Spesifikasi Model
Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:
1. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi nilai p, d, dan q.
2. Pendugaan parameter model ARIMA(p, d, q) yang diidentifikasi, yaitu penduga nilai , , dan σ𝑒2.
3. Analisis diagnostik untuk melihat kelayakan model.
Prosedur iterasi ini sering disebut ”Metode Box- Jenkins”.
Untuk model ARIMA(p, d, q), spesifikasi dilakukan untuk menentukan nilai p, d, dan q.
Alat yang digunakan pada tahap identifikasi ini adalah fungsi autokorelasi.
Fungsi autokorelasi ini diduga dari data contoh atau disebut fungsi autokorelasi contoh (sample of autocorrelation function atau SACF atau ACF saja).
Disamping itu ada pula fungsi autokorelasi parsial (sample of partial autocorrelation function atau SPACF atau PACF saja)
a. ACF
, 1,2,....
) (
) )(
(
1
2
1
k Y
Y
Y Y Y Y
r n
t t k n
t
k t t
k
n Y Y
n
t
t 1
rk merupakan penduga bagi k
b. PACF
PACF : kk = Corr(Yt, Yt-k | Yt-1, Yt-2, …, Yt-k+1)
Berdasarkan persamaan Yule-Walker:
j = k1j-1 + k2j-2 + ... + kkj-k
j = 1, 2, ..., k; Catatan: j = -j dan 0 = 1
k ACF; kk PACF
ˆ penduga bagi kk kk
Contoh:
Misal diketahui data : 4, 2, 5, 1. Tentukan ACF (r1, r2) dan PACF (𝜙 11, 𝜙 22)
Melalui persamaan , 1,2,....
) (
) )(
(
1
2
1
k Y
Y
Y Y Y Y
r n
t t k n
t
k t t
k
Dapat diperoleh penduga ACF : r1 = -0.7 dan r2 = 0.4
Berdasarkan persamaan Yule-Walker dapat diperoleh penduga PACF kk:
j = k1j-1 + k2j-2 + ... + kkj-k
Untuk k =1 j = 1
1 = 110 1 = 11(1) r1 = 𝜙 11 = -0.7
Untuk k = 2 j = 1, 2
1 = 210 + 221 1 = 21 + 221
2 = 211 + 220 2 = 211 + 22
(1)2 = 211 + 22(1)2 ... Pers(1) = +
0.0 0.2 0.4 0.6 0.8 1.0
1 2 3 4 5
ACF
0.0 0.2 0.4 0.6 0.8 1.0
1 2 3 4 5 6
Sample of ACF
k
rk
k k
Berdasarkan Pers(1) dan Pers(2) diperoleh:
(1)2 - 2 = 22(1)2 - 22
22 = {(1)2 - 2}/{(1)2 - 1}
𝜙 22= {(r1)2 - r2}/{(r1)2 - 1} = 0.09/(-0.51) = -0.176
Pengidentifikasian Model
Model MA: Misal MA(1) : Yt = et - et-1
ACF :
1
; 0
1 1 2;
k k
k
0.0 0.2 0.4 0.6 0.8 1.0
1 2 3 4 5 6
ACF
0.0 0.2 0.4 0.6 0.8 1.0
1 2 3 4 5 6
Sample of ACF
MA(2) : Yt = et - 1et-1 - 2et-2
ACF :
2
; 0
2
; 1
1
; 1
2 2 2 1
2 2 2 2 1
2 1 1
k k k
k
Karena rk berasal dari data contoh maka diperlukan galat baku bagi rk yaitu Srk.
Sebagai nilai pendekatan : Srk = 1/ n, dimana n adalah banyaknya data.
Sehingga hipotesis H0 : k = 0 ditolak jika | rk | > 2Srk
atau | rk | > 2/ n.
Misalnya, jika | r1 | > 2/ n dan | rk | <2/ n untuk k = 2, 3, …, maka model tentatifnya adalah MA(1).
Model AR : Misalkan AR(1) : Yt = Yt-1 + et
ACF : k = k ; k = 1, 2, …
Untuk model AR, ACF merupakan fungsi eksponensial sehingga ACF tidak dapat digunakan untuk menentukan nilai p dalam AR(p).
PACF : untuk k = 1 1 = 11
untuk k = 2 1 = 21 + 221 .... (1)
0.0 0.2 0.4 0.6 0.8 1.0
1 2 3 4 5
PACF
0.0 0.2 0.4 0.6 0.8 1.0
1 2 3 4 5 6
Sample of PACF
kk
ˆkk
0.0 0.2 0.4 0.6 0.8 1.0
1 2 3 4 5 6 7 8 9
Sample of ACF
off tails
0.0 0.2 0.4 0.6 0.8 1.0
1 2 3 4 5 6 7 8 9
Sample of ACF
q lag after off cuts
Berdasarkan persamaan (1) dan (2) 22 = 0.
Demikian juga 33 = 44 = ... = 0.
Sehingga PACF AR(1):
1
; 0
1
; 1
k k
kk
Dengan demikian PACF dapat digunakan sebagai penentu nilai p dalam model AR(p).
Hipotesis H0 : kk = 0 ditolak jika |ˆkk |2/ n.
Pengidentifikasian nilai p dan q
Identifikasi p dan q melalui nilai ACF dan PACF
ACF PACF Model Tentatif
Cuts off after lag q Tails off MA(q) Tails off Cuts off after lag p AR(p)
Cuts off after lag q Cuts off after lag p MA(q) atau AR(p), pilih model terbaik
Tails off Tails off ARMA(p, q)
Cek pada berbagai kombinasi p dan q.
Misal ARMA(1, 1), ARMA(1, 2), dsb.
Kemudian pilih model terbaik.
Tails off (slowly) Model tidak stasioner.
Perlu proses pembedaan
(differencing) terlebih dahulu hingga data menjadi stasioner.
Output Minitab (sample of ACF, sample of PACF)
12 7
2 1.0
0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8
Autocorrelation -1.0
LBQ T Corr Lag LBQ T Corr Lag
20.68 20.38 20.35 20.35 20.35
19.81 18.63 18.05 16.54 16.23 15.67 14.90
0.35 0.13 0.02 -0.02 -0.50
0.75 -0.54 0.89 -0.41 -0.56 0.67 -3.74
0.07 0.02 0.00 -0.00 -0.09
0.14 -0.10 0.16 -0.07 -0.10 0.12 -0.53
12 11 10 9 8
7 6 5 4 3 2 1
Autocorrelation Function for Profit
2 7 12
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
Partial Autocorrelation
1 2 3 4 5 6 7
8 9 10 11 12 -0.53
-0.23 -0.22 -0.34 -0.13 -0.13 0.03
0.05 0.03 0.03 0.10 0.19 -3.74
-1.62 -1.51 -2.36 -0.88 -0.94 0.22
0.34 0.23 0.24 0.72 1.32
Lag PAC T Lag PAC T
Partial Autocorrelation Function for Profit
Kandidat Model untuk Data Profit : Berdasarkan ACF ARIMA(0, 0, 1) Berdasarkan PACF ARIMA(1, 0, 0)
1 2 3 4 5 6 7 8 9 10 11 -1.0
-0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
Autocorrelation
1 2 3 4 5 6 7
8 9 10 11 0.34
-0.38 -0.52 -0.12 0.32 0.34 0.04
-0.21 -0.13 0.06 0.15 2.33
-2.33 -2.88 -0.56 1.53 1.55 0.16
-0.91 -0.55 0.23 0.64 5.79
13.08 27.08 27.81 33.49 40.03 40.11
42.76 43.77 43.96 45.43
Lag Corr T LBQ Lag Corr T LBQ
Autocorrelation Function for Ekspor
1 2 3 4 5 6 7 8 9 10 11
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
Partial Autocorrelation
1 2 3 4 5 6 7
8 9 10 11 0.34
-0.56 -0.21 -0.00 0.10 0.04 0.04
0.03 0.11 -0.00 0.05 2.33
-3.82 -1.44 -0.01 0.71 0.27 0.25
0.20 0.77 -0.03 0.35
Lag PAC T Lag PAC T
Partial Autocorrelation Function for Ekspor
Kandidat Model untuk Data Ekspor : Berdasarkan ACF ARIMA(0, 0, 3) Berdasarkan PACF ARIMA(2, 0, 0)
2 7 12 -1.0
-0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
Autocorrelation
1 2 3 4 5 6 7
8 9 10 11 12 0.86
0.70 0.54 0.38 0.25 0.14 0.04
-0.06 -0.14 -0.23 -0.28 -0.30 5.92
3.07 2.00 1.31 0.83 0.46 0.13
-0.19 -0.47 -0.73 -0.90 -0.94 37.34
62.62 77.93 85.79 89.22 90.32 90.41
90.62 91.86 95.06 100.04 105.86
Lag Corr T LBQ Lag Corr T LBQ
Autocorrelation Function for Impor
1 2 3 4 5 6 7 8 9 10 11
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
Autocorrelation
1 2 3 4 5 6 7
8 9 10 11 0.68
0.44 0.26 0.18 0.18 0.17 0.09
-0.05 -0.09 -0.19 -0.28 4.67
2.16 1.16 0.80 0.80 0.74 0.37
-0.20 -0.38 -0.79 -1.15 23.21
33.02 36.48 38.25 40.12 41.79 42.24
42.37 42.87 45.09 50.04
Lag Corr T LBQ Lag Corr T LBQ
Autocorrelation Function for Impor(Lag1)
1 2 3 4 5 6 7 8 9 10 11
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
Partial Autocorrelation
1 2 3 4 5 6 7
8 9 10 11 0.68
-0.05 -0.04 0.07 0.10 -0.00 -0.11
-0.14 0.05 -0.19 -0.17 4.67
-0.33 -0.29 0.46 0.68 -0.00 -0.77
-0.99 0.31 -1.30 -1.15
Lag PAC T Lag PAC T
Partial Autocorrelation Function for Impor(Lag1)
Kandidat Model untuk Data Impor (Setelah Differencing):
Berdasarkan ACF ARIMA(0, 1, 2) Berdasarkan PACF ARIMA(1, 1, 0)
Pustaka
1. Cryer, J.D. and Chan, K.S. 2008. Time Series Analysis with Application in R. Springer
2. Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis 2nd. John Wiley
3. Abraham, B. and Ledolter, J. 2005. Statistical Methods for Forecasting. John Wiley
4. Pustaka lain yang relevan.
Latihan untuk Praktikum:
Bandingkan antara hasil penghitungan manual dengan output komputer:
1. Diketahui data : 3, 6, 2, 5, 4. Tentukan ACF (r1, r2, r3) dan PACF (𝜙 11, 𝜙 22, 𝜙 33).
2. Diketahui data : 5, 2, 9, 7, 12, 17. Lakukan proses pembedaan ordo pertama pada data tersebut. Untuk data yang telah mengalami proses pembedaan tersebut tentukan ACF (r1, r2, r3) dan PACF (𝜙 11, 𝜙 22, 𝜙 33).
3. Dari 100 data pengamatan diketahui bahwa r1 = 0.39, r2 = -0.31, r3 = 0.18, r4 = -0.15, dan r5 = 0.13. Tentukan model ARIMA tentatif yang mungkin.