Professional Documents
Culture Documents
PENDAHULUAN
1.1 Latar Belakang
Statistika merupakan cabang dari ilmu matematika yang
bmengalami perkembangan sangat pesat. Tidak hanya dapat
digunakan dalam hal analisis, namun juga dapat digunakan
sebagai metode peramalan dan juga metode terbaik dalam
pengambilan sebuah keputusan. Untuk menjalankan fungsinya
tersebut, ilmu statistika memiliki berbagai macam metode dan
salah satunya adalah analisis deret waktu atau yang biasa disebut
Time Series.
Time series pada dasarnya digunakan untuk melakukan
analisis data yang mempertimbangkan pengaruh waktu. Data-data
yang dikumpulkan secara periodik berdasarkan urutan waktu,
bisa dalam jam, hari, minggu, bulan, kuartal dan tahun. Selain itu
analisis time series bisa digunakan untuk peramalan data
beberapa periode ke depan yang sangat membantu dalam
menyusun perencanaan ke depan. Data time series terdapat
dalam berbagai bidang, misalnya bidang ekonomi misalnya data
penjualan setiap hari, keuntungan perusahaan dalam setiap tahun
dan total nilai ekspor dalam setiap bulan. Data time series pada
bidang fisika misalnya data curah hujan bulanan, temperatur
udara harian, gerak partikel, sedangkan pada bidang demografi
misalnya data pertumbuhan penduduk, mortalitas dan natalitas.
Selain itu, di bidang pengontrolan kualitas, data time series
misalnya data proses
pengontrolan
kualitas
produk,
pengontrolan proses produksi
Dalam berbagai persoalan mengenai Forecasting banyak
digunakan model yang disebut dengan metode Box-Jenkins atau
ARIMA (autoregressive integrated moving average). Metode
tersebut digunakan untuk mencari pola yang paling cocok dari
sekelompok data (curve fitting), dengan memanfaatkan
BAB II
TINJAUAN PUSTAKA
2.1
Stasioneritas
Nonstasioneritas suatu data time series dapat dilihat dari plot time
series. Data yang tidak stasioner, plot time series cenderung
memperlihatkan trend searah diagonal. Selain itu, ketidakstasioneritas
dapat dilihat dari plot ACF yang nilai-nilai autokorelasinya signifikan
berbeda dari nol untuk beberapa periode waktu. Nonstasioneritas dalam
mean dan nonstasioneritas dalam varian.
2.3
Fungsi Autokorelasi
dimana:
= data transformasi
Zt
= 0 (data nonstasioner)
H1:
dibandingkan dengan
dimana ;
adalah
untuk j=1,2,,k-1
, sehingga :
Nilai estimasi
dengan ri
untuk selisih waktu yang cukup besar, dimana fungsi autokorelasi parsial
menjadi kecil sekali (tidak signifikan berbeda dengan nol), Quenouiile
memberikan rumus variansi
sebagai berikut :
Pendugaan Parameter
Ada dua cara yang mendasar untuk mendapatkan parameterparameter tersebut:
a. Dengan cara mencoba-coba (trial and error), menguji beberapa
nilai yang berbeda dan memilih satu nilai tersebut (atau
sekumpulan nilai, apabila terdapat lebih dari satu parameter yang
akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa
(sum of squared residual).
b. Perbaikan secara iterative, memilih taksiran awal dan kemudian
perhitungan dilakukan Box-Jenkins Computer Program untuk
memperhalus penaksiran tersebut secara iteratif. (Oktavin,2011)
Pendugaan parameter bertujuan untuk menentukan apakah
parameter sudah layak digunakan dalam model. Pendugaan parameter
dapat dilakukan dengan menggunakan beberapa metode, yaitu metode
momen, kuadrat terkecil dan kemungkinan maksimum (likelihood).
Pendugaan parameter untuk suatumodel dikatakan berpengaruh
signifikan, jika nilai
dengan
Uji Ljung-Box :
BAB III
METODOLOGI
3.1Prosedur Penggunaan Minitab
1.Memasukkan data ke minitab
rata-rata
dengan
Setelah didapatkan data baru hasil diferensi, maka dilakukan kembali uji
ACF menggunakan data hasil diferensi sampai didapatkan tiga lag
pertama yang keluar batas sebanyak kurang dari atau sama dengan 3.
4. PACF
Klik stat time series Partial autocorrelation
Isi kolom series dengan kolom data awal. Isi kolom Autoregresive dengan
kemungkinan-kemungkinan AR yang ada, Difference dengan banyaknya
dilakukan diferensi, dan Moving Average dengan kemungkinankemungkinan MA yang ada.
7. Peramalan
Untuk melakukan peramalan maka dapat dilakukan dengan stat
ARIMA isi kolom-kolom dengan model yang sudah signifikan dan
paling layak
BAB IV
HASIL DAN PEMBAHASAN
Data yang digunakan adalah data penjualan rumah yang ada di Amerika
Serikat mulai tahun 1968 sampai 1982 yang masing-masing tahun
diamnbil datanya dari Bulan Januari sampai dengan November.
35
43
46
46
43
41
44
47
41
40
32
34
40
43
42
43
44
39
40
33
32
31
34
29
36
42
43
44
44
48
45
44
40
45
49
62
62
58
59
64
62
50
52
50
51
56
60
65
64
63
63
72
61
65
51
55
60
68
63
65
61
54
52
46
42
37
37
44
55
53
58
50
48
45
41
34
30
29
34
44
54
57
51
51
53
46
46
46
41
53
55
62
55
56
57
59
58
55
49
57
68
84
81
78
74
64
74
71
63
55
57
63
75
85
80
77
68
72
68
70
53
53
58
73
72
68
63
64
68
60
54
41
43
44
44
36
44
50
55
61
50
46
39
37
40
49
44
45
38
36
34
28
29
27
28
29
36
32
36
34
31
36
39
40
39
Pada plot box-cox ini dapat dilihat bahwa nilai estimate nya sebesar 0,20
dan Rounded Valuenya sebesar 0,00 sehingga dapat disimpulkan bahwa
data yang dimasukkan belum stasioner terhadap ragam dan perlu
dilakukan transformasi. Berikut ini hasil transformasinya
Pada plot box-cox ini dapat dilihat bahwa nilai Rounded Valuenya sebesar
2,00 sehingga dapat disimpulkan bahwa data yang dimasukkan belum
stasioner terhadap ragam dan perlu dilakukan transformasi lagi. Berikut
hasilnya :
Pada plot box-cox ini dapat dilihat bahwa nilai Rounded Valuenya
sebesar 1,00 sehingga dapat disimpulkan bahwa data yang
dimasukkan sudah stasioner terhadap ragam dan tidak perlu
dilakukan transformasi lagi.
Setelah dilakukan satu kali diferensi maka ACF yang muncul akan seperti
berikut ini :
012
111
013
112
113
Dengan H0 : 1= 2= 3
H1 : paling tidak ada satu pasang yang berbeda
Output yang didapatkan dari software minitab seperti dibawah ini :
1. ARIMA (0 1 1)
9. ARIMA (2 1 1)
Nilai p-value kurang dari alpha 0.05 maka model tidak layak.
2. ARIMA (1 1 1)
2. Model ARIMA (1 1 2)
Oleh karena itu, model ARIMA (1 1 2) juga layak digunakan
untuk melakukan peramalan.
Forecasting
Setelah dilakukan peramalan menggunakan minitab, seperti yang
dilakukan pada bab 3 maka akan tampak hasil seperti berikut ini.
BAB V
PENUTUP
3.1
Kesimpulan
5.1.1
5.1.2
5.1.2
5.1.3
5.1.4
5.1.5
5.1.6
5.1.7
3.2 Saran
Dalam pengujian stasioneritas ini, disarankan agar lebih
teliti dan berhati-hati dalam menganalisis kestasioneran dan
dalam melakukan transformasi. Selain itu diperlukan kesabaran
yang tinggi dalam uji signifikansi model dan juga penentuan
model yang layak. Selain itu, perlu ditekankan bahwa ketika uji
signifikansi model dan juga pemilihan model terbaik selalu
menggunakan data awal, bukan data hasil transdormasi ataupum
diferensi.
DAFTAR PUSTAKA
Makridakis, S., Wheelwright, S.C., & McGee, V.E. 1999. Metode
dan Aplikasi Peramalan Jilid 1 Edisi Kedua. Terjemahan Ir.
Untung S. Andriyanto dan Ir. Abdul Basith.Jakarta: Erlangga.
Samsiah, Dewi Nur.2008.Analisis Data Runtun Waktu Menggunakan
Model ARIMA (p,d,q).( http://digilib.uin-suka.ac.id/diakses
tanggal 10 November 2014).
Santoso, S. 2009. Bussiness Forecasting Metode Peramalan
Bisnis Masa Kini dengan Minitab dan SPSS. Jakarta: PT Elex
MediaKomputindo.
http://statmath48.blogspot.com/2011/04/stasioneritas-dannonstasioneritas.html (diakses tanggal 10 November 2014)
http://ekonmetrik.blogspot.com/search/label/time
%20series (diakses tanggal 10 November 2014)
http://eprints.uny.ac.id/9180/3/bab%202%20-%2008305144018.pdf
(diakses tanggal 10 November 2014)
(http://www.bps.go.id/diakses tanggal 8 November 2014)