Analisis Time Series   »   Model Time Series Nonstasioner   ›  Transformasi dan Pembedaan (Differencing)

Differencing

Transformasi dan Pembedaan (Differencing)

Jika pembedaan pertama (first difference) berhasil membuat data menjadi stasioner, berarti kita peroleh orde d = 1 untuk ARIMA. Selanjutkan kita menentukan orde p dan q berdasarkan plot ACF dan PACF sampel dari data yang telah distasionerkan tersebut.

Sebelum kita masuk lebih jauh mengenai model ARIMA, ada baiknya kita mengenal dua konsep penting: stasioneritas dan teknik pembedaan (differencing).

Differencing (pembedaan) digunakan untuk menstasionerkan data yang tidak stasioner. Jika pembedaan pertama (first difference) berhasil membuat data menjadi stasioner, berarti kita peroleh orde d = 1 untuk ARIMA. Selanjutkan kita menentukan orde p dan q berdasarkan plot ACF dan PACF sampel dari data yang telah distasionerkan tersebut.

Namun, ada kalanya pembedaan pertama belum berhasil membuat data menjadi stasioner. Jika kondisi demikian terjadi maka kita dapat lakukan pembedaan kedua (second difference), dan jika datanya telah stasioner berarti kita peroleh d = 2, dan selanjutnya menentukan p dan q berdasarkan plot ACF dan PACF sampel dari data yang telah stasioner.

Perlu diketahui bahwa untuk diferensiasi atau pembedaan yang lebih tinggi tidaklah disarankan. Umumnya, paling banyak kita hanya melakukan pembedaan sebanyak dua kali. Ini dikarenakan semakin tinggi pembedaan yang dilakukan, maka model akan semakin kompleks. Jika pembedaan kedua tidak berhasil membuat data menjadi stasioner, mungkin ada baiknya mempertimbangkan untuk dilakukan transformasi data tersebut dahulu.

Overdifferencing

Overdifferencing merujuk pada pembedaan (differencing) yang dilakukan secara berlebihan. Jika stasioneritas telah diperoleh, pembedaan (differencing) lanjutan seharusnya dihindari.

Apabila overdifferencing terjadi, maka bisa saja data yang telah stasioner kembali menjadi tidak stasioner dan juga menyebabkan model menjadi semakin kompleks.