METODE BOX-JENKINS DENGAN PLOT ACF DAN PACF

Diposting oleh yUniaR _Time Series Analysis

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 y_t dan y_t-ksetelah menghilangkan efek y_t yang terletak diantara kedua pengamatan tersebut β Ingat bahwa dalam regresi berganda, k mengukur tingkat perubahan terhadap y bila x_k 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 + a₁Y_t-1+ a₂Y_t-2 + . . .+ e_t

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.

Category:

6 komentar:

Unknown mengatakan...: buku wei nya dimana ya??; 8 Agustus 2012 pukul 01.46
yUniaR _Time Series Analysis mengatakan...: silahkan cari di RBS atau di perpus pusat silvia :); 15 Agustus 2012 pukul 04.14
Fee mengatakan...: Gimana cara mencari p dan q; 27 Maret 2019 pukul 00.54
Al- mengatakan...: Bagaimana cara kita membaca acf dan pacf itu ?; 4 Juli 2019 pukul 06.48
Anonim mengatakan...: pusing; 9 Januari 2020 pukul 03.41
Anonim mengatakan...: Wizard of Oz Casino Free Spins 2021 dafabet link dafabet link クイーンカジノクイーンカジノミスティーノミスティーノ 8284Best Pragmatic Play Slots 2021 » Play with Bonus - Golden; 17 Januari 2022 pukul 17.21