Pendahuluan
Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018
Analisis Statistika (STK511)
2
Dr. Kusman Sadik, M.Si
Dr. Farit M Affendi, M.Si
Akbar Rizki, M.Si
3
Mata kuliah ini menjelaskan karakteristik data deret waktu, peramalan menggunakan metode pemulusan (smoothing), pemodelan data deret waktu ARIMA(p,d,q) melalui metode momen dan metode kemungkinan maksimum. Serta menjelaskan metode pemodelan untuk data deret waktu yang mempunyai faktor musiman (seasonally), ARIMA(p,d,q)x(P,D,Q)s. Pemodelan ragam (ARCH dan GARCH), pemodelan data deret waktu dua peubah (fungsi transfer) dan pemodelan data deret waktu banyak peubah (VAR). 4
Setelah mengikuti mata kuliah ini selama satu semester, mahasiswa akan mampu menganalisis data deret waktu melalui metode pemulusan (smoothing) data dan pemodelan ARIMA(p, d, q) serta ARIMA(p, d, q)x(P, D, Q)s. Mahasiswa juga mampu melakukan pemodelan data deret waktu lanjutan (ARCH, GARCH, fungsi transfer dan VAR).
5
Metode pengajaran mata kuliah ini dilakukan dengan mengkombinasikan antara perkuliahan dan praktikum dalam satu kegiatan. Karenanya, pada saat perkuliahan mahasiswa harus membawa peralatan perkuliahan (alat tulis, buku, dsb) juga peralatan untuk praktikum (laptop, dll). Pendalaman terhadap materi kuliah dan praktikum dilakukan melalui pemberian tugas mandiri kepada tiap mahasiswa.
6
1. Kehadiran dalam perkuliahan/praktimum : minimum 80%. 2. Mahasiswa tidak sekedar hadir, tapi juga harus aktif di perkuliahan. 3. Keterlambatan kedatangan pada perkuliahan maupun praktikum : maksimum 15 menit.
7
4. Komponen penilaian : UTS (35% - 40%), UAS (35% - 40%), Tugas/PR/Quiz (20% - 30%) 5. Nilai (Huruf Mutu) : A, AB, B, BC, C, D, dan E. Batas huruf mutu didasarkan pada rata-rata kelas. 6. Pelanggaran saat ujian : mahasiswa yang terbukti melakukan pelanggaran akademik (misalnya mencontek atau memberikan contekan) akan mendapatkan nilai maksimum D.
8
Buku Referensi : o Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis 2nd. John Wiley. o Cryer, J.D. and Chan, K.S. 2008. Time Series Analysis with Application in R. Springer New York. o Cowpertwait, P.S.P. and Metcalfe, A.V. 2009. Introductory Time Series with R. Springer New York. o Wei, William, W.S. 1990. Time Series Analysis, Univariate and Multivariate Methods. Adison-Wesley Publishing Company Inc, Canada. o Buku lainnya yang relevan.
Catatan Kuliah 9
Bisa di-download di
kusmansadik.wordpress.com
10
Prioritas Utama o Program R
Prioritas Tambahan o SAS o Minitab
11
No 1
Tujuan Instruksional Khusus Mahasiswa mampu menjelaskan tentang karakteristik data deret waktu
Materi
Sub Materi Pendahuluan
a Pengertian data deret waktu
Jam Pertemuan 1 kali (3x60’)
b Ruang lingkup materi analisis data deret waktu c Karakteristik data deret waktu d Perkembangan metode analisis data deret waktu
2
Mahasiswa mampu melakukan pemulusan terhadap data deret waktu
Peramalan dengan metode Smoothing
a Pemulusan Rataan bergerak Tunggal dan Eksponensial Tunggal
2 kali (6x60’)
b Contoh kasus Pemulusan Rataan bergerak Tunggal dan Eksponensial Tunggal c Pemulusan Rataan bergerak Ganda dan Eksponensial Ganda d Contoh kasus Pemulusan Rataan bergerak Tunggal dan Eksponensial Tunggal e Pemulusan Winters’
f Contoh kasus Pemulusan Winters’ g Seleksi pemulusan terbaik menggunakan SSE, MSE, MAPE, MSD, AIC, dan BIC 12
No 3
Tujuan Instruksional Khusus Mahasiswa dapat menjelaskan konsep model AR(p), MA(q), dan ARMA(p, q)
Materi Sub Materi Pemodelan Deret Waktu Univariate yang stasioner: Review Model AR(p), MA (q), ARMA (p,q)
a
Proses Stokastik
b
Fungsi Autokorelasi
c
Fungsi Autokorelasi Parsial
d
White Noise
e
Proses linier umum
f
Model rataan bergerak, MA(q)
g
Model regresi diri, AR(p)
h
Model campuran, ARMA(p, q)
i
Sifat Invertibilitas
j
Identifikasi Model
k
Metode Pendugaan parameter model
l
Diagnostik model
Jam Pertemuan 2 kali (6x60’)
m Peramalan
13
No 4
Tujuan Instruksional Khusus Mahasiswa dapat mengidentifikasi kestasioneran dan mengidentifikasi model ARIMA(p, d, q)
Materi Sub Materi Pemodelan Deret Waktu Univariate yang tak stasioner: Model ARI(p,d), IMA (d,q), ARIMA (p,d,q)
a Jenis-jenis ketidakstasioneran
Jam Pertemuan 2 kali (6x60’)
b Penanganan ketidakstasioneran: Transformasi dan pembedaan c Penstasioneran melalui pembedaan (diffrencing) d Model ARI(p) e Model IMA(q) f Model ARIMA(p, d, q) g Identifikasi, pengepasan, dan diagnostik model h Peramalan
5 UJIAN TENGAH SEMESTER (UTS)
14
No 6
7
Tujuan Instruksional Khusus
Materi
Mahasiswa dapat menjelaskan faktor musiman aditif, faktor musiman multiplikatif, model musiman ARIMA(p, d, q)x(P, D, Q)s, mengidentifikasi adanya faktor musiman melalui IACF dan ESPACF
Pemodelan Deret Waktu Univariate Musiman: Model ARIMA (p,d,q)(P,D,Q)s
a
Model ARIMA musiman
b
Identifikasi, pengepasan, dan diagnostik model
c
Peramalan
Mahasiswa mengidentifikasi keheterogenan noise dan dapat membangun model ragam ARCH dan GARCH
Pemodelan ragam noise yang tidak homogen (heteroskedasitas): Model ARCH dan GARCH
a
Pengertian heteroskedasitas
b
Konsekuensi akibat terjadinya masalah heteroskedasitas
c
Model ARCH dan GARCH
d
Identifikasi, pengepasan, dan diagnostik model
Sub Materi
Jam Pertemuan 1 kali (3x60’)
2 kali (3x60’)
15
No 8
9
Tujuan Instruksional Khusus Mahasiswa dapat mengidentifikasi model Fungsi Transfer
Materi Pemodelan Deret Waktu Bivariate: Model fungsi transfer
Mahasiswa dapat Pemodelan Deret menjelaskan vektor Waktu untuk model deret waktu Multivariate: Model Vector Autoregessive (VAR)
Sub Materi
Jam Pertemuan
a
Pengertian Fungsi Transfer
2 kali (6x60’)
b
Fungsi korelasi silang
c
Model umum fungsi transfer
d
Identifikasi, pengepasan, dan diagnostik model
e
Peramalan
a
Pengertian Model VAR
b
Model umum VAR
c
Cointegrasi
d
Identifikasi, pengepasan, dan diagnostik model
e
Peramalan
2 kali (6x60’)
10 UJIAN AKHIR SEMESTER (UAS)
16
17
Statistics as a subject provides a body of principles and methodology for Designing the process of data collection : survey/observation and experimental design
Summarizing and interpreting the data : descriptive statistics (table and graph). Drawing conclusions or generalities : statistical inference. 18
1. Cross-section Data 2. Time-series Data
3. Panel Data
19
Terdiri dari beberapa objek data pada suatu waktu terntentu. Misalnya data penduduk dan pendapatan perkapita tingkat kabupaten pada tahun 2017. Kabupaten
Jlh Penduduk (juta)
A B
Rataan pendapatan perkapita (ribu Rp/bulan) 1.2 750 0.7 1,345
C
4.3
436 20
Time-series merupakan data yang terdiri atas satu objek tetapi meliputi beberapa periode waktu yaitu harian, bulanan, mingguan, tahunan, dan lain-lain. Misalnya, jumlah penduduk kabupaten A pada tiga tahun terakhir: Tahun
Jlh Penduduk (juta)
2015
0.71
2016 2017
0.92 1.20 21
Data panel adalah data yang menggabungkan antara data time-series dan data cross-section. Sehingga data panel akan memiliki beberapa objek dan beberapa periode waktu. . Kabupaten A A B B
Tahun 2016 2017 2016
Jlh Penduduk (juta) 0.92 1.20 0.56
2017
0.70 22
Analyzing time-oriented data and forecasting future values of a time series are among the most important problems that analysts face in many fields, ranging from finance and economics, to managing production operations, to the analysis of political and social policy sessions.. Consequently, there is a large group of people in a variety of fields including finance, economics, science, engineering, and public policy who need to understand some basic concepts of time series analysis and forecasting. .
23
A forecast is a prediction of some future event or events. Forecasting is an important problem that spans many fields including business and industry, government, economics, environmental sciences, medicine, social science, politics, and finance. Forecasting problems are often classified as short-term, medium-term, and long-term.
Short-term forecasting problems involve predicting events only a few time periods (days, weeks, months) into the future. 24
Medium-term forecasts extend from one to two years into the future, and long-term forecasting problems can extend beyond that by many years. Short- and medium-term forecasts are required for activities that range from operations management to budgeting and selecting new research and development projects. Long-term forecasts impact issues such as strategic planning.
25
1. Qualitative forecasting techniques are often subjective in nature and require judgment on the part of experts. Qualitative forecasts are often used in situations where there is little or no historical data on which to base the forecast. An example would be the introduction of a new product, for which there is no relevant history.
26
2. Quantitative forecasting techniques make formal use of historical data and a forecasting model. The model formally summarizes patterns in the data and expresses a statistical relationship between previous and current values of the variable. Then the model is used to project the patterns in the data into the future. In other words, the forecasting model is use to extrapolate past and current behavior into the future. 27
28