ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA...
Transcript of ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA...
![Page 1: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/1.jpg)
ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE
DALAM MODEL SEASONAL AUTOREGRESSIVE INTEGRATED
MOVING AVERAGE (SARIMA)
(Skripsi)
Oleh
LIZA FITRIANI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2019
![Page 2: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/2.jpg)
ABSTRACT
MULTI INPUT INTERVENTION ANALYSIS WITH STEP AND PULSE
FUNCTIONS IN SEASONAL AUTOREGRESSIVE INTEGRATED
MOVING AVERAGE MODEL (SARIMA)
By
Liza Fitriani
Intervention model is one of time series models that can be used to forecast data
consist of disturbance or intervention that come from internal or external factors.
Generally there are two kinds of intervention function i.e. step and pulse
functions. This research is focused on time series data that have seasonal factor
and multi input intervention, so that the model used on multi input intervention
analysis is SARIMA model as an initial identification model. In this research,
practical learning is applied to the monthly data on the number of train passengers
in Indonesia. Intervention variables that are used in this research are limitation on
the number of passengers at August 2011 as pulse function and implementation of
E-ticketing and progressive tariffs since July 2013 as step function. The results of
the analysis showed that the effect of limitation on the number of passengers gives
negative effect, whereas implementation of E-ticketing and progressive tariffs
gives positive effect to the number of train passengers in Indonesia.
Keywords: SARIMA, Multi Input Intervention Analysis with Step and Pulse
Functions.
![Page 3: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/3.jpg)
ABSTRAK
ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE
DALAM MODEL SEASONAL AUTOREGRESSIVE INTEGRATED
MOVING AVERAGE (SARIMA)
Oleh
Liza Fitriani
Model intervensi adalah suatu model deret waktu yang daat digunakan untuk
memodelkan dan meramalkan data yang mengandung goncangan atau intervensi
baik dari faktor internal mauun internal. Ada dua fungsi utama yang digunakan
dalam model intervensi yaitu fungsi step dan pulse. Penelitian ini mengkaji data
deret waktu yang memiliki faktor musiman dan intervensi multi input, sehingga
model yang digunakan ada analisis intervensi multi input adalah model SARIMA
sebagai model identifikasi awal. Pada penelitian ini, kajian terapan dilakukan
pada data bulanan jumlah penumpang Kereta Api Indonesia. Variabel intervensi
yang digunakan pada penelitian ini adalah pembatasan jumlah penumpang pada
Agustus 2011 sebagai fungsi pulse dan penerapan E-ticketing dan tarif progresif
pada Juli 2013 sebagai fungsi step. Hasil analisis yang dilakukan menunjukkan
bahwa pengaruh pembatasan jumlah penumpang memberikan efek negatif,
sedangkan penerapan E-ticketing dan tarif progresif memberikan efek positif bagi
jumlah penumpang Kereta Api Indonesia.
Keywords: SARIMA, Analisis Intervensi Multi Input Fungsi Step dan Pulse.
![Page 4: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/4.jpg)
ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE
DALAM MODEL SEASONAL AUTOREGRESSIVE INTEGRATED
MOVING AVERAGE (SARIMA)
Oleh
Liza Fitriani
Skripsi
Sebagai Salah Satu Syarat untuk Mencapai Gelar
SARJANA SAINS
Pada
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2019
![Page 5: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/5.jpg)
![Page 6: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/6.jpg)
![Page 7: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/7.jpg)
![Page 8: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/8.jpg)
RIWAYAT HIDUP
Penulis dilahirkan di Penengahan pada tanggal 27 Januari 1997, sebagai anak
pertama dari tiga bersaudara dari pasangan Bapak Toizir dan Ibu Yulinda.
Penulis telah menempuh Pendidikan di TK Aisyiyah Bustanul Athfal Pardasuka
tahun 2002-2003, Sekolah Dasar Negeri (SDN) 2 Penengahan tahun 2003-2009,
Sekolah Menengah Pertama Negeri (SMPN) 1 Pardasuka tahun 2009-2012, dan
Sekolah Menengah Atas Negeri (SMAN) 1 Pringsewu pada 2012-2015.
Pada tahun 2015 penulis terdaftar sebagai Mahasiswi Program Studi S1
Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lampung melalui jalur SBMPTN. Selama menjadi mahasiswi, penulis bergabung
di Generasi Muda Matematika (GEMATIKA) periode 2015-2016, pengurus
Himpunan Mahasiswa Jurusan Matematika (HIMATIKA) sebagai anggota Biro
Dana dan Usaha periode 2016 dan 2017, anggota Departemen Komunikasi dan
Informasi BEM FMIPA Unila 2017, dan bendahara Departemen Advokasi dan
Kesejahteraan Mahasiswa BEM FMIPA Unila 2018.
Pada bulan Januari sampai dengan Februari 2018 penulis melaksanakan Kerja
Praktik (KP) di Badan Pusat Statistik Kota Bandar Lampung guna menerapkan
![Page 9: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/9.jpg)
ilmu yang telah diperoleh sewaktu kuliah. Pada bulan Juli sampai dengan
Agustus 2018 penulis melaksanakan Kuliah Kerja Nyata (KKN) Kebangsaan di
Desa Adi Luhur, Kecamatan Jabung, Kabupaten Lampung Timur.
![Page 10: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/10.jpg)
KATA INSPIRASI
Siapa yang menjadikan cita-citanya untuk menggapai akhirat, maka Allah akan cukupkan
baginya dunianya, dan barangsiapa yang menjadikan cita-citanya hanya untuk mencari
dunia, maka Allah tidak peduli di lembah mana ia binasa.
(HR. Ibnu Majah)
Jika kamu berbuat baik (berarti) kamu berbuat baik bagi dirimu sendiri dan jika kamu berbuat
jahat, maka (kejahatan) itu bagi dirimu sendiri.
(QS. Al-Isra:7)
Waktu adalah pedang, jika kamu tidak menebasnya maka ialah yang akan menebasmu.
(Imam Syafi’i)
![Page 11: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/11.jpg)
PERSEMBAHAN
Dengan mengucap Alhamdulillah, puji syukur kehadirat Allah SWT.
Ku persembahkan karya kecil dan sederhana ini kepada:
Ayah dan Emak tercinta yang telah mengasihi dan menyayangiku dengan penuh rasa tulus
dan telah berjuang dengan ikhlas, tak kenal lelah dan waktu. Senantiasa berdoa di setiap
jejak langkah kakiku dan memberiku semangat ketika diriku mulai merasa gentar melewati ini
semua.
Adik-adikku, keluarga, dan sahabat yang telah memberi semangat dan doa yang tidak akan
terbayarkan oleh apapun.
Dosen pembimbing dan penguji yang telah mengarahkan dan memberi motivasi keada penulis.
Almamater tercinta, Universitas Lampung.
![Page 12: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/12.jpg)
SANWACANA
Alhamdulillah puji syukur kepada Allah SWT yang telah melimpahkan segala
rahmat dan hidayah-Nya sehingga skripsi ini dapat terselesaikan. Shalawat serta
salam semoga selalu tercurah kepada junjungan alam Nabi Muhammad SAW,
penuntun jalan bagi seluruh umat manusia. Skripsi yang berjudul “Analisis
Intervensi Multi Input Fungsi Step dan Pulse dalam Model Seasonal
Autoregressive Integrated Moving Average (SARIMA)” adalah salah satu syarat
untuk memperoleh gelar Sarjana Sains di Universitas Lampung.
Penulis menyadari bahwa terselesainya skripsi ini tidak akan terwujud tanpa
bantuan dan doa dari mereka yang senantiasa mendukung penulis. Oleh karena
itu, penulis ingin mengucapkan terimakasih kepada:
1. Ibu Dr. Khoirin Nisa, M.Si., selaku dosen pembimbing satu yang telah
membimbing, mengarahkan, dan memotivasi penulis.
2. Bapak Agus Sutrisno, S.Si., M.Si., selaku dosen pembimbing kedua yang
telah memberikan pengarahan dalam proses penyusunan skripsi ini.
3. Bapak Drs. Eri Setiawan, M.Si., selaku penguji atas saran dan kritik yang
diberikan untuk skripsi ini.
4. Ibu Dr. Notiragayu, M.Si., selaku dosen pembimbing akademik yang telah
membimbing penulis selama mengikuti perkuliahan.
![Page 13: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/13.jpg)
5. Ibu Prof. Dra. Wamiliana, M.A., Ph.D., selaku Ketua Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
6. Bapak Drs. Suratman, M.Sc., selaku Dekan Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Lampung.
7. Ayah dan Emak tercinta yang selalu mendoakan, memberi dukungan, dan
kasih sayang yang tulus kepada penulis.
8. Adik-adikku, Dwi dan Suci yang selalu memberi semangat dan dukungan
untuk menyelesaikan skripsi ini.
9. Sahabat-sahabat penulis (Anggun, Dhenty, Pipin, Riza, Ulfa, Wilda) yang
selalu memberikan dukungan dan pengalaman yang indah.
10. Departemen Adkesma beserta pimpinan BEM FMIPA Unila 2018.
11. Teman-teman Jurusan Matematika angkatan 2015, serta Keluarga
HIMATIKA.
12. Seluruh pihak yang telah memotivasi, membantu, dan mendoakan penulis
yang tidak dapat disebutkan satu per satu.
Bandar Lampung, Juli 2019
Penulis,
Liza Fitriani
NPM. 1517031166
![Page 14: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/14.jpg)
DAFTAR ISI
Halaman
DAFTAR TABEL .............................................................................................xvi
DAFTAR GAMBAR .........................................................................................xvii
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah ............................................................ 1
1.2 Batasan Masalah............................................................................... 3
1.3 Tujuan Penelitian ............................................................................. 3
1.4 Manfaat Penelitian ........................................................................... 3
II. TINJAUAN PUSTAKA
2.1 Data Deret Waktu ............................................................................. 4
2.2 Stasioneritas ..................................................................................... 7
2.2.1 Stasioneritas Terhadap Ragam ............................................. 9
2.2.2 Stasioneritas Terhadap Nilai Tengah ................................... 10
2.3 Fungsi Autokorelasi (ACF) .............................................................. 12
2.4 Fungsi Autokorelasi Parsial (PACF) ................................................ 15
2.5 Model Autoregressive (AR) ............................................................. 20
2.6 Model Moving Average (MA) .......................................................... 22
2.7 Model Autoregressive Moving Average (ARMA) ........................... 24
2.8 Model Autoregressive Integrated Moving Average (ARIMA) ........ 25
2.9 Model Seasonal Autoregressive Integrated Moving Average
(SARIMA) ....................................................................................... 27
2.10 Proses White Noise ........................................................................... 28
2.11 Analisis Intervensi ............................................................................ 30
2.11.1 Model Intervensi Input Tunggal Fungsi Step .................... 32
2.11.2 Model Intervensi Input Tunggal Fungsi Pulse .................. 33
2.11.3 Model Intervensi Multi Input ............................................ 34
2.11.4 Analisis Intervensi Multi Input dalam Model SARIMA ... 35
2.12 Estimasi Parameter Model ............................................................... 36
2.13 Uji Normalitas .................................................................................. 38
2.14 Kriteria Pemilihan Model ................................................................ 39
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian .......................................................... 40
3.2 Data Penelitian ................................................................................. 40
![Page 15: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/15.jpg)
3.3 Metode Penelitian............................................................................. 40
IV. HASIL DAN PEMBAHASAN
4.1 Analisis Intervensi Multi Input Fungsi Step dan Pulse dalam
Model SARIMA ............................................................................... 44
4.2 Estimasi Model Intervensi Multi Input Fungsi Step dan Pulse
dalam Model SARIMA .................................................................... 46
4.3 Aplikasi Penggunaan Analisis Intervensi Multi Input dalam
SARIMA .......................................................................................... 48
4.3.1 Pemodelan Seasonal Autoregressive Integrated Moving
Average (SARIMA) ............................................................. 50
4.3.1.1 Identitas Model SARIMA ...................................... 50
4.3.1.2 Estimasi Parameter Model SARIMA .................... 56
4.3.1.3 Evaluasi Model SARIMA ...................................... 57
4.3.1.4 Pemilihan Model SARIMA Terbaik ...................... 59
4.3.2 Pemodelan Intervensi Pertama ............................................. 61
4.3.2.1 Identifikasi Orde Intervensi Pertama ..................... 61
4.3.2.2 Estimasi Parameter Intervensi Pertama ................. 63
4.3.2.3 Evaluasi Model Intervensi Pertama ....................... 63
4.3.3 Pemodelan Intervensi Kedua ............................................... 65
4.3.3.1 Identifikasi Orde Intervensi Kedua ........................ 66
4.3.3.2 Estimasi Parameter Intervensi Kedua .................... 67
4.3.3.3 Evaluasi Model Intervensi Kedua .......................... 68
4.3.4 Peramalan Jumlah Penumpang KAI Menggunakan Model
Intervensi Multi Input dalam SARIMA ............................... 71
V. KESIMPULAN
DAFTAR PUSTAKA
LAMPIRAN
![Page 16: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/16.jpg)
DAFTAR TABEL
Tabel Halaman
2.1 Transformasi Parameter Box-Cox ............................................................... 10
4.1 Hasil Pengujian Signifikansi Dugaan Model SARIMA .............................. 56
4.2 Hasil Uji Ljung-Box Sembilan Model yang Memenuhi Uji Signifikansi ... 58
4.3 Hasil Uji Kolmogorov-Smirnov Sembilan Model yang Memenuhi Uji
Signifikansi .................................................................................................. 59
4.4 Nilai AIC, AICc, dan BIC untuk Model yang Signifikan, White Noise,
dan Normal .................................................................................................. 60
4.5 Estimasi Parameter Intervensi Pertama ....................................................... 63
4.6 Estimasi Parameter Intervensi Kedua .......................................................... 68
4.7 Hasil Peramalan Jumlah Penumpang KAI Mei 2019-April 2020 ............... 71
![Page 17: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/17.jpg)
DAFTAR GAMBAR
Gambar Halaman
2.1 Pola Horizontal ............................................................................................ 5
2.2 Pola Musiman .............................................................................................. 6
2.3 Pola Trend .................................................................................................... 6
2.4 Pola Siklis .................................................................................................... 7
4.1 Plot Data Jumlah Penumpang KAI Januari 2006-April 2019 ..................... 48
4.2 Plot Jumlah Penumpang KAI Januari 2006-Juni 2011 ................................ 50
4.3 Pengecekan Stasioneritas Data Terhadap Ragam ........................................ 51
4.4 Nilai λ Hasil Transformasi Box-Cox II ....................................................... 52
4.5 Plot Hasil Differencing Non-Musiman ........................................................ 53
4.6 Plot Differencing Musiman.......................................................................... 54
4.7 Plot ACF Differencing Non–Musiman ........................................................ 55
4.8 Plot PACF Differencing Non–Musiman ...................................................... 55
4.9 Plot ACF Differencing Musiman ................................................................. 55
4.10 Plot PACF Differencing Musiman .............................................................. 55
4.11 Plot Perbandingan antara dengan Hasil Peramalan Model SARIMA .... 61
4.12 Plot residual dari Data Jumlah Penumpang KAI Setelah Intervensi
Pertama dan Sebelum Intervensi Kedua ...................................................... 62
4.13 Plot Perbandingan antara dengan Hasil Peramalan Model Intervensi
Pertama ........................................................................................................ 66
![Page 18: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/18.jpg)
4.14 Plot Residual dari Data Jumlah Penumpang KAI Setelah Intervensi
Kedua ........................................................................................................... 67
4.15 Plot Hasil Peramalan Model Intervensi Kedua ............................................ 73
![Page 19: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/19.jpg)
1
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah
Data deret waktu merupakan deretan observasi (pengamatan) yang diambil secara
berurutan berdasarkan waktu dengan interval yang sama baik dalam harian,
mingguan, bulanan, tahunan atau yang lainnya (Box, dkk, 1994). Studi yang
berkaitan dengan deret waktu disebut analisis deret waktu. Analisis deret waktu
merupakan salah satu prosedur statistika yang diterapkan untuk meramalkan
struktur probabilitas keadaan yang akan datang dalam rangka pengambilan
keputusan (Aswi dan Sukarna, 2006).
Pemodelan deret waktu seringkali dikaitkan dengan proses peramalan
(forecasting) suatu nilai karakteristik tertentu pada periode yang akan datang.
Peramalan sangat penting dalam pengambilan keputusan karena efektif atau
tidaknya suatu keputusan umumnya tergantung pada beberapa faktor yang tidak
dapat dilihat pada waktu keputusan itu diambil (Soejoeti, 1987). Data deret waktu
yang digunakan dalam peramalan seringkali mengandung gangguan noise yang
dapat mempengaruhi pola data deret waktu. Gangguan tersebut dapat disebabkan
oleh berbagai faktor baik faktor eksternal maupun faktor internal, seperti bencana
alam, peraturan pemerintah, kestabilan ekonomi, kerusuhan, dan terorisme.
Faktor-faktor itulah yang disebut intervensi (Nuvitasari, dkk, 2009).
![Page 20: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/20.jpg)
2
Pada analisis deret waktu, pemodelan data yang dilakukan tanpa memperhatikan
efek dari intervensi akan menghasilkan nilai kesalahan model (error) yang besar.
Nilai error yang semakin besar mengakibatkan model yang diperoleh menjadi
tidak akurat dan tentunya model tersebut kurang sesuai untuk menggambarkan
data yang diamati. Efek dari intervensi pada suatu data deret waktu dapat
dianalisis dengan menggunakan suatu metode yang disebut analisis intervensi
(Wanto, 2016).
Secara umum ada dua variabel dalam model intervensi, yaitu fungsi step dan
pulse. Fungsi step adalah suatu bentuk intervensi yang terjadi dalam kurun waktu
yang panjang, sedangkan fungsi pulse adalah suatu bentuk intervensi yang terjadi
hanya dalam suatu waktu tertentu (Suhartono, 2007). Model intervensi yang
mengandung intervensi fungsi pulse dan step disebut analisis intervensi multi
input. Beberapa penelitian mengenai analisis intervensi, yaitu pengaruh
pemberlakuan undang-undang desain mesin terhadap tingkat polusi oxcidant di
daerah Los Angeles (Box dan Tiao, 1975), analisis intervensi kenaikan harga
BBM bersubsidi pada data inflasi kota Semarang (Ariyani, dkk, 2015), analisis
intervensi fungsi step pada kasus jumlah pengiriman benda pos ke Semarang pada
tahun 2006-2011 (Crystine, dkk, 2014).
Penelitian-penelitian tersebut terbatas pada analisis intervensi dengan model
identifikasi awal yang digunakan adalah model ARIMA. Namun, apabila data
deret waktu yang digunakan tersebut mengandung faktor musiman, maka model
yang digunakan sebagai model identifikasi awal pada analisis intervensi adalah
model Seasonal Autoregressive Integrated Moving Average (SARIMA).
![Page 21: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/21.jpg)
3
Musiman mengartikan bahwa data memiliki kecenderungan mengulangi pola
tingkah gerak dalam periode musim baik dalam mingguan, bulanan, triwulan,
ataupun semesteran. Dalam penelitian ini akan dilakukan analisis intervensi multi
input dengan model identifikasi awal yang digunakan adalah model SARIMA.
1.2 Batasan Masalah
Dalam penelitian ini pemodelan dan peramalan data hanya dilakukan pada data
deret waktu yang berbasis pada model seasonal ARIMA (SARIMA) dan
mengandung intervensi multi input fungsi step dan pulse.
1.3 Tujuan Penelitian
Penelitian ini bertujuan untuk mendapatkan model dan hasil peramalan dari suatu
data deret waktu yang mengandung faktor musiman dan intervensi multi input
fungsi step dan pulse.
1.4 Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai referensi dalam melakukan pemodelan
dan peramalan data deret waktu yang lebih akurat terhadap data deret waktu yang
mengandung faktor musiman dan intervensi multi input fungsi step dan pulse.
![Page 22: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/22.jpg)
4
II. TINJAUAN PUSTAKA
2.1 Data Deret Waktu
Data deret waktu adalah deretan observasi (pengamatan) yang diambil secara
berurutan berdasarkan waktu dengan interval yang sama baik dalam harian,
mingguan, bulanan, tahunan atau yang lainnya (Box, dkk, 1994). Prinsip dasar
deret waktu adalah pengamatan sekarang ( ) dipengaruhi oleh satu atau
beberapa pengamatan sebelumnya ( ), dengan kata lain model deret waktu
dibuat karena secara statistik ada korelasi antara deret pengamatan.
Metode deret waktu adalah metode peramalan dengan menggunakan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel waktu. Adapun
metode peramalan data deret waktu, antara lain metode smoothing, metode Box–
Jenkins (ARIMA), metode proyeksi trend dengan regresi. Hal yang perlu
diperhatikan dalam melakukan peramalan adalah galat (error) yang tidak dapat
dipisahkan dalam metode peramalan. Hasil ramalan akan semakin baik
(mendekati data asli) jika nilai error yang dimiliki semakin kecil. Dengan adanya
data deret waktu, maka pola gerakan data dapat diketahui. Data deret waktu dapat
dijadikan sebagai dasar untuk pembuatan keputusan pada saat in, peramalan
keadaan suatu data deret waktu pada masa yang akan datang, dan perencanaan
kegiatan untuk masa depan.
![Page 23: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/23.jpg)
5
Analisa data deret waktu adalah analisa yang menerangkan dan mengukur
berbagai perubahan atau perkembangan data selama satu periode (Hasan, 2002).
Analisis deret waktu dilakukan untuk memperoleh pola data deret waktu dengan
menggunakan data masa lalu yang akan digunakan untuk meramalkan suatu nilai
pada masa yang akan datang. Pada deret waktu terdapat empat macam tipe pola
data, yaitu:
1. Horizontal
Tipe data horizontal ialah ketika data observasi berubah-ubah di sekitar tingkatan
atau rata-rata yang konstan. Sebagai contoh penjualan tiap bulan suatu produk
tidak meningkat atau menurun secara konsisten pada suatu waktu. Berikut adalah
contoh plot data deret waktu yang mengikuti pola horizontal (stasioner).
Gambar 2.1. Pola Horizontal
2. Musiman (Seasonal)
Tipe data seasonal ialah ketika observasi dipengaruhi oleh musiman, yang
ditandai dengan adanya pola perubahan yang berulang baik dalam mingguan,
bulanan, triwulan, ataupun semesteran. Oleh karena itu, runtun waktu musiman
mempunyai karakteristik yang ditunjukkan oleh adanya korelasi beruntun yang
kuat pada jarak musiman (periode musiman), yaitu waktu yang berkaitan dengan
Y
t
![Page 24: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/24.jpg)
6
banyak observasi pada periode musim. Faktor utama yang menyebabkan pola ini
adalah iklim dan kebiasaan. Berikut adalah contoh plot data deret waktu yang
mengikuti pola musiman.
Gambar 2.2. Pola Musiman
3. Trend
Trend melukiskan gerak data deret waktu selama jangka waktu yang cukup lama.
Gerak ini mencerminkan sifat kontinuitas atau keadaan yang terus menerus dari
waktu ke waktu selama jangka waktu tertentu. Dengan sifat kontinuitas ini, maka
trend dianggap sebagai gerak stabil dan menunjukkan arah perkembangan secara
umum (kecenderungan naik/turun). Trend sangat berguna untuk membuat
peramalan (forecasting) yang merupakan perkiraan untuk masa depan yang
diperlukan bagi perencanaan.
Gambar 2.3. Pola Trend
Y
t
t
Y
![Page 25: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/25.jpg)
7
Trend dibedakan menjadi dua jenis, yakni :
a. Trend Linear: mengikuti pola garis lurus ( )
b. Trend Non Linear: mengikuti pola lengkung (parabola, eksponensial,
logaritma, dan lain-lain).
4. Cyclical
Tipe data cyclical ditandai dengan adanya fluktuasi bergelombang data yang
terjadi di sekitar garis trend. Gerak siklis adalah gerak/variasi jangka panjang di
sekitar garis trend (temponya lebih pendek). Gerak siklis terjadi berulang-ulang
namun tidak perlu periodik, artinya bisa berulang setelah jangka waktu tertentu
atau bisa juga tidak berulang dalam jangka waktu yang sama. Gerak siklis
melukiskan terjadinya empat fase kejadian dalam jangka waktu tertentu, yakni
kemajuan, kemunduran, depresi dan pemulihan. Berikut adalah plot data deret
waktu yang mengikuti pola siklis.
Gambar 2.4. Pola Siklis
2.2 Stasioneritas
Stasioneritas merupakan asumsi yang sangat diperlukan dalam analisis deret
waktu untuk meminimalisir kesalahan pemodelan. Data deret waktu yang
Y
t
![Page 26: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/26.jpg)
8
memenuhi asumsi stasioneritas mempunyai rataan dan ragam yang konstan
dengan kovarians dan korelasi yang tergantung hanya pada selisih waktu (Wei,
2006). Kestasioneran data ini berkaitan dengan metode estimasi yang digunakan.
Selain itu, apabila data yang digunakan dalam model ada yang tidak stasioner,
maka data tersebut dipertimbangkan kembali validitas dan kestabilannya. Salah
satu penyebab tidak stasionernya sebuah data adalah adanya autokorelasi. Bila
data distasionerkan maka autokorelasi akan hilang dengan sendirinya, karena itu
transformasi data untuk membuat data yang tidak stasioner menjadi stasioner
sama dengan transformasi data untuk menghilangkan autokorelasi. Suatu data
deret waktu dikatakan stasioner jika untuk setiap , maka:
(i) ( ) ( ) (2.1)
(ii) ( ) (2.2)
(iii) ,( )( )-, (2.3)
dengan adalah autokovarians pada lag-k, nilai dan untuk setiap adalah
konstan.
Apabila suatu data deret waktu mempunyai ragam yang tidak stasioner, maka
perlu dilakukan transformasi terhadap data tersebut untuk membuat ragam data
menjadi stasioner. Transformasi yang banyak digunakan adalah transformasi
Box-Cox. Sementara itu untuk data deret waktu yang mempunyai nilai rataan
tidak stasioner, maka dapat digunakan proses pembedaan (differencing) (Wanto,
2016).
![Page 27: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/27.jpg)
9
2.2.1 Stasioner Terhadap Ragam
Data deret waktu dikatakan stasioner terhadap ragam apabila data tersebut
berfluktuasi terhadap varians yang tetap dari waktu ke waktu (horizontal
sepanjang sumbu waktu), dengan kata lain nilai ragamnya konstan untuk semua .
Ragam yang tidak konstan menyebabkan data menjadi tidak stasioner terhadap
ragamnya. Modifikasi dilakukan agar data stasioner pada ragam dengan
melakukan transformasi pada data deret waktu. Apabila standar deviasi dari data
deret waktu proporsional terhadap data aslinya, maka modifikasi yang dapat
dilakukan adalah logaritma asli (ln) sedemikian sehingga deret yang baru
memiliki varians yang konstan. Akan tetapi, apabila ragam dari data deret waktu
proporsional terhadap data aslinya, maka modifikasi yang dapat dilakukan adalah
akar kuadrat untuk memperoleh varians yang konstan (Pankratz, 1991). Pada
tahun 1964, Box dan Cox memperkenalkan suatu transformasi bentuk pangkat
yang disebut dengan transformasi Box-Cox. Transformasi Box-Cox didefinisikan
sebagi berikut:
( ) {
(2.4)
dengan adalah parameter transformasi Box-Cox dan adalah nilai deret waktu
pada waktu ke-t. Transformasi Box-Cox hanya dapat digunakan jika observasi
bernilai lebih dari 0. Apabila terdapat , maka suatu konstanta dapat
ditambahkan sedemikian sehingga dan transformasi Box-Cox
dapat digunakan terhadap . Hal ini dimungkinkan karena sebuah konstanta
selalu dapat ditambahkan pada data tanpa mempengaruhi nilai korelasi data
tersebut. Transformasi parameter Box-Cox disajikan pada Tabel 2.1.
![Page 28: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/28.jpg)
10
Tabel 2.1. Transformasi Parameter Box-Cox
Transformasi
-1
-0,5
√
0
0,5 √
1 (tidak dilakukan
transformasi)
2.2.2 Stasioner Terhadap Nilai Tengah
Data deret waktu dikatakan stasioner terhadap nilai tengah (mean) apabila data
berfluktuasi pada sekitar suatu nilai tengah yang tetap dari waktu ke waktu selama
penelitian. Suatu data deret waktu yang stasioner terhadap ragam namun tidak
stasioner terhadap rataan (mean) dapat diupayakan menjadi suatu deret waktu
yang stasioner dengan memilih suatu pembedaan (difference) yang bersesuaian
dengan data deret waktu tersebut (Wei, 2006). Proses pembedaan merupakan
proses mencari selisih antara data suatu periode dengan periode sebelumnya
secara beruntun. Proses pembedaan dapat dilakukan hingga beberapa periode
sampai data stasioner. Menurut Pankratz (1991), pembedaan terhadap suatu data
deret dilakukan dengan menggunakan operator . Pembedaan pertama
didefinisikan sebagai berikut:
( ) , (2.5)
dengan adalah data asli setelah dilakukan pembedaan tingkat pertama, adalah
Back-shift operator yang didefinisikan dengan . Notasi yang
![Page 29: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/29.jpg)
11
dipasangkan pada mempunyai pengaruh menggeser data satu waktu belakang.
Sebagai contoh, jika suatu data deret waktu nonstasioner, maka data tersebut dapat
dibuat mendekati stasioner dengan melakukan pembedaan orde pertama dari data.
Apabila pembedaan pertama belum memberikan hasil yang stasioner pada nilai
tengah, maka dilakukan pembedaan pada periode selanjutnya dari hasil
pembedaan pertama untuk semua . Pembedaan tingkat dua didefinisikan sebagai
berikut:
( ) ( )
( )
( )
( )
( ) . (2.6)
Deret pada persamaan (2.6) disebut pembedaan kedua dari . Apabila suatu data
deret waktu tidak stasioner, maka pembedaan ke-d, ( ) , untuk suatu
adalah stasioner. Pembedaan ke-d didefinisikan sebagai berikut:
( )
( ) ( )
( ) . (2.7)
![Page 30: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/30.jpg)
12
2.3 Fungsi Autokorelasi (ACF)
Autokorelasi adalah ketergantungan antara nilai-nilai suatu data deret waktu yang
sama pada periode waktu yang berlaianan yang digunakan untuk menentukan
koefisien korelasi pada deret waktu. Autokorelasi pada lag-k ( ) merupakan
korelasi pada data deret waktu antara pengamatan dan (Wei, 2006). Pada
yang stasioner, ( ) dan ( ) ( ) adalah konstan
dan ( ) adalah fungsi dari selisih waktu | |. Kovarians antara
dan dinyatakan sebagai berikut:
( ) ( )( ) (2.8)
dan korelasi antara dan yaitu:
( )
,( )( )-
√ ,( ) - ,( ) -
( )
√ ( )√ ( )
, (2.9)
dengan ( ) ( ) . Sebagai fungsi dari , disebut fungsi
autokovarians dan disebut fungsi autokorelasi (ACF). Sifat-sifat yang dimiliki
oleh fungsi autokovariansi dan fungsi autokorelasi yaitu:
1. ( ) dan
2. | | dan | |
3. dan
![Page 31: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/31.jpg)
13
Bukti:
1. Dengan menggunakan definisi korelasi antara dan akan dibuktikan
bahwa ( ) dan .
( )
√ ( )√ ( )
,
dengan , maka
( )
√ ( )√ ( )
( )
√ ( )√ ( )
( )
√ ( )
( )
( )
.
2. Sifat kedua merupakan akibat dari persamaan autokorelasi kurang dari atau
sama dengan 1 dalam nilai mutlak.
3. Sifat ketiga diperoleh dari perbedaan antara dan .
( ) ( ) ( )
Oleh karena itu, fungsi autokorelasi sering hanya diplotkan untuk lag
nonnegatif.
ACF pada sampel dihitung dengan menggunakan formula berikut:
∑ ( )( )
∑ ( )
, (2.10)
dengan adalah nilai korelasi pada lag-k dan adalah banyaknya pengamatan.
Plot dari ACF disebut correlogram. Plot ini digunakan untuk mempermudah
![Page 32: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/32.jpg)
14
dalam melihat apakah ACF signifikan atau tidak, selain itu dapat dilihat juga
melalui galat bakunya (standard error). Dalam membuat correlogram, terlebih
dahulu hitung nilai galat baku dari ACF tersebut. Galat baku ini digunakan untuk
melihat apakah ACF berbeda secara nyata dengan nol. Berikut adalah formula
untuk menghitung galat baku.
( ) √ ∑
, (2.11)
dengan ( ) adalah nilai galat baku dari dan adalah nilai autokorelasi
sampel pada lag i.
Pada uji autokorelasi, didefinisikan dengan yaitu tidak ada autokorelasi
(koefisien autokorelasi tidak signifikan), sedangkan adalah yaitu ada
autokorelasi antar observasi (koefisien autokorelasi signifikan). Statistik uji yang
digunakan dalam uji autokorelasi adalah statistik t yang dirumuskan sebagai
berikut:
( )
, (2.12)
dengan , adalah banyaknya data dan adalah lag koefisien
autokorelasi yang diuji. Daerah penolakan yang digunakan adalah tolak jika
| |
. Selain menggunakan statistik t, plot ACF dapat digunakan untuk
melihat ada atau tidaknya autokorelasi antar observasi. Apabila tidak terdapat lag
yang keluar dari batas signifikan, maka dapat disimpulkan bahwa tidak ada
korelasi antar lag (Wanto, 2016).
![Page 33: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/33.jpg)
15
2.4 Fungi Autokorelasi Parsial (PACF)
Autokorelasi parsial atau partial autocorrelation (PACF) antara dan
adalah korelasi antara dan setelah ketergantungan liniernya dengan
dihilangkan. Autokorelasi parsial antara dan ,
dinotasikan dengan . Konsep PACF dianalogikan dengan konsep koefisien
regresi parsial.
, (2.13)
dengan merupakan parameter regresi ke-i, dan merupakan
kesalahan nilai residual yang tidak berkorelasi dengan dengan
. Langkah pertama yang dilakukan untuk mendapatkan nilai PACF
adalah mengalikan persamaan (2.13) dengan pada kedua ruas sehingga
diperoleh:
Misalkan ( ) dan ( ) sehingga diperoleh:
.
Langkah kedua yaitu membagi kedua ruas dengan :
,
![Page 34: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/34.jpg)
16
sehingga diperoleh persamaan berikut:
, (2.14)
dengan dan diberikan didapatkan sistem persamaan sebagai
berikut:
. (2.15)
Sistem persamaan (2.15) dapat diselesaikan dengan menggunakan aturan Cramer.
Persamaan (2.15) untuk digunakan untuk mencari nilai-nilai fungsi
autokorelasi parsial pada lag k yaitu , ..., . adalah matriks
autokorelasi dan ( ) dan adalah autokorelasi pada lag k.
Matriks adalah matriks dengan kolom terakhir disubtitusi dengan transpose
dari ( ) dan ( ) .
a. Untuk lag pertama ( ) dan ( ) diperoleh sistem persamaan
, karena sehingga yang berarti bahwa fungsi
autokorelasi parsial pada lag pertama akan sama dengan fungsi autokorelasi
pada lag pertama.
b. Untuk lag kedua ( ) dan ( ) diperoleh sistem persamaan
. (2.16)
Bentuk matriks dari persamaan (2.16) yaitu:
[
] [
] [
]
![Page 35: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/35.jpg)
17
[
]
[
],
dengan menggunakan aturan Cramer diperoleh:
(
)
( )
|
|
|
|.
c. Untuk lag ketiga ( ) dan ( ) diperoleh sistem persamaan
. (2.17)
Bentuk matriks dari sistem persamaan (2.17) yaitu:
[
] [
] [
]
[
]
[
] dan dengan menggunakan
aturan Cramer diperoleh:
(
)
( )
|
|
|
|
.
d. Untuk k lag diperoleh sistem persamaan sebagai berikut:
. (2.18)
![Page 36: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/36.jpg)
18
Bentuk matriks dari sistem persamaan (2.18) yaitu:
[
]
[
]
[
]
,
dengan aturan Cramer diperoleh
[
]
.
Nilai autokorelasi parsial lag k hasilnya adalah
(
)
( )
||
||
||
||
, (2.19)
Himpunan dari * + disebut sebagai fungsi autokorelasi parsial.
Fungsi menjadi notasi standar untuk autokorelasi parsial antara observasi
dan dalam analisis deret waktu. Fungsi akan bernilai nol untuk .
Sifat ini dapat digunakan untuk mengidentifikasi model AR dan MA, yaitu pada
model Autoreggresive berlaku ACF akan menurun secara bertahap menuju nol
dan Moving Average berlaku ACF menuju ke-0 setelah lag ke-q sedangkan nilai
PACF model AR yaitu dan model MA yaitu , untuk
(Wei, 2006). Himpunan hasil nilai dari fungsi autokorelasi parsial sampel
disingkat SPACF. Setiap koefesien populasi diduga untuk suatu himpunan data
![Page 37: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/37.jpg)
19
yang diberikan oleh sampel pasangan ( ). Penduga koefesien populasi
didefinisikan sebagai berikut:
∑
∑
,
dengan . Untuk .
Menurut Durbin (1960), alternatif cara untuk menghitung autokorelasi parsial
tanpa perlu sebelumnya menentukan nilai ( ) dan ( ) yaitu dengan
metode rekursif sebagai berikut:
∑
∑
(2.20)
dan
. (2.21)
Signifikansi setiap dapat diukur dengan membandingkan penduganya dengan
standar erornya:
( ) √
, (2.22)
dengan adalah banyaknya pengamatan sampel. Pada uji autokorelasi parsial,
didefinisikan dengan , (tidak ada autokorelasi parsial/koefisien
autokorelasi parsial tidak signifikan), sedangkan adalah (ada
autokorelasi parsial antar observasi /koefisien autokorelasi parsial signifikan).
Statistik uji yang digunakan dalam uji autokorelasi parsial adalah statistik t yang
dirumuskan sebagai berikut:
( )
. (2.23)
![Page 38: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/38.jpg)
20
Daerah penolakan yang digunakan adalah tolak jika | |
(Wei, 2006).
2.5 Model Autoregressive (AR)
Model Auteregressive (AR) adalah suatu model persamaan regresi yang
menghubungkan nilai-nilai sebelumya dari suatu variabel dependent (tak bebas)
dengan variabel itu sendiri. Nilai koefisien parameter AR terbatas antara -1
sampai dengan +1 untuk proses AR (1), sedangkan untuk AR (2) nilai koefisien
parameternya adalah dan (Makridakis, dkk, 1999).
Model Auteregressive (AR) dengan orde p dinotasikan dengan AR (p). Bentuk
umum model AR orde ke-p atau AR (p) dinyatakan sebagai berikut:
, (2.24)
dengan:
: variabel dependent pada waktu ke-t
: variabel independent yang merupakan lag dari
: koefisien autoregressive (AR)
: nilai residual (nilai kesalahan) pada waktu ke-t
: orde AR
Persamaan (2.24) dapat diartikan bahwa nilai saat ini dari suatu proses
ditunjukkan sebagai jumlah tertimbang dari nilai lalu ditambah error saat ini.
Persamaan (2.24) dapat ditulis menggunakan operator atau operator backshift
sehingga menjadi persamaan berikut:
(
)
![Page 39: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/39.jpg)
21
atau
( ) (2.25)
dan ( ) disebut operator AR(p) (Wei, 2006).
Fungsi autokorelasi dari AR (p) diperoleh dengan mengalikan persamaan (2.25)
dengan yang dinyatakan sebagai berikut:
. (2.26)
Jika pada kedua ruas persamaan (2.26) dimasukkan nilai harapan (expected value)
dan diasumsikan terdapat stasioneritas, maka persamaan tersebut akan menjadi
( ) ( ) ( ) ( )
( ). (2.27)
Karena nilai residual ( ) bersifat random dan tidak berkorelasi dengan ,
maka ( ) adalah nol untuk sehingga persamaan (2.27) akan menjadi
. (2.28)
Jika kedua ruas pada persamaan (2.28) dibagi dengan , maka akan diperoleh
atau
. (2.29)
Jika untuk , maka dapat dilihat bahwa ketika
pada kolom terakhir matriks pembilang dari pada persamaan (2.19)
dapat ditulis sebagai kombinasi linier dari kolom sebelumnya pada matriks yang
sama. Oleh karena itu, fungsi autokorelasi parsial akan terputus setelah lag p.
![Page 40: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/40.jpg)
22
2.6 Model Moving Average (MA)
Proses Moving Average atau rata-rata bergerak berorde q menyatakan hubungan
ketergantungan antara nilai pengamatan dengan nilai-nilai kesalahan yang
berurutan dari periode t sampai . Secara umum model MA orde ke-q atau
MA (q) dinyatakan sebagai berikut:
, (2.30)
dengan:
: nilai variabel dependent pada waktu t
: nilai residu pada waktu t,
: koefsien Moving Average
q : orde MA
Persamaan (2.30) dapat ditulis sebagai berikut:
(
)
atau
( ) (2.31)
dengan ( )
. Proses MA berhingga selalu
stasioner karena
.
Apabila kedua ruas pada persamaan (2.30) dikalikan dengan , maka hasilnya
yaitu:
( )( ) (2.32)
![Page 41: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/41.jpg)
23
Jika dimasukkan nilai harapan (expected value) pada kedua ruas persamaan
(2.32), maka persamaan tersebut akan menjadi
( ) [( )(
)]
(
). (2.33)
Nilai harapan pada persamaan (2.33) tergantung pada nilai . Jika , maka
persamaan (2.33) menjadi
( ) ( )
( ). (2.34)
Seluruh suku yang lain pada persamaan (2.33) hilang karena
( )
dan
( ) ,
sehingga persamaan (2.34) menjadi sebagai berikut:
(
) . (2.35)
Persamaan (2.35) merupakan varians dari proses model MA (q). Jika ,
maka persamaan (2.33) menjadi
( ) ( ) ( )
( ) .
![Page 42: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/42.jpg)
24
Secara umum untuk , persamaan (2.33) menjadi
( ) , (2.36)
sehingga fungsi autokovarians dari proses MA (q) yaitu:
{( )
(2.37)
Fungsi autokorelasi MA (q) dihasilkan dari pembagian antara persamaan (2.37)
dengan persamaan (2.35) yang dinyatakan sebagai berikut:
{
(2.38)
Dari bagian ini diperoleh bahwa ACF sangat membantu mengidentifikasi model
MA dan orde cut off tepat setelah lag q (Montgomery, dkk, 2008).
2.7 Model Autoregressive Moving Average (ARMA)
Model ARMA (p,q) merupakan kombinasi dari model AR (p) dan MA(q) yang
memiliki asumsi bahwa data periode sekarang dipengaruhi oleh data pada periode
sebelumnya dan nilai residual pada periode sebelumnya (Assauri, 1984). Model
ARMA (p,q) dinyatakan sebagai berikut:
. (2.39)
Persamaan (2.39) dapat ditulis dalam bentuk berikut:
( ) (
) (2.40)
atau
( ) ( ) . (2.41)
![Page 43: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/43.jpg)
25
Jika kedua ruas pada persamaan (2.39) dikalikan dengan , maka
persamaannya menjadi
(2.42)
Jika pada kedua ruas persamaan (2.42) dimasukkan nilai harapan (expected
value), maka persamaanya akan menjadi
( ) ( )
( ). (2.43)
Karena ( ) untuk , maka
( ) (2.44)
dan autokorelasinya dinyatakan sebagai berikut:
( ). (2.45)
2.8 Model Autoregressive Integrated Moving Average (ARIMA)
Model AR, MA dan ARMA menggunakan asumsi bahwa data deret waktu yang
dihasilkan sudah bersifat stasioner. Pada kenyataannya, data deret waktu lebih
banyak bersifat tidak stasioner (Sadeq, 2008). Jika data tidak stasioner, maka
metode yang digunakan untuk membuat data stasioner adalah differencing untuk
data yang tidak stasioner dalam rataan dan proses transformasi untuk data yang
tidak stasioner dalam ragam (Mulyana, 2004). Model ARMA (p,q) pada
persamaan (2.40), yaitu
( ) (
) ,
![Page 44: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/44.jpg)
26
dengan
( ) ( ) (2.46)
Berdasarkan persamaan (2.46), model AR (p) menjadi
( ) (2.47)
dan model MA (q) menjadi
(
) , (2.48)
di dalam proses MA (q), .
Menurut Suhartono (2006), model ARIMA (p, d, q) merupakan gabungan dari
model ARMA (p, q) dan proses differencing yang dinyatakan sebagai berikut:
( )( ) ( ) , (2.49)
dimana ( )
dan ( )
,
dengan:
: data observasi ke-t
: operator backshift
( ) : deret waktu yang stasioner pada pembedaan ke-d
: nilai error pada waktu ke-t
: orde AR
: orde MA
: banyaknya pembedaan atau differencing
Parameter mempunyai peran yang berbeda untuk dan . Untuk
, data asli telah stasioner dan seperti pada persamaan (2.46) bahwa
merupakan rata-rata proses, yaitu ( ) . Sedangkan
![Page 45: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/45.jpg)
27
untuk , data asli nonstasioner dan merupakan istilah trend deterministik
yang biasanya dihilangkan.
2.9 Model Seasonal Autoregressive Integrated Moving Average (SARIMA)
Musiman adalah kecenderungan mengulangi pola tingkah gerak dalam periode
musim. Model SARIMA merupakan model ARIMA yang digunakan untuk
menyelesaikan deret waktu musiman yang terdiri dari dua bagian, yaitu bagian
tidak musiman dan bagian musiman. Bagian tidak musiman dari metode ini
adalah model ARIMA (Ukhra, 2014).
Suatu deret * + yang tidak mengandung variasi periode musiman dan tidak
musiman, bentuk model ARIMA untuk deret tersebut, yaitu:
( )( ) ( ) . (2.50)
Jika terdapat * + tidak white noise dengan korelasi antar periode musiman, maka
fungsi autokorelasi untuk * + dinyatakan sebagai berikut:
( ) ( )( )
(2.51)
Untuk lebih mudah melihat korelasi antar periode, dapat direpresentasikan sebagai
model ARIMA berikut:
( )( ) ( ) , (2.52)
dengan ( )
dan ( )
![Page 46: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/46.jpg)
28
adalah persamaan polinomial dalam . Jika akar-akar dari polinomial tersebut
berada di luar lingkaran unit dan * + , maka proses tersebut adalah proses
white noise.
Kombinasi dari persamaan (2.50) dan persamaan (2.52) akan menghasilkan model
SARIMA yang dinyatakan sebagai berikut:
( ) ( )( ) ( ) ( ) ( ) , (2.53)
dengan:
{
( ) : faktor AR non-musiman
( ) : faktor MA non-musiman
( ) : faktor AR musiman
( ) : faktor MA musiman
: rata-rata
P : orde musiman untuk AR
Q : orde musiman untuk MA
D : banyaknya sesonal differencing
S : jumlah periode per musim
2.10 Proses White Noise
Suatu proses * + dikatakan sebagai proses white noise jika * + adalah barisan
peubah acak yang tidak berkorelasi dengan mean ( ) , varians
konstan ( ) dan ( ) untuk semua . Oleh
![Page 47: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/47.jpg)
29
karena itu, suatu proese white noise * + adalah stasioner dengan fungsi
autokovariansi
{
(2.54)
fungsi autokorelasi
{
(2.55)
fungsi autokorelasi parsial
{
(2.56)
Proses white noise dapat dideteksi menggunakan uji autokorelasi residual pada
analisis error-nya. Uji korelasi residual digunakan untuk mendeteksi ada
tidaknya korelasi residual antar lag. Suatu model deret waktu dikatakan baik
apabila residualnya white noise. White noise digunakan untuk menjelaskan bahwa
suatu data memiliki residual dengan perilaku acak dan stasioner. White noise
dinotasikan dengan * + ( ). Barisan * + mengarah sebagai white noise
dengan mean 0 dan varians . Sehingga barisan IID (
) adalah ( )
(Brockwell dan Davis, 2002). Autokorelasi residual dapat dilihat dari plot ACF
residual. Apabila tidak terdapat lag yang keluar dari garis signifikan, maka dapat
dikatakan bahwa tidak ada autokorelasi pada residual. Selain itu, autokorlasi
residual dapat dilihat melalui Uji Ljung-Box. Uji statistik Ljung-Box merupakan
modifikasi dari statistik uji Q. Uji ini digunakan untuk mengidentifikasi residual
bahwa residual merupakan white noise. Uji Ljung-Box menggunakan seluruh
residual sampel SACF dengan hipotesis sebagai berikut:
(Residual tidak berautokorelasi)
![Page 48: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/48.jpg)
30
(Residual berautokorelasi)
Taraf signifikansi atau yang digunakan sebesar 5%.
Rumus uji Ljung-Box dinyatakan sebagai berikut:
( )∑ ( )
, (2.57)
dengan:
n : banyaknya observasi dalam runtun waktu
K : banyaknya lag yang diuji
k : selisih lag
: nilai koefisien autokorelasi pada lag-k
Kriteria keputusan yang digunakan yaitu tolak jika ( ) . Tidak tolak
jika ( ) tabel dengan derajat bebas ( ) atau p-value <α
(Wei, 2006).
2.11 Analisis Intervensi
Dalam praktek seringkali ditemukan data deret waktu yang dipengaruhi kejadian-
kejadian khusus. Kejadian khusus yang dimaksud di sini adalah adanya suatu
intervensi baik yang bersifat eksternal maupun internal yang mempengaruhi pola
data. Pada analisis intervensi diasumsikan bahwa kejadian intervensi terjadi pada
waktu yang diketahui dari suatu deret waktu (Box, dkk, 1994). Tujuan utama
dari analisis ini adalah mengukur besar dan lamanya efek intervensi pada suatu
deret waktu (Wei, 2006). Bentuk umum dari model intervensi dinyatakan sebagai
berikut:
![Page 49: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/49.jpg)
31
∑
( )
( )
, (2.58)
dengan:
: variabel respon pada waktu t
j : banyaknya intervensi yang terjadi,
: variabel intervensi ke-j pada waktu t, bernilai 1 atau 0 yang menunjukkan
ada tidaknya pengaruh intervensi pada waktu t
: delay waktu mulai terjadinya intervensi
( ) : ( menunjukkan lamanya suatu intevensi
berpengaruh pada data setelah b periode)
( ) : ( pola efek intervensi yang terjadi setelah
periode sejak kejadian intervensi pada waktu T)
: error/noise yang berupa model tanpa adanya intrvensi
Secara umum, ada dua jenis variabel intervensi, yaitu fungsi step dan pulse (Box,
dkk, 1994). Kejadian intervensi yang terjadi sejak waktu dan seterusnya dalam
waktu yang panjang disebut fungsi step. Sedangkan, kejadian intervensi terjadi
hanya pada waktu saja dan tidak berlanjut pada waktu selanjutnya disebut
fungsi pulse.
Persamaan (2.58) menunjukkan bahwa besar dan periode dampak intervensi di
tunjukkan oleh . Dalam mengidentifikasi orde pada model intervensi
( ), dapat dilakukan dengan melihat plot residual. Residual diperoleh
dari selisih antara data hasil pengamatan dengan nilai peramalan menggunakan
noise model. Misalkan residual dinotasikan sebagai , maka:
![Page 50: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/50.jpg)
32
∑
( )
( )
. (2.59)
Nilai ditentukan dengan melihat kapan efek intervensi mulai terjadi, nilai
menunjukkan kapan gerak bobot respon mulai mengalami penurunan, dan
menunjukkan pola dari residual (Nuvitasari, dkk, 2009).
2.11.1 Model Intervensi Input Tunggal Fungsi Step
Fungsi step adalah suatu jenis intervensi yang terjadi pada dan memiliki
pengaruh jangka panjang dalam jangka panjang (Budiarti, dkk, 2013). Secara
matematis, bentuk intervensi fungsi step dinotasikan sebagai berikut:
{
(2.60)
Berdasarkan persamaan (2.60) dapat diperoleh model intervensi input tunggal step
sebagai berikut:
∑
( )
( )
. (2.61)
Berdasarkan persamaan (2.59), dampak intervensi input tunggal fungsi step
dinyatakan sebagai berikut:
(∑
( )
( )
)
∑
( )
( )
. (2.62)
![Page 51: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/51.jpg)
33
Menurut Wei (2006), terdapat beberapa kemungkinan respon yang dapat terjadi
dari fungsi step, yaitu:
1. Efek intervensi terjadi setelah (delay waktu mulai terjadinya intervensi)
yang dinotasikan sebagai berikut:
. (2.63)
2. Efek intervensi terjadi setelah (delay waktu mulai terjadinya intervensi),
namun memiliki respon yang gradual atau secara perlahan mengalami
perubahan. Respon tersebut dinyatakan sebagai berikut:
( ) , (2.64)
dengan adalah . Jika , maka dampak intervensi akan
meningkat secara linier.
2.11.2 Model Intervensi Input Tunggal Fungsi Pulse
Fungsi pulse adalah suatu jenis intervensi yang hanya terjadi pada waktu tertentu
(Budiarti, dkk, 2013). Bentuk intervensi fungsi pulse dinotasikan sebagai berikut:
{
(2.65)
Berdasarkan persamaan (2.65) dapat diperoleh model intervensi input tunggal
pulse sebagai berikut:
∑
( )
( )
. (2.66)
Berdasarkan persamaan (2.59), dampak intervensi input tunggal fungsi pulse
dinyatakan sebagai berikut:
![Page 52: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/52.jpg)
34
(∑
( )
( )
)
∑
( )
( )
. (2.67)
Menurut Wei (2006), terdapat beberapa kemungkinan respon yang dapat terjadi
dari fungsi pulse, yaitu:
1. Efek intervensi terjadi setelah (delay waktu mulai terjadinya intervensi)
yang dinotasikan sebagai berikut:
. (2.68)
2. Efek intervensi terjadi setelah (delay waktu mulai terjadinya intervensi),
namun memiliki respon yang gradual atau secara perlahan mengalami
perubahan. Respon tersebut dinyatakan sebagai berikut:
( ) , (2.69)
dengan adalah . Jika , maka dampak intervensi akan
meningkat secara linier.
2.11.3 Model Intervensi Multi Input
Model intervensi multi input mengandung dua variabel intervensi atau lebih.
Model intervensi multi input dibentuk berdasarkan persamaan (2.58) yang
dinotasikan sebagai berikut:
( )
( )
( )
( )
( )
( )
. (2.70)
![Page 53: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/53.jpg)
35
Persamaan (2.70) menunjukkan bahwa ada pada dataset deret waktu. Analisis
intervensi multi input fungsi pulse ( ) yang diikuti oleh fungsi
step ( ) akan menghasilkan dampak yang berbeda dengan
analisis intervensi multi input fungsi step ( ) yang diikuti oleh
fungsi pulse ( ) dengan masing-masing kasus menggunakan
,
,
, dan (Novianti dan
Suhartono, 2009).
2.11.4 Analisis Intervensi Multi Input dalam Model SARIMA
Analisis intervensi dalam model SARIMA adalah sebuah pengembangan dari
konsep Multivariate ARIMA (MARIMA) yang telah dilakukan oleh Box dan Tiao
(1975). Analisis tersebut digunakan untuk mengidentifikasi intervensi dari
beberapa veriabel independen pada suatu variabel dependen. Dampak dari
intervensi dapat berjangka panjang atau hanya pada suatu waktu saja. Model
intervensi dapat diformulasikan sebagai fungsi regresi. Model regresi yang
mengandung variabel independen terdiri dari model SARIMA dan suatu fungsi
intervensi menunjukkan tipe khusus dari variabel dummy yang disebut fungsi step
atau pulse menjadi model SARIMA multivariat. Secara spesifik, variabel respon,
adalah fungsi dari model SARIMA sebelum intervensi ditambah fungsi input
dari indikator intervensi deterministik (Goh dan Law, 2002).
∑ ( )
∑
( )
( )
( ) ( )
( ) ( )( ) ( ) , (2.71)
![Page 54: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/54.jpg)
36
dengan:
: nilai peramalan pada periode t
( ) : fungsi intervensi pada waktu t
: model SARIMA sebelum terjadinya intervensi
Berdasarkan persamaan (2.59), dampak intervensi multi input fungsi step dan
pulse dinyatakan sebagai berikut:
(∑
( )
( )
( ) ( )
( ) ( )( ) ( ) )
( ) ( )
( ) ( )( ) ( )
∑ ( )
( ) . (2.72)
2.12 Estimasi Parameter Model
Metode yang digunakan untuk memperkirakan parameter-parameter pada model
statistik yang diberikan melalui pengamatan-pengamatan dengan menggunakan
Maximum Likelihood Estimation (MLE). MLE berupaya untuk menemukan nilai
parameter yang dapat memaksimalkan fungsi likelihood berdasarkan pengamatan-
pengamatan yang telah dilakukan. Fungsi kepadatan peluang atau probability
density function (pdf) peubah acak yang dikondisikan untuk suatu parameter
dinotasikan ( | ). Fungsi kepadatan peluang bersama dari suatu observasi
yang i.i.d. adalah hasil perkalian dari setiap kepadatan individual:
( | ) ∏ ( | ) ( | ), (2.73)
atau ( | ) disebut juga sebagai fungsi likelihood. Fungsi likelihood
didefinisikan sebagai suatu fungsi dari vektor parameter yang tidak diketahui ,
![Page 55: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/55.jpg)
37
dengan mengindikasikan koleksi dari data sampel. MLE didefinisikan
sebagai maximizer dari:
( )
∑ ( | )
(2.74)
Beberapa sifat dari MLE, yaitu:
1. Penduga dari adalah penduga yang tak bias jika ( ) .
2. Penduga dari adalah penduga yang konsisten jika (| | )
.
3. Penduga dari adalah penduga yang asimtotik normal jika √ ( )
( ) dengan
disebut sebagai ragam asimtotik dari dugaan .
4. Misal dari adalah penduga tak bias dari maka dikatakan sebagai
penduga yang lebih efektif daripada jika ( ) ( ) untuk semua
.
Menurut Wanto (2016), untuk model umum ARMA( ) yang stasioner, fungsi
keadatan peluang bersama dari ( ) dinyatakan sebagai berikut:
( | ) (
) ⁄ [
∑
] (2.75)
Model ARMA dapat ditulis sebagai berikut:
, (2.76)
misal ( ) selanjutnya asumsikan kondisi atau syarat
( ) dan ( ) sudah diketahui. Fungsi log-
likelihood bersyarat dituliskan sebagai berikut:
( )
( )
, (2.77)
![Page 56: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/56.jpg)
38
dengan
( ) ∑
( | ) (2.78)
adalah fungsi jumlah kuadrat bersyarat. Nilai dari dan yang memaksimalkan
fungsi pada persamaan (2.77) disebut penduga likelihood maksimum bersyarat
(conditional maximum likelihood estimator). Karena ( ) hanya
melibat data melalui ( ), penduga ini daat dianggap sebagai penduga kuadrat
terkecil bersyarat (conditional least square estimator) yang didapat dengan
meminimumkan jumlah kuadrat bersyarat ( ). Hal yang perlu diperhatikan
adalah penduga ini tidak mengandung . Oleh karena adalah proses yang
stasioner dan menyebar i.i.d. ( ) maka untuk nilai yang tidak
diketahui dapat diganti dengan , dengan adalah penduga tak bias untuk dan
mengganti nilai dengan nilai ekspektasinya yaitu 0. Fungsi jumlah kuadrat
bersyarat pada persamaan (2.78) menjadi
( ) ∑
( | ) (2.79)
Setelah mendapatkan estimasi parameter dan , estimasi untuk dari
dapat diperoleh dengan menggunakan persamaan berikut:
( )
∑ ( )
( ) (2.80)
2.13 Uji Normalitas
Uji kenormalan residual digunakan untuk memeriksa apakah suatu residual
mempunyai distribusi normal atau tidak. Rumusan hipotesis yang digunakan,
yaitu:
: residual berdistribusi normal
![Page 57: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/57.jpg)
39
: residual tidak berdistribusi normal.
Uji Kolmogorov-Smirnov digunakan untuk membandingkan kesesuian dari
distribusi sampel dengan suatu distribusi pembanding. Uji Kolmogorov-Smirnov
dapat digunakan sebagai uji kenormalan jika distribusi pembanding yang diambil
adalah distribusi normal. Statistik uji yang digunakan adalah statistik uji
Kolmogorov-Smirnov dengan formula sebagai berikut:
| ( ) ( )|, (2.81)
dengan ( ) adalah fungsi distribusi kumulatif pembanding dan ( ) adalah
fungsi distribusi kumulatif observasi (Wanto, 2016).
2.14 Kriteria Pemilihan Model
Pemilihan model terbaik dari beberapa model yang sesuai dapat berdasarkan nilai
Mean Square Error (MSE), Akaike’s Information Criterion (AIC), dan Schwarz
Bayesian Criterion (SBC). Rumus ketiga kriteria tersebut, yaitu:
( ), (2.82)
( ) , (2.83)
( ) ( ), (2.84)
dengan:
∑ ( )
: jumlah parameter yang diduga
W : jumlah pengamatan
Nilai minimum pada MSE, AIC, dan BIC mengindikasikan model terbaik (Yafee
dan McGee, 2000).
![Page 58: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/58.jpg)
40
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilakukan di Jurusan Matematika Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Lampung semester genap tahun akademik
2018/2019.
3.2 Data Penelitian
Data yang digunakan dalam penelitian ini adalah data jumlah penumpang Kereta
Api Indonesia (KAI) dari bulan Januari 2006-April 2019 sebanyak 160 data yang
diperoleh dari http://www.bps.go.id/dynamictable/2015/03/10%2000:00:00/815/
jumlah-penumpang-kereta-api-2006-2018-ribu-orang-html.
3.3 Metode Penelitian
Langkah-langkah yang digunakan dalam penelitian ini, yaitu:
1. Membagi data set menjadi bagian
a. Data 1, yaitu data sebelum intervensi pertama sebanyak deret (series)
. Dinotasikan sebagai .
![Page 59: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/59.jpg)
41
b. Data 2, yaitu data dari intervensi pertama sampai sebelum intervensi
kedua, sebanyak deret, .
Dinotasikan sebagai .
c. Data ke , yaitu data dari intervensi sampai akhir data, sebanyak
deret, , . Dinotasikan sebagai .
2. Pemodelan intervensi pertama
a. Langkah 1
Membangun model SARIMA untuk dataset deret waktu sebelum
intervensi pertama terjadi ( ), yaitu
( ) ( )
( ) ( )( ) ( ) .
Memprakirakan data ke 2 ( ) menggunakan model SARIMA.
Pada langkah ini, diperoleh data perkiraan sebagai berikut:
( ) ( ) ( ).
b. Langkah 2
Hitung nilai respon intervensi pertama atau
. Ini adalah residual
data , , berdasarkan pada perkiraan
model SARIMA pada langkah pertama. Langkah ini menghasilkan
nilai respon dari intervensi pertama.
.
Identifikasi dari intervensi pertama dengan menggunakan
plot nilai respon
dengan confident interval,
yaitu (Root Mean Square Error atau MSE dari model
![Page 60: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/60.jpg)
42
SARIMA sebelumnya). Interval ini didasarkan pada penentuan
control chart pada kendali kualitas statistik.
c. Langkah 3
Estimasi parameter dan uji signifikansi untuk model intervensi
pertama.
Pemeriksaan diagnosa dengan melakukan pemeriksaan asumsi
residual, yaitu white noise dan normalitas. Pada langkah ini,
didapatkan model intervensi input pertama, yaitu:
( )
( )
( ) ( )
( ) ( )( ) ( ) .
3. Mengembangkan model intervensi secara iteratif, dimana .
a. Langkah 1
Memperkirakan data ( ), berdasarkan pada model
intervensi- . Pada langkah ini, didapatkan nilai perkiraan sebagai
berikut:
( ) ( ) ( ).
b. Langkah 2
Hitung respon intervensi ( ) , yaitu residual pada data
, berdasarkan pada perkiraan
model intervensi ( ) . Pada langkah ini, didapatkan nilai
respon dari intervensi sebagai berikut:
.
![Page 61: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/61.jpg)
43
Identifikasi dari model intervensi dengan
menggunakan plot nilai respon
dimana
confidence interval adalah .
c. Langkah 3
Estimasi parameter dan uji signifikansi untuk model intervensi .
Pemeriksaan diagnosa dengan melakukan uji asumsi residual, yaitu
white noise dan uji normalitas. Pada langkah ini didapatkan
∑
( )
( )
( ) ( )
( ) ( )( ) ( ) .
Langkah ini dilakukan secara iteratif sampai intervensi terakhir,
yaitu . Oleh karena itu, didapatkan model intervensi multi input
berikut:
∑
( )
( )
( ) ( )
( ) ( )( ) ( ) .
4. Peramalan dengan menggunakan model intervensi multi input fungsi step dan
pulse dalam model SARIMA.
![Page 62: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/62.jpg)
74
V. KESIMPULAN
Berdasarkan pembahasan pada bab sebelumnya, maka diperoleh kesimpulan
sebagai berikut:
1. Model intervensi multi input fungsi step dan pulse dalam SARIMA untuk
data jumlah penumpang KAI Januari 2006-April 2019, yaitu:
( )
( )( )
( )( ).
2. Hasil peramalan menggunakan model intervensi multi input fungsi step dan
pulse dalam model SARIMA untuk dua belas periode kedepan mulai bulan Mei
2019-April 2020, yaitu 36.516, 34.244, 37.191, 36.250, 35.544, 37.326, 36.493,
39.020, 36.670, 33.484, 37.531, dan 37.431.
![Page 63: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/63.jpg)
75
DAFTAR PUSTAKA
Ariyani, N.D., Wuryandari, T., dan Wilandari, Y. 2015. Analisis intervensi
kenaikan harga BBM bersubsidi pada data inflasi kota Semarang. Jurnal
Gaussian. 4(3):613-620.
Assauri, S. 1984. Teknik dan Metode Peramalan. Fakultas Ekonomi UI, Jakarta.
Aswi dan Sukarna. 2006. Analisis Deret Waktu. Andira Publisher, Makassar.
Badan Pusat Statistik. 2019. Data Jumlah Penumpang Kereta Api 2006-2019.
Http://www.bps.go.id/dynamictable/2015/03/10%2000:00:00/815/jumlah-
penumpang-kereta-ap-2006-2018-ribu-orang-html. Diakses pada 27 April
2019.
Box, G.E.P. dan Tiao, G.C. 1975. Intervention analysis with applications to
economic and enviromental problems. Journal of American Statistical
Association. 7(349).
Box, G.E.P., Jenskins, G.M., dan Reinsel, G.C. 1994. Time Series Analysis
Forecasting and Control Third Edition. Prentice-Hall International, Inc.,
United States of Amerika.
Brockwell, P.J. dan Davis, R.A. 2002. Introduction to Time Series and
Forecasting Second Edition. Springer-Verlag, New York.
Budiarti, L., Tarno, dan Warsito, B. 2013. Analisis intervensi dan deteksi outlier
pada data wisatawan domestik (studi kasus di Daerah Istimewa
Yogyakarta). Jurnal Gaussian. 2(1):39-48.
![Page 64: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/64.jpg)
76
Crystine, A., Hoyyi, A., dan Safitri, D. 2014. Analisis intervensi fungsi step
(studi kasus pada jumlah pengiriman benda pos ke Semarang pada tahun
2006-2011). Jurnal Gaussian. 3(3):293-302.
Durbin, J. 1960. The Fitting of Time Series Models. Review of the International
Statistical Institute. 28(3):233-244.
Goh, C. dan Law, R. 2002. Modeling and forecasting tourism demand for
arrivals with stochastic nonstationarity seasonality and intervention.
Journal of Tourism Management. 23:499-510.
Hasan, M.I. 2004. Pokok-pokok Materi Statistika I (Statistika Deskriptif). PT.
Bumi Aksara, Jakarta.
Makridakis, S., Wheelwright, S.C., dan McGee, V.E. 1999. Metode dan Aplikasi
Peramalan. Ed. ke-2. Terjemahan Ir. Untung S. Andriyanto dan Ir. Abdul
Basith. Erlangga, Jakarta.
Montgomery, D., Jennings, C., dan Kulachi, M. 2008. Introduction to Time
Series Analysis and Forecasting. John Wiley and Sons, Inc., New York.
Mulyana. 2004. Buku Ajar Analisis Deret Waktu. Jurusan Statistika FMIPA
Universitas Padjajaran, Bandung.
Novianti, P.W. dan Suhartono. 2009. Modeling of Indonesia Consumer Price
Index Using Multi Input Intervention Model. Bulletin of Monetary
Economic and Banking. 12(1).
Nuvitasari, E., Suhartono, dan Wibowo, H.S. 2009. Analisis Intervensi Multi
Input Fungsi Step dan Pulse untuk Peramalan Kunjungan Wisatawan ke
Indonesia. Tesis. Institut Teknologi Sepuluh November, Surabaya.
Pankratz, A. 1991. Forecasting with Dynamic Regression Models. John Wiley
and Sons, Inc., New York.
Sadeg, A. 2008. Analisis Prediksi Indeks Harga Saham Gabungan dengan
Metode ARIMA. Tesis. Pasca Sarjana Universitas Diponegoro,
Semarang.
![Page 65: ANALISIS INTERVENSI MULTI INPUT FUNGSI STEP DAN PULSE …digilib.unila.ac.id/58127/1/SKRIPSI TANPA BAB PEMBAHASAN.pdf · 2019-08-02 · Model intervensi adalah suatu model deret waktu](https://reader030.fdocuments.in/reader030/viewer/2022040102/5e236a2d610777785223f4b2/html5/thumbnails/65.jpg)
77
Soejoeti, Z. 1987. Analisis Runtun Waktu. Karunika, Jakarta.
Suhartono. 2006. Calender variation model for forecasting time series data with
islamic calender effect. Jurnal Matematika, Sains, dan Teknologi.
7(2):85-94.
Suhartono. 2007. Teori dan aplikasi model intervensi fungsi pulse. Jurnal
Ilmiah MatStat. 7(2):191-214.
Ukhra, A.U. 2014. Pemodelan dan peramalan data deret waktu dengan metode
seasonal ARIMA. Jurnal Matematika UNAND. 3(3):59-67.
Wanto, K. 2016. Analisis Intervensi Data Deret Waktu untuk Peramalan
Pendapatan Domestik Bruto Indonesia. Skripsi. Jurusan Matematika
FMIPA UNJ, Jakarta.
Wei, W.W.S. 2006. Time Series Analysis Univariate and Multivariate Methods
Second Edition. Addison Wesley.
Yafee, R.A. dan McGee, M. 2000. Introduction to Time Series Analysis and
Forecasting with Aplications in SAS and SPSS. Academic Press, USA.