P. 1
Analisis Data Deret Waktu

Analisis Data Deret Waktu

|Views: 5,619|Likes:
Published by uneholicz

More info:

Published by: uneholicz on Aug 23, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/03/2013

pdf

text

original

Sections

Untuk memperjelas mengenai proses analisis fungsi transfer seperti yang telah

dikemukakan, berikut ini diberikan disajikan proses membangun fungsi transfer. Data

yang digunakan adalah nilai konsumsi dan pendapatan perbulan, yang datanya seperti

pada Tabel 4.2. Dalam analisis ini nilai konsumsi sebagai sebagai deret masukan (Xt),

dan nilai pendapatan sebagai deret keluaran (Yt), sebab dalam praktek pengumpulan data,

mendapatkan informasi mengenai nilai konsumsi lebih mudah dari nilai pendapatan.

Tabel 4.2
Nilai Pendapatan dan Konsumsi

Nilai
Pendapatan

Nilai
Konsumsi

Nilai
Pendapatan

Nilai
Konsumsi

Nilai
Pendapatan

Nilai
Konsumsi

1.9565

1.7669

1.9499

1.9209

1.7853

1.9843

1.9794

1.7766

1.9432

1.9510

1.6075

1.9764

2.0120

1.7764

1.9569

1.9776

1.5185

1.9965

2.0449

1.7942

1.9647

1.9814

1.6513

2.0652

2.0561

1.8156

1.9710

1.9819

1.6247

2.0369

2.0678

1.8083

1.9719

1.9828

1.5391

1.9723

2.0561

1.8083

1.9956

2.0076

1.4922

1.9797

2.0428

1.8067

2.0000

2.0000

1.4606

2.0136

2.0290

1.8166

1.9904

1.9939

1.4551

2.0165

1.9980

1.8041

1.9752

1.9933

1.4425

2.0213

1.9884

1.8053

1.9494

1.9797

1.4023

2.0206

1.9835

1.8242

1.9332

1.9772

1.3991

2.0563

1.9773

1.8395

1.9139

1.9924

1.3798

2.0579

1.9748

1.8464

1.9091

2.0117

1.3782

2.0649

1.9629

1.8492

1.9139

2.0204

1.3366

2.0582

1.9396

1.8668

1.8886

2.0018

1.3026

2.0517

1.9309

1.8783

1.7945

2.0038

1.2592

2.0491

1.9271

1.8914

1.7644

2.0099

1.2635

2.0766

1.9239

1.9166

1.7817

2.0174

1.2549

2.0890

1.9414

1.9363

1.7784

2.0279

1.2527

2.1059

1.9685

1.9548

1.7945

2.0359

1.2763

2.1205

1.9727

1.9453

1.7888

2.0216

1.2906

2.1205

1.9736

1.9292

1.8751

1.9896

1.2721

2.1182

Dengan menggunakan paket program SPSS, grafik nilai konsumsi dan pendapatan seperti

di bawah ini

97

Case Number

69

65

61

57

53

49

45

41

37

33

29

25

21

17

13

9

5

1

Value

2.2

2.0

1.8

1.6

1.4

1.2

CONSUMP

INCOME

Gambar 4.2
Grafik Nilai Konsumsi dan Pendapatan

yang menyajikan sebuah kondisi bahwa nilai konsumsi dengan pendapatan berkorelasi

negatif, sebab nilai konsumsi menurun sedangkan pendapatan cenderung naik.

Karena nilai konsumsi sebagai deret masukan, maka tahapan proses analisisnya

adalah,

1. Menelaah kestasioneran nilai konsumsi dan menentukan proses diferensinya.

Proses telaahan dilakukan berdasarkan gambar ACF dan PACF, dengan

menggunakan paket program SPPS, yang hasilnya seperti di bawah ini .

CONSUMP

Lag Number

16

15

14

13

12

11

10

9

8

7

6

5

4

3

2

1

ACF

1.0

.5

0.0

-.5

-1.0

Confidence Limits

Coefficient

Gambar 4.3a
ACF Nilai Konsumsi

CONSUMP

Lag Number

16

15

14

13

12

11

10

9

8

7

6

5

4

3

2

1

Partial ACF

1.0

.5

0.0

-.5

-1.0

Confidence Limits

Coefficient

Gambar 4.3b
PACF Nilai Konsumsi

Gambar ACF dan PACF menyajikan bahwa data berautokorelasi dan tidak stasioner, dan

dapat distasionerkan dengan proses diferensi orde satu. Untuk lebih jelasnya dapat

ditelaah dari gambar ACF, PACF, dan grafik data hasil proses diferensi orde satu di

bawah ini.

98

CONSUMP

Transforms: difference(1)

Lag Number

16

15

14

13

12

11

10

9

8

7

6

5

4

3

2

1

ACF

1.0

.5

0.0

-.5

-1.0

ConfidenceLimits

Coefficient

Gambar 4.4a
ACF Diferensi Orde Satu Nilai Konsumsi

CONSUMP

Transforms: difference(1)

Lag Number

16

15

14

13

12

11

10

9

8

7

6

5

4

3

2

1

Partial ACF

1.0

.5

0.0

-.5

-1.0

ConfidenceLimits

Coefficient

Gambar 4.4b
PACF Diferensi Orde Satu Nilai Konsumsi

Case Number

69

65

61

57

53

49

45

41

37

33

29

25

21

17

13

9

5

1

Value

2.5

2.0

1.5

1.0

.5

0.0

-.5

DIFF(CONSUMP,1)

CONSUMP

Gambar 4. 4c
Grafik Nilai Konsumsi dan
Nilai Setelah Proses Diferensi Orde-1

Keterangan : atas : data asli , bawah : data setelah diferensi orde-1

Dari ketiga gambar tersebut dapat disimpulkan bahwa diferensi orde-1 sudah cukup

menstasionerkan data nilai konsumsi.

2. Proses pemutihan.

Karena grafik dari nilai konsumsi tidak menampilkan pola spektrum, yang berarti

data tidak memiliki komponen siklis, maka model regresi deret waktu yang dibangun

adalah model ARIMA(k,q,0). Dengan menggunakan paket program SPSS, model yang

cukup baik adalah ARIMA(2,1,0), atau model AR(2) berdasarkan data hasil proses

diferensi orde-1. Sehingga jika Xt : data asli nilai konsumsi dan Xt1

: data setelah

diferensi orde-1, maka persamaan model pemutih deret masukan

(1 + 0,36024B – 0,34602B2

)Xt1

= at

(4.19)

99

at : noise dengan rata-rata 0 dan varians 0,00139093

Akibatnya, jika Yt : data asli nilai pendapatan dan Yt1

: data setelah diferensi orde-1,

maka model pemutih deret keluaran juga harus ARIMA(2,1,0). Dengan menggunakan

paket program SPSS diperoleh persamaan

(1 + 0,32366198B – 0,37445366B2

)Yt1

= bt

(4.20)

bt : noise dengan rata-rata 0 dan varians 0,00028695

3. Identifikasi fungsi respon impuls dan fungsi transfer

Dengan menggunakan paket program SPSS dihitung CCF dan varians (simpangan

baku) sampel untuk pemutih, dan hasilnya seperti di bawah ini

Tabel 4.3
Nilai CCF dan Simpangan Baku Sampel Pemutih

MODEL: MOD_4.
Listwise deletion. Missing cases: 1 Valid cases: 68
Cross Correlations: FIT_2 Fit for CONSUMP from ARIMA, MOD_2 NOCON
FIT_3 Fit for INCOME from ARIMA, MOD_3 NOCON

Cross Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
+----+----+----+----+----+----+----+----+
-7 -.576 .128 *******.****I .
-6 -.590 .127 *******.****I .
-5 -.613 .126 *******.****I .
-4 -.640 .125 ********.****I .
-3 -.660 .124 ********.****I .
-2 -.683 .123 *********.****I .
-1 -.708 .122 *********.****I .
0 -.728 .121 **********.****I .
1 -.700 .122 *********.****I .
2 -.662 .123 ********.****I .
3 -.599 .124 *******.****I .
4 -.541 .125 ******.****I .
5 -.503 .126 *****.****I .
6 -.451 .127 ****.****I .
7 -.400 .128 ***.****I .
Plot Symbols: Autocorrelations * Two Standard Error Limits .
Total cases: 69 Computable 0-order correlations: 68
Std Deviation FIT_2 .2661756
Std Deviation FIT_3 9.52E-02

Dari hasil perhitungan diperoleh fakta bahwa terdapat korelasi negatif antara konsumsi

dengan pendapatan, dan hal ini sesuai dengan Gambar 4.2 yang menyajikan kondisi

korelasi negatif. Untuk mengetahui apakah korelasi ini signifikans, kita bandingkan

dengan nilai pembanding

k

n−

1

. Karena ukuran sampel, n = 69, jika dihitung, maka

100

untuk k = 0, 1, . . . , 7, nilainya sama dengan 0,121268. Sehingga jika nilai ini

dibandingkan dengan nilai mutlak dari autokorelasi silang, maka dapat disimpulkan

autokorelasi silang tersebut signifikans.

Karena dari hasil perhitungan diperoleh nilai a

σ = 0,037295173 dan b

σ = 0,016939598 ,

maka untuk tujuh lag pertama nilai-nilai pembobot impuls respon,

ab

b

a

k

ρ

σ

σ

=

ν

, sama

dengan

Tabel 4.4
Tujuh Nilai Pertama Pembobot Impuls Respon

k

0

1

2

3

4

5

6

7

k

ν -1,60281 -1,54116 -1,4575 -1,31879 -1,1911 -1,10303 -0,99295 -0,88066

yang jika dibandingkan dengan nilai

k

n−

1

= 0,121268, untuk n = 69, k = 1, 2, ... , 7,

maka |k

ν| >

k

n−

1

, yang berarti untuk tujuh lag pertama nilai-nilai pembobot impuls

signifikans. Jika digambarkan pola untuk nilai mutlaknya maka diperoleh gambar seperti

di bawah ini

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

1 2 3 4 5 6 7

lag

nilai taksiran

Gambar 4.5
Pola Nilai Mutlak Pembobot Impuls Respon

101

yang jika dibandingkan dengan pola pada Tabel 4.1 , maka setara dengan fungsi transfer

dengan (b,r,s) = (2,1,0) yang persamaannya

1
2

t

1

0

1
t

X

)
B

1(

X

)
B

(

ϖ

ω

=

ν

.

(4.21)

Tetapi jika diambil dua lag pertama, maka setara dengan fungsi transfer dengan

(b,r,s) = (2 , 0 , 1), yang persamaannya

ν(B)Xt1

= (ω0 - ω1B)Xt-21
.

(4.22)

4. Identifikasi model noise

Setelah menetapkan model fungsi tranfer yang akan digunakan, langkah berikutnya

adalah menaksir nilai-nilai parameter pembobot impulsnya. Jika yang diambil model

pada Persamaan (4.21), maka ω0 dan ϖ1 ditaksir berdasarkan persamaan

2

0

7

7

1

0

1

B

B

...

B

B

1

ω

=



ν

+

+

ν

+

ν



ϖ

(4.23)

yang jawabnya,

0

1

1

2

ω

=

ν

ϖ

ν

dan

0

0

1

1

=

ν

ϖ

ν

, sehingga

96154
,
0

60281
,
1

54116
,
1

0

1

1

=

=

ν

ν

=

ϖ

dan

02439
,
0

)

54116
,
1

)(

96154
,
0

(

)
4575
,
1

(

0

=

=

ω∧

sehingga model noise taksirannya sama dengan

t

η = Yt1

1
2

t

X

)
B

96154
,
0

1(

02439
,
0

(4.24)

dengan Yt1

= (1 – B)Yt , Xt1

= (1 – B)Xt

Untuk melakukan identifikasi dari model pada Persamaan (4.24), lakukan proses sebagai

berikut

1. ubah Persamaan (4.24) menjadi

(1 – 0,96154B) t

η = (1 – 0,96154B) Yt1

– 0,02439Xt-21

yang setara dengan

t

η − 0,961541
t−

η = Yt1

– 0,96154 Yt-11

– 0,02439Xt-21

102

2. lakukan proses rekursive linier untuk menghitung nilai-nilai deret noise taksiran

sebagai berikut,

t = 1

1
1

1
0

1
1

0

1

X

02438
,
0

Y

96154
,
0

Y

96154
,
0

=

η

η

1

2

1
1

1

Y

Y

Y

=

=

η∧

t = 2

1
0

1
1

1
2

1

2

X

02438
,
0

Y

96154
,
0

Y

96154
,
0

=

η

η

2

3

1
2

2

Y

Y

Y

=

=

η∧

t = 3

1
1

1
2

1
3

2

3

X

02438
,
0

Y

96154
,
0

Y

96154
,
0

=

η

η

)

X

X

(
02438
,
0

Y

Y

X

02438
,
0

Y

1

2

3

4

1
1

1
3

3

=

=

η∧

t = 4

1
2

1
3

1
4

3

4

X

02438
,
0

Y

96154
,
0

Y

96154
,
0

=

η

η

1
2

1
3

1
4

1
1

1
3

4

X

02438
,
0

Y

96154
,
0

Y

)

X

02438
,
0

Y

(

96154
,
0

+

=

η∧

)

X

X

(

02344
,
0

Y

Y

X

02438
,
0

X

02344
,
0

Y

1

2

4

5

1
2

1
1

1
4

4

=

=

η∧

)

X

X

(
02438
,
0

2

3 −

dan seterusnya sampai t = 29

3. hitung dan gambarkan ACF dan PACF dari deret noise taksiran

4. lakukan identifikasi deret noise taksiran berdasarkan pola ACF dan PACF yang

diperoleh

Dengan menggunakan paket program SPSS dan EXCEL, diperoleh nilai statistik dan

gambar ACF dengan PACF untuk deret noise taksiran, seperti di bawah ini

69 -8.3E-03 4.04E-02

69

NOISE
Valid N
(listwise)

N

Mean

Std.
Deviation

Descriptive Statistics

103

NOISE

Lag Number

16

15

14

13

12

11

10

9

8

7

6

5

4

3

2

1

ACF

1.0

.5

0.0

-.5

-1.0

Confidence Limits

Coefficient

Gambar 4.6a
ACF
Noise

NOISE

Lag Number

16

15

14

13

12

11

10

9

8

7

6

5

4

3

2

1

Partial ACF

1.0

.5

0.0

-.5

-1.0

Confidence Limits

Coefficient

Gambar 4.6b
PACF
Noise

Case Number

69

65

61

57

53

49

45

41

37

33

29

25

21

17

13

9

5

1

Value NOISE

.2

.1

0.0

-.1

-.2

Gambar 4.6c
Pola
Noise atas waktu

Dari nilai statistik dan Gambar 4.6a, Gambar 4.6b, dan Gambar 4.6c, tersurat bahwa

noise merupakan sebuah proses acak yang stasioner kuat dalam rata-rata hitung dan

stasioner lemah daram varians, dengan rata-rata –0,0083 dan simpangan baku 0,0404 ,

dan nilai-nilai statistik ini cukup kecil, sehingga model fungsi tranfer dengan persamaan

Yt1

=

1
2

t

X

)
B

96154
,
0

1(

02439
,
0

− ηt

atau

(1 – B)Yt =

)
B

96154
,
0

1(

02439
,
0

(1 − B)Xt-2 − ηt

cukup baik untuk digunakan sebagai model ramalan

104

Untuk model pada Persamaan (4.22) silahkan selesaikan sendiri untuk latihan.

Seandainya model pada Persamaan (4.22) juga cukup baik untuk digunakan sebagai

model ramalan, maka keduanya dapat digabungkan melalui sebuah proses pembobotan.

4.8. Fungsi Transfer Untuk Vektor Multivariat

Sudah dikemukakan konsepsi fungsi transfer identik dengan regresi multipel,

sehingga jika dimiliki data deret waktu multivariat dan ingin dibangun fungsi transfernya,

maka tahap pertama adalah harus menentukan dulu deret keluarannya. Misalkan dimiliki

data deret waktu multivariat (Xt1 , Xt2 , . . . , Xtm), dengan Xt1 sebagai deret keluaran, Xt2 ,

Xt3 , . . . , Xtm deret masukan, dan model kausalnya

Xt1 = ν1(B)Xt2 + ν2(B)Xt3 + . . . + ν(m-1)(B)Xtm + et

(4.25)

dengan

νi(B) polinom atas operator backshift B, atau fungsi transfer yang merelasikan Xt1 dengan

Xt(i+1)

et noise dengan rata-rata 0, varians konstan σe2

, dan saling bebas dengan Xt2 , Xt3 ,..., Xtm

Jika kor.(Xti , Xtj) = 0 untuk setiap i ≠ j = 2, 3, . . . , m (Xti dengan Xtj tidak

berkorelasi), maka analisisnya dapat dilakukan dengan mengembangkan teori pada fungsi

transfer untuk data bivariat (fungsi transfer dengan deret masukan tunggal) seperti yang

telah dikemukakan, yaitu dengan membangun fungsi transfer νi(B) yang merelasikan Xt1

dengan Xt(1+i) secara terpisah, masing-masing untuk waktu t, sehingga proses fungsi

transfer dilakukan sebanyak (m-1) kali, yang menghasilkan (m-1) buah fungsi transfer.

Sehingga jika

)
B

(i

ν

penaksir untuk νi(B), maka model taksiran untuk Persamaan (4.17)

sama dengan

tm

)1

m(

3t

2

2t

1

1t

X

)
B

(

...

X

)
B

(

X

)
B

(

X

ν

+

+

ν

+

ν

=

dan residunya

1t

1t

t

X

X

r

=

digunakan untuk identifikasi model.

Dalam hal kor.(Xti , Xtj) ≠ 0 untuk paling sedikit sebuah pasangan i ≠ j = 2, 3, . . . , m,

maka proses penaksiran model pada Persamaan (4.17) dilakukan berdasarkan analisis

integrasi regresi ekonometrika dengan regresi deret waktu, yang prosesnya tidak

sesederhana jika kor.(Xti , Xtj) = 0. Misalkan dari data deret waktu multivariat

105

(Xt1,Xt2,...,Xtm), dengan Xt1 deret keluaran, dan Xt2 , Xt3 , . . . , Xtm deret masukan,

diketahui

=

+

+

=

=

=

p

,

...

3,

2,

j

i

,

0

m

,

...

2,

p

1,

p

j

i

,

0

)

X

,

X

(

kor

tj

ti

maka model kausal pada Persamaan (4.17) dipecah menjadi

Xt1 = ν1(B)Xt2 + ν2(B)Xt3 + . . . + νp(B)Xtp

+ νp+1(B)Xt(p+1) + νp+2(B)Xt(p+2) + . . . + ν(m-1)(B)Xtm + et

Fungsi transfer νp+1(B), νp+2(B), . . . ,ν(m-1)(B), yang merelasikan Xt1 dengan Xt(p+1),

Xt(p+2), . . . , Xtm dibangun secara terpisah seperti membangun fungsi transfer untuk data

bivariat, dengan perkataan lain model kausal

Xt1 = νp+1(B)Xt(p+1) + νp+2(B)Xt(p+2) + . . . + ν(m-1)(B)Xtm + et

dianggap sebagai sebuah model linier dengan rank penuh. Sedangkan fungsi transfer

ν1(B), ν2(B), . . . ,νp(B), yang merelasikan Xt1 dengan Xt2 Xt3, . . . , Xtp, harus dibangun

secara terintegrasi dengan menggunakan konsepsi analisis regresi ekonometrika, yaitu

dengan menganggap model kausal

Xt1 = ν1(B)Xt2 + ν2(B)Xt3 + . . . + νp(B)Xtp + et

sebagai sebuah model ekonometrika atau model linier dengan rank tidak penuh.

106

BAB 5

ANALISIS SPEKTRAL

Sudah dikemukan pada Bab 2, analisis spektral adalah penaksiran dalam kawasan

frekuensi untuk menelaah periodesitas tersembunyi, yaitu periodesitas yang sulit

ditemukan dalam kawasan waktu. Analisis ini dilakukan jika diperlukan informasi

mengenai periodesitas hal-hal yang bersifat khusus, untuk melengkapi hasil analisis

dalam kawasan waktu, misalnya dalam bidang klimatologi, pola periodesitas curah hujan

yang menyebabkan musim hujan atau kemarau yang panjang atau pendek, untuk

melengkapi telaahan pola hujan tahunan.

Analisis spektral atau sewaktu-waktu dinamakan juga analisis spektrum, dikenalkan

oleh A. Schuster, sorang pekerja sosial, pada akhir abad ke-20 dengan tujuan mencari

periode tersembunyi dari data. Pada saat ini analisis spektral digunakan pada persoalan

penaksiran spektrum untuk seluruh selang frekuensi. M. S. Bartlett dan J. W. Tukey,

mengembangkan analisis spektral modern sekitar tahun ketiga abad ke-20, dan teorinya

banyak digunakan para pengguna di bidang klimatologi, teknik kelistrikan, meteorologi,

dan ilmu kelautan.

Analisis spektral modern didasarkan pada penomena bahwa data deret waktu

merupakan hasil proses stokastik, sehingga setiap data deret waktu dapat disajikan dalam

deret Fourier. Jika Xt , t = 1, 2, . . . , n , data deret waktu, maka Xt dapat ditulis dalam

formulasi,

Xt = a0 +

t

Cos

a

t

n

p

2

Sin

b

t

n

p

2

Cos

a

2

n

1

2

n

1

p

p

p

π

+



π

+

π


=

,

(5.1)

t = 1, 2, . . . , n

dengan

a0 =

=

=

n

1

t

t

x

n

1

x

,

2

n

a =

=

n

1

t

t

t

x

)
1

(

n

1

(5.1a)

ap =

=

π

n

1

t

t

p

n

t

2

Cos

x

n

2

, bp =

=

π

n

1

t

t

p

n

t

2

Sin

x

n

2

, p = 1, 2, . . . ,

1

2

n

(5.1b)

107

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->