Scribd
Unggah
424 tayangan39 halaman

Identifikasi Model SARIMA Musiman

Dokumen tersebut membahas model SARIMA (Seasonal Autoregressive Integrated Moving Average) untuk memodelkan data yang memiliki pola musiman. Langkah-langkahnya meliputi menentukan panjang periode musiman, identifikasi model berdasarkan ACF dan PACF, transformasi data jika diperlukan, pemilihan model awal, penyesuaian model, uji diagnostik, dan validasi model. Model SARIMA dapat digunakan untuk memprediksi data yang memiliki pola berulang setiap periode

Diunggah oleh

Fatur Mse
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
424 tayangan39 halaman

Identifikasi Model SARIMA Musiman

Dokumen tersebut membahas model SARIMA (Seasonal Autoregressive Integrated Moving Average) untuk memodelkan data yang memiliki pola musiman. Langkah-langkahnya meliputi menentukan panjang periode musiman, identifikasi model berdasarkan ACF dan PACF, transformasi data jika diperlukan, pemilihan model awal, penyesuaian model, uji diagnostik, dan validasi model. Model SARIMA dapat digunakan untuk memprediksi data yang memiliki pola berulang setiap periode

Diunggah oleh

Fatur Mse
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd

Muhammad Ihwal, [Link]., [Link].

Universitas Halu Oleo Kendari


Pengertian
 Model ARIMA juga dapat digunakan
untuk fitting data yang berpola
musiman
 Perbedaan Prosedur SARIMA dengan
ARIMA terletak pada identifikasi
perilaku ACF dan PACF yang
mengandung unsur musiman
 Langkah awal adalah penentuan s atau
panjang periode musiman.
Model MA(1) Musiman
 Bila periode musiman s = 12 maka
model musiman MA(1)
Zt = a t − Θ Zt −12
 Mudah ditunjukkan bahwa series
tersebut memiliki autokorelasi tidak
nol hanya untuk lag 12 saja.
Model MA(q) Musiman
 Secara umum, model musiman
MA(Q) adalah
Zt = at − Θ1Zt−s −Θ2Zt−2s −. . .− ΘqZt−Qs
dengan persamaan poinomial ciri musimannya

 Seperti model MA(q) non musiman,


MA(q) musiman memiliki autokorelasi
yang tidak nol untuk lag s, 2s, . . . , Qs.
Model MA(1) Musiman

 Untuk model AR(1) musiman masih dengan s = 12


Zt = Φ Zt −12 + a t
 Secara umum, model AR(P) musiman adalah
Zt = Φ1Zt−s + Φ2Zt−2s + . . . + Φp Zt−Ps + at
dengan persamaan polinomial ciri AR musimannya
Model Seasonal
Pada model ini komponen musiman berinteraksi
dengan komponen nonmusiman dalam model
secara multiplikatif, dapat ditulis sebagai

dinotasikan sebagai model ARIMA


Identifikasi model SARIMA
ACF PACF MODEL
Cut off setelah lag 1 atau 2 tail Off Non seasonal –
Koefisien korelasi tidak signifikan moving average
pada lag-lag musiman (q=1 atau q=2)
Cut off setelah lag musiman L, tail Off Seasonal – moving
Koefisien korelasi tidak signifikan average (Q=1)
pada lag-lag nonmusiman
Cut off setelah lag musiman L, tail Off Non seasonal –
terdapat koefisien korelasi yang seasonal moving
signifikan pada lag non musiman average (q=1 atau
ke 1 atau 2 q=2,Q=1)
Identifikasi model SARIMA
ACF PACF MODEL
tail Off Cut off setelah lag 1 atau 2 Non seasonal – moving
Koefisien korelaasi tidak average (p=1 atau p=2)
signifikan pada lag-lag musiman
tail Off Cut off setelah lag musiman L, Seasonal – Autregressive
Koefisien korelasi tidak (P=1)
signifikan pada lag-lag
nonmusiman
tail Off Cut off setelah lag musiman L, Non seasonal – seasonal
terdapat koefisien krelasi yang moving average (p=1 atau
signifikan pada lag non musiman p=2,P=1)
ke 1 atau 2
tail Off tail OFF Mixed (Autregressive-
moving average) Non
Seasonal
Penerapan SARIMA
Transformasi Data
Differencing pada lag 1, d=1
Plot ACF
PACF
Differencing pada d=1 dan D=6
Plot ACF

Non Musiman Musiman


6
(0,1,2) (0,1,2)
PACF

Non Musiman Musiman

(2,1,0) (1,1,0) 6
Kandidat Model
Model Tentative

Hasil Overfitting
Diagnostic Model
Menyebar Normal
Sisaan Saling Bebas
TERIMAKASIH

Anda mungkin juga menyukai