Lompat ke konten utama
Kelas
Peramalan Deret WaktuPelajaran 18 dari 20 · Modul 5, Stasioneritas, model AR(1), dan selang prediksi

Modul 5 · Stasioneritas, model AR(1), dan selang prediksi

Stasioneritas, differencing, dan fungsi autokorelasi

Setelah pelajaran ini kamu bisa menilai stasioneritas dari pola dan ACF, menghitung autokorelasi lag k dengan rumusnya sendiri, dan membuat deret selisih biasa maupun musiman.

  • ±14 menit
  • 3 latihan
  • Diperiksa 28 Sep 2026

Latihan di pelajaran ini butuh akun gratis. Progres, kode, dan catatanmu hanya tersimpan di browser ini. Masuk untuk menyimpannya

Materi

Deret waktu stasioner, menurut Hyndman dan Athanasopoulos, adalah deret yang sifat statistiknya tidak bergantung pada waktu pengamatan. Deret bertren atau bermusim tidak stasioner, karena tren dan musim membuat nilainya berbeda di waktu yang berbeda. Derau putih stasioner, dan deret yang hanya bersiklus tanpa tren atau musim juga stasioner, karena panjang siklusnya tidak tetap sehingga letak puncaknya tidak bisa diduga. NIST merumuskannya secara praktis: rata-rata, varians, dan struktur autokorelasinya tetap, dan grafiknya tampak datar. Model autoregresif di pelajaran berikutnya mensyaratkan data stasioner.

Cara umum membuat deret stasioner adalah differencing: y′_t = y_t − y_{t−1}, perubahan antarpengamatan, yang menurut NIST menghasilkan satu titik lebih sedikit. Selisih musiman y_t − y_{t−m} membandingkan dengan musim yang sama periode sebelumnya. Di pandas, s.diff() dan s.diff(12). Untuk memeriksa hasilnya dipakai ACF. Koefisien autokorelasi lag k di buku rujukan adalah r_k = Σ_{t=k+1..T} (y_t − ȳ)(y_{t−k} − ȳ) / Σ_{t=1..T} (y_t − ȳ)², dengan ȳ rata-rata seluruh deret. ACF deret stasioner turun ke nol dengan cepat, sedangkan ACF deret tidak stasioner turun perlahan. Untuk derau putih, 95% koefisien diharapkan berada di dalam ±1,96/√T.

Contoh dengan data lain: selisih kunjungan, lalu r_1 dihitung tangan.

import pandas as pd

kunjungan = pd.Series([200, 212, 219, 233, 240, 251], dtype=float)
print(kunjungan.diff().tolist())   # [nan, 12.0, 7.0, 14.0, 7.0, 11.0]

# r_1 untuk deret 2, 4, 7, 5, 2: rata-rata 4, simpangan -2, 0, 3, 1, -2
# pembilang: 0*(-2) + 3*0 + 1*3 + (-2)*1 = 1
# penyebut: 4 + 0 + 9 + 1 + 4 = 18   ->   r_1 = 1/18 = 0.056

Latihan

Jawaban diperiksa di server. Lulus berarti kamu memahami contohnya, bukan penilaian seluruh pekerjaanmu.

Latihan 3 dari 3

ACF sebuah deret bulanan bernilai 0,95 pada lag 1, 0,91 pada lag 2, 0,86 pada lag 3, dan terus turun perlahan sampai lag 20 masih di atas batas ±1,96/√T. Kesimpulan mana yang sesuai dengan buku rujukan?

Pilih satu jawaban

Catatanmu

Memuat catatan…

tersimpan otomatis, ikut tercetak · 0/4.000

Lanjutkan ke

Tampilkan 1 lagi