5 0 340 KB
P Pengenalan l
Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 29 November 2012 Utriweni Mukhaiyar
2
Ilustrasi • Berikut adalah data rata-rata curah hujan bulanan yang diamati dari Stasiun Padaherang pada tahun 2001 – 2004. Sumber : Modul 3 Praktikum Mekanika Medium Kontinu “ Medan Gravitasi”
Tahun Jan
Feb
Mar
Apr
Mei
2001 278.59 279.78 355.29 241.34 115.9
Jun
Jul
Agust Sep
Okt
Nop
Des
176.9 55.32 29.08 43.82 313.68 508.49 267.82
2002 299.78 245.88 266.64 185.27 122.22 133.1 76.78
32.4
26.09 169.05 461.62 415.73
2003 425.21 370.8 300.23 157.43 184.96 69.93 23.28 14.39 17.86 275.23 433.23 456.02 2004 547.8 308.2
388
93
297
128
47
5
87
Apabila A bil nilai il i curah hh hujan j saatt ini i i di dianggap
105
389
dipengaruhi oleh rata-rata curah hujan kemarin dst, maka data rata-rata curah hujan di atas dapat dikategorikan sebagai suatu deret waktu (time series). series)
371.6
3 @ UM
Plot Data berdasarkan waktu
Rata-rata curah hujan bulanan 2001 - 2004 di Stasiun Padaherang 600
nilai curah hujan
500 5 400 300 200 100 0
0
5
10
15
20
25
30
waktu (bulan ke-)
35
40
45
4
P Proses Stokastik St k tik • Proses stokastik adalah barisan peubah acak {Yt , t T } • Setiap proses stokastik memuat ruang keadaan S dan indeks parameterT S : semua nilai yang mungkin dari Yt S danT d T dapat d t bernilai b il i diskrit di k it atau t kontinu k ti • Contoh proses stokastik: g a. Cuaca harian kota Bandung b. Banyaknya trombosit/hari pasien demam berdarah sejak ia terinfeksi c. Laju pertumbuhan populasi orang utan (% per tahun) d Waktu antara mekarnya bunga bangkai yang ke-n d. ke n dengan bunga bangkai yang ke n+1 • Misal yt nilai dari Yt maka barisan nilai {yt , t T } disebut realisasi dari {Yt , t T }
5
Ti Time Series S i • • • •
Jika T : waktu, maka {Yt , t T } disebut time series Realisasinya disebut data TS Studi berkaitan dengan TS disebut analisis TS Permasalahan dalam analisis TS : “Bagaimana Bagaimana menentukan model Yt sehingga model tersebut dapat digunakan untuk forecasting (prakiraan di waktu mendatang)?? ”
• Secara umum, model TS dapat ditulis (1) Yt = f (.) + et Asumsi galat: et ~ N (0, 2) dan tidak berkorelasi • Jika f linier dalam parameter-parameternya maka persamaan (1) disebut model linier TS • Koleksi semua model linier TS dinamakan model ARIMA(p,d,q) (Box-Jenkins, 1976)
6
C t h Time Contoh Ti Series S i Produksi Tembakau di AS
1500 10 000
Miliar pounds M
6 5
500
4 3 0
20
40
60
80
100
120
1880
1900
1920
Kuartal
1940
1960
1980
Tahun
Data Penjualan lynx pelts di Canada
Ukuran partikel setelah penyemprotan pengharum ruangan
110
112
114
116
118
20 0000 40000 6000 00 80000
Persen
7
8
2000
9
Tingkat Pengangguran di AS
1850
1860
1870
1880 Tahun
1890
1900
0
100
200
300 Menit
400
500
7
Manfaat dan Tujuan TS • Memodelkan d lk d data TS sehingga hi d dapat dilih dilihat perilaku data lebih lanjut • Melakukan prediksi ke depan atau prakiraan jangka pendek (short-time forecasting)
8
Beberapa Konsep Dasar dalam TS Kestasioneran • TS {Yt , t T T } stasioner t i jik untuk jika t k setiap ti t, t 1. E[Yt] = (konstan) 2 kov(Yt , Yt –k) = k (tidak tergantung t ) 2. • Secara visual, visual data TS {Yt , t T } stasioner jika data TS berfluktuasi di sekitar rataannya dengan g variansi konstan
9
Beberapa Konsep Dasar dalam TS ACF fungsi autokorelasi ACF, •
ACF (fungsi autokorelasi) : fungsi antara lag k dan k dengan, dengan k = corr (Yt ,Y Yt –k). ) n ACF sampel: (Y Y )(Y Y )
rk t k 1
t
t k
n
2 ( ) Y Y t t 1
rk = 0 (secara signifikan) jika 1 1 1,96 1 96 rk 11,96 96 n n
10
Beberapa Konsep Dasar dalam TS PACF fungsi parsial autokorelasi PACF, • PACF (fs. autokorelasi parsial) : fungsi antara lag k dengan g kk di mana kk = corr ((Yt , Yt –kk) setelah p pengaruh g Y1 , Y2, …, Yk-1 ditiadakan. • PACF dapat didefinisikan juga sebagai koefiesien suku terakhir dari regresi Yt dengan Y1 , Y2, …, Yk. Artinya, jika Yt = +1Yt-1 + 2Yt-2 + … + kYt-kk maka PACF Artinya sampel untuk lag k = taksiran dari k. atau ˆkk ˆk 1 1 ˆ ˆkk = 0 (secara ( signifikan) i ifik ) jika jik 1,96 1 96 kk 1,96 1 96
n
n
11
C t h ACF d Contoh dan PACF d dengan g SPSS number of blowfly 8000 Coefficient
1.0
Upper Confidence Limit
0.5
6000
ACF
numb ber of blowfly
Lower Confidence Limit
0.0
4000 -0.5
-1.0
2000
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Lag Number
number of blowfly
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 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
Sequence number
Coefficient
1.0
Upper Confidence Limit Lower Confidence Limit
0.5
Partial ACF
Dari menu SPSS, pilih p Graphs Time Series Autocorrelations... pilih variabel yang akan dihit dihitung ACF dan d PACF-nya PACF OK
0.0
-0.5
-1.0 1
2
3
4
5
6
7
8
9
10
Lag Number
11
12
13
14
15
16
12
Model-model Model model Time Series Untuk TS Stasioner
1. Autoregresi (AR) : “regresi terhadap TS yg lalu & galat sekarang sekarang” AR(1): Yt = +1Yt-1 +et , di mana 1