23:49:27
STK352 Analisis Deret Waktu MODEL ARIMA MUSIMAN Pertemuan 12
Farid Mochamad Afendi Departemen Statistika IPB 27 Mei 2008
23:49:27
MATERI PEMBAHASAN MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI
PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI
23:49:27
MATERI PEMBAHASAN MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI
PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI
23:49:27
MATERI
PEMBAHASAN PENGANTAR Pengantar
MODEL ARMA MUSIMAN ILUSTRASI
PENGANTAR
23:49:27
Pengantar MATERI
PEMBAHASAN
PENGANTAR Pengantar
MODEL ARMA MUSIMAN ILUSTRASI
Model ARIMA juga dapat digunakan untuk fitting data yang berpola musiman. Langkah awal adalah penentuan s atau panjang periode musiman. Proses identifikasi model ARIMA musiman analog dengan model ARIMA non musiman.
23:49:27
MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN Model
MA(1) Musiman
Model
MA(Q) Musiman Model
AR(1) Musiman
Model
AR(P ) Musiman ILUSTRASI
MODEL ARMA MUSIMAN
23:49:27
Model MA(1) Musiman MATERI
PEMBAHASAN
PENGANTAR
Z t = at − ΘZ t−12
MODEL ARMA MUSIMAN Model
Bila periode musiman s = 12 maka model musiman MA(1)
MA(1) Musiman
Model
MA(Q) Musiman Model
AR(1) Musiman
Model
AR(P ) Musiman ILUSTRASI
Mudah ditunjukkan bahwa series tersebut memiliki autokorelasi tidak nol hanya untuk lag 12 saja.
23:49:27
Model MA( Q ) Musiman MATERI
PEMBAHASAN
PENGANTAR
Z t = at − Θ1 Z t−s − Θ2 Z t−2s − . . . − ΘQ Z t−Qs
MODEL ARMA MUSIMAN Model
MA(1) Musiman
dengan persamaan polinomial ciri MA musimannya
Model
MA(Q) Musiman Model
Secara umum, model musiman MA(Q) adalah
AR(1) Musiman
Θ(x) = 1 − Θ1 xs − Θ2 x2s − . . . − ΘQ xQs
Model
AR(P ) Musiman ILUSTRASI
Model ini invertible bila nilai mutlak dari akar Θ(x) = 0 semuanya lebih dari 1.
23:49:27
Model MA( Q ) Musiman (lanjutan) MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN Model
MA(1) Musiman
Model
MA(Q) Musiman Model
AR(1) Musiman
Model
AR(P ) Musiman ILUSTRASI
Seperti model MA(q ) non musiman, MA(Q) musiman memiliki autokorelasi yang tidak nol untuk lag s, 2s , . . . , Q s.
23:49:27
Model AR(1) Musiman MATERI
PEMBAHASAN
PENGANTAR
Z t = ΦZ t−12 + at
MODEL ARMA MUSIMAN Model
Untuk model AR(1) musiman masih dengan s = 12
MA(1) Musiman
Model
MA(Q) Musiman Model
AR(1) Musiman
AR(P ) Musiman
Model
ILUSTRASI
Dapat ditunjukkan bahwa ρ12k = Φk untuk k = 1, 2, . . . dengan autokorelasi lag lain bernilai 0. Dengan kata lain, autokorelasi kelipatan periode musiman adalah tail off sementara autokorelasi lag lain bernilai nol.
23:49:27
Model AR( P ) Musiman MATERI
PEMBAHASAN
PENGANTAR
Z t = Φ1 Z t−s + Φ2 Z t−2s + . . . + ΦP Z t−P s + at
MODEL ARMA MUSIMAN Model
MA(1) Musiman
dengan persamaan polinomial ciri AR musimannya
Model
MA(Q) Musiman Model
Secara umum, model AR(P ) musiman adalah
AR(1) Musiman
Φ(x) = 1 − Φ1 xs − Φ2 x2s − . . . − ΦP xP s
Model
AR(P ) Musiman ILUSTRASI
Model ini stasioner bila nilai mutlak dari akar Φ(x) = 0 semuanya lebih dari 1.
23:49:27
Model AR( P ) Musiman (lanjutan) PEMBAHASAN
Model AR(P ) musiman memiliki
PENGANTAR
MATERI
MODEL ARMA MUSIMAN Model
MA(1) Musiman
Model
MA(Q) Musiman Model
AR(1) Musiman
Model
AR(P ) Musiman ILUSTRASI
autokorelasi kelipatan periode musiman tail off sementara autokorelasi lag lain bernilai nol. autokorelasi parsial cut off setelah lag P kelipatan periode musiman, sementara lag lain bernilai nol.
23:49:27
MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
ILUSTRASI
23:49:27
U.S. Air Passenger Data MATERI
PEMBAHASAN
PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Sebagai ilustrasi, disajikan analisis data ’U.S. Air Passenger Data’ yang berupa data bulanan dari Januari 1960 hingga Desember 1977 (Cryer, 1986 p.270). Data tahun terakhir digunakan untuk validasi 2.42 2.35 2.62 2.75 3.24 3.75 4.40 5.30 6.20 7.00 10.45 10.53 11.74 12.50 12.99 12.64 13.94 15.09
2.14 1.82 2.34 2.45 2.95 3.25 4.00 4.60 5.70 6.00 8.81 9.06 10.27 11.05 11.69 11.01 12.75 12.94
2.28 2.40 2.68 2.85 3.32 3.70 4.70 5.90 6.40 7.10 10.61 10.17 12.05 12.94 13.78 13.30 14.19 15.46
2.50 2.46 2.75 2.99 3.29 3.98 5.10 5.50 6.70 7.40 9.97 11.17 12.27 13.24 13.70 12.19 14.67 15.39
2.44 2.38 2.66 2.89 3.32 3.88 4.90 5.40 6.30 7.20 10.69 10.84 12.03 13.16 13.57 12.91 14.66 15.34
2.72 2.83 2.96 3.43 3.91 4.47 5.70 6.70 7.80 8.40 12.40 12.09 13.95 14.95 15.12 14.90 16.21 17.02
2.71 2.68 2.66 3.25 3.80 4.60 3.90 6.80 7.60 8.50 13.38 13.66 15.10 16.00 15.55 16.10 17.72 18.85
2.74 2.81 2.93 3.59 4.02 4.90 4.20 7.40 8.60 9.40 14.31 14.06 15.65 16.98 16.73 17.30 18.15 19.49
2.55 2.54 2.70 3.12 3.53 4.20 5.10 6.00 6.60 7.10 10.90 11.14 12.47 13.15 12.68 12.90 14.19 15.61
2.49 2.54 2.65 3.16 3.61 4.20 5.00 5.80 6.50 7.00 9.98 11.10 12.29 12.88 12.65 13.36 14.33 16.16
2.13 2.37 2.46 2.86 3.22 3.80 4.70 5.50 6.00 6.60 9.20 10.00 11.52 11.99 11.18 12.26 12.99 14.84
2.28 2.54 2.59 3.22 3.67 4.50 5.50 6.40 7.60 8.00 10.94 11.98 13.08 13.13 13.27 13.93 15.19 17.04
# # # # # # # # # # # # # # # # # #
196 196 196 196 196 196 196 196 196 196 197 197 197 197 197 197 197 197
23:49:27
Plot Data Asal MATERI
PEMBAHASAN PENGANTAR
Plot data asal memperlihatkan pola musiman dengan s = 12 serta adanya perilaku nonstasioner baik dalam rataan maupun ragam.
MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 1: Time Series Plot Data Asal
23:49:27
Plot Transformasi Ln MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN
Transformasi logaritma berhasil mengatasi ketidakstasioneran dalam ragam meskipun ketidakstasioneran dalam rataan masih nampak.
ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 2: Time Series Plot Data Transformasi Logaritma
23:49:27
Pemeriksan Kehomogenan Ragam MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam
Gambar 3: Plot Range-Mean data asal
ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 4: Plot Range-Mean data transformasi ln
23:49:27
Pemeriksan Kehomogenan Ragam (lanjutan) MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam
Gambar 5: Uji kehomogenan ragam data asal
ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 6: Uji kehomogenan ragam data transformasi ln
23:49:27
ACF Data Transformasi Ln MATERI
PEMBAHASAN PENGANTAR
Plot ACF data setelah transformasi logaritma menunjukkan pola nonstasioner. Perhatikan juga pola ACF untuk lag s, 2s , . . ..
MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 7: Plot ACF Data Transformasi Logaritma
23:49:27
ACF Musiman Data Transformasi Ln MATERI
PEMBAHASAN PENGANTAR
Plot ACF data setelah transformasi logaritma untuk lag 12, 24, 36, 48 menunjukkan pola nonstasioner.
MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 8: Plot ACF Musiman Data Transformasi Logaritma
23:49:27
Plot Data Nonseasonal Differencing d = 1 MATERI
PEMBAHASAN PENGANTAR
Nonseasonal differencing d = 1 berhasil mengatasi ketidakstasioneran dalam rataan untuk komponen nonseasonalnya.
MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 9: Plot data setelah nonseasonal differencing d = 1
Plot ACF Data Nonseasonal Differencing d MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN
= 1
Plot ACF data nonseasonal differencing d = 1 mengkonfirmasi kestasioneran komponen non musiman (namun perhatikan lag 12, 24, dst).
ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
23:49:27
(a) Plot ACF
(b) Plot ACF Musiman
Gambar 10: Plot ACF Data Nonseasonal Differencing d = 1
23:49:27
Plot Data Seasonal Differencing D
= 12
MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 11: Plot data setelah seasonal differencing D = 12
23:49:27
Plot ACF Data Seasonal Differencing D MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN
= 12
Nonseasonal differencing D = 12 berhasil mengatasi ketidakstasioneran dalam rataan untuk komponen seasonalnya (namun tidak untuk komponen non musimannya).
ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
(a) Plot ACF
(b) Plot ACF Musiman
Gambar 12: Plot ACF data seasonal differencing D = 12
23:49:27
Plot Data Differencing d = 1, D
= 12
MATERI
PEMBAHASAN PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 13: Plot data setelah differencing d = 1, D = 12
Plot ACF-PACF Data Differencing d MATERI
PEMBAHASAN PENGANTAR
= 1, D = 12
Kedua komponen telah stasioner. Identifikasi komponen non musiman adalah ARIMA(0,1,2).
MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting
(a) Plot ACF
(b) Plot PACF
Diagnosa Validasi
Gambar 14: Identifikasi ARIMA komponen non musiman
23:49:27
23:49:27
Plot ACF-PACF Musiman Data Differencing d MATERI
PEMBAHASAN PENGANTAR
= 1, D = 12
Identifikasi komponen musiman adalah ARIMA(0,1,1)12, sehingga model tentatif adalah ARIMA(0,1,2)×(0,1,1)12.
MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting
(a) Plot ACF Musiman
(b) Plot PACF Musiman
Diagnosa Validasi
Gambar 15: Identifikasi ARIMA komponen musiman
23:49:27
Fitting ARIMA(0,1,2) ×(0,1,1)12 MATERI
PEMBAHASAN
Pengepasan model (Fitting ) ARIMA(0,1,2)×(0,1,1)12
PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 16: Fitting ARIMA(0,1,2)×(0,1,1)12
23:49:27
Plot ACF-PACF Residual MATERI
PEMBAHASAN PENGANTAR
Identifikasi komponen musiman adalah ARIMA(0,1,1)12, sehingga model tentatif adalah ARIMA(0,1,2)×(0,1,1)12.
MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting
(a) Plot ACF Residual
(b) Plot PACF Residual
Diagnosa Validasi
Gambar 17: Plot ACF-PACF residual
23:49:27
Diagnosa Model MATERI
PEMBAHASAN
Diagnosa model dari plot residual
PENGANTAR MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 18: Diagnosa model dari plot residual
23:49:27
Validasi Model MATERI
PEMBAHASAN PENGANTAR
Validasi Model menggunakan data Tahun 1977: (MAD=0.344 dan MAPE=2.14%)
MODEL ARMA MUSIMAN ILUSTRASI U.S. Air Passenger Data Plot
Data Asal
Plot Transformasi Ln Pemeriksan
Kehomogenan Ragam ACF
Data Transformasi Ln ACF Musiman Data Transformasi Ln diff
1
Diff
12
diff
1-Diff 12
Fitting Diagnosa Validasi
Gambar 19: Validasi Model dari data Tahun 1997