(
Time Series Analysis
)
Ilust rasi
Ilust rasi
•
Berikut adalah data rata-rata curah hujan
bulan an yan g diam ati dari Stasiun Padaheran g
bulan an yan g diam ati dari Stasiun Padaheran g
pada tahun 20 0 1 – 20 0 4.
Sum ber : Modul 3 Praktikum Mekan ika Medium Kon tin u “ Medan Gravitasi”
Ta h u n J a n Fe b Ma r Ap r Me i J u n J u l Agu s t S e p Okt N o p D e s 2 0 0 1 278 .59 279.78 355.29 241.34 115.9 176.9 55.32 29.0 8 43.8 2 313.68 50 8 .49 267.8 2
2 0 0 2 299.78 245.8 8 266.64 18 5.27 122.22 133.1 76.78 32.4 26.0 9 169.0 5 461.62 415.73
2 0 0 3 425.21 370 .8 30 0 .23 157.43 18 4.96 69.93 23.28 14.39 17.8 6 275.23 433.23 456.0 2
2 0 0 4 547.8 30 8 .2 38 8 93 297 128 47 5 8 7 10 5 38 9 371.6
A
bil il i
h
h j
t i i di
Apabila nilai curah hujan saat ini dian ggap
dipen garuhi oleh rata-rata curah hujan kem arin dst,
m aka data rata-rata curah hujan di atas dapat
berdasarkan wakt u
Ra ta -ra ta cu ra h h u ja n bu la n a n 2 0 0 1 - 2 0 0 4 d i S ta s iu n
50 0 60 0
Pa d a h e ra n g
30 0 40 0 5
a
h
h
u
ja
n
20 0 30 0
n
il
a
i
c
u
r
0 10 0
0 5 10 15 20 25 30 35 40 45
P
St k
t ik
Proses St okast ik
• Proses stokastik adalah barisan peubah acak {Yt , t T }
• Setiap proses stokastik memuat ruang keadaan S dan
indeks parameterT
S : semua nilai yang mungkin dari Yt
S d T d t b il i di k it t k ti
S danT dapat bernilai diskrit atau kontinu
• Contoh proses stokastik:
a. Cuaca harian kota Bandung g
b. Banyaknya trombosit/hari pasien demam berdarah sejak ia terinfeksi
c. Laju pertumbuhan populasi orang utan (% per tahun)
d Waktu antara mekarnya bunga bangkai yang ke n
d. Waktu antara mekarnya bunga bangkai yang ke-n
dengan bunga bangkai yang ke n+1
• Misal yyt t nilai dari Yt t maka barisan nilai {{yyt t , t T } disebut}
Ti
S
i
Ti me Ser i es
•
Jika
T
:
waktu
, maka {
Y
t,
t
T
} disebut
time series
•
Realisasinya disebut
data TS
•
Realisasinya disebut
data TS
•
Studi berkaitan dengan TS disebut
analisis TS
•
Permasalahan dalam analisis TS :
“Bagaimana menentukan
Bagaimana menentukan
model Y
model Y
ttsehingga model
sehingga model
tersebut dapat digunakan untuk
forecasting
(prakiraan
di waktu mendatang)
?? ”
•
Secara umum, model TS dapat ditulis
Y
t=
f (.) + e
t(1)
Asumsi galat
:
e
t~
N
(
0,
2) dan
tidak
berkorelasi
•
Jika
f
linier dalam parameter-parameternya maka
persamaan (1) disebut
model linier TS
•
Koleksi semua model linier TS dinamakan model
C
t h
Ti
S
i
Cont oh
Ti me Ser i es
9
Tingkat Pengangguran di AS Produksi Tembakau di AS
Persen 5
678
M
iliar pounds 000
1500
1880 1900 1920 1940 1960 1980
500
1
0
Kuartal Tahun
0
0
80000
Data Penjualan lynx pelts di Canada
118
Ukuran partikel setelah
penyemprotan pengharum ruangan
0
1850 1860 1870 1880 1890 1900
2
0
Menit
0 100 200 300 400 500
Manf aat dan Tuj uan TS
d lk
d
hi
d
dilih
•
Mem odelkan data TS sehin gga dapat dilihat
perilaku data lebih lan jut
Melakukan prediksi ke depan atau prakiraan
Beberapa Konsep Dasar dalam TS
Kestasioneran
Kestasioneran
TS {
Y
t
T
}
t
i
jik
t k
ti
t
•
TS {
Y
t,
t
T
}
stasioner
jika untuk setiap
t,
1.
E[
Y
t] =
(konstan)
2
kov(
Y Y
) =
(tidak tergantung
t
)
2.
kov(
Y
t, Y
t –k) =
k(tidak tergantung
t
)
•
Secara
visual
data TS {
Y
t
T
} stasioner
•
Secara
visual
, data TS {
Y
t,
t
T
} stasioner
Beberapa Konsep Dasar dalam TS
ACF fungsi autokorelasi
ACF, fungsi autokorelasi
•
ACF
(fungsi autokorelasi) : fungsi antara lag
Beberapa Konsep Dasar dalam TS
PACF fungsi parsial autokorelasi
PACF, fungsi parsial autokorelasi
•
PACF
(fs. autokorelasi parsial) : fungsi antara lag
k
dengan
g
kkkkdi mana
kkkk=
corr
(
(
Y
t t, Y
,
t –kt k) setelah pengaruh
)
p
g
Y
1, Y
2, …,
Y
k-1ditiadakan.
•
PACF dapat didefinisikan juga sebagai koefiesien suku
•
PACF dapat didefinisikan juga sebagai koefiesien suku
terakhir dari regresi
Y
tdengan
Y
1, Y
2, …,
Y
k.Artinya jika
Y
=
+
Y
+
Y
+
+
kY
kmaka PACF
Artinya, jika
Y
t=
+
1Y
t-1+
2Y
t-2+ … +
kY
t-kmaka PACF
sampel untuk lag
k
= taksiran dari
k.atau
0 (
i
ifik
) jik
ˆ
ˆ
kk k
ˆ
1
ˆ
1
1 96
1 96
= 0 (secara
signifikan
) jika
kk
1, 96
kk1, 96
n
n
C
t h ACF d
PACF d
g
SPSS
Cont oh ACF dan PACF dengan SPSS
8000
number of blowfly
6000
Upper Confidence Limit Coefficient
Upper Confidence Limit Coefficient
number of blowfly
Dari menu SPSS, pilih
Graphs
pilih variabel yang akan dihit ACF d PACF
16
dihitung ACF dan PACF-nya
Untuk TS Stasioner
1.
Autoregresi (AR)
: “
regresi terhadap TS yg lalu & galat
sekarang”
sekarang
AR(1):
Y
t=
+
1Y
t-1+
e
t,
di mana 1<
1<1
AR(2):
Y
t=
+
1Y
t-1+
2Y
t-2+
e
t,
di mana 1<
2<1,
2+
1<1,
2-
1<1
AR(
p
):
Y
t=
+
1Y
t-1+
2Y
t-2+ … +
pY
t-p+
e
t2.
Moving Average (MA)
:
“regresi terhadap galat yang lalu
dan galat sekarang”
MA(1):
Y
t=
+
e
t–
1e
t -1,
di mana 1<
1<1
MA(2):
Y
t=
+
e
t–
1e
t -1–
2e
t -2Model-model
Ti me Ser i es
Untuk TS Stasioner
Untuk TS Stasioner
3. Autoregresi-Moving Average (ARMA)
“regresi terhadap TS yang lalu dan semua galat”
g
p
y
g
g
ARMA(1,1):
Y
t=
+
1Y
t-1+
e
t–
1e
t -1ARMA(
p,q
):
Z
=
+(
Y
+
+
Y
) +(
e
e
e
)
Z
t=
+(
1Y
t-1+ … +
pY
t-p) +(
e
t–
1e
t -1–
…
–
qe
t -q)
Model-model
Ti me Ser i es
Untuk TS tidak Stasioner
Untuk TS tidak Stasioner
•
Misal TS {
Y
t} tidak stasioner.
Buat TS baru yg stasioner sebut {
Z
} dengan cara
Buat TS baru yg stasioner, sebut {
Z
t} dengan cara
diferensi
, yaitu
Z
t=
Y
t–
Y
t-1, untuk setiap
t.
•
Maka
“
ARMA(p,q) untuk
{
Z
t}
disebut ARIMA (p,
1
,q) untuk
{
Z
t}
”
•
Jika diferensi dilakukan
d
kali, ditulis
ARIMA
(
p,d,q
)
Met ode Box Jenkins
Tahap awal:
Pemeriksaan kestasioneran:
-
Plot TS
-
Jika stasioner, lanjutkan ke “
tiga tahap iteratif”
.
Jika tidak lakukan transformasi atau diferensi
Tiga tahap iteratif :
1.
Identifikasi
2
Penaksiran parameter
2.
Penaksiran parameter
3.
Uji diagnostik (pemeriksaan asumsi sisa)
Jika pada uji diagnostik, ada asumsi yang dilanggar
l
i l
i 3 t h
it
tif
Id
t if ik
i
Ident if ikasi
Model ACF PACF
AR(p) Menurun secara
eksponensial atau
membentuk gelombang sinus
Cut off setelah lag p
teredam
MA(q) Cut off setelah lag q Menurun secara
eksponensial atau eksponensial atau
membentuk gelombang sinus teredam
• Mengidentifikasi orde (p,q) model ARMA melalui kriteria Akaike (AIC)
AIC n log + 2m , m = # parameter
P
k i
P
t
Penaksiran Paramet er
• Metode: - Kuadrat terkecil (untuk model AR)
M k i lik lih d
- Maksimum likelihood
- Melard (digunakan SPSS)
C h k i l l i SPSS
• Contoh penaksiran parameter melalui SPSS
Dari menu, pilih Analyze
Forecasting
Create Models ...Pilih nama TS sebagai Dependent variable
Uj i Di g
i
Uj i Diagnosis
Ingat asumsi galat: et ~ N (0,2) dan tidak berkorelasi Pengujian asumsi:
Pengujian asumsi:
Cara 1:
• Plot sisaan
berfluktuasi di sekitar 0 E[et ] = 0 berfluktuasi di sekitar 0 E[et ] 0
nilai sisaan di sekitar 1,96 Var(et) = 2
• plot ACF serta plot PACF-nya
rk dan signifikan 0 sisaan “tidak berkorelasi” 2
Cara 2: Uji Ljung-Box
• Uji “H0: korelasi antar sisaan = 0” dengan statistik Ljung-Box
Sari Numerik Data
Data perkebunan teh PAL Data perkebunan teh PAL (diff 1 kali)
Mean 133793.6
Standard Error 2488.531
Median 136781
Data perkebunan teh PAL (diff 1 kali)
Mean 455.7023
Standard Error 2407.674
Median 136781
Mode #N/A
Standard Deviation 36573.79
Sample Variance 1.34E+09
Median ‐1515
Mode ‐15033
Standard Deviation 35303.43
Sample Variance 1.25E+09
p
Kurtosis 0.222436
Skewness ‐0.07241
Range 218458
Mi i 36305
Sample Variance 1.25E 09
Kurtosis 1.855309
Minimum ‐81536
Maximum 134859
Sum 97976
Count 215
Cont oh
Identifikasi
• ACF m en urunIdentifikasi
• ACF m en urunseperti gelom ban g sin us teredam
sedan gkan PACF cut
off setelah lag-1.
• Model yan g Model yan g m un gkin adalah AR(1)
ACF cut off setelah
lag-1 sedan gkan PACF juga seperti
cut off setelah lag 1
cut off setelah lag-1.
Ada beberapa m odel yang
A
R
1
134113, 420 0, 535
t t t
Y
Y
e
Diperoleh AR( 1) :
1,
1,
1)
A
R
IM
A
(
1
2