Antar data berkorelasi

Tujuan :
 Mengambarkan mekanisme pembangkitan
 Meramal nilai yang akan datang
 Optimalisasi sistem
 Analisis Time Series
Proses stokhastik
Jika terdapat variabel random Z (, t )
dimana :  adalah ruang sampel
t adalah waktu
Jika  tetap maka Z(t) adalah variabel
random yang tergantung pada waktu

Maka untuk memodelkan Z(t) diperlukan

asumsi yaitu “data stasioner”
 Analisis Time Series
Stasioneritas Data
Data dikatakan stasioner jika :

P ( Z t1 , Z t 2 ,....Z tn )  P ( Z t1 k , Z t 2  k ,......Z tn  k )

Maka akan diperoleh :
1. Nilai rata-rata yang konstan
2.
Var ( Z t )  Var ( Z t  k )
 Analisis Time Series
Contoh Data Stasioner
 Analisis Time Series
Contoh Data Tidak Stasioner
 Analisis Time Series
Cara mengatasi data tidak stasioner
Tidak stasioner dalam rata-rata :
dengan melakukan differencing

Tidak stasioner dalam varians :

dengan melakukan transformasi data
 Analisis Time Series
Contoh :
Terdapat data curah hujan, sebagai berikut:
 Analisis Time Series
Plot Data :
 Analisis Time Series
Fungsi Autokovarians
Jika terdapat Zt , maka:
E(Zt )  

var( Z t )  E ( Z t   )   2 2

 k  cov(Z t , Z t  k )  E  ( Z t   )( Z t  k   )
 Analisis Time Series
Fungsi Autokorelasi

cov( Z t , Z t  k ) k
k  
var Z t var Z t  k 0
 Analisis Time Series
Fungsi Autokorelasi Parsial
Dinyatakan dengan :

Corr ( Z t , Z t  k Z t 1 , Z t 2 ,....., Z t  k 1 )

Atau : k 1
 k   k 1, j  k  j
j 1
 kk  k 1
1   k 1, j  j
j 1
 Analisis Time Series
Proses White Noise
Proses {at} dikatakan white noise jika:
 Tidak saling berkorelasi/independen
 Mengikuti distribusi tertentu
 Mempunyai rata-rata nol
 variansnya konstan