Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

Pengestimasian Parameter Model Autoregresif

Pada Analisis Deret Waktu Univariat
The Estimation of Parameter Autoregressive Models
on the Univariate Time Series Analysis

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
diperkenalkan pada tahun 1970 oleh George E.P.
Box dan Gwilym M. Jenkins dalam bukunya yang
berjudul Time Series Analysis forecasting and
control. Sejak saat itu, studi tentang deret waktu
mulai banyak dikembangkan. Bentuk
pengembangan analisis deret waktu di kampus
khususnya di program studi Statistika Universitas
Mulawarman, bahwa analisis deret waktu
merupakan mata kuliah pilihan wajib. Sehingga
sejak program studi Statistika FMIPA Universitas
Mulawarman meluluskan sarjana pertama kali
tahun 2006, sudah banyak mahasiswa yang
memilih topik analisis deret waktu pada penelitian
tugas akhir atau penelitian pada laporan praktek
kerja lapangan (PKL). Dalam melakukan
penelitian pada topik analisis deret waktu, pada
umumnya mahasiswa program studi Statistika
FMIPA Unmul sudah terampil dalam
menggunakan software statsitika sebagai alat
bantu perhitungan, tetapi mahasiswa masih
mengalami kesulitan dalam melakukan
interprestasi output software dikaitkan dengan
teori yang mendasarinya. Pada umumnya
mahasiswa masih lemah dalam pemahaman
konsep teori dasar analisis deret waktu.
Berdasarkan uraian di atas maka penulis sebagai
pengajar mata kuliah Analisis Runtun Waktu
terpanggil untuk mendalami teori dasar analisis
deret waktu melalui penulisan artikel ilmiah
dengan judul “Pengestimasian Parameter Model
Autoregressive Pada Analisis Deret Waktu
Univariat”. Selain itu penulisan artikel ilmiah ini
bertujuan untuk menyediakan referensi bagi
mahasiswa yang mengambil mata kuliah analisis
deret waktu.
Dalam artikel ini dibahas bagaimana
pengestimasian parameter model Autoregressive
(AR) (non musiman) dengan metode moment,
metode Ordinary Least Square Estimation (OLS)
dan metode Maximum Likelihood jika orde AR
diketahui, dan metode information criteria jika
orde AR tidak diketahui. Dan direncanakan pada
edisi selanjutnya akan dibahas estimasi parameter
pada model deret waktu yang lainnya seperti
model Moving Average (MA) dan model
campuran Autoregressive Moving Average
(ARMA), dan kemudian dilanjutkan aplikasi
peramalan deret waktu dengan menggunakan
tahapan secara lengkap.
PENGERTIAN DERET WAKTU
Deret waktu atau runtun waktu (time series)
merupakan serangkai data pengamatan yang
terjadi berdasarkan indeks waktu secara berurutan
dengan interval waktu tetap, (Aswi & Sukarna
2006). Secara matematik deret waktu adalah
{Z t , t  T }, T  {  1,  2,  3, } . Analisis
deret waktu adalah salah satu prosedur statistika
yang diterapkan untuk meramalkan struktur
probabilistik keadaan yang akan terjadi di masa
yang akan datang dalam rangka pengambilan
keputusan. Suatu urutan pengamatan memiliki

Program Studi Statistika FMIPA Universitas Mulawarman 15

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011
model deret waktu jika memenuhi dua hal yaitu :
(1) interval waktu antar indeks waktu t dapat
dinyatakan dalam satuan waktu yang sama
(identik), (2) adanya ketergantungan antara
pengamatan Zt dengan Zt+k yang dipisahkan oleh
jarak waktu berupa kelipatan t sebanyak k kali
(dinyatakan sebagai lag k). Menurut W.W.S. Wei
1994, instrinsik asli dari deret waktu adalah
bahwa data pengamatannya (observasi) tidak
saling bebas atau saling berkorelasi, dan orde dari
pengamatan adalah identik (dalam inverval satuan
waktu yang sama), hal inilah yang membedakan
antara model peramalan deret waktu dengan
model yang lainnya. Tujuan analisis deret waktu
antara lain untuk : (1) meramalkan kondisi di
masa yang akan datang (forecasting), (2)
mengetahui hubungan atau model antar peubah,
(3) kepentingan control (untuk mengetahui
apakah proses terkendali atau tidak), (Aswi &
Sukarna 2006). Berkaitan tujuan pertama dan
kedua dari analisis deret waktu, bahwa
menentukan model hubungan antar peubah tidak
lain adalah menentukan penaksir parameter model
deret waktu.
Model umum pada analisis deret waktu
dinamakan model Autoregressive Integrateg
Moving Avarage (ARIMA) yang telah dipelajari
secara mendalam oleh George Box dan Gwilym
Jenkins (1976), dan nama mereka sering
disinonimkan dengan proses ARIMA. Pada model
ARIMA terdiri dari dua aspek yaitu aspek
autoregressive dan moving average. Secara
umum model ARIMA ini dituliskan dengan notasi
ARIMA(p,d,q), dimana p menyatakan orde proses
autoregressive (AR), q menyatakan orde proses
moving average (MA) dan q menyatakan orde
transpormasi pembedaan (differencing). Pada
model ARIMA(p,d,q) jika harga d = 0 maka
model menjadi ARIMA(p,0,q) atau dinamakan
model ARMA(p, q), jelasnya model ARMA(p, q)
adalah model ARIMA untuk data deret waktu
yang stasioner dimana data tidak mengalami
transpormasi pembedaan. Jika d = 0 dan q = 0,
maka model dinamakan ARIMA(p,0,0) atau
model ARMA(p,0) atau lebih umum dinamakan
model AR(p) yakni model autoregressive orde p.
Dan jika p = 0 dan d = 0 maka model ARIMA
menjadi model ARMA(0,q) atau dinamakan
model Moving Average orde q dan dinotasikan
dengan MA(q).
Berdasarkan pendekatan Box-Jenkins, dalam
melakukan analisis deret waktu terdapat empat
tahapan yaitu: (1) identifikasi model yang terdiri
dari merumuskan model umum dan penetapan
model sementara; (2) penaksiran (estimation)
parameter; (3) pemeriksaan diagnostik model
(diagnostic checking) dan (4) peramalan
(forecasting). Sebelum dibahas pengestimasian
parameter model AR, terlebih dahulu diuraikan
konsep dasar dalam analisis deret waktu yaitu
Program Studi Statistika FMIPA Universitas Mulawarman
ISSN 2085-7829
stokastik dan stasioner, fungsi autokorelasi dan
autokorelasi parsial serta konsep-konsep dasar
terkait.
STOKASTIK DAN STASIONER
Jika dari pengalaman yang lalu, keadaan yang
akan datang suatu deret waktu dapat diramalkan
secara pasti, maka deret waktu itu dinamakan
deterministik, dan tidak memerlukan penyelidiki
lebih lanjut. Sebaliknya jika pengalaman yang
lalu hanya dapat menunjukkan struktur
probabilistik keadaan yang akan datang suatu
deret waktu, maka deret waktu seperti ini
dinamakan stokastik, (Soejoeti 1987). Dapat
disaksikan bahwa sebagian besar fenomena di
alam ini bersifat stokastik. Dalam analisis deret
waktu disyaratkan data yang dinotasikan dengan
Zt mengikuti proses stokastik, dimana suatu
urutan pengamatan dari peubah acak Z ( , t )
dengan ruang sampel  dan satuan waktu t
dikatakan sebagai proses stokastik. Selain itu
dalam pembentukan model deret waktu
disyaratkan (harus memenuhi asumsi) bahwa data
dalam keadaan stasioner. Deret waktu dikatakan
stasioner jika tidak ada perubahan kecenderungan
dalam rata-rata dan perubahan variansi. Terdapat
dua macam kondisi stasioner yaitu stasioner
dalam rata-rata (mean) dan stasioner dalam
variansi. G.Kirchg Asnner & J. Wolters 2007
mendefinisikan stasioner bersesuaian dengan
moment dari suatu sproses stokastik sebagai
berikut: (1) suatu proses stasioner pada mean jika
E ( Z t )  t   adalah konstan untuk setiap t;
(2) suatu proses stasioner pada variansi jika
Var ( Z t )  E ( Z t   t ) 2   2 adalah
konstan; (3) suatu proses stasioner pada kovarians
jika
cov(Z t , Z s )  E ( Z t  t )(Z s   s )   | s t |
dimana  (.) adalah suatu fungsi dari perbedaan
waktu dua variabel acak dan tidak tergantung
pada waktu pengamatan t, dan (4) suatu proses
dikatakan stasioner lemah (weak stationarity) jika
proses itu stasioner pada mean dan stasioner pada
kovarians.
Misalkan sebuah himpunan berhingga variabel
acak Zt1, Zt2, . . . , Ztm dari pengamatan Z1, Z2, Z3 ,
. . . , Zn sebagai proses stokastik, dan suatu fungsi
distribusi berdimensi m yang didefinisikan oleh
F(Zt1, Zt2, . . . , Ztm) =
P( : Z ( , t1 )  Z t1 ,  , Z ( , t m )  Z tm ) ,
maka suatu proses dikatakan stasioner orde
pertama jika F(Zt1) = F(Zt1+k) untuk sebarang t1
dan k, dikatakan stasioner orde kedua jika
F(Zt1,Zt2) = F(Zt1+k ,Zt2+k) untuk sebarang t1, t2 dan
k, dan stasioner orde ke-m jika F(Zt1,Zt2, . . ., Ztm)
= F(Zt1+k ,Zt2+k ,. . . ,Ztm+k). Jika fungsi distribusi
F(.) berlaku untuk m = 1, 2, . . . , n maka
16
 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

kondisi ini dinamakan stasioner kuat (strictly

stationary). Deret waktu yang stasioner kuat variansi var( Z t )  E ( Z t   ) 2   2
disebut juga stasioner dalam mean dan variansi (konstan), serta kovariansi cov( Z t , Z s )   t , s
yakni jika waktu pengamatan (t) tidak
adalah fungsi dari perbedaan waktu |t – s|.
berpengaruh terhadap rata-rata  , tidak
Estimator untuk mean adalah rata-rata sampel
berpengaruh terhadap variansi 2 dan juga tidak yaitu
berpengaruh terhadap kovariansi  k . Ini berarti 1 n
deret waktu Zt yang stasioner akan berfluktuasi
Z  
n t 1
Zt , (1)

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 nk
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)

begitu seterusnya dan secara umum untuk

differencing orde ke - d didefinisikan Untuk k
selanjutnya dinamakan fungsi

 d Z t  (1  B ) d Z t . autokovariansi dan  k dinamakan fungsi

Bila kondisi stasioner dalam variansi tidak
dipenuhi, Box dan Cox (1964) memperkenalkan
transformasi pangkat (power transformation)
yaitu
 Z t  1
T (Zt )  Zt  ,
 maka yang perlu ditentukan adalah
dimana  dinamakan parameter transpormasi,
dan harga-harga  yang bersesuai dengan
tranpormasinya diberikan oleh Wei 1994 p-84.
RATA-RATA, AUTOKORELASI DAN
AUTOKORELASI PARSIAL
Suatu proses yang stasioner {Zt} mempunyai
rata-rata (mean) dan variansi yang konstan yakni
mean atau ekspektasi E ( Z t )   (konstan) dan
autokorelasi pada analisis deret waktu, karena
masing-masing menyatakan kovariansi dan
korelasi antara Zt dan Zt+k dari proses yang sama,
hanya dipisahkan oleh jarak waktu k atau lag k.
Karena
cov( Z t , Z t  k )  cov( Z t  k , Z t )  cov( Z t , Z t  k )
 k untuk
k  0. Himpunan { k ; k  0,1,2, }
dinamakan fungsi autokorelasi (FAK) dan gafrik
FAK dinamakan korelogram. Koefesien korelasi
(fungsi autokorelasi) merupakan statistik kunci
dalam analisis deret waktu, yaitu menyatakan
ukuran korelasi (hubungan linear) deret waktu itu
dengan dirinya sendiri dengan selisih waktu (lag)
0, 1, 2 pereode atau lebih. Untuk suatu
pengamatan deret waktu Z1, Z2, . . . , Zn, maka

Program Studi Statistika FMIPA Universitas Mulawarman 17

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

nilai autokorelasi antara Zt dan Zt+k dinamakan  1 1 2   k 1    k 1   1 

nilai autokorelasi lag k sampel atau penaksir   1 1   k  2   k 2    2 
(estimator) k yang diberikan  1 
           
oleh     
nk   k 1  k  2  k  3  1   kk    k 

ˆk
 (Z t  Z )( Zt  k  Z ) .
Dengan menggunakan metode Cramer, solusi
(11)

rk  ˆ k   t 1 sistem (11) untuk k = 1, 2, 3, . . . berturut-turut

ˆ0 n
 (Zt  Z )2 didapat nilai FAKP lag 1, 2, 3, . . . adalah
11  1 ;
t 1
(6) 1 1
Taksiran kesalahan baku atau standart error dari
  2  2  12
rk adalah 22  1  ;
1 1 1  12
1  k 1 
1 1
S rk  1  2  r j2  , (7)
n j 1 
 1 1 1

1 1 2
sedangkan untuk pengujian rk  0 atau rk  0
2 1 3 13  21 2  122  12 3  3
menggunakan statistik uji t yaitu 33  
1 1 2 1  212  212  2  22
r
t rk  k , (8) 1 1 1
S rk
2 1 1
trk berdistribusi t-students dengan derajat bebas n
- np, dimana n menyatakan banyaknya 
pengamatan dan np menyatakan banyaknya 1 1 2  1
parameter. Diagram FAK dapat juga digunakan 1 1 1  2
sebagai alat untuk mengidentifikasi kestasioneran
data. Jika diagram FAK cenderung turun lambat     
atau turun secara linear, maka dapat disimpulkan
data belum stasioner dalam rata-rata (Aswi &
 k 1  k  2  k  3  k
kk 
Sukarna 2006). 1 1 2   k 1
Ukuran korelasi yang lain pada analisis deret
waktu adalah autokorelasi parsial. Autokorelasi 1 1 1  k 2
parsial digunakan untuk mengukur tingkat     
korelasi (keeratan) antara Zt dan Zt-k, apabila
pengaruh dari lag waktu 1, 2, . . ., k-1 dianggap  k 1  k  2  k  3  1
terpisah. Fungsi autokorelasi parsial (FAKP) (Wei 1994). (12)
adalah suatu fungsi yang menunjukkan besarnya
korelasi antara pengamatan ke t yaitu Zt dengan Durbin (1960) telah memperkenalkan metode
pengamatan waktu-waktu sebelumnya yaitu Zt-1, yang lebih efesien untuk menyelesaikan
Zt-2, . . . , Zt-k. Rumus autokorelasi parsial adalah persamaan Yule-Walker (10) dengan formula
kk  corr ( Z t , Z t  k | Z t 1, Z t  2 ,  , Z t  k 1 ) k 1
(9) k   k 1, j  k  j
Harga kk dapat ditentukan melalui persamaan j 1
kk  , (13)
k 1
 k 1, j  j
Yule-Walker sebagai
berikut
1
j 1
 j  k1 j 1  k 2  j  2    kk  j  k ,
dimana kj  k 1, j  kkk 1, k  j ; j = 1, 2,
(10)
. . . , k-1. Estimator untuk kk adalah rkk yang
dan untuk j = 1, 2, 3, . . . , k didapat sistem
persamaan linear diperoleh dengan mengganti  k pada persamaan
(12) dengan penaksirnya yaitu rk . Taksiran

Program Studi Statistika FMIPA Universitas Mulawarman 18

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

Untuk harga p = 1, maka model (16)

1
kesalahan baku rkk adalah S kk  , dinamakan proses autoregressive orde 1 atau
n AR(1) yang mempunyai bentuk umum
(14) ~ ~ ~
Z t  1Z t 1  at atau (1  1B) Z t  at .
dan statistik uji untuk menguji kk = 0 atau (17)

kk  0 adalah t kk  kk . (15) Model AR(1) disebut juga ARMA(1,0) atau
S kk ARIMA(1,0,0) atau ARI(1,0,0). Proses Model
AR(1) selalu invertible, dan supaya stasioner
harus dipenuhi kondisi akar 1  1B  0 harus
PROSES WHITE NOISE
Suatu proses {at} dinamakan white noise jika berada di luar lingkaran satuan, yakni | 1 |  1
bentuk peubah acak yang berurutan tidak saling atau  1  1  1 .
berkorelasi dan mengikuti distribusi tertentu yang
Fungsi autokorelasi (FAK) proses AR(1)
identik. Rata-rata E(at) =  a  0 dan diturunkan sebagai berikut:
~ ~ ~ ~ ~
var(at )   a2 , serta kovariansi untuk proses ini E ( Z t  k Z t ) = E (1Z t  k Z t 1 )  E ( Z t  k at )
adalah  k  cov(at , at k )  0 untuk k  0 .  k = 1 k 1 , k > 1. (18)
Berdasarkan definisi ini, dapat dikatakan bahwa Kemudian kedua ruas persamaan (18) dibagi  0
suatu proses white noise {at} adalah stasioner dan diperoleh FAK proses AR(1) yaitu
mempunyai sifat :
 2 untuk k  0  k  1 k 1  1k untuk k > 1,
(i)  k   a ; (ii) atau bentuk umum FAK proses AR(1) adalah
0 untuk k  0 1 ; k  0
1 untuk k  0 k   k . (19)
k   dan (iii) 1 ; k  1
0 untuk k  0 Proses AR(1) pada persamaan (17) dapat ditulis
1 untuk k  0 ~
kk   . Z t  (1  1B ) 1 at atau
0 untuk k  0 ~
Z t  (1  1 B  12 B 2  13 B 3  ) at  at  1at 1  12 at  2 
 13at  3  
PROSES AUTOREGRESSIVE (AR)
Bentuk umum proses autoregressive orde p (20)
atau AR(p) adalah dengan syarat | 1 |  1 . Variansi proses
~ ~ ~ ~
Zt  1Zt 1  2 Zt  2     p Zt  p  at AR(1) yang dipresentasikan pada persamaan (20)
~
atau adalah var(Z t ) =
~ var(at )   var(at 1 )  14 var(at  2 ) 
(1  1B  2 B 2     p B p ) Z t  at atau
2
1

~  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.

Program Studi Statistika FMIPA Universitas Mulawarman 19

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

 3  21 2  22 1 13  112  (0)1 Untuk lag 3 diperoleh

33   0  2
1   1 
1  211  22  2 1  11  (0)12  3   1  2   2  1  1    2  
Atau bentuk umum proses AR(1) mempunyai  1   2  1   2  ,
3
1 ; k  1 1  21 2  1 2
FAKP kk   . (22) 
0 ; k  1 1  2

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 = 11  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.

Program Studi Statistika FMIPA Universitas Mulawarman 20

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

HASIL DAN PEMBAHASAN 1

 ˆ1   1 ˆ1 ˆ 2  ˆ p 1   ˆ1 
Pengestimasian parameter proses ˆ  
autoregressive (AR) dapat ditinjau dalam dua 2    ˆ1 1 ˆ1  ˆ p  2   ˆ 2 
kasus yaitu, pertama jika orde (p) proses AR            
diketahui dan kasus kedua adalah jika orde (p)      
proses AR tidak diketahui. ˆ p   ˆ p 1 ˆ p  2  p 3 
ˆ 1   ˆ p 
Kasus pertama jika orde AR diketahui. Seperti (32)
yang sudah diuraikan di depan bahwa tahap
pengestimasian parameter dilakukan setelah tahap
Setelah estimator 1, ˆ2 ,  , ˆ p ditentukan,
identifikasi model, dimana salah satu tujuan maka dengan menggunakan hubungan
identifikasi model adalah untuk menetapkan ~~
 0 = E (Z t Zt )
model sementara atau model tentativ atau
~ ~ ~ ~
menetapkan orde AR sementara. Berdasarkan  E[ Z t (1 Z t 1   2 Z t  2     p Z t  p  a t )]
asumsi jika orde p pada proses AR diketahui,
maka terdapat tiga metode yang dapat diterapkan  0 = 1 1  2 2     p  p   a2 (33)
dalam pengestimasian parameter yaitu: (1)
metode moment dengan menggunakan sistem diperoleh moment estimator untuk  a2 yaitu
persamaan linear Yule-Walker; (2) jika
persamaan (16) stasioner atau memenuhi stability ˆ a2  ˆ0 (1 - ˆ1ˆ1  ˆ2 ˆ 2    ˆp ˆ p ) ,
conditions, maka estimasi parameter
menggunakan metode ordinary least square (34)
(OLS), dan (3) jika distribusi proses white noise dimana ˆ0 adalah variansi sampel untuk Zt.
diketahui pengestimasian parameter Untuk model AR(1) pada persamaan (17),
menggunakan metode maximum likelihood atau dengan menggunakan sistem persamaan (32)
ML, ( Kirchgassner & Wolters 2007). untuk p = 1 didapat Yule-Walker estimator untuk
2
parameter 1 dan  serta  a masing-masing
METODE MOMENT
Motode moment merupakan metode yang adalah
paling mudah untuk diterapkan, dimana ˆ1  ˆ1  r1 ; ̂  Z ,dan ˆ 2  ˆ (1 - ˆ ˆ ) .
a 0 1 1
penaksiran parameter berdasarkan sifat-sifat FAK (35)
dan FAKP proses AR. Autokovariansi (  k ) Untuk model AR(2) dimana p = 2, sistem
antara peubah Zt-k dan Zt pada persamaan (28) persamaan Yule-Walker (30) menjadi
merupakan moment disekitar rata-rata yakni 1 = 1  2 1
~ ~ ~ ~
 k  E ( Z t k  E ( Z t k ))(Z t  E ( Z t ))  2 = 11  2 ,
~ ~ ,
 E (Z t k Z t ) dan setelah diselesaikan dan kemudian mengganti
~ ~ 1 dan  2 dengan estimatornya, didapat Yule-
karena E ( Zt  k )  E (Z t )  0 . Metode
Walker estimator untuk parameter 1 dan 2
moment merupakan pensubstitusian moment
sampel, dalam hal ini rata-rata (mean) sampel, ˆ (1  ˆ 2 ) ˆ  ˆ12
variansi sampel dan fungsi autokorelasi sampel. yaitu ˆ1  1 dan ˆ2  2 ,
Untuk proses AR(p) pada persamaan (16), 1  ˆ12 1  ˆ12
penaksir (estimator) mean atau   E ( Z t ) (36)
serta dengan menggunakan formula (34) dan hasil
adalah
2
(36) didapat penaksir untuk  a adalah
1 n
Z   Zt . (31)
n t 1 ˆ a2  ˆ0 (1 - ˆ1ˆ1  ˆ2 ˆ 2 ) . (37)
Untuk mengestimasi parameter  menggunakan
METODE ORDINARY LEAST SQUARE
sistem persamaan Yule-Walker pada persamaan (OLS)
(30), yaitu dengan mengganti  k oleh ~
Karena Z t  Z t   , maka model AR(p)
estimatornya yaitu rk atau ̂ k dan kemudian pada persamaan (16) dapat ditulis
menyelesaikannya, maka diperoleh moment Z t    1 ( Z t 1   )   2 ( Z t  2   )   
estimator untuk parameter 1 , 2 ,  ,  p atau   l (Z t l   )     p ( Z t  p   )  at
dikenal estimator Yule-Walker yaitu (Wei 1994): Model ini dapat dipandang sebagai suatu model
regresi dengan p peubah penjelas (prediktor) yaitu
Zt-1, Zt-2 . . . , Zt-p, peubah responnya adalah Zt, dan

Program Studi Statistika FMIPA Universitas Mulawarman 21

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

 , 1, ,  p adalah parameter-parameter maka penaksir untuk parameter  pada

persamaan (39) dapat dinyatakan
regresi, serta at adalah suatu galat atau error term.
Metode ordinary least squares (OLS) atau (1  1     p ) Z
metode kuadrat terkecil adalah suatu metode ˆ  Z. (41)
(1  1     p )
untuk mencari penaksir parameter regresi dengan
cara meminimumkan jumlah kuadrat galat (selisih Untuk pengestimasian parameter
antara nilai aktual dan ramalan). Dengan metode l ; 1  l  p diperolah dari penurunan
OLS maka error term at harus memenuhi asumsi-
asumsi dasar berikut: (1) rata-rata (mean) adalah 
[ S (  , 1 ,  ,  p )]  0 dari fungsi (38),
nol, yakni E(at) = 0; (2) variansinya nol, l
E ( at2 )   a2 ; (3) nonautokorelasi, yakni dan diperoleh
n [(Z   )   ( Z
t 1   )    l ( Z t  l   )   
E (at ak )  0 untuk t  k , dan (4) tidak 2
t 1
 0,
t  p 1  p ( Z t  p   )].[ ( Z t  l   )]
berkorelasi (uncorrelated) dengan peubah
penjelas, yakni E ( Z t  k at )  0 untuk t  k . dan setelah disederhanakan didapat
Jumlah kuadrat galat pada regresi dalam hal n n

ini model AR(p) pada persamaan (16) dinyatakan  (Z

t  p 1
t  Z )( Z t l  Z )  ˆ1  (Z
t  p 1
t 1  Z )( Z t l  Z ) 
dalam suatu fungsi
n
n    ˆl  (Z  Z )2 
S (  , 1,  ,  p )  at2  t  p 1
t l

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

Berdasarkan prosedur OLS maka minimum (Z  Z )(Z

t  p 1
t t l  Z )  ˆ1 (Zt 1  Z )(Zt l  Z )   ˆl
t  p 1
(Z
t  p 1
t l  Z )2

fungsi S (  , 1 ,  ,  p ) pada (38) diperoleh 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  p1 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
ˆ1ˆ 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 ˆ1ˆ 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
...

(40) ˆ1ˆ p 1  ˆ2 ˆ p  2  ˆ3 ˆ p  3    ˆ p ˆ 0  ˆ 2

, (44)

Program Studi Statistika FMIPA Universitas Mulawarman 22

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

dan setelah diselesaikan diperoleh penaksir untuk n S ( , )

parameter l ; 1  l  p yang hasilnya sama ln L* (  ,  ,  a2 )   ln 2 a2  * ,
2 2 a2
pada metode moment yang disajikan dalam
persamaan (32). (48)
Dengan menggunakan formula (32), untuk n
p = 1 didapat penaksir parameter model AR(1) dimana S* (  ,  )   at2 (  ,  | Z* , Z )
adalah ˆ1  ˆ1  r1 . t 1
dinamakan fungsi jumlah kuadrat bersyarat. Dan
Untuk p = 2, didapat penaksir parameter model
AR(2) yaitu kemudian harga-harga ̂ dan ˆ yang
memaksimumkan fungsi (48) dinamakan
ˆ (1  ˆ 2 ) ˆ  ˆ12
ˆ1  1 dan ˆ2  2 , (45) estimator MLE bersyarat (the conditional
1  ˆ12 1  ˆ12 maximum likelihood estimator). Karena fungsi
begitu seterusnya untuk penaksir parameter AR ln L* (  ,  ,  a2 ) memuat data hanya pada suku
orde 3, 4, . . . , p-1 ditentukan menggunakan
formula (32). S* (  ,  ) , maka maksimum fungsi (48) dicapai
jika S* (  ,  ) adalah minimum. Ini berarti
METODE MAKSIMUM LIKELIHOOD
Metode maksimum likelihood yang dibahas estimator-estimator parameter ̂ dan ˆ
pada artikel ini adalah metode maksimum ditentukan melalui peminimuman fungsi jumlah
likelihood bersyarat atau Conditional Maximum kuadrat bersyarat S* (  ,  ) , dimana fungsi ini
Likelihood Estimation (MLE bersyarat),
sedangkan metode MLE yang lain adalah MLE tidak memuat parameter  a2 .
tak bersyarat dan fungsi likelihood eksak atau
Exact Likelihood Function, (Wei 1994). Jika at pada persamaan (16) dihitung untuk
Penulisan ulang unuk proses stasioner AR(p) pada t  p  1 , maka fungsi jumlah kuadrat bersyarat
persamaan (16) adalah pada persamaan (48) menjadi
~ ~ ~ ~
Z t  1Z t 1  2 Z t  2     p Z t  p  at n
~
dimana Z t  Z t   dan {at} adalah proses
S* (  ,  )  
at2 (  ,  | Z ) . (49)
t  p 1
white noise yang saling bebas, berdistribusi
identik atau idenpendent identically distributed Karena at pada persamaan (16) adalah suatu
galat, maka fungsi (49) adalah identik dengan
(i.i.d) N (0,  a2 ) . Karena {at} adalah fungsi (38), yakni
2 n
iid. N (0,  a ) , maka mempunyai fungsi S* (  ,  ) = S ( , 1 , ,  p )   at2 (  ,  | Z ) =
kepadatan peluang (FKP) t  p 1
 1 2
 
2
1 / 2 n

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

   1 n 2 disajikan pada persamaan (32) yang merupakan

2 n / 2
= 2 a . exp 
2 at  . (47) penyelesaian dari sistem persamaan Yule-Walker
 2 a t 1  sampel pada persamaan (30). Sedangkan penaksir
2
Misalkan Z  ( Z1 , Z 2 ,  , Z n ) dengan untuk  a diberikan oleh
kondisi awal (initial conditions) adalah S ( ˆ , ˆ)
Z*  ( Z1 p , Z 2  p ,  , Z 1, Z 0 ) , maka ˆ a2  * , (50)
db
logaritma fungsi likelihood bersayarat untuk dimana db adalah derajat bebas yang ditentukan
fungsi (47) adalah dengan menggunakan formula

Program Studi Statistika FMIPA Universitas Mulawarman 23

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

db = n – (2p + q +1), dalam hal ini n adalah Berdasarkan paparan pengestimasian

banyaknya data pada perhitungan S* ( ˆ , ˆ) ; p
adalah orde autoregressive (AR) dan q adalah
orde moving average (MA), (Wei 1994).
Kasus kedua jika orde AR tidak diketahui. Jika
orde AR tidak diketahui maka pengestimasian
parameter AR menggunakan bantuan penunjuk
kriteria (information criteria). Pada kasus orde
AR tidak diketahui, maka pengestimasian
parameter dilakukan dengan mencoba secara
berurutan mulai dari proses AR orde 1, 2, . . . ,
pmax, dengan menggunakan salah satu metode
yang telah dibahas pada kasus pertama.
Kemudian orde p* dipilih dari orde-orde 1, 2, . . .
, pmax yang memberikan nilai minimum penunjuk
kriteria (information criteria). Adapun
information criteria yang sering digunakan adalah
: menggunakan tiga metode yaitu metode moment,
(i) The final prediction error oleh Hirotugu
Akaike (1969)
parameter model AR menurut dua kasus di atas
disimpulkan, bahwa prosedur yang lebih baik
dalam pengestimasian parameter AR adalah
perpaduan kasus pertama dan kasus kedua yaitu
menggunakan pendekatan Box dan Jenkins yaitu :
tahap pertama identifkasi model sementara,
kemudian tahap kedua adalah pengestimasian
parameter untuk beberapa orde disekitar orde
sementara dan tahap berikutnya adalah memilih
orde yang memberikan nilai information criteria
minimum.
KESIMPULAN DAN SARAN
Berdasarkan hasil pengestimasian parameter
model autoregressive (AR) pada analisis deret
waktu univariat, jika orde proses AR diketahui
maka pengestimasian dapat dilakukan dengan
ordinary least square (OLS) dan metode
maksimum likelihood (ML), dimana ketiga

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., Lutkepol , 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

Program Studi Statistika FMIPA Universitas Mulawarman 24

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

, John Wiley & Sons, Inc. (alih bahasa: Hari

Sumintro, 1999, Metode dan Aplikasi
Peramalan, Edisi ke-2, Jakarta: Binarupa
Aksara.
Soejoeti, Z., 1987. Analisis Runtun Waktu,
Jakarta: Kurnia Universitas Terbuka.
Tsay, R.S., 2002. Analysis of Financial Time
Series: Financial Econometrics, New York:
John Wiley & Sons. Inc.
Wei, W.W.S., 1994. Time Series Analysis:
Univariate and Multivariate Methods,
California: Addison-Wesley Publishing
Company.
Widarjono, A., 2007. Ekonometrika: Teori Dan
Aplikasi Untuk Ekonomi Dan Bisnis,
Yogyakarta: Ekonisia Fakultas Ekonomi
UII.

Program Studi Statistika FMIPA Universitas Mulawarman 25

 Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829

Program Studi Statistika FMIPA Universitas Mulawarman 26