2.3.

4 Metode ARIMA Musiman

Model ARIMA juga dapat mengatasi fluktuasi data musiman. Musiman berarti kecenderungan
mengulangi pola tingkah gerak dalam periode musim . Model ini sering disebut ARIMA
Musiman atau Seasonal Arima(SARIMA). Bentuk umum model ARIMA musiman dapat
dituliskan sebagai ARIMA (p,d,q) (P,D,Q)S. Orde P adalah orde Autoregressive musiman, D
adalah orde differencing pada periode musiman, dan Q adalah orde Moving Average Musiman,
dan S adalah periode musiman. Secara umum, bentuk ACF dan PACF model ARIMA musiman
stasioner menyerupai ACF dan PACF non-musiman, hanya saja nilai-nilai yang keluar terjadi
pada lag-lag musiman dan kelipatannya.
Secara umum bentuk Model ARIMA Musiman ( Wei,2006) adalah:
d

p ( B ) P ( BS ) (1B ) ( 1BS ) X t=+ q ( B ) Q ( BS ) a t

Dengan,
P ( B S )

: operator autoregressive musiman

S
P ( B )

Q ( B S )

: operator moving average musiman

Q ( B S )

(11 BS P BPS )

(11 BS Q B QS )

Musiman berarti kecendrungan mengulangi pola tingkah gerak dalam periode musim.Deret
waktu musiman mempunyai karakteristik yang ditunjukkan oleh adanya korelasi beruntun yang

kuat pada jarak semusim (Cryer,1986). Untuk data yang stasioner, faktor musiman dapat
ditentukan dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga time-lag yang
berbeda nyata dari nol. Autokorelasi yang secara signifikan berbeda dari nol menyatakan adanya
suatu pola dalam data. Secara umum bentuk model ARIMA Musiman adalah
ARIMA (p,d,q)(P,D,Q)S
dengan,
(p,d,q) = bagian yang tidak musiman dari model
(P,D,Q) = bagian musiman dari model
S = jumlah periode per musim

2.3.5 Model AR Musiman

Bentuk umum dari proses autoregresif musiman periode S tingkat P atau AR(P)s
didefenisikan sebagai berikut.
t = 1 st + XXX 22 st +"+ X + 'tpstp
(2.23)
Persamaan diatas dapat juga ditulis dalam bentuk:
)( XB = tt
(2.24)

dengan 1)( 1 S = 2BBB QS yang dikenal sebagai operator AR(P)S

dimana
t adalah independen dan berdistribusi normal dengan mean 0 dan varians
2a

. Sebagai contoh model AR(p)S akan dijelaskan model AR(1)12 yakni suatu proses
{Xt} dikatakan mengikuti model AR(1)12 jika mengikuti model
t = XX 121 +tt
(2.25)
dengan E(Xt) = 0, untuk semua k diperoleh
)( = [( XEXXE 121 + )( X 121 + ktttt )]
(2.26)
Dengan membagi persamaan diatas dengan 0 akan diperoleh
k = k121 , untuk k 1 (2.27)
Jelas bahwa
= 0112 dan == 112122 2
Sehingga secara umum akan diperoleh
ktt

12k = 1 , untuk k = 1, 2,
Selanjutnya, untuk k = 1 dan k= 11 dengan = kk akan diperoleh
= 1111 dan = 1111
(2.28)
Yang berimplikasi bahwa = 111 = 0

2.3.6 Model MA Musiman

Bentuk umum dari proses moving average musiman periode S tingkat Q atau
MA(Q)S
didefinisikan sebagai berikut.
X = tt 1 st 22 st " 1 QSt
(2.29)
Persamaan (2.29) dapat juga ditulis dalam bentuk:
t = BX )( t
(2.30)
dengan,
QS
Q
SS

BBB 2 " = B
1)( 1 2
(2.31)

yang dikenal sebagai operator MA(Q)S, dengan t adalah independen dan

berdistribusi normal dengan mean 0 dan varians a 2 . Sebagai contoh dari model
MA(Q)S akan dijelaskan model MA(1)12. Suatu proses Xt dikatakan mengikuti model
MA(1)12 jika {Xt} mengikuti model:
X = tt t121
(2.31)
Jelas bahwa Xt, yaitu E(Xt)= 0 dan untuk semua k
)( = EXXE [( t 121 )( ktt 121 kt )]
(2.32)
Dalam hal ini E(XtXt-k)= 0 untuk k 12, yang berarti proses tidak mempunyai
korelasi
diluar lag 12.
Sebagai ringkasan, untuk suatu series yang mengikuti proses MA(1) 12, maka
0 X t 2 +== 1 2 )1()var(
(2.33)
12 = 1 2
ktt

12
1
12

1 +

=
dan == 0
kk untuk k 12