Autokorelasi Pola data Trend

16 Selain pola data time series, autokorelasi merupakan konsep dasar dalam analisis time series. Analisis time series merupakan suatu metode kuantitatif untuk menentukan pola data masa lampau yang dikumpulkan secara teratur.

1. Autokorelasi

Autokorelasi pada analisis time series merupakan suatu korelasi antara dengan . Untuk mendefinisikan autokorelasi dibutuhkan definisi autokovarians. Autokovarians dinotasikan sebagai . Sedangkan fungsi autokorelasi autocorrelation function atau ACF dinotasikan sebagai . Autokovarians dan autokorelasi berturut-turut dirumuskan sebagai berikut Wei, 2006: 10 : 2.1 dan autokorelasi dirumuskan sebagai √ √ 2.2 dengan dan . Nilai estimasi untuk autokorelasi dirumuskan sebagai: ̂ ̂ ̂ ∑ ̅ ̅ ∑ ̅ 2.3 dengan : = koefisien autokorelasi untuk lag ke-k = pengamatan pada waktu ke-t 17 = pengamatan pada waktu t+k ̅ = rata-rata pengamatan ACF mewakili kovarian dan korelasi antara dan dari proses yang sama, hanya dipisahkan oleh time lag ke- Wei, 2006: 10. Jika dan independen maka tetapi tidak berlaku sebaliknya. dan dikatakan tidak berkorelasi jika . Dua variabel dengan hubungan negatif sempurna memiliki koefisien korelasi sama dengan -1. Sebaliknya, dua variabel dengan hubungan positif sempurna memiliki koefisien korelasi sama dengan +1. Koefisien korelasi bervariasi antara -1 dan +1 Hanke Wichern, 2005: 35. Langkah-langkah untuk menguji signifikansi dari autokorelasi lag ke-ksebagai berikut: 1 Menentukan hipotesis untuk menguji signifikansi dari autokorelasi lag ke-k. artinya autokorelasi pada lag ke-k tidak signifikan artinya autokorelasi pada lag ke-k signifikan. 2 Menghitung statistik uji yang digunakan untuk menguji tingkat signifikansi dari autokorelasi lag ke-kdengan menggunakanuji yang didefinisikan sebagai: 2.4 Notasi merupakan standar erroruntuk autokorelasi pada lag ke-k yang dirumuskan sebagai Hanke Wichern, 2005: 64: 18 √ ∑ 2.5 dengan : = standar errorautokorelasi pada lag ke-k = autokorelasi pada lag ke-i = banyaknya pengamatan Autokorelasi pada lag ke-k dikatakan signifikan jika | | . Dengan merupakan nilai yang dihasilkan dalam uji . Sedangkan merupakan nilai pada tabel dengan merupakan taraf signifikansi dan merupakan derajat bebas. Tabel tersaji pada Lampiran 15. Signifikansi suatu autokorelasi juga dapat dilihat dengan menggunakan interval kepercayaan yang berpusat di nol dan didefinisikan sebagai berikut: 2.6 Autokorelasi pada lag ke-k dikatakan signifikan jika nilai berada diluar interval kepercayaan. Pada Gambar 2.5 ditunjukkan plot autokorelasi pada time series. 19 60 55 50 45 40 35 30 25 20 15 10 5 1 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n Autocorrelation ACF Dow Jones Gambar 2. 5 . Plot autokorelasi data time series Besaran statistik lainnya yang digunakan dalam analisis time series adalah fungsi autokorelasi parsial Partial Autocorrelation Functionatau PACF. PACF digunakan untuk mengukur tingkat korelasi antara dan apabila pengaruh dari time lag , dihilangkan. PACF dinotasikan dengan dan dirumuskan sebagai berikutWei, 2006: 15. | | | | 2.7

C. Konsep Dasar Neural Network dan Algoritma Backpropagation