METODE BOX-JENKINS DENGAN PLOT ACF DAN PACF


   Tahapannya yaitu sebagai berikut.
    1.      Tahap Identifikasi
Seperti yang telah didiskusikan terdahulu, alat utama untuk identifikasi model ARIMA adalah Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF) melalui korelogramnya. ACF mengukur korelasi antar pengamatan dengan jeda k, sedangkan PACF mengukur korelasi antar pengamatan dengan jeda k dan dengan mengontrol korelasi antar dua pengamatan dengan jeda kurang dari k. PACF adalah korelasi antara yt dan yt-k setelah menghilangkan efek yt yang terletak diantara kedua pengamatan tersebut β Ingat bahwa dalam regresi berganda, k mengukur tingkat perubahan terhadap y bila xk berubah satu unit dengan β menganggap regresor lainnya konstan. k disebut juga koefisien regresi parsial. Acuan model ACF dan PACF sebagai berikut.

Model
ACF
PACF
AR (p)
Tails off (menurun) me-ngikuti bentuk ekspo-nensial atau gelombang sinus
Cut off (terpotong) setelah lag ke-p
MA (q)
Cut off (terpotong) setelah lag ke-q
Tails off (menurun) me-ngikuti bentuk ekspo-nensial atau gelombang sinus
ARMA (p,q)
Tails off  (menurun) setelah lag (q-p)
Tails off  (menurun) setelah lag (p-q)


 a) Fungsi Autokorelasi (ACF)
Merupakan suatu hubungan linear pada data time series antara  dengan  yang dipisahkan oleh waktu k dan dalam ACF ini dapat digunakan untuk mengidentifikasi model data time series dan melihat kestasioneran data dalam mean.
Fungsi Autokorelasi adalah:

b) Fungsi Autokorelasi Parsial (PACF)
suatu fungsi yang menunjukkan besarnya hubungan antara nilai  dengan      . Autokorelasi parsial (PACF) ditulis dengan



yaitu himpunan autokorelasi parsial untuk berbagai lag k (Wei, 1990)

    2.      Tahap Estimasi Model ARIMA
Dari proses identifikasi, kita menduga bahwa series yang dianalisis merupakan proses ARIMA  maka modelnya sebagai berikut:
Yt = δ + a1 Yt-1 + a2 Yt-2 + . . .+ et
    3.      Tahap Tes Diagnostik
Untuk meyakinkan apakah ARIMA merupakan model  yang cocok dengan data yang dianalisis, kita perlu menguji apakah residual dari model tersebut merupakan white noise  (random) atau tidak.  Untuk itu lakukan tahapan sebagai berikut.
·         Estimasi model ARIMA
·         Hitung residual dari model tersebut
·         Hitung ACF dan PACF kemudian plot
·         Uji apakah ACF dan PACF signifikan signifikan, ini merupakan indikasi 
·         Bila ACF dan PACF tidak signifikan, ini merupakan indikasi bahwa residual merupakan white noise yang artinya modelnya telah cocok.
     4.      Tahap Peramalan
yaitu menuliskan modelnya dan mengevaluasi nilai MSE. Hasil ramalan dikatakan baik apabila nilai dari model ramalannya mendekati data aktual serta memiliki tingkat kesalahan yang paling kecil.

2 komentar:

Silviani Rumagit mengatakan...

buku wei nya dimana ya??

yUniaR _Time Series Analysis mengatakan...

silahkan cari di RBS atau di perpus pusat silvia :)

Posting Komentar

TAB MENU

Diberdayakan oleh Blogger.

Follow by Email

My MuSic (0_0)

Free Graduate 2011 Cursors at www.totallyfreecursors.com

Total Tayangan Halaman

mickeyyy