METODE BOX JENKINS
Metode Deret Berkala Box – Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model yang cocok dengan data tersebut.
• Model → Autoregressive Integrated Moving Average ( ARIMA ) • Model Autoregressive : nilai data sekarang tergantung nilai data masa lalu. Persamaan : Yt = a + b1Yt – 1 + b2Yt – 2 + … + bkYt – k + et
• Model Moving Average : nilai data sekarang tergantung dari forecast error periode sebelumnya. Persamaan : Yt = a + b1et – 1 + b2et – 2 + …+ bkYt – k + et
Metodologi membentuk model ARIMA • • • •
Analisa data deret berkala Identifikasi model peramalan sementara Estimasi parameter Diagnosa model
5/25/2006
Skema Pendekatan Box Jenkins Subtitle
Rumuskan kelompok model-model yang umum
Penetapan model yang sementara
Penaksiran parameter pada model sementara
Tidak Pemeriksaan diagnosis (apakah model memadai)
Ya
Gunakan model untuk peramalan
Analisa data deret berkala q Plot data q Koefisien autokorelasi : suatu ukuran statistik untuk mengukur hubungan linier antara nilai-nilai suatu deret berkala yang sama pada periode waktu yang berlainan. n−k (Y t−Y )(Yt + k − Y ) ∑ Rumus : t =1 r = n (utk data stasioner) k 2 ( Y − Y ) ∑ t t =1
q Distribusi sampling autokolelasi : untuk menilai tingkat kebetulan koefisien autokorelasi dari suatu data random dan menentukan bagaimana hubungannya dengan signifikansi.
Analisa data deret berkala (cont d) q Periodogram dan analisa spektral : suatu cara untuk menganalisa data deret berkala dengan cara menguraikan data kedalam himpunan gelombang sinus pada frekuensi yang berbeda-beda. Data random → hampir semua frekuensi mempunyai amplitudo sama. (white noise) Persamaan gelombang sinus : Yt = A sin [(ft/n) 2π + Ø] A = amplitudo n = jumlah periode data F = frekuensi Ø = sdt. Fase ( radian) T = index waktu
Analisa data deret berkala (cont d) q Koefisien autokorelasi parsial : untuk mengukur tingkat keeratan antara Xt dan Xt – k, apabila pengaruh dari time lag 1,2,...,k – 1 dianggap terpisah.
Identifikasi Model Peramalan Sementara 1.ARIMA (0,0,0) Nilai Yt terbentuk dari nilai tengah (µ) dan kesalahan random (et) yang bersifat bebas (independent) dari waktu ke waktu. Yt = µ + et
Identifikasi Model Peramalan Sementara (cont d) 2.
ARIMA (0,d,0) Data asli mengalami pembedaan orde ke-d ( 1 – B) d Xt = et BXt – 1 = Xt – 1 BdXt = Xt – d d = orde perbedaan
Identifikasi Model Peramalan Sementara (cont d) 3.
ARIMA (p,0,0) Model autoregresif orde ke- p, nilai peramalan sekarang merupakan fungsi dari data sebelumnya. Xt = µ' + ØjXt – 1 + … + Øqet – q µ' = nilai konstan Øj = parameter autoregresif ke- j Et = nilai kesalahan pada saat t
Identifikasi Model Peramalan Sementara (cont d) 4.
ARIMA (0,0,q) Model moving average orde ke- q, nilai deret berkala pada waktu t dipengaruhi unsur kesalahan saat ini dan unsur kesalahan terbobot pada masa lalu sampai p[eriode ke- q Xt = µ' + et – Ø1et -1 - … - Øqet-q dimana : Øq = parameter moving average ke- q Et – k = nilai kesalahan pada saat t – k µ' = konstanta
Identifikasi Model Peramalan Sementara (cont d) 5.
ARIMA (p,d,q) → model umum ARIMA Model autoregresif orde ke- p, mengalami pembedaan orde ke- d, dan proses moving average orde ke- q ARIMA (I,I,I,) : ( 1 – B) (1 – Ø1B) Xt = µ' + (1 – Ø1B) et
Identifikasi Model Peramalan Sementara (cont d) 6.
ARIMA (p,d,q) (P,D,Q)s → model umum ARIMA dengan aspek musiman (p,d,q) = bagian model yang tidak musiman (P,D,Q) = bagian model yang musiman S = jumlah periode per musim
• Dalam tahap identifikasi dilakukan analisa terhadap data untuk mengetahui stasioneritas, proses yang membangkitkan data (AR, MA, ARIMA), dan ada atau tidaknya faktor musiman.
Analisa Stasioneritas • Data yang stasioner : autokorelasinya akan berbeda dari nol atau akan menurun mendekati nol secara eksponensial sesudah time lag kedua atau ketiga. • D a t a y a n g t i d a k s t a s i o n e r : autokorelasinya akan mengikuti pola tren yang menurun.
q Proses Autoregresif (AR) ARIMA (1,0,0) : Xt = µ' + Ø1Xt – 1 + e2 Ciri-ciri : - terdapat satu autokorelasi parsial yang berbeda dari nol secara signifikan autokorelasi menurun secara eksponensial q GAMBAR :
3.5
0.35
3
0.3
2.5
0.25
2
nilai
nilai
0.4
0.2 0.15
1.5 1
0.1
0.5
0.05
0
0 0
2
4
6 waktu
8
10
0
1
2
3 w aktu
4
5
ARIMA (2,0,0) Xt = µ' + Ø1Xt – 1 + Ø2Xt – 2 + e2 Ciri-ciri : - terdapat dua buah autokorelasi parsial yang berbeda dari nol secara signifikan. - autokorelasi mengecil mengikuti bentuk gelombang sinus. GAMBAR :
nilai 4 3
nilai
2 1 0 -1 0
1
2
3
4
5
-2 -3 waktu
4 3
nilai
2 1 0 -1 0
1
2
3
4
5
-2 -3 -4 w aktu
6
7
8
9
Proses Moving Average (MA) ARIMA (0,0,1) : Xt = µ + et - Ø1 et – 1 Ciri-ciri : terdapat satu autokorelasi yang berbeda dari nol. autokorelasi parsial menurun secara eksponensial. GAMBAR :
0 -0.5
0
2
4
6
8
10
nilai
-1 -1.5 -2 -2.5 -3 -3.5 waktu
0 -0.05 0
2
4
6
-0.1
nilai
-0.15 -0.2 -0.25 -0.3 -0.35 -0.4 waktu
8
10
ARIMA (0,0,2) Xt = µ + et - Ø1 et – 1 - Ø2 et – 2 Ciri-ciri : terdapat dua autokorelasi yang berbeda dari nol. - autokorelasi parsial mendekati nol mengikuti bentuk gelombang sinus yang teredam. GAMBAR :
4 3 2 1 0 -1
0
2
4
6
0.5
1
1.5
8
10
-2 -3 -4
3 2 1 0 -1 -2 -3 -4
0
2
2.5
Estimasi Parameter • Metode Trial dan Eror yang menimumkan jumlah kuadrat nilai sisa. • Penafsiran secara Iteratif → alogaritma marquadt
Parameter Autoregresif Persamaan Yule Walker untuk proses autoregresif orde ke- p P1 = Ø1 + Ø2P1 + … + ØpPp – 1 P2 = Ø1P1 + Ø2 + … + ØpPp – 2 . . . Pp = Ø1Pp – 1 + Ø2Pp – 2 + … + Øp Pada proses AR (1) persamaan di atas disederhanakan menjadi : P1 = Ø1, di mana P1 diduga oleh r1 Pada proses AR (2) : P1 = Ø1 + Ø2P1, di mana P1 diduga oleh r1 P1 = Ø1 + Ø2P1, di mana P1 diduga oleh r1
• Parameter Moving Average : • Rumus ⎧⎪ − θ k + θ1θ k + • • • + θ q − kθ q ⎫⎪ +1 ρ k = ⎨ ⎬, k = 1,2,..., q 2 2 1+θ 1 + • • • +θ q ⎪⎩ ⎪⎭ ρ k = {0}, k > q
• Nilai ρ k diduga dengan autokorelasi empiris rk, sehingga awal dari koefisien-koefisien θq dapat dihitung.
• Pada proses MA(1)
⎧ − θ1 ⎫ ρ1 = ⎨ ,k =1 2 ⎬ ⎩1 + θ1 ⎭ ρ1 = {0}, k > 1
• Pada proses MA(2)
− θ1 (1 − θ 2 ) ρ1 = 2 2 1 + θ1 + θ 2 −θ2 ρ2 = 2 2 1 + θ1 + θ 2
ρ 3 = 0, k >= 3
Diagnosa Model • Uji signifikasi parameter : untuk memastikan bahwa nilai-nilai parameter model signifikan terhadap nol. • Uji pola residual hasil peramalan nilai sisa yang tertinggal sesudah dilakukan pencocokan model diharapkan hanya merupakan gangguan random → tidak memiliki autokorelasi dan autokorelasi parsial yang signifikan.
Untuk menguji signifikasi autokorelasi dan autokorelasi parsial digunakan rumus kesalahan standar ( pada tiap nilai rk) dan atau uji BOX – PIERCE ( pada sekumpulan nilai rk)
• Rumus kesalahan standar autokorelasi Barlett : -½
k -1
2
1/2
S ( ρ k ) = N [1 + 2∑ rj ] j=1
• Rumus kesalahan standar autokorelasi Quenoville : S (ǿkk) = N- ½ • Limit batas nilai non signifikasi pada tiap nilai ± 2 S (ρk) dan ± 2 S (ǿkk)
• Uji Box Pierce Portmanteau : dilakukan pada kumpulan nilai rk untuk menetapkan signifikasi nilai-nilai rk terhadap nol. m
Q = ( N – d – sd )∑ r 2 k k =1
Di mana : N = jumlah pengamatan asli S = jumlah pengamatan per musim d = derajat pembedaan non musiman D = derajat pembedaan musiman m = lag maksimum • Jika nilai Q < X2m–p–q, maka nilai-nilai rk tidak signifikan terhadap. nol