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
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)
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]
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
Time
> acf(adflow, xlab = 'lag (months)', main="")
Korelogramnya sbb:
1.0
0.8
0.6
0.4
0.2
0.0
0 5 10 15 20 25 30
lag (months)
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.
i
ju
tu
ise
14000
d
yg
ian
n
12000
hu
lah
m
Ju
10000
ia n
un
ih
8000
nila
6000
Time
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
0.0 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
-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, signifikan
Act.ts)))
, , App.ts , , Act.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
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