download

Matakuliah
Tahun
Versi
: I0224/Analisis Deret Waktu
: 2007
: revisi
Pertemuan 19-20
Pengujian analisis deret waktu
1
Learning Outcomes
Pada akhir pertemuan ini, diharapkan mahasiswa
akan mampu :
Menerapkan analisis deret waktu
2
Outline materi
• Penentuan keacakan data
• Pengujian stasioner
• Menghilangkan ketidakstasioneran
3
Penentuan keacakan
• Apabila suatu model peramalan telah
ditetapkan, autokorelasi galat dapat
dihitung untuk menetapkan apakah data
tersebut acak.
4
Lag
1
Autokorelasi
-0.233
2
3
4
-0.375
-0.219
0.726
5
6
7
8
-0.177
-0.256
-0.177
0.532
r4=0.726 menunjukkan
adanya pola dari nilai
galat
5
Pengujian stasioner
• Bentuk visual dari suatu plot data deret
waktu seringkali cukup untuk
menggambarkan apakah dat stasioner
atau tidak
• Plot autokorelasi dapat dengan mudah
memperlihatkan ketidakstasioneran
6
• Nilai autokorelasi dari data stasioner akan
turun sampai nol sesudah time-lag kedua
atau ketiga
• Sedangkan untuk data tidak stasioner nilai
tersebut berbeda nyata dari nol
• Grafik autokorelasi data yang tidak
stasioner memperlihatkan trend searah
diagonal dari kanan ke kiri bersama
dengan meningkatnya jumlah ime-lag
7
Lag
1
2
Autokorelasi
0.889
0.765
3
4
5
0.631
0.509
0.4
6
7
8
9
0.313
0.23
0.188
0.149
10
0.108
Koefisien autokorelasi untuk
deret yang tidak stasioner
8
Menghilangkan
ketidakstasioneran
Setiap trend menghasilkan autokorelasi
positif yang mendominasi diagram
autokorelasi
Kebanyakan model diasumsikan stasioner
Menghilangkan ketidakstasionean dapat
dihilankan dengan pembedaan
(differencing)
9
• Pembeda pertama X’t = Xt – Xt-1
• Pembeda kedua X”t = (Xt – Xt-1)-(Xt-1 – Xt-2)
10
Lag
Autokorelasi
1
2
3
4
0.625
0.284
-0.045
-0.225
5
6
7
-0.188
-0.069
0.068
8
9
10
0.156
0.009
-0.037
Autokorelasi
pembeda pertama
dari data yang tidak
stasioner
11
Pengenalan faktor musiman
• Musiman didefinisikan sebagai suatu pola yang
berulang-ulang dalam selang waktu yang tetap
• Autokorelasi dengan lag-lag tertentu (misalnya lag
4,8,12) nyata berbeda dari nol maka data
deretmmiliki sifat musiman tiap4 periode
12
Langkah analisis deret waktu
• Plot data asli
• Hitung nilai koefisien autokorelasi data asli
• Bila nilainya turun cepat menandakan data stasioner.
• Apabila autokorelasi menunjukkan
ketidakstasioneran, lakukan pembeda pertama dari
data asli
• Hitung autokorelasinya
13
• Apabila tetap tidak stasioner setelah pembeda
pertama, lakukan pembeda pertama lagi dan
tetapkan autokorelasinya lagi
• Apabila stsioneran telah diperoleh, hitung nilai
autokorelasi yang lain untuk melihat apakah masih
ada pola yang lain
14
Tiga kemungkinan yg harus
dipertimbangkan
• Mungkin faktor musim nampak – outokorelasi unuk
time lag tertentu besar dan nyata berbeda dari nol
• Mungkin terungkap adanya proses AR atau MA –
pola autokorelasi parsial
• Campuran dari ketidakstasioneran, musiman, AR
dan MA mungkin akan terlihat
15
Rangkuman
• Grafik autokorelasi berbeda dengan grafik data asli
• Drafik data merupakan alat bantu menetapkan
perilaku pola data
• Autokorelasi menyatakan banyak hal tentang data
16