P. 1
analisis deret waktu

analisis deret waktu

|Views: 87|Likes:
Published by Vi'in Kangen Nando

More info:

Published by: Vi'in Kangen Nando on May 09, 2012
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

11/08/2012

pdf

text

original

Buku Ajar

ANALISIS DATA DERET WAKTU


Case Number
81
76
71
66
61
56
51
46
41
36
31
26
21
16
11
6
1
V
a
l
u
e
4.0
3.5
3.0
2.5
2.0
1.5
1.0
.5
LN
Unstandardized Predi
cted Value






Disusun oleh
MULYANA



UNIVERSITAS PADJADJARAN
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN STATISTIKA
2004
Unstandardized Residual
1.5 1.0 .5 0.0 -.5 -1.0 -1.5
L
N
3.5
3.0
2.5
2.0
1.5
1.0
.5
Unstandardized Residual
1.5 1.0 .5 0.0 -.5 -1.0 -1.5
U
n
s
t
a
n
d
a
r
d
iz
e
d

P
r
e
d
ic
t
e
d

V
a
lu
e
2.5
2.4
2.3
2.2
2.1
i
PENGANTAR

Buku ini disusun dalam upaya membantu mahasiswa Jurusan Statistika FMIPA
Unpad, untuk bisa memahami materi perkuliahan Analisis Data Deret Waktu khususnya,
umumnya mahasiswa lain, peminat, atau pengguna ilmu Statistika sebagai alat untuk
menyelesaikan persoalan penelitian, yang menyangkut peramalan data deret waktu
univariat. Buku ini direncanakan ditulis dalam dua bagian, bagian pertama telaahan
tentang analisis regresi deret waktu univariat, yang ditujukan untuk bahan ajar atau
pengetahuan mahasiswa program S-1, sedangkan bagian kedua telaahan tentang analisis
regresi deret waktu multivariat (regresi deret waktu vektor), yang ditujukan untuk
mahasiswa program S-2. Walaupun pada buku ini banyak disajikan formulasi matematis,
diharapkan dapat juga dipahami oleh mahasiswa bukan bidang ilmu Statistika-
Matematika.
Penulis yakin, buku ini masih jauh dari “predikat baik” apalagi sempurna, sehingga
segala kritik dan saran yang bertujuan untuk perbaikan buku ini, sangat diharapkan.
Walaupun dengan segala keterbatasan dan kekurangan, diharapkan buku ini ada
manfaatnya untuk pengetahuan dan pengembangan ilmu Statistika.


Januari , 1 September 2004

Penulis


ii
DAFTAR ISI

Halaman

Kata Pengantar i
Daftar Isi ii
Bab 1 Pendahuluan 1
1.1. Regresi Deret Waktu 2
1.2. Proses Analisis Untuk Data Deret Waktu 4
1.3. Sasaran Analisis Data Deret Waktu 5
Bab 2 Analisis Dalam Kawasan Waktu 7
2.1. Autokorelasi dan Autokorelasi Parsial 7
2.2. Stasioneritas 15
2.3. Model Regresi Deret Waktu 20
2.4. Identifikasi Model 33
2.5 Transformasi Stabilitas Varians 38
2.6. Analisis Residual 42
Bab 3 Peramalan 47
3.1. Ekstrapolasi Trend 48
3.2. Eksponensial Sederhana 56
3.3. Holt 59
3.4. Winters 61
3.5. Holt-Winters 65
3.6. Box-Jenkins 69
3.7. Autoregresi Stepwise 75
3.8. Peramalan Multivariat 76
3.9. Pemilihan Metode 76
Bab 4 Model Fungsi Transfer 79
4.1. Konsepsi Umum 79
4.2. Korelasi Silang 84
iii
4.3. Hubungan Korelasi Silang Dengan Fungsi Transfer 86
4.4. Membangun Fungsi Transfer 88
4.5. Penaksiran Pada Fungsi Transfer 91
4.6. Rata-Rata Hitung Kuadrat Kekeliruan 93
4.7. Contoh Numerik 96
Bab 5 Analisis Spektral 106
5.1. Fungsi Spektral 107
5.2. Periodogram 108
5.3. Metode Windowing 110
5.4. Metode Fast Fourier Transform (metode FFT) 114
5.5. Distribusi Peluang Spektral 116
5.6. Transformasi Data 117
Kepustakaan 124
Lampiran 1 125
Lampiran 2 127
1
BAB 1
PENDAHULUAN

Pada dasarnya setiap nilai dari hasil pengamatan (data), selalu dapat dikaitkan dengan
waktu pengamatannya. Hanya pada saat analisisnya, kaitan variabel waktu dengan
pengamatan sering tidak dipersoalkan. Dalam hal kaitan variabel waktu dengan
pengamatan diperhatikan, sehingga data dianggap sebagai fungsi atas waktu, maka data
seperti ini dinamakan Data Deret Waktu (Time series). Banyak persoalan dalam ilmu
terapan yang datanya merupakan data deret waktu, misalnya dalam bidang ilmu
a. ekonomi : banyak barang terjual dalam setiap hari, keuntungan perusahaan dalam
setiap tahun, total nilai ekspor dalam setiap bulan,
b. fisika : curah hujan bulanan, temperatur udara harian, gerak partikel,
c. demografi : pertumbuhan penduduk, mortalitas dan natalitas,
d. pengontrolan kualitas : proses pengontrolan kualitas produk, pengontrolan proses
produksi,
e. biomedis : denyut nadi, proses penyembuhan, pertumbuhan mikroba.
Karena data deret waktu merupakan regresi data atas waktu, dan salah satu segi
(aspect) pada data deret waktu adalah terlibatnya sebuah besaran yang dinamakan
Autokorelasi (autocorrelation), yang konsepsinya sama dengan korelasi untuk data
bivariat, dalam analisis regresi biasa. Signifikansi (keberartian) autokorelasi menentukan
analisis regresi yang harus dilakukan pada data deret waktu. Jika autokorelasi tidak
signifikans (dalam kata lain data deret waktu tidak berautokorelasi), maka analisis regresi
yang harus dilakukan adalah analisis regresi sederhana biasa, yaitu analisis regresi data
atas waktu. Sedangkan jika signifikans (berautokorelasi) harus dilakukan analisis
regresi data deret waktu, yaitu analisis regresi antar nilai pengamatan. Segi lain dalam
data deret waktu adalah kestasioneran data yang diklasifikasikan atas stasioner kuat
(stasioner orde pertama, strickly stationer) dan stasioner lemah (stasioner orde dua,
weakly stationer), dan kestasioner ini merupakan kondisi yang diperlukan dalam analisis
data deret waktu, karena akan memperkecil kekeliruan baku.
2
Dalam teori Statistika, setiap data deret waktu dibangun atas komponen trend (T),
siklis (S), musiman (M, untuk data bulanan), dan variasi residu (R). Bentuk hubungan
antara nilai data dengan komponen-komponennya tersebut bisa bermacam-macam, dan
bentuk hubungan yang sering digunakan adalah linier dan multiplikatif. Jika x
t
nilai data
pada waktu-t dan hubungan dengan komponennya linier, maka persamaannya
x
t
= T
t
+ S
t
+ M
t
+ R
t
, jika t : bulanan (1.1)
x
t
= T
t
+ S
t
+ R
t
, jika t : tahunan (1.2)
dan multiplikatif, maka persamaannya
x
t
= T.S.M.R , jika t : bulanan (1.3)
x
t
= T.S.R , jika t : tahunan (1.4)
Sebagai akibat dari terdapatnya komponen-komponen dalam data deret waktu dan
terjadinya hubungan antar komponen, adalah berautokorelasinya antar pengamatan
sehingga dapat dibangun sebuah hubungan fungsional yang dinamakan regresi deret
waktu.

1.1. Regresi Deret Waktu
Analisis data deret waktu merupakan telaahan khusus dari analisis regresi biasa,
seperti halnya analisis ekonometrika dan analisis disain eksperimen. Analisis regresi
deret waktu adalah analisis regresi dalam kondisi variabel respon berautokorelasi,
sehingga antar variabel respon dapat dibangun sebuah hubungan fungsional, yang dalam
analisis data deret waktu bentuk hubungannya selalu digunakan regresi linier.
Konsepsi analisis regresi linier biasa dapat digunakan secara utuh dalam analisis
regresi deret waktu, hanya proses perhitungan nilai penaksir parameternya tidak selalu
bisa dijadikan acuan. Dalam analisis regresi linier biasa, proses perhitungan taksiran
parameter selalu dapat dilakukan dengan menggunakan perhitungan matriks, sebab
sistem persamaan parameternya selalu merupakan sistem persamaan linier. Sedangkan
dalam analisis regresi deret waktu, ada beberapa model yang perhitungan taksiran
parameternya harus menggunakan metoda iterasi atau rekursif, sehingga sebagian besar
persoalan analisis regresi deret waktu harus diselesaikan dengan menggunakan fasilitas
komputer.
3
Dalam analisis data deret waktu, jika pengamatan berautokorelasi maka model
hubungan fungsionalnya dibangun berdasarkan kondisi kestasioner data, sehingga model
regresi deret waktu dikelompokan atas regresi deret waktu stasioner dan regresi deret
waktu tidak stasioner. Model regresi deret waktu tidak stasioner identik dengan model
regresi deret waktu stasioner, yang terlebih dulu data distasionerkan melalui proses
diferensi. Jika data deret waktu X
t
, t = 1, 2, . . . berautokorelasi maka model regresi
antar pengamatan (autoregresi) disajikan dalam persamaan

X
t
= µ + γ
1
X
t-1
+ γ
2
X
t-2
+ . . . + γ
k
X
t-k
+ Z
t
(1.5)
dengan Z
t
kekeliruan model yang diasumsikan berdistribusi identik independen dengan
rata 0 dan varians konstan σ
2
, yang dalam analisis data deret waktu Z
t
biasa disebut white
noise, µ , γ
1
, . . . , γ
k
parameter autoregresi.
Model autoregresi dengan Persamaan (1.5) dinamakan Autoregresi Lag-k dan disingkat
AR(k).
Dalam analisis data deret waktu, untuk menyajikan X
t-i
, i = 1, 2 , . . . , k biasa
digunakan operator backshift B, dengan menuliskan X
t-i
= B
i
X
t
, sehingga model AR(k)
jika disajikan dalam operator backshift maka persamaannya menjadi
X
t
= µ + γ
1
BX
t
+ γ
2
B
2
X
t
+ . . . + γ
k
B
k
X
t
+ Z
t
(1.6)
atau
X
t
- γ
1
BX
t
- γ
2
B
2
X
t
- . . . - γ
k
B
k
X
t
= µ + Z
t

Γ
k
(B)X
t
= µ + Z
t

dengan Γ
k
(B) = 1 - γ
1
B - γ
2
B
2
- . . . - γ
k
B
k

Karena Γ
k
(B) ≠ 0, secara matematis persamaan Γ
k
(B)X
t
= µ + Z
t
setara dengan
t
k k
t
Z
) B (
1
) B (
X
Γ
+
Γ
µ
=
X
t
= Γ
k
-1
(B)µ + Γ
k
-1
(B)Z
t
= θ + Γ
k
-1
(B)Z
t
(1.7)
sehingga jika didefinisikan Γ
k
-1
(B) = Ψ
p
(B) = 1 - ψ
1
B - ψ
2
B
2
- . . . - ψ
p
B
p
maka
Persamaan (1.7) menjadi
X
t
= θ + Ψ
p
(B)Z
t
= θ + Z
t
- ψ
1
Z
t-1
- ψ
2
Z
t-2
- . . . - ψ
p
Z
t-p
(1.8)
Model dengan Persamaan (1.8) dinamakan model rata-rata bergerak (moving average)
orde-p disingkat MA(p). Jadi dalam hal ini model MA(p) merupakan model inversi dari
4
AR(k), yang berarti model AR(k) dan MA(p) merupakan model yang saling berkebalikan
(invertible)
Model AR(k) dan MA(p) merupakan model regresi deret waktu stasioner dan saling
berkebalikan, sehingga keduanya dapat digabungkan dengan cara dijumlahkan, dan
model yang diperoleh dinamakan model autoregresi rata-rata bergerak, disingkat
ARMA(k,p), dengan persamaan
X
t
= η + γ
1
X
t-1
+ γ
2
X
t-2
+ . . . + γ
k
X
t-k
+ Z
t
- ψ
1
Z
t-1
- ψ
2
Z
t-2
- . . . -ψ
p
Z
t-p
(1.9)
atau
X
t
- γ
1
X
t-1
- γ
2
X
t-2
- . . . - γ
k
X
t-k
= η + Z
t
- ψ
1
Z
t-1
- ψ
2
Z
t-2
- . . . -ψ
p
Z
t-p

Γ
k
(B)X
t
= η + Ψ
p
(B)Z
t

Karena AR(k) dan MA(p) adalah mode regresi deret waktu stasioner, maka ARMA(k,p)
juga model regresi deret waktu stasioner.
Jika data tidak stasioner, maka dapat distasionerkan melalui proses stasioneritas, yang
berupa proses diferensi jika trendnya linier, dan proses linieritas dengan proses diferensi
pada data hasil proses linieritas, jika trend data tidak linier. Model ARMA(k,p) untuk
data hasil proses diferensi dinamakan model autoregresi integrated rata-rata bergerak
disingkat ARIMA(k,q,p).

1.2. Proses Analisis Untuk Data Deret Waktu.
Dalam analisis data deret waktu, proses baku yang harus dilakukan adalah
1. Memetakan nilai data atas waktu, hal ini dilakukan untuk menelaah kestasioneran
data, sebab jika data tidak stasioner maka harus distasionerkan melalui proses
stasioneritas.
2. Menggambarkan korelogram (gambar fungsi autokorelasi), untuk menelaah apakah
autokorelasi signifikans atau tidak, dan perlu-tidaknya proses diferensi dilakukan.
Jika autokorelasi data tidak signifikans, analisis data cukup menggunakan analisis
regresi sederhana data atas waktu, sedangkan jika signifikans harus menggunakan
analisis regresi deret waktu. Jika data ditransformasikan, maka proses pemetaan data
dan penggambaran korelogram, sebaiknya dilakukan juga pada data hasil
5
transformasi, untuk menelaah apakah proses transformasi ini sudah cukup baik dalam
upaya menstasioner kan data.
3. Jika dari korelogram disimpulkan bahwa autokorelasi signifikans, maka bangun
model regresi deret waktunya, dan lakukan penaksirannya baik dalam kawasan waktu
maupun kawasan frekuensi.
4. Lakukan proses peramalan dengan metode yang sesuai dengan kondisi datanya, dan
untuk mendapatkan hasil yang memuaskan sebaiknya gunakan metode Box-Jenkins .
Semua proses tersebut dapat dilakukan dengan mengunakan kemasan program (software)
komputer, dan telah banyak kemasan program yang dapat digunakan diantaranya SPSS
dan STATISCA.

1.3. Sasaran Analisis Data Deret Waktu
Ada beberapa tujuan dalam analisis data deret waktu, yaitu
1.3.1. Deskripsi (description)
Jika ingin mempresentasikan karakter dari data yang dimiliki, seperti kestasioneran,
keberadaan komponen musiman, keberartian autokorelasi (sebab pada dasarnya setiap
data deret waktu berautokorelasi hanya autokorelasinya signifikans atau tidak ?), maka
tahap pertama dari analisis data deret waktu adalah menggambarkan peta data dan
korelogram, yang tujuannya,
1.3.1.1. gambar peta data atas waktu untuk menelaah kestasioneran dan keberaadaan
komponen musiman (jika datanya bulanan), dan
1.3.1.2. gambar korelogram untuk menelaah signifikansi autokorelasi dan perlu-tidaknya
transformasi data,
sehingga berdasarkan informasi visual tersebut dapat dirumuskan mengenai analisis data
yang harus dilakukan, yaitu analisis regresi sederhana data atas waktu, atau analisis
regresi deret waktu.
1.3.2. Menerangkan (explanation)
Jika variabel data deret waktu lebih dari satu buah, maka telaahan dilakukan untuk
menentukan apakah salah satu variabel dapat menjelaskan variabel lain, sehingga bisa
dibangun sebuah model regresi (fungsi transfer) untuk keperluan analisis data deret
6
waktu lebih lanjut ? Sebab pada dasarnya analisis data deret waktu adalah analisis data
univariat, sehingga jika datanya bivariat atau multivariat, maka bagaimana proses
univariatisasinya ?
1.3.3. Perkiraan (prediction)
Jika dimiliki sampel data deret waktu, dan diinginkan perkiraan nilai data berikutnya,
maka proses peramalan harus dilakukan. Peramalan adalah sasaran utama dari analisis
data deret waktu, yang prosesnya bisa berdasarkan karakter dari komponen data, atau
model regresi deret waktu. Pengertian perkiraan (prediction) dan peramalan
(forecasting) beberapa penulis ada yang membedakannya, sebab mereka berpendapat
perkiraan adalah penaksiran (estimation) nilai data dengan tidak memperhatikan model
hubungan (regresi) antar nilai data, tetapi peramalan adalah proses penaksiran nilai data
berdasarkan sebuah model hubungan fungsional antar nilai data. Tetapi kebanyakan
penulis berpendapat perkiraan dengan peramalan adalah dua proses analisis data yang
sama. Dalam buku ajar ini perkiraan bisa diidentikan dengan peramalan.
1.3.4. Kontrol (control)
Proses kontrol dilakukan untuk menelaah apakah model (regresi) ramalan (perkiraan)
yang ditentukan cukup baik untuk digunakan ? Dalam statistika, sebuah model baik
digunakan untuk peramalan, jika dipenuhi modelnya cocok dan asumsinya juga dipenuhi.
Sehingga proses kontrol terhadap model perlu dilakukan untuk menelaah dipenuhi-
tidaknya asumsi, kecocokan bentuk model yang dibangun, ada-tidaknya pencilan
(outliers), yang analisisnya dapat dilakukan berdasarkan karakter nilai residu atau analisis
varians.
Untuk bisa memahami dengan baik mengenai analisis data deret waktu, diperlukan
pemahaman mengenai analisis regresi biasa, sebab analisis data deret waktu adalah
analisis khusus dari analisis regresi biasa, yaitu analisis regresi dalam hal data responnya
berautokorelasi, sehingga konsepsi pada analisis regresi biasa berlaku dalam analisis
regresi deret waktu, tetapi belum tentu untuk sebaliknya.
7
BAB 2
ANALISIS DALAM KAWASAN WAKTU

Sudah dikemukakan pada Bab 1 bahwa data deret waktu adalah data yang merupakan
fungsi atas waktu, dan setiap data deret waktu dibangun oleh komponen trend, siklis,
musiman (untuk data bulanan), dan variasi residu. Sehingga berdasarkan konsepsi
tersebut, analisis data deret waktu dapat dilakukan dalam dua kawasan (domain), yaitu
kawasan waktu dan kawasan frekuensi. Dalam kawasan waktu adalah telaah signifikansi
autokorelasi, kestasioneran data, penaksiran parameter model regresi deret waktu, dan
peramalan (forecasting). Sedangkan dalam kawasan frekuensi adalah telaahan frekuensi
tersembunyi, yaitu frekuensi komponen siklis yang sulit diperoleh dalam kawasan waktu,
dengan tujuan untuk mengetahui hal-hal istimewa atau kondisi tertentu pada data.
Analisis dalam kawasan frekuensi dinamakan Analisis Spektral, dan analisis ini
dilakukan untuk memberikan informasi tambahan pada hasil analisis dalam kawasan
waktu.

2.1. Autokorelasi dan Autokorelasi Parsial
Konsepsi autokorelasi setara (identik) dengan korelasi Pearson untuk data bivariat.
Deskripsinya sebagai berikut, jika dimiliki sampel data deret waktu x
1
, x
2
, . . . , x
n
, dan
dapat dibangun pasangan nilai (x
1
, x
k+1
) , (x
2
, x
k+2
) , . . . , (x
k
, x
n
) , autokorelasilasi
lag-k, dari sampel data deret waktu adalah
( )( )
( ) ( )
¿ ¿
¿

=

=

=
+
+
− −
− −
= =
k n
1 t
2
i
k n
1 t
2
1
t
k n
1 t
2
k t
1
t
k t t k
x x x x
x x x x
) X , X .( kor r (2.1)
¿
=
=
k
1 t
t
1 x
k
1
x ,
¿
+ =
=
n
1 k t
t
2 x
k
1
x
Dalam analisis data deret waktu untuk mendapatkan hasil yang baik, nilai n harus cukup
besar, dan autokorelasi disebut berarti jika nilai k cukup kecil dibandingkan dengan n,
sehingga bisa dianggap
8
n
x
x x x
n
1 t
t
2 1
¿
=
= ≈ ≈
dan Persamaan (2.1) menjadi
( )( )
( )
¿
¿
=

=
+

− −

n
1 t
2
t
k n
1 t
k t t
k
x x
x x x x
r
dan perumusan autokorelasi seperti ini yang digunakan dalam analisis data deret waktu.
Karena r
k
merupakan fungsi atas k, maka hubungan autokorelasi dengan lagnya
dinamakan Fungsi Autokorelasi (autocorrelation function, ACF), dan dinotasikan oleh
( )( )
( )
¿
¿
=

=
+

− −
= ρ
n
1 t
2
t
k n
1 t
k t t
x x
x x x x
) k ( (2.2)
Konsepsi lain pada autokorelasi adalah autokorelasi parsial (partial autocorrelation),
yaitu korelasi antara X
t
dengan X
t+k
, dengan mengabaikan ketidak-bebasan X
t+1
, X
t+2
, . .
. , X
t+k-1
, sehingga X
t
dianggap sebagai konstanta, X
t
= x
t
, t = t+1 , t+2 , . . . , t+k-1 .
Autokorelasi parsial X
t
dengan X
t+k
didefinisikan sebagai korelasi bersyarat,
ρ
kk
= kor.(X
t
,X
t+k
X
t+1
= x
t+1
, X
t+2
= x
t+2
, . . . , X
t+k-1
= x
t+k-1
) (2.3)
Seperti halnya autokorelasi yang merupakan fungsi atas lagnya, yang hubungannya
dinamakan fungsi autokorelasi (ACF), autokorelasi parsial juga merupakan fungsi atas
lagnya, dan hubungannya dinamakan Fungsi Autokorelasi Parsial (partial
autocorrelation function, PACF). Gambar dari ACF dan PACF dinamakan korelogram
(correlogram) dan dapat digunakan untuk menelaah signifikansi autokorelasi dan
kestasioneran data. Jika gambar ACF membangun sebuah histogram yang menurun (pola
eksponensial), maka autokorelasi signifikans atau data berautokorelasi, dan jika diikuti
oleh gambar PACF yang histogramnya langsung terpotong pada lag-2, maka data tidak
stasioner, dan dapat distasionerkan melalui proses diferensi.
Jika dimiliki sampel data deret waktu, x
1
, x
2
, . . . , x
n
, maka yang harus dihitung
untuk mendapatkan autokorelasi sampel lag-k secara “manual” adalah,
9
1. rata-rata sampel,
¿
=
=
n
1 t
t
x
n
1
x
2. autokovarians sampel lag-k, ( )( )
¿

=
+
− −

=
k n
1 t
k t t k
x x x x
k n
1
s
3. autokorelasi sampel lag-k,
0
k
k
s
s
r =
Sedangkan untuk menghitung autokorelasi parsial sampel lag-k, adalah sebagai berikut
1. bangun kombinasi linier X
t+k
dengan X
t+k-1
= x
t+k-1
, X
t+k-2
= x
t+k-2
, . . . , X
t+1
= x
t+1
,
dengan persamaan
X
t+k
= β
1
x
t+k-1
+ β
2
x
t+k-2
+ . . . + β
k-1
x
t+1
, β
i
, 1 ≤ i ≤ k-1 , koefisien model.
2. lakukan proses penaksiran untuk β
i
, berdasarkan metode kuadrat rata-rata hitung,
yaitu meminimumkan E(X
t+k
- β
1
x
t+k-1
- β
2
x
t+k-2
- . . . - β
k-1
x
t+1
), dengan asumsi
E(X
t
) = 0. Proses minimisasi dilakukan dengan menggunakan perhitungan
diferensiasi biasa, sehingga jika r
i
, 1 k i 1 − ≤ ≤ , autokorelasi sampel lag-i , maka
penaksir β
i
,

β , diperoleh berdasarkan persamaan matriks
|
|
|
|
|
|
|
|
|
.
|

\
|
β
β
β
|
|
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
|
|
|
.
|

\
|




− − −
− −
− −

1 k
2
1
1 4 k 3 k 2 k
3 k 4 k 1 1
2 k 3 k 2 1
1 k
2
1
.
.
.
1 r ... r r r
. . . . . .
. . . . . .
. . . . . .
r r ... r 1 r
r r ... r r 1
r
.
.
.
r
r

Dengan menggunakan metode Cramer, jika dinotasikan
|
|
|
|
|
|
|
|
.
|

\
|
=
− − −
− −
− −
1 r ... r r r
. . . . . .
. . . . . .
. . . . . .
r r ... r 1 r
r r ... r r 1
m
1 4 k 3 k 2 k
3 k 4 k 1 1
2 k 3 k 2 1
,
|
|
|
|
|
|
|
|
.
|

\
|
=
−1 k
2
1
r
.
.
.
r
r
r
dan
10
|
|
|
|
|
|
|
|
|
|
|
.
|

\
|
=
− − − − − −
− − − − − − −
− −
− −
− −
1 ... r r r ... r r
r ... r r r ... r r
. . . . . . . .
. . . . . . . .
. . . . . . . .
r ... r r ... 1 r r
r ... r r ... r 1 r
r ... r r r ... r 1
m
2 i k 1 k i k 3 k 2 k
3 i k 2 k 1 i k 4 k 3 k
4 k 2 i 3 1 2
3 k 1 i 2 1 1
2 k i 1 2 i 1
i

yaitu matriks yang diperoleh dari m dengan mengganti kolom ke-i oleh r ,
maka
m
m
i
i
= β

, dengan m
i
 dan m masing-masing determinan dari m
i
dan m,
Berdasarkan Persamaan (2.3), maka autokorelasi parsial populasi dihitung berdasarkan
persamaan

|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

= ρ
+

+

+

+

k t
k t
t
t
k t
k t
t
t
kk
X X . var X X . var
X X X X . kov

sehingga autokorelasi parsial sampel, dihitung berdasarkan persamaan

( )
( )

|
.
|

\
|
β − β −

|
.
|

\
|
β − β −
=
β − − β −
β − − β −
=

∧ ∧

∧ ∧
− −
∧ ∧




1 k 1 1 - k 1
1 k 1 1 1 - k k
1 k 1 k 1 1
1 1 k 1 k 1 k
kk
... 1 r . . . r 1
... 1 r . . . r r
r ... r 1
r ... r r
r (2.4)
Persamaan (2.4) jika dikaitkan dengan nilai-nilai
i

β yang dihitung berdasarkan
perhitungan determinan matriks, maka sajian dalam persamaan determinannya

11
1 r ... r r r
. . . . . .
. . . . . .
. . . . . .
r r ... r 1 r
r r ... r r 1
r r ... r r r
. . . . . .
. . . . . .
. . . . . .
r r ... r 1 r
r r ... r r 1
r
1 1 k 2 k 1 k
2 k 3 k 1 1
1 k 2 k 2 1
k 1 3 k 2 k 1 k
2 3 k 1 1
1 2 k 2 1
kk
− − −
− −
− −
− − −


=

Menghitung autokorelasi parsial antara X
t
dengan X
t+k
dapat juga dilakukan sebagai
berikut. Bangun model regresi linier tanpa konstanta dengan X
t+k
sebagai variabel tidak
bebas dan X
t+k-1
, X
t+k-2
, . . . , X
t
sebagai variabel bebas,
X
t+k
= φ
k1
X
t+k-1
+ φ
k2
X
t+k-2
+ . . . + φ
kk
X
t
+ ε
t+k

φ
ki
, i = 1, 2, . . . , k , parameter model ;
ε
t+k
kekeliruan yang diasumsikan berdistribusi normal identik independen dengan rata-
rata 0, varians konstan σ
2
, dan tidak berkorelasi dengan X
t+k-i
, i = 1, 2, . . . ,k ;
Dengan tidak mengabaikan keumuman, diasumsikan E(X
t+k
) = 0 untuk setiap t dan k.
Selanjutnya perkalikan X
t+k-i
dengan persamaan regresi
γ
i
= φ
k1
γ
i-1
+ φ
k2
γ
i-2
+ φ
kk
γ
i-k

untuk setiap i = 1, 2, . . . , k, dan hitung nilai ekspetasinya, yang hasilnya akan
membangun sebuah sistem persamaan linier
ρ
i
= φ
k1
ρ
i-1
+ φ
k2
ρ
i-2
+ φ
kk
ρ
i-k
, i = 1, 2, . . . , k
dengan menggunakan metode Cramer, maka akan diperoleh jawab
φ
11
= ρ
1

12
1
1
1
1
1
2 1
1
22
ρ
ρ
ρ ρ
ρ
= φ
1
1
1
1
1
2 2
1 1
2 1
3 1 1
2 1
1 1
33
ρ ρ
ρ ρ
ρ ρ
ρ ρ ρ
ρ ρ
ρ ρ
= φ
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
1 ...
1 ...
... ... ... ... ... ...
... 1
... 1
... 1
...
...
... ... ... ... ... ...
... 1
... 1
... 1
1 3 k 2 k 1 k
1 4 k 3 k 2 k
3 k 4 k 3 2
2 k 3 k 1 1
1 k 2 k 2 1
k 1 3 k 2 k 1 k
1 k 2 4 k 3 k 2 k
3 4 k 3 2
2 3 k 1 1
1 2 k 2 1
kk
ρ ρ ρ ρ
ρ ρ ρ ρ
ρ ρ ρ ρ
ρ ρ ρ ρ
ρ ρ ρ ρ
ρ ρ ρ ρ ρ
ρ ρ ρ ρ ρ
ρ ρ ρ ρ
ρ ρ ρ ρ
ρ ρ ρ ρ
= φ
− − −
− − −
− −
− −
− −
− − −
− − − −





Sehingga jika ρ
i
ditaksir oleh
i

ρ = r
i
(autokorelasi sampel), maka φ
ii
ditaksir oleh
kk ii
∧ ∧
ρ = φ = r
ii
(autokorelasi parsial sampel), i = 1, 2, . . . , k. Berdasarkan paparan
mengenai kedua konsepsi perhitungan autokorelasi parsial tersebut, dapat disimpulkan
autokorelasi parsial antara X
t
dengan X
t+k
adalah penaksir koefisien regresi ke-k, dari
model regresi dengan persamaan
13
X
t+k
= φ
k1
X
t+k-1
+ φ
k2
X
t+k-2
+ . . . + φ
kk
X
t
+ ε
t+k
kk kk kk
r = ρ = φ
∧ ∧

Untuk menghitung autokorelasi dan autokorelasi parsial banyak kemasan program
(software) komputer yang dapat digunakan, seperti SPSS, MINITAB, dan STATISTICA,
sehingga jika para pengguna analisis data deret waktu tidak memahami konsepsi
perhitungan dan pembuatan program komputer untuk perhitungannya, bisa menggunakan
salah satu kemasan program tersebut untuk keperluan analisisnya.
Contoh numerik :
Perhatikan data pada Tabel 2.1 di bawah ini
Tabel 2.1
Data Volume Penjualan
(dalam ribuan unit)

Tahun
Bulan 1990 1991 1992 1993 1994 1995 1996
Januari 12,35 10,12 9,25 2,75 5,80 12,25 10,85
Pebruari 9,78 8,75 5,45 10,19 11,09 8,75 7,50
Maret 10,25 19,75 5,89 4,35 7,00 8,00 12,67
April 2,75 25,30 5,55 30,25 12,20 6,75 29,77
Mei 25,24 12,10 10,25 5,25 11,20 30,45 12,20
Juni 20,25 30,00 6,75 5,25 5,00 10,25 12,25
Juli 11,25 10,25 10,00 30,25 2,75 30,30 12,25
Agustus 12,20 10,35 30,33 12,25 10,00 10,50 12,25
September 20,25 25,05 12,33 8,75 7,75 5,55 4,25
Oktober 10,00 12,25 30,25 24,20 20,10 12,25 5,75
Nopember 8,75 9,90 10,25 25,22 2,57 5,75 7,50
Desember 10,80 8,90 9,25 5,50 4,75 10,25 10,00

Jika autokorelasi dan autokorelasi parsial dihitung dengan menggunakan paket program
SPSS untuk 16 lag yang pertama (default-nya proram) diperoleh hasil seperti dibawah in.
MODEL: MOD_1.
Autocorrelations: NILAI
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
1 -.012 .107 . * . .014 .907
2 .039 .107 . I* . .149 .928
3 .116 .106 . I** . 1.356 .716
4 -.094 .105 . **I . 2.161 .706
5 -.232 .105 *.***I . 7.084 .214
6 -.036 .104 . *I . 7.204 .302
7 -.103 .103 . **I . 8.204 .315
14
8 -.151 .103 .***I . 10.364 .240
9 .100 .102 I** . 11.323 .254
10 -.073 .101 *I . 11.844 .296
11 .155 .101 I***. 14.227 .221
12 .022 .100 . * . 14.276 .283
13 .044 .099 . I* . 14.476 .341
14 -.027 .098 . *I . 14.553 .409
15 .031 .098 . I* . 14.655 .477
16 -.080 .097 . **I . 15.331 .501
Plot Symbols: Autocorrelations * Two Standard Error Limits .
Total cases: 84 Computable first lags: 83
Partial Autocorrelations: NILAI
Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
+----+----+----+----+----+----+----+----+
1 -.012 .109 . * .
2 .039 .109 . I* .
3 .117 .109 . I** .
4 -.094 .109 . **I .
5 -.249 .109 *.***I .
6 -.055 .109 . *I .
7 -.062 .109 . *I .
8 -.112 .109 . **I .
9 .071 .109 . I* .
10 -.109 .109 . **I .
11 .150 .109 . I***.
12 -.051 .109 . *I .
13 -.001 .109 . * .
14 -.060 .109 . *I .
15 .002 .109 . * .
16 -.029 .109 . *I .
Plot Symbols: Autocorrelations * Two Standard Error Limits .
Total cases: 84 Computable first lags: 83

dan gambar ACF dengan PACF-nya seperti di bawah di bawah ini

16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Lag Number
1.0
0.5
0.0
-0.5
-1.0
A
C
F
Lower Confidence
Limit
Upper Confidence
Limit
Coefficient
Nilai

Gambar 2.1a
ACF Nilai Data Pada Tabel 2.1
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Lag Number
1.0
0.5
0.0
-0.5
-1.0
P
a
r
t
i
a
l

A
C
F
Lower Confidence
Limit
Upper Confidence
Limit
Coefficient
Nilai


Gambar 2.1b
PACF Nilai Data Pada Tabel 2.1
15

Jika ditelaah, gambar ACF dan PACF keduanya membangun pola alternating (tanda
dan nilai autokorelasi berubah secara acak sesuai dengan berjalannya nilai lag), hal ini
mengindikasikan data tidak stasioner dalam varians, dan stasioner lemah dalam rata-rata
hitung. Sedangkan signifikansi autokorelasi kemungkinannya lemah (nilai lagnya cukup
besar jika dibandingkan dengan ukuran sampelnya)
Jika hasil telaahan secara “visual” tidak cukup menyakinkan, maka dapat dilakukan
pengujian hipotesis statistis untuk keberartian autokorelasi.

2.2. Stasioneritas
Kestasioneran data merupakan kondisi yang diperlukan dalam analisis regresi deret
waktu karena dapat memperkecil kekeliruan model, sehingga jika data tidak stasioner,
maka harus dilakukan transformasi stasioneritas melalui proses diferensi, jika trendnya
linier, sedangkan jika tidak linier, maka transformasinya harus dilakukan dulu
transformasi linieritas trend melalui proses logaritma natural jika trendnya eksponensial,
dan proses pembobotan (penghalusan eksponensial sederhana) jika bentuknya yang lain,
yang selanjutnya proses diferensi pada data hasil proses linieritas.
Berdasarkan deskripsinya, bentuk kestasioneran ada dua, yaitu stasioner kuat
(strickly stationer), atau stasioner orde pertama (primary stationer) dan stasioner
lemah (weakly stationer), atau stasioner orde kedua (secondary stationer). Deskripsi
umum kestasioneran adalah sebagai berikut, data deret X
1
, X
2
, . . . disebut stasioner kuat
jika distribusi gabungan
n 2 1
t t t
X , . . . , X , X sama dengan distribusi gabungan
k t k t k t
n 2 1
X , . . . , X , X
+ + +
, untuk setiap nilai t
1
, t
2
, . . . , t
n
dan k. Sedangkan disebut
stasioner lemah, jika rata-rata hitung data konstan, E(X
t
) = µ, dan autokovariansnya
merupakan fungsi dari lag, ρ
k
= f(k). Sedangkan ketidakstasioner data diklasifikasikan
atas tiga bentuk yaitu
1. tidak stasioner dalam rata-rata hitung, jika trend tidak datar (tidak sejajar sumbu
waktu) dan data tersebar pada “pita” yang meliput secara seimbang trendnya.
16
2. tidak stasioner dalam varians, jika trend datar atau hampir datar tapi data tersebar
membangun pola melebar atau menyempit yang meliput secara seimbang trendnya
(pola terompet).
3. tidak stasioner dalam rata-rata hitung dan varians, jika trend tidak datar dan data
membangun pola terompet.
Untuk menelaah ketidak-stasioneran data secara visual, tahap pertama dapat
dilakukan pada peta data atas waktu, karena biasanya “mudah”, dan jika belum
mendapatkan kejelasan, maka tahap berikutnya ditelaah pada gambar ACF dengan
PACF. Telaahan pada gambar ACF, jika data tidak stasioner maka gambarnya akan
membangun pola,
1. menurun, jika data tidak stasioner dalam rata-rata hitung (trend naik atau turun),
2. alternating, jika data tidak stasioner dalam varians,
3. gelombang, jika data tidak stasioner dalam rata-rata hitung dan varians.
Gambar-gambar di bawah ini menyajikan kasus data tidak stasioner dan bentuk ACF-nya

2
7
6
2
7
1
2
6
6
2
6
1
2
5
6
2
5
1
2
4
6
2
4
1
2
3
6
2
3
1
2
2
6
2
2
1
2
1
6
2
1
1
2
0
6
2
0
1
1
9
6
1
9
1
1
8
6
1
8
1
1
7
6
1
7
1
1
6
6
1
6
1
1
5
6
1
5
1
1
4
6
1
4
1
1
3
6
1
3
1
1
2
6
1
2
1
1
1
6
1
1
1
1
0
6
1
0
1
9
6
9
1
8
6
8
1
7
6
7
1
6
6
6
1
5
6
5
1
4
6
4
1
3
6
3
1
2
6
2
1
1
6
1
1
6 1
Case Number
0.600
0.500
0.400
0.300
0.200
0.100
0.000
V
a
l
u
e

c
r
e
s
t

Gambar 2.2a
Data tidak stasioner dalam rata-rata hitung
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Lag Number
1.0
0.5
0.0
-0.5
-1.0
A
C
F
Lower Confidence
Limit
Upper Confidence
Limit
Coefficient
crest

Gambar 2.2b
ACF dari Gambar 2.2a

17
CREST
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
P
a
r
t
i
a
l

A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient

Gambar 2.2c
PACF dari Gambar 2.2a
2
1
6
2
1
1
2
0
6
2
0
1
1
9
6
1
9
1
1
8
6
1
8
1
1
7
6
1
7
1
1
6
6
1
6
1
1
5
6
1
5
1
1
4
6
1
4
1
1
3
6
1
3
1
1
2
6
1
2
1
1
1
6
1
1
1
1
0
6
1
0
1
9
6
9
1
8
6
8
1
7
6
7
1
6
6
6
1
5
6
5
1
4
6
4
1
3
6
3
1
2
6
2
1
1
6
1
1
6 1
Case Number
40000
30000
20000
10000
V
a
l
u
e

c
o
n
n
e
c
t

Gambar 2.2d
Data tidak stasioner dalam rata-rata
hitung dan varians

16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Lag Number
1.0
0.5
0.0
-0.5
-1.0
A
C
F
Lower Confidence
Limit
Upper Confidence
Limit
Coefficient
connect

Gambar 2.2e
ACF dari Gambar 2.2d
CONNECT
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
P
a
r
t
i
a
l

A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient

Gambar 2.2f
PACF dari Gambar 2.2d

1
1
9
1
1
7
1
1
5
1
1
3
1
1
1
1
0
9
1
0
7
1
0
5
1
0
3
1
0
1
9
9
9
7
9
5
9
3
9
1
8
9
8
7
8
5
8
3
8
1
7
9
7
7
7
5
7
3
7
1
6
9
6
7
6
5
6
3
6
1
5
9
5
7
5
5
5
3
5
1
4
9
4
7
4
5
4
3
4
1
3
9
3
7
3
5
3
3
3
1
2
9
2
7
2
5
2
3
2
1
1
9
1
7
1
5
1
3
1
1
9 7 5 3 1
Case Number
80.0
70.0
60.0
50.0
40.0
30.0
20.0
10.0
V
a
l
u
e

o
z
o
n
e

Gambar 2.2g
Data tidak stasioner dalam varians
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Lag Number
1.0
0.5
0.0
-0.5
-1.0
A
C
F
Lower Confidence
Limit
Upper Confidence
Limit
Coefficient
ozone

Gambar 2.2h
ACF dari Gambar 2.2g

18
OZONE
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
P
a
r
t
i
a
l

A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient

Gambar 2.2i
PACF dari Gambar 2.2g


Untuk ilustrasi perhatikan data pada Tabel 2.1. Jika digambarkan, peta data atas
waktu gambarnya seperti di bawah ini
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e

N
I
L
A
I
40
30
20
10
0

Gambar 2.3
Peta data pada Tabel 2.1

Gambar 2.3 terlihat identik dengan Gambar 2.2e, menyajikan pola trend yang hampir
mendatar (sejajar sumbu waktu) dan variasi data terletak pada sebuah “pita yang meliput
tidak seimbang” trend data, hal ini mengindikasikan bahwa data stasioner lemah dalam
rata-rata hitung, tapi tidak stasioner dalam varians. Ketidak stasioneran dalam varians
jelas terlihat pada gambar ACF dan PACF-nya (Gambar 2.1a dan 2.1b), yang keduanya
menyajikan pola hampir alternating. Untuk lebih memperjelas pendapat tersebut,
perhatikan gambar-gambar hasil diferensi orde-1 dari data pada Tabel 2.1 berikut ini.
19
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e

D
I
F
F
(
N
I
L
A
I
,
1
)
30
20
10
0
-10
-20
-30

Gambar 2.4
Peta data pada Tabel 2.1 hasil diferensi orde-1

DIFF(NILAI,1)
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient


Gambar 2.5a
ACF data pada Tabel 2.1 hasil diferensi
orde-1
DIFF(NILAI,1)
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
P
a
r
t
i
a
l

A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient



Gambar 2.5b
PACF data pada Tabel 2.1 hasil diferensi
orde-1

Gambar 2.4 menyajikan pola data dengan trend mendatar dan pola “terompet di sisi kiri
dan kanan”, hal ini berarti dengan didiferensi orde-1 data yang tadinya stasioner lemah
dalam rata-rata hitung menjadi stasioner kuat dalam rata-rata hitung. Selanjutnya dari
gambar ACF (Gambar 2.5a) yang membangun pola alternating dan PACF (Gambar 2.5b)
pola “hampir gelombang”, hal ini menunjukan bahwa proses diferensi belum bisa
menstabilkan varians, tetapi tidak perlu dilakukan lagi (cukup orde-1), yang harus
dilakukan adalah transformasi stabilitas varians.
20
Seperti halnya dengan telaahan keberatian autokorelasi, jika telaahan ketidak
stasioneran secara “visual” kurang meyakinkan, maka pengujian hipotesis statistis untuk
kestasioneran data perlu dilakukan.

2.3. Model Regresi Deret Waktu
Jika data deret waktu berautokorelasi pada lag-k, maka selanjutnya membangun
model hubungan fungsional antar pengamatan (model regresi deret waktu, model
autoregresi), dan pada Bab 1 sudah dikemukakan model regresi deret waktu dari data
yang berautokorelasi pada lag-k, dinamakan model autoregresi order-k (lag-k), ditulis
AR(k), yang persamaannya
X
t
= µ + γ
1
X
t-1
+ γ
2
X
t-2
+ γ
k
X
t-k
+ Z
t

dengan Z
t
kekeliruan yang diasumsikan berdistribusi normal identik independen dengan
rata 0 dan varians konstan σ
2
, dan dalam analisis data deret waktu Z
t
dinamakan proses
acak atau white noise, µ , γ
1
, . . . , γ
k
parameter autoregresi.
Untuk menentukan nilai taksiran parameter model berdasarkan sampel data deret
waktu, x
1
, x
2
, . . . , x
2
, prosesnya seperti pada analisis regresi multipel biasa, sebab
model AR(k) setara dengan model regresi multipel biasa atas k variabel bebas, yang
dalam regresi deret waktu sebagai variabel bebasnya adalah, X
t-1
, X
t-2
, . . . , X
t-k
dan
variabel tidak bebasnya X
t
, sehingga langkah-langkah perhitungan secara “manual”
sebagai berikut,
1. bangun pasangan pengamatan, (X
t
, X
t-1
, . . . , X
t-k
) dan sajikan pada tabel seperti di
bawah ini
X
t
X
t-1
. . . X
t-k
x
n
x
n-1
. . . x
n-k
x
n-1
x
n-2
. . . x
n-1-k
. . . .
. . . .
. . . .
x
k+1
x
k
. . . x
1




21

2. bangun matriks
|
|
|
|
|
|
|
|
.
|

\
|
=
+

1 k
1 n
n
x
.
.
.
x
x
Y ,
|
|
|
|
|
|
|
|
.
|

\
|
=

− − − −
− − −
1 1 k k
k 1 n 3 n 2 n
k n 2 n 1 n
x ... ... x x 1
. . . . . .
. . . . . .
. . . . . .
x ... ... x x 1
x ... ... x x 1
X ,
|
|
|
|
|
|
|
|
.
|

\
|
γ
γ
µ
= β
k
1
.
.
.

3. hitung X X′ , ( )
1
X X

′ , dan Y X′
4. sehingga penaksir β , ( ) Y X X X
1
′ ′ = β



Misal untuk model AR(1), dengan persamaan
X
t
= µ + γX
t-1
+ Z
t
, t = 1 , 2 , . . . , n (2.4)
Pada persamaan ini
|
|
|
|
|
|
|
|
.
|

\
|
=

2
1 n
n
x
.
.
.
x
x
Y ,
|
|
|
|
|
|
|
|
.
|

\
|
=


1
2 n
1 n
x 1
. .
. .
. .
x 1
x 1
X ,
|
|
.
|

\
|
γ
µ
= β ,
|
|
|
|
.
|

\
|

= ′
¿ ¿
¿

=

=

=
1 n
1 t
2
t
1 n
1 t
t
1 n
1 t
t
x x
x ) 1 n (
X X
( )
|
|
|
|
.
|

\
|
− −

|
.
|

\
|
− −
= ′
¿
¿ ¿
¿ ¿

=

=

=

=

=

) 1 n ( x
x x
x x ) 1 n (
1
X X
1 n
1 t
t
1 n
1 t
t
1 n
1 t
2
t
2
1 n
1 t
t
1 n
1 t
2
t
1
,
|
|
|
|
.
|

\
|
= ′
¿
¿
=

=
n
2 t
t 1 t
n
2 t
t
x x
x
Y X
sehingga
|
|
|
|
.
|

\
|
− + −

|
.
|

\
|
− −
=
|
|
.
|

\
|
γ
µ
= β
¿ ¿ ¿
¿ ¿ ¿ ¿
¿ ¿
=

=

=
=


= =

=

=

=



n
2 t
t 1 t
n
2 t
t
1 n
1 t
t
n
2 t
t 1 t
1 n
1 t
t
n
2 t
t
1 n
1 t
2
t
2
1 n
1 t
t
1 n
1 t
2
t
x x ) 1 n ( x x
x x x x x
x x ) 1 n (
1

atau
22
2
1 n
1 t
t
1 n
1 t
2
t
n
2 t
t 1 t
1 n
1 t
t
n
2 t
t
1 n
1 t
2
t
x x ) 1 n (
x x x x x
|
.
|

\
|
− −

= µ
¿ ¿
¿ ¿ ¿ ¿

=

=
=


= =

=

,
2
1 n
1 t
t
1 n
1 t
2
t
n
2 t
t 1 t
n
2 t
t
1 n
1 t
t
x x ) 1 n (
x x ) 1 n ( x x
|
.
|

\
|
− −
− + −
= γ
¿ ¿
¿ ¿ ¿

=

=
=

=

=



Contoh numerik
Jika data pada Tabel 2.1 modelnya AR(1) dengan Persamaan (2.4), maka
Y : vektor berukuran 83x1, dengan elemen-elemennya nilai data dari bulan Pebruari
1990 sampai dengan Desember 1996
X : matriks berukuran 83x2, dengan elemen-elemen kolom ke-1 semuanya sama dengan
1, dan kolom ke-2 nilai data dari bulan Januari 1990 sampai dengan Nopember 1996
sehingga jika dihitung dengan menggunakan paket program MINITAB, diperoleh hasil
( )
|
|
.
|

\
|
= ′
17710.9 1033.82
1033.8 84.00
X X , ( )
|
|
.
|

\
|
= ′

0.0002005 0.0024678 -
0.0024678 - 0.0422766
X X
1
,
|
|
.
|

\
|
= ′
12537.7
1021.5
Y X
|
|
.
|

\
|
= β

0.0125 -
12.4611

atau

µ = 12,4611 ,
1

γ = -0,0125 , dan model ramalannya
t X

= 12,4611 – 0,0125X
t-1

Untuk menghitung model ramalan ini dapat juga digunakan paket program SPSS
yang hasilnya akan lebih baik, karena ada sajian analisis variansnya. Misalnya untuk
data pada Tabel 2.1, jika dianggap modelnya AR(1) dengan Persamaan (2.4) dan
dianalisis dengan paket program SPSS, diperoleh hasil sebagai berikut,
>Warning # 16445
>Since there is no seasonal component in the model, the seasonality of the
>data will be ignored.
MODEL: MOD_1
Model Description:
Variable: NILAI
Regressors: NONE
Non-seasonal differencing: 0
No seasonal component in model.
Parameters:
AR1 ________ < value originating from estimation >
CONSTANT ________ < value originating from estimation >
95.00 percent confidence intervals will be generated.
Split group number: 1 Series length: 84
23
No missing data.
Melard's algorithm will be used for estimation.
Termination criteria:
Parameter epsilon: .001
Maximum Marquardt constant: 1.00E+09
SSQ Percentage: .001
Maximum number of iterations: 10
Initial values:
AR1 -.01249
CONSTANT 12.30771
Marquardt constant = .001
Adjusted sum of squares = 4986.4749
Conclusion of estimation phase.
Estimation terminated at iteration number 1 because:
Sum of squares decreased by less than .001 percent.
FINAL PARAMETERS:
Number of residuals 84
Standard error 7.7981124
Log likelihood -290.71697
AIC 585.43394
SBC 590.29558
Analysis of Variance:
DF Adj. Sum of Squares Residual Variance
Residuals 82 4986.4748 60.810558
Variables in the Model:
B SEB T-RATIO APPROX. PROB.
AR1 -.012357 .11048249 -.111841 .91122242
CONSTANT 12.307710 .84058082 14.641912 .00000000
Covariance Matrix:
AR1
AR1 .01220638
Correlation Matrix:
AR1
AR1 1.0000000
Regressor Covariance Matrix:
CONSTANT
CONSTANT .70657612
Regressor Correlation Matrix:
CONSTANT
CONSTANT 1.0000000

Dari hasil perhitungan diperoleh taksiran µ dan γ, masing-masing

µ = 12,307710 dan

γ = -0,012357, dengan kekeliruan baku (simpangan baku kekeliruan, std error) model,
s
e
= 7,7981124, dan kekeliruan baku regresi, s
γ
= 0,11048249. Jika melihat nilai mutlak
T-RATIO, T-RATIO = -0,111841 = 0,111841 , yang jika dibandingkan dengan
nilai kritisnya untuk taraf signifikans, α = 0,05 (sesuai dengan defaultnya SPSS), derajat
bebas, DF = 82, nilainya antara 1,29 dengan 1,30 (1,29 < T-TABEL <1,30), maka
24
T-RATIO < T-TABEL, yang berarti model AR(1) tidak signifikans untuk digunakan
sebagai model ramalan. Untuk lebih jelas dapat dilihat peta nilai data dengan nilai
ramalannya untuk model AR(1) di bawah ini

WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from A
RIMA, MOD_2 CON


Gambar 2.6
Peta data pada Tabel 2.1 dengan nilai ramalannya
berdasarkan model AR(1) dengan konstanta

Dari Gambar 2.6 terlihat perbedaan yang mencolok antara peta nilai aktual yang
berupa gambar spektrum dengan peta nilai ramalan yang hampir mendatar. Ketidak
berartian model AR(1) dengan konstanta untuk data Pada Tabel 2.1, kemungkinannya
karena data tidak stasioner dalam varians, sebab seperti sudah dikemukan, analisis regresi
deret waktu dilakukan jika data stasioner, sehingga transformasi stabilisasi varians harus
dilakukan dulu sebelum membangun model regresi deret waktu.
Pada Bab 1 juga sudah dikemukakan, model AR(k) memiliki model kebalikan yaitu
model rata-rata bergerak, MA(p), dengan persamaan
X
t
= θ + Ψ(B)Z
t
= θ + Z
t
- ψ
1
Z
t-1
- ψ
2
Z
t-2
- . . . - ψ
p
Z
t-p


θ , ψ
1
, ψ
2
, . . . , ψ
p
parameter regresi.
Tidak seperti pada model AR(k) yang penaksiran parameternya dapat dilakukan seperti
pada analisis regresi multipel biasa, penaksiran parameter dalam model MA(p) harus
dilakukan dengan metode iterasi, yang proses perhitungannya harus menggunakan
fasilitas komputer beserta bahasa pemogramannya. Misal untuk model MA(1),
X
t
= θ + Z
t
+ ψZ
t
(2.5)
25
untuk menentukan taksiran θ dan ψ, berdasarkan sampel data deret waktu x
1
, x
2
, . . . , x
n
prosesnya sebagai berikut :
x
1
= θ + z
1
+ ψz
0
= θ + z
1
¬
z
1
= x
1
- θ
x
2
= θ + z
2
+ ψz
1
= θ + z
2
+ ψ(x
1
- θ) ¬
z
2
= x
2
- θ - ψ(x
1
- θ) = x
2
- ψx
1
+ (ψ - 1)θ
x
3
= θ + z
3
+ ψz
2
= θ + z
3
+ ψ{x
2
- ψx
1
+ (ψ - 1)θ} ¬
z
3
= x
3
- θ - ψ{x
2
- ψx
1
+ (ψ - 1)θ} = x
3
- ψx
2
+ ψ
2
x
1
+ {ψ(ψ - 1) – 1}θ
= x
3
- ψx
2
+ ψ
2
x
1
+ (ψ
2
- ψ - 1)θ
…………………………………………………………………………..
………………………………………………………………………….
………………………………………………………………………….
x
n
= θ + z
n
+ ψz
n-1

= θ + z
n
+ ψ[x
n-1
- ψx
n-2
+ . . . +(-1)
i+1
ψ
i-1
x
n-i
+ . . . +(-1)
n
ψ
n-2
x
1
+ {ψ
n-2
- ψ
n-3
+ . . . +
(-1)
i-1
ψ
n-i-1
+ . . . + (-1)
n-2
ψ –1}θ] ¬
z
n
= x
n
- ψx
n-1
+ ψ
2
x
n-2
- . . . -(-1)
i+1
ψ
i
x
n-i
+ . . . +(-1)
n
ψ
n-1
x
1
+ (ψ
n-1
- ψ
n-2
+ . . . +
(-1)
i
ψ
n-i
+ . . . + (-1)
n-1
ψ –1}θ]
selanjutnya bangun jumlah kuadrat
¿
=
=
n
1 i
2
i
z J dan perhitungan diferensiasi 0
J
=
θ ∂

,
0
J
=
ψ ∂

, yang akan menghasilkan sebuah sistem persamaan tidak linier atas θ dan ψ,
sehingga penyelesaiannya harus menggunakan fasilitas komputer, dengan menggunakan
program buatan atau paket seperti SPSS, STATISTICA atau MINITAB.
Contoh numerik
Sudah dikemukan bahwa data pada Tabel 2.1 jika modelnya AR(1) tidak cukup baik
dan signifikans sebagai model ramalan, maka bagaimana jika modelnya MA(1) dengan
Persamaan (2.5) ? Dengan menggunakan paket program SPSS diperoleh hasil
>Warning # 16445
>Since there is no seasonal component in the model, the seasonality of the
>data will be ignored.
MODEL: MOD_1
26
Model Description:
Variable: NILAI
Regressors: NONE
Non-seasonal differencing: 0
No seasonal component in model.
Parameters:
MA1 ________ < value originating from estimation >
CONSTANT ________ < value originating from estimation >
95.00 percent confidence intervals will be generated.
Split group number: 1 Series length: 84
No missing data.
Melard's algorithm will be used for estimation.
Termination criteria:
Parameter epsilon: .001
Maximum Marquardt constant: 1.00E+09
SSQ Percentage: .001
Maximum number of iterations: 10
Initial values:
MA1 .01249
CONSTANT 12.30773
Marquardt constant = .001
Adjusted sum of squares = 4986.5381
Conclusion of estimation phase.
Estimation terminated at iteration number 1 because:
Sum of squares decreased by less than .001 percent.
FINAL PARAMETERS:
Number of residuals 84
Standard error 7.7981582
Log likelihood -290.71745
AIC 585.43491
SBC 590.29654
Analysis of Variance:
DF Adj. Sum of Squares Residual Variance
Residuals 82 4986.5319 60.811272
Variables in the Model:
B SEB T-RATIO APPROX. PROB.
MA1 .011329 .11049041 .102533 .91858376
CONSTANT 12.307698 .84132438 14.628957 .00000000
Covariance Matrix:
MA1
MA1 .01220813
Correlation Matrix:
MA1
MA1 1.0000000
Regressor Covariance Matrix:
CONSTANT
CONSTANT .70782671
Regressor Correlation Matrix:
CONSTANT
CONSTANT 1.0000000
27

Dari hasil perhitungan diperoleh

θ = 12,307698 dan

ψ = 0,01220813 , sehingga model
MA(1)-nya adalah
t X

= 12,307698 + Z
t
+ 0,01220813Z
t-1
dengan kekeliruan baku model, s
ε
= 7,981582, dan kekeliruan baku regresi,
s
ψ
= 0,11049041, tetapi model ini tidak cukup signifikans karena
T-RATIO = 0,102533= 0,102533 lebih kecil dari nilai kritisnya (sudah
dikemukakan nilainya antara 1,29 dengan 1,30). Untuk lebih jelas dapat ditelaah dari
gambar peta data dengan nilai ramalan berdasarkan model MA(1) di bawah ini.
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from A
RIMA, MOD_3 CON


Gambar 2.7
Peta data pada Tabel 2.1 dengan ramalannya
berdasarkan model MA(1) dengan konstanta

Sajian Gambar 2.7 ini identik dengan Gambar 2.6, berarti model MA(1) dan AR(1)
dengan konstanta tidak cukup baik dijadikan model ramalan, dan seperti sudah
dikemukakan hal kemungkinannya karena data tersebut tidak stasioner dalam varians.
Model AR(k) dan MA(p) adalah model-model stasioner (model untuk data yang
stasioner dalam rata-rata hitung dan varians) dan berkebalikan, sehingga kedua model ini
dapat digabungkan dengan cara dijumlahkan menjadi model ARMA(k,p) dengan
persamaan
X
t
= η + γ
1
X
t-1
+ γ
2
X
t-2
+ . . . + γ
k
X
t-k
+ Z
t
- ψ
1
Z
t-1
- ψ
2
Z
t-2
- . . . - ψ
p
Z
t-p

28
Seperti halnya pada model MA(p), penaksiran parameter model, η , γ
1
, γ
2
, . . . , γ
k
, ψ
1
,
ψ
2
, . . . , ψ
p
harus dilakukan dengan proses iterasi.
Contoh numerik
Untuk data pada Tabel 2.1 jika modelnya AR(1) atau MA(1) tidak cukup baik jika
digunakan sebagai model ramalan, maka bagaimana jika kedua model itu digabungkan
sehingga menjadi model ARMA(1,1) ?
Dari perhitungan dengan menggunakan paket program SPSS diperoleh hasil sebagai
berikut
>Warning # 16445
>Since there is no seasonal component in the model, the seasonality of the
>data will be ignored.
MODEL: MOD_4
Model Description:
Variable: NILAI
Regressors: NONE
Non-seasonal differencing: 0
No seasonal component in model.
Parameters:
AR1 ________ < value originating from estimation >
MA1 ________ < value originating from estimation >
CONSTANT ________ < value originating from estimation >
95.00 percent confidence intervals will be generated.
Split group number: 1 Series length: 84
No missing data.
Melard's algorithm will be used for estimation.
Termination criteria:
Parameter epsilon: .001
Maximum Marquardt constant: 1.00E+09
SSQ Percentage: .001
Maximum number of iterations: 10
Initial values:
AR1 -.98613
MA1 -.97410
CONSTANT 12.30677
Marquardt constant = .001
Adjusted sum of squares = 5029.3661
Iteration History:
Iteration Adj. Sum of Squares Marquardt Constant
1 4978.3456 .0010000
2 4968.8609 .0001000
3 4963.1842 .0000100
4 4958.5226 1.0000000
Conclusion of estimation phase.
Estimation terminated at iteration number 5 because:
29
All parameter estimates changed by less than .001
FINAL PARAMETERS:
Number of residuals 84
Standard error 7.8026009
Log likelihood -290.48741
AIC 586.97482
SBC 594.26727
Analysis of Variance:
DF Adj. Sum of Squares Residual Variance
Residuals 81 4958.3794 60.880580
Variables in the Model:
B SEB T-RATIO APPROX. PROB.
AR1 -.973643 .14755992 -6.598292 .00000000
MA1 -.995934 .31112205 -3.201104 .00195633
CONSTANT 12.308017 .86091338 14.296464 .00000000
Covariance Matrix:
AR1 MA1
AR1 .02177393 .04426428
MA1 .04426428 .09679693
Correlation Matrix:
AR1 MA1
AR1 1.0000000 .9641714
MA1 .9641714 1.0000000
Regressor Covariance Matrix:
CONSTANT
CONSTANT .74117185
Regressor Correlation Matrix:
CONSTANT
CONSTANT 1.0000000
>Warning # 16567. Command name: ARIMA
>Our tests have determined that the estimated model lies close to the
>boundary of the invertibility region. Although the moving average
>parameters are probably correctly estimated, their standard errors and
>covariances should be considered suspect.

Dari hasil perhitungan diperoleh persamaan ARMA(1,1) untuk data pada Tabel 2.1
adalah
t X

= 12.308017 − 0,973643 X
t-1
+ Z
t
− 0,995934 Z
t-1

dan jika memperhatikan nilai |T-RATIO| untuk koefisien AR(1) dan MA(1) yang
keduanya lebih besar dari nilai kritisnya, maka model ARMA(1,1) cukup berarti untuk
menjadi model ramalan, tetapi tidak cukup baik sebab kekeliruan residunya masih besar
yaitu sama dengan 7,8026009. Untuk lebih jelas dapat ditelaah dari gambar peta data
nilai aktual dengan nilai ramalan dengan model ARMA(1,1) di bawah ini
30
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from A
RIMA, MOD_4 CON


Gambar 2.8
Peta nilai data pada Tabel 2.1 dengan nilai ramalannya
berdasarkan model ARMA(1,1) dengan konstanta

Gambar 2.8 ini identik dengan Gambar 2.7 dan 2.6, yang berarti model ARMA(1,1)
dengan konstanta juga belum cukup berarti sebagai model ramalan.
Dalam hal data tidak stasioner, proses stasioneritas harus dilakukan dulu sebelum
analisis regresi deret waktu. Proses stasioneritas dilakukan bergantung pada kondisi
ketidak-stasionerannya, jika data tidak stasioner dalam
1. rata-rata hitung (trend tidak sejajar sumbu waktu), dengan trendnya linier, maka
proses stasioneritas adalah proses diferensi, sedangkan jika tidak linier maka proses
linieritas trend harus dilakukan dulu sebelum proses diferensi.
2. varians, maka proses stasioneritasnya adalah transformasi stabilisasi varians.
3. rata-rata hitung dan varians, maka transformasi stabilisasi varians harus dilakukan
lebih dulu, dan proses diferensi dilakukan pada data hasil transformasi jika trendnya
linier, sedangkan jika tidak linier maka proses linieritas harus dilakukan sebelum
proses diferensi. Proses diferensi dan linieritas dilakukan pada data hasil
transformasi.
Misalkan X
1
, X
2
, . . . , data deret waktu dengan trendnya linier. Jika dilakukan
proses diferensi dengan orde-q, Y
t
= (1 – B)
q
X
t
, sehingga Y
1
, Y
2
, . . . merupakan data
deret waktu stasioner, maka model ARMA(k,p) pada Y
t

Y
t
= η + γ
1
Y
t-1
+ γ
2
Y
t-2
+ . . . +

γ
k
Y
t-k
+ Z
t
+ ψ
1
Z
t-1
+ ψ
2
Z
t-2
+ . . . + ψ
p
Z
t-p
(2.6)
dinamakan model ARIMA(k,q,p) untuk X
t
.
31
Model ARIMA(k,q,p) merupakan model umum dari regresi deret waktu., sebab
ARIMA(k,0,0) sama dengan AR(k), ARIMA(0,0,p) sama dengan MA(p), dan
ARIMA(k,0,p) sama dengan ARMA(k,p).
Contoh numerik
Jika melihat gambar peta data pada Tabel 2.1 (Gambar 2.3) yang menyajikan sebuah
kondisi stasioner lemah dalam rata-rata hitung, dan hasil perhitungan untuk membangun
model AR(1), MA(1) dan ARMA(1,1), yang menyimpulkan model AR(1) dan MA(1)
tidak cukup signifikans dan baik, sedangkan untuk model ARMA(1,1) cukup signifikans
tetapi tidak cukup baik untuk digunakan sebagai model ramalan, maka bagaimana jika
modelnya ARIMA(1,1,1) ?
Dari hasil perhitungan dengan program SPSS diperoleh hasil
>Warning # 16445
>Since there is no seasonal component in the model, the seasonality of the
>data will be ignored.
MODEL: MOD_5
Model Description:
Variable: NILAI
Regressors: NONE
Non-seasonal differencing: 1
No seasonal component in model.
Parameters:
AR1 ________ < value originating from estimation >
MA1 ________ < value originating from estimation >
CONSTANT ________ < value originating from estimation >
95.00 percent confidence intervals will be generated.
Split group number: 1 Series length: 84
No missing data.
Melard's algorithm will be used for estimation.
Termination criteria:
Parameter epsilon: .001
Maximum Marquardt constant: 1.00E+09
SSQ Percentage: .001
Maximum number of iterations: 10
Initial values:
AR1 .02455
MA1 .76994
CONSTANT -.03589
Marquardt constant = .001
Adjusted sum of squares = 5809.8278
Iteration History:
Iteration Adj. Sum of Squares Marquardt Constant
1 5327.3932 .00100
2 5323.6742 1.00000
32
3 5279.4585 10.00000
4 5279.0049 1.00000
5 5235.8021 10.00000
6 5230.7028 100.00000
7 5197.5647 10.00000
Conclusion of estimation phase.
Estimation terminated at iteration number 8 because:
All parameter estimates changed by less than .001
FINAL PARAMETERS:
Number of residuals 83
Standard error 7.8706922
Log likelihood -289.46337
AIC 584.92674
SBC 592.18327
Analysis of Variance:
DF Adj. Sum of Squares Residual Variance
Residuals 80 5197.4643 61.947795
Variables in the Model:
B SEB T-RATIO APPROX. PROB.
AR1 .01733612 .11565746 .1498919 .88122714
MA1 .99417363 .38265241 2.5981115 .01115554
CONSTANT -.03645576 .03634471 -1.0030554 .31885849
Covariance Matrix:
AR1 MA1
AR1 .01337665 .01403384
MA1 .01403384 .14642287
Correlation Matrix:
AR1 MA1
AR1 1.0000000 .3171017
MA1 .3171017 1.0000000
Regressor Covariance Matrix:
CONSTANT
CONSTANT .00132094
Regressor Correlation Matrix:
CONSTANT
CONSTANT 1.0000000
>Warning # 16567. Command name: ARIMA
>Our tests have determined that the estimated model lies close to the
>boundary of the invertibility region. Although the moving average
>parameters are probably correctly estimated, their standard errors and
>covariances should be considered suspect.

Dari hasil pehitungan diperoleh, persamaan ARIMA(1,1,1) untuk data pada Tabel 2.1
adalah
t Y

= - 0,03645576 + 0,01733612 Y
t-1
+ Z
t
+ 0,99417363 Z
t-1

dengan Y
t
= X
t
– X
t-1

33
Jika menelaah nilai |T-RATIO| AR(1) yang lebih kecil nilai kritisnya, dan |T-RATIO|
MA(1) yang lebih besar dari nilai kritisnya, dengan kekeliruan baku yang sama, sama
dengan 7,8706922 maka model ARIMA(1,1,1) dengan konstanta belum cukup
signifikans dan baik untuk digunakan sebagai model ramalan. Untuk lebih jelasnya dapat
ditelaah pada gambar peta nilai aktual dengan nilai ramalannya di bawah ini.
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from A
RIMA, MOD_5 CON


Gambar 2.9
Peta data pada Tabel 2.1 dengan nilai ramalannya
berdasarkan model ARIMA(1,1,1) dengan konstanta

Dari hasil telaah banding peta data nilai aktual dengan nilai ramalan berdasarkan model
AR(1), MA(1), ARMA(1,1), dan ARIMA(1,1,1) menyimpulkan stabilitas varians
diperlukan untuk memperkecil bias dan kekeliruan baku model, sehingga model regresi
akan menjadi lebih baik dan berarti untuk dijadikan model ramalan.

2.4. Identifikasi Model
Sudah dikemukakan model ARIMA(k,q,p) adalah model umum dari model regresi
deret waktu. Yang menjadi persoalan dalam analisisnya adalah menentukan nilai k, q,
dan p sehingga diperoleh model yang cukup baik untuk peramalan. Identifikasi model
perlu dilakukan sebelum analisis regresi deret waktu, untuk menelaah keberartian
autokorelasi dan kestasioneran data, sehingga perlu-tidaknya transformasi stabilisasi
varians, linieritas trend, dan proses diferensi dilakukan. Jika dimiliki sampel data deret
waktu x
1
, x
2
, ... , x
n
, maka langkah-langkah yang harus dilakukan untuk identifikasi
model adalah
34
1. Petakan data atas waktu dan telaah karakter data untuk menentukan perlu-tidaknya
transformasi stabilisasi varians dan/atau proses diferensi dilakukan.
Memetakan data atas waktu merupakan tahap awal dari analisis data deret waku,
sebab pada peta data ini dapat ditelaah mengenai karakter dari komponen trend,
keberadaan komponen musiman, data pencilan, ketidak-stabilan varians, normalitas
data, dan penomena lain mengenai ketidak stasioneran data.
Dalam hal data tidak stasioner dalam rata-rata hitung dan varians, maka seperti sudah
dikemukan, proses stasionerisasi yang pertama harus dilakukan adalah
menstasionerkan varians, selanjutnya menstasionerkan rata-rata hitung dari data yang
sudah distasionerkan variansnya. Menstasionerkan rata-rata hitung dilakukan
berdasarkan proses diferensi, sedangkan menstasionerkan varians dilakukan
berdasarkan tranformasi stabilisasi varians, seperti transformasi kuasa Box-Coc (Box-
Cocs power transformation) atau transformasi logaritmis.
2. Menghitung dan menelaah ACF dan PACF data sampel asli (data sebelum dilakukan
proses transformasi untuk mendapatkan informasi mengenai orde dari proses
diferensi. Informasi umum yang bisa digunakan untuk memperkirakan orde diferensi
adalah, jika ACF sampel membangun sebuah pola yang menurun secara perlahan
pada nilai-nilainya, dan PACF sampel membangun sebuah pola yang nilainya
terpotong secara signifikans setelah lag-1 (perbedaan nilai antara PACF lag-1 dengan
lag-2 dan sesudahnya sangat besar), hal ini mengindikasikan proses diferensi perlu
dilakukan. Seperti sudah dikemukakan, proses diferensi dilakukan jika komponen
trendnya linier, sehingga jika tidak linier maka sebelum proses diferensi dilakukan
harus dilakukan dulu proses linieritas, sebab jika tidak dilakukan maka orde
diferensinya akan besar yang menyebabkan akan mengurangi banyaknya nilai data,
karena jika orde diferensi q maka data akan berkurang sebanyak q buah.
3. Hitung dan telaah ACF dan PACF data hasil trasformasi dan/atau diferensi (jika ada
perlakuan transformasi dan/atau diferensi), untuk memperkirakan orde autoregresi
dan rata-rata bergerak yang akan diambil. Pedoman umum untuk menelaah apakah
orde dari model regresi deret waktu stasioner sudah cukup baik berdasarkan ACF dan
PACF-nya, sebagai berikut

35
Tabel 2.2
Karakter teoritis ACF dan PACF untuk model stasioner

Model ACF PACF
AR(k) berpola eksponensial atau
gelombang sinus damped
perbedaan nilai antara lag-1
dengan nilai sesudah lag-k
cukup besar (cut off after
lag-k)
MA(p) perbedaan nilai antara lag-1
dengan nilai sesudah lag-p
cukup besar (cut off after
lag-p)
berpola eksponensial atau
gelombang sinus damped
ARMA(k,p) berpola menurun secara cepat
sesudah lag-(p-k)
berpola menurun secara cepat
sesudah lag-(k-p)

Dalam analisis regresi deret waktu, berdasarkan pengalaman, untuk mendapatkan
hasil yang cukup memuaskan, ukuran sampel, n ≥ 50, dengan lag ACF dan PACF,
k ≤ ¼n.
4. Uji signifikansi konstanta trend deterministik (konstanta model) ARIMA(k,q,p), η,
seperti pada Persamaan (2.6) jika q > 0.
Dalam analisis regresi biasa, parameter konstanta disertakan pada model jika
berdasarkan data yang dianalisis diperlukan untuk menelaah karakter rata-rata umum
dari variabel responnya. Misalnya regresi tinggi atas umur, dalam modelnya harus
disertakan konstanta model, sebab tinggi (variabel respon) sudah memiliki nilai pada
saat umur sama dengan 0 (saat dilahirkan). Tetapi dalam analisis regresi deret waktu,
konstanta model dilibatkan jika diperlukan saja, sehingga pada umumnya model
regresi deret waktu tanpa konstanta, sebab biasanya dengan ditiadakannya konstanta
model, sajian mengenai signifikansi koefisien regresi menjadi lebih tegas. Misalkan
untuk data pada Tabel 2.1, jika konstanta model dilibatkan pada model
ARIMA(1,1,1) diperoleh persamaan
t Y

= - 0,03645576 + 0,01733612 Y
t-1
+ Z
t
+ 0,99417363 Z
t-1

dengan Y
t
= X
t
– X
t-1
, X
t
variabel pengamatan data deret waktu
dengan kekeliruan baku model, s
e
= 7,87069222 , kekeliruan baku koefisien AR(1),
s
γ
= 0,11565746 dan kekeliruan baku koefisien MA(1), s
ψ
= 0,38265241. Dan
berdasarkan hasil analisis variansnya, koefisien AR(1) tidak signifikans dan koefisien
36
MA(1) signifikans. Jika ARIMA(1,1,1) dihitung tanpa konstanta dengan
menggunakan paket program SPSS, maka diperoleh hasil sebagai berikut.
MODEL: MOD_9
Model Description:
Variable: NILAI
Regressors: NONE
Non-seasonal differencing: 1
No seasonal component in model.
Parameters:
AR1 ________ < value originating from estimation >
MA1 ________ < value originating from estimation >
95.00 percent confidence intervals will be generated.
Split group number: 1 Series length: 84
No missing data.
Melard's algorithm will be used for estimation.
Termination criteria:
Parameter epsilon: .001
Maximum Marquardt constant: 1.00E+09
SSQ Percentage: .001
Maximum number of iterations: 10
Initial values:
AR1 .02453
MA1 .76987
Marquardt constant = .001
Adjusted sum of squares = 5811.7615
Iteration History:
Iteration Adj. Sum of Squares Marquardt Constant
1 5349.2493 .0010000
2 5264.4191 1.0000000
3 5261.4542 .1000000
4 5261.3602 .0100000
Conclusion of estimation phase.
Estimation terminated at iteration number 5 because:
Sum of squares decreased by less than .001 percent.
FINAL PARAMETERS:
Number of residuals 83
Standard error 7.8709506
Log likelihood -289.97878
AIC 583.95757
SBC 588.79525
Analysis of Variance:
DF Adj. Sum of Squares Residual Variance
Residuals 81 5261.3295 61.951864
Variables in the Model:
B SEB T-RATIO APPROX. PROB.
AR1 .00453761 .11273806 .0402491 .96799355
MA1 .99347746 .17840472 5.5686725 .00000032
Covariance Matrix:
37
AR1 MA1
AR1 .01270987 .00517211
MA1 .00517211 .03182824
Correlation Matrix:
AR1 MA1
AR1 1.0000000 .2571525
MA1 .2571525 1.0000000
>Warning # 16567. Command name: ARIMA
>Our tests have determined that the estimated model lies close to the
>boundary of the invertibility region. Although the moving average
>parameters are probably correctly estimated, their standard errors and
>covariances should be considered suspect.

Dari hasil perhitungan tersurat, jika konstanta model ditiadakan, maka persamaannya
t Y

= 0,00453761Y
t-1
+ Z
t
+ 0,99347746Z
t-1

dengan Y
t
= X
t
– X
t-1
, X
t
variabel pengamatan data deret waktu
dengan kekeliruan baku model, s
ε
= 7,709506 , kekeliruan baku koefisien AR(1),
s
γ
= 0,11273806 , dan kekeliruan baku koefisien MA(1), s
ψ
= 0,17840472 . Jika menelaah
analisis variansnya dengan membandingkan nilai mutlak T-RATIO dengan nilai
kritisnya, yang menyimpulkan koefisien AR(1) tidak signifikans dan koefisien MA(1)
signifikans, yang berarti model ARIMA(1,1,1) tanpa konstanta identik dengan
ARIMA(1,1,1) dengan konstanta. Hal ini menyimpulkan untuk data pada Tabel 2.1.
meniadakan konstanta model tidak meningkatkan signifikansi koefisien regresi. Untuk
lebih jelasnya dapat ditelaah dari gambar-gambar di bawah ini
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from A
RIMA, MOD_5 CON

Gambar 2.10a
Peta data pada Tabel 2.1 dengan nilai
ramalannya berdasarkan model
ARIMA(1,1,1) dengan konstanta
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from A
RIMA, MOD_9 NOCON


Gambar 2.10b
Peta data pada Tabel 2.1 dengan nilai
ramalannya berdasarkan model
ARIMA(1,1,1) tanpa konstanta
38
Kedua gambar ini menyajikan sebuah kondisi yang identik, sehingga uji keberartian
untuk konstanta model perlu dilakukan.

2.5. Transformasi Stabilitas Varians
Proses diferensi untuk menstasionerkan data umumnya “berhasil” jika data tidak
stasioner dalam rata-rata hitung (terdapat komponen trend), sedangkan jika tidak
stasioner dalam varians maka proses diferensi tidak selalu baik digunakan untuk
menstasionerkannya, sebab ordenya bisa tinggi, sehingga akan banyak data yang hilang.
Menstasionerkan varians harus dilakukan berdasarkan proses transformasi dengan
konsepsi sebagai berikut. Berdasarkan deskripsinya, varians adalah jumlah kuadrat
simpangan terhadap nilai rata-rata hitung yang dibagi oleh banyaknya data (ukuran
sampel atau populasi), sehingga jika x
t
, t = 1, 2, . . . n, sampel data deret waktu maka
2
n
1 t
2
t
2
n
1 t
t
x
1 n
1
x
1 n
1
) x x (
1 n
1
) x .( var



= −

=
¿ ¿
= =

Formulasi varians tersebut jika disajikan dalam bentuk fungsi riel, maka deskripsinya
sebagai berikut, jika µ
t
parameter rata-rata hitung untuk data deret waktu pada waktu t,
X
t
, maka
var.X
t
= cf(µ
t
)
c , c > 0 , konstanta nonstokastik, dan f(µ
t
) : fungsi atas µ
t
.
Jika T operator transformasi stabilisasi varians, maka T(X
t
) , t = 1, 2, . . . barisan data
dengan varians konstan, dan jika disajikan dalam deret Taylor di sekitar titik µ
t
, maka
T(Z
t
) ≅ T(µ
t
) + T′(µ
t
)(X
t
− µ
t
)
≅ : notasi “hampir sama dengan”, T′(µ
t
) turunan (diferensiasi) orde-1 dari T(Z
t
) di titik µ
t
dan
var. T(Z
t
) = varT(µ
t
) + var.T′(µ
t
)(X
t
− µ
t
) = {T′(µ
t
)}
2
var.X
t
= c{T′(µ
t
)}
2
f(µ
t
)
Karena var. T(Z
t
) konstan, T dapat dipilih sedemikian rupa sehingga
) ( f
1
) ( T
t
t
µ
= µ ′
atau
39

t
t
t
d
) ( f
1
) ( T µ
µ
= µ
}
(2.7)
Persamaan (2.7) adalah formulasi umum untuk transformasi stabilitas varians,
sehingga bentuk tranformasi data bergantung pada bentuk f(µ
t
) (bentuk ketidak
stasioneran dalam varians). Pada umumnya ada tiga bentuk transformasi stabilitas
varians yang sering digunakan, yaitu
1. Jika simpangan baku data proporsional pada tarafnya, var.X
t
= c
2
µ
t
2
atau
f(µ
t
) =
2
t
µ = µ
t
, maka
T(µ
t
) =
t
t
d
1
µ
µ
}
= ln(µ
t
) + K , K konstanta riel
Dalam hal ini transformasi stabilitas varians adalah transformasi logaritma natural
(walaupun untuk beberapa data kemungkinan tidak relevan),
X
t
dittransformasikan menjadi ln (X
t
) , jika X
t
> 0.
2. Jika varians data proporsional pada tarafnya, var.X
t
= cµ
t
atau f(µ
t
) =
t
1
µ
, maka
T(µ
t
) =
t t
t
2 d
1
µ = µ
µ
}
+ K , K konstanta riel
Dalam hal ini tranformasi stabilitas varians adalah transformasi akar kuadrat,
X
t
ditransformasikan menjadi
t
X , jika X
t
> 0.
3. Jika varians data proporsional pada kuadrat tarafnya, var.X
t
= c
2
µ
t
2
atau
f(µ
t
) =
2
t
4
t
1 1
µ
=
µ
, maka
T(µ
t
) =
t
t
2
t
1
d
1
µ
− = µ
µ
}
+ K , K konstanta riel
Dalam hal ini tranformasi stabilitas varians adalah transformasi perbandingan
terbalik (reciprocal),
X
t
ditransformasikan menjadi
t
X
1
.
40
Transformasi stabilitas varians yang lain dan lebih umum adalah tranformasi kuasa
(power tranformation), yang dikenalkan dan dikembangkan oleh G. E. P. Box dan D. R.
Cox sekitar tahun 1964. Persamaan dari tranformasi ini adalah
T(X
t
) = X
t
(λ) =
λ

λ
1 X
t

λ dinamakan parameter tranformasi.
Jika tranformasi kuasa ini dihubungkan dengan bentuk transformasi stabilitas varians
yang lain, maka diperoleh tabel kesetaraan seperti di bawah ini

Tabel 2.3
Hubungan nilai λ λλ λ dengan kesetaraan
transformasi stabilitas varians

Nilai λ λλ λ Kesetaraan transformasi,
T(X
t
) =
-1,0
t
X
1

-0,5
t
X
1

0,0 Ln (X
t
)
0,5
t
X
1,0 X
t


Beberapa catatan penting sehubungan dengan transformasi stabilitas varians,
1. Bentuk-bentuk transformasi yang telah dikemukakan secara umum hanya
didefinisikan untuk data deret waktu positif, terutama transformasi logaritma natural
dan akar kuadrat. Tetapi batasan tersebut bukan hal yang mengikat, sebab dalam
analisis data deret waktu jika dimiliki data baru maka data tersebut akan langsung
dilibatkan dalam model tanpa memperhatikan pengaruhnya pada struktur korelasi
deret data, sehingga jika dimiliki data dengan nilai negatif dan yang disyaratkan nilai
positif, maka yang diambil nilai mutlaknya.
2. Transformasi stabilitas varians harus dilakukan sebelum proses diferensi dan analisis
regresi deret waktu.
41
3. Parameter transformasi kuasa, λ, dapat ditaksir berdasarkan data sampel dengan
menggunakan metode penaksiran statistis, misalnya metode kemungkinan
maksimum.
4. Transformasi pada data deret waktu (jika diperlukan), bukan hanya transformasi
stabilitas varians, juga transformasi pendekatan distribusi normal, jika data belum
berdistribusi normal.
Contoh numerik
Sudah ditunjukan dengan gambar peta data, ACF dan PACF, data pada Tabel 2.1
menunjukan tidak stasioner dalam varians, sehingga untuk keperluan analisis regresi
deret waktu perlu dilakukan stabilitas varians, dan sudah dicoba, analisis tanpa
menstabilkan variansnya diperoleh hasil yang kurang baik. Untuk menelaah pengaruh
transformasi stabilitas varians dan transformasi mana yang cocok untuk data pada
Tabel 2.1 agar diperoleh model yang cukup baik, berikut ini dilakukan proses
transformasi logaritma natural, akar kuadrat, dan perbandingan terbalik. Proses
perhitungan dan pemetaan data aktual dengan hasil transformasi, dilakukan dengan
menggunakan paket program EXCEL hasilnya seperti di bawah ini.

0
5
10
15
20
25
30
35
1 8
1
5
2
2
2
9
3
6
4
3
5
0
5
7
6
4
7
1
7
8
NILAI
Ln(NILAI)

Gambar 2.11a
Peta data pada Tabel 2.1 dengan
hasil transformasi logaritma natural
0
5
10
15
20
25
30
35
1 9
1
7
2
5
3
3
4
1
4
9
5
7
6
5
7
3
8
1
NILAI
Akar(NILAI)

Gambar 2.11a
Peta data pada Tabel 2.1 dengan
hasil transformasi akar kuadrat

42
0
5
10
15
20
25
30
35
1 8
1
5
2
2
2
9
3
6
4
3
5
0
5
7
6
4
7
1
7
8
NILAI
1/NILAI

Gambar 2.11a
Peta data pada Tabel 2.1 dengan
hasil transformasi perbandingan terbalik

dan nilai koefisien variasinya seperti di bawah ini,
Tabel II.4
Nilai koefisien variasi

Kelompok nilai hasil Koefisien variasi
Pengamatan 62,98333
Tranformasi logaritma 25,75863
Transformasi akar 30,543878
Tranformasi perbandingan terbalik 65,0978

Dari ketiga bentuk transformasi stabilitas varians untuk data pada Tabel 2.1, transformasi
logaritma natural yang paling baik, karena memberikan nilai koefisien variansi yang
paling kecil. Jika diinginkan koefisien variansi yang lebih kecil lagi, maka gunakan
transformasi Box-Coc, dengan memilih bermacam-macam nilai λ atau menaksirnya
berdasarkan data sampel.

2.6. Analisis Residual
Setelah model regresi dibangun berdasarkan sebuah sampel, selanjutnya adalah
menghitung penaksir (ramalan) nilai-nilai pengamatan, hal ini diperlukan untuk menelaah
besarnya kekeliruan jika model tersebut digunakan sebagai model ramalan. Besaran yang
digunakan sebagai acuan untuk menyimpulkan bahwa model yang dibangun cocok dan
baik untuk peramalan, adalah residu (R
t
), yaitu selisih antara nilai pengamatan (x
t
)
dengan nilai ramalannya( t x

), R
t
= x
t
− t x

.
43
Karena kekeliruan (error, e
t
) merupakan variabel acak tidak terukur, untuk menelaah
dipenuhi-tidaknya asumsi pada model, yaitu rata-rata sama dengan 0, varians konstan,
dan tidak berautokorelsi, residu ( R
t
) digunakan sebagai variabel penelaahnya. Sebuah
model ramalan disebut cocok dan baik, jika
1. taksiran koefisien regresi signifikans,
2. kekeliruan baku, yang diukur oleh simpangan baku residu, nilainya kecil,
3. asumsi pada kekeliruan dipenuhi, dan
4. tidak ada pencilan, yang dalam prakteknya model tanpa pencilan sulit dihindari,
sehingga jika ada maka dilakukan telaahan khusus mengenai keberadaannya.
Untuk menelaah secara “visual” apakah sebuah model regresi baik dan cocok untuk
digunakan sebagai model ramalan, dapat dilakukan berdasarkan diagram pencar (scatter
diagram) nilai pengamatan atau nilai ramalan dengan nilai residunya. Kesimpulan yang
dapat dikemukakan sehubungan dengan pola pencaran titik adalah sebagai berikut.
1. Sebuah model disebut baik dan cocok jika gambar menyajikan sebuah pencaran titik
yang berada pada “pita tipis yang meliput secara acak dan seimbang” garis rata-rata
hitung kekeliruan yang sejajar sumbu residu.
2. Jika pencaran titik meliput seimbang garis rata-rata yang sejajar sumbu residu, tetapi
membangun pola “terompet”, maka model cocok tetapi asumsi varians konstan
(homogen) tidak dipenuhi.
3. Jika pencaran titik berada pada “pita tipis” yang meliput tidak seimbang garis rata-
rata dan sejajar sumbu residu, maka model cocok tetapi asumsi kekeliruan sama
dengan 0 tidak dipenuhi.
4. Jika pencaran titik meliput seimbang garis rata-rata yang sejajar sumbu residu, tetapi
membangun sebuah pola siklometri, maka model cocok tetapi asumsi kekeliruan
saling bebas tidak dipenuhi.
Sebagai ilustrasi disajikan gambar-gambar di bawah ini untuk bahan telaahan




44
x
t
( t x

)

rata-rata
R
t


Gambar 2.12a
Model cocok dan baik untuk peramalan

x
t
( t x

)


rata-rata
R
t



Gambar 2.12b
Model cocok dan baik tetapi memiliki pencilan

x
t
( t x

)

rata-rata

R
t

Gambar 2.12c
Model cocok untuk peramalan tetapi tidak baik
karena varians kekeliruan tidak homogen (konstan)










45
x
t
( t x

)

rata-rata

R
t

Gambar 2.12d
Model cocok untuk peramalan tetapi tidak baik
karena rata-rata hitung kekeliruan tidak sama dengan 0

x
t
( t x

)

rata-rata
R
t



Gambar 2.12e
Model cocok untuk peramalan tetapi tidak
baik karena kekeliruannya berautokorelasi

Chatfield (1984), Box dan Jenkins (1976) mengemukakan, konsepsi analisis residual
pada regresi biasa seperti yang telah dikemukakan, berlaku jika variabel respon (variabel
tidak bebas) tidak berautokorelasi, dan tidak ada multikolinieritas pada variabel
explanatory (variabel bebas). Sedangkan dalam analisis data deret waktu, jika data
berautokorelasi pada lag-k, maka terdapat hubungan fungsional antara X
t
, X
t-1
, . . . , X
t-k

dan pada saat dibangun model regresinya, X
t
sebagai variabel respon, X
t-1
, X
t-2
, . . . , X
t-k

sebagai variabel explanatory, sehingga jika pada identifikasi model, pengambilan nilai
lag tidak cocok (kurang dari k), maka akan terjadi pelanggaran konsepsi analisis regresi
biasa, karena adanya multikolinieritas pada X
t-1
, X
t-2
, . . . , X
t-k
, dan ketidak bebasan
(berautokorelasi) pada X
t
.
Penggunaan analisis residual dalam regresi deret waktu dilakukan untuk dua telaahan
utama, yaitu memeriksa kecocokan autokorelasi dan menguji kecocokan dan kebaikan
model. Jika dalam analisis regresi biasa peta residual ditelaah salah satu saja, yaitu peta
46
residual antara nilai pengamatan dengan residu atau nilai ramalan dengan residu, sebab
hasilnya akan identik. Tetapi dalam analisis data deret waktu peta residual harus ditelaah
untuk keduanya, sebab peta residual nilai pengamatan dengan residu untuk menelaah
kecocokan model dan peta residual nilai ramalan dengan residu untuk menelaah kebaikan
model. Selain itu perlu juga ditelaah pola nilai pengamatan dengan ramalannya.

47
BAB 3
PERAMALAN

Peramalan (forecasting) merupakan sasaran dari analisis data dalam kawasan waktu,
yang diperlukan untuk perancangan (planing) dan proses kontrol. Peramalan data deret
waktu banyak dilakukan pada masalah-masalah manajemen, sistem inventory,
pengontrolan kualitas, dan analisis investasi.
Banyak prosedur peramalan data deret waktu yang bisa dilakukan, dan secara umum
dapat diklasifikasikan atas tiga macam, yaitu peramalan secara
1. subjektif.
Peramalan secara subjektif dilakukan hanya dengan mengandalkan daya intuisi dan
kemampuan daya nalar, sehingga pengalaman dan keakhlian dalam menangani
persoalan data deret waktu sangat menentukan akurasi hasil. Peramalan subjektif
bukan sebuah metode statistis atau matematis yang bisa dipelajari secara keilmuan,
sehingga metode ini tidak dijadikan objek dalam analisis data deret waktu.
2. univariat.
Peramalan univariat adalah peramalan yang didasarkan pada sampel data deret waktu
univariat, dengan memperhatikan model hubungan antar pengamatan dan proses
ekstrapolasi atau transformasi data. Proses peramalan ini banyak digunakan dalam
persoalan bidang ekonomi, dan perdagangan. Peramalan mengenai hasil penjualan
suatu produk biasa dinamakan naive atau projeksi. Peramalan univariat merupakan
metode peramalan prinsipal dalam analisis data deret waktu.
3. multivariat.
Seperti sudah dikemukakan, analisis data deret waktu merupakan analisis univariat,
sehingga jika dimiliki data deret waktu multivariat, maka proses yang dilakukan
adalah
1. mentransformasikan pengamatan multivariat menjadi sebuah model univariat,
atau
2. mengadaptasi peramalan univariat dalam sistem multivariat, sehingga analisis
dilakukan dalam bentuk persamaan (model) matriks atau vektor.
48
Peramalan multivariat pada prinsipnya adalah pengembangan dari peramalan
univariat.
Walaupun prosedur peramalan diklasifikasikan dalam tiga macam, tetapi dalam
prakteknya analisis peramalan merupakan kombinasi dari minimal dua prosedur.
Misalnya, peramalan univariat sering dilakukan untuk mengembangkan atau
memperbaiki hasil dari peramalan subjektif, dan peramalan multivariat dilakukan sebagai
pengembangan dari peramalan univariat. Sebagai contoh, peramalan dalam bidang
pemasaran, model peramalan mengenai volume penjualan merupakan gabungan dari
peramalan mengenai frekuensi iklan, pangsa pasar, harga, bentuk, kualitas, dan variabel-
variabel lain yang berhubungan dengan volume penjualan.
Proses peramalan akan berhubungan dengan apa yang dinamakan waktu mendatang
(lead time) dan konsepsi peramalan jangka pendek (short term), yaitu peramalan
dengan lead time yang cukup kecil jika dibandingkan dengan panjang waktu pengamatan.
Misal dalam persoalan persediaan barang (stock control), peramalan jangka pendek
adalah peramalan ketersediaan barang dengan lead time antara waktu pemesanan sampai
pengantaran, yang biasanya memerlukan waktu beberapa minggu atau bulan.
Sebelum memilih prosedur peramalan yang akan dilakukan, perlu untuk
memperhatikan maksud dan tujuan peramalan, waktu, biaya, dan banyaknya data yang
tersedia untuk menentukan lead time yang layak diambil, sehingga proses peramalan
menjadi efektif dan efisien.

3.1. Esktrapolasi Trend
Ekstrapolasi trend adalah salah satu metode peramalan univariat yang paling
sederhana, dengan hanya memperhatikan bentuk trend dari peta data atas waktu, sehingga
untuk menentukan bentuk trendnya diperlukan daya intuisi dan nalar, selain keakhlian
dan pengalaman dalam persoalan analisis data deret waktu. Dengan metode ini yang
diperhatikan pada data hanya komponen trend, sehingga signifikansi autokorelasi
diabaikan. Peramalan dengan ekstrapolasi trend merupakan peramalan regresi sederhana
data atas waktu, dan dilakukan jika data stasioner dalam varians dan tidak
berautokorelasi. Prosesnya adalah sebagai berikut,
49
1. Petakan data atas waktu.
2. Telaah mengenai bentuk atau bentuk-bentuk trend yang mungkin cocok untuk model
ramalan.
3. Bangun model regresi sederhana, dengan nilai pengamatan sebagai respon (variabel
tidak bebas) dan waktu atau indeks sebagai explanatory (variabel bebas), yang dalam
penggunaannya harus dalam bentuk koding.
4. Lakukan penaksiran parameter, dan perhitungan nilai-nilai ramalan.
5. Diagnosa model dengan analisis residual.
Contoh numerik :
Perhatikan data pada Tabel 2.1. Pada Bab 2 sudah dikemukakan data tersebut stasioner
lemah dalam rata-rata hitung, tetapi tidak stasioner dalam varians, dan jika
ketidakstasioner tersebut diabaikan, dan trend dianggap linier, maka persamaan dengan
konstanta adalah
X
t
= θ
0
+ θ
1
t + ε (3.1)
dan jika tanpa konstanta
X
t
= θt + ε (3.2)
dengan nilai t merupakan nilai koding dari waktu atau indeks, ε kekeliruan model.
Selanjutnya jika model disajikan dalam persamaan matriks
Y = Xβ + ε (3.3)
maka untuk Persamaan (3.1)
Y : vektor berukuran 84x1, dengan elemen-elemennya adalah nilai data.
X : matriks berukuran 84x2, dengan elemen-elemen kolom ke-1 semuanya sama dengan
1, dan kolom ke-2 nilai-nilai koding dari waktu.

θ
θ
= β
1
0

dan untuk Persamaan (3.2)
Y : vektor berukuran 84x1, dengan elemen-elemennya adalah nilai data
X : vektor berukuran 84x1, dengan elemen-elemennya nilai koding dari waktu
β = θ
sehingga jika digunakan paket program MINITAB, untuk Persamaan (3.1), diperoleh
50

= ′
51170 0
0 84
X X , ( )

= ′

0.0000195 0.0000000
0.0000000 0.0119048
X X
1
,

= ′
1825.04 -
1033.82
Y X ,

= β

0.0357 -
12.3074

dan untuk Persamaan (3.2)
51170 X X = ′ , ( ) 0.0000195 X X
1
= ′

, -1825.04 Y X = ′ , -0.0356662 = θ


Dari hasil perhitungan pada kedua model, disimpulkan model ramalan dengan Persamaan
(3.1) sama dengan,
t X

= 12,3074 – 0,0357t
dan Persamaan (3.2) sama dengan,
t X

= -0,0356662t
dengan t : nilai koding.
Untuk menelaah keberartian dan kecocokan model dapat dilakukan berdasarkan analisis
residual atau varians, yang metodenya dapat dipelajari pada analisis regresi biasa. Jika
hasil perhitungan ingin lengkap dengan analisis variansnya, dapat digunakan paket
program SPSS, dan untuk data pada Tabel 2.1 tersebut jika dihitung dengan paket
program SPSS maka akan diperoleh hasil seperti di bawah ini.
Regression
.114
a
.013 .001 7.7477 2.051
Model
1
R R Square
Adjusted
R Square
Std. Error
of the
Estimate Durbin-Watson
Model Summary
b
Predictors: (Constant), KODING
a.
Dependent Variable: NILAI
b.
65.092 1 65.092 1.084 .301
a
4922.152 82 60.026
4987.245 83
Regression
Residual
Total
Model
1
Sum of
Squares df
Mean
Square F Sig.
ANOVA
b
Predictors: (Constant), KODING
a.
Dependent Variable: NILAI
b.

51
12.307 .845 14.559 .000 10.626 13.989
-3.57E-02 .034 -.114 -1.041 .301 -.104 .032
(Constant)
KODING
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardi
zed
Coefficien
ts
t Sig.
Lower
Bound
Upper
Bound
95% Confidence
Interval for B
Coefficients
a
Dependent Variable: NILAI a.

untuk model dengan konstanta, sedangkan jika tanpa konstanta, hasilnya seperti di bawah
ini
.061
b
.004 -.008 14.5808 .572
Model
1
R R Square
a
Adjusted
R Square
Std. Error
of the
Estimate Durbin-Watson
Model Summary
c,d
For regression through the origin (the no-intercept model), R Square
measures the proportion of the variability in the dependent variable about
the origin explained by regression. This CANNOT be compared to R
Square for models which include an intercept.
a.
Predictors: KODING
b.
Dependent Variable: NILAI
c.
Linear Regression through the Origin
d.
65.092 1 65.092 .306 .582
a
17645.769 83 212.600
17710.861
b
84
Regression
Residual
Total
Model
1
Sum of
Squares df
Mean
Square F Sig.
ANOVA
c,d
Predictors: KODING
a.
This total sum of squares is not corrected for the constant because the constant is
zero for regression through the origin.
b.
Dependent Variable: NILAI
c.
Linear Regression through the Origin
d.

-3.57E-02 .064 -.061 -.553 .582 -.164 .093 KODING
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardi
zed
Coefficien
ts
t Sig.
Lower
Bound
Upper
Bound
95% Confidence
Interval for B
Coefficients
a,b
Dependent Variable: NILAI
a.
Linear Regression through the Origin
b.


Dari hasil perhitungan tersurat, model ramalan dengan konstanta, persamaannya
t X

= 12,307 – 0,0357t
dan tanpa konstanta, persamaannya
52
t X

= -0,0357t
dan jika melihat nilai F
hitung
pada tabel ANOVA yang sama dengan 1,084 untuk model
dengan konstanta, dan 0,306 untuk model tanpa konstanta, dan jika dibandingkan dengan
nilai tabel F untuk derajat bebas pembilang 1, penyebut 82 (untuk model dengan
konstanta) dan 83 (untuk penyebut tanpa konstanta), taraf signifikans 0,05 dan 0,01,
keduanya lebih kecil F-Tabel (dari tabel : 3,94 < F
(1;83);0,05
, F
(1;82);0,05
<3,96 dan
6,90 < F
(1;83);0,01
, F
(1;82);0,01
< 6,96), yang berarti kedua model itu tidak signifikans,
sehingga tidak baik digunakan sebagai model ramalan. Untuk lebih jelas dapat ditelaah
dari grafik nilai pengamatan dengan nilai ramalannya
Case Number
81
76
71
66
61
56
51
46
41
36
31
26
21
16
11
6
1
V
a
l
u
e
40
30
20
10
0
NILAI
Unstandardized Predi
cted Value

Gambar 3.1
Grafik nilai pengamatan dengan ramalan berdasarkan
regresi linier sederhana

dan diagram pencar nilai pengamatan dengan residu dan nilai ramalan dengan residu di
bawah ini
Unstandardized Residual
20 10 0 -10 -20
N
I
L
A
I
40
30
20
10
0

Gambar 3.2a
Diagram pencar nilai aktual dengan
residu berdasarkan regresi linier dengan
konstanta
Unstandardized Residual
20 10 0 -10 -20
U
n
s
t
a
n
d
a
r
d
iz
e
d

P
r
e
d
ic
t
e
d

V
a
lu
e
14.0
13.5
13.0
12.5
12.0
11.5
11.0
10.5

Gambar 3.2b
Diagram pencar nilai ramalan dengan
residu berdasarkan regresi linier dengan
konstanta
53
Unstandardized Residual
40 30 20 10 0
N
I
L
A
I
40
30
20
10
0

Gambar 3.2c
Diagram pencar nilai aktual dengan
residu berdasarkan regresi linier tanpa
konstanta
Unstandardized Residual
40 30 20 10 0
U
n
s
t
a
n
d
a
r
d
i
z
e
d

P
r
e
d
i
c
t
e
d

V
a
l
u
e
2.0
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
-2.0


Gambar 3.2d
Diagram pencar nilai ramalan dengan
residu berdasarkan regresi linier tanpa
konstanta

Pada Gambar 3.1 terlihat pola nilai pengamatan sangat berbeda dengan ramalannya, dan
dari Gambar 3.2a – 3.2d, tersurat bahwa model tidak cocok dan tidak baik. Hal ini
meyimpulkan bahwa metode ekstrapolasi trend tidak cocok dan tidak baik digunakan
untuk peramalan data pada Tabel 2.1.
Untuk menelaah apakah transformasi stabilitas varians bisa mempengaruhi
terhadap peramalan dengan ekstrapolasi trend, berikut ini dilakukan perhitungan dengan
program SPSS untuk hasil transformasi stabilitas varians dari data pada Tabel 2.1
berdasarkan transformasi logaritma natural, dan hasilnya seperti di bawah ini.
.141
a
.020 .008 .5994
Model
1
R R Square
Adjusted
R Square
Std. Error
of the
Estimate
Model Summary
b
Predictors: (Constant), KODING a.
Dependent Variable: LN b.

.601 1 .601 1.672 .200
a
29.461 82 .359
30.062 83
Regression
Residual
Total
Model
1
Sum of
Squares df
Mean
Square F Sig.
ANOVA
b
Predictors: (Constant), KODING
a.
Dependent Variable: LN
b.

54
2.330 .065 35.621 .000
-3.43E-03 .003 -.141 -1.293 .200
(Constant)
KODING
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardi
zed
Coefficien
ts
t Sig.
Coefficients
a
Dependent Variable: LN a.

untuk model dengan konstanta, dan jika tanpa konstanta hasilnya seperti di bawah ini

.035
b
.001 -.011 2.4182
Model
1
R R Square
a
Adjusted
R Square
Std. Error
of the
Estimate
Model Summary
c,d
For regression through the origin (the no-intercept
model), R Square measures the proportion of the
variability in the dependent variable about the origin
explained by regression. This CANNOT be compared to
R Square for models which include an intercept.
a.
Predictors: KODING b.
Dependent Variable: LN
c.
Linear Regression through the Origin d.

.601 1 .601 .103 .749
a
485.348 83 5.848
485.949
b
84
Regression
Residual
Total
Model
1
Sum of
Squares df
Mean
Square F Sig.
ANOVA
c,d
Predictors: KODING
a.
This total sum of squares is not corrected for the constant because the constant is
zero for regression through the origin.
b.
Dependent Variable: LN
c.
Linear Regression through the Origin d.

-3.43E-03 .011 -.035 -.320 .749 KODING
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardi
zed
Coefficien
ts
t Sig.
Coefficients
a,b
Dependent Variable: LN
a.
Linear Regression through the Origin b.


Grafik nilai logaritma pengamatan dengan ramalannya

55
Case Number
81
76
71
66
61
56
51
46
41
36
31
26
21
16
11
6
1
V
a
l
u
e
4.0
3.5
3.0
2.5
2.0
1.5
1.0
.5
LN
Unstandardized Predi
cted Value

Gambar 3.3
Grafik nilai logaritma pengamatan dengan ramalannya

dan gambar diagram pencar nilai logaritma pengamatan dengan reesidu dan nilai ramalan
dengan residu

Unstandardized Residual
1.5 1.0 .5 0.0 -.5 -1.0 -1.5
L
N
3.5
3.0
2.5
2.0
1.5
1.0
.5


Gambar 3.4a
Diagram pencar nilai logaritma
pengamatan dengan residu berdasarkan
regresi linier dengan konstanta

Unstandardized Residual
1.5 1.0 .5 0.0 -.5 -1.0 -1.5
U
n
s
t
a
n
d
a
r
d
iz
e
d

P
r
e
d
ic
t
e
d

V
a
lu
e
2.5
2.4
2.3
2.2
2.1



Gambar 3.4b
Diagram pencar nilai ramalan logaritma
pengamatan dengan residu berdasarkan
regresi linier dengan konstanta
Unstandardized Residual
4.0 3.5 3.0 2.5 2.0 1.5 1.0 .5
L
N
3.5
3.0
2.5
2.0
1.5
1.0
.5


Gambar 3.4c
Diagram pencar nilai logaritma
pengamatan dengan residu berdasarkan
regresi linier tanpa konstanta
Unstandardized Residual
4.0 3.5 3.0 2.5 2.0 1.5 1.0 .5
U
n
s
t
a
n
d
a
r
d
i
z
e
d

P
r
e
d
i
c
t
e
d

V
a
l
u
e
.2
.1
0.0
-.1
-.2


Gambar 3.4d
Diagram pencar nilai ramalan logaritma
pengamatan dengan residu berdasarkan
regresi linier tanpa konstanta
56
Jika ditelaah, dari hasil perhitungan dan gambar-gambar yang diperoleh, hasilnya identik
dengan sebelum ditransformasikan. Hal ini menyimpulkan bahwa metode ekstrapolasi
trend tidak baik digunakan untuk peramalan data pada Tabel 2.1, karena data tidak
stasioner dalam varians dan kemungkinan juga berautokorelasi.
Kekurangan dari metode ini adalah, selain adanya pengabaian konsepsi dari data deret
waktu, sebab yang diperhatikan hanya komponen trend, juga dapat menimbulkan
kesimpulan yang tidak tunggal jika ada beberapa model trend yang bisa digunakan
sebagai model peramalan.

3.2. Eksponensial Sederhana
Metode penghalusan eksponensial (exponential smoothing) merupakan metode
peramalan univariat, yang dikenalkan oleh C. C. Holt pada sekitar tahun 1958. Metode
penghalusan sederhana digunakan jika data tidak memiliki komponen musiman dan
trend. Misalkan dimiliki sampel data deret waktu x
1
, x
2
, . . . , x
n
, yang tidak memiliki
komponen trend dan musiman, dan diinginkan nilai ramalan untuk k waktu ke depan
(lead time), k < n , k n x +

. Jika peramalan dilakukan dengan metode penghalusan
sederhana, maka proses dilakukan secara bertahap mulai dengan lead time 1, berdasarkan
sebuah kombinasi linier pembobotan
1 n x +

= c
0
x
n
+ c
1
x
n-1
+ . . . + c
n-1
x
1
(3.4)
untuk lead time 2, kombinasi linier pada Persamaan (3.4) dikembangkan, sehingga
menjadi
1 n
0
2 n x c x +

+

= + c
1
x
n
+ . . . + c
n-1
x
2
+c
n-2
x
1

dan seterusnya sehingga untuk lead time k
1 n
k
2 k n
1
1 k n
0
k n x c . . . x c x c x +

− +

− +

+

+ + + = + c
k-1
x
n
+ . . . + c
n-k
x
1
(3.5)
dengan c
i
pembobot, 0 < c
i
< 1 , 1 c
i
i
=

Untuk menentukan nilai-nilai pembobot, salah satu cara adalah dengan menggunakan
persamaan
c
i
= α(1 - α)
i
, 0 < α < 1 (3.6)
57
dengan nilai α dihitung berdasarkan metode rekursif pada Persamaan (3.4), dengan
i
i
) 1 ( c α − α = , sehingga persamaan menjadi
1 n x +

= αx
n
+ α(1-α)x
n-1
+ . . . + α(1-α)
n-1
x
1
dan proses rekursifnya,
1. hitung nilai-nilai residu
1 x

= x
1
r
1
= 0
2 x

= αx
1
r
2
= x
2
- 2 x

= x
2
- αx
1

3 x

= αx
2
+ α(1-α)x
1
r
3
= x
3
- 3 x

= x
3
- αx
2
- α(1-α)x
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
n x

= αx
n-1
- α(1-α)x
n-1
- . . . - α(1-α)
n-2
x
1
r
n
= x
n
- n x

= x
n
- αx
n-1
- α(1-α)x
n-2
- . . . - α(1-α)
n-2
x
1
2. hitung jumlah kuadrat residu,

=
=
n
1 i
2
i
r J
3. lakukan perhitungan diferensiasi pada J, 0
d
dJ
=
α
, yang akan menghasilkan sebuah
persamaan polinom berderajat tinggi, sehingga penyelesaiannya harus menggunakan
fasilitas komputer.
Proses perhitungan peramalan dengan metode ini, dapat menggunakan paket program
SPSS, MINITAB atau STATISTICA. Berdasarkan nilai α yang ditetapkan, atau hasil
proses rekursive.
Contoh numerik
Perhatikan data pada Tabel 2.1, jika komponen trend dan musimannya diabaikan
(dianggap tidak memiliki komponen trend dan musiman) dan dihitung dengan paket
program SPSS, maka diperoleh hasil
MODEL: MOD_1.
Results of EXSMOOTH procedure for Variable NILAI
MODEL= NN (No trend, no seasonality)
58
Initial values: Series Trend
12.30738 Not used
DFE = 83.
The SSE is: Alpha SSE
.1000000 5341.42375

Dari hasil perhitungan jika diambil α = 0,1 maka jumlah kuadrat kekeliruannya sama
dengan 5.341,42375 dengan derajat bebas 83, yang berarti kekeliruan bakunya sama
dengan 64,36655 yang nilainya sangat besar jika dibandingkan rata-rata nilai ramalan
atau rata-rata nilai aktual yang nilainya 12,307, sehingga peramalan dengan penghalusan
eksponensial sederhana, dengan α = 0,1 tidak cukup baik. Untuk lebih jelas dapat
ditelaah dari gambar peta nilai aktual dengan nilai ramalannya.
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from E
XSMOOTH, MOD_3 NN A

Gambar 3.5a
Peta data pada Tabel 2.1 dengan nilai ramalannya
berdasarkan penghalusan eksponensial sederhana dengan α αα α = 0,1

dan diagram pencar residualnya

Error for NILAI from EXSMOOTH, MOD_3 NN A .10
30 20 10 0 -10 -20
N
I
L
A
I
40
30
20
10
0

Gambar 3.5b
Diagram pencar nilai pengamatan dengan
residu berdasarkan penghalusan
eksponensial sederhana
Error for NILAI from EXSMOOTH, MOD_3 NN A .10
30 20 10 0 -10 -20
F
it

f
o
r

N
I
L
A
I

f
r
o
m

E
X
S
M
O
O
T
H
,

M
O
D
_
3

N
N

A

.
1
0 16
15
14
13
12
11
10
9


Gambar 3.5c
Diagram pencar nilai ramalan dengan
residu berdasarkan penghalusan
eksponen sederhana

59
Dari Gambar 3.5 terlihat peta nilai aktual sangat berbeda dengan peta nilai ramalannya,
dan pada Gambar 3.5a dan 3.5b, pencaran titik menyajikan sebuah kondisi model tidak
cocok dan tidak baik. Hal ini kemungkinannya nilai α belum cocok atau data yang
dianalisis memiliki komponen musiman. Oleh karena itu harus dicoba untuk α yang
lainnya, dan jika dengan beberapa nilai α masih saja memberikan kekeliruan baku yang
besar, maka kesimpulan mengenai tidak adanya komponen musiman dan trend perlu
ditelaah kembali, sehingga harus dilakukan transformasi eliminasi trend dan musiman.

3.3. Holt
Peramalan dengan penghalusan eksponen sederhana dilakukan jika data tidak
mengandung komponen trend dan musiman, sedangkan jika mengandung komponen
trend tetapi tidak mengandung komponen musiman, maka harus digunakan metode Holt,
yaitu metode penghalusan eksponensial dengan dua kali pembobotan.
Metode ini pada awalnya digunakan untuk data bulanan yang tidak memiliki
komponen musiman, dan dalam pengembangannya dapat digunakan untuk data tahunan
dengan proses analisisnya mengadapsi proses untuk data bulanan. Misalkan x
1
, x
2
, . . . ,
x
n
sampel data deret waktu bulanan tanpa komponen musiman. Jika dideskripsikan,
m
t
: taksiran rata-rata pada bulan yang sama (current mean) untuk bulan ke-t, t = 1 , 2 ,
… , 12
T
t
: taksiran pola trend pada bulan ke-t, t = 1 , 2 , … , 12
maka formulasi pembobotannya adalah
m
t
= αx
t
+ (1 – α) (m
t-1
− T
t-1
) (3.7)
T
t
= γ(m
t
– m
t-1
) + (1 – γ)T
t-1

0 < α , γ < 1 , konstanta riel, x
t
pengamatan terakhir bulan ke-t
Peramalan nilai data waktu ke-t dengan lead time k dihitung dengan persamaan
k t x +

= m
t
+ kT
t
, k = 1 , 2 , . . . , 12 ; t = 1 , 2 , … (3.8)
Perhitungan nilai α dan γ berdasarkan data sampel secara “manual” sebagai berikut
1. susun nilai data berdasarkan bulan yang sama seperti tabel berikut


60


Tahun
Bulan . . . . . . . . .
Januari
Pebruari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember

2. hitung rata-rata data pada bulan yang sama untuk setiap bulan, m
t
, t : 1 , 2 , ... , 12
3. tentukan model trend pada bulan yang sama untuk setiap setiap bulan, dan hitung
nilai ramalan untuk pengamatan terakhir bulan ke-t, T
t
, t : 1 , 2, … , 12
4. tentukan nilai-nilai pengamatan terakhir bulan ke-t, x
t
, t : 1 , 2 , … , 12
5. bangun formulasi pembobotan seperti pada Persamaan (3.7)
6. lakukan proses iterasi seperti pada penghalusan eksponen sederhana untuk Persama-
an (3.7).
Proses perhitungan metode ini dapat dilakukan dengan mengunakan paket program
SPSS, STATISTICA, atau MINITAB.
Contoh numerik
Perhatikan data pada Tabel 2.1. Jika dianggap trendnya linier dan komponen
musimannya diabaikan, dengan perhitungan metode Holt menggunakan paket program
SPSS, maka diperoleh hasil.
MODEL: MOD_2.
Results of EXSMOOTH procedure for Variable NILAI
MODEL= HOLT (Linear trend, no seasonality)
Initial values: Series Trend
12.36416 -.02831
DFE = 82.
The SSE is: Alpha Gamma SSE
.1000000 .1000000 5600.61125
61
Dari hasil perhitungan dengan α = γ = 0,1 , diperoleh nilai jumlah kudrat kekeliruannya
sama dengan 5.600,61125 dengan derajat bebas 82, yang berarti kekeliruan bakunya
sama dengan 68,30013, dan nilai ini cukup besar jika dibandingkan dengan rata-rata nilai
ramalan atau nilai aktual yang sebesar 12,36416. Sehingga metode Holt dengan α = γ =
0,1 tidak cukup baik digunakan untuk peramalan data tersebut, dan jika tetap diinginkan
untuk digunakan harus dicari nilai α dan γ yang lain. Untuk lebih jelasnya ketidak
cocokan dan ketidak baikan metode Holt dengan α = γ = 0,1 dapat ditelaah pada gambar
peta nilai aktual dengan nilai ramalannya di bawah ini
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from E
XSMOOTH, MOD_4 HO A

Gambar 3.6a
Peta data pada Tabel 2.1 dengan ramalannya
berdasarkan metode Holt dengan α αα α = γ γγ γ = 0

dan diagram pencar residualnya

Error for NILAI from EXSMOOTH, MOD_4 HO A .10 G .10
30 20 10 0 -10 -20
N
I
L
A
I
40
30
20
10
0


Gambar 3.6b
Diagram pencar nilai pengamatan dengan
residu berdasarkan Holt
Error for NILAI from EXSMOOTH, MOD_4 HO A .10 G .10
30 20 10 0 -10 -20
F
i
t

f
o
r

N
I
L
A
I

f
r
o
m

E
X
S
M
O
O
T
H
,

M
O
D
_
4

H
O

A

.
1
0

G

.
1
0
18
16
14
12
10
8
6


Gambar 3.6c
Diagram pencar nilai ramalan dengan
residu berdasarkan Holt

62
3.4. Winters
Metode ini merupakan penghalusan eksponensial juga, dan digunakan jika data
memiliki komponen musiman, tetapi tidak memiliki komponen trend. Metode ini
digunakan jika data adalah data bulanan, sebab musiman hanya dideskripsikan pada data
bulanan. Secara umum, yang dimaksud dengan musiman adalah komponen siklis dengan
periode 12 bulan.
Konsepsi perhitungan metode Winters identik dengan metode Holt, yaitu penghalusan
eksponensial dengan dua kali pembobotan. Misalkan x
1
, x
2
, . . . , x
n
, sampel data deret
waktu yang memiliki komponen musiman, tetapi tidak memiliki komponen trend.
Selanjutnya jika didefinisikan
m
t
: taksiran rata-rata pada bulan yang sama untuk bulan ke-t, t : 1 , 2 , … , 12
s
t
: taksiran faktor musiman pada bulan ke-t, t = 1 , 2 , … , 12
dan komponen musimannya multiplikatif dengan persamaan
x
t
= m
t
s
t
+ ε
t
, ε
t
: kekeliruan acak
maka formulasi pembobotannya
m
t
= α
12 t
t
s
x

+ (1-α)m
t-1
(3.9)
s
t
= δ
t
t
m
x
+ (1-δ)s
t-12
dan nilai ramalan untuk lead time h, dihitung dengan formulasi
h t x +

= m
t
s
t-12+h

Sedangkan jika aditif dengan persamaan
x
t
= m
t
+ s
t
+ ε
t
, ε
t
kekeliruan acak
maka formulasi pembobotannya
m
t
= α(x
t
– s
t-12
) + (1 – α)m
t-1
(3.10)

s
t
= δ(x
t
– m
t
) + (1 – δ)s
t-12

dan nilai ramalan untuk lead time h, dihitung dengan formulasi
h t x +

= m
t
+

s
t-12+h

63
Pada formulasi pembobotan, x
t
pengamatan terakhir pada bulan ke-t , α dan δ konstanta
real, 0 < α , δ < 1 . Sedangkan nilai lead time h = 1, 2, . . . , 12.
Proses untuk menghitung α dan δ sama seperti pada metode Holt, dan perhitungannya
dapat dilakukan dengan menggunakan paket program MINITAB, STATISTICA atau
SPSS.
Contoh numerik
Untuk data pada Tabel 2.1, jika digunakan penghalusan eksponensial sederhana dengan
α = 1, dan metode Holt dengan α = γ = 0,1 maka diperoleh kekeliruan baku yang cukup
besar. Sedangkan jika digunakan metode Winters dengan perhitungannya menggunakan
paket program SPSS, diperoleh hasil seperti di bawah ini.
Jika variasi komponen musiman aditif, dengan α = δ = 0,1
MODEL: MOD_2.
Results of EXSMOOTH procedure for Variable NILAI
MODEL= NA (No trend, additive seasonality) Period= 12
Seasonal indices:
1 -4.03994
2 -3.93549
3 -2.94785
4 5.96770
5 1.29840
6 -.67591
7 2.95929
8 1.81381
9 .85340
10 5.71479
11 -2.59549
12 -4.41271
Results of EXSMOOTH procedure for Variable NILAI (CONTINUED)
MODEL= NA (No trend, additive seasonality) Period= 12
Initial values: Series Trend
12.30738 Not used
DFE = 72.
The SSE is: Alpha Delta SSE
.1000000 .1000000 5052.38536
sedangkan jika multifikatif dengan α = δ = 0,1
MODEL: MOD_3.
Results of EXSMOOTH procedure for Variable NILAI
MODEL= NM (No trend, multiplicative seasonality) Period= 12
Seasonal indices:
1 77.29418
2 70.03453
64
3 77.10442
4 152.74802
5 103.10255
6 82.86526
7 122.58842
8 103.14504
9 112.47472
10 158.17658
11 68.18313
12 72.28317
Results of EXSMOOTH procedure for Variable NILAI (CONTINUED)
MODEL= NM (No trend, multiplicative seasonality) Period= 12
Initial values: Series Trend
12.30738 Not used
DFE = 72.
The SSE is: Alpha Delta SSE
.1000000 .1000000 5155.50901
dari hasil perhitungan, jika musimannya aditif maka jumlah kuadrat kekeliruannya sama
dengan 5.052,3836 dengan derajat bebas 72, yang berarti kekeliruan bakunya sama
dengan 70,1703. Sedangkan jika musimannya multiplikatif, maka jumlah kuadrat
residunya sama dengan 5.155,61125 dengan derajat bebas 72, atau kekeliruan bakunya
sama dengan 71,5495, dan kedua kekeliruan baku itu masih cukup besar jika
dibandingkan dengan nilai rata-rata ramalan atau nilai aktual. Untuk lebih jelas dapat
dipelajari dari gambar peta nilai aktual dengan nilai ramalannya.
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from E
XSMOOTH, MOD_4 HO A

Gambar 3.7a
Peta data pada Tabel 2.1 dengan nilai
ramalannya berdasarkan metode Winters
dengan α αα α = δ δδ δ = 0,1 dan musiman
multiplikatif
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from E
XSMOOTH, MOD_6 LA A

Gambar 3.7b
Peta data pada Tabel 2.1 dengan nilai
ramalannya berdasarkan metode Winters
dengan α αα α = δ δδ δ = 0,1 dan musiman aditif

dan diagram pencar residualnya

65
Error for NILAI from EXSMOOTH, MOD_5 WI A .10 G .10 D .10
30 20 10 0 -10 -20
N
I
L
A
I
40
30
20
10
0

Gambar 3.7c
Diagram pencar nilai pengamatan dengan
residu berdasarkan Winters dengan
musiman multiplikatif
Error for NILAI from EXSMOOTH, MOD_5 WI A .10 G .10 D .10
30 20 10 0 -10 -20
F
i
t

f
o
r

N
I
L
A
I

f
r
o
m

E
X
S
M
O
O
T
H
,

M
O
D
_
5

W
I

A

.
1
0

G

.
1
0

D

.
1
0
30
20
10
0

Gambar 3.7d
Diagram pencar nilai ramalan dengan
residu berdasarkan Winters dengan
musiman multiplikatif

Error for NILAI from EXSMOOTH, MOD_6 LA A .10 G .10 D .10
30 20 10 0 -10 -20
N
I
L
A
I
40
30
20
10
0

Gambar 3.7e
Diagram pencar nilai pengamatan dengan
residu berdasarkan Winters dengan
musiman aditif
Error for NILAI from EXSMOOTH, MOD_6 LA A .10 G .10 D .10
30 20 10 0 -10 -20
F
i
t

f
o
r

N
I
L
A
I

f
r
o
m

E
X
S
M
O
O
T
H
,

M
O
D
_
6

L
A

A

.
1
0

G

.
1
0

D

.
1
0
30
20
10
0

Gambar 3.7f
Diagram pencar nilai ramalan dengan
residu berdasarkan Winters dengan
musiman aditif

Dari gambar-gambar tersebut tersurat metode Winters dengan α = δ = 0,1 jika akan
digunakan untuk peramalan pada data Tabel 2.1, hasilnya kurang baik, sehingga harus
dicari nilai α dan δ yang lain untuk mendapatkan model yang lebih baik dan cocok.

3.5. Holt-Winters
Metode peramalan Holt-Winters merupakan gabungan dari dari metode Holt dan
metode Winters, digunakan untuk peramalan jika data memiliki komponen trend dan
musiman. Metode ini juga merupakan penghalusan eksponensial dengan tiga kali
66
pembobotan. Jika x
1
, x
2
, . . . , x
n
sampel data deret waktu yang memiliki komponen
trend dan musiman, dan didefinisikan
m
t
: taksiran rata-rata pada bulan yang sama untuk bulan ke-t,
s
t
: taksiran faktor musiman pada bulan ke-t,
T
t
: taksiran pola trend pada bulan ke-t,
t = 1 , 2 , … , 12
maka formulasi pembobotan Holt-Winters, jika komponen musimannya aditif adalah
m
t
= α(x
t
– s
t-12
) + (1– α)(m
t-1
+ r
t-1
) (3.12)
s
t
= γ(x
t
– m
t
) +(1 – γ)s
t-12

T
t
= δ(m
t
– m
t-1
) + (1 – δ)T
t-1

dan jika multifikatif
m
t
= α
12 t
t
s
x

+ (1-α)(m
t
+ T
t
) (3.13)
s
t
= γ
t
t
m
x
+ (1-γ)s
t-12
T
t
= δ(m
t
– m
t-1
) + (1-δ)T
t-1

Proses perhitungan untuk α, γ dan δ sama seperti pada metode Holt, dan proses ini dapat
dilakukan dengan menggunakan paket program SPSS, STATISTICA atau MINITAB.
Contoh numerik
Perhatikan data pada Tabel 2.1. Seperti sudah dikemukakan, jika peramalannya
menggunakan penghalusan eksponensial sederhana, Holt atau Winters dengan α = γ = 0.1
atau α = δ = 0,1, diperoleh kekeliruan baku yang cukup besar, sedangkan jika digunakan
metode Holt-Winters dengan α = γ = δ = 0.1 dan komponen trend linier, maka diperoleh
hasil seperti di bawah ini.
Jika komponen musiman aditif dengan α = γ = δ = 0.1
MODEL: MOD_4.
Results of EXSMOOTH procedure for Variable NILAI
MODEL= LA (Linear trend, additive seasonality) Period= 12
Seasonal indices:
1 -4.03994
2 -3.93549
3 -2.94785
67
4 5.96770
5 1.29840
6 -.67591
7 2.95929
8 1.81381
9 .85340
10 5.71479
11 -2.59549
12 -4.41271
Results of EXSMOOTH procedure for Variable NILAI (CONTINUED)
MODEL= LA (Linear trend, additive seasonality) Period= 12
Initial values: Series Trend
12.93528 -.01921
DFE = 71.
The SSE is: Alpha Gamma Delta SSE
.1000000 .1000000 .1000000 5292.55626
sedangkan jika multifikatif dengan α = γ = δ = 0.1
MODEL: MOD_5.
Results of EXSMOOTH procedure for Variable NILAI
MODEL= LM (Linear trend, multiplicative seasonality) Period= 12
Seasonal indices:
1 77.29418
2 70.03453
3 77.10442
4 152.74802
5 103.10255
6 82.86526
7 122.58842
8 103.14504
9 112.47472
10 158.17658
11 68.18313
12 72.28317
Results of EXSMOOTH procedure for Variable NILAI (CONTINUED)
MODEL= LM (Linear trend, multiplicative seasonality) Period= 12
Initial values: Series Trend
12.93528 -.01921
DFE = 71.
The SSE is: Alpha Gamma Delta SSE
.1000000 .1000000 .1000000 5458.67257
Dari hasil perhitungan tersebut, tersurat nilai kekeliruan bakunya cukup besar jika
dibandingkan dengan nilai rata-rata ramalan atau nilai aktual, dan hal ini dapat ditelaah
pada peta data nilai aktual dengan ramalannya.

68
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from E
XSMOOTH, MOD_7 LA A

Gambar 3.8a
Peta data pada Tabel 3.1 dengan nilai
ramalannya berdasarkan metode Holt-
Winters dengan α αα α = γ γγ γ = δ δδ δ = 0.1 dan
musiman aditif
WAKTU
S
E
P
1
9
9
6
A
P
R
1
9
9
6
N
O
V
1
9
9
5
J
U
N
1
9
9
5
J
A
N
1
9
9
5
A
U
G
1
9
9
4
M
A
R
1
9
9
4
O
C
T
1
9
9
3
M
A
Y
1
9
9
3
D
E
C
1
9
9
2
J
U
L
1
9
9
2
F
E
B
1
9
9
2
S
E
P
1
9
9
1
A
P
R
1
9
9
1
N
O
V
1
9
9
0
J
U
N
1
9
9
0
J
A
N
1
9
9
0
V
a
l
u
e
40
30
20
10
0
NILAI
Fit for NILAI from E
XSMOOTH, MOD_8 LM A


Gambar 3.8b
Peta data pada Tabel 2.1 dengan nilai
ramalannya berdasarkan metode Holt-
Winters dengan α αα α = γ γγ γ = δ δδ δ = 0.1 dan
musiman multiflikatif

dan pencaran residulanya
Error for NILAI from EXSMOOTH, MOD_8 LM A .10 G .10 D .10
30 20 10 0 -10 -20
N
I
L
A
I
40
30
20
10
0

Gambar 3.8c
Diagram pencar nilai pengamatan dengan
residu berdasarkan Holt-Winters musiman
multiplikatif dengan α αα α = γ γγ γ = δ δδ δ = 0.1
Error for NILAI from EXSMOOTH, MOD_8 LM A .10 G .10 D .10
30 20 10 0 -10 -20
F
i
t

f
o
r

N
I
L
A
I

f
r
o
m

E
X
S
M
O
O
T
H
,

M
O
D
_
8

L
M

A

.
1
0

G

.
1
0

D

.
1
0
30
20
10
0

Gambar 3.8d
Diagram pencar nilai ramalan dengan
residu berdasarkan Holt-Winters musiman
multiplikatif dengan α αα α = γ γγ γ = δ δδ δ = 0.1

69
Error for NILAI from EXSMOOTH, MOD_7 LA A .10 G .10 D .10
30 20 10 0 -10 -20
N
I
L
A
I
40
30
20
10
0

Gambar 3.8e
Diagram pencar nilai pengamatan dengan
residu berdasarkan Holt-Winters musiman
aditif dengan α αα α = γ γγ γ = δ δδ δ = 0.1
Error for NILAI from EXSMOOTH, MOD_7 LA A .10 G .10 D .10
30 20 10 0 -10 -20
F
i
t

f
o
r

N
I
L
A
I

f
r
o
m

E
X
S
M
O
O
T
H
,

M
O
D
_
7

L
A

A

.
1
0

G

.
1
0

D

.
1
0
30
20
10
0

Gambar 3.8f
Diagram pencar nilai ramalan dengan
residu berdasarkan Holt-Winters musiman
aditif dengan α αα α = γ γγ γ = δ δδ δ = 0.1

Jika menelaah dari gambar-gambar tersebut peramalan dengan metode Holt-Winters
dengan α = γ = δ = 0.1 untuk data pada Tabel 2.1, masih belum cukup baik dan cocok,
sehingga perlu diambil α, γ, dan δ yang lain, jika metode ini ingin tetap digunakan.
Sudah dikemukakan, jika ingin mendapatkan model ramalan yang cocok dan baik
dengan menggunakan metode penghalusan eksponensial sederhana, Holt, Winters atau
Holt-Winters, harus digunakan beberapa nilai parameter pembobot α (untuk metode
eksponensial sederhana), α dan γ (untuk metode Holt), α dan δ (untuk metode Winters),
atau α, γ , δ (untuk metode Holt-Winters), yang dilanjutkan dengan telaah banding
mengenai nilai kekeliruan bakunya untuk menentukan model ramalan yang akan
digunakan, dengan memperhatikan kestasioneran data dalam varians.

3.6. Box-Jenkins
Proses peramalan dengan metode ini dikenalkan dan dikembangkan oleh G. E. P. Box
dan G. M. Jenkins pada tahun 1960-an. Peramalan dengan metode Box-Jenkins pada
umumnya akan memberikan hasil yang lebih baik dari metode-metode peramalan yang
lain, sebab metode ini tidak mengabaikan kaidah-kaidah pada data deret waktu, tetapi
proses perhitungannya cukup kompleks jika dibandingkan dengan metode peramalan
yang lainnya, hanya banyak paket program komputer yang dapat digunakan untuk
mempermudah perhitungannya. Berdasarkan pengalaman jika diinginkan hasil yang
70
baik, ukuran sampel untuk digunakan dalam peramalan dengan metode ini paling kecil
50, dan lebih baik lagi jika lebih dari 100.
Peramalan dengan metode Box-Jenkins didasarkan pada model regresi deret waktu
stasioner tanpa komponen musiman, sehingga jika yang dianalisis data bulanan, maka
perlu ditelaah keberadaan komponen musimannya, sebab jika ada, komponen ini harus
dieliminasi melalui sebuah proses diferensi. Langkah-langkah penting yang harus
dilakukan jika akan melakukan peramalan dengan metode ini adalah,
1. Petakan data atas waktu, dan telaah mengenai bentuk trend, kestabilan varians, dan
keberadaan komponen musiman, untuk menentukan bentuk transformasi kelinieran
trend (jika tidak linier), kestabilan varians (jika belum stabil), dan eliminasi
komponen musiman (jika ada).
2. Hitung ACF dan PACF dan gambarkan korelogramnya untuk data asli dan data hasil
transformasi, untuk menelaah orde diferensi dan autoregresi yang akan diambil.
3. Bangun model-model ARIMA(k,q,p) yang kemungkinan cocok untuk data yang
dimiliki.
4. Lakukan penaksiran parameter untuk setiap model yang dibangun.
5. Lakukan analisis varians atau analisis residual untuk menentukan model ramalan
yang akan digunakan. Model ramalan yang digunakan adalah model yang signifikans
dengan kekeliruan baku model paling kecil.
6. Jika diperlukan maka deskripsikan model-model alternatifnya.
Sudah dikemukakan, peramalan dengan metode ini data harus stasioner dan tidak
memiliki komponen musiman. Sehingga tahap pertama dari proses peramalan dengan
metode ini adalah proses diferensi untuk untuk menstasionerkan data dan menghilangkan
komponen musiman (jika ada). Jika trend linier dan tidak ada komponen musiman, maka
diferensi orde-1 biasanya sudah cukup untuk menstasioner data. Tetapi jika trend linier
dan ada komponen musiman dengan periode p ≤ 12 (pada umumnya p = 12, tetapi untuk
beberapa kasus, misalnya dalam bidang klimatologi bisa saja p < 12 sehingga dalam satu
tahun komponen musiman lebih dari satu), maka orde diferensinya p jika musimannya
aditif, dan
p
2
jika multifikatif. Dalam prakteknya proses diferensi dengan orde paling
71
besar sama dengan p sudah cukup untuk menghilangkan komponen musiman, baik yang
aditif atau multiplikatif, sebab jika orde diferensi terlalu tinggi akan menyebabkan
banyak data hilang (secara matematis, jika orde diferensi p maka data hilang akan
sebanyak p+1 buah). Dalam hal trend tidak linier, seperti sudah dikemukakan sebelum
melakukan proses diferensi, harus dilakukan dulu proses linieritas trend.
Jika model yang cocok sudah diperoleh berdasarkan sampel berukuran n, maka
selanjutnya lakukan ramalan untuk k langkah ke depan (sebaiknya k < ¼n). Box dan
Jenkins mengemukakan model ramalan cukup baik untuk digunakan jika nilai residu,
yaitu selisih antara nilai pengamatan dengan nilai ramalannya, cukup kecil, sehingga
setiap nilai ramalan yang diperoleh perlu ditelaah kewajarannya berdasarkan nilai residu
tersebut.
Sudah dikemukakan, model regresi deret waktu yang digunakan sebagai model
ramalan dengan metode Box-Jenkins adalah model ARIMA(k,q,p) tanpa komponen trend
dan musiman, sehingga jika ada, maka komponen-komponen tersebut harus dieliminasi
dulu melalui proses diferensi, dan selanjutnya model ARIMA(k,q,p) dibangun
berdasarkan data yang telah dieliminasi. Konsepsi ini secara statistis dapat
“digeneralisasikan” dalam model ARIMA(k,q,p) trend-musiman, yang biasa dinamakan
model Box-Jenkins (K,k,P,p) dengan persamaan
Γ
K
(B)ι
k
(B
12
)W
t
= Ψ
P
(B)ψ
p
(B
12
)a
t

Γ
k
(B) , ι
K
(B
12
) , Ψ
p
(B) , ψ
P
(B
12
) , masing-masing polinom atas operator backshift B
dengan orde masing-masing k (orde AR), K (orde AR musiman), p (orde MA), dan P
(orde MA musiman),
a
t
“kekeliruan Box-Jenkins” yang merupakan variabel acak tidak terukur dengan rata-rata
0 dan varians konstan σ
2
,
W
t
variabel yang dibangun dari variabel pengamatan X
t
berdasarkan proses diferensi
untuk mengeliminasi kompoenen trend dan musiman, W
t
= (1-B)
d
(1-B
12
)
D
X
t
, d : orde
diferensi untuk mengeliminasi komponen trend dan D : untuk komponen musiman.
Misal jika d = D = 1 , maka
W
t
= (1-B)(1-B
12
)X
t
= (1-B
12
)X
t
– (1-B
12
)X
t-1
= (X
t
– X
t-12
) – (X
t-1
– X
t-13
)
dan jika K = p = 1 , k = P = 0 maka model Box-Jenkins-nya adalah
72
Γ
1
(B)ι
0
(B
12
)W
t
= Ψ
0
(B)ψ
1
(B
12
)a
t

(1 - γB)W
t
= (1 - ψB
12
)a
t

(1 − γB){ (X
t
– X
12
) – (X
t-1
– X
t-13
} = a
t
− ψB
12
a
t

(1 − γB) (X
t
– X
t-12
) − (1 − γB) (X
t-1
– X
t-13
) = a
t
− ψa
t-12
X
t
– X
12
− γBX
t
+ γBX
t-12
– X
t-1
+ X
t-13
+ γBX
t-1
− γBX
t-13
= a
t
− ψa
t-1

X
t
– X
t-12
− γX
t-1
+ γX
t-13
– X
t-1
+ X
t-13
+ γX
t-2
− γX
t-14
= a
t
− ψa
t-1

X
t
= γX
t-1
+ a
t
− ψa
t-1
+ (X
t-1
− X
t-2
) + (X
t-12
− X
t-13
) + γ(X
t-14
− X
t-13
)
Jika ditelaah, maka persamaan ini merupakan gabungan model ARMA(1,1) dengan
proses diferensi orde 1, sehingga persamaan seperti ini selanjutnya dinamakan model
trend-musiman ARIMA(1,1,1) atau model Box-Jenkins (1,0,0,1). Untuk menghitung
penaksir parameter γ dan ψ berdasarkan sampel data deret waktu berukuran n dapat
digunakan program SPSS. Misalnya untuk data pada Tabel 2.1, jika modelnya Box-
Jenkins (1,1,1) maka akan diperoleh hasil seperti di bawah ini
MODEL: MOD_1
Model Description:
Variable: NILAI
Regressors: NONE
Non-seasonal differencing: 1
Seasonal differencing: 1
Length of Seasonal Cycle: 12
Parameters:
AR1 ________ < value originating from estimation >
MA1 ________ < value originating from estimation >
95.00 percent confidence intervals will be generated.
Split group number: 1 Series length: 84
Number of cases skipped at end because of missing values: 1
Melard's algorithm will be used for estimation.
Termination criteria:
Parameter epsilon: .001
Maximum Marquardt constant: 1.00E+09
SSQ Percentage: .001
Maximum number of iterations: 10
Initial values:
AR1 -.22752
MA1 .54705
Marquardt constant = .001
Adjusted sum of squares = 10454.648
Iteration History:
Iteration Adj. Sum of Squares Marquardt Constant
1 9641.8261 .00100000
2 9595.9342 .00010000
73
3 9553.1416 .00001000
4 9481.6217 .00000100
5 9335.6223 .00000010
Conclusion of estimation phase.
Estimation terminated at iteration number 6 because:
All parameter estimates changed by less than .001
FINAL PARAMETERS:
Number of residuals 71
Standard error 11.388236
Log likelihood -273.93872
AIC 551.87744
SBC 556.4028
Analysis of Variance:
DF Adj. Sum of Squares Residual Variance
Residuals 69 9332.8491 129.69193
Variables in the Model:
B SEB T-RATIO APPROX. PROB.
AR1 -.11627175 .12210804 -.952204 .34431736
MA1 .96804839 .08958795 10.805565 .00000000
Covariance Matrix:
AR1 MA1
AR1 .01491037 .00307526
MA1 .00307526 .00802600
Correlation Matrix:
AR1 MA1
AR1 1.0000000 .2811174
MA1 .2811174 1.0000000
>Warning # 16567. Command name: ARIMA
>Our tests have determined that the estimated model lies close to the
>boundary of the invertibility region. Although the moving average
>parameters are probably correctly estimated, their standard errors and
>covariances should be considered suspect.
The following new variables are being created:
Name Label
FIT_14 Fit for NILAI from ARIMA, MOD_1 NOCON
ERR_14 Error for NILAI from ARIMA, MOD_1 NOCON
LCL_14 95% LCL for NILAI from ARIMA, MOD_1 NOCON
UCL_14 95% UCL for NILAI from ARIMA, MOD_1 NOCON
SEP_14 SE of fit for NILAI from ARIMA, MOD_1 NOCON
Berdasarkan hasil perhitungan diperoleh taksiran untuk γ dan ψ masing-masing,

γ = -0,11627175 dan

ψ = 0,96804839 dengan kekeliruan baku masing-masing
s
γ
= 0,12210804 dan s
ψ
= 0,08958795 sedangkan kekeliruan baku modelnya sama dengan
s
a
= 11,388236. Jika menelaah nilai T-RATIO untuk masing-masing penaksir dan
dibandingkan dengan nilai T-TABEL untuk taraf signifikans α = 0,05 derajat bebas 69 :
2,62 < T-TABEL < 2,69 , maka disimpulkan koefisien AR(1) tidak signifikans sedangkan
74
koefisien MA(1) signifikans. Untuk menelaah tingkat keberartian dan kebaikan model
dapat ditelaah pada gambar-gambar di bawah ini

Case Number
81
76
71
66
61
56
51
46
41
36
31
26
21
16
11
6
1
V
a
l
u
e
40
30
20
10
0
Fit for NILAI from A
RIMA, MOD_1 NOCON
NILAI

Gambar 3.9a
Peta nilai data dengan ramalannya
berdasarkan model Box-Jenkins (1,1,1)

Error for NILAI from ARIMA, MOD_1 CON
30 20 10 0 -10 -20 -30
N
I
L
A
I
40
30
20
10
0

Gambar 3.9b
Diagram pencar nilai pengamatan dengan
residu berdasarkan model
Box-Jenkins (1,1,1)
Error for NILAI from ARIMA, MOD_1 CON
30 20 10 0 -10 -20 -30
F
i
t

f
o
r

N
I
L
A
I

f
r
o
m

A
R
I
M
A
,

M
O
D
_
1

C
O
N
40
30
20
10
0

Gambar 3.9b
Diagram pencar nilai ramalan dengan
residu berdasarkan model
Box-Jenkins (1,1,1)

Dari hasil analisis varians dan gambar-gambar ini disimpulkan metode Box-Jenkins
memberikan hasil yang lebih baik dari metode peramalan yang lain, dan model Box-
Jenkins (1, 0 , 0, 1) masih belum cukup baik digunakan sebagai model ramalan untuk
data pada Tabel 2.1, sehingga harus diambil nilai-nilai orde yang lain.
75
Walaupun metode Box-Jenkins dan Holt-Winters adalah proses peramalan untuk data
yang memiliki komponen trend dan musiman, tetapi ada perbedaan yang mencolok antara
keduanya. Metode Holt-Winters adalah proses peramalan berdasarkan analisis “keluarga
model regresi deret waktu sederhana”, sedangkan metode Box-Jenkins berdasarkan
analisis “pemilihan model trend-musiman ARIMA”, dengan proses yang lebih
kompleks daripada metode Holt-Winters, walaupun dalam prakteknya, proses
perhitungan keduanya harus dilakukan dengan menggunakan fasilitas komputer.

3.7. Autoregresi Stepwise
Metode ini dikenalkan oleh C. W. Granger dan P. Newbold sekitar tahun 1977, yang
merupakan bagian (subset) dari metode Box-Jenkins, dengan konsepsi yang lebih
sederhana. Pada metode Box-Jenkins, model regresi deret waktu yang digunakan untuk
peramalan adalah ARIMA(p,q,k), sedangkan metode ini didasarkan pada konsepsi bahwa
jika data berautokorelasi, maka model hubungan fungsionalnya adalah AR(k), sebab
1. model AR(k) adalah model dasar dari regresi deret waktu
2. membangun model AR(k) yang cocok untuk peramalan lebih mudah dari model
MA(p) atau ARMA(k,p).
Konsepsi perhitungannya adalah sebagai berikut
1. lakukan proses menstasionerkan data, dan seperti sudah dikemukakan jika trendnya
linier maka proses diferensi orde-1 sudah cukup, tetapi jika tidak linier maka lakukan
dulu transformasi linieritas, selanjutnya proses diferensi orde-1 untuk hasil
transformasi.
2. tentukan lag autokorelasi maksimum yang mungkin, misalnya sama dengan M.
Granger dan Newbold menyarankan ambil M = 13 jika datanya kuartalan dan M = 25
jika bulanan,
3. bangun model regresi deret waktu dengan persamaan
W
t
= µ + γ
S
(1)
W
t-S
+ e
t
(1)
, 1 ≤ S ≤ M ,
W
t
= X
t
– X
t-1
, X
t
data deret waktu dengan trend linier
γ
S
(1)
: koefisien autoregresi stepwise orde-1, e
t
(1)
kekeliruan model autoregresi
stepwiswe orde-1
76
4. lakukan penaksiran parameter secara bertahap untuk setiap S = 1, 2, . . . , M , dan
hitung nilai-nilai ramalannya,
5. proses penaksiran dihentikan jika jumlah kuadrat residu pada langkah ke-j sudah
cukup kecil dari langkah sebelumnya, dan model ini yang digunakan sebagai model
ramalan.

3.8. Peramalan Multivariat
Metode peramalan yang sudah dikemukakan, semuanya merupakan metode
peramalan untuk data deret waktu univariat, sehingga jika dimiliki sampel data deret
waktu multivariat, maka seperti sudah dikemukan pada awal bab ini proses yang dapat
dipilih
1. mentransformasikan data multivariat menjadi data univariat melalui model fungsi
transfers, jika data berautokorelasi,
2. metode analisis regresi multipel jika tidak berautokorelsi,
3. mengadopsi analisis peramalan univariat dan analisis matriks (vektor), sehingga
proses pemodelan untuk membangun sebuah model ramalan, dilakukan berdasarkan
analisis regresi deret waktu vektor.
Pada buku ajar ini metode analisis regresi multipel dan deret waktu vektor tidak dibahas,
sebab materi pengajaran Analisis Data Deret Waktu untuk program S-1 Statistika FMIPA
Unpad terbatas pada peramalan univariat.

3.9. Pemilihan Metode
Banyak faktor yang harus dijadikan bahan pertimbangan untuk melakukan suatu
proses peramalan data deret waktu, diantaranya
1. tujuan melakukan peramalan,
2. derajat ketepatan yang diinginkan,
3. ketersediaan waktu, biaya, sumber daya manusia, dan fasilitas.
Tidak ada aturan yang mengikat untuk memutuskan penggunaan salah satu metode
peramalan berdasarkan pertimbangan yang telah dibuat, sehingga jika ada beberapa
77
metode yang dapat digunakan maka pilihan harus pada metode yang memiliki efisiensi
tinggi dengan tingkat kekeliruan yang paling kecil.
Pertimbangan yang sangat penting pada saat akan memilih metode peramalan, adalah
untuk apa peramalan dilakukan ? Sebab jika peramalan dilakukan untuk tujuan
perencanaan, misalnya dalam persoalan perencanaan produksi dan pengontrolan
persediaan, maka metode yang digunakan adalah yang bisa memberikan derajat
ketepatannya yang tinggi dibandingkan dengan jika mencari norma atau ukuran. Dalam
praktek sering diperlukan beberapa metode peramalan, misalnya dalam bidang pemasaran
untuk menelaah apakah promosi bisa meningkatkan volume penjualan ? Dalam
persoalan seperti ini jika tujuan peramalan adalah menentukan norma atau ukuran, maka
metode yang dipilih adalah yang bisa memberikan informasi paling banyak, untuk
keperluan perencanaan dan pengontrolan.
Pertimbangan lain dalam memilih metode peramalan adalah ketersedian dan
kemudahan untuk mendapatkan data, sebab banyaknya data yang digunakan dalam
analisis akan menentukan lead time yang diinginkan, disamping derajat ketepatan dan
keberartian hasil peramalan. Pengambilan data harus dilakukan dengan baik dan benar,
sehingga sampel yang diperoleh bisa mencerminkan populasinya. Apalagi jika
peramalan akan menggunakan metode Statistika, maka metode pengambilan sampelnya
harus menggunakan kaidah dan konsepsi ilmu Statistika, agar derajat ketepatan dan
keberartian hasil peramalan dapat diukur secara kuantitatif, sehingga dapat
dipertanggung-jawabkan secara keilmuan.
Seperti sudah dikemukakan, metode peramalan statistis memiliki syarat tertentu
dalam penggunaannya, misalnya metode ekstrapolasi trend, digunakan jika data tidak
berautokorelasi dan variansnya homogen, metode Holt-Winters dan Box-Jenkins
digunakan untuk data yang memiliki komponen musiman. Masing-masing metode
memiliki derajat ketepatan dan keberartian yang bergantung pada ukuran sampel dan
keterbatasan dalam penentuan lead time, misal metode Box-Jenkin diperlukan ukuran
sampel paling kecil 50, ekstrapolasi trend hanya cocok untuk peramalan jangka pendek.
Sudah dikemukakan, dalam ilmu Statistika peramalan didasarkan pada sebuah model
regresi, sehingga jika sebuah model ramalan dipilih maka harus dipertimbangkan
78
1. keberartian dari penaksir koefisien regresi, yang dapat dilakukan berdasarkan analisis
varians,
2. kekeliruan baku model yang dapat ditelaah berdasarkan analisis residual,
3. dipenuhi-tidaknya asumsi, yang dapat dilakukan berdasarkan sebuah pengujian
hipotesis,
4. lead time maksimum yang harus sesuai dengan ukuran sampel.

79
BAB 4
MODEL FUNGSI TRANSFER

Peramalan data deret waktu pada dasarnya adalah analisis univariat, sedangkan dalam
kenyataan, sebagian besar pengamatan merupakan data multivariat. Misal dalam bidang
pemasaran, volume penjualan bergantung pada cara pemasaran, bentuk promosi, dan
daerah pemasaran, yang masing-masing faktor tersebut lebih dari satu macam, sehingga
jika analisis peramalan hanya didasarkan pada volume penjualan saja, tanpa
memperhatikan faktor-faktor yang mempengaruhinya, maka informasi untuk pembuatan
norma atau ukuran keberhasilan pemasaran, apalagi untuk keperluan proses kontrol dan
perencanaan, menjadi tidak lengkap, sehingga tujuan peramalan tidak tercapai secara
utuh. Salah satu upaya menganalisis data deret waktu multivariat agar diperoleh hasil
yang dapat memberikan informasi yang lengkap dan simultan, adalah dengan
mentransformasikan menjadi model univariat melalui proses model fungsi transfer, yang
konsepsinya didasarkan pada data bivariat.

4.1. Konsepsi umum
Misalkan V
t
= (X
t
, Y
t
)′ data deret waktu bivariat, dengan X
t
dan Y
t
masing-masing
stasioner atau hasil proses stasioner, yang membangun sebuah hubungan sistem filter
linier
Y
t
= ν(B)X
t
+ η
t
(4.1)
Pada model ini
X
t
dan Y
t
, t = 1, 2, . . . , : masing-masing dinamakan deret variabel masukan (input
variable) dan variabel keluaran (output variable)
¿

−∞ =
ν = ν
i
i
i
B ) B ( : dinamakan fungsi transfer filter, ν
i
≤ 1, i = 1, 2, . . . dan biasa juga
dinamakan pembobot respon impuls. Fungsi ν
i
atas i dinamakan fungsi respon
impuls,
B : operator backshift,
80
η
t
: kekeliruan, yang merupakan variabel acak tidak terukur berdistribusi identik saling
bebas dengan rata-rata 0 varians konstan σ
2
, dan saling bebas dengan X
t
, yang dalam
deret waktu dinamakan noise.
Box-Jenkins (1976) menamakan Persamaan (4.1) dengan model fungsi transfer, atau
model ARMAX.
Model fungsi transfer disebut stabil (stable) jika ν
i
 merupakan deret konvergen,
∞ < ν
¿
i
i
, sehingga Persamaan (4.1) disebut sebuah sistem stabil, jika ∞ <
¿
t
t
X
menjadikan ∞ <
¿
t
t
Y , dan disebut sistem kausal (causal) jika ν
i
= 0 untuk i < 0.
Akibatnya, dalam model kausal, deret keluaran bukan respon pada deret masukan selama
keduanya benar-benar digunakan pada sistem; dengan perkataan lain, sebuah model
disebut kausal jika keberadaan deret keluaran disebabkan pengaruh deret masukan dari
awal sampai akhir sepanjang sistem digunakan, tetapi tidak sebaliknya. Model kausal
biasa juga dinamakan model realistis (realizable), karena model-model kausal banyak
ditemukan dalam persoalan dunia nyata. Dalam praktek, sistem selalu merupakan model
stabil atau kausal, dan disajikan dalam persamaan
Y
t
= ν
0
X
t
+ ν
1
X
t-1
+ ν
2
X
t-2
+ . . . + η
t
= ν(B)X
t
+ η
t
(4.2)
ν(B) = ν
0
+ ν
1
B + ν
2
B
2
+ . . . , ν
0
 + ν
1
 + ν
2
 + . . . < ∞ ,
X
t
dengan η
t
saling bebas.
Jika digambarkan sistem fungsi transfer adalah seperti di bawah ini
X
t
Fungsi transfer
ν(B)
Y
t

t

η
t
ν
0
ν
1
ν
2
ν
3
ν
4
ν
5
ν
6
. . . ⊕


t
t
Gambar 4.1
Sistem fungsi transfer dinamis

81
Sasaran dari analisis fungsi transfer adalah penaksiran parameter dan identifikasi
model dari fungsi transfer ν(B), dan η
t
berdasarkan sampel data bivariat (x
t
, y
t
)′,
sehingga dalam prosesnya muncul kesulitan, karena (x
t
, y
t
)′ deret terbatas, sedangkan
ν(B) merupakan deret tidak terbatas, dan salah cara untuk mengatasinya adalah
menyajikan ν(B) dalam bentuk pecahan

) B (
B ) B (
) B (
r
b
s
ϖ
ω
= ν (4.3)
dengan
ω
s
(B) = ω
0
− ω
1
B − . . . − ω
s
B
s
,
ϖ
r
(B) = 1 − ϖ
1
B − . . . − ϖ
r
B
r
,
b parameter kelambatan (delay) yang menyajikan lag waktu aktual (actual time lag) yang
lewat, sebelum impuls dari variabel masukan memberikan pengaruh (effect) pada variabel
keluaran.
ω
i
dan ϖ
j
: parameter, dan penaksir untuk ϖ
j
jika sistem stabil adalah akar persamaan
ϖ
r
(B) = 0, yang merupakan titik-titik di luar lingkaran satuan, atau 1 i ≥ ϖ

.
Jika ω
s
(B), ϖ
r
(B), dan b sudah diperoleh, maka pembobot respon impuls ν
i
ditaksir
berdasarkan persamaan
ϖ
r
(B)ν(B) = ω
s
(B)B
b

(1−ϖ
1
B− . . . −ϖ
r
B
r
)( ν
0

1
B+ν
2
B
2
+ . . .) = (ω
0
−ω
1
B− . . . −ω
s
B
s
)B
b
(4.4)
yang penyelesaiannya adalah
ν
j
= 0 , jika j < b
ν
j
= ϖ
1
ν
j-1
+ ϖ
2
ν
j-2
+ . . . + ϖ
r
ν
j-r
+ ω
0
, jika j = b
ν
j
= ϖ
1
ν
j-1
+ ϖ
2
ν
j-2
+ . . . + ϖ
r
ν
j-r
− ω
j-b
, jika j = b+1, b+2, . . . , b+s
ν
j
= ϖ
1
ν
j-1
+ ϖ
2
ν
j-2
+ . . . + ϖ
r
ν
j-r
, jika j > b+s
Hal ini berarti r buah pembobot respon impuls, ν
b+s
, ν
b+s-1
, . . . ν
b+s-r+1
, merupakan jawab
awal (starting values) untuk persamaan diferensi
ϖ
r
(B)ν
j
= 0 , j > b+s, (4.5)
dengan perkataan lain, pembobot respon impuls untuk Persamaan (4.3) terdiri atas
1. b buah pertama bernilai 0, ν
0
= ν
1
= . . . = ν
b-1
= 0
82
2. s-r+1 buah berikutnya, ν
b
, ν
b+1
, . . . , ν
b+s-r
, tidak mengikuti pola yang tetap,
3. r buah selanjutnya, ν
b+s-r+1
, ν
b+s-r+2
, . . . , ν
b+s
, adalah pembobot respon impuls sebagai
jawab awal Persamaan (4.5)
4. ν
j
, j > b+s , jawab Persamaan (4.5).
sehingga kesimpulannya,
1. b dicari berdasarkan fakta bahwa ν
j
= 0 , j < b dan ν
b
≠ 0 ,
2. r dicari berdasarkan pola dari pembobot respon impuls, yang identik dengan mencari
orde k pada identifikasi model ARIMA(k,q,p) univariat melalui fungsi autokorelasi
(ACF).
3. untuk nilai b yang ditetapkan, jika r = 0 maka nilai s dengan mudah dapat dicari
berdasarkan fakta, ν
j
= 0 , j > b+s, sedangkan jika r ≠ 0 maka s dicari berdasarkan
telaahan pola kelambatan pembobot respon impuls, dan nilai s adalah perkiraan
dimulainya kelambatan.
Dalam prakteknya nilai r dan s pada Persamaan (4.3) tidak pernah melebihi 2,
sehingga dapat diilustrasikan model-model fungsi transfer seperti pada Tabel 4.1.

Tabel 4.1
Ilustrasi fungsi transfer untuk r = 0 , r = 1 , r = 2

(b , r , s) Model fungsi transfer Pola pembobot impuls
(2 , 0 , 0)

ν(B)X
t
= ω
0
X
t-2







(2 , 0 , 1) ν(B)X
t
= (ω
0
- ω
1
B)X
t-2





(2 , 0 , 2) ν(B)X
t
= (ω
0
- ω
1
B - ω
2
B
2
)X
t-2





83
(2 , 1 , 0)
2 t
1
0
t
X
) B 1 (
X ) B (

ϖ −
ω
= ν





(2 , 1 , 1)
2 t
1
1 0
t
X
) B 1 (
) B (
X ) B (

ϖ −
ω − ω
= ν





(2 , 1 , 2)
2 t
1
2
2 1 0
t
X
) B 1 (
) B B (
X ) B (

ϖ −
ω − ω − ω
= ν





(2 , 2 , 0)
2 t
2
2 1
0
t
X
) B B 1 (
X ) B (

ϖ − ϖ −
ω
= ν







(2 , 2 , 1)
2 t
2
2 1
1 0
t
X
) B B 1 (
) B (
X ) B (

ϖ − ϖ −
ω − ω
= ν







(2 , 2 , 2)
2 t
2
2 1
2
2 1 0
t
X
) B B 1 (
) B B (
X ) B (

ϖ − ϖ −
ω − ω − ω
= ν








Dari gambar-gambar tersebut dapat disimpulkan mengenai model fungsi transfer,
model-1 atau jika r = 0, maka fungsi transfer hanya memiliki pembobot respon impuls
yang berhingga, dimulai ν
b
= ω
0
dan diahiri ν
b+s
= −ω
s
model-2 atau jika r = 1, maka pembobot respon impuls membangun pola penurunan
eksponensial dimulai dari ν
b
jika s = 0, ν
b+1
jika s =1, dan ν
b+2
jika s = 2.
model-3 atau jika r = 2, maka pembobot respon impuls membangun pola eksponensial
damped atau gelombang sinus damped yang bergantung pada sifat dasar dari
akar persamaan polinom ϖ
2
(B) = 1 −ϖ
1
B − ϖ
2
B
2
= 0. Pola eksponensial
84
damped diperoleh jika akar-akarnya bilangan riil, atau jika ϖ
1
2
+ 4ϖ
2
≥ 0; dan
gelombang sinus damped jika akar-akarnya bilangan kompleks, atau jika
ϖ
1
2
+ 4ϖ
2
< 0. Nilai s dengan mudah dapat dicari dari gambar pola pembobot
respon impuls.

4.2. Korelasi Silang
Perhatikan dua buah proses stokastik, X
t
dan Y
t
, t = 0, ±1, ±2, . . .. X
t
dan Y
t

dikatakan stasioner gabungan (jointly stationary), jika X
t
dan Y
t
masing-masing
merupakan proses stasioner, dan kovarians silang (cross-covariance) X
t
dengan Y
s
,
kov.(X
t
,Y
s
) hanya merupakan fungsi atas selisih waktu (t – s). Untuk beberapa kasus,
kovarians silang X
t
dengan Y
t
, didefinisikan oleh
γ
YX
(k)
= E(X
t
− µ
x
)(Y
t+k
− µ
y
) (4.5)
µ
x
dan µ
y
masing-masing rata-rata hitung X
t
dan Y
t
, k = 0, ±1, ±2, . . .
karena γ
XY
(k)
merupakan fungsi atas k, maka γ
XY
(k)
selanjutnya ditulis, γ γγ γ
XY
(k), dan
dinamakan fungsi kovarians silang. Jika varians X
t
dan Y
t
masing-masing σ
x
2
dan σ
y
2
,
maka

y x
XY
XY
) k (
) k (
σ σ
γ
= ρ (4.6)
dinamakan fungsi korelasi silang (cross-dorrelation function, CCF), yang merupakan
bentuk standarisasi dari fungsi kovarians silang.
Jika ditelaah dari deskripsinya, fungsi korelasi silang merupakan formulasi umum
dari fungsi autokorelasi (ACF), sebab γ
XX
(k) = γ
X
(k) tetapi perbedaannya, jika
autokorelasi merupakan bentuk simetris, artinya ρ
X
(k) = ρ
X
(−k), sedangkan fungsi
korelasi silang tidak simetris sebab ρ
XX
(k) ≠ ρ
XX
(−k). Jika nilai ACF sebagai ukuran
kekuatan hubungan antar pengamatan, maka nilai CCF selain sebagai ukuran kekuatan
hubungan antar variabel, juga sebagai ukuran arah hubungan. Untuk mendapatkan
gambaran secara menyeluruh mengenai hubungan antara data deret waktu X
t
dengan Y
t
,
pengujian mengenai CCF, ρ
XX
(k), harus dilakukan untuk k > 0 dan k < 0, melalui analisis
korelasi silang atau gambar CCF yang biasa dinamakan korelogram silang (cross
correlogram).
85
Ilustrasi
Perhatikan model AR(1) dengan persamaan
(1 − φB)X
t
= Z
t

|φ| < 1,
Z
t
kekeliruan yang diasumsikan saling bebas dengan rata-rata 0 dan varians konstan σ
2
,
B operator backshift.
Karena (1 − φB) ≠ 0, maka persamaan tersebut dapat ditulis
X
t
=
B 1
Z
t
φ −
= Z
t
+ ϕZ
t-1
+ ϕ
2
Z
t-2
+ . . .
dan untuk waktu : t+k
X
t+k
=
B 1
Z
k t
φ −
+
= Z
t+k
+ ϕZ
t+k-1
+ ϕ
2
Z
t+k-2
+ . . .
sehingga kovarians silang Z
t
dengan X
t
sama dengan
γ
ZX
(k) = E(Z
t
− µ
Z
)(X
t+k
− µ
X
) = E(Z
t
− EZ
t
)(X
t+k
− EX
t+k
) = E(Z
t
X
t+k
)
= E{Z
t
B 1
1
φ −
Z
t+k
} =
2
1
1
ϕ −
E(Z
t
Z
t+k
)
=
¦
¹
¦
´
¦
<
≥ σ ϕ =
ϕ −
σ ϕ ϕ −
0 k jika , 0
0 k jika ,
) 1 (
) 1 (
2
Z
k
2
2
Z
k 2

karena Var.(X
t
) = σ
X
2
=
2
2
Z
1 ϕ −
σ
, maka korelasi silang Z
t
dengan X
t
sama dengan
ρ
ZX
(k) =
X Z
ZX
) k (
σ σ
γ
=
2
Z
2
1
σ
ϕ −
γ
ZX
(k) =
¦
¹
¦
´
¦
<
≥ ϕ ϕ
0 k jika , 0
0 k jika , - 1
2 k

Perhatikan model ARMA(k,p) univariat dengan persamaan
φ
k
(B)X
t
= ψ
p
(B)Z
t

φ
k
(B) = 1 − φB − . . . − φ
k
B
k
, ψ
p
(B) = 1 − ψB − . . . − ψ
p
B
p

Model tersebut dapat ditulis menjadi
X
t
=
) B (
) B (
k
p
φ
ψ
Z
t
,
86
dengan cara seperti pada model AR(1), dapat ditunjukan bahwa korelasi silang Z
t
dengan
X
t
untuk model ARMA(k,p) univariat, merupakan bentuk khusus model fungsi transfer
tanpa kekeliruan model (noise), karena dalam hal ini X
t
sebagai deret keluaran dan Z
t

(noise) deret masukan.

4.3. Hubungan Fungsi Korelasi Silang dengan Fungsi Transfer
Perhatikan model fungsi transfer pada Persamaan (4.2). Untuk waktu t+k fungsi
transfer tersebut dapat ditulis menjadi
Y
t+k
= ν
0
X
t+k
+ ν
1
X
t+k-1
+ ν
2
X
t+k-2
+ . . . + η
t+k
(4.7)
Tanpa menghilangkan asumsi umum, dalam hal ini dapat diasumsikan µ
X
= µ
Y
= 0,
sehingga jika Persamaan (4.2) dikalikan dengan X
t
,
X
t
Y
t+k
= ν
0
X
t
X
t+k
+ ν
1
X
t
X
t+k-1
+ ν
2
X
t
X
t+k-2
+ . . . + X
t
η
t+k

dan diekpektasikan
E(X
t
Y
t+k
) = ν
0
E(X
t
X
t+k
) + ν
1
E(X
t
X
t+k-1
) + ν
2
E(X
t
X
t+k-2
) + . . . + E(X
t
η
t+k
)
maka diperoleh kovarians silang X
t
dengan Y
t

γ
XY
(k) = ν
0
γ
XX
(k) + ν
1
γ
XX
(k-1) + ν
2
γ
XX
(k-2) + . . .
sehingga jika Var.(X) = σ
X
2
dan Var.(Y) = σ
Y
2
maka korelasi silangnya
ρ
XY
(k) =
Y
X
σ
σ

0
ρ
X
(k) + ν
1
ρ
X
(k-1) + ν
2
ρ
X
(k-2) + . . .} (4.8)
Dari Persamaan (4.8) tersurat, hubungan antara CCF, ρ
XY
(k) , dan nilai fungsi respon
impuls, ν
i
, “terkotori” (contaminated) oleh struktur autokorelasi dari deret masukan, X
t
,
sehingga jika pada Persamaan (4.3), r = 0, dan fungsi transfer ν(B) hanya memiliki
pembobot respon impuls yang banyaknya berhingga, maka menentukan penaksir ν
i

berdasarkan formulasi Persamaan (4.8) menjadi sulit, karena varians-kovarians sampel
untuk menaksir ρ
XY
(k) juga “terkotori” oleh struktur autokorelasi dari deret masukan X
t

tersebut, sehingga pengujian keberartian ρ
XY
(k) dan ν
k
juga menjadi sulit.
Dalam hal deret masukan adalah kekeliruan model (noise), yang berarti ρ
X
(k) = 0
untuk k ≠ 0, maka Persamaan (4.8) dapat direduksi menjadi
87
ν
k
=
X
Y
σ
σ
ρ
XY
(k) (4.9)
sehingga pembobot respon impuls, ν
k
, merupakan proporsi langsung (directly
proportional) dari korelasi silang ρ
XY
(k). Dari hasil paparan tersebut ada beberapa
kesimpulan yang dapat dikemukakan,
1. CCF, ρ
XY
(k) , hanya didefiniskan pada data bivariat yang merupakan stasioner
gabungan, dalam hal tidak stasioner maka sebelum dilakukan perhitungan, harus
dilakukan dulu proses stasioneritas untuk masing-masing variabel masukan dan
keluaran.
2. Dalam model fungsi transfer umum,
Y
t
= ν(B)X
t
+ η
t
,
variabel masukan, X
t
, diasumsikan mengikuti model ARMA(k,p),
φ
k
(B)X
t
= ψ
p
(B)ε
t
,
ε
t
kekeliruan yang diasumsikan saling bebas dengan rata-rata 0 dan varians konstan
σ
2
, yang dalam data deret waktu biasa dinamakan white noise
sehingga ε
t
yang sama dengan
ε
t
=
t
p
k
X
) B (
) B (
ψ
φ

yang biasa dinamakan deret masukan “pemutih” (prewhitened input series).
Dengan menggunakan analogi dan terminologi deret “pemutih” masukan, dapat
didefinisikan deret keluaran “pemutih” (prewhite output series),
δ
t
=
t
p
k
Y
) B (
) B (
ψ
φ

sehingga jika didefinisikan Ξ
t
=
) B (
) B (
p
k
ψ
φ
η
t
, atau
) B (
) B (
p
k
ψ
φ
=
t
t
η
Ξ
, maka secara umum
model fungsi transfer menjadi
Y
t
= ν(B)X
t
+ η
t
¬
t
t
Ξ
η
δ
t
= ν(B)
t
t
Ξ
η
ε
t
+ η
t
¬ δ
t
= ν(B)ε
t
+ Ξ
t
¬
ν(B) =
t
t
t
t
ε
Ξ

ε
δ

88
sehingga pembobot respon impuls, ν
j
, untuk fungsi transfer dihitung berdasarkan
persamaan
ν
k
=
ε
δ
σ
σ
ρ
δε
(k) , (4.10)
dengan σ
δ
2
, σ
ε
2
, ρ
δε
(k) , masing-masing varians δ
t
, ε
t
, dan korelasi silang δ
t
dengan ε
t+k
.

4.4. Membangun Fungsi Transfer
Pada Persamaan (4.10) tersurat, pembobot respon impuls merupakan proporsi
langsung dari korelasi silang, sehingga model fungsi transfer dapat dibangun jika korelasi
silang antara variabel masukan dan keluaran signifikans. Jika dimiliki sampel data deret
waktu bivariat (x
t
, y
t
), t = 1, 2, . . . , n , maka untuk membangun model fungsi transfer
sampel, tahap pertama yang harus dihitung adalah
1. rata-rata hitung masing-masing variat,
¿
=
=
n
1 t
t
x
n
1
x ,
¿
=
=
n
1 t
t
y
n
1
y
2. kovarians silang sampel
¦
¦
¹
¦
¦
´
¦
< − −
≥ − −
= γ
¿
¿
=
+

=
+

n
k - 1 t
k t t
k n
1 t
k t t
xy
0 k , ) y y )( x x (
n
1
0 k , ) y y )( x x (
n
1
) k (
3. korelasi silang sampel
) 0 ( ) 0 (
) k (
) k (
xx xx
xy
xy
∧ ∧


γ γ
γ
= ρ
4. uji signifikansi korelasi silang berdasarkan rumusan hipotesisi,
H
0
: ρ
xy
(k) = 0 vs. H
1
: ρ
xy
(k) ≠ 0,
yang dapat dilakukan dengan membandingkan ) k (
xy

ρ dengan kekeliruan bakunya,

xy
(k).
Telah dibuktikan oleh M. S. Bartlett (1955) dibawah asumsi distribusi normal,
Kov.{ ) k (
xy

ρ , ) j k (
xy
+ ρ

} ≅
k n
1

[
¿

−∞ =
− ρ + + ρ + + ρ ρ
i
xy xy yy xy
) i k ( ) j k i ( ) j i ( ) i (

{ } ) i ( ) i ( ) i ( ) j k ( ) k (
2
yy 2
1
2
xx 2
1
2
xy xy xy
ρ + ρ + ρ + ρ ρ +
89
{ } ) j k i ( ) i ( ) j k i ( ) i ( ) k (
yy xy xy xx xy
+ + ρ − ρ + + + ρ ρ ρ −
{ }] ) k i ( ) i ( ) k i ( ) i ( ) j k (
yy xy xy xx xy
+ ρ − ρ + + ρ ρ + ρ −
Var.{ ) k (
xy

ρ }≅
k n
1

[
¿

−∞ =
− ρ + ρ + ρ ρ
i
xy xy yy xx
) i k ( ) k i ( ) i ( ) i (

{ } ) i ( ) i ( ) i ( ) k (
2
yy 2
1
2
xx 2
1
2
xy
2
xy
ρ + ρ + ρ ρ +
{ }] ) k i ( ) i ( ) k i ( ) i ( ) k ( 2
yy xy xy xx xy
+ ρ − ρ + + ρ ρ ρ −
sehingga di bawah H
0
: ρ
xy
(k) = 0,
Kov.{ ) k (
xy

ρ , ) j k (
xy
+ ρ

} ≅
k n
yy

ρ

dan
Var.{ ) k (
xy

ρ }≅
k n
1


yang berarti kekeliruan baku ) k (
xy

ρ ,
k n
1
s
) k (
xy


ρ
.
Untuk menguji apakah ) k (
xy

ρ signifikans, bandingkan saja nilainya dengan
k n
1

,
jika lebih kecil berarti tidak signifikans, atau ) k (
xy

ρ dianggap sama dengan 0, yang
berarti X
t
dengan Y
t
tidak berkorelasi. Hal ini menyimpulkan proses pemodelan fungsi
transfer tidak perlu dilanjutkan, dan analisis dilakukan untuk masing-masing variat
dengan menggunakan analisis regresi deret waktu univariat.
Jika ) k (
xy

ρ signifikans, maka proses dilanjutkan dengan
4. membangun model ARMA(k,p) untuk X
t
, φ
k
(B)X
t
= ψ
p
(B)ε
t
, dan lakukan penaksiran
parameter sehingga diperoleh model taksiran
t p t k
) B ( X ) B ( ε ψ = φ
∧ ∧
.
5. membangun deret “pemutih”, ε
t
=
t
p
k
X
) B (
) B (


ψ
φ
, dan δ
t
=
t
p
k
Y
) B (
) B (


ψ
φ

6. menghitung varians dan korelasi silang deret “pemutih”:
2
ε

σ ,
2
δ

σ , ) k (
εδ

ρ
90
7. menghitung pembobot respon impuls, ) k ( k
εδ

ε

δ


ρ
σ
σ
= ν
8. menguji signifikansi k

ν , dengan membandingkannya dengan
k n
1

, jika lebih
kecil, berarti k

ν tidakk signifikans, atau k

ν dianggap sama dengan 0.
9. mengidentifikasi parameter kelambatan dan model polinom
ω
s
(B) = ω
0
− ω
1
B − . . . − ω
s
B
s
, ϖ
r
(B) = 1 − ϖ
1
B − . . . − ϖ
r
B
r
,
berdasarkan pola k

ν atas k untuk menentukan nilai b, r dan s.
10. Setelah r dan s ditentukan lakukan penaksiran parameter ω
i
dan ϖ
j
berdasarkan
Persamaan (IV.4), sehingga diperoleh model polinom sampel,
s
s 1 0 s B ... B ) B (
∧ ∧ ∧ ∧
ω − − ω − ω = ω ,
r
r 1 r B ... B 1 ) B (
∧ ∧ ∧
ϖ − − ϖ − = ϖ
11. Bangun model fungsi transfer sampel,
b
r
s
B
) B (
) B (
) B (



ϖ
ω
= ν .
Semua perhitungan dari 1 sampai dengan 10 dapat dilakukan dengan menggunakan paket
program SPSS, STATISTICA, MINITAB, atau EXCELL.
Setelah model fungsi transfer diperoleh, lakukan identifikasi model kekeliruan η
t

berdasarkan nilai residual,

t
b
r
s
t t t t
x B
) B (
) B (
y x ) B ( y


∧ ∧
ϖ
ω
− = ν − = η , (4.11)
yang telaahannya dapat dilakukan berdasarkan pola ACF dan PACF-nya, atau metode
lain untuk mengidentifikasi model regresi deret waktu univariat berdasarkan model
ARMA(k,p) univariat dengan persamaan,
φ
k
(B)η
t
= ψ
p
(B)Z
t
, (4.12)
dengan Z
t
sebagai noise.
Jika Persamaan (4.11) dengan Persamaan (4.12) dikombinasikan, maka diperoleh
model fungsi transfer dengan persamaan lain
91
t
k
p
b t
r
s
t
Z
) B (
) B (
X
) B (
) B (
Y
φ
ψ
+
ϖ
ω
=


atau
ϖ
r
(B)φ
k
(B)Y
t
= φ
k
(B)ω
s
(B)X
t-b
+ ϖ
r
(B)ψ
p
(B)Z
t
(4.13)
sehingga jika didefinisikan
Ω(B) = ϖ
r
(B)φ
k
(B) , Φ(B) = φ
k
(B)ω
s
(B) , Ψ(B) = ϖ
r
(B)ψ
p
(B)
maka Persamaan (4.13) menjadi
Ω(B)Y
t
= Φ(B)X
t-b
+ Ψ(B)Z
t
, (4.14)
yang merupakan persamaan regresi multivariat Y
t
atas X
t-b
dan Z
t
.
Hal penting yang harus diperhatikan dalam membangun fungsi transfer, adalah
1. X
t
dan Y
t
masing-masing harus merupakan data deret waktu stasioner, sehingga jika
ada yang belum stasioner harus dilakukan dulu proses stasioneritas.
2. Pada proses identifikasi fungsi transfer, ν(B), data deret waktu harus di”putih”kan,
dengan tujuan untuk “menyaring” (filtering) agar deret masukan “bersih” dari
keluaran dan sebaliknya, tetapi penyaringannya tidak perlu terlalu “bersih”. Hal ini
merupakan proses biasa dan sederhana untuk mendapatkan model fungsi transfer
kausal.
3. Untuk membangun model fungsi transfer tidak kausal, yang berarti antara deret
masukan dan keluaran saling mempengaruhi, “pemutihan” variabel masukan dan
keluaran masing-masing harus dilakukan sebelum dibangun dan diuji signifikansi
CCF-nya.

4.5. Penaksiran Pada Fungsi Transfer
Sudah dikemukan, model fungsi transfer untuk data deret waktu bivariat, V = (X
t
,Y
t
)′
dapat disajikan dalam Persamaan (4.14),
Ω(B)Y
t
= Φ(B)X
t-b
+ Ψ(B)Z
t
,
dengan
Ω(B) = ϖ
r
(B)φ
k
(B) = (1 − ϖ
1
B − . . . − ϖ
r
B
r
)(1 − φ
1
B − . . . − φ
k
B
k
)
= 1 − Ω
1
B − . . . − Ω
r+k
B
r+k

Φ(B) = φ
k
(B)ω
s
(B) = (1 − φ
1
B − . . . − φ
k
B
k
)( ω
0
− ω
1
B − . . . − ω
s
B
s
)
92
= Φ
0
− Φ
1
B − . . . − Φ
k+s
B
k+s

Ψ(B) = ϖ
r
(B)ψ
p
(B) = (1 − ϖ
1
B − . . . − ϖ
r
B
r
)(1 − ψ
1
B − . . . − ψ
k
B
k
)
= 1 − Ψ
1
B − . . . − Ψ
r+p
B
r+p
sehingga jika disajikan secara simultan, diperoleh persamaan
(1 − Ω
1
B − . . . − Ω
r+k
B
r+k
)Y
t
= (Φ
0
− Φ
1
B − . . . − Φ
k+s
B
k+s
)X
t-b

+(1 − Ψ
1
B − . . . − Ψ
r+p
B
r+p
)Z
t
(4.15)
atau
Z
t
= (1 − Ω
1
B − . . . − Ω
r+k
B
r+k
)Y
t
− (Φ
0
− Φ
1
B − . . . − Φ
k+s
B
k+s
)X
t-b

− (− Ψ
1
B − . . . − Ψ
r+k
B
r+k
)Z
t

= Y
t
− Ω
1
Y
t-1
− . . . − Ω
r+k
Y
t-r-k
− Φ
0
X
t-b
+ Φ
1
X
t-b-1
+ . . . − Φ
k+s
X
t-b-k-s

+ Ψ
1
Z
t-1
− . . . − Ψ
r+p
Z
t-r-p


Karena Z
t
kekeliruan yang diasumsikan berdistribusi identik independen N(0,σ
Z
2
),
penaksiran parameter Ω
i
, Φ
j
, Ψ
l
, dilakukan berdasarkan metode kemungkinan
maksimum (maximum likelihood method), yang prosesnya sebagai berikut
1. bangun fungsi distribusi dari Z
t
: f(Z
t
, ,σ
Z
2
) = ) Z
2
1
exp(
2
1
2
t
2
Z
2
Z
σ

πσ

2. bangun fungsi kemungkinan dari Z
t
untuk t = 1, 2, . . . , n,
f(Ω , Φ , Ψ , σ
Z
2
) =

=
σ
n
1 t
2
Z t
) , Z ( f =
( )
|
|
.
|

\
|
σ

πσ
¿
=
n
1 t
2
t
2
Z
n
2
Z
Z
2
1
. exp
2
1

Ω = (Ω
1
, Ω
0
,

. . . Ω
r+k
)′

, Φ = (Φ
0
, Φ
1
, . . . , Φ
k+s
) , Ψ = (Ψ
1
, Ψ
2
, . . . , Ψ
r+p
)

,
3. logaritmakan fungsi kemungkinan
L = ln f(Ω , Φ , Ψ , σ
Z
2
) = −½n ln(2π) − ½n ln(σ
Z
2
) −
¿
= σ
n
1 t
2
t
2
Z
Z
2
1

4. lakukan perhitungan diferensiasi parsial pada L
0
L
i
=
Ω ∂

, i = 1, 2, . . . , r+k ; 0
L
j
=
Φ ∂

, j = 1, 2, . . . , k+s
0
L
l
=
Ψ ∂

, l = 1, 2, . . . , r+p ; 0
L
2
Z
=
σ ∂


93
yang menghasilkan sistem persamaan tidak linier atas
(r+k) + (k+s) + (r+p) + 1 = 2r + 2k + s + p + 1
buah persamaan, sehingga penyelesaiannya harus menggunakan metode iterasi,
dengan jawab awal x
0
, y
0
, z
0
, yang memenuhi Persamaan (4.15).
Proses penyelesaian sistem persamaan ini hampir sama dengan cara penaksiran
parameter pada model ARIMA(k+s , r+k , r+p) di bawah asumsi noise berdistribusi
N(0,σ
2
).
Sudah dikemukakan, semua proses penaksiran ini dapat dilakukan dengan menggunakan
paket program SPSS atau STATISTICA.

4.6. Rata-Rata Hitung Kuadrat Kekeliruan
Setelah penaksiran parameter model fungsi transfer pada Persamaan (4.15)selesai
dilakukan, selanjutnya adalah menelaah kecocokan model fungsi transfer berdasarkan
sampel data deret waktu bivariat (x
t
, y
t
) yang telah digunakan untuk membangun fungsi
transfer tersebut. Hal ini diperlukan untuk mendapatkan nilai ramalan data deret waktu
yang akan datang, dengan varians yang kecil. Telaahannya dapat dilakukan berdasarkan
rata-rata hitung kuadrat kekeliruan (mean square error, MSE) ramalan. Model ramalan
dipilih jika MSE-nya paling kecil.
Perhatikan sampel data deret waktu stasioner (x
t
, y
t
), t = 1, 2, . . . , n, yang memiliki
model fungsi transfer stabil dengan persamaan

t
k
p
t
b
r
s
t
z
) B (
) B (
x B
) B (
) B (
y
φ
ψ
+
ϖ
ω
= (4.16)
z
t
noise dengan rata-rata hitung 0, varians konstanσ
z
2
,
x
t
mengikuti model φ
k
(B)x
t
= ψ
p
(B)ε
t
,
ε
t
noise dengan rata-rata hitung 0, varians konstan σ
ε
2
, dan saling bebas dengan z
t,
ω
s
(B), ϖ
r
(B), ψ
p
(B), φ
k
(B), masing-masing fungsi polinom berhingga atas operator
backshift B, dengan akar-akar persamaan ω
s
(B) = ϖ
r
(B) = ψ
p
(B) = φ
k
(B) = 0, masing-
masing merupakan titik-titik di luar lingkaran satuan, i

ω , j

ϖ ,
l

ψ ,
h

φ ≥ 1
Jika ditulis
94
U(B) =
b
k r
p s
B
) B ( ) B (
) B ( ) B (
φ ϖ
ψ ω
= U
0
+ U
1
B + U
2
B
2
+ . . .
V(B) =
) B (
) B (
k
p
φ
ψ
= 1 + V
1
B + V
2
B
2
+ . . .
maka Persamaan (4.16) menjadi
y
t
= U(B)ε
t
+ V(B)z
t
=
¿

=

ε
0 i
i t i
U +
¿

=

0 i
i t i
z V , V
0
= 1
sehingga
y
t+h
=
¿

=
− +
ε
0 i
i h t i
U +
¿

=
− +
0 i
i h t i
z V , V
0
= 1
Jika u
i
, v
j
, i , j = 1, 2, . . . , masing-masing penaksir untuk U
i
, V
j
, i , j = 1, 2, . . . ,
berdasarkan metode yang telah dikemukakan pada Seksi 4.5, maka penaksir y
t
untuk h
langkah ke depan (h step ahead), atau nilai ramalan dari y
t+h

) h ( y
t

=
¿

=
− +
ε
0 i
i t i h
u +
¿

=
− +
0 i
i t i h
z v ,
dan nilai residunya
r
t
(h)

= y
t+h
− ) h ( y
t

=
¿

=
− +
ε
0 i
i h t i
U +
¿

=
− +
0 i
i h t i
z V −
¿

=
− +
ε
0 i
i t i h
u −
¿

=
− +
0 i
i t i h
z v
=
¿

=
− +
ε
1 h
0 i
i h t i
U +
¿

=
− +
1 h
0 i
i h t i
z V −
¿

=
− + +
ε −
0 i
i t i h i h
) U u ( −
¿

=
− + +

0 i
i t i h 1 h
z ) V v (
sehingga MSE-nya sama dengan
E{r
t
(h)}
2

= E{
¿

=
− +
ε
1 h
0 i
i h t i
U +
¿

=
− +
1 h
0 i
i h t i
z V −
¿

=
− + +
ε −
0 i
i t i h i h
) U u ( −
¿

=
− + +

0 i
i t i h 1 h
z ) V v ( }
2

=
¿

=
ε
σ
1 h
0 i
2
i
2
U +
¿

=
σ
1 h
0 i
2
i
2
z
V +
¿

=
+ + ε
− σ
0 i
2
i h i h
2
) U u ( +
¿

=
+ +
− σ
0 i
2
i h 1 h
2
z
) V v (
dan akan bernilai minimum jika
¿

=
+ + ε
− σ
0 i
2
i h i h
2
) U u ( =
¿

=
+ +
− σ
0 i
2
i h 1 h
2
z
) V v ( = 0, atau
U
h+i
= u
h+i
dan V
h+i
= v
h+i
. Dengan perkataan lain, MSE ) h ( y
t

yang merupakan ramalan
y
t+h
dengan waktu awal t, adalah ekspektasi bersyarat dari y
t+h
pada t = T. Karena
95
E{y
t+h
− ) h ( y
t

} = 0 , maka ) h ( y
t

ramalan takbias untuk y
t+h
, dan merupakan ramalan
terbaik jika variansnya sama dengan
¿

=
ε
σ
1 h
0 i
2
i
2
U +
¿

=
ε
σ
1 h
0 i
2
i
2
U .
Konsepsi telaahan mengenai ramalan fungsi transfer yang memiliki ciri tak bias dan
bervarians minimum, seperti yang telah dikemukakan adalah jika deret masukan dan
keluaran merupakan data stasioner. Selanjutnya bagaimana jika tidak stasioner pada
salah satu atau kedua deretnya ? Proses dasarnya sama dengan pada analisis regresi deret
waktu univariat, yaitu melakukan transformasi stasioneritas melalui proses
ARIMA(k,d,p).
Misalkan (x
t
, y
t
) sampel data deret waktu tidak stasioner, yang dapat distasionerkan
melalui transformasi X
t
= (1 – B)
d
x
t
dan Y
t
= (1 – B)
d
y
t
, dengan model fungsi transfernya
Y
t
=
) B (
) B (
δ
ω
B
b
X
t
+
) B (
) B (
φ
θ
Z
t
(4.17)
dengan
X
t
mengikuti model φ(B)X
t
= θ(B)e
t
,
ωBb), δ(B), θ(B), φ(B), fungsi-fungsi polinom, Z
t
dan e
t
noise, yang memiliki ciri seperti
pada Persamaan (4.16).
Karena formulasi ini merupakan fungsi transfer dari deret masukan dan keluaran yang
stasioner, maka dengan menggunakan analogi dari bahasan yang telah dikemukakan,
ramalan untuk Y
t+h
adalah
) h ( Yt

=
¿

=
− +
0 i
i t i h
e u +
¿

=
− +
0 i
i t i h
Z v (4.18)
dengan
u
i
, v
j
, i , j = 1, 2, . . . , masing-masing penaksir untuk U
i
, V
j
, i , j = 1, 2, . . ., yaitu
koefisien dari fungsi polinom U(B) =
b
B
) B ( ) B (
) B ( ) B (
φ δ
θ ω
= U
0
+ U
1
B + U
2
B
2
+ . . . dan
V(B) =
) B (
) B (
φ
θ
= 1 + V
1
B + V
2
B
2
+ . . . , yang metode penaksirannya dapat dilakukan
seperti pada Seksi 4.5.



96
4.7. Contoh Numerik
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 (X
t
),
dan nilai pendapatan sebagai deret keluaran (Y
t
), 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
V
a
l
u
e
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
A
C
F
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
P
a
r
t
i
a
l

A
C
F
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
A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
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
P
a
r
t
i
a
l

A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
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
V
a
l
u
e
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 X
t
: data asli nilai konsumsi dan X
t
1
: data setelah
diferensi orde-1, maka persamaan model pemutih deret masukan
(1 + 0,36024B – 0,34602B
2
)X
t
1
= a
t
(4.19)
99
a
t
: noise dengan rata-rata 0 dan varians 0,00139093
Akibatnya, jika Y
t
: data asli nilai pendapatan dan Y
t
1
: 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 – 0,37445366B
2
)Y
t
1
= b
t
(4.20)
b
t
: 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
n
i
l
a
i

t
a
k
s
i
r
a
n


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)X
t
1
= (ω
0
- ω
1
B)X
t-2
1
. (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 ω
0
dan ϖ
1
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 = Y
t
1

1
2 t
X
) B 96154 , 0 1 (
02439 , 0



(4.24)
dengan Y
t
1
= (1 – B)Y
t
, X
t
1
= (1 – B)X
t

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) Y
t
1
– 0,02439X
t-2
1

yang setara dengan
t

η − 0,96154
1 t −

η = Y
t
1
– 0,96154 Y
t-1
1
– 0,02439X
t-2
1

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
A
C
F
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
P
a
r
t
i
a
l

A
C
F
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
V
a
l
u
e

N
O
I
S
E
.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
Y
t
1
=
1
2 t
X
) B 96154 , 0 1 (
02439 , 0


− η
t

atau
(1 – B)Y
t
=
) B 96154 , 0 1 (
02439 , 0

(1 − B)X
t-2
− η
t

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 (X
t1
, X
t2
, . . . , X
tm
), dengan X
t1
sebagai deret keluaran, X
t2
,
X
t3
, . . . , X
tm
deret masukan, dan model kausalnya
X
t1
= ν
1
(B)X
t2
+

ν
2
(B)X
t3
+ . . . + ν
(m-1)
(B)X
tm
+ e
t
(4.25)
dengan
ν
i
(B) polinom atas operator backshift B, atau fungsi transfer yang merelasikan X
t1
dengan
X
t(i+1)
e
t
noise dengan rata-rata 0, varians konstan σ
e
2
, dan saling bebas dengan X
t2
, X
t3
,..., X
tm
Jika kor.(X
ti
, X
tj
) = 0 untuk setiap i ≠ j = 2, 3, . . . , m (X
ti
dengan X
tj
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 ν
i
(B) yang merelasikan X
t1

dengan X
t(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 ν
i
(B), maka model taksiran untuk Persamaan (4.17)
sama dengan
tm
) 1 m (
3 t
2
2 t
1 1 t X ) B ( ... X ) B ( X ) B ( X −
∧ ∧ ∧ ∧
ν + + ν + ν =
dan residunya 1 t
1 t t
X X r

− = digunakan untuk identifikasi model.
Dalam hal kor.(X
ti
, X
tj
) ≠ 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.(X
ti
, X
tj
) = 0. Misalkan dari data deret waktu multivariat
105
(X
t1
,X
t2
,...,X
tm
), dengan X
t1
deret keluaran, dan X
t2
, X
t3
, . . . , X
tm
deret masukan,
diketahui
¹
´
¦ = ≠ ≠
+ + = ≠ =
=
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
X
t1
= ν
1
(B)X
t2
+ ν
2
(B)X
t3
+ . . . + ν
p
(B)X
tp
+ ν
p+1
(B)X
t(p+1)
+ ν
p+2
(B)X
t(p+2)
+ . . . + ν
(m-1)
(B)X
tm
+ e
t

Fungsi transfer ν
p+1
(B), ν
p+2
(B), . . . ,ν
(m-1)
(B), yang merelasikan X
t1
dengan X
t(p+1)
,
X
t(p+2),
. . . , X
tm
dibangun secara terpisah seperti membangun fungsi transfer untuk data
bivariat, dengan perkataan lain model kausal
X
t1
= ν
p+1
(B)X
t(p+1)
+ ν
p+2
(B)X
t(p+2)
+ . . . + ν
(m-1)
(B)X
tm
+ e
t

dianggap sebagai sebuah model linier dengan rank penuh. Sedangkan fungsi transfer
ν
1
(B), ν
2
(B), . . . ,ν
p
(B), yang merelasikan X
t1
dengan X
t2
X
t3,
. . . , X
tp
, harus dibangun
secara terintegrasi dengan menggunakan konsepsi analisis regresi ekonometrika, yaitu
dengan menganggap model kausal
X
t1
= ν
1
(B)X
t2
+ ν
2
(B)X
t3
+ . . . + ν
p
(B)X
tp
+ e
t
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 X
t
, t = 1, 2, . . . , n , data deret waktu, maka X
t
dapat ditulis dalam
formulasi,
X
t
= a
0
+ 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
a
0
=
¿
=
=
n
1 t
t
x
n
1
x ,
2
n
a =
¿
=

n
1 t
t
t
x ) 1 (
n
1
(5.1a)
a
p
=
¿
=
π
n
1 t
t
p
n
t 2
Cos x
n
2
, b
p
=
¿
=
π
n
1 t
t
p
n
t 2
Sin x
n
2
, p = 1, 2, . . . , 1
2
n
− (5.1b)
107


5.1. FUNGSI SPEKTRAL
Sudah dikemukan, dalam analisis data deret waktu dan analisis Statistika lainnya, data
yang akan dianalisis harus merupakan data stasioner, dan jika tidak stasioner harus
distasioner dulu melalui proses diferensi. Jika dimiliki sampel data deret waktu stasioner,
x
1
, x
2
, . . . , x
n
, maka dapat dibangun model spektralnya dengan persamaan

} }
π π
ω ω + ω ω =
0 0
t t t t t
) ( dv Sin ) ( du Cos x (5.2)
dengan u(ω
t
) dan v(ω
t
) merupakan fungsi kontinu yang tidak berkorelasi, yang
didefinisikan pada selang 0 ≤ ω
t
≤ π.
Berdasarkan deskripsi tersebut, dapat diturunkan fungsi F(ω
t
) yang berkorelasi dengan
u(ω
t
) dan v(ω
t
), sehingga jika r(k) fungsi autokorelasi, maka

}
π
ω ω =
0
k k
) ( dF Cos ) k ( r (5.3)
yang merupakan sajian spektral dalam fungsi autokorelasi.
Pada persamaan ini F(ω
k
) = 0 , jika (ω
k
) < 0 , dan F(π) = σ
x
2
, yang merupakan varians
data deret waktu. Sehingga jika didefinisikan fungsi

2
x
k
k
) ( F
) ( G
σ
ω
= ω (5.4)
maka diperoleh fungsi distribusi kumulatif spektral, dan fungsi spektral kuasa

k
k
k
d
) ( dG
) ( g
ω
ω
= ω (5.5)
Jika G(ω
t
) dan g(ω
t
) ada, maka Persamaan (5.3) dapat dinyatakan oleh

}
π
ω ω ω =
0
k k k k
) ( d ) ( g Cos r (5.6)
sehingga
108

¿ ¿

−∞ =

−∞ =
ω −
ω
π
=
π
= ω
k
k k
k
i
k k
) ( Cos r
1
e r
1
) ( g
k
(5.7)
Karena r
k
fungsi genap, maka Persamaan (5.7) setara dengan
|
.
|

\
|
ω +
π
= ω
¿

− = 1 k
k k 0 k
Cos r 2 r
1
) ( g (5.8)
yang merupakan sajian fungsi Fourier dalam fungsi fungsi autokorelasi.
Karena g(ω
k
) = 0 , jika ω
k
< 0 dan g(π) = σ
x
2
, maka fungsi spektrum kuasa yang setara
dengan fungsi distribusi kumulatifnya, disajikan pada persamaan
( )
( )
|
.
|

\
|
ω +
π
=
σ
ω
= ω
¿

=1 k
k k
2
x
k
k
Cos r 2 1
1 g
h (5.9)
yang juga merupakan fungsi Fourier dalam fungsi autokorelasi.
Dari pernyataan spektral tersebut, dapat disimpulkan bahwa data deret waktu
dapat dinyatakan sebagai deret Fourier yang merupakan fungsi harmonis seperti pada
Persamaan (5.1), sehingga dengan membangun fungsi spektrum kuasanya, periodesitas
data dapat ditentukan. Tetapi menentukannya tidak dapat dalam kawasan waktu,
melainkan harus dalam kawasan frekuensi sebab fungsi spektrum kuasa merupakan
fungsi dalam autokorelasi dan frekuensi. Jika dilakukan penaksiran pada fungsi spektrum
kuasa, dan nilai-nilai penaksirnya dipetakan terhadap frekuensinya, maka akan diperoleh
sebuah garis spektrum. Telaahan periodesitas data dilakukan terhadap frekuensi yang
berpasangan dengan titi-titik puncak dari garis spektumnya.

5.2. Periodogram
Pada Seksi 5.1 dikemukakan bahwa untuk menelaah periodesitas data dilakukan
terhadap frekuensi yang berpasangan dengan titik-titik puncak garis spektrumnya. Fungsi
spektrum kuasa atas frekuensinya dinamakan Periodogram, dan seperti sudah
dikemukakan fungsi ini dapat diperoleh dari modifikasi fungsi Fourier.
Perhatikan Persamaan (5.1), jika ditulis
ω
p
= p
n

, frekuensi sudut (angular frekuensi) harmonis ke-p (5.10a)
109
R
p
=
2
p
2
p
b a + , amplitudo harmonis ke-p
(5.10b)
φ
p
= arc.Tg
|
|
.
|

\
|

p
p
a
b
, phase harmonis ke-p (5.10c)
maka komponen dalam tanda perjumlahan Pada Persamaan (5.1) dapat disajikan dalam
bentuk
a
p
Cosω
p
t + b
p
Sinω
p
t = R
p
Cos(ω
p
t + φ
p
)
Dari hasil sajian penulisan tersebut, dibangun fungsi
( )
2
p p
R
4
n
I
π
= ω (5.11)
yang dinamakan Periodogram, yang merupakan fungsi atas frekuensi sudut ω
p
, dan
penaksir spektrum kuasa pada frekuensi ω
p
. Jika I(ω
p
) dipetakan terhadap ω
p
maka akan
diperoleh sebuah spektrum yang merupakan penaksir spektrum kuasa. Dengan menelaah
titik-titik puncak dari spektrumnya, akan diperoleh periode-periode data deret waktu yang
tidak bisa diperoleh pada kawasan waktu.
Karena periode dari titik-titik puncak yang signifikans saja yang digunakan untuk
telaahan periodesitas data deret waktu, maka terhadap setiap puncak dari periodogram
dilakukan pengujian statistis dengan menggunakan selang konfidens dari penaksir
spektrum kuasa. Untuk menghitung nilai-nilai I(ω
p
) ada dua cara yang bisa digunakan,
yaitu Metode Windowing dan Metode Fast Fourier Transform (Metode FFT), yang
masing-masing memiliki kelebihan dan kekurangan.
Untuk setiap penulis sering berbeda dalam merumuskan persamaan fungsi
periodogram, tetapi perbedaan bentuk fungsi tidak akan menjadikan berbeda pada
gambar garis spektrumnya, sebab dalam perumusannya yang berbeda hanya pada
pengganda untuk R
p
2
. Misalnya Granger dan Hatanaka (1964) merumuskan periodogram
dengan persamaan
( )
2
p p
R
4
n
I
π
= ω (5.12)

110
Hannan (1970) dengan persamaan
( )
2
p
n
1 t
it
t p
R
2
n
e x
n 2
1
I
p
π
=
π
= ω
¿
=
ω
(5.13)
sedangkan Landsberg dan Mitchell (1959) dengan persamaan
( )
2
p p
R
m
1
I = ω (5.14)
dengan m dinamakan Lag-Maksimum (maximum lag).

5.3. Metode Windowing
Sudah dikemukakan pada Seksi 5.2 bahwa salah satu metode untuk menghitung nilai
periodogram adalah metode windowing. Dengan metode ini fungsi periodogram
ditranformasikan ke fungsi autokorelasi. Jika pada Persamaan (5.12) disubtitusikan
Persamaan (5.10b), dilanjutkan dengan mensubtitusikan Persamaan (5.1b), dan
menuliskan
n
p 2
p
π
= ω , maka persamaan periodogram menjadi
( ) ( )( ) ( ) ( ) ( )
)
`
¹
¹
´
¦
+ ω ω + + ω ω − −
π
= ω
¿

=
+
k t tSin Sin k t tCos Cos x x x x
n
1
I
p p p p
k n
1 t
k t t p
(5.15)
karena
( )( )
k
k n
1 t
k t t
c x x x x = − −
¿

=
+
, autokovarians sampel lag-k, dan c
0
dengan varians sampel,
maka
k
0
k
r
c
c
= , autokorelasi sampel lag-k.
Cosω
p
tCosω
p
(t+k) + Sinω
p
tSinω
p
(t+k) = Cosω
p
k
sehingga Persamaan (V.15) menjadi
( )
( )
( )
¿

− − =
ω
π
= ω
1 n
1 n k
p k p
k Cos c
1
I (5.16)
dalam hal ini c
k
= c
-k
dan Cosω
p
k = Cosω
p
(-k) sehingga Persamaan (5.16) menjadi
( ) |
.
|

\
|
ω +
π
= ω
¿

=
1 n
1 k
p k 0 p
k Cos c 2 c
1
I (5.17)
111
Untuk mendapatkan gambar periodogram yang lebih baik, nilai autokovarians c
k
diganti
oleh autokorelasi r
k
, sehingga Persamaan (5.17) menjadi
( ) |
.
|

\
|
ω +
π
= ω
¿

=
1 n
1 k
p k 0 p
k Cos r 2 r
1
I (5.18)
Bloomfield (1976) dan Chatfield (1984) mengemukakan, I(ω
p
) merupakan penaksir
spektrum kuasa yang tidak bias tetapi tidak konsisten, dan untuk menjadikan penaksir
yang tidak bias dan konsisten, harus digunakan fungsi periodogram yang diboboti, dengan
persamaan
( )
¿
− =
ω λ
π
= ω
m
m k
p k k p
k Cos r
1
f (5.19)
λ
k
pembobot yang dinamakan Lag-Window
m Titik Pemotongan (truncation point),
ω
p
diambil untuk p = 1, 2, . . . , m.
Menghitung nilai fungsi periodogram dengan Persamaan (5.19) dinamakan Metode
Windowing, dan pembobot yang sering digunakan adalah Tukey Window dengan
persamaan

m
k
Cos 1
2
1
k
|
.
|

\
| π
+ = λ , k = 1, 2, . . . , m (5.20a)
dan Parzen Window dengan persamaan

¦
¦
¹
¦
¦
´
¦
≤ ≤ |
.
|

\
|
≤ ≤
|
.
|

\
|
+
|
.
|

\
|

= λ
m k
2
m
,
m
k
- 1 2
2
m
k 0 ,
m
k
6
m
k
6 1
3
3 2
k
(5.20b)
Untuk menelaah perbedaan kedua pembobot tersebut perhatikan Gambar 5.1 di bawah
ini.

112







Gambar 5.1
Kurva Lag-Window

Dari Gambar 5.1 dapat disimpulkan, untuk nilai m yang sama, periodogram dengan
Parzen window spektrumnya akan lebih halus dari Tukey window.
Landsberg dan Mitchell (1959) memodifikasi metode windowing dengan Tukey
window, dan menggunakannya untuk menelaah periodesitas curah hujan di daerah
Maryland. Pada metode ini perhitungannya dilakukan dalam dua tahap, sebagai berikut
1. Mengitung nilai fungsi periodogram dengan persamaan
( ) |
.
|

\
|
ω +
π
= ω
¿
=
m
1 k
p k 0 p 1
k Cos r 2 r
1
f (5.21)
2. Memboboti nilai f
1

p
) dengan komposisi pembobot (¼ , ½ , ¼) sehingga persamaan
periodogram sebagai penaksir spektrum kuasa adalah
f(0) = ½{f
1
(0) + f
1
(π/m)}
f(ω
p
) = ¼f
1

p
−π/m) + ½f
1

p
) + ¼f
1

p
+π/m) (5.22a)
f(π) = ½[f
1
(π) + f
1
{(m-1)π/m}]
atau dengan komposisi pembobot (0,23 , 0,54 , 0,23)
f(0) = 0,46f
1
(π/m) + 0,54f
1
(0)}
f(ω
p
) = 0,23f
1

p
−π/m) + 0,54f
1

p
) + 0,23f
1

p
+π/m) (5.22b)
f(π) = 0,46f
1
{(m-1)π/m} + 0,54f
1
(π)
λ
k


1
Tukey Window


Parzen Window




k
m
113
Untuk keperluan pennaksiran spektrum kuasa dalam bidang klimatologi, Landsberg,
Mitchell (1959), dan Stringer (1972), mengajukan bentuk fungsi periodogram dengan
persamaan
( ) h Cos r
m
1
m
k h
Cos r
m
2
m
1
h L
m
1 m
1 k
k
π +
π
+ =
¿

=
(5.23)
m Lag-Maksimum yang sama dengan titik pemotongan.
Dengan perumusan periodogram seperti ini, besaran-besaran yang harus dihitung
untuk menggambarkan spektrum kuasa dalam bidang klimatologi secara manual, adalah
1. rata-rata hitung sampel,
¿
=
=
n
1 t
t
x
n
1
x
2. autokovarians sampel lag-k, ( )( ) x x x x
k n
1
c
k n
1 t
k t t k ¿

=
+
− −

= , k = 0, 1, . . . , m
3. autokorelasi sampel lag-k, r
k
= c
k
/c
0
4. ordinat spektrum kuasa
L(0) = ( )
¿

=
+ +
1 m
1 k
k m
r
m
1
r 1
m 2
1

L(h) = 1 - m , . . . 2, 1, = h , h Cos r
m
1
m
hk
Cos r
m
2
m
1
m
1 m
1 k
k
π +
π
+
¿

=

L(m) = ( ) ( ) ( )
¿

=
− + − +
1 m
1 k
k
m
m
m
r 1
m
1
r 1 1
m 2
1

5. pembobotan ordinat spektrum kuasa
U(0) = 0,54L(0) + 0,46L(1)
U(0) = 0,23L(h-1) + 0,54L(h) + 0,23L(h+1) , h = 1, 2, . . . , m-1
U(m) = 0,54L(m) + 0,46L(m-1)
Dalam metode windowing yang menjadi masalah adalah menentukan nilai m yang
bisa memberikan informasi yang cukup terhadap keberadaan periodesitas yang
signifikans, sebab tidak ada literatur yang memberikan petunjuknya. Dalam hal ini jika n
→ ∞ maka m → ∞ tetapi m/n → 0, sehingga berdasarkan kriteria ini Jenkins dan Watts
(1968) menyarankan untuk mengambil tiga macam nilai m yang bedanya cukup besar,
114
dan berdasarkan ketiga gambar spektrum kuasa yang sesuai dengan masing-masing nilai
m tersebut, diambil salah satu yang memberikan informasi paling banyak mengenai
periodesitas data. Sedangkan Chatfield (1984) menyarankan, jika banyaknya nilai data n
buah maka nilai m diambil kira-kira 2n
½
.
Pengambilan nilai m dalam metode windowing akan menentukan bentuk garis
spektrumnya, jika nilai m kecil maka garis spektrumnya akan halus, karena varians
penaksir kecil, dan jika m besar garis spektrumnya akan kasar, karena varians penaksir
besar.

5.4. Metode Fast Fourier Transform (metode FFT)
Pada dasarnya menghitung dugaan spektrum kuasa adalah menghitung nilai
periodogram pada Persamaan (5.12). Karena R
p
2
pada persamaan tersebut merupakan
jumlah kuadrat dari fungsi siklometri, maka R
p
dapat disajikan dalam bilangan kompleks
1
2
n
, . . . 2, 1, 0, = p , e x
n
2
ib a R
1 n
0 t
n
ipt 2
t p p p
− = + =
¿

=
π
(5.24)
Jika ditulis
t = rt
1
+t
0
,
t
1
= 0, 1, . . . , (s-1) , t
0
= 0, 1, . . . , (r-1) ,
p = sp
1
+ p
0
, p
1
= 0, 1, . . . , ½r-1 , p
0
= 0, 1, . . . , (s-1) ,
rs = n ,
maka nilai t akan bergerak dari 0 ke (n-1) dan nilai p akan bergerak dari 0 ke ½n-1,
sehingga Persamaan (5.24) dapat disajikan dalam persamaan

¿ ¿

=
π

=
π
=
1 s
0 t
n
iprt 2
t
1 r
0 t
n
ipt 2
p
1
1
0
0
e x e R (5.25)
Karena
( )
n
rt isp 2
n
rt ip 2
n
rt p sp i 2
n
iprt 2
1 1 1 0 1 0 1 1
e e e e
π π + π π
= = ,
dan n = s.r, maka
1
t 1
1 1
ip 2
n
rt isp 2
e e
π
π
=
115
Selain itu karena p
1
= 0, 1, 2, . . . , ½r-1 dan t
1
= 0, 1, 2, . . . , (s-1) , maka 1 e
1 1
t ip 2
=
π
,
sehingga
n
rt ip 2
n
iprt 2
1 0 1
e e
π π
= . Dalam hal ini berarti bentuk
¿

=
π
1 s
0 t
n
rt ip 2
t
1
1 0
e x tidak lagi bergatung
pada p
1
, hanya merupakan fungsi atas t
0
dan p
0
. Sehingga jika dituliskan
( )
¿

=
π
=
1 s
0 t
n
iprt 2
t 0 0
1
1
e x t , p A maka Persamaan (5.25) menjadi
( )
¿

=
π
= + =
1 r
0 t
n
ipt 2
0 0 p p p
0
e t , p A
n
2
ib a R (5.26)
Pada Persamaan (5.26) ini terdapat rs buah fungsi A(p
0
,t
0
), yang masing-masing dibangun
oleh s perkalian dan perjumlaahan atas bilangan kompleks, sehingga bentuk a
p
+ ib
p
dapat
dihitung berdasarkan (r
2
s)/2 buah perkalian-perjumlahan atas bilangan kompleks.
Perhitungan nilai-nilai fungsi periodogram dengan mentransformasikannya ke sistem
bilangan kompleks ini dinamakan Metode Fast Fourier Transform (metode FFT).
Dalam hubungan n = r.s , jika n merupakan bilangan genap maka paling sedikit dari r atau
s harus bilangan genap.
Bloomfield (1976) mengembangkan metode FFT ini dengan kondisi jika n
(banyaknya nilai data) dapat difaktorkan atas k buah faktor bilangan prima. Menurut
Chatfield (1984) dengan Box dan Jenkins (1976) kosep perhitungannya merupakan hasil
pemikiran Cooley dan Tukey pada tahun 1965, dan Sande dengan Tukey pada tahun
1966. Sedangkan program komputernya telah dibuat Singleton pada tahun 1969. Cara
yang lebih sederhana adalah jika n dapat dinyatakan oleh 2
k
, dengan k bilangan asli,
sehingga jika banyaknya nilai data tidak dapat disajikan dalam perpangkatan tersebut,
maka dapat ditambahkan nilai 0 sehingga banyaknya nilai data dapat disajikan dalam
perpangkatan itu. Misalnya jika n = 382, nilainya lebih dari 2
8
= 256 tapi kurang dari
2
9
= 512, sehingga tambahkan nilai 0 sebanyak 130 buah sehingga menjadi n = 512 = 2
9

(Chatfield, 1984 , Bloomfield, 1976).
Garis spektrum yang diperoleh dari periodogram yang dihitung dengan metode FFT,
akan lebih bervariasi dari metode windowing. Tetapi Jenkins dan Watts (1968)
berpendapat, jika banyaknya nilai data n kurang dari 1000 buah, maka hasil penaksiran
116
spektrum kuasa dengan metode FFT tidak lebih baik jika dibandingkan dengan metode
windowing. Pemikirannya itu didasarkan pada dua hal yaitu
1. Jika data kurang dari 1000, maka CPU-times untuk menghitung periodogram dengan
metode FFT dengan windowing tidak terlalu jauh berbeda.
2. Informasi mengenai periodesitas tersembunyi berdasarkan metode FFT selalu lebih
banyak dari metode windowing, tetapi yang signifikans belum tentu selalu lebih
banyak pula.
Untuk menghitung periodogram dengan metode FFT atau windowing dan
menggambarkan spektrumnya harus menggunakan program komputer, yang saat ini
cukup banyak paket program komputer yang menyediakan fasilitas perhitungannya.
Hanya paket program perhitungan dengan metode FFT dan menggambarkan
spektrumnya, berdasarkan pengamatan penulis, lebih sedikit dari metode windowing,
sebab paket program yang menyediakan fasilitas perhitungan dengan metode FFT, seperti
SPSS, STATISTICA, dan SAS, juga bisa digunakan untuk perhitungan dengan metode
windowing, tetapi sebaliknya belum tentu. Misal paket program LOTUS dan EXCELL,
bisa digunakan untuk perhitungan dengan metode windowing, tetapi tidak bisa untuk
perhitungan dengan metode FFT.

5.5. Distribusi Peluang Spektral
Dalam teori Statistika, setiap penaksir selalu memiliki distribusi peluang yang dapat
diturunkan dari distribusi peluang data. Dalam analisis statistika, asumsi distribusi
peluang dari data deret waktu adalah distribusi normal dengan rata-rata µ dan varians σ
2
.
Jika x
1
, x
2
, . . . , x
n
sampel data deret waktu dari populasi yang berdistribusi normal
dengan rata-rata µ dan varians σ
2
, maka a
p
dan b
p
pada Persamaan (5.12) akan
berdistribusi normal dengan rata-rata 0 dan varians (2σ
2
)/n, sehingga
( )
2
p
2
2
p
2
p
2
2
p
2
p
i 2 b a n
n
2
b a
σ
ω π
=
σ
+
=
σ
+

akan berdistribusi chi-kuadrat dengan derajat bebas 2.
117
Oleh karena itu fungsi periodogram pada Persamaan (5.12) jika digunakan
langsung sebagai penaksir spektrum kuasa tidak baik, karena dalam hal ini kekeliruan
baku penaksir sama dengan rata-rata hitungnya, yaitu sama dengan derajat bebas
distribusinya. Sebab penaksir yang baik adalah yang kekeliruan bakunya sangat kecil
dibandingkan dengan rata-rata hitungnya. Untuk menaikan derajat bebas chi-kuadrat
dapat dilakukan dengan cara tranformasi pembobotan seperti pada metode windowing,
yang menaikan derajat bebas chi-kuadrat dari 2 menjadi
¿
− =
λ
= ν
m
m k
k
n 2
dengan λ
k
pembobot.
Berdasarkan konsepsi tersebut, pembobotnya Tukey Window menaikan derajat bebas
chi-kuadrat dari 2 menjadi
m
n 67 , 2
= ν , dan Parzen Window menjadi
m
n 71 , 3
= ν ,
sedangkan dalam metode FFT jika periodogram pada Persamaan (5.12) ditranformasikan
menjadi
( )
( )
( )
¿
− =
+
ω
+
= ω
k
k i
p i p
I
1 k 2
1
Y (5.27)
akan menjadi 2(k+1). Distribusi peluang dari spektrum kuasa diperlukan untuk menguji
signifikansi periode dari titik puncak garis spektrumnya., yang pengujiannya dilakukan
berdasarkan selang konfidens (interval confidens) dari penaksir spektrum kuasa, dengan
kriteria : periode signifikans jika nilai spektrum kuasa berada di luar selang konfidens.

5.6. Tranformasi Data
Box dan Jenkins (1976), Chatfield (1984), Jenkins dan Watts (1968), dengan
Stringer (1972) mengemukakan, jika diinginkan garis spektrum yang tegas (rigorously),
maka data deret waktu yang akan dianalisis harus dibebaskan dari komponen musiman
dan trend. Sebab jika komponen trend tidak dihilangkan, maka titik puncak spektrum
kuasa akan terakumulasi pada frekuensi 0, sedangkan jika komponen musiman yang tidak
dihilangkan, maka akumulasinya pada frekuensi yang berkaitan dengan periode musiman.
Dengan adanya titik akumulasi ini akan menghilangkan (mengurangi) informasi
mengenai periodesitas yang lainnya.
118
Untuk membebaskan data deret waktu dari komponen musiman dan trend dapat
dilakukan dengan proses diferensi orde satu, sehingga jika data deret waktu x
1
, x
2
, ... , x
n

memiliki komponen trend, maka bentuk diferensinya, y
t
= (1 – B)x
t
, sedangkan jika ada
komponen musiman dengan periode b bulan, maka bentuk diferensinya, z
t
= (1 – B
b
)x
1
,
Sehingga jika ada keduanya, maka bentuk diferensinya, u
t
= (1 – B)x
-t
− (1 – B
b
)x
t
, yang
berarti data hasil proses diferensi orde-1, didiferensi lagi dengan orde-b.
Contoh numerik
Perhatikan data persediaan barang yang disajikan pada Lampiran-1. Jika digambarkan
menurut waktunya, diperoleh gambar seperti di bawah ini
WAKTU
220
131
114
1224
1205
1115
1029
1010
921
904
815
727
710
620
601
514
425
405
319
229
V
a
l
u
e

S
T
O
K
42
40
38
36
34
32
30
28
26


Gambar 5.2
Peta data atas waktu

dengan gambar ACF dan PACF nya seperti di bawah ini

119
STOK
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient

Gambar 5.3a
Gambar ACF data
STOK
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
P
a
r
t
i
a
l

A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient

Gambar 5.3b
Gambar PACF data

Gambar 5.2 menyajikan sebuah kondisi data tidak stasioner dalam rata-rata hitung dan
memiliki komponen musiman. Dari Gambar 5.3a dan 5.3b data berautokorelasi dan akan
stasioner jika dilakukan diferensi orde-1. Untuk menegaskan pendapat tersebut,
perhatikan gambar data setelah dilakukan diferensi orde-1, seperti dibawah ini
WAKTU
220
131
114
1224
1205
1115
1029
1010
921
904
815
727
710
620
601
514
425
405
319
229
V
a
l
u
e

D
I
F
F
(
S
T
O
K
,
1
)
3
2
1
0
-1
-2
-3

Gambar 5.4a
Peta data hasil diferensi orde-1
atas waktu

120
DIFF(STOK,1)
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient


Gambar 5.4b
Gambar ACF data hasil diferensi orde-1
DIFF(STOK,1)
Lag Number
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
P
a
r
t
i
a
l

A
C
F
1.0
.5
0.0
-.5
-1.0
Confidence Limits
Coefficient


Gambar 5.4c
Gambar PACF data hasil diferensi orde-1

Ketiga gambar ini menyajikan sebuah kondisi bahwa dengan diferensi orde-1 data sudah
stasioner dalam rata-rata hitung, tetapi komponen musimannya belum tereliminasi.
Untuk menyakinkan hal, perhatikan gambar data setelah dilakukan eliminasi komponen
musiman, dengan periode-6 dan periode-12, di bawah ini

WAKTU
220
131
114
1224
1205
1115
1029
1010
921
904
815
727
710
620
601
514
425
405
319
229
V
a
l
u
e

D
I
F
F
(
S
T
O
K
_
1
,
6
)
60
40
20
0
-20
-40
-60
-80


Gambar 5.5a
Eliminasi musiman dengan orde-6
WAKTU
220
131
114
1224
1205
1115
1029
1010
921
904
815
727
710
620
601
514
425
405
319
229
V
a
l
u
e

D
I
F
F
(
S
T
O
K
_
1
,
1
2
)
4000
3000
2000
1000
0
-1000
-2000
-3000
-4000

Gambar 5.5b
Eliminasi musiman dengan orde-12

Gambar 5.5a menunjukan komponen musiman belum tereleminasi secara sempurna,
karena masih terlihat adanya “gelombang”, sedangkan Gambar 5.5b menunjukan
eliminasi komponen musiman yang cukup sempurna. Untuk lebih jelasnya dapat ditelaah
121
dari gambar periodogram dan fungsi densitas spektral, berdasarkan metode windowing
dengan pembobot Parzen dan titik pemotongan m = 31, di bawah ini

Spectral analysis: DIF_0
No. of cases: 250
From: 0 to 125
Frequency
P
e
r
io
d
o
g
r
a
m

V
a
lu
e
s
0
200
400
600
800
1000
1200
0
200
400
600
800
1000
1200
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Gambar 5.6a
Periodogram tanpa diferensi
Spectral analysis: DIF_0
No. of cases: 250
From: 0 to 125
Parzen weights:0.000 .0001 .0004 .0014 .0034 .0066 .0114 .0181 .0269 .0377 ...
Frequency
S
p
e
c
t
r
a
l
D
e
n
s
it
y
0
50
100
150
200
250
0
50
100
150
200
250
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Gambar 5.6b
Fungsi densitas spektral tanpa diferensi

Gambar 5.6a dan 5.6b menyajikan pola perodogram dan fungsi spektral untuk data asli,
dan pada gambar terlihat puncak spektrum terakumulasi pada sekitar frekuensi 0,00. Hal
ini menunjukan bahwa komponen trend belum dihilangkan, sehingga analisis spektral
tidak baik untuk dilakukan.

Spectral analysis: DIF_1
No. of cases: 250
From: 0 to 125
Frequency
P
e
r
io
d
o
g
r
a
m

V
a
lu
e
s
0.0
0.5
1.0
1.5
2.0
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Gambar 5.7a
Periodogram dengan diferensi orde-1
Spectral analysis: DIF_1
No. of cases: 250
From: 0 to 125
Parzen weights:0.000 .0001 .0004 .0014 .0034 .0066 .0114 .0181 .0269 .0377 ...
Frequency
S
p
e
c
t
r
a
l
D
e
n
s
it
y
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Gambar 5.7b
Fungsi densitas spektral dengan diferensi
orde-1

Gambar 5.7a dan 5.7b adalah gambar periodogram dan fungsi densitas spektral dari data
setelah didiferensi orde-1. Pada gambar periodogram terlihat banyak muncul puncak
spektrum, dan gambar fungsi spektralnya membangun sebuah gelombang. Hal ini
122
menunjukan bahawa komponen trend sudah tidak ada, tetapi komponen musiman masih
ada, sehingga analisis spektral tidak baik untuk dilakukan dalam kondisi seperti ini.

Spectral analysis: DIF_6
No. of cases: 250
From: 0 to 125
Frequency
P
e
r
io
d
o
g
r
a
m

V
a
lu
e
s
0
1000
2000
3000
4000
5000
6000
7000
8000
0
1000
2000
3000
4000
5000
6000
7000
8000
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Gambar 5.8a
Periodogram dengan diferensi orde-6 dari
hasil diferensi orde-1
Spectral analysis: DIF_6
No. of cases: 250
From: 0 to 125
Parzen weights:0.000 .0001 .0004 .0014 .0034 .0066 .0114 .0181 .0269 .0377 ...
Frequency
S
p
e
c
t
r
a
l
D
e
n
s
it
y
0
500
1000
1500
2000
2500
3000
0
500
1000
1500
2000
2500
3000
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Gambar 5.8b
Fungsi densitas spektral dengan diferensi
orde-6 dari hasil diferensi orde-1
Spectral analysis: DIF_12
No. of cases: 250
From: 0 to 125
Frequency
P
e
r
io
d
o
g
r
a
m

V
a
lu
e
s
0
5e6
1e7
1.5e7
2e7
2.5e7
0
5e6
1e7
1.5e7
2e7
2.5e7
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Gambar 5.8c
Periodogram dengan diferensi orde-12 dari
hasil diferensi orde-1
Spectral analysis: DIF_12
No. of cases: 250
From: 0 to 125
Parzen weights:0.000 .0001 .0004 .0014 .0034 .0066 .0114 .0181 .0269 .0377 ...
Frequency
S
p
e
c
t
r
a
l
D
e
n
s
it
y
0
2e6
4e6
6e6
8e6
1e7
0
2e6
4e6
6e6
8e6
1e7
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Gambar 5.8d
Fungsi densitas spektral dengan diferensi
orde-12 dari hasil diferensi orde-1

Gambar 5.8a sampai 5.8d adalah gambar periodogram dan fungsi densitas spektral setelah
data dihilangkan komponen trend dan musimannya. Gambar 5.8a dan 5.8b komponen
musiman dieliminasi dengan periode-6, dan Gambar 5.9c dan 5.9d dieliminasi dengan
periode-12. Dari gambar terlihat, pola fungsi densitas spektral dari data yang komponen
musimannya dieliminasi dengan periode-12, lebih halus dari fungsi densitas spektral jika
dieliminasi dengan periode-6. Hal ini menyimpulkan, analisis spektral sebaiknya
dilakukan pada periodogram dengan data setelah dihilangkan komponen trend dan
musiman dengan periode-12.
123
Nilai-nilai periodogram untuk data setelah dihilangkan komponen trend dan musiman
dengan periode-12 disajikan pada Lampiran-2. Nilai-nilai puncak periodogrammnya
adalah
Tabel 5.1
Nilai-nilai puncak periodogram

Frekuensi .0040 .0960 .1040 .1120 .1240 .1400 .1480 .1560 .1640 .1760
Nilai 2.25 1.510 1.519 1.653 1.625 3.418 2.912 3.135 8.339 7.241
Frekuensi .1880 .2000 .2120 .2240 .2400
Nilai 19.080 18.402 12.630 17.127 83.749

Sudah dikemukakan nilai-nilai periodogram ini berdistribusi chi-kuadrat dengan derajat
bebas 30
) 31 (
) 251 ( 71 , 3
m
n 71 , 3
≈ = = ν , sehingga jika dihitung selang konfidens 0,95 maka
diperoleh selang nilai (16,8 ; 47,0). Sehingga jika ditelaah dari Tabel 5.1, nilai-nilai
puncak yang ada dalam selang konfidens adalah : 19,080 ; 18,402 ; dan 17,127, yang
berarti frekuensi yang signifikans adalah : 0,188 ; 0,2 ; dan 0,224 , atau periode 5,3 ; 5,0 ;
dan 4,5 bulan, yang jika diambil rata-ratanya sama dengan 4,9 bulan. Hal ini berarti pada
setiap 4,9 bulan terjadi hal istimewa pada stok, yaitu kejadian stok berlebih atau
kekurangan.
124
KEPUSTAKAAN

Abraham, B. dan Ledolter, J. , 1983 , Statistical Methods for Forecasting , John Wiley
& Sons , New York.

Box, G. E. P. dan Jenkins, G. M. , 1976 , TIME SERIES ANALYSIS forecasting and
control , Holden-Day , San Francisco.

Brockwell, P. J. dan Davis, R. A. , 1991 , Time Series : Theory and Methods , Springer-
Verlag , New York.

Chatfield, C. , 1984 , The Analysis of Time Series : An Introduction , Chapman and
Hall , London.

Enders, W. , 1995 , Applied Econometric Time Series , John Wiley & Sons, Inc. , New
York.

Harvey, A. C. , 1993 , Time Series , Harvester Wheatsheaf , New York.

Montgomery, D. C. dan Johnson, L. A. , 1976 , Forecasting and Time Series Analysis
, McGraw-Hill Book Co. , New York.

Wei, W. W. S. , 1990 , TIME SERIES ANALYSIS : Univariate and Multivariate
Methods , Addison-Wesley Pub. Co. Inc. , Redwood City.
125
LAMPIRAN-1

DATA PERSEDIAAN BARANG

THN WKT STOK THN WKT STOK THN WKT STOK
84 229 35.875
84 301 35.875
84 302 34.750
84 305 35.250
84 306 35.500
84 307 35.375
84 308 35.125
84 309 34.500
84 312 34.750
84 313 34.250
84 314 34.375
84 315 35.000
84 316 35.000
84 319 34.625
84 320 34.625
84 321 34.250
84 322 33.750
84 323 33.625
84 326 33.500
84 327 34.500
84 328 35.000
84 329 34.750
84 330 35.000
84 402 35.250
84 403 35.750
84 404 35.625
84 405 35.375
84 406 35.625
84 409 35.375
84 410 36.000
84 411 35.875
84 412 36.750
84 413 37.125
84 416 38.125
84 417 38.375
84 418 37.375
84 419 37.125
84 423 35.750
84 424 36.000
84 425 36.500
84 426 37.125
84 427 37.000
84 430 37.375

84 501 37.250
84 502 37.250
84 503 37.625
84 504 36.625
84 507 36.750
84 508 37.125
84 509 37.125
84 510 36.750
84 511 35.875
84 514 35.500
84 515 35.875
84 516 35.375
84 517 34.750
84 518 34.500
84 521 33.500
84 522 32.500
84 523 32.625
84 524 32.250
84 525 32.500
84 529 30.875
84 530 31.500
84 531 30.625
84 601 31.000
84 604 31.000
84 605 32.125
84 606 32.625
84 607 32.125
84 608 32.750
84 611 32.250
84 612 32.250
84 613 31.750
84 614 31.750
84 615 32.000
84 618 32.500
84 619 32.375
84 620 33.000
84 621 32.625
84 622 31.750
84 625 29.500
84 626 29.875
84 627 30.000
84 628 30.000
84 629 30.000
84 702 30.500
84 703 30.750
84 705 30.125
84 706 29.625
84 709 30.000
84 710 29.500
84 711 29.125
84 712 29.000
84 713 29.000
84 716 29.500
84 717 29.625
84 718 29.125
84 719 28.250
84 720 28.625
84 723 28.875
84 724 28.250
84 725 28.250
84 726 28.500
84 727 28.625
84 730 28.625
84 731 29.250
84 801 29.875
84 802 30.500
84 803 31.000
84 806 31.375
84 807 31.500
84 808 31.750
84 809 32.625
84 810 32.375
84 813 32.750
84 814 32.875
84 815 32.500
84 816 33.250
84 817 33.500
84 820 33.000
84 821 33.000
84 822 31.875
84 823 31.875
84 824 32.625
84 827 33.000
84 828 33.500
84 829 33.250
84 830 33.375
84 831 33.750


126
THN WKT STOK THN WKT STOK THN WKT STOK
84 904 34.000
84 905 34.125
84 906 34.375
84 907 34.125
84 910 33.500
84 911 33.250
84 912 33.125
84 913 34.125
84 914 34.250
84 917 34.250
84 918 33.625
84 919 33.125
84 920 33.375
84 921 32.625
84 924 31.750
84 925 32.375
84 926 32.750
84 927 32.750
84 928 32.500
84 1001 32.000
84 1002 31.250
84 1003 30.625
84 1004 31.375
84 1005 30.750
84 1008 30.875
84 1009 31.375
84 1010 31.375
84 1011 31.750
84 1012 31.625
84 1015 31.500
84 1016 30.625
84 1017 31.250
84 1018 33.250
84 1019 33.250
84 1022 32.250
84 1023 32.625
84 1024 32.500
84 1025 32.000
84 1026 32.875
84 1029 32.375
84 1030 32.875
84 1031 32.500

84 1101 33.000
84 1102 34.250
84 1105 34.875
84 1106 35.875
84 1107 35.125
84 1108 34.625
84 1109 33.625
84 1112 34.250
84 1113 33.875
84 1114 34.500
84 1115 33.875
84 1116 33.750
84 1119 34.375
84 1120 34.625
84 1121 35.375
84 1123 36.125
84 1126 35.625
84 1127 36.250
84 1128 35.750
84 1129 35.250
84 1130 35.500
84 1203 35.500
84 1204 35.625
84 1205 35.250
84 1206 35.125
84 1207 34.250
84 1210 34.500
84 1211 35.625
84 1212 35.375
84 1213 35.375
84 1214 35.625
84 1217 36.125
84 1218 36.875
84 1219 36.875
84 1220 36.375
84 1221 36.250
84 1224 36.250
84 1226 36.000
84 1227 35.750
84 1228 35.875
84 1231 36.125
85 102 35.625
85 103 35.125
85 104 35.750

85 107 35.750
85 108 36.125
85 109 36.500
85 110 37.625
85 111 37.125
85 114 37.750
85 115 37.500
85 116 37.375
85 117 37.250
85 118 37.250
85 121 37.875
85 122 37.500
85 123 38.000
85 124 37.375
85 125 36.875
85 128 37.375
85 129 38.000
85 130 38.750
85 131 39.000
85 201 38.250
85 204 38.000
85 205 38.250
85 206 37.500
85 207 38.250
85 208 38.375
85 211 38.250
85 212 38.750
85 213 39.250
85 214 39.625
85 215 38.500
85 219 38.625
85 220 38.625
85 221 37.500
85 222 37.375
85 225 38.000


127
Lampiran 2

Spectral analysis: DIF_6 (dif.sta)
FREQUNCY PERIOD COSINE_C SINE_COE PERIODOG DENSITY PARZEN_W
0 0.000000 .05183 -.00000 .336 1.906 0.000000
1 .004000 250.0000 -.13129 .02767 2.251 1.908 .000053
2 .008000 125.0000 -.12789 -.01160 2.061 1.912 .000421
3 .012000 83.3333 -.12229 -.03531 2.025 1.919 .001422
4 .016000 62.5000 -.11459 -.05436 2.011 1.926 .003371
5 .020000 50.0000 -.10493 -.07072 2.002 1.932 .006584
6 .024000 41.6667 -.09351 -.08488 1.994 1.936 .011378
7 .028000 35.7143 -.08053 -.09693 1.985 1.937 .018067
8 .032000 31.2500 -.06622 -.10683 1.975 1.933 .026943
9 .036000 27.7778 -.05087 -.11448 1.962 1.924 .037689
10 .040000 25.0000 -.03475 -.11983 1.946 1.911 .049382
11 .044000 22.7273 -.01821 -.12282 1.927 1.893 .061076
12 .048000 20.8333 -.00141 -.12343 1.905 1.871 .071822
13 .052000 19.2308 .01511 -.12151 1.874 1.845 .080671
14 .056000 17.8571 .03116 -.11748 1.846 1.816 .086676
15 .060000 16.6667 .04646 -.11112 1.813 1.784 .088888
16 .064000 15.6250 .06034 -.10284 1.777 1.751 .086676
17 .068000 14.7059 .07286 -.09183 1.718 1.717 .080671
18 .072000 13.8889 .08462 -.07938 1.683 1.684 .071822
19 .076000 13.1579 .09415 -.06593 1.651 1.651 .061076
20 .080000 12.5000 .10064 -.05089 1.590 1.620 .049382
21 .084000 11.9048 .10548 -.03331 1.530 1.593 .037689
22 .088000 11.3636 .10829 -.01800 1.506 1.569 .026943
23 .092000 10.8696 .10682 -.00448 1.429 1.552 .018067
24 .096000 10.4167 .10900 .01427 1.510 1.542 .011378
128
25 .100000 10.0000 .10183 .03421 1.442 1.541 .006584
26 .104000 9.6154 .10173 .04248 1.519 1.552 .003371
27 .108000 9.2593 .08648 .06709 1.497 1.576 .001422
28 .112000 8.9286 .07141 .09015 1.653 1.618 .000421
29 .116000 8.6207 .05611 .07836 1.161 1.678 .000053
30 .120000 8.3333 .04865 .10114 1.575 1.758 0.000000
31 .124000 8.0645 .03277 .10921 1.625 1.860
32 .128000 7.8125 .00082 .09071 1.029 1.983
33 .132000 7.5758 -.00709 .12822 2.061 2.129
34 .136000 7.3529 -.05661 .12165 2.250 2.301
35 .140000 7.1429 -.09880 .13261 3.418 2.501
36 .144000 6.9444 -.08258 .08801 1.821 2.734
37 .148000 6.7568 -.12516 .08736 2.912 3.008
38 .152000 6.5789 -.09981 .10954 2.745 3.334
39 .156000 6.4103 -.09921 .12344 3.135 3.719
40 .160000 6.2500 -.10774 .02247 1.514 4.175
41 .164000 6.0976 -.25774 .01677 8.339 4.709
42 .168000 5.9524 -.07776 .09889 1.978 5.319
43 .172000 5.8140 -.16340 .03351 3.478 6.001
44 .176000 5.6818 -.17272 -.16763 7.241 6.735
45 .180000 5.5556 -.17647 -.03680 4.062 7.494
46 .184000 5.4348 -.09224 -.10761 2.511 8.261
47 .188000 5.3191 -.35258 -.16830 19.080 9.031
48 .192000 5.2083 -.23774 -.02922 7.172 9.805
49 .196000 5.1020 -.20427 -.30425 16.787 10.602
50 .200000 5.0000 -.15668 -.35024 18.402 11.445
51 .204000 4.9020 -.04690 -.18383 4.499 12.389
52 .208000 4.8077 -.22801 -.20415 11.708 13.518
53 .212000 4.7170 -.24128 .20694 12.630 14.921
129
54 .216000 4.6296 .02098 -.30637 11.788 16.645
55 .220000 4.5455 -.15364 -.26830 11.949 18.704
56 .224000 4.4643 -.23829 -.28326 17.127 21.090
57 .228000 4.3860 -.05529 -.20411 5.589 23.797
58 .232000 4.3103 -.05612 -.01817 .435 26.814
59 .236000 4.2373 -.31074 -.45697 38.172 30.104
60 .240000 4.1667 .78487 -.23233 83.749 33.606
61 .244000 4.0984 -.10617 -.59229 45.260 37.307
62 .248000 4.0323 .10146 -.31146 13.413 41.342
63 .252000 3.9683 .36153 .29896 27.510 45.996
64 .256000 3.9063 -.77888 .06763 76.403 51.590
65 .260000 3.8462 .25794 -.09618 9.473 58.391
66 .264000 3.7879 .76377 .32432 86.066 66.676
67 .268000 3.7313 -.51695 .18214 37.552 76.762
68 .272000 3.6765 -.91429 -.20908 109.954 88.984
69 .276000 3.6232 .15647 -.22474 9.374 103.428
70 .280000 3.5714 -.44474 .34342 39.466 119.706
71 .284000 3.5211 -1.05713 .58548 182.539 137.139
72 .288000 3.4722 .51001 .73191 99.474 155.070
73 .292000 3.4247 -.92997 -.28652 118.368 172.856
74 .296000 3.3784 .25037 1.01097 135.593 189.636
75 .300000 3.3333 1.53180 .96740 410.283 204.495
76 .304000 3.2895 -1.84291 -1.15455 591.164 216.714
77 .308000 3.2468 .26030 .53410 44.127 226.312
78 .312000 3.2051 -.83500 .08789 88.118 234.415
79 .316000 3.1646 -1.36940 .43967 258.572 242.312
80 .320000 3.1250 1.08088 1.59062 462.297 251.384
81 .324000 3.0864 1.17224 -.50897 204.150 263.515
82 .328000 3.0488 .02992 1.37994 238.142 281.286
130
83 .332000 3.0120 -.48690 .82518 114.750 307.198
84 .336000 2.9762 .75953 1.52299 362.049 343.221
85 .340000 2.9412 .41514 -.50332 53.209 389.349
86 .344000 2.9070 .43675 -.73600 91.557 444.176
87 .348000 2.8736 .39182 -.51028 51.739 506.298
88 .352000 2.8409 -1.18855 2.16125 760.457 574.458
89 .356000 2.8090 -2.18778 .71087 661.465 645.870
90 .360000 2.7778 .75856 -1.96454 554.353 716.801
91 .364000 2.7473 -2.86145 -3.48504 2541.674 783.647
92 .368000 2.7174 .81599 .71687 147.467 844.019
93 .372000 2.6882 -.75659 -1.40118 316.966 898.500
94 .376000 2.6596 -1.73128 -1.41944 626.518 948.514
95 .380000 2.6316 -4.30993 -.23389 2328.779 995.254
96 .384000 2.6042 2.97128 1.81355 1514.684 1040.671
97 .388000 2.5773 -.82299 -1.84554 510.415 1088.705
98 .392000 2.5510 .36695 2.13716 587.760 1143.583
99 .396000 2.5253 -.99449 1.58577 437.962 1210.420
100 .400000 2.5000 -.53569 .66384 90.957 1292.961
101 .404000 2.4752 3.60775 4.15254 3782.431 1393.548
102 .408000 2.4510 1.24627 .32430 207.295 1512.139
103 .412000 2.4272 -3.68587 -2.66112 2583.400 1646.107
104 .416000 2.4038 2.57844 -1.22572 1018.842 1789.972
105 .420000 2.3810 .19711 2.79563 981.802 1939.543
106 .424000 2.3585 2.69117 -1.64935 1245.344 2088.679
107 .428000 2.3364 .10289 -.98572 122.779 2227.858
108 .432000 2.3148 .41595 6.81812 5832.476 2347.956
109 .436000 2.2936 -.06950 6.93757 6016.833 2441.013
110 .440000 2.2727 -3.10193 -.21928 1208.755 2505.461
111 .444000 2.2523 .73098 -.79222 145.243 2544.246
131
112 .448000 2.2321 7.58302 1.21825 7373.287 2558.413
113 .452000 2.2124 2.43552 -2.71968 1666.056 2545.578
114 .456000 2.1930 -2.84144 1.41081 1258.020 2508.225
115 .460000 2.1739 2.23277 -1.80214 1029.119 2451.010
116 .464000 2.1552 1.03047 .65744 186.762 2378.546
117 .468000 2.1368 -6.33184 -1.00745 5138.399 2292.885
118 .472000 2.1186 -2.94978 -2.49135 1863.504 2192.435
119 .476000 2.1008 6.67421 1.26228 5767.297 2078.673
120 .480000 2.0833 1.70620 2.16599 950.329 1958.617
121 .484000 2.0661 -3.52781 -1.65028 1896.113 1842.813
122 .488000 2.0492 3.35731 -1.11220 1563.563 1739.170
123 .492000 2.0325 2.04891 .68800 583.923 1655.384
124 .496000 2.0161 -.85370 -2.05824 620.648 1599.767
125 .500000 2.0000 -2.51444 0.00000 790.299 1580.187

PENGANTAR Buku ini disusun dalam upaya membantu mahasiswa Jurusan Statistika FMIPA Unpad, untuk bisa memahami materi perkuliahan Analisis Data Deret Waktu khususnya, umumnya mahasiswa lain, peminat, atau pengguna ilmu Statistika sebagai alat untuk menyelesaikan persoalan penelitian, yang menyangkut peramalan data deret waktu univariat. Buku ini direncanakan ditulis dalam dua bagian, bagian pertama telaahan tentang analisis regresi deret waktu univariat, yang ditujukan untuk bahan ajar atau pengetahuan mahasiswa program S-1, sedangkan bagian kedua telaahan tentang analisis regresi deret waktu multivariat (regresi deret waktu vektor), yang ditujukan untuk mahasiswa program S-2. Walaupun pada buku ini banyak disajikan formulasi matematis, diharapkan dapat juga dipahami oleh mahasiswa bukan bidang ilmu StatistikaMatematika. Penulis yakin, buku ini masih jauh dari “predikat baik” apalagi sempurna, sehingga segala kritik dan saran yang bertujuan untuk perbaikan buku ini, sangat diharapkan. Walaupun dengan segala keterbatasan dan kekurangan, diharapkan buku ini ada manfaatnya untuk pengetahuan dan pengembangan ilmu Statistika.

Januari , 1 September 2004 Penulis

i

DAFTAR ISI Halaman Kata Pengantar Daftar Isi Bab 1 Pendahuluan 1.1. 1.2. 1.3. 2.1. 2.2. 2.3. 2.4. 2.5 2.6. 3.1. 3.2. 3.3. 3.4. 3.5. 3.6. 3.7. 3.8. 3.9. 4.1. 4.2. Regresi Deret Waktu Proses Analisis Untuk Data Deret Waktu Sasaran Analisis Data Deret Waktu Autokorelasi dan Autokorelasi Parsial Stasioneritas Model Regresi Deret Waktu Identifikasi Model Transformasi Stabilitas Varians Analisis Residual Ekstrapolasi Trend Eksponensial Sederhana Holt Winters Holt-Winters Box-Jenkins Autoregresi Stepwise Peramalan Multivariat Pemilihan Metode Konsepsi Umum Korelasi Silang ii i ii 1 2 4 5 7 7 15 20 33 38 42 47 48 56 59 61 65 69 75 76 76 79 79 84

Bab 2 Analisis Dalam Kawasan Waktu

Bab 3 Peramalan

Bab 4 Model Fungsi Transfer

5. 4.7.1. 5.2. Hubungan Korelasi Silang Dengan Fungsi Transfer Membangun Fungsi Transfer Penaksiran Pada Fungsi Transfer Rata-Rata Hitung Kuadrat Kekeliruan Contoh Numerik Fungsi Spektral Periodogram Metode Windowing Metode Fast Fourier Transform (metode FFT) Distribusi Peluang Spektral Transformasi Data 86 88 91 93 96 106 107 108 110 114 116 117 124 125 127 Bab 5 Analisis Spektral Kepustakaan Lampiran 1 Lampiran 2 iii . 4. 5.3.6. 4.4.6. 4.4. 5.5.4. 5. 5.3.5.

pertumbuhan mikroba. pengontrolan kualitas : proses pengontrolan kualitas produk. 1 . selalu dapat dikaitkan dengan waktu pengamatannya. dalam analisis regresi biasa. b. d. Karena data deret waktu merupakan regresi data atas waktu. fisika : curah hujan bulanan. proses penyembuhan. e. c. pengontrolan proses produksi. ekonomi : banyak barang terjual dalam setiap hari. misalnya dalam bidang ilmu a. Segi lain dalam data deret waktu adalah kestasioneran data yang diklasifikasikan atas stasioner kuat (stasioner orde pertama. Jika autokorelasi tidak signifikans (dalam kata lain data deret waktu tidak berautokorelasi). total nilai ekspor dalam setiap bulan.BAB 1 PENDAHULUAN Pada dasarnya setiap nilai dari hasil pengamatan (data). biomedis : denyut nadi. weakly stationer). strickly stationer) dan stasioner lemah (stasioner orde dua. yaitu analisis regresi data atas waktu. mortalitas dan natalitas. gerak partikel. Banyak persoalan dalam ilmu terapan yang datanya merupakan data deret waktu. Sedangkan jika signifikans (berautokorelasi) harus dilakukan analisis regresi data deret waktu. temperatur udara harian. yang konsepsinya sama dengan korelasi untuk data bivariat. pengamatan diperhatikan. dan kestasioner ini merupakan kondisi yang diperlukan dalam analisis data deret waktu. Signifikansi (keberartian) autokorelasi menentukan analisis regresi yang harus dilakukan pada data deret waktu. dan salah satu segi (aspect) pada data deret waktu adalah terlibatnya sebuah besaran yang dinamakan Autokorelasi (autocorrelation). maka data seperti ini dinamakan Data Deret Waktu (Time series). Hanya pada saat analisisnya. karena akan memperkecil kekeliruan baku. maka analisis regresi yang harus dilakukan adalah analisis regresi sederhana biasa. sehingga data dianggap sebagai fungsi atas waktu. keuntungan perusahaan dalam setiap tahun. yaitu analisis regresi antar nilai pengamatan. kaitan variabel waktu dengan Dalam hal kaitan variabel waktu dengan pengamatan sering tidak dipersoalkan. demografi : pertumbuhan penduduk.

adalah berautokorelasinya antar pengamatan sehingga dapat dibangun sebuah hubungan fungsional yang dinamakan regresi deret waktu. proses perhitungan taksiran parameter selalu dapat dilakukan dengan menggunakan perhitungan matriks. Sedangkan dalam analisis regresi deret waktu. siklis (S). untuk data bulanan). sehingga sebagian besar persoalan analisis regresi deret waktu harus diselesaikan dengan menggunakan fasilitas komputer. hanya proses perhitungan nilai penaksir parameternya tidak selalu bisa dijadikan acuan. yang dalam analisis data deret waktu bentuk hubungannya selalu digunakan regresi linier. Regresi Deret Waktu Analisis data deret waktu merupakan telaahan khusus dari analisis regresi biasa. jika t : tahunan (1. setiap data deret waktu dibangun atas komponen trend (T).S. sehingga antar variabel respon dapat dibangun sebuah hubungan fungsional. jika t : bulanan xt = Tt + St + Rt dan multiplikatif. Analisis regresi deret waktu adalah analisis regresi dalam kondisi variabel respon berautokorelasi. Bentuk hubungan antara nilai data dengan komponen-komponennya tersebut bisa bermacam-macam. musiman (M. dan variasi residu (R).2) Sebagai akibat dari terdapatnya komponen-komponen dalam data deret waktu dan terjadinya hubungan antar komponen.3) (1. 1.R . dan bentuk hubungan yang sering digunakan adalah linier dan multiplikatif. ada beberapa model yang perhitungan taksiran parameternya harus menggunakan metoda iterasi atau rekursif. Konsepsi analisis regresi linier biasa dapat digunakan secara utuh dalam analisis regresi deret waktu.S. jika t : bulanan xt = T. sebab sistem persamaan parameternya selalu merupakan sistem persamaan linier.M.4) . 2 . maka persamaannya xt = Tt + St + Mt + Rt .1. maka persamaannya xt = T. Dalam analisis regresi linier biasa. jika t : tahunan (1.1) (1. seperti halnya analisis ekonometrika dan analisis disain eksperimen.Dalam teori Statistika. Jika xt nilai data pada waktu-t dan hubungan dengan komponennya linier.R .

γ2B2 . . 2. .8) dinamakan model rata-rata bergerak (moving average) orde-p disingkat MA(p). µ . berautokorelasi maka model regresi antar pengamatan (autoregresi) disajikan dalam persamaan Xt = µ + γ1Xt-1 + γ2Xt-2 + . ...7) (1. untuk menyajikan Xt-i . + γkXt-k + Zt (1.γ1B .γkBk Karena Γk(B) ≠ 0. . yang terlebih dulu data distasionerkan melalui proses diferensi. k biasa digunakan operator backshift B.5) dengan Zt kekeliruan model yang diasumsikan berdistribusi identik independen dengan rata 0 dan varians konstan σ2.6) Xt = Γk-1(B)µ + Γk-1(B)Zt = θ + Γk-1(B)Zt Persamaan (1.ψpBp maka (1. yang dalam analisis data deret waktu Zt biasa disebut white noise. . . Jika data deret waktu Xt .8) Model dengan Persamaan (1. t = 1.. . . . sehingga model regresi deret waktu dikelompokan atas regresi deret waktu stasioner dan regresi deret waktu tidak stasioner. . i = 1. . . Model regresi deret waktu tidak stasioner identik dengan model regresi deret waktu stasioner. dengan menuliskan Xt-i = BiXt.ψ1Zt-1 . . . . . 2 .5) dinamakan Autoregresi Lag-k dan disingkat AR(k). . sehingga model AR(k) jika disajikan dalam operator backshift maka persamaannya menjadi Xt = µ + γ1BXt + γ2B2Xt + . + γkBkXt + Zt atau Xt . . . . jika pengamatan berautokorelasi maka model hubungan fungsionalnya dibangun berdasarkan kondisi kestasioner data. γk parameter autoregresi. Dalam analisis data deret waktu.ψ1B .ψ2B2 . Model autoregresi dengan Persamaan (1.γ1BXt . .ψpZt-p sehingga jika didefinisikan Γk-1(B) = Ψp(B) = 1 . ..γ2B2Xt . . . Jadi dalam hal ini model MA(p) merupakan model inversi dari 3 .7) menjadi Xt = θ + Ψp(B)Zt = θ + Zt . secara matematis persamaan Γk(B)Xt = µ + Zt setara dengan Xt = µ 1 + Zt Γk (B) Γk (B) (1. . .ψ2Zt-2 .Dalam analisis data deret waktu.γkBkXt = µ + Zt Γk(B)Xt = µ + Zt dengan Γk(B) = 1 . . γ1 .

analisis data cukup menggunakan analisis regresi sederhana data atas waktu.ψ2Zt-2 . Menggambarkan korelogram (gambar fungsi autokorelasi). untuk menelaah apakah autokorelasi signifikans atau tidak. jika trend data tidak linier.γkXt-k = η + Zt . dan model yang diperoleh dinamakan model autoregresi rata-rata bergerak. . -ψpZt-p atau Xt . maka ARMA(k. Jika data ditransformasikan. Dalam analisis data deret waktu. . Proses Analisis Untuk Data Deret Waktu. .ψ2Zt-2 . sedangkan jika signifikans harus menggunakan analisis regresi deret waktu. Jika data tidak stasioner.. . dan proses linieritas dengan proses diferensi pada data hasil proses linieritas. + γkXt-k + Zt .9) 1. maka dapat distasionerkan melalui proses stasioneritas. Jika autokorelasi data tidak signifikans. disingkat ARIMA(k. sebaiknya dilakukan juga pada data hasil 4 . disingkat ARMA(k. Model ARMA(k. yang berarti model AR(k) dan MA(p) merupakan model yang saling berkebalikan (invertible) Model AR(k) dan MA(p) merupakan model regresi deret waktu stasioner dan saling berkebalikan. hal ini dilakukan untuk menelaah kestasioneran data. dan perlu-tidaknya proses diferensi dilakukan. .q.ψ1Zt-1 . dengan persamaan Xt = η + γ1Xt-1 + γ2Xt-2 + .p) untuk data hasil proses diferensi dinamakan model autoregresi integrated rata-rata bergerak (1. Memetakan nilai data atas waktu.2.p). maka proses pemetaan data dan penggambaran korelogram. proses baku yang harus dilakukan adalah 1. . sehingga keduanya dapat digabungkan dengan cara dijumlahkan. sebab jika data tidak stasioner maka harus distasionerkan melalui proses stasioneritas. 2.γ1Xt-1 .p).γ2Xt-2 .. yang berupa proses diferensi jika trendnya linier.AR(k).. .ψ1Zt-1 . -ψpZt-p Γk(B)Xt = η + Ψp(B)Zt Karena AR(k) dan MA(p) adalah mode regresi deret waktu stasioner. . .p) juga model regresi deret waktu stasioner.

keberadaan komponen musiman. 3. Menerangkan (explanation) Jika variabel data deret waktu lebih dari satu buah. dan 1. sehingga berdasarkan informasi visual tersebut dapat dirumuskan mengenai analisis data yang harus dilakukan.3. maka tahap pertama dari analisis data deret waktu adalah menggambarkan peta data dan korelogram. Lakukan proses peramalan dengan metode yang sesuai dengan kondisi datanya. maka bangun model regresi deret waktunya. gambar korelogram untuk menelaah signifikansi autokorelasi dan perlu-tidaknya transformasi data.transformasi. keberartian autokorelasi (sebab pada dasarnya setiap data deret waktu berautokorelasi hanya autokorelasinya signifikans atau tidak ?). yaitu analisis regresi sederhana data atas waktu.1. Jika dari korelogram disimpulkan bahwa autokorelasi signifikans. dan lakukan penaksirannya baik dalam kawasan waktu maupun kawasan frekuensi. 4. atau analisis regresi deret waktu. Semua proses tersebut dapat dilakukan dengan mengunakan kemasan program (software) komputer. gambar peta data atas waktu untuk menelaah kestasioneran dan keberaadaan komponen musiman (jika datanya bulanan).1. dan telah banyak kemasan program yang dapat digunakan diantaranya SPSS dan STATISCA. 1.3. 1.2.2. Deskripsi (description) Jika ingin mempresentasikan karakter dari data yang dimiliki.1. maka telaahan dilakukan untuk menentukan apakah salah satu variabel dapat menjelaskan variabel lain. Sasaran Analisis Data Deret Waktu Ada beberapa tujuan dalam analisis data deret waktu. untuk menelaah apakah proses transformasi ini sudah cukup baik dalam upaya menstasioner kan data.3.3.1. 1. yaitu 1.3. seperti kestasioneran. sehingga bisa dibangun sebuah model regresi (fungsi transfer) untuk keperluan analisis data deret 5 . dan untuk mendapatkan hasil yang memuaskan sebaiknya gunakan metode Box-Jenkins . yang tujuannya.

tetapi belum tentu untuk sebaliknya. 6 .3. Kontrol (control) Proses kontrol dilakukan untuk menelaah apakah model (regresi) ramalan (perkiraan) yang ditentukan cukup baik untuk digunakan ? Dalam statistika. sebuah model baik digunakan untuk peramalan. sebab analisis data deret waktu adalah analisis khusus dari analisis regresi biasa. Peramalan adalah sasaran utama dari analisis data deret waktu. sehingga konsepsi pada analisis regresi biasa berlaku dalam analisis regresi deret waktu. atau model regresi deret waktu. jika dipenuhi modelnya cocok dan asumsinya juga dipenuhi. sehingga jika datanya bivariat atau multivariat. sebab mereka berpendapat perkiraan adalah penaksiran (estimation) nilai data dengan tidak memperhatikan model hubungan (regresi) antar nilai data.3. Dalam buku ajar ini perkiraan bisa diidentikan dengan peramalan.3. Perkiraan (prediction) Jika dimiliki sampel data deret waktu. maka proses peramalan harus dilakukan.waktu lebih lanjut ? Sebab pada dasarnya analisis data deret waktu adalah analisis data univariat. Sehingga proses kontrol terhadap model perlu dilakukan untuk menelaah dipenuhitidaknya asumsi. 1. tetapi peramalan adalah proses penaksiran nilai data berdasarkan sebuah model hubungan fungsional antar nilai data. yaitu analisis regresi dalam hal data responnya berautokorelasi. Untuk bisa memahami dengan baik mengenai analisis data deret waktu. Tetapi kebanyakan penulis berpendapat perkiraan dengan peramalan adalah dua proses analisis data yang sama. yang prosesnya bisa berdasarkan karakter dari komponen data.4. dan diinginkan perkiraan nilai data berikutnya. kecocokan bentuk model yang dibangun. diperlukan pemahaman mengenai analisis regresi biasa. maka bagaimana proses univariatisasinya ? 1. yang analisisnya dapat dilakukan berdasarkan karakter nilai residu atau analisis varians. ada-tidaknya pencilan (outliers). Pengertian perkiraan (prediction) dan peramalan (forecasting) beberapa penulis ada yang membedakannya.

yaitu frekuensi komponen siklis yang sulit diperoleh dalam kawasan waktu. Analisis dalam kawasan frekuensi dinamakan Analisis Spektral. dan autokorelasi disebut berarti jika nilai k cukup kecil dibandingkan dengan n. x2 = 1 n xt k t = k +1 Dalam analisis data deret waktu untuk mendapatkan hasil yang baik. dari sampel data deret waktu adalah t =1 n−k t =1 rk = kor.BAB 2 ANALISIS DALAM KAWASAN WAKTU Sudah dikemukakan pada Bab 1 bahwa data deret waktu adalah data yang merupakan fungsi atas waktu.(Xt . . xn) . dan analisis ini dilakukan untuk memberikan informasi tambahan pada hasil analisis dalam kawasan waktu. . xk+2) . . kestasioneran data.1) x1 = 1 k k t =1 xt . sehingga bisa dianggap 7 . . Dalam kawasan waktu adalah telaah signifikansi autokorelasi. dan setiap data deret waktu dibangun oleh komponen trend. jika dimiliki sampel data deret waktu x1 . . dan dapat dibangun pasangan nilai (x1 .1. (x2 . dan variasi residu. penaksiran parameter model regresi deret waktu. xk+1) . dengan tujuan untuk mengetahui hal-hal istimewa atau kondisi tertentu pada data. (xk . autokorelasilasi n−k lag-k. . nilai n harus cukup besar. xn . analisis data deret waktu dapat dilakukan dalam dua kawasan (domain). musiman (untuk data bulanan). . Sehingga berdasarkan konsepsi tersebut. Xt +k ) = (x t t − x 1 x t +k − x 2 )( ) 2 (x − x1 ) 2 n−k t =1 (x − x ) i (2. dan peramalan (forecasting). x2 . . Deskripsinya sebagai berikut. yaitu kawasan waktu dan kawasan frekuensi. Autokorelasi dan Autokorelasi Parsial Konsepsi autokorelasi setara (identik) dengan korelasi Pearson untuk data bivariat. siklis. Sedangkan dalam kawasan frekuensi adalah telaahan frekuensi tersembunyi. 2.

Jika dimiliki sampel data deret waktu. ρkk = kor. . .1) menjadi n−k rk ≈ t =1 (x t − x x t +k − x )( ) n t =1 (x t −x ) 2 dan perumusan autokorelasi seperti ini yang digunakan dalam analisis data deret waktu. Xt+2 = xt+2 .Xt+kXt+1 = xt+1 . dan jika diikuti oleh gambar PACF yang histogramnya langsung terpotong pada lag-2. maka yang harus dihitung untuk mendapatkan autokorelasi sampel lag-k secara “manual” adalah. .n x1 ≈ x 2 ≈ x = t =1 xt n dan Persamaan (2. maka hubungan autokorelasi dengan lagnya dinamakan Fungsi Autokorelasi (autocorrelation function. . dan dapat distasionerkan melalui proses diferensi. Xt+2 . . . dan dinotasikan oleh n−k ρ(k) = t =1 (x t − x x t +k − x )( ) n t =1 (x t −x ) 2 (2. dan hubungannya dinamakan Fungsi Autokorelasi Parsial (partial autocorrelation function. 8 . Karena rk merupakan fungsi atas k. . t = t+1 . Autokorelasi parsial Xt dengan Xt+k didefinisikan sebagai korelasi bersyarat. t+2 .2) Konsepsi lain pada autokorelasi adalah autokorelasi parsial (partial autocorrelation). yang hubungannya dinamakan fungsi autokorelasi (ACF). . . Xt = xt .(Xt. . Gambar dari ACF dan PACF dinamakan korelogram (correlogram) dan dapat digunakan untuk menelaah signifikansi autokorelasi dan kestasioneran data. maka data tidak stasioner. dengan mengabaikan ketidak-bebasan Xt+1 . maka autokorelasi signifikans atau data berautokorelasi. . autokorelasi parsial juga merupakan fungsi atas lagnya. Jika gambar ACF membangun sebuah histogram yang menurun (pola eksponensial). . t+k-1 . . x1 . ACF). PACF). yaitu korelasi antara Xt dengan Xt+k. Xt+k-1. Xt+k-1 = xt+k-1) (2. x2 . xn . sehingga Xt dianggap sebagai konstanta. . .3) Seperti halnya autokorelasi yang merupakan fungsi atas lagnya. .

. . . lakukan proses penaksiran untuk βi . . sehingga jika ri . . . β . . . βi . bangun kombinasi linier Xt+k dengan Xt+k-1 = xt+k-1 . rk − 4 . rk = ( )( ) sk s0 Sedangkan untuk menghitung autokorelasi parsial sampel lag-k. . . . r1 rk − 2 rk −3 . . + βk-1xt+1 . . 1 ∧ β1 β2 .. .. x = 1 n n t =1 xt 1 n−k x t − x x t+k − x n − k t =1 2. . autokorelasi sampel lag-k.. . . . . rata-rata sampel. dengan asumsi E(Xt) = 0. rk −1 dan 9 . rk −3 r2 r1 . . . koefisien model.βk-1xt+1). . . Xt+k-2 = xt+k-2 . .. ∧ Proses minimisasi dilakukan dengan menggunakan perhitungan diferensiasi biasa. 1 ≤ i ≤ k − 1 . .. . . r1 rk − 2 rk −3 . maka penaksir βi . r= . . . . . .. 2. rk − 4 . autokovarians sampel lag-k. yaitu meminimumkan E(Xt+k . .. Xt+1 = xt+1. . autokorelasi sampel lag-i . 1 ≤ i ≤ k-1 . rk − 2 r1 1 ..1... rk −3 . jika dinotasikan m= 1 r1 .β1xt+k-1 . β k −1 ∧ ∧ Dengan menggunakan metode Cramer. rk − 4 . . 1 r1 r2 . . rk −3 r2 r1 . rk − 4 . . diperoleh berdasarkan persamaan matriks r1 r2 . . adalah sebagai berikut 1. s k = 3. . rk − 2 r1 1 . . rk −3 . berdasarkan metode kuadrat rata-rata hitung.. dengan persamaan Xt+k = β1xt+k-1 + β2xt+k-2 + .. rk −1 = 1 r1 . . .. .β2xt+k-2 .

r1 ) 1 (1 r1 . . rk − 4 rk −3 . . − β k −1 − β1 ... − β k −1 rk −1 ∧ ∧ ∧ ∧ = (rk rk -1 . rk − 4 . . 1 . maka sajian dalam persamaan determinannya 10 . . ... . . .... maka β i = ∧ mi m .. . ... Xt +k − Xt +k sehingga autokorelasi parsial sampel. rk −i −1 .. r ... 1 yaitu matriks yang diperoleh dari m dengan mengganti kolom ke-i oleh r . . Berdasarkan Persamaan (2. .. . . . rk −i r1 r2 r3 . .3). Xt − Xt var. . dengan mi dan m masing-masing determinan dari mi dan m. rk − 2 .. rk -1 ) 1 − β1 . maka autokorelasi parsial populasi dihitung berdasarkan persamaan ρ kk = kov.mi = 1 r1 r2 ..4) Persamaan (2. − β k −1 ∧ ∧ ∧ ∧ ∧ ′ ′ (2.... Xt − Xt ∧ ∧ ∧ Xt +k − Xt +k ∧ var. . ... . rk − 2 rk −1 ri ri −1 ri − 2 . . rk −3 .... . rk −i −3 rk −i − 2 .. dihitung berdasarkan persamaan rkk = rk − β1 rk −1 − . .. − β k −1 r1 1 − β1 r1 − .. rk −3 rk − 2 r1 1 r1 . . .. ri − 2 r1 .4) jika dikaitkan dengan nilai-nilai β i yang dihitung berdasarkan perhitungan determinan matriks.

. . rk −1 rk − 2 r2 r1 . . . . Xt sebagai variabel bebas. .. εt+k kekeliruan yang diasumsikan berdistribusi normal identik independen dengan ratarata 0. . . i = 1. . . k dengan menggunakan metode Cramer. i = 1.. maka akan diperoleh jawab φ11 = ρ1 11 . . Xt+k = φk1Xt+k-1 + φk2Xt+k-2 + . . . . Bangun model regresi linier tanpa konstanta dengan Xt+k sebagai variabel tidak bebas dan Xt+k-1 . k. Selanjutnya perkalikan Xt+k-i dengan persamaan regresi γi = φk1γi-1 + φk2γi-2 + φkkγi-k untuk setiap i = 1. . . . . . . . .. . dan tidak berkorelasi dengan Xt+k-i . . rk − 2 r1 rk −3 r2 . . + φkkXt + εt+k φki .. . . . . . ... Dengan tidak mengabaikan keumuman. . . r1 r k rk − 2 rk −1 rk −3 rk − 2 . . ... rk −1 rk − 2 1 r1 r1 1 . k . dan hitung nilai ekspetasinya. . .k . . . 2. i = 1. . 2. . varians konstan σ2. yang hasilnya akan membangun sebuah sistem persamaan linier ρi = φk1ρi-1 + φk2ρi-2 + φkkρi-k . . r1 1 Menghitung autokorelasi parsial antara Xt dengan Xt+k dapat juga dilakukan sebagai berikut. . 2. . . .. diasumsikan E(Xt+k) = 0 untuk setiap t dan k. . . rk −1 .1 r1 . . parameter model . . . rkk = r1 1 . . rk −3 r2 r1 . 2.. . Xt+k-2 .. .. . .

.. dari model regresi dengan persamaan 12 ∧ ∧ ∧ ... i = 1. .... maka φii ditaksir oleh φ ii = ρ kk = rii (autokorelasi parsial sampel)..... ρ k − 2 ρ k −3 ρ k − 4 ρ k −1 ρ k − 2 ρ k −3 .. φ kk 1 ρ1 ρ2 ρ1 1 ρ1 ρ2 ρ3 1 ... 2... ........... . ....... 1 ρ1 ρ1 1 Sehingga jika ρi ditaksir oleh ρ i = ri (autokorelasi sampel).. .. dapat disimpulkan autokorelasi parsial antara Xt dengan Xt+k adalah penaksir koefisien regresi ke-k... . ..... ..... ........ .. . .... Berdasarkan paparan mengenai kedua konsepsi perhitungan autokorelasi parsial tersebut.......... .. .... . . ...1 φ 22 = ρ1 ρ1 ρ 2 1 ρ1 ρ1 1 1 ρ1 ρ1 1 ρ1 ρ2 ρ1 ρ1 1 ρ2 ρ1 ρ 3 ρ1 1 ρ2 ρ2 ρ1 1 φ 33 = ... . ...... ... ... k... ρ k − 2 ρ1 ρ k −3 ρ 2 ρ k−4 ρ3 ... ρ k − 2 ρ k −3 ρ k − 4 ρ ρ k − 2 ρ k −3 = k −1 1 ρ1 ρ2 ρ1 1 ρ1 ρ2 ρ3 1 .. ..... ρ 2 ρ k −1 ρ1 ρk ρ k − 2 ρ k −1 ρ k −3 ρ k − 2 ρ k − 4 ρ k −3 .

25 10.33 12.25 9.25 30.107 . 1.204 .25 Tahun 1993 2.706 5 -.5 .214 6 -.25 8.105 *.75 -.00 Jika autokorelasi dan autokorelasi parsial dihitung dengan menggunakan paket program SPSS untuk 16 lag yang pertama (default-nya proram) diperoleh hasil seperti dibawah in.25 12. I** .05 12.75 10.907 2 .57 4.084 . .25 8.161 .75 10.116 .25 5.50 5. **I . sehingga jika para pengguna analisis data deret waktu tidak memahami konsepsi perhitungan dan pembuatan program komputer untuk perhitungannya.35 9. Lag Corr.204 .75 8.25 5.25 9.20 25. Err.25 0 .89 5.25 6.094 . 7.232 .25 2. 8.09 7.78 10.90 1992 9.Xt+k = φk1Xt+k-1 + φk2Xt+k-2 + .1 Data Volume Penjualan (dalam ribuan unit) Bulan Januari Pebruari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember 1990 12.00 7.25 5. MINITAB.75 7. + φkkXt + εt+k φ kk = ρ kk = rkk Untuk menghitung autokorelasi dan autokorelasi parsial banyak kemasan program (software) komputer yang dapat digunakan.45 5.77 12.014 .315 13 .25 11.55 12. *I .149 . bisa menggunakan salah satu kemasan program tersebut untuk keperluan analisisnya.012 .33 30.50 12.50 1994 5.25 . ∧ ∧ Contoh numerik : Perhatikan data pada Tabel 2.1 di bawah ini Tabel 2.302 7 -.00 6. **I . -1 -.928 3 .20 20.75 1 Box-Ljung Prob.5 -.00 30.104 .75 20.25 12. Autocorrelations: NILAI Auto.55 10.80 11. .20 11.22 5. I* .25 12. dan STATISTICA. .25 5. MODEL: MOD_1.75 19.039 .25 10.25 5.10 2.20 5.90 8.103 .25 30.75 10.036 .35 30.75 25.25 12.356 .80 1991 10.45 10.25 10.103 .00 12.12 8.75 24.30 12.***I . seperti SPSS.75 10.75 10.00 10.24 20.85 7.107 .10 30.25 1996 10.106 . .50 10.30 10. * .75 1995 12.20 12. +----+----+----+----+----+----+----+----+ 1 -.105 . 2.Stand.716 4 -.19 4.35 25.75 30.67 29.75 25.25 4. 7.00 2.00 8.

117 . 9 . 15 . * .109 .097 . *I .001 .062 . 16 -. -1 -. * . 11.254 10 -.099 . 14 -.0 -0.022 .027 .5 1.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Lag Number Lag Number Gambar 2. Plot Symbols: Autocorrelations * Two Standard Error Limits .109 . 12 -. 7 -.409 15 .098 .0 0.1b PACF Nilai Data Pada Tabel 2.044 .155 .109 .296 11 .109 .012 .100 .071 .055 .***I . I* .5 .002 .1 14 . Err.477 16 -. 4 -. I** . 8 -.151 .100 .109 . *I . 5 -.5 1. Total cases: 84 Computable first lags: 83 dan gambar ACF dengan PACF-nya seperti di bawah di bawah ini Nilai Coefficient Upper Confidence Limit Lower Confidence Limit 0.0 Nilai Coefficient Upper Confidence Limit Lower Confidence Limit 0.109 .039 .844 .112 .029 . I***. * .109 .75 -.553 . **I . 15.073 .102 I** .101 *I . 14. **I .0 Partial ACF ACF 0. *I .655 .080 .8 -. I* . 14.501 Plot Symbols: Autocorrelations * Two Standard Error Limits .150 .240 9 .323 .1 Gambar 2.364 . 14.249 . 2 .109 .341 14 -.109 . *I .109 . 11.5 -1.227 . 11 .109 .109 .109 .5 -0.221 12 . 3 .109 .476 .094 .1a ACF Nilai Data Pada Tabel 2. Total cases: 84 Computable first lags: 83 Partial Autocorrelations: NILAI Pr-Aut.0 -1.051 .Stand.25 .098 . **I . 6 -. **I .109 *.25 0 . 14. Lag Corr.060 .5 -.276 . I* . 14.109 .101 I***.75 1 +----+----+----+----+----+----+----+----+ 1 -. 13 -. *I .331 .103 .283 13 .031 .***I . 10. I* . 10 -. *I .109 . * .

maka dapat dilakukan pengujian hipotesis statistis untuk keberartian autokorelasi. . 2. . jika trendnya linier. jika rata-rata hitung data konstan. jika trend tidak datar (tidak sejajar sumbu waktu) dan data tersebar pada “pita” yang meliput secara seimbang trendnya. atau stasioner orde kedua (secondary stationer). maka transformasinya harus dilakukan dulu transformasi linieritas trend melalui proses logaritma natural jika trendnya eksponensial. dan proses pembobotan (penghalusan eksponensial sederhana) jika bentuknya yang lain.Jika ditelaah. X t 2 + k . . 15 . yaitu stasioner kuat (strickly stationer). . untuk setiap nilai t1. atau stasioner orde pertama (primary stationer) dan stasioner lemah (weakly stationer). hal ini mengindikasikan data tidak stasioner dalam varians. dan stasioner lemah dalam rata-rata hitung. maka harus dilakukan transformasi stasioneritas melalui proses diferensi. gambar ACF dan PACF keduanya membangun pola alternating (tanda dan nilai autokorelasi berubah secara acak sesuai dengan berjalannya nilai lag). sehingga jika data tidak stasioner. . t2. . tidak stasioner dalam rata-rata hitung. Sedangkan ketidakstasioner data diklasifikasikan atas tiga bentuk yaitu 1. Stasioneritas Kestasioneran data merupakan kondisi yang diperlukan dalam analisis regresi deret waktu karena dapat memperkecil kekeliruan model. Berdasarkan deskripsinya. . . E(Xt) = µ. . tn dan k. dan autokovariansnya merupakan fungsi dari lag. X2 . X t n sama dengan distribusi gabungan X t1 + k . Sedangkan signifikansi autokorelasi kemungkinannya lemah (nilai lagnya cukup besar jika dibandingkan dengan ukuran sampelnya) Jika hasil telaahan secara “visual” tidak cukup menyakinkan. X t n + k . bentuk kestasioneran ada dua. . . ρk = f(k). .2. sedangkan jika tidak linier. data deret X1 . X t 2 . disebut stasioner kuat jika distribusi gabungan X t1 . Deskripsi umum kestasioneran adalah sebagai berikut. . Sedangkan disebut stasioner lemah. . yang selanjutnya proses diferensi pada data hasil proses linieritas. .

600 crest 0.0 0.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Case Number Lag Number Gambar 2. jika trend tidak datar dan data membangun pola terompet. 3.400 Coefficient Upper Confidence Limit Lower Confidence Limit Value crest 0. Gambar-gambar di bawah ini menyajikan kasus data tidak stasioner dan bentuk ACF-nya 0. tidak stasioner dalam varians.000 -1.2.100 -0. 2. jika data tidak stasioner dalam varians.300 0.2b ACF dari Gambar 2. tahap pertama dapat dilakukan pada peta data atas waktu. jika data tidak stasioner dalam rata-rata hitung dan varians.0 0. menurun.2a Data tidak stasioner dalam rata-rata hitung Gambar 2. Telaahan pada gambar ACF.2a 16 . 3. jika data tidak stasioner dalam rata-rata hitung (trend naik atau turun). maka tahap berikutnya ditelaah pada gambar ACF dengan PACF.5 0.5 0. tidak stasioner dalam rata-rata hitung dan varians. jika trend datar atau hampir datar tapi data tersebar membangun pola melebar atau menyempit yang meliput secara seimbang trendnya (pola terompet). dan jika belum mendapatkan kejelasan. karena biasanya “mudah”. jika data tidak stasioner maka gambarnya akan membangun pola. Untuk menelaah ketidak-stasioneran data secara visual. alternating. 1.200 ACF 1 6 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 0.500 1. gelombang.

5 Confidence Limits -1.CREST 1.2g Data tidak stasioner dalam varians Gambar 2.0 0.0 1.2e ACF dari Gambar 2.0 connect Coefficient Upper Confidence Limit Lower Confidence Limit 0.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient 1 6 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 0 0 1 1 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 Case Number Lag Number Gambar 2.0 20.5 Value connect 30000 0.2g 17 .5 10.2f PACF dari Gambar 2.0 40000 .2d 80.2d Data tidak stasioner dalam rata-rata hitung dan varians CONNECT 1.0 Coefficient Upper Confidence Limit Lower Confidence Limit 60.0 -1.0 ACF 0.5 -0.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Case Number Lag Number Gambar 2.2d ozone 70.0 Gambar 2.0 0.5 ACF 1 3 5 7 9 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5 6 6 6 6 6 7 7 7 7 7 8 8 8 8 8 9 9 9 9 9 1 1 1 1 1 1 1 1 1 1 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 1 3 5 7 9 0 0 0 0 0 1 1 1 1 1 1 3 5 7 9 1 3 5 7 9 40.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Lag Number Lag Number Gambar 2.0 -0.0 30.2a Gambar 2.2h ACF dari Gambar 2.0 Partial ACF -.0 .0 20000 Partial ACF -.5 0.0 1 3 2 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient -1.0 Value ozone 50.2c PACF dari Gambar 2.5 1.5 Confidence Limits 10000 -1.

1 berikut ini. 96 19 P 6 SE 199 R 5 AP 199 V O 95 N 19 N 5 JU 99 1 N 4 JA 199 G 4 AU 199 AR 3 M 199 T 3 C O 199 AY 2 M 199 EC D 992 1 L 2 JU 199 B 1 FE 99 1 P 1 SE 99 1 R 0 AP 199 V 0 O N 99 1 N 0 JU 99 1 N JA Gambar 2. Jika digambarkan. peta data atas waktu gambarnya seperti di bawah ini 40 30 20 Value NILAI 10 0 WAKTU Gambar 2. perhatikan gambar-gambar hasil diferensi orde-1 dari data pada Tabel 2. menyajikan pola trend yang hampir mendatar (sejajar sumbu waktu) dan variasi data terletak pada sebuah “pita yang meliput tidak seimbang” trend data.3 Peta data pada Tabel 2.5 0.1a dan 2.2g Untuk ilustrasi perhatikan data pada Tabel 2.5 Confidence Limits -1.0 . tapi tidak stasioner dalam varians. Untuk lebih memperjelas pendapat tersebut.3 terlihat identik dengan Gambar 2.2i PACF dari Gambar 2.0 Partial ACF -.1 18 . yang keduanya menyajikan pola hampir alternating. hal ini mengindikasikan bahwa data stasioner lemah dalam rata-rata hitung.2e. Ketidak stasioneran dalam varians jelas terlihat pada gambar ACF dan PACF-nya (Gambar 2.1b).0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient Lag Number Gambar 2.1.OZONE 1.

30 20 10 0 Value DIFF(NILAI. tetapi tidak perlu dilakukan lagi (cukup orde-1). 19 .0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient Lag Number Lag Number Gambar 2.1 hasil diferensi orde-1 DIFF(NILAI.1) -10 -20 -30 96 19 P 96 SE 19 R 95 AP 19 V O 95 N 19 N 5 JU 199 N 94 JA 1 9 G 94 AU 19 AR 93 M 19 T C 93 O 19 AY 92 M 19 EC 2 D 199 L 2 JU 199 B 91 FE 19 P 91 SE 19 R 90 AP 19 V O 90 N 19 N 0 JU 199 N JA WAKTU Gambar 2.0 0.0 Partial ACF -.5 -. Selanjutnya dari gambar ACF (Gambar 2.1) . hal ini menunjukan bahwa proses diferensi belum bisa menstabilkan varians.5a) yang membangun pola alternating dan PACF (Gambar 2.5 0.4 menyajikan pola data dengan trend mendatar dan pola “terompet di sisi kiri dan kanan”.1) 1.5b) pola “hampir gelombang”.1 hasil diferensi orde-1 Gambar 2. yang harus dilakukan adalah transformasi stabilitas varians.1 hasil diferensi orde-1 Gambar 2.5 .0 DIFF(NILAI.4 Peta data pada Tabel 2.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient -1.5a ACF data pada Tabel 2.5b PACF data pada Tabel 2.0 1.5 Confidence Limits Confidence Limits ACF -1. hal ini berarti dengan didiferensi orde-1 data yang tadinya stasioner lemah dalam rata-rata hitung menjadi stasioner kuat dalam rata-rata hitung.

. . . . dinamakan model autoregresi order-k (lag-k). yang dalam regresi deret waktu sebagai variabel bebasnya adalah. xk . . . . . 1. prosesnya seperti pada analisis regresi multipel biasa. bangun pasangan pengamatan. . x2 . Xt-1 . Model Regresi Deret Waktu Jika data deret waktu berautokorelasi pada lag-k. . γ1 . γk parameter autoregresi. x1 . xk+1 Xt-1 xn-1 xn-2 . .Seperti halnya dengan telaahan keberatian autokorelasi. . . . yang persamaannya Xt = µ + γ1Xt-1 + γ2Xt-2 + γkXt-k + Zt dengan Zt kekeliruan yang diasumsikan berdistribusi normal identik independen dengan rata 0 dan varians konstan σ2. . . . x2. 2. . x1 20 . . . . sehingga langkah-langkah perhitungan secara “manual” sebagai berikut. . µ . Xt-k) dan sajikan pada tabel seperti di bawah ini Xt xn xn-1 . . maka selanjutnya membangun model hubungan fungsional antar pengamatan (model regresi deret waktu. maka pengujian hipotesis statistis untuk kestasioneran data perlu dilakukan. . Xt-k xn-k xn-1-k . Xt-1 . . dan dalam analisis data deret waktu Zt dinamakan proses acak atau white noise. model autoregresi).3. Xt-k dan variabel tidak bebasnya Xt. . sebab model AR(k) setara dengan model regresi multipel biasa atas k variabel bebas. dan pada Bab 1 sudah dikemukakan model regresi deret waktu dari data yang berautokorelasi pada lag-k. Xt-2 . . . . . . ditulis AR(k). . . . . (Xt . Untuk menentukan nilai taksiran parameter model berdasarkan sampel data deret waktu. . jika telaahan ketidak stasioneran secara “visual” kurang meyakinkan.

. . . t = 1 . x2 1 x n −1 1 x n −2 . .. sehingga penaksir β . β= µ γ . (X ′X ) .. 1 x1 1 . X ′X = (n − 1) n −1 t =1 n −1 t =1 n −1 t =1 xt 2 xt xt n −1 (X ′X ) sehingga −1 = (n − 1) n −1 t =1 xt − 2 n −1 t =1 2 xt − t =1 n −1 t =1 xt 2 − n −1 t =1 xt n xt (n − 1) . 2 . . . . . X= .. γk 3. . .. . . . . dengan persamaan Xt = µ + γXt-1 + Zt . . . . hitung X ′X ..2. . Y= . x n −1− k . Y= . . bangun matriks xn x n −1 . β= . x n − k . dan X ′Y 4. . .. . 1 xk −1 x n −2 x n −3 . X ′Y = n t =2 xt t =2 x t −1 x t n −1 β= ∧ µ γ ∧ ∧ = (n − 1) 1 n −1 t =1 xt − 2 n −1 t =1 2 xt − t =1 n −1 t =1 xt 2 n t =2 n t =2 xt − n −1 t =1 xt n t=2 n x t −1 x t x t −1 x t xt x t + (n − 1) t =2 atau 21 . .. x1 µ γ1 .. X= . . . x k +1 1 x n −1 1 x n−2 . . x k −1 .4) xn x n −1 . n Pada persamaan ini (2. .... . . .. β = (X ′X ) X ′Y −1 ∧ Misal untuk model AR(1). . .

n −1

µ=

t =1

xt

2

n t=2

xt −
n −1 t =1

n −1 t =1 2

xt

n t =2

x t −1 x t
2

(n − 1)

xt −

n −1 t =1

, γ=

n −1 t =1

xt

n t =2

x t + (n − 1) xt −
2

n t =2

x t −1 x t
2

xt

(n − 1)

n −1 t =1

n −1 t =1

xt

Contoh numerik
Jika data pada Tabel 2.1 modelnya AR(1) dengan Persamaan (2.4), maka Y : vektor berukuran 83x1, dengan elemen-elemennya nilai data dari bulan Pebruari 1990 sampai dengan Desember 1996 X : matriks berukuran 83x2, dengan elemen-elemen kolom ke-1 semuanya sama dengan 1, dan kolom ke-2 nilai data dari bulan Januari 1990 sampai dengan Nopember 1996 sehingga jika dihitung dengan menggunakan paket program MINITAB, diperoleh hasil 84.00 1033.8 1033.82 17710.9 0.0422766 - 0.0024678 - 0.0024678 0.0002005 12.4611 - 0.0125 1021.5 12537.7

(X ′X ) =

, (X ′X ) =
−1

, X ′Y =

β=
∧ ∧

atau µ = 12,4611 , γ 1 = -0,0125 , dan model ramalannya

X t = 12,4611 – 0,0125Xt-1 Untuk menghitung model ramalan ini dapat juga digunakan paket program SPSS yang hasilnya akan lebih baik, karena ada sajian analisis variansnya. Misalnya untuk data pada Tabel 2.1, jika dianggap modelnya AR(1) dengan Persamaan (2.4) dan dianalisis dengan paket program SPSS, diperoleh hasil sebagai berikut,
>Warning # 16445 >Since there is no seasonal component in the model, the seasonality of the >data will be ignored. MODEL: MOD_1 Model Description: Variable: NILAI Regressors: NONE Non-seasonal differencing: 0 No seasonal component in model. Parameters: AR1 ________ < value originating from estimation > CONSTANT ________ < value originating from estimation > 95.00 percent confidence intervals will be generated. Split group number: 1 Series length: 84

22

No missing data. Melard's algorithm will be used for estimation. Termination criteria: Parameter epsilon: .001 Maximum Marquardt constant: 1.00E+09 SSQ Percentage: .001 Maximum number of iterations: 10 Initial values: AR1 -.01249 CONSTANT 12.30771 Marquardt constant = .001 Adjusted sum of squares = 4986.4749 Conclusion of estimation phase. Estimation terminated at iteration number 1 because: Sum of squares decreased by less than .001 percent. FINAL PARAMETERS: Number of residuals 84 Standard error 7.7981124 Log likelihood -290.71697 AIC 585.43394 SBC 590.29558 Analysis of Variance: DF Adj. Sum of Squares Residual Variance Residuals 82 4986.4748 60.810558 Variables in the Model: B SEB T-RATIO APPROX. PROB. AR1 -.012357 .11048249 -.111841 .91122242 CONSTANT 12.307710 .84058082 14.641912 .00000000 Covariance Matrix: AR1 AR1 .01220638 Correlation Matrix: AR1 AR1 1.0000000 Regressor Covariance Matrix: CONSTANT CONSTANT .70657612 Regressor Correlation Matrix: CONSTANT CONSTANT 1.0000000

Dari hasil perhitungan diperoleh taksiran µ dan γ, masing-masing µ = 12,307710 dan
γ = -0,012357, dengan kekeliruan baku (simpangan baku kekeliruan, std error) model,

se = 7,7981124, dan kekeliruan baku regresi, sγ = 0,11048249. Jika melihat nilai mutlak T-RATIO, T-RATIO = -0,111841 = 0,111841 , yang jika dibandingkan dengan nilai kritisnya untuk taraf signifikans, α = 0,05 (sesuai dengan defaultnya SPSS), derajat bebas, DF = 82, nilainya antara 1,29 dengan 1,30 (1,29 < T-TABEL <1,30), maka 23

T-RATIO < T-TABEL, yang berarti model AR(1) tidak signifikans untuk digunakan

sebagai model ramalan. Untuk lebih jelas dapat dilihat peta nilai data dengan nilai ramalannya untuk model AR(1) di bawah ini
40

30

20

10

NILAI Fit for NILAI from A

Value

0
96 19 P 6 SE 99 1 R 5 AP 99 1 V O 95 N 19 N JU 995 1 N 4 JA 199 G 4 AU 99 1 AR 3 M 99 1 T C 93 O 19 AY 2 M 99 1 EC D 992 1 L JU 992 1 B 1 FE 99 1 P 1 SE 99 1 R 0 AP 199 V O N 990 1 N JU 990 1 N JA

RIMA, MOD_2 CON

WAKTU

Gambar 2.6 Peta data pada Tabel 2.1 dengan nilai ramalannya berdasarkan model AR(1) dengan konstanta

Dari Gambar 2.6 terlihat perbedaan yang mencolok antara peta nilai aktual yang berupa gambar spektrum dengan peta nilai ramalan yang hampir mendatar. Ketidak berartian model AR(1) dengan konstanta untuk data Pada Tabel 2.1, kemungkinannya karena data tidak stasioner dalam varians, sebab seperti sudah dikemukan, analisis regresi deret waktu dilakukan jika data stasioner, sehingga transformasi stabilisasi varians harus dilakukan dulu sebelum membangun model regresi deret waktu. Pada Bab 1 juga sudah dikemukakan, model AR(k) memiliki model kebalikan yaitu model rata-rata bergerak, MA(p), dengan persamaan Xt = θ + Ψ(B)Zt = θ + Zt - ψ1Zt-1 - ψ2Zt-2 - . . . - ψpZt-p
θ , ψ1 , ψ2 , . . . , ψp parameter regresi.

Tidak seperti pada model AR(k) yang penaksiran parameternya dapat dilakukan seperti pada analisis regresi multipel biasa, penaksiran parameter dalam model MA(p) harus dilakukan dengan metode iterasi, yang proses perhitungannya harus menggunakan fasilitas komputer beserta bahasa pemogramannya. Misal untuk model MA(1), Xt = θ + Zt + ψZt 24 (2.5)

untuk menentukan taksiran θ dan ψ. + (-1)n-2ψ –1}θ] zn = xn . x2 .1)θ …………………………………………………………………………. +(-1)nψn-2x1 + {ψn-2 . maka bagaimana jika modelnya MA(1) dengan Persamaan (2.ψ(x1 . .1)θ} z3 = x3 . STATISTICA atau MINITAB. + (-1)i-1ψn-i-1 + . + (-1)n-1ψ –1}θ] selanjutnya bangun jumlah kuadrat J = n i =1 zi 2 dan perhitungan diferensiasi ∂J =0 . berdasarkan sampel data deret waktu x1 . .θ) = x2 .ψx1 + (ψ .ψx2 + ψ2x1 + {ψ(ψ . dengan menggunakan program buatan atau paket seperti SPSS. ∂θ ∂J = 0 .5) ? Dengan menggunakan paket program SPSS diperoleh hasil >Warning # 16445 >Since there is no seasonal component in the model.ψx1 + (ψ . .θ ..ψn-2 + .1 jika modelnya AR(1) tidak cukup baik dan signifikans sebagai model ramalan. + (-1)iψn-i + . .θ x2 = θ + z2 + ψz1 = θ + z2 + ψ(x1 . ………………………………………………………………………….ψxn-2 + . .ψn-3 + . .1) – 1}θ = x3 . . . MODEL: MOD_1 25 . . . . Contoh numerik Sudah dikemukan bahwa data pada Tabel 2.ψxn-1 + ψ2xn-2 .θ) z2 = x2 .1)θ x3 = θ + z3 + ψz2 = θ + z3 + ψ{x2 . .1)θ} = x3 .ψ . .. .ψ{x2 . yang akan menghasilkan sebuah sistem persamaan tidak linier atas θ dan ψ. .θ . -(-1)i+1ψixn-i + . xn = θ + zn + ψzn-1 = θ + zn + ψ[xn-1 . the seasonality of the >data will be ignored. . +(-1)nψn-1x1 + (ψn-1 . +(-1)i+1ψi-1xn-i + . . . . ………………………………………………………………………….ψx1 + (ψ . ∂ψ sehingga penyelesaiannya harus menggunakan fasilitas komputer. xn prosesnya sebagai berikut : x1 = θ + z1 + ψz0 = θ + z1 z 1 = x1 . .ψx2 + ψ2x1 + (ψ2 .

71745 AIC 585. Split group number: 1 Series length: 84 No missing data. Estimation terminated at iteration number 1 because: Sum of squares decreased by less than .5319 60.001 percent.91858376 CONSTANT 12.43491 SBC 590.70782671 Regressor Correlation Matrix: CONSTANT CONSTANT 1.001 Maximum number of iterations: 10 Initial values: MA1 . Termination criteria: Parameter epsilon: .30773 Marquardt constant = .01220813 Correlation Matrix: MA1 MA1 1.7981582 Log likelihood -290.84132438 14.307698 . Sum of Squares Residual Variance Residuals 82 4986.0000000 26 .00000000 Covariance Matrix: MA1 MA1 . FINAL PARAMETERS: Number of residuals 84 Standard error 7. Parameters: MA1 ________ < value originating from estimation > CONSTANT ________ < value originating from estimation > 95.01249 CONSTANT 12.5381 Conclusion of estimation phase. MA1 .811272 Variables in the Model: B SEB T-RATIO APPROX.00 percent confidence intervals will be generated.001 Maximum Marquardt constant: 1.102533 .Model Description: Variable: NILAI Regressors: NONE Non-seasonal differencing: 0 No seasonal component in model.628957 .11049041 .00E+09 SSQ Percentage: .29654 Analysis of Variance: DF Adj. Melard's algorithm will be used for estimation.0000000 Regressor Covariance Matrix: CONSTANT CONSTANT .001 Adjusted sum of squares = 4986. PROB.011329 .

.30). dan kekeliruan baku regresi. sε = 7.29 dengan 1. sehingga kedua model ini dapat digabungkan dengan cara dijumlahkan menjadi model ARMA(k.ψ2Zt-2 .7 ini identik dengan Gambar 2. + γkXt-k + Zt .981582. . dan seperti sudah dikemukakan hal kemungkinannya karena data tersebut tidak stasioner dalam varians.7 Peta data pada Tabel 2.102533= 0.Dari hasil perhitungan diperoleh θ = 12. Model AR(k) dan MA(p) adalah model-model stasioner (model untuk data yang stasioner dalam rata-rata hitung dan varians) dan berkebalikan.01220813 . sehingga model MA(1)-nya adalah X t = 12. sψ = 0.p) dengan persamaan Xt = η + γ1Xt-1 + γ2Xt-2 + . MOD_3 CON WAKTU Gambar 2.ψpZt-p 27 .307698 dan ψ = 0.1 dengan ramalannya berdasarkan model MA(1) dengan konstanta Sajian Gambar 2.. Untuk lebih jelas dapat ditelaah dari gambar peta data dengan nilai ramalan berdasarkan model MA(1) di bawah ini.6.11049041. . tetapi model ini tidak cukup signifikans karena T-RATIO = 0.01220813Zt-1 dengan kekeliruan baku model.307698 + Zt + 0. .102533 ∧ ∧ ∧ lebih kecil dari nilai kritisnya (sudah dikemukakan nilainya antara 1. 40 30 20 10 NILAI Fit for NILAI from A Value 0 96 19 P 6 SE 99 1 R 5 AP 99 1 V O N 995 1 N JU 995 1 N 4 JA 99 1 G 4 AU 99 1 AR 3 M 99 1 T C 93 O 19 AY 2 M 99 1 EC D 992 1 L JU 992 1 B FE 991 1 P SE 991 1 R 0 AP 99 1 V O N 990 1 N JU 990 1 N JA RIMA. . berarti model MA(1) dan AR(1) dengan konstanta tidak cukup baik dijadikan model ramalan.ψ1Zt-1 .

001 Maximum number of iterations: 10 Initial values: AR1 -. Termination criteria: Parameter epsilon: .30677 Marquardt constant = . Contoh numerik Untuk data pada Tabel 2.8609 .0001000 3 4963.3456 . penaksiran parameter model. .5226 1.1) ? Dari perhitungan dengan menggunakan paket program SPSS diperoleh hasil sebagai berikut >Warning # 16445 >Since there is no seasonal component in the model. Split group number: 1 Series length: 84 No missing data.001 Adjusted sum of squares = 5029. MODEL: MOD_4 Model Description: Variable: NILAI Regressors: NONE Non-seasonal differencing: 0 No seasonal component in model. Sum of Squares Marquardt Constant 1 4978. .3661 Iteration History: Iteration Adj.1 jika modelnya AR(1) atau MA(1) tidak cukup baik jika digunakan sebagai model ramalan. the seasonality of the >data will be ignored. . . Parameters: AR1 ________ < value originating from estimation > MA1 ________ < value originating from estimation > CONSTANT ________ < value originating from estimation > 95.0010000 2 4968. γ1 . Estimation terminated at iteration number 5 because: 28 . .Seperti halnya pada model MA(p). .0000100 4 4958.0000000 Conclusion of estimation phase.97410 CONSTANT 12.00 percent confidence intervals will be generated. . Melard's algorithm will be used for estimation. γk .00E+09 SSQ Percentage: .1842 .001 Maximum Marquardt constant: 1.98613 MA1 -. η . . ψ1 . maka bagaimana jika kedua model itu digabungkan sehingga menjadi model ARMA(1. ψp harus dilakukan dengan proses iterasi. γ2 . ψ2 .

995934 .00000000 MA1 -.04426428 .598292 .296464 .0000000 >Warning # 16567. maka model ARMA(1.1) cukup berarti untuk menjadi model ramalan.74117185 Regressor Correlation Matrix: CONSTANT CONSTANT 1. Command name: ARIMA >Our tests have determined that the estimated model lies close to the >boundary of the invertibility region.1 adalah X t = 12. Dari hasil perhitungan diperoleh persamaan ARMA(1.9641714 1.0000000 Regressor Covariance Matrix: CONSTANT CONSTANT .995934 Zt-1 dan jika memperhatikan nilai |T-RATIO| untuk koefisien AR(1) dan MA(1) yang keduanya lebih besar dari nilai kritisnya.26727 Analysis of Variance: DF Adj. Sum of Squares Residual Variance Residuals 81 4958. tetapi tidak cukup baik sebab kekeliruan residunya masih besar yaitu sama dengan 7. Untuk lebih jelas dapat ditelaah dari gambar peta data nilai aktual dengan nilai ramalan dengan model ARMA(1.8026009 Log likelihood -290.02177393 .09679693 Correlation Matrix: AR1 MA1 AR1 1.31112205 -3.97482 SBC 594.3794 60.1) untuk data pada Tabel 2.973643 Xt-1 + Zt − 0.973643 .All parameter estimates changed by less than .001 FINAL PARAMETERS: Number of residuals 84 Standard error 7.880580 Variables in the Model: B SEB T-RATIO APPROX.04426428 MA1 .00195633 CONSTANT 12.1) di bawah ini 29 ∧ .9641714 MA1 .0000000 .14755992 -6.00000000 Covariance Matrix: AR1 MA1 AR1 . their standard errors and >covariances should be considered suspect.8026009.308017 . PROB.86091338 14.48741 AIC 586.308017 − 0. Although the moving average >parameters are probably correctly estimated.201104 . AR1 -.

dan proses diferensi dilakukan pada data hasil transformasi jika trendnya linier.8 Peta nilai data pada Tabel 2. . .p) pada Yt Yt = η + γ1Yt-1 + γ2 Yt-2 + . MOD_4 CON WAKTU Gambar 2. rata-rata hitung (trend tidak sejajar sumbu waktu). 3. Dalam hal data tidak stasioner. Proses stasioneritas dilakukan bergantung pada kondisi ketidak-stasionerannya. varians. maka proses stasioneritas adalah proses diferensi. . .7 dan 2. X2 . maka model ARMA(k. Yt = (1 – B)qXt. maka transformasi stabilisasi varians harus dilakukan lebih dulu. sehingga Y1 . Jika dilakukan proses diferensi dengan orde-q. jika data tidak stasioner dalam 1. sedangkan jika tidak linier maka proses linieritas trend harus dilakukan dulu sebelum proses diferensi. .q. 30 (2. transformasi. 2. . + γkYt-k + Zt + ψ1Zt-1 + ψ2Zt-2 + . .p) untuk Xt. proses stasioneritas harus dilakukan dulu sebelum analisis regresi deret waktu. maka proses stasioneritasnya adalah transformasi stabilisasi varians.6. . dengan trendnya linier. Misalkan X1 .40 30 20 10 NILAI Fit for NILAI from A Value 0 N JA 96 19 P 6 9 SE 19 R AP 995 1 V O N 995 1 N JU 9 5 19 N 4 JA 99 1 G 4 AU 99 1 AR M 993 1 T C 93 O 19 AY M 992 1 EC D 992 1 L JU 92 19 B FE 91 19 P SE 991 1 R 0 AP 99 1 V O N 90 19 N JU 9 0 19 RIMA.6) Proses diferensi dan linieritas dilakukan pada data hasil .1) dengan konstanta juga belum cukup berarti sebagai model ramalan. . sedangkan jika tidak linier maka proses linieritas harus dilakukan sebelum proses diferensi. .8 ini identik dengan Gambar 2. . + ψpZt-p dinamakan model ARIMA(k. merupakan data deret waktu stasioner. yang berarti model ARMA(1.1 dengan nilai ramalannya berdasarkan model ARMA(1.1) dengan konstanta Gambar 2. data deret waktu dengan trendnya linier. Y2 . rata-rata hitung dan varians.

1) cukup signifikans tetapi tidak cukup baik untuk digunakan sebagai model ramalan.001 Maximum Marquardt constant: 1.6742 1.3932 . ARIMA(0. dan ARIMA(k.Model ARIMA(k. MODEL: MOD_5 Model Description: Variable: NILAI Regressors: NONE Non-seasonal differencing: 1 No seasonal component in model.00000 31 . Sum of Squares Marquardt Constant 1 5327. dan hasil perhitungan untuk membangun model AR(1). the seasonality of the >data will be ignored.1 (Gambar 2.76994 CONSTANT -.00E+09 SSQ Percentage: . maka bagaimana jika modelnya ARIMA(1. Termination criteria: Parameter epsilon: .00100 2 5323.p) merupakan model umum dari regresi deret waktu. Parameters: AR1 ________ < value originating from estimation > MA1 ________ < value originating from estimation > CONSTANT ________ < value originating from estimation > 95.8278 Iteration History: Iteration Adj. sedangkan untuk model ARMA(1. sebab ARIMA(k.001 Adjusted sum of squares = 5809. MA(1) dan ARMA(1.02455 MA1 .00 percent confidence intervals will be generated.03589 Marquardt constant = .0.1) ? Dari hasil perhitungan dengan program SPSS diperoleh hasil >Warning # 16445 >Since there is no seasonal component in the model.. Split group number: 1 Series length: 84 No missing data.q.0.p).1.1). Melard's algorithm will be used for estimation. Contoh numerik Jika melihat gambar peta data pada Tabel 2.3) yang menyajikan sebuah kondisi stasioner lemah dalam rata-rata hitung.0.p) sama dengan ARMA(k.0) sama dengan AR(k). yang menyimpulkan model AR(1) dan MA(1) tidak cukup signifikans dan baik.001 Maximum number of iterations: 10 Initial values: AR1 .p) sama dengan MA(p).

Sum of Squares Residual Variance Residuals 80 5197.01733612 .5981115 .5647 10.03634471 -1.1. persamaan ARIMA(1.31885849 Covariance Matrix: AR1 MA1 AR1 .4585 10. Although the moving average >parameters are probably correctly estimated.0000000 Regressor Covariance Matrix: CONSTANT CONSTANT .0000000 >Warning # 16567.0049 1.99417363 .00000 4 5279. Command name: ARIMA >Our tests have determined that the estimated model lies close to the >boundary of the invertibility region.88122714 MA1 . AR1 .00000 6 5230.0. PROB.01337665 .8706922 Log likelihood -289.4643 61.1498919 . Estimation terminated at iteration number 8 because: All parameter estimates changed by less than .03645576 + 0.3171017 1.03645576 .001 FINAL PARAMETERS: Number of residuals 83 Standard error 7.8021 10.1 adalah Y t = .46337 AIC 584.01403384 .00132094 Regressor Correlation Matrix: CONSTANT CONSTANT 1.01733612 Yt-1 + Zt + 0.1) untuk data pada Tabel 2.0030554 . their standard errors and >covariances should be considered suspect.01403384 MA1 .0000000 .99417363 Zt-1 dengan Yt = Xt – Xt-1 32 ∧ .11565746 .7028 100.00000 5 5235.947795 Variables in the Model: B SEB T-RATIO APPROX.3 5279.14642287 Correlation Matrix: AR1 MA1 AR1 1.18327 Analysis of Variance: DF Adj.00000 7 5197.3171017 MA1 .00000 Conclusion of estimation phase.01115554 CONSTANT -.38265241 2.92674 SBC 592. Dari hasil pehitungan diperoleh.

Untuk lebih jelasnya dapat ditelaah pada gambar peta nilai aktual dengan nilai ramalannya di bawah ini. dan ARIMA(1. Identifikasi model perlu dilakukan sebelum analisis regresi deret waktu.1. dengan kekeliruan baku yang sama. xn . Jika dimiliki sampel data deret waktu x1 . sama dengan 7.1) menyimpulkan stabilitas varians diperlukan untuk memperkecil bias dan kekeliruan baku model. dan |T-RATIO| MA(1) yang lebih besar dari nilai kritisnya.1 dengan nilai ramalannya berdasarkan model ARIMA(1. .1) dengan konstanta Dari hasil telaah banding peta data nilai aktual dengan nilai ramalan berdasarkan model AR(1)..4. 2. 40 30 20 10 NILAI Fit for NILAI from A Value 0 N JA 96 19 P SE 96 19 R AP 95 19 V O N 95 19 N JU 9 5 19 N JA 94 19 G AU 94 19 AR M 93 19 T C O 93 19 AY 2 M 9 19 EC 2 D 9 19 L JU 92 19 B FE 91 19 P SE 91 19 R AP 990 1 V O N 90 19 N JU 9 0 19 RIMA. maka langkah-langkah yang harus dilakukan untuk identifikasi model adalah 33 . MOD_5 CON WAKTU Gambar 2.1).q.8706922 maka model ARIMA(1. dan proses diferensi dilakukan.1. q. dan p sehingga diperoleh model yang cukup baik untuk peramalan.1) dengan konstanta belum cukup signifikans dan baik untuk digunakan sebagai model ramalan. MA(1).. sehingga perlu-tidaknya transformasi stabilisasi varians. x2 . Identifikasi Model Sudah dikemukakan model ARIMA(k. linieritas trend.Jika menelaah nilai |T-RATIO| AR(1) yang lebih kecil nilai kritisnya. sehingga model regresi akan menjadi lebih baik dan berarti untuk dijadikan model ramalan.p) adalah model umum dari model regresi deret waktu. . ARMA(1. untuk menelaah keberartian autokorelasi dan kestasioneran data. Yang menjadi persoalan dalam analisisnya adalah menentukan nilai k.1.9 Peta data pada Tabel 2.

Informasi umum yang bisa digunakan untuk memperkirakan orde diferensi adalah. normalitas data. proses stasionerisasi yang pertama harus dilakukan adalah menstasionerkan varians. karena jika orde diferensi q maka data akan berkurang sebanyak q buah. dan PACF sampel membangun sebuah pola yang nilainya terpotong secara signifikans setelah lag-1 (perbedaan nilai antara PACF lag-1 dengan lag-2 dan sesudahnya sangat besar). sebab pada peta data ini dapat ditelaah mengenai karakter dari komponen trend. hal ini mengindikasikan proses diferensi perlu dilakukan.1. untuk memperkirakan orde autoregresi dan rata-rata bergerak yang akan diambil. seperti transformasi kuasa Box-Coc (Box- Cocs power transformation) atau transformasi logaritmis. sebagai berikut 34 . sedangkan menstasionerkan varians dilakukan berdasarkan tranformasi stabilisasi varians. Dalam hal data tidak stasioner dalam rata-rata hitung dan varians. 2. jika ACF sampel membangun sebuah pola yang menurun secara perlahan pada nilai-nilainya. sebab jika tidak dilakukan maka orde diferensinya akan besar yang menyebabkan akan mengurangi banyaknya nilai data. Petakan data atas waktu dan telaah karakter data untuk menentukan perlu-tidaknya transformasi stabilisasi varians dan/atau proses diferensi dilakukan. dan penomena lain mengenai ketidak stasioneran data. Menghitung dan menelaah ACF dan PACF data sampel asli (data sebelum dilakukan proses transformasi untuk mendapatkan informasi mengenai orde dari proses diferensi. 3. Memetakan data atas waktu merupakan tahap awal dari analisis data deret waku. sehingga jika tidak linier maka sebelum proses diferensi dilakukan harus dilakukan dulu proses linieritas. Menstasionerkan rata-rata hitung dilakukan berdasarkan proses diferensi. keberadaan komponen musiman. Pedoman umum untuk menelaah apakah orde dari model regresi deret waktu stasioner sudah cukup baik berdasarkan ACF dan PACF-nya. maka seperti sudah dikemukan. Hitung dan telaah ACF dan PACF data hasil trasformasi dan/atau diferensi (jika ada perlakuan transformasi dan/atau diferensi). ketidak-stabilan varians. selanjutnya menstasionerkan rata-rata hitung dari data yang sudah distasionerkan variansnya. Seperti sudah dikemukakan. proses diferensi dilakukan jika komponen trendnya linier. data pencilan.

n ≥ 50.01733612 Yt-1 + Zt + 0. koefisien AR(1) tidak signifikans dan koefisien 35 ∧ .99417363 Zt-1 dengan Yt = Xt – Xt-1 .38265241. k ≤ ¼n. Uji signifikansi konstanta trend deterministik (konstanta model) ARIMA(k.6) jika q > 0. sebab tinggi (variabel respon) sudah memiliki nilai pada saat umur sama dengan 0 (saat dilahirkan). Misalnya regresi tinggi atas umur. Dan berdasarkan hasil analisis variansnya. se = 7.Tabel 2. Tetapi dalam analisis regresi deret waktu. sajian mengenai signifikansi koefisien regresi menjadi lebih tegas. Dalam analisis regresi biasa. 4.p) Dalam analisis regresi deret waktu. η. parameter konstanta disertakan pada model jika berdasarkan data yang dianalisis diperlukan untuk menelaah karakter rata-rata umum dari variabel responnya. dengan lag ACF dan PACF.p). sγ = 0. seperti pada Persamaan (2.0. jika konstanta model dilibatkan pada model ARIMA(1. sehingga pada umumnya model regresi deret waktu tanpa konstanta.11565746 dan kekeliruan baku koefisien MA(1). konstanta model dilibatkan jika diperlukan saja.q. untuk mendapatkan hasil yang cukup memuaskan.87069222 . sψ = 0. ukuran sampel. sebab biasanya dengan ditiadakannya konstanta model. dalam modelnya harus disertakan konstanta model.1.1.2 Karakter teoritis ACF dan PACF untuk model stasioner Model AR(k) ACF PACF berpola eksponensial atau perbedaan nilai antara lag-1 gelombang sinus damped dengan nilai sesudah lag-k cukup besar (cut off after lag-k) perbedaan nilai antara lag-1 berpola eksponensial atau dengan nilai sesudah lag-p gelombang sinus damped cukup besar (cut off after lag-p) berpola menurun secara cepat berpola menurun secara cepat sesudah lag-(p-k) sesudah lag-(k-p) MA(p) ARMA(k. kekeliruan baku koefisien AR(1). Xt variabel pengamatan data deret waktu dengan kekeliruan baku model.1) diperoleh persamaan Y t = . Misalkan untuk data pada Tabel 2. berdasarkan pengalaman.03645576 + 0.

Parameters: AR1 ________ < value originating from estimation > MA1 ________ < value originating from estimation > 95.76987 Marquardt constant = . Jika ARIMA(1. Melard's algorithm will be used for estimation.001 Maximum number of iterations: 10 Initial values: AR1 .001 percent.11273806 .4542 .96799355 MA1 .1000000 4 5261.7615 Iteration History: Iteration Adj.3295 61.02453 MA1 .99347746 .17840472 5. Split group number: 1 Series length: 84 No missing data.1.4191 1. maka diperoleh hasil sebagai berikut.001 Adjusted sum of squares = 5811. Sum of Squares Residual Variance Residuals 81 5261.2493 . Sum of Squares Marquardt Constant 1 5349.1) dihitung tanpa konstanta dengan menggunakan paket program SPSS.00E+09 SSQ Percentage: . AR1 .97878 AIC 583.00453761 .79525 Analysis of Variance: DF Adj.951864 Variables in the Model: B SEB T-RATIO APPROX.0000000 3 5261.8709506 Log likelihood -289. PROB.MA(1) signifikans. Estimation terminated at iteration number 5 because: Sum of squares decreased by less than .0402491 .5686725 .001 Maximum Marquardt constant: 1. FINAL PARAMETERS: Number of residuals 83 Standard error 7.00 percent confidence intervals will be generated. MODEL: MOD_9 Model Description: Variable: NILAI Regressors: NONE Non-seasonal differencing: 1 No seasonal component in model.0100000 Conclusion of estimation phase.00000032 Covariance Matrix: 36 .95757 SBC 588.0010000 2 5264.3602 . Termination criteria: Parameter epsilon: .

Although the moving average >parameters are probably correctly estimated. Jika menelaah analisis variansnya dengan membandingkan nilai mutlak T-RATIO dengan nilai kritisnya.0000000 . sγ = 0.10b Peta data pada Tabel 2. Xt variabel pengamatan data deret waktu dengan kekeliruan baku model.2571525 1. Dari hasil perhitungan tersurat.00517211 .99347746Zt-1 dengan Yt = Xt – Xt-1 . Command name: ARIMA >Our tests have determined that the estimated model lies close to the >boundary of the invertibility region.1 dengan nilai ramalannya berdasarkan model ARIMA(1. sε = 7.1 dengan nilai ramalannya berdasarkan model ARIMA(1. maka persamaannya Y t = 0.17840472 . MOD_9 NOCON 96 19 P 96 SE 19 5 R 99 AP 1 5 V O 9 N 19 5 N 9 JU 19 4 N 99 JA 1 4 G 99 AU 1 3 AR 9 M 19 3 T C 99 O 1 2 AY 99 M C1 2 E 9 D 19 L 92 JU 19 1 B 9 FE 19 1 P 9 SE 19 0 R 99 AP 1 0 V O 9 N 19 0 N 9 JU 19 N JA 0 RIMA. their standard errors and >covariances should be considered suspect. meniadakan konstanta model tidak meningkatkan signifikansi koefisien regresi. dan kekeliruan baku koefisien MA(1).709506 .0000000 >Warning # 16567.11273806 .1.1. Hal ini menyimpulkan untuk data pada Tabel 2.01270987 .1) dengan konstanta.1) tanpa konstanta identik dengan ARIMA(1.1.1. yang berarti model ARIMA(1.AR1 MA1 AR1 . sψ = 0.00517211 MA1 .2571525 MA1 .00453761Yt-1 + Zt + 0.03182824 Correlation Matrix: AR1 MA1 AR1 1. ∧ kekeliruan baku koefisien AR(1).10a Peta data pada Tabel 2.1) tanpa konstanta 37 . jika konstanta model ditiadakan. yang menyimpulkan koefisien AR(1) tidak signifikans dan koefisien MA(1) signifikans. Untuk lebih jelasnya dapat ditelaah dari gambar-gambar di bawah ini 40 40 30 30 20 20 10 10 NILAI Fit for NILAI from A NILAI Fit for NILAI from A Value Value 0 RIMA. MOD_5 CON 96 19 P 996 SE 1 95 R 9 AP V 1 5 O 9 N 19 5 N 9 JU 19 94 N 9 JA G 1 94 9 AU R 1 3 A 99 M T1 3 C 99 O Y1 2 A 99 M 1 2 EC 9 D 19 L 92 JU 19 1 B 9 FE 19 1 P 9 SE 19 90 R 9 AP V 1 0 O 9 N 19 0 N 9 JU 19 N JA WAKTU WAKTU Gambar 2.1) dengan konstanta Gambar 2.1.

sehingga jika xt . barisan data dengan varians konstan.Kedua gambar ini menyajikan sebuah kondisi yang identik. T′(µt) turunan (diferensiasi) orde-1 dari T(Zt) di titik µt dan var. sebab ordenya bisa tinggi. T(Zt) = varT(µt) + var. varians adalah jumlah kuadrat simpangan terhadap nilai rata-rata hitung yang dibagi oleh banyaknya data (ukuran sampel atau populasi). Menstasionerkan varians harus dilakukan berdasarkan proses transformasi dengan konsepsi sebagai berikut. . . Xt. c > 0 . dan f(µt) : fungsi atas µt. 2. sampel data deret waktu maka 2 1 n 1 n 2 1 var . T(Zt) konstan. konstanta nonstokastik. sedangkan jika tidak stasioner dalam varians maka proses diferensi tidak selalu baik digunakan untuk menstasionerkannya. t = 1. maka T(Xt) . maka deskripsinya sebagai berikut.Xt = c{T′(µt)}2f(µt) Karena var. maka T(Zt) ≅ T(µt) + T′(µt)(Xt − µt) ≅ : notasi “hampir sama dengan”. sehingga uji keberartian untuk konstanta model perlu dilakukan. . Transformasi Stabilitas Varians Proses diferensi untuk menstasionerkan data umumnya “berhasil” jika data tidak stasioner dalam rata-rata hitung (terdapat komponen trend). .T′(µt)(Xt − µt) = {T′(µt)}2 var. 2. 2. maka var. Jika T operator transformasi stabilisasi varians.5. t = 1.( x ) = (x t − x) = xt − x n − 1 t =1 n − 1 t =1 n −1 2 Formulasi varians tersebut jika disajikan dalam bentuk fungsi riel. Berdasarkan deskripsinya. n. T dapat dipilih sedemikian rupa sehingga T ′(µ t ) = atau 38 1 f (µ t ) . jika µt parameter rata-rata hitung untuk data deret waktu pada waktu t. sehingga akan banyak data yang hilang. . .Xt = cf(µt) c . dan jika disajikan dalam deret Taylor di sekitar titik µt.

yaitu 1. var. sehingga bentuk tranformasi data bergantung pada bentuk f(µt) (bentuk ketidak stasioneran dalam varians).Xt = c2µt2 atau f(µt) = µ t = µt .Xt = c2µt2 atau f(µt) = 1 µt 4 = 1 µt 2 . 3. maka 2 T(µt) = 1 dµ t = ln(µt) + K . K konstanta riel Dalam hal ini tranformasi stabilitas varians adalah transformasi akar kuadrat. Pada umumnya ada tiga bentuk transformasi stabilitas varians yang sering digunakan. var. Xt dittransformasikan menjadi ln (Xt) . Xt ditransformasikan menjadi 1 .7) adalah formulasi umum untuk transformasi stabilitas varians.T (µ t ) = 1 f (µ t ) dµ t (2. Jika simpangan baku data proporsional pada tarafnya. K konstanta riel µt Dalam hal ini tranformasi stabilitas varians adalah transformasi perbandingan terbalik (reciprocal). Xt ditransformasikan menjadi X t . Xt 39 .Xt = cµt atau f(µt) = T(µt) = 1 µt 1 µt . jika Xt > 0. K konstanta riel µt Dalam hal ini transformasi stabilitas varians adalah transformasi logaritma natural (walaupun untuk beberapa data kemungkinan tidak relevan). Jika varians data proporsional pada kuadrat tarafnya. 2. jika Xt > 0. maka dµ t = 2 µ t + K . maka T(µt) = 1 µt 2 dµ t = − 1 + K . var. Jika varians data proporsional pada tarafnya.7) Persamaan (2.

Tetapi batasan tersebut bukan hal yang mengikat. sehingga jika dimiliki data dengan nilai negatif dan yang disyaratkan nilai positif. yang dikenalkan dan dikembangkan oleh G. λ Jika tranformasi kuasa ini dihubungkan dengan bentuk transformasi stabilitas varians yang lain.3 Hubungan nilai λ dengan kesetaraan transformasi stabilitas varians Nilai λ -1. sebab dalam analisis data deret waktu jika dimiliki data baru maka data tersebut akan langsung dilibatkan dalam model tanpa memperhatikan pengaruhnya pada struktur korelasi deret data. R. 1. 40 . T(Xt) = 1 Xt 1 Xt Ln (Xt) Xt Xt Beberapa catatan penting sehubungan dengan transformasi stabilitas varians. Box dan D. E.5 0. Cox sekitar tahun 1964. maka yang diambil nilai mutlaknya.5 1. Persamaan dari tranformasi ini adalah X −1 T(Xt) = Xt(λ) = t λ λ dinamakan parameter tranformasi.Transformasi stabilitas varians yang lain dan lebih umum adalah tranformasi kuasa (power tranformation). 2. terutama transformasi logaritma natural dan akar kuadrat. maka diperoleh tabel kesetaraan seperti di bawah ini Tabel 2.0 Kesetaraan transformasi.0 -0.0 0. Bentuk-bentuk transformasi yang telah dikemukakan secara umum hanya didefinisikan untuk data deret waktu positif. Transformasi stabilitas varians harus dilakukan sebelum proses diferensi dan analisis regresi deret waktu. P.

berikut ini dilakukan proses transformasi logaritma natural.1 dengan hasil transformasi logaritma natural Gambar 2. bukan hanya transformasi stabilitas varians. jika data belum berdistribusi normal. menggunakan paket program EXCEL hasilnya seperti di bawah ini. misalnya metode kemungkinan Contoh numerik Sudah ditunjukan dengan gambar peta data. sehingga untuk keperluan analisis regresi deret waktu perlu dilakukan stabilitas varians. dan perbandingan terbalik. dapat ditaksir berdasarkan data sampel dengan menggunakan maksimum.1 menunjukan tidak stasioner dalam varians. metode penaksiran statistis. ACF dan PACF.11a Peta data pada Tabel 2. dilakukan dengan 35 30 25 20 15 10 5 0 1 8 15 22 29 36 43 50 57 64 71 78 NILAI Ln(NILAI) 35 30 25 20 15 10 5 0 1 9 17 25 33 41 49 57 65 73 81 NILAI Akar(NILAI) Gambar 2.3. 4. juga transformasi pendekatan distribusi normal. Untuk menelaah pengaruh transformasi stabilitas varians dan transformasi mana yang cocok untuk data pada Tabel 2. λ.11a Peta data pada Tabel 2. Proses perhitungan dan pemetaan data aktual dengan hasil transformasi. Transformasi pada data deret waktu (jika diperlukan). data pada Tabel 2. dan sudah dicoba.1 agar diperoleh model yang cukup baik. Parameter transformasi kuasa. analisis tanpa menstabilkan variansnya diperoleh hasil yang kurang baik.1 dengan hasil transformasi akar kuadrat 41 . akar kuadrat.

75863 30. dengan memilih bermacam-macam nilai λ atau menaksirnya berdasarkan data sampel.0978 Dari ketiga bentuk transformasi stabilitas varians untuk data pada Tabel 2.4 Nilai koefisien variasi Kelompok nilai hasil Pengamatan Tranformasi logaritma Transformasi akar Tranformasi perbandingan terbalik Koefisien variasi 62.1.1 dengan hasil transformasi perbandingan terbalik dan nilai koefisien variasinya seperti di bawah ini.6. karena memberikan nilai koefisien variansi yang paling kecil.35 30 25 20 15 10 5 0 1 8 15 22 29 36 43 50 57 64 71 78 NILAI 1/NILAI Gambar 2.98333 25. Jika diinginkan koefisien variansi yang lebih kecil lagi. 2. Analisis Residual Setelah model regresi dibangun berdasarkan sebuah sampel. hal ini diperlukan untuk menelaah besarnya kekeliruan jika model tersebut digunakan sebagai model ramalan. yaitu selisih antara nilai pengamatan (xt) dengan nilai ramalannya( x t ).543878 65. transformasi logaritma natural yang paling baik. selanjutnya adalah menghitung penaksir (ramalan) nilai-nilai pengamatan. Rt = xt − x t . Besaran yang digunakan sebagai acuan untuk menyimpulkan bahwa model yang dibangun cocok dan baik untuk peramalan. adalah residu (Rt). ∧ ∧ 42 . maka gunakan transformasi Box-Coc. Tabel II.11a Peta data pada Tabel 2.

Untuk menelaah secara “visual” apakah sebuah model regresi baik dan cocok untuk digunakan sebagai model ramalan. nilainya kecil. 3. 2. 3. varians konstan. sehingga jika ada maka dilakukan telaahan khusus mengenai keberadaannya. 1. Jika pencaran titik berada pada “pita tipis” yang meliput tidak seimbang garis ratarata dan sejajar sumbu residu. Kesimpulan yang dapat dikemukakan sehubungan dengan pola pencaran titik adalah sebagai berikut. 2. yang diukur oleh simpangan baku residu. yaitu rata-rata sama dengan 0. residu ( Rt ) digunakan sebagai variabel penelaahnya. maka model cocok tetapi asumsi varians konstan (homogen) tidak dipenuhi. Sebuah model disebut baik dan cocok jika gambar menyajikan sebuah pencaran titik yang berada pada “pita tipis yang meliput secara acak dan seimbang” garis rata-rata hitung kekeliruan yang sejajar sumbu residu. Sebagai ilustrasi disajikan gambar-gambar di bawah ini untuk bahan telaahan 43 . asumsi pada kekeliruan dipenuhi. untuk menelaah dipenuhi-tidaknya asumsi pada model. maka model cocok tetapi asumsi kekeliruan sama dengan 0 tidak dipenuhi. tetapi membangun sebuah pola siklometri.Karena kekeliruan (error. 4. maka model cocok tetapi asumsi kekeliruan saling bebas tidak dipenuhi. Jika pencaran titik meliput seimbang garis rata-rata yang sejajar sumbu residu. Jika pencaran titik meliput seimbang garis rata-rata yang sejajar sumbu residu. yang dalam prakteknya model tanpa pencilan sulit dihindari. et) merupakan variabel acak tidak terukur. tidak ada pencilan. Sebuah model ramalan disebut cocok dan baik. taksiran koefisien regresi signifikans. dapat dilakukan berdasarkan diagram pencar (scatter diagram) nilai pengamatan atau nilai ramalan dengan nilai residunya. jika 1. dan 4. kekeliruan baku. dan tidak berautokorelsi. tetapi membangun pola “terompet”.

12a Model cocok dan baik untuk peramalan ∧ xt ( x t ) ∧ rata-rata Rt Gambar 2.xt ( x t ) rata-rata Rt Gambar 2.12b Model cocok dan baik tetapi memiliki pencilan xt ( x t ) rata-rata Rt Gambar 2.12c Model cocok untuk peramalan tetapi tidak baik karena varians kekeliruan tidak homogen (konstan) ∧ 44 .

Xt-k . Penggunaan analisis residual dalam regresi deret waktu dilakukan untuk dua telaahan utama. . maka terdapat hubungan fungsional antara Xt . Box dan Jenkins (1976) mengemukakan. Jika dalam analisis regresi biasa peta residual ditelaah salah satu saja. Xt-2 . karena adanya multikolinieritas pada Xt-1 . dan tidak ada multikolinieritas pada variabel explanatory (variabel bebas).12e Model cocok untuk peramalan tetapi tidak baik karena kekeliruannya berautokorelasi Chatfield (1984). Xt sebagai variabel respon. Xt-k dan pada saat dibangun model regresinya. . pengambilan nilai lag tidak cocok (kurang dari k). jika data berautokorelasi pada lag-k. . berlaku jika variabel respon (variabel tidak bebas) tidak berautokorelasi. . Sedangkan dalam analisis data deret waktu. .xt ( x t ) rata-rata Rt Gambar 2. . Xt-k sebagai variabel explanatory. yaitu memeriksa kecocokan autokorelasi dan menguji kecocokan dan kebaikan model. Xt-1 . dan ketidak bebasan (berautokorelasi) pada Xt. yaitu peta 45 .12d Model cocok untuk peramalan tetapi tidak baik karena rata-rata hitung kekeliruan tidak sama dengan 0 ∧ xt ( x t ) rata-rata Rt ∧ Gambar 2. . . sehingga jika pada identifikasi model. Xt-2 . . . . konsepsi analisis residual pada regresi biasa seperti yang telah dikemukakan. . maka akan terjadi pelanggaran konsepsi analisis regresi biasa. Xt-1 .

sebab peta residual nilai pengamatan dengan residu untuk menelaah kecocokan model dan peta residual nilai ramalan dengan residu untuk menelaah kebaikan model. sebab hasilnya akan identik. Selain itu perlu juga ditelaah pola nilai pengamatan dengan ramalannya. 46 .residual antara nilai pengamatan dengan residu atau nilai ramalan dengan residu. Tetapi dalam analisis data deret waktu peta residual harus ditelaah untuk keduanya.

Peramalan data deret waktu banyak dilakukan pada masalah-masalah manajemen. Peramalan secara subjektif dilakukan hanya dengan mengandalkan daya intuisi dan kemampuan daya nalar. yang diperlukan untuk perancangan (planing) dan proses kontrol. dan analisis investasi. dengan memperhatikan model hubungan antar pengamatan dan proses ekstrapolasi atau transformasi data. mentransformasikan pengamatan multivariat menjadi sebuah model univariat. sehingga metode ini tidak dijadikan objek dalam analisis data deret waktu. analisis data deret waktu merupakan analisis univariat. yaitu peramalan secara 1. maka proses yang dilakukan adalah 1. Proses peramalan ini banyak digunakan dalam persoalan bidang ekonomi. univariat. sehingga jika dimiliki data deret waktu multivariat.BAB 3 PERAMALAN Peramalan (forecasting) merupakan sasaran dari analisis data dalam kawasan waktu. Banyak prosedur peramalan data deret waktu yang bisa dilakukan. Peramalan mengenai hasil penjualan suatu produk biasa dinamakan naive atau projeksi. 47 . mengadaptasi peramalan univariat dalam sistem multivariat. sistem inventory. Peramalan subjektif bukan sebuah metode statistis atau matematis yang bisa dipelajari secara keilmuan. dan secara umum dapat diklasifikasikan atas tiga macam. pengontrolan kualitas. Peramalan univariat merupakan metode peramalan prinsipal dalam analisis data deret waktu. subjektif. 3. sehingga analisis dilakukan dalam bentuk persamaan (model) matriks atau vektor. Seperti sudah dikemukakan. Peramalan univariat adalah peramalan yang didasarkan pada sampel data deret waktu univariat. 2. atau 2. multivariat. sehingga pengalaman dan keakhlian dalam menangani persoalan data deret waktu sangat menentukan akurasi hasil. dan perdagangan.

Proses peramalan akan berhubungan dengan apa yang dinamakan waktu mendatang (lead time) dan konsepsi peramalan jangka pendek (short term). Esktrapolasi Trend Ekstrapolasi trend adalah salah satu metode peramalan univariat yang paling sederhana. dan dilakukan jika data stasioner dalam varians dan tidak berautokorelasi. biaya. pangsa pasar. dan peramalan multivariat dilakukan sebagai pengembangan dari peramalan univariat. harga. peramalan univariat sering dilakukan untuk mengembangkan atau memperbaiki hasil dari peramalan subjektif. Peramalan dengan ekstrapolasi trend merupakan peramalan regresi sederhana data atas waktu. 48 . dan banyaknya data yang tersedia untuk menentukan lead time yang layak diambil. Walaupun prosedur peramalan diklasifikasikan dalam tiga macam.1. dengan hanya memperhatikan bentuk trend dari peta data atas waktu. 3. sehingga proses peramalan menjadi efektif dan efisien. Misal dalam persoalan persediaan barang (stock control). model peramalan mengenai volume penjualan merupakan gabungan dari peramalan mengenai frekuensi iklan. sehingga signifikansi autokorelasi diabaikan. peramalan jangka pendek adalah peramalan ketersediaan barang dengan lead time antara waktu pemesanan sampai pengantaran. selain keakhlian dan pengalaman dalam persoalan analisis data deret waktu. Misalnya. Dengan metode ini yang diperhatikan pada data hanya komponen trend. Prosesnya adalah sebagai berikut. Sebelum memilih prosedur peramalan yang akan dilakukan. Sebagai contoh. tetapi dalam prakteknya analisis peramalan merupakan kombinasi dari minimal dua prosedur. peramalan dalam bidang pemasaran. yang biasanya memerlukan waktu beberapa minggu atau bulan. perlu untuk memperhatikan maksud dan tujuan peramalan. waktu.Peramalan multivariat pada prinsipnya adalah pengembangan dari peramalan univariat. bentuk. kualitas. sehingga untuk menentukan bentuk trendnya diperlukan daya intuisi dan nalar. dan variabelvariabel lain yang berhubungan dengan volume penjualan. yaitu peramalan dengan lead time yang cukup kecil jika dibandingkan dengan panjang waktu pengamatan.

Selanjutnya jika model disajikan dalam persamaan matriks Y = Xβ + ε maka untuk Persamaan (3. 4. Lakukan penaksiran parameter. X : matriks berukuran 84x2. dengan nilai pengamatan sebagai respon (variabel tidak bebas) dan waktu atau indeks sebagai explanatory (variabel bebas). untuk Persamaan (3.3) (3.1) Y : vektor berukuran 84x1. Petakan data atas waktu. Bangun model regresi sederhana.2) (3. maka persamaan dengan konstanta adalah Xt = θ0 + θ1t + ε dan jika tanpa konstanta Xt = θt + ε dengan nilai t merupakan nilai koding dari waktu atau indeks. dengan elemen-elemen kolom ke-1 semuanya sama dengan 1.2) Y : vektor berukuran 84x1. dan trend dianggap linier. dengan elemen-elemennya adalah nilai data X : vektor berukuran 84x1. dan jika ketidakstasioner tersebut diabaikan.1. ε kekeliruan model. (3. 3. dengan elemen-elemennya adalah nilai data.1).1) β= θ0 θ1 dan untuk Persamaan (3. 5. yang dalam penggunaannya harus dalam bentuk koding. Contoh numerik : Perhatikan data pada Tabel 2. Pada Bab 2 sudah dikemukakan data tersebut stasioner lemah dalam rata-rata hitung. diperoleh 49 . dan kolom ke-2 nilai-nilai koding dari waktu.1. tetapi tidak stasioner dalam varians. dengan elemen-elemennya nilai koding dari waktu β=θ sehingga jika digunakan paket program MINITAB. dan perhitungan nilai-nilai ramalan. Diagnosa model dengan analisis residual. 2. Telaah mengenai bentuk atau bentuk-bentuk trend yang mungkin cocok untuk model ramalan.

KODING b. KODING b.0000195 β= ∧ .1) sama dengan.092 4922.0356662 −1 ∧ Dari hasil perhitungan pada kedua model.092 60.1825. dan untuk data pada Tabel 2. disimpulkan model ramalan dengan Persamaan (3. Dependent Variable: NILAI 50 .301a a. θ = -0.0.3074 – 0.0356662t dengan t : nilai koding. Jika hasil perhitungan ingin lengkap dengan analisis variansnya.001 Std.82 . Untuk menelaah keberartian dan kecocokan model dapat dilakukan berdasarkan analisis residual atau varians. X t = -0. (X ′X ) = −1 0. Error of the Estimate 7.7477 Durbin-Watson 2.026 F 1. X t = 12. .245 df 1 82 83 b Regression Residual Total Mean Square 65.0000195 .0000000 0.0357t dan Persamaan (3.0119048 0. Predictors: (Constant).3074 .114a R Square . (X ′X ) = 0. 12. Regression Model Summary b ∧ ∧ Model 1 R . yang metodenya dapat dipelajari pada analisis regresi biasa.2) sama dengan.152 4987. X ′Y = -1825.2) X ′X = 51170 .0357 dan untuk Persamaan (3.051 a. X ′Y = 1033.04 .0000000 0.X ′X = 84 0 0 51170 .084 Sig. Dependent Variable: NILAI ANOVA Model 1 Sum of Squares 65. dapat digunakan paket program SPSS.1 tersebut jika dihitung dengan paket program SPSS maka akan diperoleh hasil seperti di bawah ini.04 . Predictors: (Constant).013 Adjusted R Square .

034 (Constant) KODING t 14. c. Dependent Variable: NILAI untuk model dengan konstanta.041 Sig.064 KODING 95% Confidence Interval for B Lower Upper Bound Bound -. Error . persamaannya X t = 12. Dependent Variable: NILAI b. R Square measures the proportion of the variability in the dependent variable about the origin explained by regression. Dependent Variable: NILAI d.d Model 1 R . persamaannya 51 ∧ .061 t -.104 . Regression Residual Total . .600 F .000 . Linear Regression through the Origin ANOVA c.845 .008 Std. This total sum of squares is not corrected for the constant because the constant is zero for regression through the origin. Error of the Estimate 14. For regression through the origin (the no-intercept model).57E-02 Std.032 a. This CANNOT be compared to R Square for models which include an intercept.5808 Durbin-Watson .582 Unstandardized Coefficients Model 1 B -3.301 95% Confidence Interval for B Lower Upper Bound Bound 10.57E-02 Std.d Model 1 Sum of Squares 65.307 -3.306 Sig.093 a.861b df 1 83 84 Mean Square 65.004 Adjusted R Square -. Linear Regression through the Origin Dari hasil perhitungan tersurat.553 Sig. b.989 -.114 a Unstandardized Coefficients Model 1 B 12. hasilnya seperti di bawah ini Model Summary c.769 17710. Linear Regression through the Origin Coefficientsa. .0357t dan tanpa konstanta. sedangkan jika tanpa konstanta.572 a.Coefficients Standardi zed Coefficien ts Beta -.092 212.582a a.061b R Square a .092 17645. Dependent Variable: NILAI d. Predictors: KODING c. Predictors: KODING b.307 – 0.559 -1.164 .626 13.b Standardi zed Coefficien ts Beta -. Error . model ramalan dengan konstanta.

dan 0.0.306 untuk model tanpa konstanta. yang berarti kedua model itu tidak signifikans.0.96 dan 6.83). penyebut 82 (untuk model dengan konstanta) dan 83 (untuk penyebut tanpa konstanta).5 11.0357t dan jika melihat nilai Fhitung pada tabel ANOVA yang sama dengan 1.0. dan jika dibandingkan dengan nilai tabel F untuk derajat bebas pembilang 1.X t = -0.83).1 Grafik nilai pengamatan dengan ramalan berdasarkan regresi linier sederhana dan diagram pencar nilai pengamatan dengan residu dan nilai ramalan dengan residu di bawah ini 40 14.01 < 6.0 Unstandardized Predicted Value -10 0 10 20 12.2b Diagram pencar nilai ramalan dengan residu berdasarkan regresi linier dengan konstanta 52 . taraf signifikans 0.96).0 13. F(1.0 10 11.82).90 < F(1.5 30 13.05 dan 0.0.084 untuk model dengan konstanta.01.05 <3. sehingga tidak baik digunakan sebagai model ramalan.5 -20 -10 0 10 20 NILAI 0 -20 Unstandardized Residual Unstandardized Residual Gambar 3.82).5 20 12.05 .01.94 < F(1. keduanya lebih kecil F-Tabel (dari tabel : 3.2a Diagram pencar nilai aktual dengan residu berdasarkan regresi linier dengan konstanta Gambar 3. Untuk lebih jelas dapat ditelaah dari grafik nilai pengamatan dengan nilai ramalannya 40 ∧ 30 20 10 NILAI Unstandardized Predi Value 0 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 cted Value Case Number Gambar 3.0 10. F(1.

Dependent Variable: LN 53 .601 . R .40 2. .2d. Predictors: (Constant). Untuk menelaah apakah transformasi stabilitas varians bisa mempengaruhi terhadap peramalan dengan ekstrapolasi trend.2a – 3.5 -1. KODING b.5994 Predictors: (Constant).200a a. KODING Dependent Variable: LN ANOVA Model 1 Sum of Squares .0 1.0 -. tersurat bahwa model tidak cocok dan tidak baik.0 -1.2d Diagram pencar nilai ramalan dengan residu berdasarkan regresi linier tanpa konstanta Pada Gambar 3.672 Sig.141a R Square .020 Adjusted R Square . dan hasilnya seperti di bawah ini. berikut ini dilakukan perhitungan dengan program SPSS untuk hasil transformasi stabilitas varians dari data pada Tabel 2.008 Std. Hal ini meyimpulkan bahwa metode ekstrapolasi trend tidak cocok dan tidak baik digunakan untuk peramalan data pada Tabel 2.0 30 Unstandardized Predicted Value .359 F 1.1 terlihat pola nilai pengamatan sangat berbeda dengan ramalannya.601 29.461 30.1. Model Summary b Model 1 a. Error of the Estimate .5 -2.5 1. dan dari Gambar 3.2c Diagram pencar nilai aktual dengan residu berdasarkan regresi linier tanpa konstanta Gambar 3.062 df b Regression Residual Total 1 82 83 Mean Square . b.5 0.1 berdasarkan transformasi logaritma natural.0 0 10 20 30 40 20 10 NILAI 0 0 10 20 30 40 Unstandardized Residual Unstandardized Residual Gambar 3.

011 Standardi zed Coefficien ts Beta -.293 Sig. This total sum of squares is not corrected for the constant because the constant is zero for regression through the origin. Error of the Estimate 2.000 .43E-03 .035b R Square . Dependent Variable: LN b. Predictors: KODING c. b.949b df c.d Model 1 R .621 -1. Dependent Variable: LN untuk model dengan konstanta.Coefficients a Model 1 (Constant) KODING Unstandardized Coefficients B Std.601 5. This CANNOT be compared to R Square for models which include an intercept. Predictors: KODING b. Linear Regression through the Origin Coefficients a. Dependent Variable: LN d.003 Standardi zed Coefficien ts Beta -. Dependent Variable: LN d.011 Std.348 485.001 a Adjusted R Square -.749 a.d Regression Residual Total 1 83 84 Mean Square .065 -3. Linear Regression through the Origin Grafik nilai logaritma pengamatan dengan ramalannya 54 .200 a.035 t -.141 t 35. For regression through the origin (the no-intercept model).43E-03 .320 Sig. Linear Regression through the Origin ANOVA Model 1 Sum of Squares . dan jika tanpa konstanta hasilnya seperti di bawah ini Model Summary c.4182 a.848 F .330 . Error -3.749a a. Error 2. c.601 485. .b Model 1 KODING Unstandardized Coefficients B Std.103 Sig. R Square measures the proportion of the variability in the dependent variable about the origin explained by regression. . .

0 1.0 2.0 Unstandardized Residual Unstandardized Residual Gambar 3.5 2.5 Unstandardized Residual Unstandardized Residual Gambar 3.1 1.0 2.0 .5 -.4a Diagram pencar nilai logaritma pengamatan dengan residu berdasarkan regresi linier dengan konstanta 3.4b Diagram pencar nilai ramalan logaritma pengamatan dengan residu berdasarkan regresi linier dengan konstanta .0 1.0 .5 1.2 .0 1.5 1.0 LN .1 -1.0 2.5 0.5 1.5 2.0 3.4d Diagram pencar nilai ramalan logaritma pengamatan dengan residu berdasarkan regresi linier tanpa konstanta 55 .0 3.5 0.0 Gambar 3.4.5 -1.4 2.5 2.0 Unstandardized Predicted Value .0 Unstandardized Predicted Value 2.2 1.5 3.0 -.4c Diagram pencar nilai logaritma pengamatan dengan residu berdasarkan regresi linier tanpa konstanta Gambar 3.5 0.0 1.5 4.5 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 Value Unstandardized Predi cted Value Case Number Gambar 3.5 LN .5 2.5 3.5 2.0 3.0 1.0 1.5 -.5 3.3 Grafik nilai logaritma pengamatan dengan ramalannya dan gambar diagram pencar nilai logaritma pengamatan dengan reesidu dan nilai ramalan dengan residu 3.5 3.5 2.0 2.5 -1.5 1.3 1.0 -.2 .0 .0 2.5 -1.5 4.5 3.0 2.1 2.5 LN 1.

+ c k x n +1 + ck-1xn + . 3. 0 < ci < 1 . . x n + k . yang dikenalkan oleh C. hasilnya identik dengan sebelum ditransformasikan. karena data tidak stasioner dalam varians dan kemungkinan juga berautokorelasi. . + cn-1x2 +cn-2x1 dan seterusnya sehingga untuk lead time k x n + k = c 0 x n + k −1 + c1 x n + k − 2 + . juga dapat menimbulkan kesimpulan yang tidak tunggal jika ada beberapa model trend yang bisa digunakan sebagai model peramalan. C. Metode penghalusan sederhana digunakan jika data tidak memiliki komponen musiman dan trend. . + cn-kx1 dengan ci pembobot.α)i . . berdasarkan sebuah kombinasi linier pembobotan x n +1 = c0xn + c1xn-1 + . dan diinginkan nilai ramalan untuk k waktu ke depan (lead time). selain adanya pengabaian konsepsi dari data deret waktu. Holt pada sekitar tahun 1958. .5) ci = 1 Untuk menentukan nilai-nilai pembobot. kombinasi linier pada Persamaan (3. sehingga ∧ ∧ x n + 2 = c 0 x n +1 + c1xn + . 0 < α < 1 56 (3.2.1. .Jika ditelaah. . . xn . salah satu cara adalah dengan menggunakan persamaan ci = α(1 . Eksponensial Sederhana Metode penghalusan eksponensial (exponential smoothing) merupakan metode peramalan univariat. sebab yang diperhatikan hanya komponen trend. + cn-1x1 menjadi ∧ (3. Misalkan dimiliki sampel data deret waktu x1 . x2 . maka proses dilakukan secara bertahap mulai dengan lead time 1. dari hasil perhitungan dan gambar-gambar yang diperoleh. ∧ Jika peramalan dilakukan dengan metode penghalusan sederhana. k < n .6) .4) untuk lead time 2. . Hal ini menyimpulkan bahwa metode ekstrapolasi trend tidak baik digunakan untuk peramalan data pada Tabel 2. . . . i ∧ ∧ ∧ ∧ (3.4) dikembangkan. Kekurangan dari metode ini adalah. yang tidak memiliki komponen trend dan musiman.

.x 3 = x3 ... ... jika komponen trend dan musimannya diabaikan (dianggap tidak memiliki komponen trend dan musiman) dan dihitung dengan paket program SPSS. dapat menggunakan paket program SPSS... Results of EXSMOOTH procedure for Variable NILAI MODEL= NN (No trend........... ... ..... . hitung jumlah kuadrat residu...α(1-α)n-2x1 rn = xn ........x 2 = x2 ......... MINITAB atau STATISTICA..........α(1-α)n-2x1 2.αx2 . Proses perhitungan peramalan dengan metode ini. atau hasil proses rekursive....dengan nilai α dihitung berdasarkan metode rekursif pada Persamaan (3. hitung nilai-nilai residu x 1 = x1 x 2 = αx1 ∧ ∧ ∧ ∧ r1 = 0 r2 = x2 . Berdasarkan nilai α yang ditetapkan. yang akan menghasilkan sebuah dα persamaan polinom berderajat tinggi. dengan c i = α (1 − α ) i ............ ... .......... dJ = 0 .. sehingga penyelesaiannya harus menggunakan fasilitas komputer.... no seasonality) 57 .. lakukan perhitungan diferensiasi pada J..α(1-α)x1 ∧ ∧ x 3 = αx2 + α(1-α)x1 .. Contoh numerik Perhatikan data pada Tabel 2..... + α(1-α)n-1x1 dan proses rekursifnya. 1...αx1 r3 = x3 .. ..x n = xn ...4).................αxn-1 ......α(1-α)xn-1 ........ maka diperoleh hasil MODEL: MOD_1............. J = n i =1 ∧ ∧ ri 2 3.... x n = αxn-1 ......... ..1.....α(1-α)xn-2 . . sehingga persamaan menjadi x n +1 = αxn + α(1-α)xn-1 + .. .....

Initial values: DFE = 83.10 Error for NILAI from EXSMOOTH. The SSE is: Series 12.5a Peta data pada Tabel 2. sehingga peramalan dengan penghalusan eksponensial sederhana.1 dengan nilai ramalannya berdasarkan penghalusan eksponensial sederhana dengan α = 0.1 maka jumlah kuadrat kekeliruannya sama dengan 5. yang berarti kekeliruan bakunya sama dengan 64. MOD_3 NN A .36655 yang nilainya sangat besar jika dibandingkan rata-rata nilai ramalan atau rata-rata nilai aktual yang nilainya 12. MOD_3 NN A WAKTU Gambar 3.10 Gambar 3.30738 Trend Not used SSE 5341. Untuk lebih jelas dapat ditelaah dari gambar peta nilai aktual dengan nilai ramalannya.1 dan diagram pencar residualnya Fit for NILAI from EXSMOOTH. MOD_3 NN A .1 tidak cukup baik.5c Diagram pencar nilai ramalan dengan residu berdasarkan penghalusan eksponen sederhana 58 . 40 30 20 10 NILAI Fit for NILAI from E Value 0 XSMOOTH.341.5b Diagram pencar nilai pengamatan dengan residu berdasarkan penghalusan eksponensial sederhana Gambar 3.307.1000000 Dari hasil perhitungan jika diambil α = 0. MOD_3 NN A .10 40 16 15 96 19 P SE 96 19 R AP 95 19 V O N 95 19 N J U 95 19 N JA 94 19 G AU 94 19 AR 3 M 9 19 T C O 93 19 AY 2 M 9 19 EC D 92 19 L J U 92 19 B FE 91 19 P SE 91 19 R AP 90 19 V N O 90 19 N J U 90 19 N JA 30 14 13 20 12 11 10 10 9 -20 -10 0 10 20 30 NILAI 0 -20 -10 0 10 20 30 Error for NILAI from EXSMOOTH.42375 dengan derajat bebas 83. dengan α = 0.42375 Alpha .

2 . Misalkan x1 . γ < 1 . sedangkan jika mengandung komponen trend tetapi tidak mengandung komponen musiman. . dan jika dengan beberapa nilai α masih saja memberikan kekeliruan baku yang besar. . Oleh karena itu harus dicoba untuk α yang lainnya. dan dalam pengembangannya dapat digunakan untuk data tahunan dengan proses analisisnya mengadapsi proses untuk data bulanan. … 1. maka kesimpulan mengenai tidak adanya komponen musiman dan trend perlu ditelaah kembali.Dari Gambar 3. . maka harus digunakan metode Holt. .3.5b.8) Perhitungan nilai α dan γ berdasarkan data sampel secara “manual” sebagai berikut 59 . dan pada Gambar 3. . xn sampel data deret waktu bulanan tanpa komponen musiman. 2 . . 12 maka formulasi pembobotannya adalah mt = αxt + (1 – α) (mt-1 − Tt-1) Tt = γ(mt – mt-1) + (1 – γ)Tt-1 0 < α . 2 . susun nilai data berdasarkan bulan yang sama seperti tabel berikut ∧ (3. x2 . 12 Tt : taksiran pola trend pada bulan ke-t. Holt Peramalan dengan penghalusan eksponen sederhana dilakukan jika data tidak mengandung komponen trend dan musiman. pencaran titik menyajikan sebuah kondisi model tidak cocok dan tidak baik. 2 . mt : taksiran rata-rata pada bulan yang sama (current mean) untuk bulan ke-t. … . . Jika dideskripsikan.5a dan 3.5 terlihat peta nilai aktual sangat berbeda dengan peta nilai ramalannya. 12 . konstanta riel. Metode ini pada awalnya digunakan untuk data bulanan yang tidak memiliki komponen musiman. t = 1 . . sehingga harus dilakukan transformasi eliminasi trend dan musiman. xt pengamatan terakhir bulan ke-t Peramalan nilai data waktu ke-t dengan lead time k dihitung dengan persamaan x t + k = mt + kTt . 3. t = 1 . t = 1 . … . yaitu metode penghalusan eksponensial dengan dua kali pembobotan.7) (3. k = 1 . Hal ini kemungkinannya nilai α belum cocok atau data yang dianalisis memiliki komponen musiman.

tentukan model trend pada bulan yang sama untuk setiap setiap bulan. The SSE is: Alpha Gamma SSE .. … .. .. lakukan proses iterasi seperti pada penghalusan eksponen sederhana untuk Persamaan (3. t : 1 . SPSS. 2 . 2 . mt . hitung rata-rata data pada bulan yang sama untuk setiap bulan. Results of EXSMOOTH procedure for Variable NILAI MODEL= HOLT (Linear trend. MODEL: MOD_2. . .. 2. 12 5. … . Proses perhitungan metode ini dapat dilakukan dengan mengunakan paket program SPSS..7).Bulan Januari Pebruari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember . maka diperoleh hasil. Tahun . Contoh numerik Perhatikan data pada Tabel 2.61125 Jika dianggap trendnya linier dan komponen musimannya diabaikan.. no seasonality) Initial values: Series Trend 12. Tt . tentukan nilai-nilai pengamatan terakhir bulan ke-t.1000000 . 12 3. dengan perhitungan metode Holt menggunakan paket program 60 . atau MINITAB.02831 DFE = 82.36416 -. bangun formulasi pembobotan seperti pada Persamaan (3.1000000 5600. 12 4.7) 6. xt . t : 1 . t : 1 .. 2.. STATISTICA.1. dan hitung nilai ramalan untuk pengamatan terakhir bulan ke-t.

MOD_4 HO A WAKTU dan diagram pencar residualnya 40 Fit for NILAI from EXSMOOTH. Untuk lebih jelasnya ketidak cocokan dan ketidak baikan metode Holt dengan α = γ = 0. dan jika tetap diinginkan untuk digunakan harus dicari nilai α dan γ yang lain.36416.10 G .10 -10 0 10 20 30 96 19 P 6 SE 99 1 R 5 AP 199 V O 95 N 19 N 5 JU 99 1 N 4 JA 199 G 4 AU 199 AR 3 M 99 1 T 3 C O 199 AY 2 M 99 1 EC D 992 1 L 2 JU 9 9 1 B 1 FE 99 1 P 1 SE 199 R 0 AP 199 V 0 O N 99 1 N 0 JU 99 1 N JA Gambar 3.1 dapat ditelaah pada gambar peta nilai aktual dengan nilai ramalannya di bawah ini 40 30 20 10 NILAI Fit for NILAI from E Value 0 XSMOOTH.10 Gambar 3. MOD_4 HO A . MOD_4 HO A .10 G .10 Error for NILAI from EXSMOOTH.6a Peta data pada Tabel 2.1 tidak cukup baik digunakan untuk peramalan data tersebut. yang berarti kekeliruan bakunya sama dengan 68. diperoleh nilai jumlah kudrat kekeliruannya sama dengan 5.600. MOD_4 HO A .1 .61125 dengan derajat bebas 82.6c Diagram pencar nilai ramalan dengan residu berdasarkan Holt 61 .6b Diagram pencar nilai pengamatan dengan residu berdasarkan Holt Gambar 3. Sehingga metode Holt dengan α = γ = 0.1 dengan ramalannya berdasarkan metode Holt dengan α = γ = 0 18 16 30 14 20 12 10 10 8 NILAI 0 -20 6 -20 -10 0 10 20 30 Error for NILAI from EXSMOOTH.Dari hasil perhitungan dengan α = γ = 0.10 G .30013. dan nilai ini cukup besar jika dibandingkan dengan rata-rata nilai ramalan atau nilai aktual yang sebesar 12.

3.4.

Winters
Metode ini merupakan penghalusan eksponensial juga, dan digunakan jika data Metode ini

memiliki komponen musiman, tetapi tidak memiliki komponen trend.

digunakan jika data adalah data bulanan, sebab musiman hanya dideskripsikan pada data bulanan. Secara umum, yang dimaksud dengan musiman adalah komponen siklis dengan periode 12 bulan. Konsepsi perhitungan metode Winters identik dengan metode Holt, yaitu penghalusan eksponensial dengan dua kali pembobotan. Misalkan x1 , x2 , . . . , xn , sampel data deret waktu yang memiliki komponen musiman, tetapi tidak memiliki komponen trend. Selanjutnya jika didefinisikan mt : taksiran rata-rata pada bulan yang sama untuk bulan ke-t, t : 1 , 2 , … , 12 st : taksiran faktor musiman pada bulan ke-t, t = 1 , 2 , … , 12 dan komponen musimannya multiplikatif dengan persamaan xt = mtst + εt , εt : kekeliruan acak maka formulasi pembobotannya mt = α st = δ

xt s t −12

+ (1-α)mt-1

(3.9)

xt + (1-δ)st-12 mt

dan nilai ramalan untuk lead time h, dihitung dengan formulasi x t + h = mtst-12+h Sedangkan jika aditif dengan persamaan xt = mt + st + εt , εt kekeliruan acak maka formulasi pembobotannya mt = α(xt – st-12) + (1 – α)mt-1 st = δ(xt – mt) + (1 – δ)st-12 dan nilai ramalan untuk lead time h, dihitung dengan formulasi x t + h = mt + st-12+h

(3.10)

62

Pada formulasi pembobotan, xt pengamatan terakhir pada bulan ke-t , α dan δ konstanta

real, 0 < α , δ < 1 . Sedangkan nilai lead time h = 1, 2, . . . , 12.
Proses untuk menghitung α dan δ sama seperti pada metode Holt, dan perhitungannya dapat dilakukan dengan menggunakan paket program MINITAB, STATISTICA atau SPSS.

Contoh numerik
Untuk data pada Tabel 2.1, jika digunakan penghalusan eksponensial sederhana dengan α = 1, dan metode Holt dengan α = γ = 0,1 maka diperoleh kekeliruan baku yang cukup besar. Sedangkan jika digunakan metode Winters dengan perhitungannya menggunakan paket program SPSS, diperoleh hasil seperti di bawah ini. Jika variasi komponen musiman aditif, dengan α = δ = 0,1
MODEL: MOD_2. Results of EXSMOOTH procedure for Variable NILAI MODEL= NA (No trend, additive seasonality) Seasonal indices: 1 -4.03994 2 -3.93549 3 -2.94785 4 5.96770 5 1.29840 6 -.67591 7 2.95929 8 1.81381 9 .85340 10 5.71479 11 -2.59549 12 -4.41271 Results of EXSMOOTH procedure for Variable NILAI MODEL= NA (No trend, additive seasonality) Initial values: Series Trend 12.30738 Not used DFE = 72. The SSE is: Alpha Delta SSE .1000000 .1000000 5052.38536

Period= 12

(CONTINUED) Period= 12

sedangkan jika multifikatif dengan α = δ = 0,1

MODEL: MOD_3. Results of EXSMOOTH procedure for Variable NILAI MODEL= NM (No trend, multiplicative seasonality) Seasonal indices: 1 77.29418 2 70.03453

Period= 12

63

dari hasil perhitungan, jika musimannya aditif maka jumlah kuadrat kekeliruannya sama dengan 5.052,3836 dengan derajat bebas 72, yang berarti kekeliruan bakunya sama dengan 70,1703. Sedangkan jika musimannya multiplikatif, maka jumlah kuadrat residunya sama dengan 5.155,61125 dengan derajat bebas 72, atau kekeliruan bakunya sama dengan 71,5495, dan kedua kekeliruan baku itu masih cukup besar jika dibandingkan dengan nilai rata-rata ramalan atau nilai aktual. Untuk lebih jelas dapat dipelajari dari gambar peta nilai aktual dengan nilai ramalannya.
40 40

3 77.10442 4 152.74802 5 103.10255 6 82.86526 7 122.58842 8 103.14504 9 112.47472 10 158.17658 11 68.18313 12 72.28317 Results of EXSMOOTH procedure for Variable NILAI (CONTINUED) MODEL= NM (No trend, multiplicative seasonality) Period= 12 Initial values: Series Trend 12.30738 Not used DFE = 72. The SSE is: Alpha Delta SSE .1000000 .1000000 5155.50901

30

30

20

20

10

NILAI Fit for NILAI from E

10

NILAI Fit for NILAI from E

Value

0

XSMOOTH, MOD_4 HO A

Value

0

XSMOOTH, MOD_6 LA A

96 19 P 96 SE 19 5 R 9 AP 19 V 5 O 9 N 19 N 95 J U 19 4 N 9 J A 19 4 G 99 AU 1 3 AR 9 M 19 3 CT 9 O 19 2 AY 9 M 19 C 92 D E 19 L 92 J U 19 1 B 9 FE 19 1 P 9 SE 19 0 R 9 AP 19 V 90 N O 19 N 90 J U 19 N JA

WAKTU

Gambar 3.7a Peta data pada Tabel 2.1 dengan nilai ramalannya berdasarkan metode Winters dengan α = δ = 0,1 dan musiman multiplikatif

dan diagram pencar residualnya

96 19 P 96 SE 19 5 R 9 AP 19 V 95 N O 19 N 95 J U 19 4 N 9 J A 19 4 G 99 AU R 1 3 A 9 M 19 3 CT 9 O 19 2 AY 9 M 19 C 92 D E 19 L 92 J U 19 1 B 9 FE 19 P 991 SE 1 0 R 9 AP 19 V 90 N O 19 N 90 J U 19 N JA

WAKTU

Gambar 3.7b Peta data pada Tabel 2.1 dengan nilai ramalannya berdasarkan metode Winters dengan α = δ = 0,1 dan musiman aditif

64

MOD_6 LA A . MOD_6 LA A .10 -10 0 10 20 30 30 30 20 20 10 10 NILAI 0 -20 0 -20 -10 0 10 20 30 Error for NILAI from EXSMOOTH. MOD_5 WI A .10 G .7f Diagram pencar nilai ramalan dengan residu berdasarkan Winters dengan musiman aditif Dari gambar-gambar tersebut tersurat metode Winters dengan α = δ = 0. 3.10 Error for NILAI from EXSMOOTH.10 D . MOD_5 WI A .10 D . hasilnya kurang baik. Metode ini juga merupakan penghalusan eksponensial dengan tiga kali 65 .10 Gambar 3. sehingga harus dicari nilai α dan δ yang lain untuk mendapatkan model yang lebih baik dan cocok. MOD_6 LA A .10 Error for NILAI from EXSMOOTH. Holt-Winters Metode peramalan Holt-Winters merupakan gabungan dari dari metode Holt dan metode Winters.10 D .10 G . digunakan untuk peramalan jika data memiliki komponen trend dan musiman.10 Gambar 3.7d Diagram pencar nilai ramalan dengan residu berdasarkan Winters dengan musiman multiplikatif 30 30 20 20 10 10 NILAI 0 -20 -10 0 10 20 30 0 -20 -10 0 10 20 30 Error for NILAI from EXSMOOTH.7e Diagram pencar nilai pengamatan dengan residu berdasarkan Winters dengan musiman aditif Gambar 3.10 G .10 G .5.10 G .10 40 Fit for NILAI from EXSMOOTH.10 D .7c Diagram pencar nilai pengamatan dengan residu berdasarkan Winters dengan musiman multiplikatif Gambar 3.1.10 D . MOD_5 WI A .10 D .1 jika akan digunakan untuk peramalan pada data Tabel 2.10 G .40 Fit for NILAI from EXSMOOTH.

jika peramalannya menggunakan penghalusan eksponensial sederhana.93549 3 -2. Tt : taksiran pola trend pada bulan ke-t. … . sedangkan jika digunakan metode Holt-Winters dengan α = γ = δ = 0.03994 2 -3. Holt atau Winters dengan α = γ = 0.94785 Period= 12 66 . Jika komponen musiman aditif dengan α = γ = δ = 0. jika komponen musimannya aditif adalah mt = α(xt – st-12) + (1– α)(mt-1 + rt-1) st = γ(xt – mt) +(1 – γ)st-12 Tt = δ(mt – mt-1) + (1 – δ)Tt-1 dan jika multifikatif mt = α st = γ (3. γ dan δ sama seperti pada metode Holt. 12 maka formulasi pembobotan Holt-Winters.12) xt s t −12 + (1-α)(mt + Tt) (3.1 dan komponen trend linier.1 atau α = δ = 0.pembobotan. 2 .13) xt + (1-γ)st-12 mt Tt = δ(mt – mt-1) + (1-δ)Tt-1 Proses perhitungan untuk α. maka diperoleh hasil seperti di bawah ini. .1. xn sampel data deret waktu yang memiliki komponen trend dan musiman. . Seperti sudah dikemukakan. x2 . Jika x1 . t = 1 . dan proses ini dapat dilakukan dengan menggunakan paket program SPSS. .1. diperoleh kekeliruan baku yang cukup besar. Results of EXSMOOTH procedure for Variable NILAI MODEL= LA (Linear trend. STATISTICA atau MINITAB. additive seasonality) Seasonal indices: 1 -4. Contoh numerik Perhatikan data pada Tabel 2. dan didefinisikan mt : taksiran rata-rata pada bulan yang sama untuk bulan ke-t. st : taksiran faktor musiman pada bulan ke-t. .1 MODEL: MOD_4.

29840 6 -.01921 DFE = 71.67257 Dari hasil perhitungan tersebut.1000000 5458.18313 12 72.10255 6 82. dan hal ini dapat ditelaah pada peta data nilai aktual dengan ramalannya.28317 Results of EXSMOOTH procedure for Variable NILAI (CONTINUED) MODEL= LM (Linear trend.14504 9 112.93528 -.4 5.85340 10 5. Results of EXSMOOTH procedure for Variable NILAI MODEL= LM (Linear trend.59549 12 -4.1000000 .10442 4 152.58842 8 103. tersurat nilai kekeliruan bakunya cukup besar jika dibandingkan dengan nilai rata-rata ramalan atau nilai aktual.95929 8 1. The SSE is: Alpha Gamma Delta SSE . multiplicative seasonality) Period= 12 Seasonal indices: 1 77. The SSE is: Alpha Gamma Delta SSE . 67 .93528 -.47472 10 158.67591 7 2.01921 DFE = 71. additive seasonality) Period= 12 Initial values: Series Trend 12.1000000 5292. multiplicative seasonality) Period= 12 Initial values: Series Trend 12.29418 2 70.17658 11 68.1000000 .1000000 .55626 sedangkan jika multifikatif dengan α = γ = δ = 0.74802 5 103.41271 Results of EXSMOOTH procedure for Variable NILAI (CONTINUED) MODEL= LA (Linear trend.81381 9 .96770 5 1.71479 11 -2.86526 7 122.1000000 .03453 3 77.1 MODEL: MOD_5.

8b Peta data pada Tabel 2.8a Peta data pada Tabel 3.10 D .10 D .1 68 .1 dan musiman aditif Gambar 3.1 dengan nilai ramalannya berdasarkan metode HoltWinters dengan α = γ = δ = 0.10 Error for NILAI from EXSMOOTH. MOD_8 LM A .1 dengan nilai ramalannya berdasarkan metode HoltWinters dengan α = γ = δ = 0. MOD_7 LA A 96 19 6 P 99 SER 1 95 9 AP V 1 95 O 9 N 1 N 995 JU 1 9 4 N 9 JA G 1 94 9 AU 1 93 AR 9 M T 1 93 C 9 O Y 1 92 A 9 M C 1 92 E D 19 92 L 9 JU 1 1 B 99 FE P 1 91 9 SER 1 90 9 AP V 1 0 O 99 N N 1 90 9 JU 1 N JA WAKTU WAKTU Gambar 3.10 G .1 Gambar 3.10 dan pencaran residulanya 40 30 30 20 20 10 10 NILAI 0 -20 -10 0 10 20 30 0 -20 -10 0 10 20 30 Error for NILAI from EXSMOOTH.1 dan musiman multiflikatif Fit for NILAI from EXSMOOTH. MOD_8 LM A .10 Gambar 3.8c Diagram pencar nilai pengamatan dengan residu berdasarkan Holt-Winters musiman multiplikatif dengan α = γ = δ = 0. MOD_8 LM A 96 19 6 P 99 S E R 1 95 9 A P V 1 95 O 9 N 1 95 N 9 J U 1 94 N 9 J A G 1 94 9 A U R 1 93 A 9 M T 1 93 C 9 O 1 92 AY 9 M C1 2 E 9 D 19 92 L 9 J U B 1 91 9 F E P 1 91 9 S E R 1 90 9 A P V 1 90 O 9 N 1 90 N 9 JU 1 N JA 0 XSMOOTH.10 G . MOD_8 LM A .8d Diagram pencar nilai ramalan dengan residu berdasarkan Holt-Winters musiman multiplikatif dengan α = γ = δ = 0.10 G .10 D .40 40 30 30 20 20 10 NILAI Fit for NILAI from E 10 Value NILAI Fit for NILAI from E Value 0 XSMOOTH.

atau α. γ .10 Error for NILAI from EXSMOOTH. tetapi proses perhitungannya cukup kompleks jika dibandingkan dengan metode peramalan yang lainnya. Winters atau Holt-Winters. jika metode ini ingin tetap digunakan.1 Gambar 3.8f Diagram pencar nilai ramalan dengan residu berdasarkan Holt-Winters musiman aditif dengan α = γ = δ = 0. yang dilanjutkan dengan telaah banding mengenai nilai kekeliruan bakunya untuk menentukan model ramalan yang akan digunakan.10 G . MOD_7 LA A . Berdasarkan pengalaman jika diinginkan hasil yang 69 . Jenkins pada tahun 1960-an. Sudah dikemukakan.10 G . dan δ yang lain. Peramalan dengan metode Box-Jenkins pada umumnya akan memberikan hasil yang lebih baik dari metode-metode peramalan yang lain. 3.1 Jika menelaah dari gambar-gambar tersebut peramalan dengan metode Holt-Winters dengan α = γ = δ = 0. δ (untuk metode Holt-Winters).10 D .1.1 untuk data pada Tabel 2.40 Fit for NILAI from EXSMOOTH. masih belum cukup baik dan cocok.10 D . α dan γ (untuk metode Holt). MOD_7 LA A . MOD_7 LA A . Holt. sehingga perlu diambil α.10 G . Box-Jenkins Proses peramalan dengan metode ini dikenalkan dan dikembangkan oleh G. P.8e Diagram pencar nilai pengamatan dengan residu berdasarkan Holt-Winters musiman aditif dengan α = γ = δ = 0. α dan δ (untuk metode Winters). harus digunakan beberapa nilai parameter pembobot α (untuk metode eksponensial sederhana). Box dan G. sebab metode ini tidak mengabaikan kaidah-kaidah pada data deret waktu.10 -10 0 10 20 30 30 30 20 20 10 10 NILAI 0 -20 0 -20 -10 0 10 20 30 Error for NILAI from EXSMOOTH.10 D . hanya banyak paket program komputer yang dapat digunakan untuk mempermudah perhitungannya. γ.6.10 Gambar 3. dengan memperhatikan kestasioneran data dalam varians. jika ingin mendapatkan model ramalan yang cocok dan baik dengan menggunakan metode penghalusan eksponensial sederhana. E. M.

misalnya dalam bidang klimatologi bisa saja p < 12 sehingga dalam satu tahun komponen musiman lebih dari satu). 2. ukuran sampel untuk digunakan dalam peramalan dengan metode ini paling kecil 50. maka orde diferensinya p jika musimannya aditif. sehingga jika yang dianalisis data bulanan. Petakan data atas waktu. Dalam prakteknya proses diferensi dengan orde paling p 70 . Sehingga tahap pertama dari proses peramalan dengan metode ini adalah proses diferensi untuk untuk menstasionerkan data dan menghilangkan komponen musiman (jika ada). Jika diperlukan maka deskripsikan model-model alternatifnya.baik. dan 2 jika multifikatif. dan lebih baik lagi jika lebih dari 100. dan telaah mengenai bentuk trend. Lakukan analisis varians atau analisis residual untuk menentukan model ramalan yang akan digunakan. dan eliminasi komponen musiman (jika ada). Model ramalan yang digunakan adalah model yang signifikans dengan kekeliruan baku model paling kecil. tetapi untuk beberapa kasus. dan keberadaan komponen musiman. 5. Hitung ACF dan PACF dan gambarkan korelogramnya untuk data asli dan data hasil transformasi. Bangun model-model ARIMA(k. untuk menelaah orde diferensi dan autoregresi yang akan diambil. maka perlu ditelaah keberadaan komponen musimannya. kestabilan varians. untuk menentukan bentuk transformasi kelinieran trend (jika tidak linier). sebab jika ada. Tetapi jika trend linier dan ada komponen musiman dengan periode p ≤ 12 (pada umumnya p = 12. 6. komponen ini harus dieliminasi melalui sebuah proses diferensi.q. 4. maka diferensi orde-1 biasanya sudah cukup untuk menstasioner data. Jika trend linier dan tidak ada komponen musiman. 3.p) yang kemungkinan cocok untuk data yang dimiliki. Sudah dikemukakan. kestabilan varians (jika belum stabil). Peramalan dengan metode Box-Jenkins didasarkan pada model regresi deret waktu stasioner tanpa komponen musiman. Lakukan penaksiran parameter untuk setiap model yang dibangun. Langkah-langkah penting yang harus dilakukan jika akan melakukan peramalan dengan metode ini adalah. peramalan dengan metode ini data harus stasioner dan tidak memiliki komponen musiman. 1.

d : orde diferensi untuk mengeliminasi komponen trend dan D : untuk komponen musiman. Wt = (1-B)d(1-B12)DXt. maka komponen-komponen tersebut harus dieliminasi dulu melalui proses diferensi. yaitu selisih antara nilai pengamatan dengan nilai ramalannya. model regresi deret waktu yang digunakan sebagai model ramalan dengan metode Box-Jenkins adalah model ARIMA(k. p (orde MA). sehingga setiap nilai ramalan yang diperoleh perlu ditelaah kewajarannya berdasarkan nilai residu tersebut. sebab jika orde diferensi terlalu tinggi akan menyebabkan banyak data hilang (secara matematis. k = P = 0 maka model Box-Jenkins-nya adalah 71 . ιK(B12) .besar sama dengan p sudah cukup untuk menghilangkan komponen musiman. maka Wt = (1-B)(1-B12)Xt = (1-B12)Xt – (1-B12)Xt-1 = (Xt – Xt-12) – (Xt-1 – Xt-13) dan jika K = p = 1 .p) trend-musiman. Misal jika d = D = 1 . jika orde diferensi p maka data hilang akan sebanyak p+1 buah). Wt variabel yang dibangun dari variabel pengamatan Xt berdasarkan proses diferensi untuk mengeliminasi kompoenen trend dan musiman. seperti sudah dikemukakan sebelum melakukan proses diferensi. Ψp(B) . baik yang aditif atau multiplikatif. sehingga jika ada. dan P (orde MA musiman). Sudah dikemukakan.p) tanpa komponen trend dan musiman. yang biasa dinamakan model Box-Jenkins (K. maka selanjutnya lakukan ramalan untuk k langkah ke depan (sebaiknya k < ¼n).P. Dalam hal trend tidak linier.q. Konsepsi ini secara statistis dapat “digeneralisasikan” dalam model ARIMA(k.q. harus dilakukan dulu proses linieritas trend. cukup kecil.q. masing-masing polinom atas operator backshift B dengan orde masing-masing k (orde AR).p) dengan persamaan ΓK(B)ιk(B12)Wt = ΨP(B)ψp(B12)at Γk(B) . Jika model yang cocok sudah diperoleh berdasarkan sampel berukuran n. at “kekeliruan Box-Jenkins” yang merupakan variabel acak tidak terukur dengan rata-rata 0 dan varians konstan σ2. dan selanjutnya model ARIMA(k.p) dibangun berdasarkan data yang telah dieliminasi. K (orde AR musiman). ψP(B12) .k. Box dan Jenkins mengemukakan model ramalan cukup baik untuk digunakan jika nilai residu.

00 percent confidence intervals will be generated.00010000 72 .00100000 2 9595.1) dengan proses diferensi orde 1.1) atau model Box-Jenkins (1.1) maka akan diperoleh hasil seperti di bawah ini MODEL: MOD_1 Model Description: Variable: NILAI Regressors: NONE Non-seasonal differencing: 1 Seasonal differencing: 1 Length of Seasonal Cycle: 12 Parameters: AR1 ________ < value originating from estimation > MA1 ________ < value originating from estimation > 95. maka persamaan ini merupakan gabungan model ARMA(1. Split group number: 1 Series length: 84 Number of cases skipped at end because of missing values: 1 Melard's algorithm will be used for estimation.1.ψB12)at (1 − γB){ (Xt – X12) – (Xt-1 – Xt-13} = at − ψB12at (1 − γB) (Xt – Xt-12) − (1 − γB) (Xt-1 – Xt-13) = at − ψat-12 Xt – X12 − γBXt + γBXt-12 – Xt-1 + Xt-13 + γBXt-1 − γBXt-13 = at − ψat-1 Xt – Xt-12 − γXt-1 + γXt-13 – Xt-1 + Xt-13 + γXt-2 − γXt-14 = at − ψat-1 Xt = γXt-1 + at − ψat-1 + (Xt-1 − Xt-2) + (Xt-12 − Xt-13) + γ(Xt-14 − Xt-13) Jika ditelaah. jika modelnya BoxJenkins (1.8261 .001 Maximum number of iterations: 10 Initial values: AR1 -.1.0.001 Adjusted sum of squares = 10454. Termination criteria: Parameter epsilon: .0.648 Iteration History: Iteration Adj.9342 .1.001 Maximum Marquardt constant: 1. sehingga persamaan seperti ini selanjutnya dinamakan model trend-musiman ARIMA(1. Untuk menghitung penaksir parameter γ dan ψ berdasarkan sampel data deret waktu berukuran n dapat digunakan program SPSS. Sum of Squares Marquardt Constant 1 9641.1).22752 MA1 .γB)Wt = (1 .Γ1(B)ι0(B12)Wt = Ψ0(B)ψ1(B12)at (1 . Misalnya untuk data pada Tabel 2.54705 Marquardt constant = .00E+09 SSQ Percentage: .

their standard errors and >covariances should be considered suspect.00307526 MA1 . AR1 -.11627175 dan ψ = 0.00000100 5 9335. MOD_1 NOCON ERR_14 Error for NILAI from ARIMA.96804839 dengan kekeliruan baku masing-masing sγ = 0. Sum of Squares Residual Variance Residuals 69 9332.69193 Variables in the Model: B SEB T-RATIO APPROX.805565 . The following new variables are being created: Name Label FIT_14 Fit for NILAI from ARIMA. MOD_1 NOCON LCL_14 95% LCL for NILAI from ARIMA. Jika menelaah nilai T-RATIO untuk masing-masing penaksir dan dibandingkan dengan nilai T-TABEL untuk taraf signifikans α = 0.0000000 >Warning # 16567. Estimation terminated at iteration number 6 because: All parameter estimates changed by less than .12210804 dan sψ = 0. maka disimpulkan koefisien AR(1) tidak signifikans sedangkan 73 .6223 .87744 SBC 556.00000010 Conclusion of estimation phase.93872 AIC 551.62 < T-TABEL < 2.388236 Log likelihood -273.96804839 . γ = -0.2811174 MA1 .05 derajat bebas 69 : 2.11627175 .12210804 -.08958795 10.1416 .34431736 MA1 .6217 .001 FINAL PARAMETERS: Number of residuals 71 Standard error 11.01491037 .69 . Although the moving average >parameters are probably correctly estimated. MOD_1 NOCON ∧ ∧ Berdasarkan hasil perhitungan diperoleh taksiran untuk γ dan ψ masing-masing.2811174 1. PROB.00307526 .4028 Analysis of Variance: DF Adj.0000000 . MOD_1 NOCON UCL_14 95% UCL for NILAI from ARIMA.8491 129.08958795 sedangkan kekeliruan baku modelnya sama dengan sa = 11.3 9553.952204 .388236.00802600 Correlation Matrix: AR1 MA1 AR1 1. Command name: ARIMA >Our tests have determined that the estimated model lies close to the >boundary of the invertibility region. MOD_1 NOCON SEP_14 SE of fit for NILAI from ARIMA.00000000 Covariance Matrix: AR1 MA1 AR1 .00001000 4 9481.

MOD_1 CON Gambar 3.1) Dari hasil analisis varians dan gambar-gambar ini disimpulkan metode Box-Jenkins memberikan hasil yang lebih baik dari metode peramalan yang lain.9b Diagram pencar nilai ramalan dengan residu berdasarkan model Box-Jenkins (1.1. MOD_1 CON Error for NILAI from ARIMA.1.1. sehingga harus diambil nilai-nilai orde yang lain.9a Peta nilai data dengan ramalannya berdasarkan model Box-Jenkins (1.1) 40 40 30 Fit for NILAI from ARIMA. MOD_1 NOCON Value 0 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 NILAI Case Number Gambar 3. 0 .1) Gambar 3. Untuk menelaah tingkat keberartian dan kebaikan model dapat ditelaah pada gambar-gambar di bawah ini 40 30 20 10 Fit for NILAI from A RIMA.1. 0. 74 .9b Diagram pencar nilai pengamatan dengan residu berdasarkan model Box-Jenkins (1. MOD_1 CON -20 -10 0 10 20 30 30 20 20 10 10 NILAI 0 -30 0 -30 -20 -10 0 10 20 30 Error for NILAI from ARIMA. dan model BoxJenkins (1. 1) masih belum cukup baik digunakan sebagai model ramalan untuk data pada Tabel 2.koefisien MA(1) signifikans.

model AR(k) adalah model dasar dari regresi deret waktu 2. selanjutnya proses diferensi orde-1 untuk hasil transformasi. tentukan lag autokorelasi maksimum yang mungkin. Pada metode Box-Jenkins. proses perhitungan keduanya harus dilakukan dengan menggunakan fasilitas komputer. W. Autoregresi Stepwise Metode ini dikenalkan oleh C. dengan proses yang lebih kompleks daripada metode Holt-Winters.7. Granger dan Newbold menyarankan ambil M = 13 jika datanya kuartalan dan M = 25 jika bulanan. membangun model AR(k) yang cocok untuk peramalan lebih mudah dari model MA(p) atau ARMA(k. lakukan proses menstasionerkan data. model regresi deret waktu yang digunakan untuk peramalan adalah ARIMA(p. Wt = Xt – Xt-1 .p).Walaupun metode Box-Jenkins dan Holt-Winters adalah proses peramalan untuk data yang memiliki komponen trend dan musiman. sedangkan metode ini didasarkan pada konsepsi bahwa jika data berautokorelasi. maka model hubungan fungsionalnya adalah AR(k). tetapi ada perbedaan yang mencolok antara keduanya. bangun model regresi deret waktu dengan persamaan Wt = µ + γS(1)Wt-S + et(1) . Xt data deret waktu dengan trend linier γS(1) : koefisien autoregresi stepwise orde-1.q. 3. walaupun dalam prakteknya.k). 2. Konsepsi perhitungannya adalah sebagai berikut 1. et(1) kekeliruan model autoregresi stepwiswe orde-1 75 . Newbold sekitar tahun 1977. misalnya sama dengan M. 3. yang merupakan bagian (subset) dari metode Box-Jenkins. dengan konsepsi yang lebih sederhana. Metode Holt-Winters adalah proses peramalan berdasarkan analisis “keluarga model regresi deret waktu sederhana”. Granger dan P. dan seperti sudah dikemukakan jika trendnya linier maka proses diferensi orde-1 sudah cukup. sebab 1. sedangkan metode Box-Jenkins berdasarkan analisis “pemilihan model trend-musiman ARIMA”. 1 ≤ S ≤ M . tetapi jika tidak linier maka lakukan dulu transformasi linieritas.

. dan fasilitas. sehingga jika dimiliki sampel data deret waktu multivariat. Pada buku ajar ini metode analisis regresi multipel dan deret waktu vektor tidak dibahas. semuanya merupakan metode peramalan untuk data deret waktu univariat. sehingga jika ada beberapa 76 . lakukan penaksiran parameter secara bertahap untuk setiap S = 1. sehingga proses pemodelan untuk membangun sebuah model ramalan. mentransformasikan data multivariat menjadi data univariat melalui model fungsi transfers. tujuan melakukan peramalan. mengadopsi analisis peramalan univariat dan analisis matriks (vektor). 2. Pemilihan Metode Banyak faktor yang harus dijadikan bahan pertimbangan untuk melakukan suatu proses peramalan data deret waktu. . proses penaksiran dihentikan jika jumlah kuadrat residu pada langkah ke-j sudah cukup kecil dari langkah sebelumnya. . 2. jika data berautokorelasi. diantaranya 1. metode analisis regresi multipel jika tidak berautokorelsi. 2. 3. 5. 3. sebab materi pengajaran Analisis Data Deret Waktu untuk program S-1 Statistika FMIPA Unpad terbatas pada peramalan univariat. ketersediaan waktu. derajat ketepatan yang diinginkan.4. . maka seperti sudah dikemukan pada awal bab ini proses yang dapat dipilih 1. biaya. sumber daya manusia. dan model ini yang digunakan sebagai model ramalan. Peramalan Multivariat Metode peramalan yang sudah dikemukakan.8. Tidak ada aturan yang mengikat untuk memutuskan penggunaan salah satu metode peramalan berdasarkan pertimbangan yang telah dibuat. dilakukan berdasarkan analisis regresi deret waktu vektor.9. M . 3. 3. dan hitung nilai-nilai ramalannya.

dalam ilmu Statistika peramalan didasarkan pada sebuah model regresi. digunakan jika data tidak berautokorelasi dan variansnya homogen. misal metode Box-Jenkin diperlukan ukuran sampel paling kecil 50. Apalagi jika peramalan akan menggunakan metode Statistika. Pengambilan data harus dilakukan dengan baik dan benar.metode yang dapat digunakan maka pilihan harus pada metode yang memiliki efisiensi tinggi dengan tingkat kekeliruan yang paling kecil. misalnya metode ekstrapolasi trend. adalah untuk apa peramalan dilakukan ? Sebab jika peramalan dilakukan untuk tujuan perencanaan. sehingga dapat dipertanggung-jawabkan secara keilmuan. sehingga sampel yang diperoleh bisa mencerminkan populasinya. Seperti sudah dikemukakan. sehingga jika sebuah model ramalan dipilih maka harus dipertimbangkan 77 . disamping derajat ketepatan dan keberartian hasil peramalan. Dalam praktek sering diperlukan beberapa metode peramalan. maka metode yang digunakan adalah yang bisa memberikan derajat ketepatannya yang tinggi dibandingkan dengan jika mencari norma atau ukuran. Masing-masing metode memiliki derajat ketepatan dan keberartian yang bergantung pada ukuran sampel dan keterbatasan dalam penentuan lead time. sebab banyaknya data yang digunakan dalam analisis akan menentukan lead time yang diinginkan. maka metode yang dipilih adalah yang bisa memberikan informasi paling banyak. agar derajat ketepatan dan keberartian hasil peramalan dapat diukur secara kuantitatif. Sudah dikemukakan. metode peramalan statistis memiliki syarat tertentu dalam penggunaannya. untuk keperluan perencanaan dan pengontrolan. metode Holt-Winters dan Box-Jenkins digunakan untuk data yang memiliki komponen musiman. maka metode pengambilan sampelnya harus menggunakan kaidah dan konsepsi ilmu Statistika. misalnya dalam bidang pemasaran untuk menelaah apakah promosi bisa meningkatkan volume penjualan ? Dalam persoalan seperti ini jika tujuan peramalan adalah menentukan norma atau ukuran. misalnya dalam persoalan perencanaan produksi dan pengontrolan persediaan. ekstrapolasi trend hanya cocok untuk peramalan jangka pendek. Pertimbangan yang sangat penting pada saat akan memilih metode peramalan. Pertimbangan lain dalam memilih metode peramalan adalah ketersedian dan kemudahan untuk mendapatkan data.

yang dapat dilakukan berdasarkan analisis varians. keberartian dari penaksir koefisien regresi. yang dapat dilakukan berdasarkan sebuah pengujian hipotesis. 78 . 4. 3. kekeliruan baku model yang dapat ditelaah berdasarkan analisis residual. lead time maksimum yang harus sesuai dengan ukuran sampel. dipenuhi-tidaknya asumsi. 2.1.

1) ν i B i : dinamakan fungsi transfer filter. . menjadi tidak lengkap. . sedangkan dalam kenyataan. Yt)′ data deret waktu bivariat. : masing-masing dinamakan deret variabel masukan (input variable) dan variabel keluaran (output variable) ν(B) = ∞ i = −∞ (4. 2. i = 1. sehingga tujuan peramalan tidak tercapai secara utuh. Salah satu upaya menganalisis data deret waktu multivariat agar diperoleh hasil yang dapat memberikan informasi yang lengkap dan simultan. yang konsepsinya didasarkan pada data bivariat. 4.BAB 4 MODEL FUNGSI TRANSFER Peramalan data deret waktu pada dasarnya adalah analisis univariat. yang masing-masing faktor tersebut lebih dari satu macam. t = 1. .1. . impuls. sehingga jika analisis peramalan hanya didasarkan pada volume penjualan saja. νi≤ 1. . dan daerah pemasaran. . apalagi untuk keperluan proses kontrol dan perencanaan. adalah dengan mentransformasikan menjadi model univariat melalui proses model fungsi transfer. bentuk promosi. 2. B : operator backshift. dan biasa juga Fungsi νi atas i dinamakan fungsi respon dinamakan pembobot respon impuls. 79 . dengan Xt dan Yt masing-masing stasioner atau hasil proses stasioner. Misal dalam bidang pemasaran. volume penjualan bergantung pada cara pemasaran. . maka informasi untuk pembuatan norma atau ukuran keberhasilan pemasaran. yang membangun sebuah hubungan sistem filter linier Yt = ν(B)Xt + ηt Pada model ini Xt dan Yt . tanpa memperhatikan faktor-faktor yang mempengaruhinya. Konsepsi umum Misalkan Vt = (Xt . sebagian besar pengamatan merupakan data multivariat.

Xt dengan ηt saling bebas. < ∞ . . deret keluaran bukan respon pada deret masukan selama keduanya benar-benar digunakan pada sistem. dan disebut sistem kausal (causal) jika νi = 0 untuk i < 0.2) Yt t t Gambar 4. . tetapi tidak sebaliknya. . . dan saling bebas dengan Xt. Akibatnya. .1) disebut sebuah sistem stabil. atau model ARMAX. . Jika digambarkan sistem fungsi transfer adalah seperti di bawah ini Xt Fungsi transfer ν(B) t ηt ν0 ν1 ν2 ν3 ν4 ν5 ν6 . ν i < ∞ . karena model-model kausal banyak ditemukan dalam persoalan dunia nyata. .1) dengan model fungsi transfer. . . Model fungsi transfer disebut stabil (stable) jika νi merupakan deret konvergen.ηt : kekeliruan. dengan perkataan lain. Model kausal biasa juga dinamakan model realistis (realizable). jika i t Xt < ∞ menjadikan t Yt < ∞ . sistem selalu merupakan model stabil atau kausal. Box-Jenkins (1976) menamakan Persamaan (4. + ηt = ν(B)Xt + ηt ν(B) = ν0 + ν1B + ν2B2 + . dalam model kausal. yang dalam deret waktu dinamakan noise. sehingga Persamaan (4. sebuah model disebut kausal jika keberadaan deret keluaran disebabkan pengaruh deret masukan dari awal sampai akhir sepanjang sistem digunakan.1 Sistem fungsi transfer dinamis 80 . dan disajikan dalam persamaan Yt = ν0Xt + ν1Xt-1 + ν2Xt-2 + . Dalam praktek. ⊕ (4. ν0 + ν1 + ν2 + . yang merupakan variabel acak tidak terukur berdistribusi identik saling bebas dengan rata-rata 0 varians konstan σ2.

. . + ϖrνj-r . jika j > b+s Hal ini berarti r buah pembobot respon impuls.3) terdiri atas 1. Jika ωs(B). . . yang merupakan titik-titik di luar lingkaran satuan. jika j = b+1. − ωsBs . sedangkan ν(B) merupakan deret tidak terbatas. . . atau ϖ i ≥ 1 . . pembobot respon impuls untuk Persamaan (4. b+2. b parameter kelambatan (delay) yang menyajikan lag waktu aktual (actual time lag) yang lewat. jika j < b νj = ϖ1νj-1 + ϖ2νj-2 + . −ωsBs)Bb yang penyelesaiannya adalah νj = 0 . . + ϖrνj-r + ω0 . . b buah pertama bernilai 0. . ϖr(B). − ϖrBr . . . j > b+s. . ωi dan ϖj : parameter. . . jika j = b νj = ϖ1νj-1 + ϖ2νj-2 + .4) ∧ ωs (B)B b ϖ r (B) (4. merupakan jawab awal (starting values) untuk persamaan diferensi ϖr(B)νj = 0 .3) 81 . . ν0 = ν1 = . maka pembobot respon impuls νi ditaksir berdasarkan persamaan ϖr(B)ν(B) = ωs(B)Bb (1−ϖ1B− . dengan perkataan lain. yt)′ deret terbatas. . . −ϖrBr)( ν0+ν1B+ν2B2+ . . νb+s-1. ϖr(B) = 1 − ϖ1B − . dan salah cara untuk mengatasinya adalah menyajikan ν(B) dalam bentuk pecahan ν(B) = dengan ωs(B) = ω0 − ω1B − .Sasaran dari analisis fungsi transfer adalah penaksiran parameter dan identifikasi model dari fungsi transfer ν(B). dan b sudah diperoleh. dan ηt berdasarkan sampel data bivariat (xt . b+s νj = ϖ1νj-1 + ϖ2νj-2 + . . . sebelum impuls dari variabel masukan memberikan pengaruh (effect) pada variabel keluaran. dan penaksir untuk ϖj jika sistem stabil adalah akar persamaan ϖr(B) = 0. yt)′. . . . νb+s-r+1. νb+s. . sehingga dalam prosesnya muncul kesulitan.) = (ω0−ω1B− . karena (xt .5) (4. = νb-1 = 0 (4. + ϖrνj-r − ωj-b .

p) univariat melalui fungsi autokorelasi (ACF). dan nilai s adalah perkiraan dimulainya kelambatan. . .ω1B . r dicari berdasarkan pola dari pembobot respon impuls. νj = 0 . tidak mengikuti pola yang tetap. j > b+s.1. νb+1. . sehingga dapat diilustrasikan model-model fungsi transfer seperti pada Tabel 4.3) tidak pernah melebihi 2. .ω2B2)Xt-2 82 .2. Dalam prakteknya nilai r dan s pada Persamaan (4. b dicari berdasarkan fakta bahwa νj = 0 . 1.ω1B)Xt-2 (2 . . r . νb+s. 0) (2 . sehingga kesimpulannya.q. 0 . νb. untuk nilai b yang ditetapkan. 1) ν(B)Xt = (ω0 . s-r+1 buah berikutnya.1 Ilustrasi fungsi transfer untuk r = 0 . j < b dan νb ≠ 0 . 3. 0 . 2) ν(B)Xt = (ω0 . νj . . jika r = 0 maka nilai s dengan mudah dapat dicari berdasarkan fakta. s) Model fungsi transfer ν(B)Xt = ω0Xt-2 Pola pembobot impuls (2 . νb+s-r+1. νb+s-r. r buah selanjutnya. r = 2 (b . adalah pembobot respon impuls sebagai jawab awal Persamaan (4. sedangkan jika r ≠ 0 maka s dicari berdasarkan telaahan pola kelambatan pembobot respon impuls. νb+s-r+2. . jawab Persamaan (4. r = 1 .5) 4. 3. 2. 0 . Tabel 4. . yang identik dengan mencari orde k pada identifikasi model ARIMA(k.5). j > b+s .

1) ν(B)X t = (ω 0 − ω1 B) X t −2 (1 − ϖ1B) (2 . 0) ν(B)X t = ω0 X t −2 (1 − ϖ1 B) (2 . dan νb+2 jika s = 2. 1 . νb+1 jika s =1. model-1 atau jika r = 0. 2) (ω0 − ω1 B − ω 2 B 2 ) ν(B)X t = X t −2 (1 − ϖ1 B − ϖ 2 B 2 ) Dari gambar-gambar tersebut dapat disimpulkan mengenai model fungsi transfer. 2 . dimulai νb = ω0 dan diahiri νb+s = −ωs model-2 atau jika r = 1. maka fungsi transfer hanya memiliki pembobot respon impuls yang berhingga. Pola eksponensial 83 . 1 . 0) ν(B)X t = ω0 X t −2 (1 − ϖ1 B − ϖ 2 B 2 ) (2 .(2 . maka pembobot respon impuls membangun pola eksponensial damped atau gelombang sinus damped yang bergantung pada sifat dasar dari akar persamaan polinom ϖ2(B) = 1 −ϖ1B − ϖ2B2 = 0. maka pembobot respon impuls membangun pola penurunan eksponensial dimulai dari νb jika s = 0. 2) ν(B)X t = (ω0 − ω1 B − ω 2 B 2 ) X t −2 (1 − ϖ1 B) (2 . 2 . 2 . model-3 atau jika r = 2. 1 . 1) ν(B)X t = (ω 0 − ω1B) X t −2 (1 − ϖ1 B − ϖ 2 B 2 ) (2 .

Jika nilai ACF sebagai ukuran kekuatan hubungan antar pengamatan. γXY(k). ρXX(k). artinya ρX(k) = ρX(−k). sebab γXX(k) = γX(k) tetapi perbedaannya.Ys) hanya merupakan fungsi atas selisih waktu (t – s). 4. sedangkan fungsi korelasi silang tidak simetris sebab ρXX(k) ≠ ρXX(−k). fungsi korelasi silang merupakan formulasi umum dari fungsi autokorelasi (ACF). Untuk beberapa kasus. t = 0. jika Xt dan Yt masing-masing merupakan proses stasioner.5) dinamakan fungsi korelasi silang (cross-dorrelation function. Xt dan Yt . Jika ditelaah dari deskripsinya.6) (4. melalui analisis korelasi silang atau gambar CCF yang biasa dinamakan korelogram silang (cross correlogram). ±2. maka γXY(k) selanjutnya ditulis. Xt dan Yt dikatakan stasioner gabungan (jointly stationary). kovarians silang Xt dengan Yt.. atau jika ϖ12 + 4ϖ2 < 0. Korelasi Silang Perhatikan dua buah proses stokastik. ±2. dan gelombang sinus damped jika akar-akarnya bilangan kompleks. yang merupakan bentuk standarisasi dari fungsi kovarians silang. . .(Xt. CCF). 84 . ±1. . didefinisikan oleh γYX(k) = E(Xt − µx)(Yt+k − µy) µx dan µy masing-masing rata-rata hitung Xt dan Yt .damped diperoleh jika akar-akarnya bilangan riil. ±1. harus dilakukan untuk k > 0 dan k < 0. karena γXY(k) merupakan fungsi atas k. Untuk mendapatkan gambaran secara menyeluruh mengenai hubungan antara data deret waktu Xt dengan Yt. maka nilai CCF selain sebagai ukuran kekuatan hubungan antar variabel. juga sebagai ukuran arah hubungan. kov. dan dinamakan fungsi kovarians silang. . k = 0. . pengujian mengenai CCF. . atau jika ϖ12 + 4ϖ2 ≥ 0. jika autokorelasi merupakan bentuk simetris.2. maka ρ XY (k ) = γ XY (k ) σxσy (4. Jika varians Xt dan Yt masing-masing σx2 dan σy2. Nilai s dengan mudah dapat dicari dari gambar pola pembobot respon impuls. dan kovarians silang (cross-covariance) Xt dengan Ys.

Karena (1 − φB) ≠ 0. jika k ≥ 0 2 = (1 − ϕ ) 0 .p) univariat dengan persamaan φk(B)Xt = ψp(B)Zt φk(B) = 1 − φB − .(Xt) = σX2 σZ . 1 − φB dan untuk waktu : t+k Xt+k = Z t +k = Zt+k + ϕZt+k-1 + ϕ2Zt+k-2 + . − ψpBp Model tersebut dapat ditulis menjadi Xt = ψ p (B) φ k (B) 85 Zt. jika k < 0 Perhatikan model ARMA(k. jika k ≥ 0 0 . . . maka korelasi silang Zt dengan Xt sama dengan = 1 − ϕ2 2 ρZX(k) = γ ZX (k ) = σ Zσ X 1 − ϕ2 σZ 2 γZX(k) = ϕ k 1 . . . . − φkBk . maka persamaan tersebut dapat ditulis Xt = Zt = Zt + ϕZt-1 + ϕ2Zt-2 + .ϕ 2 . . jika k < 0 karena Var. 1 − φB sehingga kovarians silang Zt dengan Xt sama dengan γZX(k) = E(Zt − µZ)(Xt+k − µX) = E(Zt − EZt)(Xt+k − EXt+k) = E(ZtXt+k) = E{Zt 1 1 E(ZtZt+k) Zt+k} = 1 − φB 1 − ϕ2 2 (1 − ϕ 2 )ϕ k σ Z 2 = ϕ k σ Z . . ψp(B) = 1 − ψB − .Ilustrasi Perhatikan model AR(1) dengan persamaan (1 − φB)Xt = Zt |φ| < 1. . . Zt kekeliruan yang diasumsikan saling bebas dengan rata-rata 0 dan varians konstan σ2. B operator backshift.

karena varians-kovarians sampel untuk menaksir ρXY(k) juga “terkotori” oleh struktur autokorelasi dari deret masukan Xt tersebut. νi . merupakan bentuk khusus model fungsi transfer tanpa kekeliruan model (noise).3.} σY (4.3).8) dapat direduksi menjadi 86 . σX {ν0 ρX(k) + ν1 ρX(k-1) + ν2 ρX(k-2) + . . hubungan antara CCF.p) univariat. sehingga pengujian keberartian ρXY(k) dan νk juga menjadi sulit. ρXY(k) . sehingga jika Var. Untuk waktu t+k fungsi transfer tersebut dapat ditulis menjadi Yt+k = ν0Xt+k + ν1Xt+k-1 + ν2Xt+k-2 + . + E(Xtηt+k) maka diperoleh kovarians silang Xt dengan Yt γXY(k) = ν0 γXX(k) + ν1 γXX(k-1) + ν2 γXX(k-2) + . dapat ditunjukan bahwa korelasi silang Zt dengan Xt untuk model ARMA(k.dengan cara seperti pada model AR(1). Xt . maka Persamaan (4. dan nilai fungsi respon impuls. + ηt+k sehingga jika Persamaan (4.2).(Y) = σY2 maka korelasi silangnya ρXY(k) = (4. yang berarti ρX(k) = 0 untuk k ≠ 0. Dalam hal deret masukan adalah kekeliruan model (noise). sehingga jika pada Persamaan (4. . .(X) = σX2 dan Var. . . . dalam hal ini dapat diasumsikan µX = µY = 0. 4. . . r = 0. maka menentukan penaksir νi berdasarkan formulasi Persamaan (4. “terkotori” (contaminated) oleh struktur autokorelasi dari deret masukan. . Hubungan Fungsi Korelasi Silang dengan Fungsi Transfer Perhatikan model fungsi transfer pada Persamaan (4.8) Dari Persamaan (4.7) Tanpa menghilangkan asumsi umum.8) tersurat. karena dalam hal ini Xt sebagai deret keluaran dan Zt (noise) deret masukan. . XtYt+k = ν0XtXt+k + ν1XtXt+k-1 + ν2XtXt+k-2 + .8) menjadi sulit. + Xtηt+k dan diekpektasikan E(XtYt+k) = ν0 E(XtXt+k) + ν1 E(XtXt+k-1) + ν2 E(XtXt+k-2) + . dan fungsi transfer ν(B) hanya memiliki pembobot respon impuls yang banyaknya berhingga.2) dikalikan dengan Xt.

εt kekeliruan yang diasumsikan saling bebas dengan rata-rata 0 dan varians konstan σ2. CCF. variabel masukan.9) sehingga pembobot respon impuls. 2. Dalam model fungsi transfer umum. merupakan proporsi langsung (directly proportional) dari korelasi silang ρXY(k). δt = sehingga jika didefinisikan Ξt = model fungsi transfer menjadi Yt = ν(B)Xt + ηt ν(B) = φ k (B) Yt ψ p (B) Ξ φ k (B) φ (B) ηt . hanya didefiniskan pada data bivariat yang merupakan stasioner gabungan. diasumsikan mengikuti model ARMA(k. Dari hasil paparan tersebut ada beberapa 1. Yt = ν(B)Xt + ηt . Dengan menggunakan analogi dan terminologi deret “pemutih” masukan. dapat didefinisikan deret keluaran “pemutih” (prewhite output series). yang dalam data deret waktu biasa dinamakan white noise sehingga εt yang sama dengan εt = φ k (B) Xt ψ p (B) yang biasa dinamakan deret masukan “pemutih” (prewhitened input series).νk = σY ρXY(k) σX (4. dalam hal tidak stasioner maka sebelum dilakukan perhitungan. maka secara umum ψ p (B) ψ p (B) ηt ηt η δt = ν(B) t εt + ηt Ξt Ξt δt = ν(B)εt + Ξt δt Ξt − εt εt 87 . Xt. ρXY(k) .p). kesimpulan yang dapat dikemukakan. harus dilakukan dulu proses stasioneritas untuk masing-masing variabel masukan dan keluaran. φk(B)Xt = ψp(B)εt. νk. atau k = t .

εt . Jika dimiliki sampel data deret waktu bivariat (xt . pembobot respon impuls merupakan proporsi langsung dari korelasi silang. S. H1 : ρxy(k) ≠ 0.sehingga pembobot respon impuls.4. sρxy(k). yang dapat dilakukan dengan membandingkan ρ xy (k ) dengan kekeliruan bakunya.10) tersurat. 4. . t = 1. . k < 0 n t =1-k 3. ρ xy (k + j) } ≅ 1 n−k ∧ ∧ ∞ i = −∞ ∧ [ρ xy (i)ρ yy (i + j) + ρ xy (i + k + j)ρ xy (k − i) + ρ xy (k )ρ xy (k + j) ρ xy (i) + 1 ρ xx (i) + 1 ρ yy (i) 2 2 { 2 2 2 } 88 . maka untuk membangun model fungsi transfer sampel. dan korelasi silang δt dengan εt+k. untuk fungsi transfer dihitung berdasarkan persamaan νk = σδ ρδε(k) . σε (4. korelasi silang sampel ρ xy (k ) = ∧ 1 n n t =1 xt . k ≥ 0 ∧ n t =1 γ xy (k ) = 1 n ( x t − x )( y t + k − y) . kovarians silang sampel 1 n−k ( x t − x )( y t + k − y) . Membangun Fungsi Transfer Pada Persamaan (4.10) dengan σδ2 . ρδε(k) . Kov. yt). n . rata-rata hitung masing-masing variat. masing-masing varians δt . σε2 . . tahap pertama yang harus dihitung adalah 1.{ ρ xy (k ) . . Telah dibuktikan oleh M. Bartlett (1955) dibawah asumsi distribusi normal. H0 : ρxy(k) = 0 vs. uji signifikansi korelasi silang berdasarkan rumusan hipotesisi. y = 1 n n t =1 yt γ xy (k ) γ xx (0) γ xx (0) ∧ ∧ ∧ 4. x = 2. νj . 2. sehingga model fungsi transfer dapat dibangun jika korelasi silang antara variabel masukan dan keluaran signifikans.

φk(B)Xt = ψp(B)εt. ρ xy (k + j) } ≅ dan Var. menghitung varians dan korelasi silang deret “pemutih”: σ ε . membangun model ARMA(k. maka proses dilanjutkan dengan 4.p) untuk Xt. n−k jika lebih kecil berarti tidak signifikans.− ρ xy (k ){ρ xx (i)ρ xy (i + k + j) + ρ xy (−i)ρ yy (i + k + j)} − ρ xy (k + j){ρ xx (i)ρ xy (i + k ) + ρ xy (−i)ρ yy (i + k )} Var. Jika ρ xy (k ) signifikans. Kov. σ δ . n−k Untuk menguji apakah ρ xy (k ) signifikans. dan lakukan penaksiran parameter sehingga diperoleh model taksiran φ k (B)X t = ψ p (B)ε t . s ρxy ( k ) ≅ ∧ ∧ ∧ ∧ ∧ ρ yy n−k 1 n−k 1 . dan δt = φ k (B) ψ p (B) ∧ 2 ∧ ∧ Yt ∧ ∧ 6. εt = ∧ ∧ ∧ φ k (B) ψ p (B) ∧ ∧ X t . dan analisis dilakukan untuk masing-masing variat dengan menggunakan analisis regresi deret waktu univariat. 5.{ ρ xy (k ) }≅ 1 n−k ∧ ∞ i = −∞ ] [ρ xx (i)ρ yy (i) + ρ xy (i + k )ρ xy (k − i) 2 + ρ xy (k ) ρ xy (i) + 1 ρ xx (i) + 1 ρ yy (i) 2 2 { 2 2 2 } ] − 2ρ xy (k ){ρ xx (i)ρ xy (i + k ) + ρ xy (−i)ρ yy (i + k )} sehingga di bawah H0 : ρxy(k) = 0. atau ρ xy (k ) dianggap sama dengan 0. ρ εδ (k ) 89 2 . yang berarti Xt dengan Yt tidak berkorelasi.{ ρ xy (k ) }≅ yang berarti kekeliruan baku ρ xy (k ) .{ ρ xy (k ) . bandingkan saja nilainya dengan ∧ 1 . Hal ini menyimpulkan proses pemodelan fungsi transfer tidak perlu dilanjutkan. membangun deret “pemutih”.

Semua perhitungan dari 1 sampai dengan 10 dapat dilakukan dengan menggunakan paket program SPSS. − ϖrBr . (4.. berarti ν k tidakk signifikans. sehingga diperoleh model polinom sampel. . . − ωs B s . STATISTICA. ϖr(B) = 1 − ϖ1B − . lakukan identifikasi model kekeliruan ηt berdasarkan nilai residual.. jika lebih n−k ∧ 8.. ν k = ∧ ∧ σδ σε ∧ ∧ ρ εδ (k ) 1 . atau metode lain untuk mengidentifikasi model regresi deret waktu univariat berdasarkan model ARMA(k. 10. MINITAB. maka diperoleh model fungsi transfer dengan persamaan lain (4. atau ν k dianggap sama dengan 0. menguji signifikansi ν k . Setelah model fungsi transfer diperoleh. Bangun model fungsi transfer sampel. − ωsBs . − ϖ r B r 11..7. ϖ r (B) = 1 − ϖ1 B − . menghitung pembobot respon impuls. dengan Zt sebagai noise. φk(B)ηt = ψp(B)Zt . . berdasarkan pola ν k atas k untuk menentukan nilai b.11) yang telaahannya dapat dilakukan berdasarkan pola ACF dan PACF-nya. η t = y t − ν (B) x t = y t − ∧ ∧ ∧ ∧ ωs (B) ϖ r (B) Bb x t .p) univariat dengan persamaan. r dan s.12) dikombinasikan.12) 90 . ν(B) = ∧ ∧ ∧ ∧ ∧ ∧ ∧ ∧ ∧ ωs (B) ϖ r (B) ∧ ∧ Bb . Jika Persamaan (4. 9. Setelah r dan s ditentukan lakukan penaksiran parameter ωi dan ϖj berdasarkan Persamaan (IV. dengan membandingkannya dengan ∧ ∧ kecil. ωs (B) = ω 0 − ω1 B − . mengidentifikasi parameter kelambatan dan model polinom ωs(B) = ω0 − ω1B − .4). .11) dengan Persamaan (4. atau EXCELL.

14). . − φkBk)( ω0 − ω1B − . dengan tujuan untuk “menyaring” (filtering) agar deret masukan “bersih” dari keluaran dan sebaliknya. 3. Penaksiran Pada Fungsi Transfer Sudah dikemukan.14) 1. yang merupakan persamaan regresi multivariat Yt atas Xt-b dan Zt. dengan Ω(B) = ϖr(B)φk(B) = (1 − ϖ1B − . Ω(B)Yt = Φ(B)Xt-b + Ψ(B)Zt. data deret waktu harus di”putih”kan. V = (Xt. Φ(B) = φk(B)ωs(B) .Yt = atau ψ p (B) ωs (B) X t −b + Zt ϖ r (B) φ k (B) (4. − ϖrBr)(1 − φ1B − . . . .5. model fungsi transfer untuk data deret waktu bivariat.Yt)′ dapat disajikan dalam Persamaan (4.13) menjadi Ω(B)Yt = Φ(B)Xt-b + Ψ(B)Zt. ν(B). Ψ(B) = ϖr(B)ψp(B) maka Persamaan (4.13) ϖr(B)φk(B)Yt = φk(B)ωs(B)Xt-b + ϖr(B)ψp(B)Zt sehingga jika didefinisikan Ω(B) = ϖr(B)φk(B) . yang berarti antara deret masukan dan keluaran saling mempengaruhi. Hal penting yang harus diperhatikan dalam membangun fungsi transfer. Hal ini merupakan proses biasa dan sederhana untuk mendapatkan model fungsi transfer kausal. 2. . . sehingga jika ada yang belum stasioner harus dilakukan dulu proses stasioneritas. tetapi penyaringannya tidak perlu terlalu “bersih”. Untuk membangun model fungsi transfer tidak kausal. “pemutihan” variabel masukan dan keluaran masing-masing harus dilakukan sebelum dibangun dan diuji signifikansi CCF-nya. − Ωr+kBr+k Φ(B) = φk(B)ωs(B) = (1 − φ1B − . adalah (4. − ωsBs) 91 . Pada proses identifikasi fungsi transfer. Xt dan Yt masing-masing harus merupakan data deret waktu stasioner. 4. . . . . − φkBk) = 1 − Ω1B − .

.σZ2). . . . 3. Ψr+p) . − Ωr+kBr+k)Yt = (Φ0 − Φ1B − . =0 2 ∂Ψl ∂σ Z 92 . logaritmakan fungsi kemungkinan L = ln f(Ω . . . . σZ2) = −½n ln(2π) − ½n ln(σZ2) − 4. . . 2. . σZ2) = ∏ f (Z t . Φ . . Φ1 . Ω0 . − Φk+sXt-b-k-s + Ψ1Zt-1 − . . . . . . bangun fungsi kemungkinan dari Zt untuk t = 1. 2. . − Ψr+pBr+p sehingga jika disajikan secara simultan. . . − ϖrBr)(1 − ψ1B − . Ψ2 . . . . f(Ω . Ωr+k)′ . . . . − Ψr+pBr+p )Zt atau Zt = (1 − Ω1B − . . Ψ . i = 1. . . = 0 . σ Z ) = 2 t =1 n (2πσ ) Z 1 2 n exp . . . Ψl . − Ωr+kYt-r-k − Φ0 Xt-b + Φ1Xt-b-1 + .σZ2) = (4. Φj . − Φk+sBk+s )Xt-b +(1 − Ψ1B − . . Ψ = (Ψ1 . . Φk+s) . . − Ωr+kBr+k)Yt − (Φ0 − Φ1B − . . . . − Φk+sBk+s Ψ(B) = ϖr(B)ψp(B) = (1 − ϖ1B − . . . j = 1. 2. Ψ .= Φ0 − Φ1B − . . − 1 2σ Z 2 n t =1 Zt 2 Ω = (Ω1 . . diperoleh persamaan (1 − Ω1B − . . lakukan perhitungan diferensiasi parsial pada L 1 2σ Z 2 n t =1 Zt 2 ∂L ∂L = 0 . . Φ = (Φ0 . − Ψr+pZt-r-p Karena Zt kekeliruan yang diasumsikan berdistribusi identik independen N(0. . l = 1. penaksiran parameter Ωi . Φ . . k+s ∂Ω i ∂Φ j ∂L ∂L = 0 . . r+p . 2. r+k .15) 1 2πσ Z 2 exp(− 1 2σ Z 2 Zt ) 2 2. . n. . − Ψr+kBr+k)Zt = Yt − Ω1Yt-1 − . yang prosesnya sebagai berikut 1. . . − ψkBk) = 1 − Ψ1B − . . − Φk+sBk+s )Xt-b − (− Ψ1B − . . . dilakukan berdasarkan metode kemungkinan maksimum (maximum likelihood method). bangun fungsi distribusi dari Zt : f(Zt. . .

4. Rata-Rata Hitung Kuadrat Kekeliruan Setelah penaksiran parameter model fungsi transfer pada Persamaan (4. n. varians konstan σε2. t = 1. yt) yang telah digunakan untuk membangun fungsi transfer tersebut.15)selesai dilakukan.yang menghasilkan sistem persamaan tidak linier atas (r+k) + (k+s) + (r+p) + 1 = 2r + 2k + s + p + 1 buah persamaan. . dan saling bebas dengan zt. r+k . dengan varians yang kecil. εt noise dengan rata-rata hitung 0. y0. ψ l . yang memiliki model fungsi transfer stabil dengan persamaan yt = ψ p (B) ωs (B) b B xt + zt ϖ r (B) φ k (B) (4. varians konstanσz2. Proses penyelesaian sistem persamaan ini hampir sama dengan cara penaksiran parameter pada model ARIMA(k+s . ψp(B). φ h ≥ 1 Jika ditulis 93 ∧ ∧ ∧ ∧ . . masing-masing fungsi polinom berhingga atas operator backshift B. Model ramalan dipilih jika MSE-nya paling kecil. yang memenuhi Persamaan (4. ωs(B). φk(B). ωi . xt mengikuti model φk(B)xt = ψp(B)εt. masingmasing merupakan titik-titik di luar lingkaran satuan. Telaahannya dapat dilakukan berdasarkan rata-rata hitung kuadrat kekeliruan (mean square error.16) zt noise dengan rata-rata hitung 0. MSE) ramalan.15).6. . ϖr(B). selanjutnya adalah menelaah kecocokan model fungsi transfer berdasarkan sampel data deret waktu bivariat (xt . sehingga penyelesaiannya harus menggunakan metode iterasi. semua proses penaksiran ini dapat dilakukan dengan menggunakan paket program SPSS atau STATISTICA. . ϖ j . yt). dengan akar-akar persamaan ωs(B) = ϖr(B) = ψp(B) = φk(B) = 0. z0.σ2). Hal ini diperlukan untuk mendapatkan nilai ramalan data deret waktu yang akan datang. 2. r+p) di bawah asumsi noise berdistribusi N(0. Perhatikan sampel data deret waktu stasioner (xt . Sudah dikemukakan. dengan jawab awal x0 .

V0 = 1 Jika ui . . MSE y t (h ) yang merupakan ramalan yt+h dengan waktu awal t.U(B) = V(B) = ωs (B)ψ p (B) ϖ r (B)φ k (B) ψ p (B) φ k (B) B b = U0 + U1B + U2B2 + . Dengan perkataan lain. j = 1. = 1 + V1B + V2B2 + . j = 1. . 2. . . . V0 = 1 sehingga yt+h = ∞ i=0 U i ε t + h −i + ∞ i=0 Vi z t + h −i . .16) menjadi yt = U(B)εt + V(B)zt = ∞ ∞ i=0 U i ε t −i + i=0 Vi z t −i . dan nilai residunya rt(h) = yt+h − y t (h ) = = h −1 i=0 ∧ ∞ i=0 U i ε t + h −i + h −1 i=0 ∞ i=0 Vi z t + h −i − ∞ i=0 ∞ i=0 u h + i ε t −i − ∞ i=0 v h + i z t −i ∞ i=0 U i ε t + h −i + Vi z t + h −i − ( u h + i − U h + i ) ε t −i − ( v h +1 − Vh + i )z t −i sehingga MSE-nya sama dengan E{rt(h)}2 = E{ h −1 i=0 U i ε t + h −i + 2 h −1 i=0 2 Vi z t + h −i − 2 ∞ i=0 2 ( u h + i − U h + i ) ε t −i − ∞ ∞ i=0 2 ( v h +1 − Vh + i )z t −i }2 ∞ i =0 = σε 2 h −1 i =0 Ui + σz h −1 i =0 Vi + σ ε 2 i =0 ( u h +i − U h +i ) 2 + σ z 2 ( v h +1 − Vh + i ) 2 dan akan bernilai minimum jika σ ε ∞ i =0 ( u h +i − U h +i ) 2 = σ z ∧ ∞ i =0 ( v h +1 − Vh +i ) 2 = 0. vj . atau Uh+i = uh+i dan Vh+i = vh+i. berdasarkan metode yang telah dikemukakan pada Seksi 4. . 2. . maka penaksir yt untuk h langkah ke depan (h step ahead). atau nilai ramalan dari yt+h y t (h ) = ∧ ∞ i=0 u h + i ε t −i + ∞ i=0 v h + i z t −i . adalah ekspektasi bersyarat dari yt+h pada t = T. masing-masing penaksir untuk Ui .5. . . i . . Vj . maka Persamaan (4. i . . Karena 94 .

. seperti yang telah dikemukakan adalah jika deret masukan dan keluaran merupakan data stasioner. yaitu melakukan transformasi stasioneritas melalui proses ARIMA(k. masing-masing penaksir untuk Ui . 2 Konsepsi telaahan mengenai ramalan fungsi transfer yang memiliki ciri tak bias dan bervarians minimum. . j = 1. . vj . yt) sampel data deret waktu tidak stasioner.d.17) u h + i e t −i + ∞ i=0 v h +i Z t −i (4. dan δ(B)φ(B) θ(B) V(B) = = 1 + V1B + V2B2 + . . 2. j = 1. yang dapat distasionerkan melalui transformasi Xt = (1 – B)dxt dan Yt = (1 – B)dyt. θ(B). ωBb). 2.16). ∧ ∞ i=0 ω(B) b θ(B) B Xt + Zt δ(B) φ(B) (4. . . φ(B). Misalkan (xt . Vj . fungsi-fungsi polinom. . maka dengan menggunakan analogi dari bahasan yang telah dikemukakan. ramalan untuk Yt+h adalah Y t (h ) = dengan ui . dengan model fungsi transfernya Yt = dengan Xt mengikuti model φ(B)Xt = θ(B)et. Selanjutnya bagaimana jika tidak stasioner pada salah satu atau kedua deretnya ? Proses dasarnya sama dengan pada analisis regresi deret waktu univariat. yang metode penaksirannya dapat dilakukan φ(B) seperti pada Seksi 4. dan merupakan ramalan terbaik jika variansnya sama dengan σ ε 2 h −1 i =0 ∧ ∧ Ui + σε 2 2 h −1 i =0 Ui . Karena formulasi ini merupakan fungsi transfer dari deret masukan dan keluaran yang stasioner. δ(B).5. yang memiliki ciri seperti pada Persamaan (4. yaitu ω(B)θ(B) b koefisien dari fungsi polinom U(B) = B = U0 + U1B + U2B2 + .E{yt+h− y t (h ) } = 0 . . i . . i . .p). .18) 95 .. Zt dan et noise. . maka y t (h ) ramalan takbias untuk yt+h.

0216 1.0582 2.6247 1.1205 2.0000 1.9209 1.4023 1.0290 1.9843 1.0678 2.9884 1.3782 1.9309 1.2592 1.8053 1.9565 1.8067 1. Tabel 4.9710 1.9548 1.9139 1.9292 Nilai Pendapatan 1.1059 2.1205 2.0890 2.9139 1.4.2763 1.2635 1.1182 Dengan menggunakan paket program SPSS.3366 1.9499 1.8041 1.7853 1.6513 1.0279 2.0579 2.5391 1.4551 1.9748 1.9933 1.8242 1.7945 1.9271 1.0099 2.7644 1.0561 2.2721 Nilai Konsumsi 1.4425 1.9965 2.9363 1.9980 1.0120 2.0652 2.2906 1.8886 1.2 Nilai Pendapatan dan Konsumsi Nilai Pendapatan 1.9727 1. Data yang digunakan adalah nilai konsumsi dan pendapatan perbulan.9764 1.8083 1.0563 2.7817 1.8156 1.0117 2.8395 1.0649 2. berikut ini diberikan disajikan proses membangun fungsi transfer.8783 1.4922 1. Contoh Numerik Untuk memperjelas mengenai proses analisis fungsi transfer seperti yang telah dikemukakan.2. yang datanya seperti pada Tabel 4.0206 2.9772 1.0369 1.7945 1.9239 1.9752 1.9924 2.9719 1.9723 1.9819 1.9773 1.0018 2.9396 1.9453 1.9432 1.0449 2.8751 Nilai Konsumsi 1.9776 1. grafik nilai konsumsi dan pendapatan seperti di bawah ini 96 .4606 1. dan nilai pendapatan sebagai deret keluaran (Yt).9569 1. Dalam analisis ini nilai konsumsi sebagai sebagai deret masukan (Xt).9797 1.5185 1.9647 1.9510 1.9904 1.0136 2.7.2527 1.0165 2.9494 1.0174 2.6075 1.9332 1.0517 2.9629 1.9414 1.8166 1.0491 2.7764 1.8492 1.8668 1.0000 1. mendapatkan informasi mengenai nilai konsumsi lebih mudah dari nilai pendapatan.0038 2.9091 1.9797 2.7784 1.7669 1.9166 1.0076 2.9896 Nilai Pendapatan 1.0213 2.7766 1.9828 2.0204 2.9685 1.7888 1.0428 2.3991 1.9939 1.9956 2.7942 1.8914 1.9814 1.3026 1. sebab dalam praktek pengumpulan data.9794 2.8083 1.0561 2.0766 2.3798 1.8464 1.2549 1.0359 2.9835 1.9736 Nilai Konsumsi 1.

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient Lag Number Lag Number Gambar 4. yang hasilnya seperti di bawah ini .2.0 1. Menelaah kestasioneran nilai konsumsi dan menentukan proses diferensinya. bawah ini.5 .4 Value CONSUMP 1. Proses telaahan dilakukan berdasarkan gambar ACF dan PACF.5 0.0 CONSUMP . Karena nilai konsumsi sebagai deret masukan. 97 Untuk lebih jelasnya dapat ditelaah dari gambar ACF.0 0.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient -1.5 Partial ACF Confidence Limits -.2 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 INCOME Case Number Gambar 4.6 1.3a ACF Nilai Konsumsi Gambar 4. dengan menggunakan paket program SPPS.0 1. CONSUMP 1.2 2. dan dapat distasionerkan dengan proses diferensi orde satu. PACF.5 Confidence Limits ACF -1.2 Grafik Nilai Konsumsi dan Pendapatan yang menyajikan sebuah kondisi bahwa nilai konsumsi dengan pendapatan berkorelasi negatif. maka tahapan proses analisisnya adalah.3b PACF Nilai Konsumsi Gambar ACF dan PACF menyajikan bahwa data berautokorelasi dan tidak stasioner.8 1. 1. sebab nilai konsumsi menurun sedangkan pendapatan cenderung naik. dan grafik data hasil proses diferensi orde satu di .0 -.

0 Value DIFF(CONSUMP.0 .0 -.4b PACF Diferensi Orde Satu Nilai Konsumsi 2.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient -1.CONSUMP 1.36024B – 0.5 Case Number Keterangan : atas : data asli .5 0.5 0. Sehingga jika Xt : data asli nilai konsumsi dan Xt1 : data setelah diferensi orde-1. Proses pemutihan.0 0. model yang cukup baik adalah ARIMA(2.5 1. atau model AR(2) berdasarkan data hasil proses diferensi orde-1. yang berarti data tidak memiliki komponen siklis.5 Confidence Limits ACF -1.5 .0).q.1) CONSUMP 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 -.0 CONSUMP .0 1.0).5 Gambar 4.1. bawah : data setelah diferensi orde-1 Gambar 4.19) .5 Partial ACF Confidence Limits -. Dengan menggunakan paket program SPSS.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient Lag Number Transforms: difference (1) Lag Number Transforms: difference (1) Gambar 4. maka persamaan model pemutih deret masukan (1 + 0. Karena grafik dari nilai konsumsi tidak menampilkan pola spektrum.0 1.4a ACF Diferensi Orde Satu Nilai Konsumsi 2. maka model regresi deret waktu yang dibangun adalah model ARIMA(k. 2.34602B2)Xt1 = at 98 (4. 4c Grafik Nilai Konsumsi dan Nilai Setelah Proses Diferensi Orde-1 Dari ketiga gambar tersebut dapat disimpulkan bahwa diferensi orde-1 sudah cukup menstasionerkan data nilai konsumsi.

123 *********.400 .5 .122 *********.121 **********. Total cases: 69 Computable 0-order correlations: 68 Std Deviation FIT_2 . Dengan menggunakan paket program SPSS diperoleh persamaan (1 + 0. 5 -. dan hasilnya seperti di bawah ini Tabel 4. Cross Correlations: Lag Missing cases: 1 Valid cases: 68 FIT_2 Fit for CONSUMP from ARIMA.75 -.451 . 2 -.124 *******.****I .640 .****I .1.75 1 +----+----+----+----+----+----+----+----+ -7 -. maka n−k 99 .125 ******.728 . jika Yt : data asli nilai pendapatan dan Yt1 : data setelah diferensi orde-1.00139093 Akibatnya. Err. Corr. -1 -. Identifikasi fungsi respon impuls dan fungsi transfer Dengan menggunakan paket program SPSS dihitung CCF dan varians (simpangan baku) sampel untuk pemutih. MOD_3 NOCON Cross Stand.662 .122 *********. 3 -. -6 -.****I . 6 -.0).660 .125 ********. 4 -.****I .576 . n = 69.126 *******.25 .708 .613 .124 ********. Untuk mengetahui apakah korelasi ini signifikans.20) 3. Listwise deletion.503 . 0 -.25 0 . maka model pemutih deret keluaran juga harus ARIMA(2. -3 -.****I . -5 -.590 .123 ********.****I .****I . -4 -.2 yang menyajikan kondisi korelasi negatif.****I . MOD_2 NOCON FIT_3 Fit for INCOME from ARIMA.****I .****I .126 *****.at : noise dengan rata-rata 0 dan varians 0. 7 -. kita bandingkan dengan nilai pembanding 1 .37445366B2)Yt1 = bt bt : noise dengan rata-rata 0 dan varians 0.128 *******.52E-02 Dari hasil perhitungan diperoleh fakta bahwa terdapat korelasi negatif antara konsumsi dengan pendapatan.****I .32366198B – 0.127 ****.****I .541 .127 *******. Plot Symbols: Autocorrelations * Two Standard Error Limits .****I . jika dihitung.5 -. -2 -.****I .2661756 Std Deviation FIT_3 9.****I .00028695 (4. -1 -. Karena ukuran sampel.3 Nilai CCF dan Simpangan Baku Sampel Pemutih MODEL: MOD_4.683 . dan hal ini sesuai dengan Gambar 4.128 ***. 1 -.599 .700 .

7.. 1. k = 1. sama ∧ νk yang jika dibandingkan dengan nilai maka | ν k | > ∧ 1 = 0. Jika digambarkan pola untuk nilai mutlaknya maka diperoleh gambar seperti di bawah ini 1. . 2.60281 1 -1.121268.4 0. Sehingga jika nilai ini dibandingkan dengan nilai mutlak dari autokorelasi silang.54116 2 -1.5 Pola Nilai Mutlak Pembobot Impuls Respon 100 .016939598 .2 1 0.88066 ∧ ∧ σa σb ∧ ∧ ρ ab .6 0. untuk n = 69.8 1.10303 6 -0.037295173 dan σ b = 0.8 0. maka dapat disimpulkan ∧ ∧ Karena dari hasil perhitungan diperoleh nilai σ a = 0. yang berarti untuk tujuh lag pertama nilai-nilai pembobot impuls n−k signifikans.4575 3 -1.121268.4 Tujuh Nilai Pertama Pembobot Impuls Respon k 0 -1. . autokorelasi silang tersebut signifikans. n−k 1 .1911 5 -1.31879 4 -1. maka untuk tujuh lag pertama nilai-nilai pembobot impuls respon.2 0 1 2 3 4 lag 5 6 7 Gambar 4.4 nilai taksiran 1. . 7. . . nilainya sama dengan 0. ν k = dengan Tabel 4.99295 7 -0. ..6 1.untuk k = 0.

54116 = 0.21) Tetapi jika diambil dua lag pertama.96154B) (4.s) = (2.23) ϖ1 = dan ∧ ν1 ν0 ∧ ∧ = − 1. ubah Persamaan (4.4575) − (0.02439 sehingga model noise taksirannya sama dengan η t = Yt1 − dengan Yt1 = (1 – B)Yt ..ω1B)Xt-21.24) .60281 ω0 = (−1.96154)(−1.22) 4.54116) = 0. Xt1 = (1 – B)Xt Untuk melakukan identifikasi dari model pada Persamaan (4.02439Xt-21 yang setara dengan η t − 0. maka setara dengan fungsi transfer dengan (b.0) yang persamaannya ν(B)X t = 1 ω0 1 X t −2 . lakukan proses sebagai berikut 1.24) menjadi (1 – 0. langkah berikutnya adalah menaksir nilai-nilai parameter pembobot impulsnya.. (4. (1 − ϖ1 B) (4. ν 2 − ϖ1 ν 1 = ω 0 dan ν 1 − ϖ1 ν 0 = 0 . sehingga ∧ ∧ ∧ ∧ ∧ ∧ ∧ ∧ ∧ ∧ ∧ ∧ (4.24).yang jika dibandingkan dengan pola pada Tabel 4. + ν 7 B 7 = ω0 B 2 yang jawabnya. 1).r.96154 − 1. yang persamaannya ν(B)Xt1 = (ω0 . 0 .1 .96154B) Yt1 – 0.r.02439Xt-21 101 ∧ ∧ ∧ ∧ ∧ 0.96154B) η t = (1 – 0.02439 1 X t −2 (1 − 0.1. maka setara dengan fungsi transfer dengan (b. Jika yang diambil model pada Persamaan (4.s) = (2 .21).96154 Yt-11 – 0. Identifikasi model noise Setelah menetapkan model fungsi tranfer yang akan digunakan. maka ω0 dan ϖ1 ditaksir berdasarkan persamaan 1 − ϖ1 B ν 0 + ν 1 B + .96154 η t −1 = Yt1 – 0.

02438X −1 η1 = Y1 = Y2 − Y1 t=2 η 2 − 0.96154Y1 − 0.02438X 2 ∧ 1 1 1 1 1 η 4 = Y4 − 0.96154 η 0 = Y1 − 0.02344X 1 − 0.02438X 0 η 2 = Y2 = Y3 − Y2 t=3 η3 − 0.96154Y2 − 0.96154 η 2 = Y3 − 0.02438X 2 ∧ 1 1 1 ∧ ∧ 1 1 1 η 4 = 0.02438X 1 ∧ 1 1 ∧ ∧ 1 1 1 ∧ 1 ∧ ∧ 1 1 1 ∧ 1 ∧ ∧ 1 1 1 η3 = Y3 − 0.96154(Y3 − 0. Deviation 4.02438X 1 = Y4 − Y3 − 0.02344(X 2 − X 1 ) − 0.96154Y0 − 0.3E-03 Std.02438X 1 ) + Y4 − 0. t=1 η1 − 0.96154 η3 = Y4 − 0. hitung dan gambarkan ACF dan PACF dari deret noise taksiran 4. seperti di bawah ini Descriptive Statistics N 69 69 Mean -8.02438(X 3 − X 2 ) dan seterusnya sampai t = 29 3.02438X 2 = Y5 − Y4 − 0.96154 η1 = Y2 − 0.02438(X 2 − X 1 ) t=4 η 4 − 0. lakukan identifikasi deret noise taksiran berdasarkan pola ACF dan PACF yang diperoleh Dengan menggunakan paket program SPSS dan EXCEL.96154Y3 − 0.96154Y3 − 0. lakukan proses rekursive linier untuk menghitung nilai-nilai deret noise taksiran sebagai berikut. diperoleh nilai statistik dan gambar ACF dengan PACF untuk deret noise taksiran.2.04E-02 NOISE Valid N (listwise) 102 .

6a ACF Noise .0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient -1.1 -. dan nilai-nilai statistik ini cukup kecil.6b. sehingga model fungsi tranfer dengan persamaan Yt1 = atau (1 – B)Yt = 0.6c Pola Noise atas waktu Dari nilai statistik dan Gambar 4.0 NOISE .0 1.5 Confidence Limits ACF -1. dan Gambar 4.2 Gambar 4.0083 dan simpangan baku 0.5 .NOISE 1.0404 . tersurat bahwa noise merupakan sebuah proses acak yang stasioner kuat dalam rata-rata hitung dan stasioner lemah daram varians.1 0.2 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 Case Number Gambar 4.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient Lag Number Lag Number Gambar 4.0 0.96154B) cukup baik untuk digunakan sebagai model ramalan 103 .6b PACF Noise .96154B) 0.02439 1 X t − 2 − ηt (1 − 0.0 Value NOISE -.6a.0 -. Gambar 4.6c.5 Partial ACF Confidence Limits -.5 0. dengan rata-rata –0.02439 (1 − B)Xt-2 − ηt (1 − 0.

.. Xt3 . Xt2 . Xtj) ≠ 0 untuk paling sedikit sebuah pasangan i ≠ j = 2. + ν(m-1)(B)Xtm + et dengan νi(B) polinom atas operator backshift B. sehingga jika dimiliki data deret waktu multivariat dan ingin dibangun fungsi transfernya. . maka tahap pertama adalah harus menentukan dulu deret keluarannya.25) .Untuk model pada Persamaan (4. maka keduanya dapat digabungkan melalui sebuah proses pembobotan... sehingga proses fungsi transfer dilakukan sebanyak (m-1) kali. Xt2 . 3.22) juga cukup baik untuk digunakan sebagai model ramalan. yaitu dengan membangun fungsi transfer νi(B) yang merelasikan Xt1 dengan Xt(1+i) secara terpisah.17) sama dengan X t1 = ν 1 (B)X t 2 + ν 2 (B)X t 3 + . Misalkan dimiliki data deret waktu multivariat (Xt1 . . Sehingga jika ν i (B) penaksir untuk νi(B). 4. yang prosesnya tidak sesederhana jika kor. dengan Xt1 sebagai deret keluaran.22) silahkan selesaikan sendiri untuk latihan. Xtj) = 0 untuk setiap i ≠ j = 2. . . m. . + ν ( m −1) (B)X tm dan residunya rt = X t1 − X t1 digunakan untuk identifikasi model. Xtm Jika kor. Xtm deret masukan. atau fungsi transfer yang merelasikan Xt1 dengan Xt(i+1) et noise dengan rata-rata 0. Misalkan dari data deret waktu multivariat 104 ∧ ∧ ∧ ∧ ∧ ∧ (4.(Xti . .8. . Dalam hal kor.. . Fungsi Transfer Untuk Vektor Multivariat Sudah dikemukakan konsepsi fungsi transfer identik dengan regresi multipel. Xt3 .(Xti . . varians konstan σe2. Seandainya model pada Persamaan (4. Xtj) = 0. .(Xti . yang menghasilkan (m-1) buah fungsi transfer. maka analisisnya dapat dilakukan dengan mengembangkan teori pada fungsi transfer untuk data bivariat (fungsi transfer dengan deret masukan tunggal) seperti yang telah dikemukakan.17) dilakukan berdasarkan analisis integrasi regresi ekonometrika dengan regresi deret waktu. masing-masing untuk waktu t. Xtm). . dan model kausalnya Xt1 = ν1(B)Xt2 + ν2(B)Xt3 + . . maka model taksiran untuk Persamaan (4. . . . . dan saling bebas dengan Xt2 . 3.. maka proses penaksiran model pada Persamaan (4. m (Xti dengan Xtj tidak berkorelasi). ..

Xt3 .νp(B). . + ν(m-1)(B)Xtm + et dianggap sebagai sebuah model linier dengan rank penuh. dan Xt2 . .Xt2. . i ≠ j = p + 1. X tj ) = ≠ 0 . . p = 0 . . . diketahui kor (X ti . .Xtm). . harus dibangun secara terintegrasi dengan menggunakan konsepsi analisis regresi ekonometrika. . yang merelasikan Xt1 dengan Xt2 Xt3. + νp(B)Xtp + et sebagai sebuah model ekonometrika atau model linier dengan rank tidak penuh. . Xt(p+2). .. . + ν(m-1)(B)Xtm + et Fungsi transfer νp+1(B). . p + 2.17) dipecah menjadi Xt1 = ν1(B)Xt2 + ν2(B)Xt3 + .. . . . . .(Xt1. . . . . 105 . m maka model kausal pada Persamaan (4. yaitu dengan menganggap model kausal Xt1 = ν1(B)Xt2 + ν2(B)Xt3 + . Xtp. . .. νp+2(B).ν(m-1)(B). . . Sedangkan fungsi transfer ν1(B). ν2(B). . + νp(B)Xtp + νp+1(B)Xt(p+1) + νp+2(B)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) + . . . . i ≠ j = 2. . Xtm deret masukan. . 3. . .. yang merelasikan Xt1 dengan Xt(p+1). . dengan Xt1 deret keluaran. .

mengembangkan analisis spektral modern sekitar tahun ketiga abad ke-20. 2. meteorologi. pola periodesitas curah hujan yang menyebabkan musim hujan atau kemarau yang panjang atau pendek. Analisis spektral modern didasarkan pada penomena bahwa data deret waktu merupakan hasil proses stokastik. . n . . sehingga setiap data deret waktu dapat disajikan dalam deret Fourier. Analisis spektral atau sewaktu-waktu dinamakan juga analisis spektrum. Bartlett dan J. . M. . yaitu periodesitas yang sulit ditemukan dalam kawasan waktu. − 1 2 n (5. misalnya dalam bidang klimatologi. teknik kelistrikan. n dengan a0 = x = ap = 2 n n t =1 n −1 2 p =1 a p Cos 2πp 2πp t + b p Sin t + a n Cosπt . Pada saat ini analisis spektral digunakan pada persoalan penaksiran spektrum untuk seluruh selang frekuensi. untuk melengkapi hasil analisis dalam kawasan waktu. Analisis ini dilakukan jika diperlukan informasi mengenai periodesitas hal-hal yang bersifat khusus. . . dan ilmu kelautan. .1a) x t Cos 2πt 2 p . p = 1. Jika Xt . Tukey. . maka Xt dapat ditulis dalam formulasi. Xt = a0 + t = 1. . untuk melengkapi telaahan pola hujan tahunan. dikenalkan oleh A. Schuster. 2. bp = n n x t Sin n 2πt p . a n = 2 1 n n t =1 (−1) t x t n t =1 (5.1b) 106 . . t = 1. S.1) 1 n n t =1 xt . sorang pekerja sosial. pada akhir abad ke-20 dengan tujuan mencari periode tersembunyi dari data. 2. data deret waktu. .BAB 5 ANALISIS SPEKTRAL Sudah dikemukan pada Bab 2. dan teorinya banyak digunakan para pengguna di bidang klimatologi. . n n 2 (5. W. analisis spektral adalah penaksiran dalam kawasan frekuensi untuk menelaah periodesitas tersembunyi.

yang didefinisikan pada selang 0 ≤ ωt ≤ π. maka π r (k ) = Cosω k dF(ω k ) 0 (5. Jika dimiliki sampel data deret waktu stasioner. dalam analisis data deret waktu dan analisis Statistika lainnya.5) Jika G(ωt) dan g(ωt) ada.3) dapat dinyatakan oleh rk = Cosω k g (ω k )d (ω k ) 0 π (5.3) yang merupakan sajian spektral dalam fungsi autokorelasi. . dapat diturunkan fungsi F(ωt) yang berkorelasi dengan u(ωt) dan v(ωt). Sehingga jika didefinisikan fungsi G (ω k ) = F(ω k ) σx 2 (5. dan fungsi spektral kuasa g (ω k ) = dG (ω k ) dω k (5. dan jika tidak stasioner harus distasioner dulu melalui proses diferensi. x2 . . data yang akan dianalisis harus merupakan data stasioner. jika (ωk) < 0 .6) sehingga 107 . dan F(π) = σx2 . x1 . yang merupakan varians data deret waktu.1. FUNGSI SPEKTRAL Sudah dikemukan. maka dapat dibangun model spektralnya dengan persamaan π π x t = Cosω t du (ω t ) + Sinω t dv(ω t ) 0 0 (5. Pada persamaan ini F(ωk) = 0 .2) dengan u(ωt) dan v(ωt) merupakan fungsi kontinu yang tidak berkorelasi. Berdasarkan deskripsi tersebut. sehingga jika r(k) fungsi autokorelasi.5. . maka Persamaan (5.4) maka diperoleh fungsi distribusi kumulatif spektral. . xn .

Dari pernyataan spektral tersebut. dan seperti sudah dikemukakan fungsi ini dapat diperoleh dari modifikasi fungsi Fourier.9) yang juga merupakan fungsi Fourier dalam fungsi autokorelasi. melainkan harus dalam kawasan frekuensi sebab fungsi spektrum kuasa merupakan fungsi dalam autokorelasi dan frekuensi.2.1). Fungsi spektrum kuasa atas frekuensinya dinamakan Periodogram. maka Persamaan (5. Tetapi menentukannya tidak dapat dalam kawasan waktu. Jika dilakukan penaksiran pada fungsi spektrum kuasa. Karena g(ωk) = 0 .10a) .1). maka fungsi spektrum kuasa yang setara dengan fungsi distribusi kumulatifnya. dan nilai-nilai penaksirnya dipetakan terhadap frekuensinya. 5.1 dikemukakan bahwa untuk menelaah periodesitas data dilakukan terhadap frekuensi yang berpasangan dengan titik-titik puncak garis spektrumnya.7) setara dengan g (ω k ) = ∞ 1 r0 + 2 rk Cosω k π k = −1 (5. jika ωk < 0 dan g(π) = σx2 . periodesitas data dapat ditentukan. Periodogram Pada Seksi 5.8) yang merupakan sajian fungsi Fourier dalam fungsi fungsi autokorelasi.7) Karena rk fungsi genap. dapat disimpulkan bahwa data deret waktu dapat dinyatakan sebagai deret Fourier yang merupakan fungsi harmonis seperti pada Persamaan (5. jika ditulis ωp = 2π p . Perhatikan Persamaan (5. maka akan diperoleh sebuah garis spektrum. frekuensi sudut (angular frekuensi) harmonis ke-p n 108 (5. disajikan pada persamaan h (ω k ) = ∞ g (ω k ) 1 = 1 + 2 rk Cosω k π σ2 k =1 x (5. Telaahan periodesitas data dilakukan terhadap frekuensi yang berpasangan dengan titi-titik puncak dari garis spektumnya. sehingga dengan membangun fungsi spektrum kuasanya.g(ω k ) = 1 ∞ 1 ∞ rk e −iωk = rk Cos(ω k ) π k = −∞ π k = −∞ (5.

10c) maka komponen dalam tanda perjumlahan Pada Persamaan (5. sebab dalam perumusannya yang berbeda hanya pada pengganda untuk Rp2. Jika I(ωp) dipetakan terhadap ωp maka akan diperoleh sebuah spektrum yang merupakan penaksir spektrum kuasa. maka terhadap setiap puncak dari periodogram dilakukan pengujian statistis dengan menggunakan selang konfidens dari penaksir spektrum kuasa.12) 109 . yang masing-masing memiliki kelebihan dan kekurangan. Karena periode dari titik-titik puncak yang signifikans saja yang digunakan untuk telaahan periodesitas data deret waktu. Misalnya Granger dan Hatanaka (1964) merumuskan periodogram dengan persamaan I(ω p ) = n 2 Rp 4π (5. akan diperoleh periode-periode data deret waktu yang tidak bisa diperoleh pada kawasan waktu. yaitu Metode Windowing dan Metode Fast Fourier Transform (Metode FFT). amplitudo harmonis ke-p (5.11) yang dinamakan Periodogram.Tg − bp ap . Untuk menghitung nilai-nilai I(ωp) ada dua cara yang bisa digunakan. tetapi perbedaan bentuk fungsi tidak akan menjadikan berbeda pada gambar garis spektrumnya.Rp = a p + bp 2 2 .10b) φp = arc.1) dapat disajikan dalam bentuk apCosωpt + bpSinωpt = RpCos(ωpt + φp) Dari hasil sajian penulisan tersebut. Untuk setiap penulis sering berbeda dalam merumuskan persamaan fungsi periodogram. dibangun fungsi I(ω p ) = n 2 Rp 4π (5. yang merupakan fungsi atas frekuensi sudut ωp. phase harmonis ke-p (5. Dengan menelaah titik-titik puncak dari spektrumnya. dan penaksir spektrum kuasa pada frekuensi ωp.

3. dan menuliskan ω p = I(ω p ) = karena n −k t =1 2πp . maka persamaan periodogram menjadi n t 1 nπ n −k t =1 (x − x x t + k − x (Cosω p tCosω p (t + k ) + Sinω p tSinωp (t + k )) )( ) (5. 5.10b).17) 110 . ditranformasikan ke fungsi autokorelasi.Hannan (1970) dengan persamaan I(ω p ) = 1 2πn n t =1 x te it ωp = n 2 Rp 2π (5.15) menjadi I(ω p ) = 1 (n −1) c k Cosω p k π k = −(n −1) (5.14) dengan m dinamakan Lag-Maksimum (maximum lag).13) sedangkan Landsberg dan Mitchell (1959) dengan persamaan I(ω p ) = 1 2 Rp m (5.16) menjadi I(ω p ) = n −1 1 c 0 + 2 c k Cosω p k π k =1 (5. Persamaan (5.16) dalam hal ini ck = c-k dan Cosωpk = Cosωp(-k) sehingga Persamaan (5. dan c0 dengan varians sampel. autokorelasi sampel lag-k.12) disubtitusikan periodogram adalah metode windowing. Metode Windowing Sudah dikemukakan pada Seksi 5.15) (x t − x x t + k − x = c k .2 bahwa salah satu metode untuk menghitung nilai Dengan metode ini fungsi periodogram Jika pada Persamaan (5. c0 )( ) maka CosωptCosωp(t+k) + SinωptSinωp(t+k) = Cosωpk sehingga Persamaan (V. ck = rk . autokovarians sampel lag-k.1b). dilanjutkan dengan mensubtitusikan Persamaan (5.

. I(ωp) merupakan penaksir spektrum kuasa yang tidak bias tetapi tidak konsisten. m. . 2.1 di bawah ini. . 111 . ≤k≤m 2 (5. dengan persamaan f (ω p ) = 1 m λ k rk Cosω p k π k =− m (5. sehingga Persamaan (5. . ωp diambil untuk p = 1. nilai autokovarians ck diganti oleh autokorelasi rk.19) λk pembobot yang dinamakan Lag-Window m Titik Pemotongan (truncation point). dan pembobot yang sering digunakan adalah Tukey Window dengan persamaan λk = 1 πk 1 + Cos 2 m . Menghitung nilai fungsi periodogram dengan Persamaan (5.18) Bloomfield (1976) dan Chatfield (1984) mengemukakan.20b) Untuk menelaah perbedaan kedua pembobot tersebut perhatikan Gambar 5. m (5. dan untuk menjadikan penaksir yang tidak bias dan konsisten.19) dinamakan Metode Windowing. 2. . 0≤k≤ m 2 m . . k = 1.20a) dan Parzen Window dengan persamaan k k +6 m m λk = 3 k 2 1m 1− 6 2 3 . . harus digunakan fungsi periodogram yang diboboti.Untuk mendapatkan gambar periodogram yang lebih baik. .17) menjadi I(ω p ) = n −1 1 r0 + 2 rk Cosω p k π k =1 (5.

0.54f1(ωp) + 0.23f1(ωp−π/m) + 0. sebagai berikut 1.54f1(0)} f(ωp) = 0. Pada metode ini perhitungannya dilakukan dalam dua tahap. periodogram dengan Parzen window spektrumnya akan lebih halus dari Tukey window. ½ .21) 2.54f1(π) (5. ¼) sehingga persamaan periodogram sebagai penaksir spektrum kuasa adalah f(0) = ½{f1(0) + f1(π/m)} f(ωp) = ¼f1(ωp−π/m) + ½f1(ωp) + ¼f1(ωp+π/m) f(π) = ½[f1(π) + f1{(m-1)π/m}] atau dengan komposisi pembobot (0. 0. dan menggunakannya untuk menelaah periodesitas curah hujan di daerah Maryland.λk 1 Tukey Window Parzen Window m Gambar 5.22a) 112 .46f1(π/m) + 0. Landsberg dan Mitchell (1959) memodifikasi metode windowing dengan Tukey window.1 dapat disimpulkan.22b) (5.1 Kurva Lag-Window k Dari Gambar 5.46f1{(m-1)π/m} + 0.23 .23) f(0) = 0. untuk nilai m yang sama.23f1(ωp+π/m) f(π) = 0.54 . Mengitung nilai fungsi periodogram dengan persamaan f1 (ωp ) = m 1 r0 + 2 rk Cosω p k π k =1 (5. Memboboti nilai f1(ωp) dengan komposisi pembobot (¼ .

1.54L(0) + 0. . c k = ( )( ) . . 2. autokovarians sampel lag-k. . mengajukan bentuk fungsi periodogram dengan persamaan L(h ) = 1 2 m −1 hπk 1 + rk Cos + rm Cosπh m m k =1 m m (5.23L(h-1) + 0. besaran-besaran yang harus dihitung untuk menggambarkan spektrum kuasa dalam bidang klimatologi secara manual. h = 1. sebab tidak ada literatur yang memberikan petunjuknya. h = 1. 113 . rk = ck/c0 4. . autokorelasi sampel lag-k. . . .Untuk keperluan pennaksiran spektrum kuasa dalam bidang klimatologi. . 2.23) m Lag-Maksimum yang sama dengan titik pemotongan. pembobotan ordinat spektrum kuasa U(0) = 0. Landsberg. dan Stringer (1972). Mitchell (1959). m-1 U(m) = 0. rata-rata hitung sampel. x = 1 n n t =1 xt 1 n−k x t − x x t+k − x n − k t =1 2. . m . Dengan perumusan periodogram seperti ini.54L(m) + 0. m 3. ordinat spektrum kuasa L(0) = L(h) = L(m) = m −1 1 (1 + rm ) + 1 rk 2m m k =1 1 2 m −1 πhk 1 + rk Cos + rm Cosπh . . . Dalam hal ini jika n → ∞ maka m → ∞ tetapi m/n → 0.46L(1) U(0) = 0. sehingga berdasarkan kriteria ini Jenkins dan Watts (1968) menyarankan untuk mengambil tiga macam nilai m yang bedanya cukup besar. adalah 1. k = 0.46L(m-1) Dalam metode windowing yang menjadi masalah adalah menentukan nilai m yang bisa memberikan informasi yang cukup terhadap keberadaan periodesitas yang signifikans. .1 m m k =1 m m 1 1 m −1 m (− 1)m rk 1 + (− 1) rm + 2m m k =1 ( ) 5.23L(h+1) .54L(h) + 0.

sehingga Persamaan (5. (s-1) .12). . . Pengambilan nilai m dalam metode windowing akan menentukan bentuk garis spektrumnya. Metode Fast Fourier Transform (metode FFT) Pada dasarnya menghitung dugaan spektrum kuasa adalah menghitung nilai periodogram pada Persamaan (5. p = sp1 + p0 .4. . ½r-1 . . jika nilai m kecil maka garis spektrumnya akan halus. dan jika m besar garis spektrumnya akan kasar. .24) dapat disajikan dalam persamaan 2 πipt 0 s −1 n t1 = 0 2 πiprt 1 n n −1 t =0 2 πipt n x te . Sedangkan Chatfield (1984) menyarankan. t0 = 0. rs = n . 1. . diambil salah satu yang memberikan informasi paling banyak mengenai periodesitas data. (s-1) . t1 = 0. e 2 πisp1rt1 n =e 2 πip1 t1 114 . 5. . p0 = 0. . . jika banyaknya nilai data n buah maka nilai m diambil kira-kira 2n½. karena varians penaksir kecil. . . . 1.r.25) =e 2 πi (sp1 + p 0 )rt1 n =e 2 πip 0 rt 1 n e 2 πisp1rt 1 n . 1. . karena varians penaksir besar.24) Rp = Karena e dan n = s. . maka 2 πiprt 1 n r −1 t 0 =0 e x te (5. Karena Rp2 pada persamaan tersebut merupakan jumlah kuadrat dari fungsi siklometri. . maka nilai t akan bergerak dari 0 ke (n-1) dan nilai p akan bergerak dari 0 ke ½n-1. p1 = 0. 1. n −1 2 (5. . 1. maka Rp dapat disajikan dalam bilangan kompleks 2 R p = a p + ib p = n Jika ditulis t = rt1 +t0 . . . . (r-1) . 2.dan berdasarkan ketiga gambar spektrum kuasa yang sesuai dengan masing-masing nilai m tersebut. . p = 0.

. sehingga jika banyaknya nilai data tidak dapat disajikan dalam perpangkatan tersebut. . jika n merupakan bilangan genap maka paling sedikit dari r atau s harus bilangan genap. Misalnya jika n = 382. 1984 . 1976).26) Pada Persamaan (5. sehingga tambahkan nilai 0 sebanyak 130 buah sehingga menjadi n = 512 = 29 (Chatfield. hanya merupakan fungsi atas t0 dan p0. Bloomfield. 1. t 0 ) = s −1 t1 = 0 x te 2 πiprt 1 n maka Persamaan (5. Tetapi Jenkins dan Watts (1968) berpendapat. t 0 )e 2 πipt 0 n (5. dengan k bilangan asli.s . . 2. . Sehingga jika dituliskan A(p 0 . maka hasil penaksiran 115 . Perhitungan nilai-nilai fungsi periodogram dengan mentransformasikannya ke sistem bilangan kompleks ini dinamakan Metode Fast Fourier Transform (metode FFT). . maka e 2 πip1t1 = 1 .26) ini terdapat rs buah fungsi A(p0. nilainya lebih dari 28 = 256 tapi kurang dari 29 = 512. maka dapat ditambahkan nilai 0 sehingga banyaknya nilai data dapat disajikan dalam perpangkatan itu. 2. 1. Cara yang lebih sederhana adalah jika n dapat dinyatakan oleh 2k. akan lebih bervariasi dari metode windowing. (s-1) . Garis spektrum yang diperoleh dari periodogram yang dihitung dengan metode FFT. Dalam hal ini berarti bentuk s −1 t1 = 0 x te 2 πip 0 rt1 n tidak lagi bergatung pada p1. dan Sande dengan Tukey pada tahun 1966. Sedangkan program komputernya telah dibuat Singleton pada tahun 1969. yang masing-masing dibangun oleh s perkalian dan perjumlaahan atas bilangan kompleks. jika banyaknya nilai data n kurang dari 1000 buah. Dalam hubungan n = r. Bloomfield (1976) mengembangkan metode FFT ini dengan kondisi jika n (banyaknya nilai data) dapat difaktorkan atas k buah faktor bilangan prima. Menurut Chatfield (1984) dengan Box dan Jenkins (1976) kosep perhitungannya merupakan hasil pemikiran Cooley dan Tukey pada tahun 1965. . ½r-1 dan t1 = 0.Selain itu karena p1 = 0. . sehingga e 2 πiprt 1 n =e 2 πip 0 rt 1 n .25) menjadi R p = a p + ib p = 2 n r −1 t =0 A (p 0 . sehingga bentuk ap+ ibp dapat dihitung berdasarkan (r2s)/2 buah perkalian-perjumlahan atas bilangan kompleks.t0). .

spektrum kuasa dengan metode FFT tidak lebih baik jika dibandingkan dengan metode windowing. sehingga a 2 + b2 p p 2σ n 2 = n a 2 + b2 p p σ 2 ( ) = 2πiω σ 2 p akan berdistribusi chi-kuadrat dengan derajat bebas 2. tetapi sebaliknya belum tentu. maka ap dan bp pada Persamaan (5. lebih sedikit dari metode windowing. asumsi distribusi diturunkan dari distribusi peluang data. Pemikirannya itu didasarkan pada dua hal yaitu 1. x2. bisa digunakan untuk perhitungan dengan metode windowing. Informasi mengenai periodesitas tersembunyi berdasarkan metode FFT selalu lebih banyak dari metode windowing.12) akan berdistribusi normal dengan rata-rata 0 dan varians (2σ2)/n. berdasarkan pengamatan penulis. sebab paket program yang menyediakan fasilitas perhitungan dengan metode FFT.5. 5. juga bisa digunakan untuk perhitungan dengan metode windowing. maka CPU-times untuk menghitung periodogram dengan metode FFT dengan windowing tidak terlalu jauh berbeda. Jika data kurang dari 1000. seperti SPSS. Distribusi Peluang Spektral Dalam teori Statistika. xn sampel data deret waktu dari populasi yang berdistribusi normal dengan rata-rata µ dan varians σ2. . Jika x1. Misal paket program LOTUS dan EXCELL. setiap penaksir selalu memiliki distribusi peluang yang dapat Dalam analisis statistika. yang saat ini cukup banyak paket program komputer yang menyediakan fasilitas perhitungannya. 116 . STATISTICA. peluang dari data deret waktu adalah distribusi normal dengan rata-rata µ dan varians σ2. tetapi tidak bisa untuk perhitungan dengan metode FFT. tetapi yang signifikans belum tentu selalu lebih banyak pula. . Untuk menghitung periodogram dengan metode FFT atau windowing dan menggambarkan spektrumnya harus menggunakan program komputer. . 2. dan SAS. Hanya paket program perhitungan dengan metode FFT dan menggambarkan spektrumnya. .

67 n 3. 117 .12) jika digunakan langsung sebagai penaksir spektrum kuasa tidak baik. sedangkan jika komponen musiman yang tidak dihilangkan. maka titik puncak spektrum kuasa akan terakumulasi pada frekuensi 0.12) ditranformasikan menjadi Y(ω p ) = k 1 I(ωi + p ) 2(k + 1) i = − k (5. dengan kriteria : periode signifikans jika nilai spektrum kuasa berada di luar selang konfidens.6. yang pengujiannya dilakukan berdasarkan selang konfidens (interval confidens) dari penaksir spektrum kuasa. λk Berdasarkan konsepsi tersebut. yang menaikan derajat bebas chi-kuadrat dari 2 menjadi ν = 2n m k =− m dengan λk pembobot. Tranformasi Data Box dan Jenkins (1976). jika diinginkan garis spektrum yang tegas (rigorously). Untuk menaikan derajat bebas chi-kuadrat dapat dilakukan dengan cara tranformasi pembobotan seperti pada metode windowing. pembobotnya Tukey Window menaikan derajat bebas chi-kuadrat dari 2 menjadi ν = 2.71n . Dengan adanya titik akumulasi ini akan menghilangkan (mengurangi) informasi mengenai periodesitas yang lainnya. yaitu sama dengan derajat bebas distribusinya. dengan Stringer (1972) mengemukakan. Chatfield (1984). maka akumulasinya pada frekuensi yang berkaitan dengan periode musiman.. karena dalam hal ini kekeliruan baku penaksir sama dengan rata-rata hitungnya. m m sedangkan dalam metode FFT jika periodogram pada Persamaan (5.Oleh karena itu fungsi periodogram pada Persamaan (5.27) akan menjadi 2(k+1). dan Parzen Window menjadi ν = . 5. Distribusi peluang dari spektrum kuasa diperlukan untuk menguji signifikansi periode dari titik puncak garis spektrumnya. Sebab jika komponen trend tidak dihilangkan. Sebab penaksir yang baik adalah yang kekeliruan bakunya sangat kecil dibandingkan dengan rata-rata hitungnya. Jenkins dan Watts (1968). maka data deret waktu yang akan dianalisis harus dibebaskan dari komponen musiman dan trend.

Untuk membebaskan data deret waktu dari komponen musiman dan trend dapat dilakukan dengan proses diferensi orde satu. maka bentuk diferensinya. zt = (1 – Bb)x1 . x2. Sehingga jika ada keduanya. didiferensi lagi dengan orde-b. maka bentuk diferensinya. diperoleh gambar seperti di bawah ini 42 40 38 36 34 32 Value STOK 30 28 26 229 319 405 425 514 601 620 710 727 815 904 1010 921 1115 1224 114 131 220 1029 1205 WAKTU Gambar 5.. . Jika digambarkan menurut waktunya. maka bentuk diferensinya. ut = (1 – B)x-t − (1 – Bb)xt. sehingga jika data deret waktu x1.. xn memiliki komponen trend. sedangkan jika ada komponen musiman dengan periode b bulan. Contoh numerik Perhatikan data persediaan barang yang disajikan pada Lampiran-1. yang berarti data hasil proses diferensi orde-1. yt = (1 – B)xt. .2 Peta data atas waktu dengan gambar ACF dan PACF nya seperti di bawah ini 118 .

Dari Gambar 5.3b data berautokorelasi dan akan stasioner jika dilakukan diferensi orde-1.0 0.STOK 1.3a dan 5.4a Peta data hasil diferensi orde-1 atas waktu 119 . seperti dibawah ini 3 2 1 0 Value DIFF(STOK. Untuk menegaskan pendapat tersebut.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient Lag Number Lag Number Gambar 5.3b Gambar PACF data Gambar 5.2 menyajikan sebuah kondisi data tidak stasioner dalam rata-rata hitung dan memiliki komponen musiman.5 .3a Gambar ACF data Gambar 5.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient -1.0 STOK .5 Partial ACF Confidence Limits -.5 0. perhatikan gambar data setelah dilakukan diferensi orde-1.5 Confidence Limits ACF -1.0 1.0 -.1) -1 -2 -3 229 319 405 425 514 601 620 710 727 815 904 1010 921 1115 1224 114 131 220 1029 1205 WAKTU Gambar 5.

4b Gambar ACF data hasil diferensi orde-1 Gambar 5.5a Eliminasi musiman dengan orde-12 Gambar 5.0 1. sedangkan Gambar 5.5b menunjukan eliminasi komponen musiman yang cukup sempurna.5 . Untuk lebih jelasnya dapat ditelaah 120 .0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient -1.1) .0 -.4c Gambar PACF data hasil diferensi orde-1 Ketiga gambar ini menyajikan sebuah kondisi bahwa dengan diferensi orde-1 data sudah stasioner dalam rata-rata hitung.0 DIFF(STOK. Untuk menyakinkan hal.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Coefficient Lag Number Lag Number Gambar 5.12) 405 319 425 514 601 620 710 727 815 904 1010 921 1115 1224 114 131 220 Value DIFF(STOK_1.5 Partial ACF Confidence Limits -. di bawah ini 60 40 20 0 4000 3000 2000 1000 Value DIFF(STOK_1. tetapi komponen musimannya belum tereliminasi.5a menunjukan komponen musiman belum tereleminasi secara sempurna.5 0.5 Confidence Limits ACF -1.1) 1.5b Gambar 5. perhatikan gambar data setelah dilakukan eliminasi komponen musiman. dengan periode-6 dan periode-12. karena masih terlihat adanya “gelombang”.6) 0 -1000 -2000 -3000 -4000 229 319 405 425 514 601 620 710 727 815 904 1010 921 1115 1224 114 131 220 1029 1205 -20 -40 -60 -80 229 1029 1205 WAKTU WAKTU Eliminasi musiman dengan orde-6 Gambar 5.DIFF(STOK.0 0.

7b Fungsi densitas spektral dengan diferensi orde-1 Gambar 5..0004 .15 0.00 0.6 0.40 0.0377 .5 0.0066 .45 0.0 0.0001 .15 0.0 0.05 0.0377 .20 0..30 0.9 2.0034 . Pada gambar periodogram terlihat banyak muncul puncak spektrum.30 0. dan pada gambar terlihat puncak spektrum terakumulasi pada sekitar frekuensi 0.0 3.40 0.45 0 0.4 0.0114 .5 0.35 0.35 0.6b Fungsi densitas spektral tanpa diferensi Gambar 5.30 0.3 0. Spectral analysis: DIF_1 No.5 0. of cases: 250 From: 0 to 125 Parzen weights:0.dari gambar periodogram dan fungsi densitas spektral.0 2. of cases: 250 From: 0 to 125 1200 1000 800 1200 250 1000 200 Periodogram Values 800 Spectral Density 150 150 200 Spectral analysis: DIF_0 No.35 0.15 0. di bawah ini Spectral analysis: DIF_0 No.5 1.000 .00 0.25 Frequency 0.0004 .0 0.6a Periodogram tanpa diferensi Gambar 5.5 0.45 0 0.25 Frequency 0.0001 .40 0.5 2.0 0.9 1. of cases: 250 From: 0 to 125 Parzen weights:0.35 0.8 0.5 1.5 1.05 0.30 0.25 Frequency 0.0181 .45 Gambar 5.0 0.0 Spectral Density 0.0181 .0066 .00 0.0114 .05 0.20 0.05 0.0269 .3 0.10 0.7a dan 5.7 0.10 0.4 0.0014 . 0.40 0.50 Spectral analysis: DIF_1 No.7 0.6b menyajikan pola perodogram dan fungsi spektral untuk data asli. berdasarkan metode windowing dengan pembobot Parzen dan titik pemotongan m = 31.20 0.6 0.. of cases: 250 From: 0 to 125 3. Hal ini menunjukan bahwa komponen trend belum dihilangkan. 250 600 400 200 600 400 200 100 100 50 50 0 0.0014 .15 0.000 .7b adalah gambar periodogram dan fungsi densitas spektral dari data setelah didiferensi orde-1.00.6a dan 5.50 0 0.8 Periodogram Values 2.50 0.10 0.0034 . sehingga analisis spektral tidak baik untuk dilakukan.20 0.50 Gambar 5.0269 .7a Periodogram dengan diferensi orde-1 Gambar 5.25 Frequency 0.. 121 Hal ini . dan gambar fungsi spektralnya membangun sebuah gelombang.10 0.00 0.

15 0.0269 . musiman dengan periode-12.00 0.35 0..20 0.15 0. 3000 0.menunjukan bahawa komponen trend sudah tidak ada. Spectral analysis: DIF_6 No.8d adalah gambar periodogram dan fungsi densitas spektral setelah data dihilangkan komponen trend dan musimannya.25 Frequency 0. analisis spektral sebaiknya dilakukan pada periodogram dengan data setelah dihilangkan komponen trend dan .30 0.0034 .8a Periodogram dengan diferensi orde-6 dari hasil diferensi orde-1 Spectral analysis: DIF_12 No.0181 .00 500 0 0.5e7 1.30 0.10 0..8a dan 5.25 Frequency 0.0181 . pola fungsi densitas spektral dari data yang komponen musimannya dieliminasi dengan periode-12.00 0. 1e7 1e7 2e7 Periodogram Values 2e7 8e6 Spectral Density 8e6 1.9d dieliminasi dengan periode-12.0066 .0114 . Gambar 5. sehingga analisis spektral tidak baik untuk dilakukan dalam kondisi seperti ini.50 2500 2000 1500 1000 2500 2000 1500 1000 Spectral analysis: DIF_6 No.0014 .40 0.20 0.10 0.8a sampai 5. of cases: 250 From: 0 to 125 2.0004 .45 Gambar 5. 122 Hal ini menyimpulkan.8d Fungsi densitas spektral dengan diferensi orde-12 dari hasil diferensi orde-1 Gambar 5.5e7 Gambar 5.35 0.40 0.50 0 0..45 0.05 0.45 0 0.05 0. of cases: 250 From: 0 to 125 8000 7000 6000 Periodogram Values 5000 4000 3000 2000 1000 0 0. dan Gambar 5.5e7 2.8b komponen musiman dieliminasi dengan periode-6. tetapi komponen musiman masih ada. lebih halus dari fungsi densitas spektral jika dieliminasi dengan periode-6.50 Gambar 5.05 0.0066 .05 0.15 0.10 0.000 . of cases: 250 From: 0 to 125 Parzen weights:0.30 0.9c dan 5. of cases: 250 From: 0 to 125 Parzen weights:0.0014 .15 0.0377 .0377 .25 Frequency 0.5e7 6e6 6e6 1e7 1e7 4e6 4e6 5e6 5e6 2e6 2e6 0 0.0034 .0114 .45 0 0.8c Periodogram dengan diferensi orde-12 dari hasil diferensi orde-1 Gambar 5.10 0.20 0.0269 .20 0.35 0.30 0.40 0.35 0.0001 .50 500 0 0.40 0.00 8000 3000 7000 6000 Spectral Density 5000 4000 3000 2000 1000 0 0..000 .0004 .0001 .25 Frequency 0. Dari gambar terlihat.8b Fungsi densitas spektral dengan diferensi orde-6 dari hasil diferensi orde-1 Spectral analysis: DIF_12 No.

sehingga jika dihitung selang konfidens 0.71n 3. dan 17.95 maka m (31) diperoleh selang nilai (16. atau periode 5.127 83.630 17.1560 .2400 19.188 .1880 .0).241 .9 bulan terjadi hal istimewa pada stok.1240 .1480 .0960 1.625 3.912 3. dan 0. 5.510 .339 7. yang jika diambil rata-ratanya sama dengan 4.Nilai-nilai periodogram untuk data setelah dihilangkan komponen trend dan musiman dengan periode-12 disajikan pada Lampiran-2.749 1.1120 .135 8.402 . Hal ini berarti pada setiap 4.418 2.25 .2120 .1040 Sudah dikemukakan nilai-nilai periodogram ini berdistribusi chi-kuadrat dengan derajat bebas ν = 3.1640 . adalah Tabel 5.0 .5 bulan.9 bulan. 123 .1 Nilai-nilai puncak periodogram Frekuensi Nilai Frekuensi Nilai Nilai-nilai puncak periodogrammnya .080 18. 18. Sehingga jika ditelaah dari Tabel 5.1760 1.3 .127. yang berarti frekuensi yang signifikans adalah : 0.1400 .2240 .402 12.2 .080 .0040 2.71(251) = ≈ 30 . yaitu kejadian stok berlebih atau kekurangan. 47.1.519 .224 .2000 .8 . 0. dan 4.653 1. nilai-nilai puncak yang ada dalam selang konfidens adalah : 19.

KEPUSTAKAAN Abraham, B. dan Ledolter, J. , 1983 , Statistical Methods for Forecasting , John Wiley & Sons , New York. Box, G. E. P. dan Jenkins, G. M. , 1976 , TIME SERIES ANALYSIS forecasting and control , Holden-Day , San Francisco. Brockwell, P. J. dan Davis, R. A. , 1991 , Time Series : Theory and Methods , SpringerVerlag , New York. Chatfield, C. , 1984 , The Analysis of Time Series : An Introduction , Chapman and Hall , London. Enders, W. , 1995 , Applied Econometric Time Series , John Wiley & Sons, Inc. , New York. Harvey, A. C. , 1993 , Time Series , Harvester Wheatsheaf , New York. Montgomery, D. C. dan Johnson, L. A. , 1976 , Forecasting and Time Series Analysis , McGraw-Hill Book Co. , New York. Wei, W. W. S. , 1990 , TIME SERIES ANALYSIS : Univariate and Multivariate Methods , Addison-Wesley Pub. Co. Inc. , Redwood City.

124

LAMPIRAN-1 DATA PERSEDIAAN BARANG THN 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 WKT 229 301 302 305 306 307 308 309 312 313 314 315 316 319 320 321 322 323 326 327 328 329 330 402 403 404 405 406 409 410 411 412 413 416 417 418 419 423 424 425 426 427 430 STOK 35.875 35.875 34.750 35.250 35.500 35.375 35.125 34.500 34.750 34.250 34.375 35.000 35.000 34.625 34.625 34.250 33.750 33.625 33.500 34.500 35.000 34.750 35.000 35.250 35.750 35.625 35.375 35.625 35.375 36.000 35.875 36.750 37.125 38.125 38.375 37.375 37.125 35.750 36.000 36.500 37.125 37.000 37.375 THN 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 WKT 501 502 503 504 507 508 509 510 511 514 515 516 517 518 521 522 523 524 525 529 530 531 601 604 605 606 607 608 611 612 613 614 615 618 619 620 621 622 625 626 627 628 629 702 STOK 37.250 37.250 37.625 36.625 36.750 37.125 37.125 36.750 35.875 35.500 35.875 35.375 34.750 34.500 33.500 32.500 32.625 32.250 32.500 30.875 31.500 30.625 31.000 31.000 32.125 32.625 32.125 32.750 32.250 32.250 31.750 31.750 32.000 32.500 32.375 33.000 32.625 31.750 29.500 29.875 30.000 30.000 30.000 30.500 THN 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 WKT 703 705 706 709 710 711 712 713 716 717 718 719 720 723 724 725 726 727 730 731 801 802 803 806 807 808 809 810 813 814 815 816 817 820 821 822 823 824 827 828 829 830 831 STOK 30.750 30.125 29.625 30.000 29.500 29.125 29.000 29.000 29.500 29.625 29.125 28.250 28.625 28.875 28.250 28.250 28.500 28.625 28.625 29.250 29.875 30.500 31.000 31.375 31.500 31.750 32.625 32.375 32.750 32.875 32.500 33.250 33.500 33.000 33.000 31.875 31.875 32.625 33.000 33.500 33.250 33.375 33.750

125

THN 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84

WKT 904 905 906 907 910 911 912 913 914 917 918 919 920 921 924 925 926 927 928 1001 1002 1003 1004 1005 1008 1009 1010 1011 1012 1015 1016 1017 1018 1019 1022 1023 1024 1025 1026 1029 1030 1031

STOK 34.000 34.125 34.375 34.125 33.500 33.250 33.125 34.125 34.250 34.250 33.625 33.125 33.375 32.625 31.750 32.375 32.750 32.750 32.500 32.000 31.250 30.625 31.375 30.750 30.875 31.375 31.375 31.750 31.625 31.500 30.625 31.250 33.250 33.250 32.250 32.625 32.500 32.000 32.875 32.375 32.875 32.500

THN 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 84 85 85 85

WKT 1101 1102 1105 1106 1107 1108 1109 1112 1113 1114 1115 1116 1119 1120 1121 1123 1126 1127 1128 1129 1130 1203 1204 1205 1206 1207 1210 1211 1212 1213 1214 1217 1218 1219 1220 1221 1224 1226 1227 1228 1231 102 103 104

STOK 33.000 34.250 34.875 35.875 35.125 34.625 33.625 34.250 33.875 34.500 33.875 33.750 34.375 34.625 35.375 36.125 35.625 36.250 35.750 35.250 35.500 35.500 35.625 35.250 35.125 34.250 34.500 35.625 35.375 35.375 35.625 36.125 36.875 36.875 36.375 36.250 36.250 36.000 35.750 35.875 36.125 35.625 35.125 35.750

THN 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85 85

WKT 107 108 109 110 111 114 115 116 117 118 121 122 123 124 125 128 129 130 131 201 204 205 206 207 208 211 212 213 214 215 219 220 221 222 225

STOK 35.750 36.125 36.500 37.625 37.125 37.750 37.500 37.375 37.250 37.250 37.875 37.500 38.000 37.375 36.875 37.375 38.000 38.750 39.000 38.250 38.000 38.250 37.500 38.250 38.375 38.250 38.750 39.250 39.625 38.500 38.625 38.625 37.500 37.375 38.000

126

906 2.002 1.086676 .11112 -.751 1.5000 21 .049382 .06034 .919 2.088888 .025 1.429 1.510 1.076000 13.985 1.040000 25.08053 -.049382 .Lampiran 2 Spectral analysis: DIF_6 (dif.717 1.542 PARZEN_W 0.962 1.07938 -.11983 -.13129 -.846 1.071822 .12282 -.845 1.905 1.06622 -.056000 17.0000 11 .994 1.593 1.09415 .05087 -.09351 -.937 1.00000 .4167 COSINE_C .088000 11.2308 14 .012000 83.718 1.1579 20 .936 1.004000 250.05089 -.590 1.068000 14.000000 .6667 16 .12151 -.036000 27.816 1.8889 19 .01427 127 PERIODOG DENSITY .8696 24 .09693 -.011378 .01800 -.080000 12.777 1.003371 .0000 6 .00448 .000000 1 .086676 .032000 31.10548 .071822 .10682 .871 1.026943 .084000 11.000421 .08488 -.060000 16.336 1.05183 -.7143 8 .569 1.037689 .00141 .908 2.072000 13.01821 -.932 1.10900 SINE_COE -.506 1.061076 .11448 -.927 1.813 1.020000 50.05436 -.975 1.061 1.024000 41.3636 23 .064000 15.080671 .10493 -.7273 12 .924 1.926 2.5000 5 .028000 35.11459 -.874 1.06593 -.080671 .018067 .0000 2 .001422 .01511 .530 1.092000 10.2500 9 .11748 -.sta) FREQUNCY PERIOD 0 0.026943 .048000 20.0000 3 .912 2.096000 10.044000 22.07286 .052000 19.000053 .037689 .03475 -.8571 15 .10683 -.008000 125.12343 -.893 1.011 1.04646 .01160 -.946 1.651 1.07072 -.683 1.251 1.9048 22 .08462 .6667 7 .011378 .7778 10 .620 1.651 1.684 1.061076 .933 1.8333 13 .09183 -.10064 .02767 -.018067 .911 1.006584 .3333 4 .03531 -.12789 -.10284 -.6250 17 .552 1.016000 62.03331 -.7059 18 .12229 -.784 1.10829 .03116 .

978 3.09889 .17272 -.445 12.208000 .23774 -.132000 .124000 .000053 0.03277 .24128 .499 11.03421 .319 6.08801 .03680 -.4348 5.575 1.5556 5.12344 .678 1.35024 -.821 2.08258 -.140000 .192000 .25774 -.301 2.17647 -.618 1.418 1.35258 -.442 1.168000 .5789 6.09880 -.152000 .00709 -.2500 6.120000 .30425 -.031 9.04248 .334 3.758 1.912 2.062 2.09015 .0645 7.250 3.7170 .008 3.9020 4.07776 -.389 13.1429 6.10774 -.188000 .160000 .01677 .12822 .10921 .25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 .921 .787 18.6818 5.10114 .10954 .029 2.497 1.2083 5.8125 7.518 14.08736 .204000 .494 8.006584 .8140 5.1020 5.05661 -.001 6.136000 .339 1.7568 6.15668 -.511 19.20427 -.4103 6.630 1.983 2.541 1.200000 .06709 .5758 7.09921 -.602 11.3191 5.212000 10.003371 .175 4.805 10.22801 -.156000 .576 1.6207 8.184000 .172 16.16830 -.2593 8.20694 128 1.180000 .12516 -.501 2.10761 -.708 12.241 4.402 4.719 4.653 1.144000 .02247 .478 7.745 3.061 2.172000 .104000 .10173 .001422 .09981 -.112000 .000421 .108000 .129 2.05611 .3333 8.02922 -.135 1.625 1.13261 .116000 .735 7.0000 4.552 1.9286 8.04690 -.10183 .176000 .16340 -.0976 5.261 9.100000 .148000 .3529 7.04865 .18383 -.161 1.03351 -.8077 4.16763 -.709 5.07141 .164000 .9444 6.09071 .0000 9.20415 .519 1.080 7.6154 9.128000 .00082 -.08648 .07836 .514 8.09224 -.860 1.734 3.196000 .9524 5.000000 .12165 .

240000 .08088 1.296000 .02098 -.324000 .297 204.26830 -.51695 -.552 109.276000 .127 5.572 462.37994 129 11.342 45.308000 .814 30.54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 .749 45.954 9.51001 -.20411 -.34342 .164 44.9683 3.36153 -.3860 4.43967 1.248000 .515 281.286 .0488 .5714 3.05529 -.77888 .53410 .300000 .2373 4.645 18.10146 .256000 .45697 -.53180 -1.4643 4.676 76.272000 .30637 -.949 17.984 103.593 410.762 88.78487 -.413 27.0864 3.466 182.428 119.264000 .292000 .5211 3.29896 .3103 4.15364 -.76377 -.589 .91429 .996 51.312000 .228000 .539 99.391 66.15455 .7879 3.403 9.7313 3.139 155.495 216.6296 4.066 37.510 76.473 86.312 234.1667 4.606 37.304000 .5455 4.260000 .328000 4.20908 -.25037 1.127 88.797 26.2468 3.236000 .28652 1.856 189.224000 .090 23.17224 .59062 -.96740 -1.02992 -.435 38.288000 .307 41.268000 .01817 -.150 238.50897 1.374 39.22474 .118 258.10617 .23829 -.252000 .706 137.06763 -.788 11.05713 .8462 3.714 226.316000 .260 13.070 172.284000 .142 16.26030 -.2895 3.4722 3.384 263.58548 .368 135.104 33.3784 3.244000 .172 83.6765 3.28326 -.590 58.1250 3.73191 -.23233 -.1646 3.232000 .0323 3.83500 -1.312 251.44474 -1.704 21.15647 -.3333 3.636 204.6232 3.25794 .31146 .09618 .216000 .474 118.08789 .0984 4.280000 .283 591.220000 .32432 .9063 3.31074 .05612 -.320000 .4247 3.415 242.36940 1.2051 3.59229 -.18214 -.92997 .84291 .01097 .

41944 -.548 1512.431 207.760 437.461 2544.36695 -.18855 -2.10289 .66112 -1.336000 .96454 -3.557 51.79222 130 114.400000 .298 574.870 716.82518 1.68587 2.254 1040.962 90.75856 -2.73600 -.18778 .420 1292.684 510.19711 2.388000 .58577 .43675 .344 122.049 53.93757 -.353 2541.6882 2.6316 2.457 661.349 444.295 2583.2936 2.408000 .543 2088.404000 .013 2505.833 1208.364000 .24627 -3.73098 .4272 2.372000 .06950 -3.518 2328.2727 2.428000 .8409 2.2523 -.352000 .420000 .107 1789.4038 2.400 1018.9762 2.66384 4.458 645.97128 -.79563 -1.739 760.221 389.99449 -.647 844.972 1939.415 587.4752 2.75953 .30993 2.81599 -.3585 2.22572 2.9412 2.41514 .424000 .436000 .5000 2.356000 .209 91.360000 .514 995.440000 .0120 2.48690 .8090 2.376000 .416000 .8736 2.198 343.40118 -1.13716 1.64935 -.966 626.7778 2.84554 2.16125 .41595 -.432000 .176 506.380000 .019 898.32430 -2.71087 -1.802 1245.10193 .467 316.961 1393.3148 2.705 1143.500 948.51028 2.86145 .82299 .5773 2.801 783.7473 2.7174 2.69117 .83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 .6042 2.5510 2.384000 .392000 .3810 2.755 145.75659 -1.340000 .3364 2.957 3782.671 1088.674 147.81355 -1.750 362.396000 .243 307.6596 2.39182 -1.9070 2.679 2227.779 5832.476 6016.368000 .246 .583 1210.23389 1.842 981.332000 .50332 -.465 554.73128 -4.5253 2.15254 .57844 .71687 -1.139 1646.344000 .48504 .98572 6.21928 -.4510 2.53569 3.52299 -.444000 3.858 2347.348000 .412000 .81812 6.956 2441.60775 1.779 1514.

11220 .885 2192.41081 -1.0325 2.496000 .58302 2.65028 -1.480000 .468000 .1739 2.00000 7373.70620 -3.1368 2.1186 2.1552 2.05824 0.0000 7.563 583.1008 2.65744 -1.297 950.464000 .35731 2.00745 -2.0492 2.460000 .68800 -2.384 1599.923 620.488000 .546 2292.80214 .452000 .648 790.0161 2.67421 1.056 1258.112 113 114 115 116 117 118 119 120 121 122 123 124 125 .03047 -6.399 1863.119 186.500000 2.448000 .113 1563.1930 2.484000 .43552 -2.020 1029.2124 2.010 2378.476000 .49135 1.2321 2.456000 .84144 2.225 2451.435 2078.21825 -2.472000 .578 2508.617 1842.94978 6.287 1666.23277 1.26228 2.16599 -1.767 1580.329 1896.170 1655.187 131 .0833 2.762 5138.71968 1.492000 .51444 1.04891 -.413 2545.33184 -2.85370 -2.52781 3.0661 2.504 5767.813 1739.299 2558.673 1958.

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)//-->