26
Pola autokorelasi
Setelah data runtut waktu telah stasioner, langkah berikutnya adalah
menetapkan model ARIMA (p,d,q) yang sekiranya cocok (tentatif), maksudnya
menetapkan berapa p, d, dan q. Jika tanpa proses differencing d diberi nilai 0, jika
menjadi stasioner setelah first order differencing d bernilai 1 dan seterusnya.
Dalam (Santoso, 2009) proses ini dilambangkan dengan ARIMA (p,d,q).
Dimana :
q menunjukkan ordo/ derajat autoregressive (AR)
d adalah tingkat proses differencing
p menunjukkan ordo/ derajat moving average (MA)
Simbol model-model sebelum ini dapat saja dinyatakan seperti berikut :
AR sama maksudnya dengan ARIMA (1,0,0),
MA sama maksudnya dengan ARIMA (0,0,2), dan
ARMA sama maksudnya dengan ARIMA (1,0,2).
Mungkin saja terjadi bila suatu series non-stasioner homogen tidak tersusun
atas kedua proses itu, yaitu proses autoregressive
maupun moving average. Jika
hanya mengandung proses autoregressive, maka series itu dikatakan mengikuti
proses Integrated autoregressive
dan dilambangkan ARIMA (p,d,0). sementara
yang hanya mengandung proses moving average, seriesnya dikatakan mengikuti
proses Integrated moving average dan dituliskan ARIMA (0,d,q).
Dalam (Hanke & Wichern, 2003, p. 389)
Fungsi Autokorelasi (ACF) dan
Fungsi Autokorelasi Parsial (PACF) melalui korelogramnya. ACF mengukur
 |