085865141296

cs@scundip.org

Time series atau runtun waktu adalah himpunan observasi terurut dalam waktu (Wei, 1994). Metode time series adalah metode peramalan dengan menggunakan analisa plot hubungan antara variabel yang akan diperkirakan dengan variabel waktu. Time series analysis dapat diterapkan di bidang ekonomi, bisnis, industri, teknik, dan ilmu-ilmu sosial.

Metode yang sering digunakan adalah metode ARIMA Box-Jenkins yang digunakan untuk mengolah runtun waktu yang univariat dan metode analisis fungsi transfer digunakan untuk mengolah data runtun waktu multivariat. Untuk dapat diolah dengan menggunakan metode ARIMA Box-Jenkins, suatu data runtun waktu harus memenuhi syarat stasioneritas (Makridakis et.al, 1999).

Apa yang dimaksud dengan stasioneritas itu?

Stasioneritas berarti bahwa tidak terjadi pertumbuhan dan penurunan data. Untuk mendeteksi ketidakstasioneran data dalam mean dapat digunakan plot time series, plot fungsi autokorelasi (ACF) dan plot fungsi autokorelasi parsial (PACF). Jika data mengandung komponen trend, maka plot ACF/PACF akan meluruh secara perlahan dan data tidak stasioner dalam mean. Untuk mendeteksi ketidakstasioneran dalam varian dapat digunakan plot ACF/PACF dari residual kuadrat.

Lalu, bagaimana jika proses tidak stasioner?

Sebuah proses tidak stasioner dalam mean merupakan masalah yang sangat serius pada analisis data runtun waktu. Ketidakstasioneran dalam mean dapat distasionerkan dengan melakukan differensi derajat d. Untuk mendapatkan kestasioneran dapat dibuat deret baru yang terdiri dari differensi antara periode yang berurutan :

1

Selanjutnya kita cek plot ACF dan PACF-nya.

Autocorrelation Function (ACF)

Fungsi autokorelasi digunakan untuk menjelaskan suatu proses stokastik yang akan memberikan informasi bagaimana korelasi antara data (Zt) yang berdekatan.

Partial Autocorrelation Function (PACF)

Fungsi autokorelasi parsial yaitu himpunan autokorelasi parsial pada lag k.

Salah satu model yang dapat digunakan untuk peramalan (forecasting) data runtun waktu adalah model Autoregressive Integrated Moving Average (ARIMA). Model Autoregressive Integrated Moving Average (ARIMA) merupakan model ARMA nonstasioner yang telah didifferencing sehingga menjadi model stasioner. Bentuk umum model ARIMA adalah

2

Bagaimana cara menentukan model terbaik dan pengunaannya untuk peramalan?

Mari kita simak pembahasannya di video tutorial berikut: