Beruflich Dokumente
Kultur Dokumente
Suyitno
Program Studi Statistika FMIPA Universitas Mulawarman
Abstract
A time series is an ordered sequence of observations. The ordering is usually through time or
particularly in terms some equally time intervals, and it may also be taken through other dimensions, such as
space. There are various objectives for studying time series. These include the understanding and description
of generating mechanism, the forecasting of future values and optimal control of system. The intrinsic nature
of a time series is that its observations are dependent or correlated, and the order of the observation is
identically on the same times measure. The procedure to hand time series are model identification,
parameter estimation, diagnostic checking & model selection, and forecasting. In this article discussed the
second step that is parameter estimation the autoregressive models on the univariate time series analysis.
Under the assumption of known order p of autoregressive process, the parameters can be estimated by using
the method of moment, the ordinary least square method (OLS) and maximum likelihood (ML) methods
(conditional maximum likelihood estimation). According to the estimation parameter methods found the same
result of the parameter estimator.
Keywords : Autoregressive models, the estimation parameter, moments method, ordinary least square
estimation method, maximum likelihood method.
PENDAHULUAN
Analisis deret waktu atau time series analysis Univariat”. Selain itu penulisan artikel ilmiah ini
diperkenalkan pada tahun 1970 oleh George E.P. bertujuan untuk menyediakan referensi bagi
Box dan Gwilym M. Jenkins dalam bukunya yang mahasiswa yang mengambil mata kuliah analisis
berjudul Time Series Analysis forecasting and deret waktu.
control. Sejak saat itu, studi tentang deret waktu Dalam artikel ini dibahas bagaimana
mulai banyak dikembangkan. Bentuk pengestimasian parameter model Autoregressive
pengembangan analisis deret waktu di kampus (AR) (non musiman) dengan metode moment,
khususnya di program studi Statistika Universitas metode Ordinary Least Square Estimation (OLS)
Mulawarman, bahwa analisis deret waktu dan metode Maximum Likelihood jika orde AR
merupakan mata kuliah pilihan wajib. Sehingga diketahui, dan metode information criteria jika
sejak program studi Statistika FMIPA Universitas orde AR tidak diketahui. Dan direncanakan pada
Mulawarman meluluskan sarjana pertama kali edisi selanjutnya akan dibahas estimasi parameter
tahun 2006, sudah banyak mahasiswa yang pada model deret waktu yang lainnya seperti
memilih topik analisis deret waktu pada penelitian model Moving Average (MA) dan model
tugas akhir atau penelitian pada laporan praktek campuran Autoregressive Moving Average
kerja lapangan (PKL). Dalam melakukan (ARMA), dan kemudian dilanjutkan aplikasi
penelitian pada topik analisis deret waktu, pada peramalan deret waktu dengan menggunakan
umumnya mahasiswa program studi Statistika tahapan secara lengkap.
FMIPA Unmul sudah terampil dalam
menggunakan software statsitika sebagai alat PENGERTIAN DERET WAKTU
bantu perhitungan, tetapi mahasiswa masih Deret waktu atau runtun waktu (time series)
mengalami kesulitan dalam melakukan merupakan serangkai data pengamatan yang
interprestasi output software dikaitkan dengan terjadi berdasarkan indeks waktu secara berurutan
teori yang mendasarinya. Pada umumnya dengan interval waktu tetap, (Aswi & Sukarna
mahasiswa masih lemah dalam pemahaman 2006). Secara matematik deret waktu adalah
konsep teori dasar analisis deret waktu. {Z t , t T }, T { 1, 2, 3, } . Analisis
Berdasarkan uraian di atas maka penulis sebagai
deret waktu adalah salah satu prosedur statistika
pengajar mata kuliah Analisis Runtun Waktu
yang diterapkan untuk meramalkan struktur
terpanggil untuk mendalami teori dasar analisis
deret waktu melalui penulisan artikel ilmiah probabilistik keadaan yang akan terjadi di masa
dengan judul “Pengestimasian Parameter Model yang akan datang dalam rangka pengambilan
keputusan. Suatu urutan pengamatan memiliki
Autoregressive Pada Analisis Deret Waktu
model deret waktu jika memenuhi dua hal yaitu : stokastik dan stasioner, fungsi autokorelasi dan
(1) interval waktu antar indeks waktu t dapat autokorelasi parsial serta konsep-konsep dasar
dinyatakan dalam satuan waktu yang sama terkait.
(identik), (2) adanya ketergantungan antara
pengamatan Zt dengan Zt+k yang dipisahkan oleh STOKASTIK DAN STASIONER
jarak waktu berupa kelipatan t sebanyak k kali Jika dari pengalaman yang lalu, keadaan yang
(dinyatakan sebagai lag k). Menurut W.W.S. Wei akan datang suatu deret waktu dapat diramalkan
1994, instrinsik asli dari deret waktu adalah secara pasti, maka deret waktu itu dinamakan
bahwa data pengamatannya (observasi) tidak deterministik, dan tidak memerlukan penyelidiki
saling bebas atau saling berkorelasi, dan orde dari lebih lanjut. Sebaliknya jika pengalaman yang
pengamatan adalah identik (dalam inverval satuan lalu hanya dapat menunjukkan struktur
waktu yang sama), hal inilah yang membedakan probabilistik keadaan yang akan datang suatu
antara model peramalan deret waktu dengan deret waktu, maka deret waktu seperti ini
model yang lainnya. Tujuan analisis deret waktu dinamakan stokastik, (Soejoeti 1987). Dapat
antara lain untuk : (1) meramalkan kondisi di disaksikan bahwa sebagian besar fenomena di
masa yang akan datang (forecasting), (2) alam ini bersifat stokastik. Dalam analisis deret
mengetahui hubungan atau model antar peubah, waktu disyaratkan data yang dinotasikan dengan
(3) kepentingan control (untuk mengetahui Zt mengikuti proses stokastik, dimana suatu
apakah proses terkendali atau tidak), (Aswi & urutan pengamatan dari peubah acak Z ( , t )
Sukarna 2006). Berkaitan tujuan pertama dan dengan ruang sampel dan satuan waktu t
kedua dari analisis deret waktu, bahwa dikatakan sebagai proses stokastik. Selain itu
menentukan model hubungan antar peubah tidak dalam pembentukan model deret waktu
lain adalah menentukan penaksir parameter model disyaratkan (harus memenuhi asumsi) bahwa data
deret waktu. dalam keadaan stasioner. Deret waktu dikatakan
Model umum pada analisis deret waktu stasioner jika tidak ada perubahan kecenderungan
dinamakan model Autoregressive Integrateg dalam rata-rata dan perubahan variansi. Terdapat
Moving Avarage (ARIMA) yang telah dipelajari dua macam kondisi stasioner yaitu stasioner
secara mendalam oleh George Box dan Gwilym dalam rata-rata (mean) dan stasioner dalam
Jenkins (1976), dan nama mereka sering variansi. G.Kirchg Asnner & J. Wolters 2007
disinonimkan dengan proses ARIMA. Pada model mendefinisikan stasioner bersesuaian dengan
ARIMA terdiri dari dua aspek yaitu aspek moment dari suatu sproses stokastik sebagai
autoregressive dan moving average. Secara berikut: (1) suatu proses stasioner pada mean jika
umum model ARIMA ini dituliskan dengan notasi
E ( Z t ) t adalah konstan untuk setiap t;
ARIMA(p,d,q), dimana p menyatakan orde proses
autoregressive (AR), q menyatakan orde proses (2) suatu proses stasioner pada variansi jika
moving average (MA) dan q menyatakan orde Var ( Z t ) E ( Z t t ) 2 2 adalah
transpormasi pembedaan (differencing). Pada
model ARIMA(p,d,q) jika harga d = 0 maka konstan; (3) suatu proses stasioner pada kovarians
model menjadi ARIMA(p,0,q) atau dinamakan jika
model ARMA(p, q), jelasnya model ARMA(p, q) cov(Z t , Z s ) E ( Z t t )(Z s s ) | s t |
adalah model ARIMA untuk data deret waktu
dimana (.) adalah suatu fungsi dari perbedaan
yang stasioner dimana data tidak mengalami
transpormasi pembedaan. Jika d = 0 dan q = 0, waktu dua variabel acak dan tidak tergantung
maka model dinamakan ARIMA(p,0,0) atau pada waktu pengamatan t, dan (4) suatu proses
model ARMA(p,0) atau lebih umum dinamakan dikatakan stasioner lemah (weak stationarity) jika
model AR(p) yakni model autoregressive orde p. proses itu stasioner pada mean dan stasioner pada
Dan jika p = 0 dan d = 0 maka model ARIMA kovarians.
menjadi model ARMA(0,q) atau dinamakan Misalkan sebuah himpunan berhingga variabel
model Moving Average orde q dan dinotasikan acak Zt1, Zt2, . . . , Ztm dari pengamatan Z1, Z2, Z3 ,
dengan MA(q). . . . , Zn sebagai proses stokastik, dan suatu fungsi
Berdasarkan pendekatan Box-Jenkins, dalam distribusi berdimensi m yang didefinisikan oleh
melakukan analisis deret waktu terdapat empat F(Zt1, Zt2, . . . , Ztm) =
tahapan yaitu: (1) identifikasi model yang terdiri P( : Z ( , t1 ) Z t1 , , Z ( , t m ) Z tm ) ,
dari merumuskan model umum dan penetapan maka suatu proses dikatakan stasioner orde
model sementara; (2) penaksiran (estimation) pertama jika F(Zt1) = F(Zt1+k) untuk sebarang t1
parameter; (3) pemeriksaan diagnostik model dan k, dikatakan stasioner orde kedua jika
(diagnostic checking) dan (4) peramalan F(Zt1,Zt2) = F(Zt1+k ,Zt2+k) untuk sebarang t1, t2 dan
(forecasting). Sebelum dibahas pengestimasian k, dan stasioner orde ke-m jika F(Zt1,Zt2, . . ., Ztm)
parameter model AR, terlebih dahulu diuraikan = F(Zt1+k ,Zt2+k ,. . . ,Ztm+k). Jika fungsi distribusi
konsep dasar dalam analisis deret waktu yaitu F(.) berlaku untuk m = 1, 2, . . . , n maka
2
disekitar dan variansinya ( ) tetap, (Wei dimana n menyatakan banyaknya pengamatan
1994). deret waktu.
Untuk memeriksa kestasioneran secara Kovariansi antara Zt dan Zt+k didefinisikan
deskriptif dapat menggunakan diagram deret k cov(Z t , Z t k ) E ( Z t )( Z t k )
waktu (time series plot) yaitu diagram pencar (2)
antara nilai peubah Zt dengan waktu t. Jika deret
waktu berfluktuasi di sekitar garis yang sejajar dan penaksirnya adalah kovariansi sampel antara
dengan sumbu waktu (t), maka dikatakan deret Zt dan Zt+k diberikan oleh
waktu stasioner dalam rata-rata. Bila kondisi
1 nk
stasioner dalam rata-rata tidak dipenuhi
diperlukan proses transpormasi pembedaan
ˆk
n t 1
( Z t Z )( Z t k Z ) atau
(differencing). Pembedaan (differencing) orde
pertama merupakan selisih antara data ke t dan ke 1 n
t-1, yaitu : ˆk ( Z t Z )( Z t k Z ) ,
n t k 1
(3)
Z t Z t Z t 1 atau
karena k k . Korelasi antara Zt dan Zt+k
Z t Z t BZ t (1 B) Z t ,
didefinisikan oleh;
dimana operator B didefisikan oleh
cov(Z t , Z t k )
j
B Z t Z t j dan 1 B . k k , (4)
var(Z t ) var(Z t k ) 0
Untuk differencing orde kedua adalah
2Zt (Zt ) (Zt Zt 1) Zt Zt 1 dimana berdasarkan formula (2)
Zt 2Zt 1 Zt 2 var(Z t ) var(Z t k ) 0 . Berdasarkan
atau formula (3) maka penaksir untuk 0 adalah
2 2 2 2
Zt (1 B) Zt (1 2B B )Zt Zt 2BZt B Zt
1 n
Zt 2Zt 1 Zt 2
,
ˆ0
n t 1
(Zt Z )2 . (5)
ˆk
(Z t Z )( Zt k Z ) .
Dengan menggunakan metode Cramer, solusi
(11)
~ 16 var(a t 3 )
p ( B ) Z t at , (16)
~
dimana Z t Z t dan {at} adalah proses
0 = [1 12 14 16 ] a2
1
white noise, dan = ( ) 2 , (21)
2 a
p ( B) 2 p
1 1B 2 B p B , dan 1 1
(Aswi & Sukarna 2006)
1, 2 , , p dinamakan parameter proses Berdasarkan persamaan (12) atau (13) dan (19),
autoregressive. Karena maka fungsi autokorelasi parsial (FAKP) proses
2 p AR(1) adalah
p ( B) 1 1B 2 B p B 11 1 1 ;
berhingga, maka proses autoregressive selalu
2 2 2
invertible, dan agar proses autoregressive 22 2 21 1 21 0
stasioner harus dipenuhi kondisi yaitu semua 1 1 1 1
akar-akar p ( B) 0 harus berada di luar
lingkaran satuan.
Untuk harga p = 2, maka model (16) dinamakan begitu seterusnya. FAKP proses AR(2) dihitung
proses autoregressive orde 2 atau AR(2) atau menggunakan persamaan (12) atau (13) dan (26)
ARMA(2,0) atau ARIMA(2,0,0) atau yaitu
ARIMA(2,0,0). Bentuk umum proses AR(2) 1 1 /(1 2 ) ; untuk k 1
adalah
~ ~ ~ kk 2 ; untuk k 2 .
Z t 1Z t 1 2 Z t 2 at atau 0
~ ; untuk k 2
(1 1B 2 B 2 ) Z t at . (23) (27)
Proses AR(2) sebagai model autoregressive Selanjutnya untuk FAK proses autoregressive
berhingga, selalu invertible, dan agar stasioner orde p atau AR(p) juga diturunkan berdasarkan
harus dipenuhi kondisi semua akar-akar persamaan Yule-Walker. Jika kedua ruas pada
2 model umum AR(p) persamaan (16) dikalikan
persamaan 1 1B 2 B 0 harus berada ~
di luar lingkaran satuan. Dengan menyelesaikan dengan Zt k dan kemudian diambil
ekspektasinya didapat
persamaan 1 1B 2 B 2 0 didapat ~ ~
kondisi kestasioneran proses AR(2) adalah E (Zt k Z t ) =
~ ~ ~ ~
2 1 1; 2 1 1; 1 2 1 (24) E (1 Z t 1 Z t k ) E ( 2 Z t 2 Z t k
FAK proses AR(2) diturunkan berdasarkan ~ ~ ~
persamaan Yule-Walker pada persamaan (10),
k Z t k Z t ) E[ a t Z t k ]
yang diturunkan dengan mengalikan kedua ruas k = 1 k 1 2 k 2 p k p .
~
persamaan (23) dengan Z t k dan kemudian (28)
dihitung ekspektasinya didapat Dengan membagi kedua ruas persamaan (26)
~ ~ dengan 0 didapat bentuk umum FAK proses
E (Zt k Z t ) =
~ ~ ~ ~ ~ AR(p) yaitu
E (1Z t 1Z t k ) E (2 Z t 2 Z t k ) E[at Z t k ]
k = 1 k 1 2 k 2 p k p ,
k = 1 k 1 2 k 2 . (25)
(29)
Dengan membagi kedua ruas persamaan (25) dan dengan menjalankan harga-harga k = 1, 2, 3,
dengan 0 diperoleh FAK proses AR(2) . . . , p dari persamaan (29) maka didapat sistem
persamaan Yule-Walker yaitu
k = 1 k 1 2 k 2 . (26)
1 = 1 2 1 3 2 p p 1
Untuk lag 1 diperoleh 1 1 0 2 1 .
2 = 11 2 3 1 p p 2
Karena 0 1 dan k k maka
1 1 . p = 1 p 1 2 p 2 3 p 3 p ,
1 2
(Hamilton 1994). (30)
Untuk lag 2 diperoleh
Sedangkan FAKP proses AR(p) dapat dihitung
dengan menggunakan persamaan (12) atau
2 1 1 2 0 1 1 2
1 2 dengan menggunakan formula Durbin pada
persamaan (13).
2
1 2
1 2 METODE PENELITIAN
Penelitian ini adalah non eksperimen, dan
kategori penelitian ini adalah teoritis yakni
mengkaji (telaah) suatu teori melaui studi
litelatur.
t p 1 n
( Z
n
t ) 1 ( Z t 1 ) l ( Z t l ) p ( Z t p )
2
ˆ p (Z t p Z )(Z t l Z ) 0 ,
t p 1 t p 1
(38) atau
n n n
(Z t l Z )2
dengan menurunkannya terhadap t p 1
n
, 1, , p dan kemudian masing-masing
disamakan dengan nol. Penurunan fungsi
ˆ p (Z t p Z )(Z t l Z )
t p 1
S ( , 1, , p ) terhadap menghasilkan 0
n
[ S ( , 1 , , p )] =
(Z t l Z ) 2
t p 1
n
n
2 (Zt ) 1 (Zt 1 ) l (Zt l ) p (Zt p ) . , dimana ( Zt l Z ) 2 ˆ0 0 . (42)
t p1 t p 1
1 1 p 0 Penyederhanaan persamaan (42) dengan
dan setelah disederhanakan menghasilkan menggunakan formula (6), diperoleh bentuk
umum penaksir parameter ˆl dalam persamaan
n n n n
Z t 1 Z t 1 l Z t l p Z t p
t p 1 t p 1 t p 1 t p 1
ˆ1ˆ l 1 ˆ2 ˆ l 2 ˆ p ˆ l p ˆ l .
(n p)(1 1 p ) 0
(43)
n n n n
Untuk l = 1, 2, . . . , p persamaan (43)
Zt 1 Zt 1 l Zt l p Zt p
t p 1 t p 1 t p 1 t p 1 menghasilkan sistem persamaan Yule-Walker
ˆ
(n p )(1 1 p ) untuk sampel
. (39) yaitu
Karena untuk n yang besar berlaku ˆ1ˆ 0 ˆ2 ˆ1 ˆ3 ˆ 2 ˆ p ˆ p 1 ˆ1
n n n
1 1 1
Zt n p t p 1Z t 1 n p t p 1Zt l
n p t p 1
, ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ
1 1 2 0 3 1 p 1 p 2 2
1 n
Zt p Z
n p t p 1
...
f (at , a2 ) a 2 exp a ( Z t ) 1 ( Z t 1 ) l ( Z t l ) p ( Z t p )
2 t t p 1
2 a
sehingga prosedur meminimumkan S* ( , )
, (46)
adalah sama dengan prosedur meminimumkan
dan fungsi kepadatan peluang bersama dari S ( , 1, , p ) . Dari peminimuman
a ( a1 , a2 , , an ) adalah S* ( , 1, , p ) diperoleh penaksir
P ( a | , , a2 ) = L (a | , , a2 ) (estimator) untuk parameter adalah Z dan
2 2 2
= f ( a1 , a ). f ( a2 , a ). . f ( a n , a ) penaksir untuk parameter 1, 2 , , p
FPE .
n m 1 n ( p) 2
aˆ
n m n t p 1 t
, (51)
metode tersebut memberikan hasil penaksir
parameter yang sama. Jika orde AR tidak
diketahui maka prosedur pengestimasian
(ii) Akaike information criterion (AIC) oleh H. parameter mengikuti tahapan Box-Jenkins yaitu:
Akaike (1974) (1) identifikasi model sementara; (2) pengestimasi
parameter untuk beberapa orde pada tahap
AIC ln
1 n ( p) 2
aˆt
n t p 1
2
m , (52)
n
pertama; (3) memilih orde yang memberikan nilai
information criteria minimum.
Dalam penulisan artikel ini penulis menyadari
masih banyak kekurangannya, untuk itu saran dan
(iii) Bayesian criterion oleh Gideon Schwarz kritik yang konstruktif untuk penyempurnaan
(1978) artikel ini. Untuk penyempurnaan artikel ini perlu
dilakukan penelitian lanjutan dengan metode
1 n ( p) 2 ln n
SC ln aˆt m , (53) pengestiamsian yang berbeda, serta perlu
n t p 1 n dilakukan aplikasi empirik pada data deret waktu
yang sesungguhnya dalam menentukan model AR
melalui tahapan yang lengkap.
(iv) Kriteria yang dikembangkan oleh Edward J.
Hannan dan Barry G. Quinn (1979) DAFTAR PUSTAKA
HQ ln
1 n ( p*) 2
aˆt
n t p 1
m ln(ln n)
n
, (54)
Aswi & Sukarna, 2006. Analisis Deret Waktu,
Makasar: Andira Publisher.
Box, G.E.P & Jenkins, GM., 1976. Time Series
Analysis Forecasting and Control, 2nd
dimana at Z t Zˆ t adalah error pada Edition, San Francisco : Holden-Day.
pengamatan ke t; n adalah banyaknya pengamatan Hamilton, J.D., 1994. Time Series Analysis, New
dan m adalah banyaknya parameter yang Jersey : Princeton University Press.
diestimasi (jika pengestimasian juga dilakukan Judge, G.G., Griffiths, W.E., Lutkepol , H.,
pada parameter maka m = p + 1). Dari ke- Hill, R.C., Lee, T.C., 1985. The Theory and
empat information criteria di atas jika ditelaah Practice of Econometrics, 2nd Edition, USA:
mempunyai prinsip dasar yang sama yakni John Wiley & Sons, Inc.
masing-masing memuat suku jumlah kuadrat Kirchgassner, G., & Wolters, J., 2007.
error atau loragaritmanya dimana nilainya Introduction to Modern Time Series
menurun ketika banyaknya parameter yang Analysis, Berlin: Springer-Verlag.
diestimasi meningkat, dan masing-masing Koutsoyiannis, A., 1977. Theory Of
memuat sebuah suku finalti (punishment term) Econometrics: An Introductory Exposition
yang nilainya meningkat ketika banyaknya of Econometric Methods, 2nd Edition, USA:
parameter yang diestimasi meningkat, Harper & Row Publishers, Inc.
( Kirchg assner & Wolters 2007).
Makridakis, S., Wheelwright, S.C., & MicGee,
V.E., 1998. Forecasting and Aplications, 2nd