180 likes | 351 Views
Pertemuan 21-22 Identifikasi model. Matakuliah : I0224/Analisis Deret Waktu Tahun : 2007 Versi : revisi. Learning Outcomes. Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Membandingkan model-model analisis deret waktu metode Box-Jenkins. Outline materi.
E N D
Pertemuan 21-22Identifikasi model Matakuliah : I0224/Analisis Deret Waktu Tahun : 2007 Versi : revisi
Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Membandingkan model-model analisis deret waktu metode Box-Jenkins
Outline materi • Stasioner dan Non stasioner • Proses autoregresif (AR) • Proses rata-rata bergerak (MA) • Campuran AR dan MA
Stasioner dan non stasioner • Operator shift mundur (backward shift), B, yang penggunaanya • BXt = Xt-1 • B(BX1)= B2Xt=Xt-2 • B12Xt=Xt-12
Operator shift mundur bermanfaat untuk mengambarkan proses pembedaan (differencing) • Apabila suatu deret waktu tidak stasioner, aka data tersebut dapat dibuat lebih mendekati stasioer dengan melakkan pembedaan pertama dari data
Pembedaan pertama X’t= Xt – Xt-1 • Dengan operator shift mundur dapat ditulis X’t=Xt – B Xt = (1-B)Xt • Pembedan orde kedua • X”t= X’t – X’t-1 • =(Xt – Xt-1)-(Xt-1 – Xt-2) • = Xt – 2 X-1 + Xt-2 • =(1-2B+B2) Xt • =(1-B)2 Xt
Contoh data yang memiliki sifat trend, berati tidak stasioner terhadap nilai tengahnya • Apabila dibuat pembeda pertama, maka nilai pembeda ini akan memiliki sifat stasioner
Data tidak stasioner, dapat distasionerkan dengan pembeda pertama
ARIMA(0,1,0) (1-B) Xt= et yang bersifat stasioner
Proses autoregresif • Model ARIMA(p,0,0) • Xt = u+ Φ1 Xt-1 + Φ2 Xt-2+ … + Φp Xt-p + et u = nilai konstan Φj = parameter autoregresif ke-j et = galat pada saat t
Model ARIMA(1,0,0) Data dibangkitkan sebanyak 100 pengamatan dengan nilai tengah galat 0 dan standard deviasi 10 Parameter Φ1=0.6 dan u=40
Proses rata-rata bergerak • ARIMA (0,0,q) atau MA(q) • Model Xt = u + et – θ1 et-1 – θ2 et-2- … - θq et-q • ARIMA (0,0,1) atau MA(1) • Xt = u + (1- θ1 B) et • ARIMA(0,0,2) atau MA(2) • Xt = u + (1- θ1B – θ2 B2) et
ARIMA (1,0,0) atau MA(1) Data dibangkitkan dengan nilai tengah galat 0 dan standar deviasi 10 Model Xt=100 + et – 0.6 et-1
Proses campuran • ARIMA (1,0,1) ditulis sebagai Xt = u + Φ1 Xt-1 + et - θ1 et-1 atau • (1- Φ1 B) Xt = u (1- θ1 B) et • ARIMA(1,1,1) • (1-B)(1- Φ1 B) Xt = u + (1- θ1 B) et
Rakapitulasi • Membuat deret stasioner: • Pembedaan ordo pertama bagi data non stasioner nilai tengah • Transformasi logaritma bagi data non stasioner nilai ragam • Pengujian autokorelasi dapat memberikan indikasi model deret waktu