ANALISIS DERET WAKTU

Abdul Kudus, SSi., MSi., PhD.

Selasa, 15.00 – 17.30 di R313
 Korelogram
Hasil utama dari perintah acf sebenarnya adalah plot dari rk versus k,
yang disebut korelogram.
> acf(waveht) Series waveht
Jika k = 0, distribusi sampling
dari rk akan mendekati
1.0

 1 1
Normal  , 
 n n
Sehingga konfiden interval
0.5

95%-nya:
ACF

1 1 2
  2 var yaitu  
n
0.0

n n
Jadi jika terdapat nilai rk
yang di luar batas, maka
-0.5

artinya nilai autokorelasinya

0 5 10 15 20 25

Lag
signifikan (k  0)
Makna bentuk korelogram:
1. Jika berbentuk fungsi cosinus, maka deret waktunya mempunyai
model autoregressif berderajat 2, AR(2).
2. Jika berbentuk peluruhan lambat  trend
3. Jika berbentuk peluruhan eksponensial  AR(1)

Catatan: Penggunaan utama dari korelogram adalah utk melihat

autokorelasi, SETELAH trend dan variasi musiman-nya
dibuang (tinggal komponen random saja).
Contoh: Data Penumpang Pesawat Terbang
> data(AirPassengers) -musimannya dibuang
> AP <- AirPassengers -trend-nya dibuang
> AP.decom <- decompose(AP, "multiplicative")
> plot(ts(AP.decom$random[7:138]))
1.10
1.05
ts(AP.decom$random[7:138])

1.00
0.95
0.90

0 20 40 60 80 100 120

Time
> acf(AP.decom$random[7:138])
1.0 Series AP.decom$random[7:138]

ACF berpola cosinus,

menunjukkan model
0.8

AR(2)
0.6
0.4
ACF

0.2
0.0
-0.2

0 5 10 15 20

Lag
 Contoh: Data Font Reservoir
Ini adalah data debit air masuk ke bendungan utk periode Jan 1909
sampai Des 1980.
> www <- "http://www.massey.ac.nz/~pscowper/ts/Fontdsdt.dat"
> Fontdsdt.dat <- read.table(www, header=T)
> attach(Fontdsdt.dat)
> plot(ts(adflow), ylab = 'adflow')
Data adflow ini sebenarnya hanya data residu yang diperoleh setelah
musiman dan trend-nya dibuang.
2.5
1.5
adflow

0.5
-0.5

0 200 400 600 800

Time
 > acf(adflow, xlab = 'lag (months)', main="")
Korelogramnya sbb:
1.0
0.8
0.6

signifikan pada lag 1

ACF

0.4
0.2
0.0

0 5 10 15 20 25 30

lag (months)

ACF yang berpola peluruhan eksponensial menunjukkan model AR(1)

Kovarians dari Jumlah Variabel Acak
Misal x1, x2, ..., xn dan y1, y2, ..., yn adalah variabel acak, maka

Ini menunjukkan bhw kovarians dari dua jumlah variabel acak adalah
jumlah dari semua kemungkinan kovarians pasangan variabel acak.
Strategi Peramalan
Tujuan
Bisnis bergantung kepada ramalan penjualan utk:
1. perencanaan produksi
2. keputusan melakukan pemasaran
3. panduan utk melakukan pengembangan
Metode yang paling efisien utk meramal satu variabel adalah:
1. mencari variabel terkait yang mengarahkan variabel tsb dengan
jeda satu atau lebih . Semakin erat kaitan kedua variabel tsb dan
semakin panjang jeda waktunya, maka semakin baik strateginya.
2. menggunakan informasi ttg penjualan barang yang sama di masa
lalu.
3. melakukan ekstrapolasi berdasarkan trend saat ini.
Variabel yang Mengarahkan dan Variabel yang Berkaitan
Biro Statistik Australia mengumumkan data:
1. Hunian yang disetujui utk dibangun tiap bulan
2. Nilai (juta AU$) hunian yg berhasil dibangun (beberapa minggu
setelahnya)
Kemudian data tsb di-agregat-kan menjadi data kuartalan, yakni
sejak Maret 1996 sampai September 2006.

> www <- "http://www.massey.ac.nz/~pscowper/ts/ApprovActiv.dat"

> Build.dat <- read.table(www, header=T) ; attach(Build.dat)
> App.ts <- ts(Approvals, start = c(1996,1), freq=4)
> Act.ts <- ts(Activity, start = c(1996,1), freq=4)
> ts.plot(App.ts, Act.ts, lty = c(1,3))
 16000

i
ju
tu
ise
14000

d
yg
ian
n
12000

hu
lah
m
Ju
10000

ia n
un
ih
8000

nila
6000

1996 1998 2000 2002 2004 2006

Time

Terlihat bahwa pola “garis hitam” mengarahkan “garis putus-putus”,

dengan lag 1 kuartal.
Fungsi korelasi-silang (cross-correlation function, ccf) dapat
menjelaskan hubungan ini.
Korelasi-silang
Misal ada variabel x dan y yg bersifat stasioner dalam rata-rata dan
varians. Kedua variabel tsb mempunyai autokorelasi dan juga saling
berkorelasi satu sama lain dengan lag yang berbeda.
Fungsi kovarians silang (cross covariance function, ccvf)

Variabel x mendahului y sebesar k lag.

Fungsi korelasi-silang (cross-correlation function, ccf)

ccvf sampel:

ccf sampel:
Korelasi-silang antara Jumlah Hunian dan Nilai Hunian
> acf(ts.union(App.ts, Act.ts))
Perintah ts.union akan menggabungkan data deret waktu yang punya
frekuensi yg sama. Jika diberi perintah acf, maka akan menghasilkan
plot acf dan ccf.
App.ts App.ts & Act.ts

-0.2 0.4 1.0

-0.2 0.4 1.0
ACF

0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0

Lag Lag

Act.ts & App.ts Act.ts

1.0
1.0
ACF

-0.2 0.4
-0.2 0.4

-3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0

Lag Lag
> print(acf(ts.union(App.ts,
Act.ts)))
, , App.ts
App.ts Act.ts
1.000 ( 0.00) 0.432 ( 0.00)
0.808 ( 0.25) 0.494 (-0.25)
0.455 ( 0.50) 0.499 (-0.50)
0.138 ( 0.75) 0.458 (-0.75)
-0.057 ( 1.00) 0.410 (-1.00)
-0.109 ( 1.25) 0.365 (-1.25)
-0.073 ( 1.50) 0.333 (-1.50)
-0.037 ( 1.75) 0.327 (-1.75)
-0.050 ( 2.00) 0.342 (-2.00)
-0.087 ( 2.25) 0.358 (-2.25)
-0.122 ( 2.50) 0.363 (-2.50)
-0.174 ( 2.75) 0.356 (-2.75)
-0.219 ( 3.00) 0.298 (-3.00)
-0.196 ( 3.25) 0.218 (-3.25)
signifikan
, , Act.ts
App.ts Act.ts
0.432 ( 0.00) 1.000 ( 0.00)
0.269 ( 0.25) 0.892 ( 0.25)
0.133 ( 0.50) 0.781 ( 0.50)
0.044 ( 0.75) 0.714 ( 0.75)
-0.002 ( 1.00) 0.653 ( 1.00)
-0.034 ( 1.25) 0.564 ( 1.25)
-0.084 ( 1.50) 0.480 ( 1.50)
-0.125 ( 1.75) 0.430 ( 1.75)
-0.139 ( 2.00) 0.381 ( 2.00)
-0.148 ( 2.25) 0.327 ( 2.25)
-0.156 ( 2.50) 0.264 ( 2.50)
-0.159 ( 2.75) 0.210 ( 2.75)
-0.143 ( 3.00) 0.157 ( 3.00)
-0.118 ( 3.25) 0.108 ( 3.25)
Seharusnya ccf dihitung dari data yang sudah stasioner. Oleh karena
itu data tadi kita buang efek musiman dan trend-nya. Dalam hal ini
menggunakan metode dekomposisi, maka kita hanya mengambil
komponen randomnya saja.

> app.ran <- decompose(App.ts)$random

> app.ran.ts <- window (app.ran,start=c(1996,3),end=c(2006,1))
> act.ran <- decompose (Act.ts)$random
> act.ran.ts <- window (act.ran,start=c(1996,3),end=c(2006,1))
> acf (ts.union(app.ran.ts, act.ran.ts))
app.ran.ts app.ran.ts & act.ran.ts

1.0

1.0
0.5

0.5
ACF

0.0

0.0
-0.5

-0.5
0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0

Lag Lag

act.ran.ts & app.ran.ts act.ran.ts

1.0

1.0
0.5

0.5
ACF

0.0

0.0
-0.5

-0.5

-3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0

Lag Lag
> ccf (app.ran.ts, act.ran.ts)
app.ran.ts & act.ran.ts

0.6
0.4
0.2
ACF

0.0
-0.2
-0.4

-3 -2 -1 0 1 2 3

Lag
 > print(acf(ts.union(app.ran.ts, act.ran.ts)))

, , app.ran.ts , , act.ran.ts

app.ran.ts act.ran.ts app.ran.ts act.ran.ts

1.000 ( 0.00) 0.144 ( 0.00) 0.144 ( 0.00) 1.000 ( 0.00)
0.427 ( 0.25) 0.699 (-0.25) -0.380 ( 0.25) 0.240 ( 0.25)
-0.324 ( 0.50) 0.497 (-0.50) -0.409 ( 0.50) -0.431 ( 0.50)
-0.466 ( 0.75) -0.164 (-0.75) -0.247 ( 0.75) -0.419 ( 0.75)
-0.401 ( 1.00) -0.336 (-1.00) 0.084 ( 1.00) -0.037 ( 1.00)
-0.182 ( 1.25) -0.124 (-1.25) 0.346 ( 1.25) 0.211 ( 1.25)
0.196 ( 1.50) -0.031 (-1.50) 0.056 ( 1.50) 0.126 ( 1.50)
0.306 ( 1.75) -0.050 (-1.75) -0.187 ( 1.75) -0.190 ( 1.75)
0.078 ( 2.00) -0.002 (-2.00) 0.060 ( 2.00) -0.284 ( 2.00)
-0.042 ( 2.25) -0.087 (-2.25) 0.142 ( 2.25) 0.094 ( 2.25)
0.078 ( 2.50) -0.042 (-2.50) -0.080 ( 2.50) 0.378 ( 2.50)
0.027 ( 2.75) 0.272 (-2.75) -0.225 ( 2.75) 0.187 ( 2.75)
-0.226 ( 3.00) 0.271 (-3.00) -0.115 ( 3.00) -0.365 ( 3.00)
Contoh: Supply Minyak dan Gas
• Supplier minyak dan gas harus membuat pesanan kepada
pengeboran lepas pantai 24 jam di muka.
• Konsumsi minyak dan gas tergantung dari suhu, kelembaban dan
kecepatan angin (cuaca)

Dengan semakin baiknya metode peramalan cuaca, maka akan

memudahkan supplier dalam membuat pesanan minyak dan gas.