KAJIAN NUMERIK MODEL HIDDEN MARKOV SATU WAKTU SEBELUMNYA UNTUK NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA
AULIA RETNONINGTYAS
DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Kajian Numerik Model Hidden Markov Satu Waktu Sebelumnya untuk Nilai Tukar Rupiah terhadap Dolar Amerika adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Oktober 2014 Aulia Retnoningtyas NIM G54070075
ABSTRAK AULIA RETNONINGTYAS. Kajian Numerik Model Hidden Markov Satu Waktu Sebelumnya untuk Nilai Tukar Rupiah terhadap Dolar Amerika. Dibimbing oleh BERLIAN SETIAWATY dan RUHIYAT. Model hidden Markov adalah model yang terdiri atas pasangan proses stokastik yaitu proses observasi dan faktor penyebab proses observasinya, di mana faktor penyebab observasinya tidak diamati secara langsung dan diasumsikan membentuk rantai Markov. Model hidden Markov satu waktu sebelumnya merupakan model hidden Markov yang proses observasinya dipengaruhi oleh faktor penyebab kejadian saat ini dan satu waktu sebelumnya. Model hidden Markov satu waktu sebelumnya dapat diaplikasikan untuk nilai tukar rupiah terhadap dolar Amerika di mana nilai tukar rupiah sebagai proses observasinya dan faktor penyebabnya sebagai rantai Markov. Parameter model diduga dengan menggunakan metode Maximum Likelihood dan perhitungannya menggunakan metode iteratif Expectation Maximization (EM). Dengan menggunakan nilai awal yang diperoleh secara trial and error Santoso (2008) dapat memodelkan nilai tukar rupiah terhadap dolar Amerika dengan MAPE 14.58%. Pada tugas akhir ini nilai awal dibangkitkan secara terstruktur pada selang tertentu sehingga keakuratan model meningkat. MAPE yang diperoleh 4.13% dengan hanya satu kali iterasi. Kata kunci: algoritme EM, MAPE, model hidden Markov, nilai tukar Rupiah
ABSTRACT AULIA RETNONINGTYAS. Numerical Study if the Previous Time Hidden Markov Model for the Exchange Rate of Rupiah to US Dollar. Supervised by BERLIAN SETIAWATY and RUHIYAT. Hidden Markov model is a model that consists of a pair stochastic processes, ie: the process of observation and the cause factors of the observation, where the cause factors of the observation are not observed directly and assumed to be a Markov chain. The previous time hidden Markov model is a hidden markov model that the observation process is influenced by current events and one previous time cause factors. The previous time hidden Markov model can be applied to the exchange rate of rupiah to US dollar, where the exchange rate of rupiah to US dollar is the observation and the contributing factor is a Markov chain. Parameters of the model are estimated using the maximum likelihood method and calculated using expectation maximization (EM) iterative algorithm. Using the initial value obtained by trial and error, Santoso (2008) was able to model the exchange rate of rupiah to US dollar with MAPE 14.58%. In this paper, the initial value is structuredly generated on a specific interval so that the accuracy of model increases. Retrieved MAPE is 4.13% with only one iteration. Key words: EM algorithm, hidden Markov model, MAPE, the exchange rate of Rupiah
KAJIAN NUMERIK MODEL HIDDEN MARKOV SATU WAKTU SEBELUMNYA UNTUK NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA
AULIA RETNONINGTYAS
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Matematika
DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya, sehingga karya ilmiah berjudul Kajian Numerik Model Hidden Markov Satu Waktu Sebelumnya untuk Nilai Tukar Rupiah terhadap Dollar Amerika ini dapat diselesaikan. Terima kasih sebesar-besarnya penulis ucapkan kepada: 1. Dr Berlian Setiawaty, MS selaku dosen pembimbing I dan Ruhiyat, MSi selaku dosen pembimbing II atas semua ilmu, bimbingan, kesabaran serta motivasi yang telah diberikan selama penulisan karya ilmiah ini. 2. Ir Ngakan Komang Kutha Ardana, MSc selaku dosen penguji yang telah banyak memberikan saran. 3. Dosen-dosen di Departemen Matematika atas semua ilmu yang diberikan, serta staf dan pegawai di Departemen Matematika atas semua bantuan dan layanannya selama ini. 4. Mama, Papa, Tika dan Widy atas doa, dukungan, semangat, kesabaran dan kasih sayang yang selalu diberikan kepada penulis. Serta seluruh keluarga besar yang ada di Jakarta, Depok, Bogor dan Malang atas doa, dukungan dan kasih sayangnya. 5. Atih, Asti, Benz, Uci, Anggi, Je, Devi dan sahabat-sahabat tersayang yang ada di Malang, Surabaya dan Depok lainnya atas perhatian, semangat, dukungan dan doa yang selalu diberikan. 6. Deva, Sari, Della, Devi, Pandi, Dian, Rofi, Denda, Rizky, Mutia, Rachma, Sri, Ayung, Fajar, Imam, Lukman, Yogie dan semua teman-teman Matematika 44 lainnya, serta kakak-kakak dan adik-adik Matematika 42, 43, 45, 46, dan 47 atas dukungan dan doanya. 7. Teman-teman IPB dari departemen lainnya. 8. Semua pihak yang telah membantu dalam proses penyusunan karya ilmiah ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Oktober 2014 Aulia Retnoningtyas
DAFTAR ISI DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
TINJAUAN PUSTAKA
2
Ruang Contoh, Kejadian, dan Peluang
2
Peubah Acak dan Sebaran
3
Nilai Harapan
5
Rantai Markov
6
Algoritme Expectation Maximization (EM)
8
Mean Absolute Percentage Error (MAPE)
9
MODEL DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA Model Hidden Markov Model Hidden Markov Satu Waktu Sebelumnya PEMODELAN NILAI TUKAR RUPIAH TERHADAP DLLAR AMERIKA DAN KAJIAN NUMERIKNYA
9 9 10 18
Data Input Nilai Tukar Rupiah
18
Model Hidden Markov Satu Waktu Sebelumnya
19
Penentuan Nilai Awal untuk Penduga Parameter Model Hidden Markov Satu Waktu Sebelumnya 19 Hasil Progam
20
SIMPULAN
21
DAFTAR PUSTAKA
21
LAMPIRAN
23
RIWAYAT HIDUP
46
DAFTAR GAMBAR 1 Perubahan nilai tukar rupiah terhadap dolar Amerika per bulan 2 Plot persamaan baru dari data yang ada dikurangi rataannya 3 Perubahan nilai tukar rupiah terhadap dolar Amerika per bulan dan nilai dugaan yang didapatkan
19 20 21
DAFTAR LAMPIRAN 1 Bukti Lema 1 2 Bukti persamaan (13) sampai dengan (16) 3 Progam untuk mencari nilai dugaan dan MAPE minimum menggunakan software Mathematica 9.0 4 Nilai tukar rupiah terhadap dolar Amerika dan nilai dugaannya
23 24 37 43
PENDAHULUAN Latar Belakang Nilai tukar mata uang sering digunakan untuk mengukur level perekonomian suatu negara. Nilai tukar mata uang memegang peranan penting dalam perdagangan antar negara, di mana hampir sebagian besar negara-negara di dunia saat ini terlibat dalam aktivitas ekonomi pasar bebas. Bagi perusahaan investasi dan investor mancanegara, nilai tukar mata uang akan berdampak pada return dan portofolio investasinya. Salah satu nilai tukar mata uang yang berpengaruh di negara ini adalah nilai tukar rupiah terhadap dolar Amerika. Faktor-faktor yang mempengaruhi nilai tukar rupiah terhadap dolar Amerika antara lain perbedaan tingkat suku bunga, rasio ekspor dan impor, perbedaan tingkat inflasi serta kestabilan politik negara. Penting bagi pemerintah untuk mengetahui lebih dini perubahan nilai tukar rupiah terhadap dolar Amerika agar dapat mengantisipasi serta menentukan kebijakan ekonomi yang akan diambil selanjutnya. Model hidden Markov terdiri atas sepasang proses stokastik yaitu proses observasi dan proses yang mempengaruhi terjadinya proses observasi yang diasumsikan membentuk rantai Markov dan diasumsikan tidak diamati. Model hidden Markov dicirikan oleh beberapa parameter yaitu peluang awal, peluang transisi, dan peluang observasinya. Nilai tukar rupiah terhadap dolar Amerika dapat dimodelkan dengan model hidden Markov jika proses yang memengaruhi proses observasinya diasumsikan tidak diamati secara langsung dan membentuk rantai Markov. Dalam hal ini nilai tukar rupiah terhadap dolar Amerika sebagai proses observasinya dan faktorfaktor yang memengaruhi perubahannya sebagai proses yang memengaruhi proses observasinya. Pada karya ilmiah ini akan dibahas model deret waktu hidden Markov satu waktu sebelumnya seperti yang dibahas pada karya ilmiah Santoso (2008). Pada model ini nilai tukar rupiah bergantung pada nilai tukar rupiah sebelumnya dan juga faktor penyebab perubahan nilai tukar pada saat ini dan satu waktu sebelumnya. Perhitungan numerik yang dilakukan oleh Santoso (2008) menggunakan nilai awal yang ditentukan secara trial and error yang menghasilkan galat minimum 0.2934 (0.0032%) dan galat maksimum 807.6963 (5.6773%). Pada tugas akhir ini akan dicari cara menentukan nilai awal yang lebih efisien sehingga diharapkan diperoleh galat yang lebih kecil. Perhitungan numerik yang dilakukan dalam karya ilmiah ini menggunakan software Mathematica 9.0. Kelebihan progam tersebut adalah waktu kerja yang lebih efisien serta mempermudah dalam analisis data karena sudah dilengkapi dengan fungsi-fungsi yang mudah untuk digunakan. Tujuan Penelitian Tujuan dari karya ilmiah ini adalah mendapatkan model hidden Markov satu waktu sebelumnya untuk nilai tukar rupiah terhadap dolar Amerika dengan nilai
2 awal yang lebih tepat sehingga modelnya lebih akurat jika dibandingkan dengan Santoso (2008).
TINJAUAN PUSTAKA Pada bagian ini akan diuraikan beberapa definisi dan penjelasan istilahistilah yang digunakan dalam karya ilmiah ini.
Ruang Contoh, Kejadian, dan Peluang Percobaan Acak Dalam suatu percobaan seringkali dilakukan pengulangan yang biasanya dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul dapat diketahui, namun hasil pada percobaan berikutnya tidak dapat diketahui dengan tepat. Percobaan semacam ini, yang dapat diulang dalam kondisi yang sama, disebut percobaan acak. (Ross 1996) Ruang Contoh dan Kejadian Himpunan dari semua kemungkinan hasil dari suatu percobaan acak disebut ruang contoh, dinotasikan dengan โฆ. Suatu kejadian A adalah himpunan bagian dari โฆ . (Grimmet dan Stirzaker 2001) Medan-๐๐ Medan-๐๐ adalah suatu himpunan yang anggotanya terdiri atas himpunan bagian dari โฆ yang memenuhi kondisi berikut: 1. โ
โ โฑ, 2. Jika ๐ด๐ด1 , ๐ด๐ด2 , โฆ โ โฑ maka โโ๐๐=1 ๐ด๐ด๐๐ โ โฑ, dan 3. Jika ๐ด๐ด โ โฑ maka ๐ด๐ด๐ถ๐ถ โ โฑ. (Ross 1996) Ukuran Peluang Misalkan โฑ adalah medan-๐๐ dari ruang contoh โฆ. Ukuran peluang adalah suatu fungsi ๐๐: โฑ โ [0,1] pada (โฆ, โฑ) yang memenuhi: 1. ๐๐(โ
) = 0, ๐๐(โฆ) = 1, 2. Jika ๐ด๐ด1 , ๐ด๐ด2 , โฆ โ โฑ adalah himpunan yang saling lepas yaitu ๐ด๐ด๐๐ โ ๐ด๐ด๐๐ = โ
untuk setiap pasangan ๐๐ โ ๐๐, maka ๐๐(โโ๐๐=1 ๐ด๐ด๐๐ ) = โโ๐๐=1 ๐๐ (๐ด๐ด๐๐ ). Pasangan (โฆ, โฑ, ๐๐) disebut ruang peluang. (Grimmet dan Stirzaker 2001)
Kontinu Absolut Jika ๐ฃ๐ฃ dan ฮผ merupakan dua ukuran peluang pada (ฮฉ, โฑ ) . Ukuran peluang ๐ฃ๐ฃ dikatakan kontinu absolut terhadap ukuran peluang ๐๐ jika ๐๐(๐ด๐ด) = 0 maka ๐ฃ๐ฃ(๐ด๐ด) = 0, untuk setiap ๐ด๐ด โ โฑ. Dinotasikan ๐ฃ๐ฃ โช ๐๐. (Royden 1963)
3 Radon Nikodym Jika ๐๐ dan ๐๐๏ฟฝ merupakan dua ukuran peluang pada (ฮฉ, โฑ ) dan ๐๐๏ฟฝ โช ๐๐ , maka terdapat peubah acak taknegatif ฮ sehingga ๐๐๏ฟฝ(๐ถ๐ถ ) = โซ๐๐ โ๐๐๐๐ untuk semua ๐ถ๐ถ โ โฑ.
Dinotasikan
๐๐ ๐๐๏ฟฝ
๏ฟฝ = โ. (Wong dan Hajek 1985)
๐๐๐๐ โฑ
Kejadian Saling Bebas Kejadian ๐ด๐ด dan ๐ต๐ต dikatakan saling bebas jika ๐๐(๐ด๐ด โฉ ๐ต๐ต) = ๐๐(๐ด๐ด)๐๐(๐ต๐ต). Secara umum, himpunan kejadian {๐ด๐ด๐๐ ; ๐๐ โ ๐ผ๐ผ} dikatakan saling bebas jika ๐๐(โ๐๐โ๐ฝ๐ฝ ๐ด๐ด๐๐ ) = โ๐๐โ๐ฝ๐ฝ ๐๐(๐ด๐ด๐๐ ) untuk setiap himpunan bagian berhingga ๐ฝ๐ฝ dari ๐ผ๐ผ . (Grimmet dan Stirzaker 2001) Peluang Bersyarat Misalkan (โฆ, โฑ, ๐๐) adalah ruang peluang dan ๐ด๐ด, ๐ต๐ต โ โฑ maka peluang A dengan ๐๐(๐ด๐ดโฉ๐ต๐ต) syarat B didefinisikan sebagai ๐๐(๐ด๐ด|๐ต๐ต) = . (Grimmet dan Stirzaker 2001) ๐๐(๐ต๐ต)
Peubah Acak dan Sebaran Peubah Acak Misalkan โฑ adalah medan-๐๐ dari ฮฉ. Peubah acak X merupakan fungsi ๐๐: ๐บ๐บ โ โ di mana {๐๐ ๐๐ ๐บ๐บ โถ ๐๐ (๐๐) โค ๐ฅ๐ฅ } ๐๐ โฑ untuk setiap ๐ฅ๐ฅ ๐๐ โ. (Grimmet dan Stirzaker 2001) Fungsi Sebaran Fungsi sebaran dari peubah acak ๐๐ adalah suatu fungsi ๐น๐น โถ โ โ [0,1] di mana ๐น๐น๐๐ (๐ฅ๐ฅ ) = ๐๐(๐๐ โค ๐ฅ๐ฅ ). (Grimmet dan Stirzaker 2001)
Peubah Acak Diskret Misalkan โฆ adalah ruang contoh, โฑ adalah medan-ฯ dari โฆ dan ๐๐ adalah himpunan berhingga. Suatu fungsi ๐๐ โถ โฆ โ S disebut peubah acak diskret jika memenuhi sifat โ ๐ด๐ด โ ๐๐ berlaku {๐๐ โ โฆ โถ ๐๐(๐๐) โ ๐ด๐ด} โ โฑ. (Ross 1996)
Fungsi Massa Peluang Misalkan (โฆ, โฑ, ๐๐) adalah ruang peluang dan ๐๐ adalah himpunan berhingga. Fungsi massa peluang dari peubah acak diskret ๐๐ adalah fungsi ๐๐ โถ ๐๐ โ [0,1] didefinisikan oleh ๐๐๐๐ (๐ฅ๐ฅ ) = ๐๐(๐๐ = ๐ฅ๐ฅ ), โ๐ฅ๐ฅ โ ๐๐.(Grimmet dan Stirzaker 2001)
Fungsi Massa Peluang Bersama Misalkan (ฮฉ, โฑ, ๐๐) adalah peluang dan S adalah himpunan berhingga. Fungsi massa peluang bersama dari peubah acak diskret X dan Y adalah suatu fungsi ๐๐: ๐๐ ร ๐๐ โ [0,1] yang didefinisikan oleh ๐๐๐๐๐๐ (๐ฅ๐ฅ, ๐ฆ๐ฆ) = ๐๐ (๐๐ = ๐ฅ๐ฅ, ๐๐ = ๐ฆ๐ฆ), โ๐ฅ๐ฅ, ๐ฆ๐ฆ โ ๐๐. (Grimmet dan Stirzaker 2001)
4 Fungsi Massa Marginal Misalkan ๐๐๐๐๐๐ (๐ฅ๐ฅ, ๐ฆ๐ฆ) adalah fungsi massa peluang bersama dari peubah acak diskret ๐๐ dan ๐๐. Misalkan ๐ด๐ด adalah himpunan nilai yang mungkin dari ๐๐, dan ๐ต๐ต adalah himpunan nilai yang mungkin dari ๐๐. Selanjutnya fungsi ๐๐๐๐ (๐ฅ๐ฅ ) = โ๐ฆ๐ฆ โ๐ต๐ต ๐๐๐๐๐๐ (๐ฅ๐ฅ, ๐ฆ๐ฆ) dan ๐๐๐๐ (๐ฆ๐ฆ) = โ๐ฅ๐ฅ โ๐ด๐ด ๐๐๐๐๐๐ (๐ฅ๐ฅ, ๐ฆ๐ฆ) masing-masing disebut fungsi massa marginal dari ๐๐ dan ๐๐. (Ross 1996)
Fungsi Massa Peluang Bersyarat Jika ๐๐ dan ๐๐ merupakan peubah acak diskret, maka fungsi massa peluang bersyarat dari ๐๐ jika diberikan ๐๐ = ๐ฆ๐ฆ, terdefinisi untuk setiap ๐ฆ๐ฆ sedemikian ๐๐(๐๐=๐ฅ๐ฅ,๐๐=๐ฆ๐ฆ ) sehingga๐๐(๐๐ = ๐ฆ๐ฆ) > 0adalah ๐๐๐๐|๐๐ (๐ฅ๐ฅ|๐ฆ๐ฆ) = .(Ross 1996) ๐๐(๐๐=๐ฆ๐ฆ )
Peubah Acak Kontinu Peubah acak ๐๐ disebut peubah acak kontinu jika fungsi sebarannya dapat ๐ฅ๐ฅ dinyatakan sebagai ๐น๐น๐๐ (๐ฅ๐ฅ ) = โซโโ ๐๐(๐ข๐ข)๐๐๐๐ untuk suatu fungsi ๐๐: โ โ (0, โ) yang terintegralkan. Selanjutnya fungsi ๐๐ = ๐๐๐๐ disebut fungsi kepekatan peluang (probability density function) bagi X. (Ross 1996) Fungsi Kepekatan Peluang Bersama Misalkan X dan Y peubah acak kontinu, maka fungsi kepekatan peluang bersama dari X dan Y adalah ๐๐๐๐๐๐ (๐ฅ๐ฅ, ๐ฆ๐ฆ) =
๐๐ 2 ๐น๐น(๐ฅ๐ฅ,๐ฆ๐ฆ) ๐๐๐๐๐๐๐๐
.(Grimmet dan Stirzaker 2001)
Fungsi Kepekatan Peluang Marjinal Misalkan X dan Y peubah acak kontinu yang menyebar bersama dengan fungsi sebaran ๐น๐น (๐ฅ๐ฅ, ๐ฆ๐ฆ) dan fungsi kepekatan peluang bersama ๐๐(๐ฅ๐ฅ, ๐ฆ๐ฆ). Fungsi kepekatan peluang marjinal dari peubah acak X dan Y adalah berturut-turut โ
๐๐๐๐ (๐ฅ๐ฅ ) = ๏ฟฝ ๐๐ (๐ฅ๐ฅ, ๐ฆ๐ฆ)๐๐๐๐ โโ โ
๐๐๐๐ (๐ฆ๐ฆ) = ๏ฟฝ ๐๐ (๐ฅ๐ฅ, ๐ฆ๐ฆ)๐๐๐๐. โโ
(Ross 1996)
Fungsi Kepekatan Peluang Bersyarat Misalkan X dan Y peubah acak kontinu dengan fungsi kepekatan peluang marginal ๐๐๐๐ (๐ฆ๐ฆ) > 0, maka fungsi kepekatan peluang bersyarat dari X dengan syarat ๐๐ = ๐ฆ๐ฆ ๐๐ (๐ฅ๐ฅ,๐ฆ๐ฆ ) adalah ๐๐๐๐|๐๐ (๐ฅ๐ฅ|๐ฆ๐ฆ) = ๐๐๐๐ (๐ฆ๐ฆ) . (Grimmet dan Stirzaker 2001) ๐๐๐๐
5 Nilai Harapan Nilai Harapan Peubah Acak Diskret Misalkan X adalah peubah acak diskret dengan fungsi massa peluang ๐๐๐๐ (๐ฅ๐ฅ ) = ๐๐(๐๐ = ๐ฅ๐ฅ ) maka nilai harapan dari X adalah ๐ธ๐ธ [๐๐] = โ ๐ฅ๐ฅ ๐ฅ๐ฅ๐๐๐๐ (๐ฅ๐ฅ) asalkan jumlah tersebut konvergen mutlak. (Hogg and Craig 2014) Nilai Harapan Peubah Acak Kontinu Misalkan X adalah peubah acak kontinu dengan fungsi kepekatan peluang ๐๐๐๐ (๐ฅ๐ฅ ) โ maka nilai harapan dari X adalah ๐ธ๐ธ [๐๐] = โซโโ ๐ฅ๐ฅ๐๐๐๐ (๐ฅ๐ฅ )๐๐๐๐ asalkan integralnya ada. (Hogg and Craig 2014) Nilai Harapan Bersyarat Misalkan X dan Y adalah peubah acak kontinu dan ๐๐๐๐|๐๐ (๐ฅ๐ฅ|๐ฆ๐ฆ) adalah fungsi kepekatan peluang bersyarat dari X dengan syarat ๐๐ = ๐ฆ๐ฆ, maka nilai harapan dari โ X dengan syarat ๐๐ = ๐ฆ๐ฆ adalah ๐ธ๐ธ [๐๐|๐๐ = ๐ฆ๐ฆ] = โซโโ ๐ฅ๐ฅ๐๐๐๐ |๐๐ (๐ฅ๐ฅ|๐ฆ๐ฆ)๐๐๐๐. (Hogg dan Craig 2014) Teorema Dasar Kalkulus Bagian 1 ๐ฅ๐ฅ Jika f kontinu pada [๐๐, ๐๐], maka fungsi g didefinisikan oleh g(๐ฅ๐ฅ ) = โซ๐๐ ๐๐ (๐ก๐ก) ๐๐๐๐ , ๐๐ โค ๐ฅ๐ฅ โค ๐๐ adalah kontinu pada [๐๐, ๐๐] dan terdiferensialkan pada (๐๐, ๐๐) dan gโฒ(๐ฅ๐ฅ ) = ๐๐(๐ฅ๐ฅ ). (Stewart 1998)
Himpunan dan Fungsi Konveks Misalkan ๐๐ โ โ๐๐ adalah himpunan vektor. Maka S disebut sebagai himpunan konveks jika untuk semua ๐ฅ๐ฅ, ๐ฅ๐ฅโฒ โ ๐๐ dan ๐๐ โ [0,1] maka (1 โ ๐๐)๐ฅ๐ฅ + ๐๐๐๐โฒ โ ๐๐ . Misalkan f merupakan fungsi dengan peubah x yang terdefinisi pada himpunan konveks S. Maka f disebut sebagai fungsi konveks jika f memenuhi persamaan ๐๐๏ฟฝ(1 โ ๐๐)๐ฅ๐ฅ + ๐๐๐๐โฒ๏ฟฝ โค (1 โ ๐๐)๐๐(๐ฅ๐ฅ ) + ๐๐๐๐(๐ฅ๐ฅโฒ). (Osborne 1997) Fungsi Konveks Misalkan f memiliki turunan kedua. f adalah fungsi konveks jika dan hanya jika โ2 ๐๐(๐ฅ๐ฅ ) โฅ 0, โ๐ฅ๐ฅ โ ๐๐ dan merupakan strictly convex jika โ2 ๐๐(๐ฅ๐ฅ) > 0, โ๐ฅ๐ฅ โ ๐๐. (Osborne 1997) Ketaksamaan Jensen Misalkan ๐๐ adalah peubah acak dengan ๐ธ๐ธ [๐๐]berhingga dan g (๐ฅ๐ฅ ) adalah fungsi konveks. Maka ๐ธ๐ธ [g(๐๐)] โฅ g(๐ธ๐ธ [๐๐]). (Krantz 1999)
6 Rantai Markov Ruang State Misalkan ๐๐ โ โ merupakan himpunan nilai dari barisan peubah acak, maka ๐๐ disebut ruang state. (Grimmet dan Stirzaker 2001) Proses Stokastik Proses stokastik ๐๐ = {๐๐๐ก๐ก , ๐ก๐ก ๐๐ ๐๐} adalah suatu koleksi dari peubah acak yang memetakan suatu ruang contoh ฮฉ ke suatu ruang state K. Jadi, untuk setiap t pada himpunan indeks T, St adalah suatu peubah acak. (Ross 1996) Dalam hal ini anggap t sebagai waktu dan nilai dari peubah acak St sebagai state (keadaan) dari proses pada waktu t. Rantai Markov dengan Waktu Diskret Proses stokastik {๐๐๐ก๐ก , ๐ก๐ก = 0,1,2, โฆ } , dengan ruang state {1,2,3, โฆ , ๐๐} , disebut rantai Markov dengan waktu diskret jika untuk setiap {๐ก๐ก = 0,1,2, โฆ , ๐๐} berlaku ๐๐(๐๐๐ก๐ก = ๐๐|๐๐๐ก๐กโ1 = ๐๐, ๐๐๐ก๐กโ2 = ๐๐๐ก๐กโ1 ) = ๐๐(๐๐๐ก๐ก = ๐๐|๐๐๐ก๐กโ1 = ๐๐ ) = ๐๐๐๐๐๐
untuk semua kemungkinan nilai dari ๐๐0 , ๐๐1 , ๐๐2 , โฆ , ๐๐๐ก๐กโ1 , ๐๐๐ก๐ก , ๐๐ โ {1,2,3, โฆ , ๐๐}. (Ross 1996) Jadi untuk suatu rantai Markov, sebaran bersyarat dari sebarang state saat ini ๐๐๐ก๐ก dengan syarat state yang lalu ๐๐0 , ๐๐1 , ๐๐2 , โฆ , ๐๐๐ก๐กโ2 dan state sebelumnya ๐๐๐ก๐กโ1 adalah bebas terhadap semua state yang lalu, dan hanya bergantung pada state sebelumnya. Hal ini disebut sebagai sifat Markov (Markovian Property). Proses di atas dapat digambarkan sebagai N-state rantai Markov dengan peluang transisi ๏ฟฝ๐๐๐๐๐๐ ๏ฟฝ ๐๐, ๐๐ = 1,2,3, โฆ , ๐๐. Nilai dari ๐๐๐๐๐๐ menyatakan peluang bahwa, jika proses tersebut berada pada state i, maka berikutnya akan beralih ke state j. Karena ๐๐๐๐๐๐ adalah nilai peluang dan proses tersebut harus bertransisi, maka 1. 0 โค ๐๐๐๐๐๐ โค 1, untuk ๐๐, ๐๐ โ {1,2,3, โฆ , ๐๐}, dan 2. โ๐๐ ๐๐ =1 ๐๐๐๐๐๐ = 1, untuk ๐๐ โ {1,2,3, โฆ , ๐๐ }. Peluang transisi ini dapat ditulis dalam bentuk matriks P yang disebut sebagai matriks transisi. ๐๐11 ๐๐21 โฏ ๐๐๐๐1 ๐๐ ๐๐ โฏ ๐๐ ๐๐ = ๏ฟฝ๐๐๐๐๐๐ ๏ฟฝ๐๐ร๐๐ = ๏ฟฝ 12โฎ 22โฎ โฎ โฎ๐๐1 ๏ฟฝ ๐๐1๐๐ ๐๐2๐๐ โฏ ๐๐๐๐๐๐
dengan j menyatakan baris dan i menyatakan kolom dari matriks P. Terakses Peluang bahwa pada waktu ke-k proses berada pada state j dengan syarat state (๐๐) awal adalah i dinotasikan dengan ๐๐๐๐๐๐ . Suatu state j disebut terakses dari state i (notasi โถ ๐๐ โ ๐๐), jika minimal ada sebuah bilangan bulat ๐๐ โฅ 0 sehingga ๐๐๐๐๐๐(๐๐) > 0 (๐๐)
di mana ๐๐๐๐๐๐ adalah peluang bahwa pada waktu ke-k proses berada pada state j dengan syarat state awal adalah i. (Ross 1996)
7
Kelas State Kelas state dari suatu rantai Markov, adalah suatu himpunan takkosong ๐๐ sehingga semua pasangan state yang merupakan anggota dari ๐๐ berkomunikasi satu dengan yang lainnya, serta tidak ada state yang merupakan anggota ๐๐ yang berkomunikasi dengan suatu state yang bukan anggota dari ๐๐. (Ross 1996) Rantai Markov Tak Tereduksi Rantai Markov disebut tak tereduksi jika hanya terdapat satu kelas state (satu gugus tertutup state), yaitu jika semua state berkomunikasi satu dengan yang lainnya. (Ross 1996) First-Passage Time Probability (๐๐ ) ๐๐๐๐๐๐ menyatakan peluang bahwa mulai dari state i, proses bertransisi untuk pertama kali ke state j terjadi pada waktu n. Peluang ini disebut first-passage time probability. Jadi untuk setiap ๐๐ = 1,2,3, โฆ (๐๐ ) ๐๐๐๐๐๐ = ๐๐(๐๐๐๐ = ๐๐, ๐๐๐๐ โ ๐๐ untuk semua 1 โค ๐๐ โค ๐๐ โ 1|๐๐0 = ๐๐ ) (๐๐ )
๐๐, ๐๐ โ {0,1,2, โฆ }, dan ๐๐๐๐๐๐
= 0 untuk semua ๐๐, ๐๐ โ {0,1,2, โฆ }. Selanjutnya, untuk (๐๐ )
setiap ๐๐, ๐๐ โ {0,1,2, โฆ }, didefinisikan ๐๐๐๐๐๐ = โโ ๐๐ =1 ๐๐๐๐๐๐ . (Ross 1996)
Recurrent dan Transient State i disebut recurrent jika ๐๐๐๐๐๐ = 1, dan disebut transient jika ๐๐๐๐๐๐ < 1. (Ross 1996) Reccurent dan Transient (๐๐ ) State i adalah berulang (recurrent) jika โโ ๐๐ =0 ๐๐๐๐๐๐ = โ. (Ross 1996)
Periode, Periodik, dan Aperiodik (๐๐ ) 1. Suatu state i disebut memiliki periode d jika ๐๐๐๐๐๐ = 0 untuk semua n yang tidak habis dibagi d, dan d adalah bilangan bulat terbesar yang memenuhi sifat ini. Dengan kata lain, suatu state i disebut memiliki periode d jika d adalah persekutuan pembagi terbesar (the greatest common divisior) bagi n sehingga (๐๐ ) ๐๐๐๐๐๐ > 0. 2. Suatu state dengan periode = 1 disebut aperiodik, sedangkan state dengan periode โฅ 2 disebut periodik. (Ross 1996)
Positive Recurrent dan Null Recurrent Suatu state disebut berulang positif (positive recurrent) jika state tersebut adalah berulang (recurrent) serta berlaku jika proses dimulai dari state i maka nilai harapan dari waktu sampai proses tersebut kembali ke state i adalah bilangan terhingga (finite). State recurrent yang tidak positive recurrent disebut null recurrent. (Ross 1996)
Ergodic Rantai Markov dengan positive recurrent dan aperiodik disebut ergodic. (Ross 1996)
8
Rantai Markov Ergodic Tak Tereduksi (๐๐ ) Untuk rantai Markov ergodic tak tereduksi lim๐๐โโ ๐๐๐๐๐๐ ada dan nilainya tak tergantung dari i. (๐๐ ) ๐๐ โฅ 1. ๐๐๐๐ = lim ๐๐๐๐๐๐ , ๐๐โโ
๐๐๐๐ adalah solusi unik tak negatif dari
๐๐
๐๐๐๐ = ๏ฟฝ ๐๐๐๐ ๐๐๐๐๐๐ ๐๐
๐๐=1
๏ฟฝ ๐๐๐๐ = 1. ๐๐ =1
(Ross 1996)
Vektor Peluang Steady State Vektor peluang ๐๐ = (๐๐1 , ๐๐2 , ๐๐3 , โฆ , ๐๐๐๐ ) , yang setiap komponennya menyatakan bahwa proses akan berturut-turut berada pada state 1,2,3, โฆ , ๐๐ untuk ๐๐ โ โ di mana ๐๐
๐๐(๐๐๐ก๐ก = ๐๐) = ๏ฟฝ ๐๐(๐๐๐ก๐ก = ๐๐|๐๐๐ก๐กโ1 = ๐๐ )๐๐(๐๐๐ก๐กโ1 = ๐๐ ) ๐๐=1 ๐๐
= ๏ฟฝ ๐๐๐๐๐๐ ๐๐(๐๐๐ก๐กโ1 = ๐๐ ) ๐๐=1
disebut vektor peluang steady state atau sebaran steady state. Karena ฯ adalah vektor peluang, maka harus memenuhi syarat bahwa semua unsurnya adalah bilangan tak negatif serta jumlah semua unsurnya adalah sama dengan satu. Sebaran steady state sering juga disebut sebaran stationer, atau sebaran setimbang (equilibrium distribution) dari rantai Markov yang bersangkutan. (Ross 1996)
Algoritme Expectation Maximization (EM) Misalkan {๐๐๐๐ , ๐๐ โ ฮ} adalah himpunan ukuran peluang yang terdefinisi ( pada ฮฉ, โฑ ) dan kontinu absolut terhadap ๐๐0 . Misalkan ๐ด๐ด โ โฑ. Fungsi Likelihood yang digunakan untuk menghitung penduga parameter ฮธ berdasarkan informasi ๐ด๐ด adalah ๐๐๐๐ ๐ฟ๐ฟ(๐๐) = ๐ธ๐ธ0 ๏ฟฝ ๐๐ ๐๐๐๐ |๐ด๐ด๏ฟฝ. 0
Penduga Maximum Likelihood (MLE) didefinisikan oleh ๐๐๏ฟฝ โ arg max ๐ฟ๐ฟ(๐ฅ๐ฅ ). ๐๐ โ๐ฉ๐ฉ
Umumnya MLE sulit dihitung secara langsung, oleh karena itu diperlukan suatu metode aproksimasi berulang, yakni algoritme Expectation Maximization (EM). Langkah-langkah dalam metode tersebut adalah: 1. Tentukan nilai awal parameter ๐๐๏ฟฝ๐๐ dengan ๐๐ = 0, ๐๐ ๐๐ 2. Tentukan ๐๐ โ = ๐๐๏ฟฝ๐๐ dan hitung ๐ฌ๐ฌ(๐๐, ๐๐ โ ) dengan ๐ฌ๐ฌ(๐๐, ๐๐ โ ) = ๐ธ๐ธ๐๐ โ ๏ฟฝ๐๐๐๐๐๐ ๐๐ |๐ด๐ด๏ฟฝ, ๐๐ ๐๐ ๐๐ โ
9 Cari ๐๐๏ฟฝ๐๐+1 โ arg max ๐ฌ๐ฌ(๐๐, ๐๐ โ ), Ganti ๐๐ dengan ๐๐ + 1 dan ulangi langkah 2 sampai 4 hingga kriteria hentinya tercapai, yaitu ketika selisih ๐๐๏ฟฝ๐๐+1 dan ๐๐๏ฟฝ๐๐ kurang dari suatu bilangan yang sangat kecil. Bilangan tersebut dapat ditentukan sesuai dengan seberapa besar ketelitian yang diinginkan. ๏ฃซ1๏ฃถ Misalkan g ( x ) = log ๏ฃฌ ๏ฃท , karena turunan kedua dari ๐๐(๐ฅ๐ฅ ) selalu positif ๏ฃญx๏ฃธ 1 โ2 ๐๐(๐ฅ๐ฅ ) = โ2 log ๏ฟฝ ๏ฟฝ ๐ฅ๐ฅ 1 = 2 > 0, โ๐ฅ๐ฅ > 0 ๐ฅ๐ฅ 1 maka ๐๐(๐ฅ๐ฅ ) merupakan fungsi konveks. Karena log ๏ฟฝ ๏ฟฝ merupakan fungsi ๐ฅ๐ฅ konveks, maka berdasarkan ketaksamaan Jensen dapat dihasilkan barisan ๏ฟฝ๐๐๏ฟฝ๐๐ , ๐๐ โฅ 0๏ฟฝ, yang merupakan fungsi Likelihood yang takturun yaitu log ๐ฟ๐ฟ๏ฟฝ๐๐๏ฟฝ๐๐+1 ๏ฟฝ โ log ๐ฟ๐ฟ๐๐๏ฟฝ๐๐ โฅ ๐ฌ๐ฌ๏ฟฝ๐๐๏ฟฝ๐๐+1 , ๐๐๏ฟฝ๐๐ +1 ๏ฟฝ. โ Bentuk ๐ฌ๐ฌ(๐๐, ๐๐ ) disebut Pseudo Likelihood bersyarat. (Elliot et al. 1995) 3. 4.
Mean Absolute Percentage Error (MAPE) Mean Absolute Percentage Error (MAPE) adalah rataan persentase kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode tersebut. Rumus MAPE adalah sebagai berikut ๐๐ 100% ๐ด๐ด๐ก๐ก โ ๐น๐น๐ก๐ก ๐๐๐๐๐๐๐๐ = ๏ฟฝ๏ฟฝ ๏ฟฝ ๐ด๐ด๐ก๐ก ๐๐ ๐ก๐ก =1
dengan n menyatakan banyaknya data yang digunakan, ๐ด๐ด๐ก๐ก menyatakan nilai yang sebenarnya, dan ๐น๐น๐ก๐ก menyatakan nilai dugaan. (Mynsbrugge 2010)
MODEL DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA Model Hidden Markov Model hidden Markov terdiri atas sepasang proses stokastik {๐๐๐ก๐ก , ๐๐๐ก๐ก } . {๐๐๐ก๐ก } dengan state {1,2, โฆ , ๐๐} adalah proses penyebab terjadinya {๐๐๐ก๐ก } yang tidak diamati secara langsung dan membentuk rantai Markov. {๐๐๐ก๐ก } adalah proses observasinya. Karakteristik {๐๐๐ก๐ก } hanya bisa diamati melalui proses observasinya. Pada saat ๐๐๐ก๐ก berada pada state j (๐๐๐ก๐ก = ๐๐), proses yang diamati ๐๐๐ก๐ก menyebar normal dengan nilai harapan ๐๐๐๐ dan ragam ๐๐๐๐2 . Fungsi kerapatan peluang bersyarat dari ๐๐๐ก๐ก dengan syarat ๐๐๐ก๐ก = ๐๐ adalah
10 2
โ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๐๐ ๏ฟฝ ๏ฟฝ ๐๐(๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = ๐๐ ) = exp ๏ฟฝ 2๐๐๐๐2 โ2๐๐๐๐๐๐ 1
(1)
dengan ๐๐ = 1,2, โฆ , ๐๐. Peluang tak bersyarat proses yang tidak diamati ๐๐๐ก๐ก berada pada state j adalah ๐๐ (๐๐๐ก๐ก = ๐๐ ) = ๐๐๐๐
(2)
๐๐๐๐๐๐ = ๐๐(๐๐๐ก๐ก = ๐๐|๐๐๐ก๐กโ1 = ๐๐ )
(3)
dengan ๐๐ โ {1,2, โฆ , ๐๐} . Karena {๐๐๐ก๐ก } rantai Markov maka matriks peluang transisinya ๐๐ = ๏ฟฝ๐๐๐๐๐๐ ๏ฟฝ๐๐ร๐๐
dengan ๐๐, ๐๐ โ {1,2, โฆ , ๐๐}. Dari persamaan (1) dan (2) serta definisi fungsi kerapatan peluang bersyarat, maka didapatkan fungsi kerapatan peluang bersama ๐ฆ๐ฆ๐ก๐ก dan ๐๐๐ก๐ก = ๐๐, yaitu ๐๐(๐ฆ๐ฆ๐ก๐ก , ๐๐๐ก๐ก = ๐๐ ) = ๐๐(๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = ๐๐ )๐๐(๐๐๐ก๐ก = ๐๐ ) 2
โ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๐๐ ๏ฟฝ ๏ฟฝ. = exp ๏ฟฝ 2๐๐๐๐2 ๐๐๐๐ โ2๐๐ ๐๐๐๐
(4)
Fungsi kerapatan peluang marjinal tak bersyarat dari ๐๐๐ก๐ก diperoleh dengan menjumlahkan ๐๐(๐ฆ๐ฆ๐ก๐ก , ๐๐๐ก๐ก = ๐๐) untuk semua kemungkinan nilai dari j, yaitu ๐๐
๐๐(๐ฆ๐ฆ๐ก๐ก ) = ๏ฟฝ ๐๐ (๐ฆ๐ฆ๐ก๐ก , ๐๐๐ก๐ก = ๐๐ ).
(5)
๐๐=1
Dari persamaan (1), (2), (3), (4) dan (5) diperoleh ๐๐ ๐๐ (๐ฆ๐ฆ1 , โฆ , ๐ฆ๐ฆ๐๐ ) = โ๐๐ ๐๐1 =1 โฆ โ๐๐๐๐ =1 ๐๐๐๐1 ๐๐๐๐1 ๐๐2 โฆ ๐๐๐๐๐๐โ1 ๐๐๐๐ ๐๐ (๐ฆ๐ฆ1 , ๐๐1 = ๐๐1 ) โฆ ๐๐ (๐ฆ๐ฆ๐๐ , ๐๐๐๐ = ๐๐ ๐๐ ). (6)
Jadi karakteristik model hidden Markov dicirikan oleh parameter ๐๐ = (๐๐, ๐๐, ๐๐, P), ๐๐ = (๐๐1 , ๐๐2 , โฆ , ๐๐๐๐ ), ragam ๐๐ = (๐๐12 , ๐๐22 , โฆ , ๐๐๐๐2 ), peluang ๐๐ = (๐๐1 , ๐๐2 , โฆ , ๐๐๐๐ ) dan P = ๏ฟฝ๐๐๐๐๐๐ ๏ฟฝ . ๐๐ร๐๐
Model Hidden Markov Satu Waktu Sebelumnya Pada bab ini akan dibahas model deret waktu hidden Markov satu waktu sebelumnya (Hamilton 1996) sebagai berikut ๐๐๐ก๐ก โ ๐๐๐๐๐ก๐กโ = ๐๐ ๏ฟฝ๐๐๐ก๐กโ1 โ ๐๐๐๐โ๐ก๐กโ1 ๏ฟฝ + ๐๐๐ก๐ก
(7)
di mana ๐๐๐ก๐ก ~๐๐(0, ๐๐ 2 ) bebas stokastik identik, {๐๐๐ก๐ก } proses yang diamati dan bernilai skalar, {๐๐๐ก๐กโ } rantai Markov dengan ruang state ๐๐ โ = {1,2} dan matriks โ ๐๐โ ๐๐21 โ โ โ transisi ๐๐ โ = ๏ฟฝ 11 โ โ ๏ฟฝ di mana ๐๐๐๐๐๐ = ๐๐(๐๐๐ก๐ก = ๐๐|๐๐๐ก๐กโ1 = ๐๐ ), ๐๐1 , ๐๐2 , dan ๐๐ adalah ๐๐12 ๐๐22 konstanta real. โ Karena ๐๐๐ก๐ก tidak hanya bergantung kepada ๐๐๐ก๐กโ tetapi juga pada ๐๐๐ก๐กโ1 , maka agar tetap memenuhi sifat Markov perlu didefinisikan peubah baru ๐๐๐ก๐ก di mana
11 ๐๐๐ก๐ก ๐๐๐ก๐ก ๐๐๐ก๐ก ๐๐๐ก๐ก
= 1 jika ๐๐๐ก๐กโ = 2 jika ๐๐๐ก๐กโ = 3 jika ๐๐๐ก๐กโ = 4 jika ๐๐๐ก๐กโ
โ = 1 dan ๐๐๐ก๐กโ1 โ = 2 dan ๐๐๐ก๐กโ1 โ = 1 dan ๐๐๐ก๐กโ1 โ = 2 dan ๐๐๐ก๐กโ1
=1 =1 =2 = 2.
(8)
Lemma 1 {๐๐๐ก๐ก } adalah rantai Markov dengan ruang state {1,2,3,4} dan matriks transisi โ โ ๐๐11 0 ๐๐11 0 โ โ ๐๐ 0 ๐๐12 0 ๐๐ = ๏ฟฝ 12 โ โ ๏ฟฝ. 0 ๐๐21 0 ๐๐21 โ โ 0 ๐๐22 0 ๐๐22 Bukti dapat dilihat pada Lampiran 1.
Selanjutnya, karena ๐๐๐ก๐ก ~ ๐๐(0, ๐๐ 2 ) bebas stokastik identik maka dapat diperoleh fungsi sebaran bagi ๐๐๐ก๐ก ๐น๐น๐๐ ๐ก๐ก (๐ฆ๐ฆ๐ก๐ก ) = ๐๐(๐๐๐ก๐ก โค ๐ฆ๐ฆ๐ก๐ก ) ๐ฆ๐ฆ๐ก๐ก
= ๏ฟฝ
โโ ๐ฆ๐ฆ๐ก๐ก
= ๏ฟฝ โโ
โ(๐๐๐ก๐ก โ 0)2 exp ๏ฟฝ ๏ฟฝ ๐๐๐๐๐ก๐ก 2๐๐ 2 โ2๐๐๐๐ 1
โ(๐๐๐ก๐ก )2 exp ๏ฟฝ ๏ฟฝ ๐๐๐๐๐ก๐ก . 2๐๐ 2 โ2๐๐๐๐ 1
Berdasarkan persamaan (9) diperoleh fungsi sebaran bagi {๐๐๐ก๐ก } : ๐น๐น๐๐๐ก๐ก (๐ฆ๐ฆ๐ก๐ก ) = ๐๐(๐๐๐ก๐ก โค ๐ฆ๐ฆ๐ก๐ก ) = ๐๐๏ฟฝ๐๐๏ฟฝ๐๐๐ก๐กโ1 โ ๐๐๐๐๐ก๐กโโ1 ๏ฟฝ + ๐๐๐๐๐ก๐กโ + ๐๐๐ก๐ก โค ๐ฆ๐ฆ๐ก๐ก ๏ฟฝ = ๐๐ ๏ฟฝ๐๐๐ก๐ก โค ๐ฆ๐ฆ๐ก๐ก โ ๐๐๐๐๐ก๐กโ โ ๐๐๏ฟฝ๐๐๐ก๐กโ1 โ ๐๐๐๐๐ก๐กโโ1 ๏ฟฝ๏ฟฝ
Misalkan maka
dan
=
๐ฆ๐ฆ๐ก๐ก โ๐๐ ๐๐ โ โ๐๐ ๏ฟฝ๐๐๐ก๐กโ1 โ๐๐ ๐๐ โ ๐ก๐ก
๐ก๐กโ1
๏ฟฝ
๏ฟฝ
1
โ2๐๐๐๐
โโ
exp ๏ฟฝ
โ(๐๐๐ก๐ก )2 ๏ฟฝ ๐๐๐๐๐ก๐ก . 2๐๐ 2
๐ฃ๐ฃ = ๐ฆ๐ฆ๐ก๐ก โ ๐๐๐๐๐ก๐กโ โ ๐๐๏ฟฝ๐๐๐ก๐กโ1 โ ๐๐๐๐๐ก๐กโโ1 ๏ฟฝ, ๐ฃ๐ฃ
๐น๐น๐๐๐ก๐ก (๐ฆ๐ฆ๐ก๐ก ) = ๏ฟฝ โโ
โ(๐๐๐ก๐ก )2 exp ๏ฟฝ ๏ฟฝ ๐๐๐๐๐ก๐ก 2๐๐ 2 โ2๐๐๐๐ 1
(9)
12 ๐๐ ๐น๐น (๐ฆ๐ฆ ) ๐๐๐ฆ๐ฆ๐ก๐ก ๐๐๐ก๐ก ๐ก๐ก โ(๐ฃ๐ฃ)2 ๐๐๐๐ 1 exp ๏ฟฝ ๏ฟฝ = 2๐๐ 2 ๐๐๐ฆ๐ฆ๐ก๐ก โ2๐๐๐๐
๐๐๐๐๐ก๐ก (๐ฆ๐ฆ๐ก๐ก ) =
=
=
1
โ2๐๐๐๐ 1
โ2๐๐๐๐
exp ๏ฟฝ exp ๏ฟฝ
โ ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๐๐๐ก๐กโ โ ๐๐ ๏ฟฝ๐๐๐ก๐กโ1 โ ๐๐๐๐โ๐ก๐กโ1 ๏ฟฝ๏ฟฝ 2๐๐ 2
โ ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๐๐๐ก๐กโ โ ๐๐ ๏ฟฝ๐๐๐ก๐กโ1 โ ๐๐๐๐โ๐ก๐กโ1 ๏ฟฝ๏ฟฝ 2๐๐ 2
2
2
๏ฟฝ
(10)
๏ฟฝ.
Misalkan ๐ด๐ด๐ก๐ก adalah medan-๐๐ yang dibangun oleh ๐๐1 , ๐๐2 , ๐๐3 , โฆ , ๐๐๐ก๐ก . Karena ๐๐๐ก๐ก merupakan rantai Markov 4 state maka terdapat 4 fungsi kerapatan peluang bagi ๐๐๐ก๐ก . Kumpulan fungsi kerapatan peluang tersebut dalam vektor (4 ร 1) dilambangkan dengan ๐๐๐ก๐ก , sehingga diperoleh ๐๐(๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 1, ๐ด๐ด๐ก๐กโ1 ) โก โค ๐๐(๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 2, ๐ด๐ด๐ก๐กโ1 )โฅ โข ๐๐๐ก๐ก = โข๐๐(๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 3, ๐ด๐ด๐ก๐กโ1 )โฅ โฃ๐๐(๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 4, ๐ด๐ด๐ก๐กโ1 )โฆ 2
Misalkan
โก 1 exp ๏ฟฝโ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐1 โ ๐๐(๐๐๐ก๐กโ1 โ ๐๐1 )๏ฟฝ ๏ฟฝโค โขโ2๐๐๐๐ โฅ 2๐๐ 2 โข 2 โฅ โ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐2 โ ๐๐(๐๐๐ก๐กโ1 โ ๐๐1 )๏ฟฝ โฅ โข 1 ๏ฟฝโฅ โขโ2๐๐๐๐ exp ๏ฟฝ 2๐๐ 2 โฅ =โข 2 . โข 1 โ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐1 โ ๐๐ (๐๐๐ก๐กโ1 โ ๐๐2 )๏ฟฝ โฅ ๏ฟฝโฅ exp ๏ฟฝ โข 2๐๐ 2 โขโ2๐๐๐๐ โฅ 2 โฅ โข 1 โ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐2 โ ๐๐(๐๐๐ก๐กโ1 โ ๐๐2 )๏ฟฝ โข ๏ฟฝโฅ exp ๏ฟฝ 2๐๐ 2 โฃโ2๐๐๐๐ โฆ (1)
(2)
(3)
(4)
๐๐๐ก๐ก|๐ก๐กโ1 = ๏ฟฝ๐๐๐ก๐ก|๐ก๐กโ1 ๐๐๐ก๐ก|๐ก๐กโ1 ๐๐๐ก๐ก|๐ก๐กโ1 ๐๐๐ก๐ก|๐ก๐กโ1 ๏ฟฝ
๐๐
melambangkan
(11)
vektor
(๐๐ ) (4 ร 1) di mana ๐๐๐ก๐ก|๐ก๐กโ1 pada vektor merepresentasikan ๐๐{๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐กโ1 } dan โจ melambangkan perkalian elemen per elemen, maka
๐๐(๐๐๐ก๐ก โก ๐๐(๐๐๐ก๐ก ๐๐๐ก๐ก|๐ก๐กโ1 โจ๐๐๐ก๐ก = โข โข๐๐(๐๐๐ก๐ก โฃ๐๐(๐๐๐ก๐ก ๐๐(๐๐๐ก๐ก โก ๐๐(๐๐๐ก๐ก =โข โข๐๐(๐๐๐ก๐ก โฃ๐๐(๐๐๐ก๐ก
= 1|๐ด๐ด๐ก๐กโ1 ) ๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 1, ๐ด๐ด๐ก๐กโ1 ) โค โค โก = 2|๐ด๐ด๐ก๐กโ1 )โฅ โข๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 2, ๐ด๐ด๐ก๐กโ1 )โฅ โจ = 3|๐ด๐ด๐ก๐กโ1 )โฅ โข๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 3, ๐ด๐ด๐ก๐กโ1 )โฅ = 4|๐ด๐ด๐ก๐กโ1 )โฆ โฃ๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 4, ๐ด๐ด๐ก๐กโ1 )โฆ = 1|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 1, ๐ด๐ด๐ก๐กโ1 ) โค = 2|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 2, ๐ด๐ด๐ก๐กโ1 )โฅ . = 3|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 3, ๐ด๐ด๐ก๐กโ1 )โฅ = 4|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 4, ๐ด๐ด๐ก๐กโ1 )โฆ
(12)
Berdasarkan persamaan (12) maka dapat ditulis
๐๐(๐ฆ๐ฆ๐ก๐ก , ๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐กโ1 ) = ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐กโ1 )
sehingga diperoleh
(13)
13 4
๐๐ (๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ) = ๏ฟฝ ๐๐(๐ฆ๐ฆ๐ก๐ก , ๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐กโ1 ) ๐๐ =1 4
= ๏ฟฝ ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐กโ1 )
(14)
= ๐๐โฒ ๏ฟฝ๐๐ฬ๐ก๐ก|๐ก๐กโ1 โจ๐๐๐ก๐ก ๏ฟฝ
(15)
๐๐ =1
= ๐๐ (๐๐๐ก๐ก = 1|๐ด๐ด๐ก๐กโ1 )๐๐(๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 1, ๐ด๐ด๐ก๐กโ1 ) + ๐๐(๐๐๐ก๐ก = 2|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 2, ๐ด๐ด๐ก๐กโ1 ) + ๐๐(๐๐๐ก๐ก = 3|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 3, ๐ด๐ด๐ก๐กโ1 ) + ๐๐(๐๐๐ก๐ก = 4|๐ด๐ด๐ก๐กโ1 )๐๐ (๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 4, ๐ด๐ด๐ก๐กโ1 )
di mana ๐๐โฒ = [1 1 1 1]. Berdasarkan persamaan (14) dan (15) maka dapat diperoleh ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก, ๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐กโ1 ๏ฟฝ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก, ๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐กโ1 ๏ฟฝ ๐๐ (๐ด๐ด๐ก๐กโ1 ) = ๐๐ (๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ) ๐๐(๐ด๐ด๐ก๐กโ1 ) ๐๐(๐ฆ๐ฆ๐ก๐ก , ๐ด๐ด๐ก๐กโ1 ) ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก, ๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐กโ1 ๏ฟฝ = ๐๐(๐ฆ๐ฆ๐ก๐ก , ๐ด๐ด๐ก๐กโ1 ) ๐๐(๐๐๐ก๐ก = ๐๐, ๐ฆ๐ฆ๐ก๐ก , ๐ด๐ด๐ก๐กโ1 ) = ๐๐(๐ฆ๐ฆ๐ก๐ก , ๐ด๐ด๐ก๐กโ1 ) = ๐๐๏ฟฝ๐๐๐ก๐ก = ๐๐|๐ฆ๐ฆ๐ก๐ก, ๐ด๐ด๐ก๐กโ1 ๏ฟฝ = ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐ก )
(16)
sehingga berdasarkan persamaan (13), (14), dan (15) diperoleh ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐ก ) = ๐๐ฬ๐ก๐ก|๐ก๐ก =
๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก, ๐๐๐ก๐ก =๐๐ |๐ด๐ด๐ก๐กโ1 ๏ฟฝ ๐๐ (๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 )
๐๐ฬ๐ก๐ก|๐ก๐กโ1 โจ๐๐๐ก๐ก ๐๐โฒ ๏ฟฝ๐๐ฬ๐ก๐ก|๐ก๐กโ1 โจ๐๐๐ก๐ก ๏ฟฝ
(17)
(๐๐ ) ๐๐ฬ๐ก๐ก+1|๐ก๐ก = ๐๐(๐๐๐ก๐ก+1 = ๐๐|๐ด๐ด๐ก๐ก ) 4
= ๏ฟฝ ๐๐(๐๐๐ก๐ก+1 = ๐๐|๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐ก )๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐ก ) ๐๐ =1 4
(๐๐ )
= ๏ฟฝ ๐๐(๐๐๐ก๐ก+1 = ๐๐|๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐ก )๐๐ฬ๐ก๐ก|๐ก๐ก ๐๐ =1 4
(๐๐ ) = ๏ฟฝ ๐๐๐๐๐๐ ๐๐ฬ๐ก๐ก|๐ก๐ก ๐๐ =1
๐๐ฬ๐ก๐ก+1|๐ก๐ก
โ ฬ (1) โ ฬ (3) โก๐๐11 ๐๐๐ก๐ก|๐ก๐ก + ๐๐11 ๐๐๐ก๐ก|๐ก๐ก โค โข๐๐โ ๐๐ฬ(1) + ๐๐โ ๐๐ฬ (3) โฅ 12 ๐ก๐ก|๐ก๐ก 12 ๐ก๐ก|๐ก๐ก โฅ =โข (2) โ โ ฬ (4) โฅ โข๐๐21 ๐๐ฬ๐ก๐ก|๐ก๐ก + ๐๐21 ๐๐๐ก๐ก|๐ก๐ก โข โ (2) โฅ โ (4) โฃ๐๐22 ๐๐ฬ๐ก๐ก|๐ก๐ก + ๐๐22 ๐๐ฬ๐ก๐ก|๐ก๐ก โฆ
14
=๏ฟฝ
โ ๐๐11 โ ๐๐12
0 0
= ๐๐๐๐ฬ๐ก๐ก|๐ก๐ก
0 0 โ ๐๐21 โ ๐๐22
(1) ๐๐ฬ๐ก๐ก|๐ก๐ก โค โก 0 โข๐๐ฬ (2) โฅ 0 โข ๐ก๐ก|๐ก๐ก โฅ โ ๏ฟฝ (3) ๐๐21 โข๐๐ฬ๐ก๐ก|๐ก๐ก โฅ โ ๐๐22 โข (4) โฅ โฃ๐๐ฬ๐ก๐ก|๐ก๐ก โฆ
โ ๐๐11 โ ๐๐12
0 0
๐๐ฬ๐ก๐ก+๐๐ |๐ก๐ก = ๐๐m ๐๐ฬ๐ก๐ก|๐ก๐ก .
(18)
Salah satu pendekatan yang dapat digunakan untuk memilih nilai awal ฬ bagi ๐๐๐ก๐ก|๐ก๐กโ1 adalah dengan membuat ๐๐ฬ1|0 sama dengan vektor dari peluang tak bersyarat ๐๐ = [๐๐1 ๐๐2 ๐๐3 ๐๐4 ] yang memenuhi sifat ergodic, yaitu ๐๐ = ๐๐๐๐ ๐๐1 + ๐๐2 + ๐๐3 + ๐๐4 = 1. Penduga kemungkinan maksimum bagi ๐๐ diperoleh dengan memaksimumkan ๐๐
โ(๐๐) = ๏ฟฝ log ๐๐(๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ; ๐๐) ๐ก๐ก=1
dengan membuat turunan pertama dari log-likehood terhadap parameter ฮธ sama dengan nol, maka diperoleh ๐๐ฬ 1 = ๏ฟฝ
โ๐๐๐ก๐ก=1๏ฟฝ๐ต๐ต๏ฟฝ1 โ
๐๐ฬ 2 = ๏ฟฝ ๐๐๏ฟฝ = ๏ฟฝ
di mana ๐๐
โ๐๐๐ก๐ก=1๏ฟฝ๐ถ๐ถ
+
โ๐๐๐ก๐ก=1[(๐ฆ๐ฆ๐ก๐ก
๐๐๏ฟฝ 2 = ๏ฟฝ
โ๐๐๐ก๐ก=1[๐ต๐ต
1 ๏ฟฝ ร ๐๐ ๏ฟฝ ๐๐๏ฟฝ โ ๐ต๐ต๏ฟฝ1 โ ๐๐๏ฟฝ๏ฟฝ๐๐๏ฟฝ + ๐ถ๐ถ๐๐๏ฟฝ 2 + ๐ท๐ท๏ฟฝ
๐ท๐ท๐๐๏ฟฝ 2
โ ๐๐ฬ 1
(19)
1
๏ฟฝ ร ๐
๐
+ ๐ธ๐ธ๏ฟฝ1 โ ๐๐๏ฟฝ๏ฟฝ โ ๐ธ๐ธ๏ฟฝ1 โ ๐๐๏ฟฝ ๏ฟฝ๐๐๏ฟฝ๏ฟฝ
)2 (๐ต๐ต
(20)
1 ๏ฟฝ ร ๐๐ + ๐ถ๐ถ ) + (๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )2 (๐ท๐ท + ๐ธ๐ธ )]
(21)
1 ๏ฟฝ ร ๐๐ + ๐ถ๐ถ + ๐ท๐ท + ๐ธ๐ธ]
(22)
๐๐ = ๏ฟฝ๏ฟฝ๐ต๐ต๏ฟฝ1 โ ๐๐๏ฟฝ ๏ฟฝ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๏ฟฝ ๐ฆ๐ฆ๐ก๐กโ1 ๏ฟฝ โ ๐ถ๐ถ๐๐๏ฟฝ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 โ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 ๏ฟฝ + ๐ท๐ท๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 + ๐๐๏ฟฝ๐๐ฬ 2 ๏ฟฝ๏ฟฝ ๐ก๐ก=1 ๐๐
๐
๐
= ๏ฟฝ๏ฟฝ๐ธ๐ธ๏ฟฝ1 โ ๐๐๏ฟฝ๏ฟฝ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 ๏ฟฝ + ๐ท๐ท๐๐๏ฟฝ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 โ ๐๐๏ฟฝ ๐ฆ๐ฆ๐ก๐กโ1 ๏ฟฝ + ๐ถ๐ถ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 + ๐๐๏ฟฝ ๐๐ฬ 1 ๏ฟฝ๏ฟฝ ๐ก๐ก=1
๐๐
๐๐ = ๏ฟฝ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 )๏ฟฝ๐ต๐ต(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 ) + ๐ท๐ท(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ ๐ก๐ก=1 ๐๐
+ (๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 )๏ฟฝ๐ถ๐ถ (๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 ) + ๐ธ๐ธ (๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ๏ฟฝ 2
2
๐๐ = ๏ฟฝ ๏ฟฝ๐ต๐ต๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 )๏ฟฝ + ๐ถ๐ถ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 )๏ฟฝ ๐ก๐ก=1
2
+ ๐ท๐ท๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ
2
+ ๐ธ๐ธ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ ๏ฟฝ.
15 Bukti dapat dilihat pada lampiran 2. Karena persamaan (19) sampai (22) taklinear, maka untuk mencari penduga kemungkinan maksimum bagi ฮธ digunakan algoritma iteratif yang merupakan kasus khusus dari prinsip EM. Langkah-langkah yang harus dilakukan adalah: 1. Tentukan banyaknya data (T) yang akan diamati serta input data (๐ฆ๐ฆ1 , ๐ฆ๐ฆ2 , ๐ฆ๐ฆ3 , โฆ , ๐ฆ๐ฆ๐๐ ). 2. Untuk ๐๐ = 0 dan matriks transisi ๏ฟฝ (๐ฆ๐ฆ) = ๐๐ ๏ฟฝ (๐๐) ๐๐ โ โ 0 ๐๐11 0 ๐๐11 โ โ ๐๐ 0 ๐๐12 0 = ๏ฟฝ 12 โ โ ๏ฟฝ, 0 ๐๐21 0 ๐๐21 โ โ 0 ๐๐22 0 ๐๐22 beri nilai awal bagi ๐๐๏ฟฝ yang dilambangkan dengan ๐๐๏ฟฝ (๐๐ ) = ๏ฟฝ๐๐ฬ 1 , ๐๐ฬ 2 , ๐๐๏ฟฝ, ๐๐๏ฟฝ 2 ๏ฟฝ. 3. Cari fungsi kerapatan bersyarat bagi ๐ฆ๐ฆ๐๐ untuk setiap ๐ก๐ก = 1,2, โฆ , ๐๐ dengan cara ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 1, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ โก โค (๐๐ ) ๏ฟฝ ๏ฟฝ |๐๐ = 2, ๐ด๐ด ; ๐๐ ๐๐๏ฟฝ๐ฆ๐ฆ โข โฅ ๐ก๐ก ๐ก๐ก ๐ก๐กโ1 ๐๐๐ก๐ก = โข (๐๐ ) ๏ฟฝโฅ ๏ฟฝ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 3, ๐ด๐ด๐ก๐กโ1 ; ๐๐ โข โฅ (๐๐ ) ๏ฟฝ ๏ฟฝ ๐๐๏ฟฝ๐ฆ๐ฆ |๐๐ = 4, ๐ด๐ด ; ๐๐ โฃ โฆ ๐ก๐ก ๐ก๐ก ๐ก๐กโ1 2 โก 1 exp ๏ฟฝโ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐1 โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐1 )๏ฟฝ ๏ฟฝ โค โข โ2๐๐๐๐ โฅ 2๐๐ 2 โข 2 โฅ ( )๏ฟฝ โ๏ฟฝ๐ฆ๐ฆ 1 โ ๐๐ โ ๐๐ ๐ฆ๐ฆ โ ๐๐ โข โฅ ๐ก๐ก 2 ๐ก๐กโ1 1 ๏ฟฝโฅ 2 โข โ2๐๐๐๐ exp ๏ฟฝ 2๐๐ โฅ. =โข 2 โข 1 โ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐1 โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐2 )๏ฟฝ โฅ ๏ฟฝโฅ exp ๏ฟฝ โข 2๐๐ 2 โขโ2๐๐๐๐ โฅ 2 โข 1 โ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐2 โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐2 )๏ฟฝ โฅ โข ๏ฟฝโฅ exp ๏ฟฝ 2 2๐๐ โ2๐๐๐๐ โฃ โฆ 4. Penarikan kesimpulan optimal dan peramalan untuk setiap waktu t pada contoh dapat diperoleh melalui a. Tentukan nilai awal bagi ๐๐ฬ๐ก๐ก|๐ก๐กโ1 yang dilambangkan dengan ๐๐ฬ1|0 , b. Beri nilai awal i = 1, c. Untuk t = i, cari nilai dari, ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ = ๐๐โฒ ๏ฟฝ๐๐ฬ๐ก๐ก|๐ก๐กโ1 โจ๐๐๐ก๐ก ๏ฟฝ
= ๐๐๏ฟฝ๐๐๐ก๐ก = 1|๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ
2
โ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 )๏ฟฝ exp ๏ฟฝ ๏ฟฝ 2๐๐๏ฟฝ 2 โ2๐๐๐๐๏ฟฝ 1
2
โ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 )๏ฟฝ +๐๐๏ฟฝ๐๐๐ก๐ก = 2|๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ exp ๏ฟฝ ๏ฟฝ 2๐๐๏ฟฝ 2 โ2๐๐๐๐๏ฟฝ 1
16 2
โ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ +๐๐๏ฟฝ๐๐๐ก๐ก = 1|๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ exp ๏ฟฝ ๏ฟฝ 2๐๐๏ฟฝ 2 โ2๐๐๐๐๏ฟฝ 1
2
โ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ +๐๐๏ฟฝ๐๐๐ก๐ก = 1|๐ด๐ด๐ก๐กโ1 ; ๐๐ exp ๏ฟฝ ๏ฟฝ 2๐๐๏ฟฝ 2 โ2๐๐๐๐๏ฟฝ ๐๐๏ฟฝ๐๐๐ก๐ก = 1|๐ด๐ด๐ก๐ก ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ โก โค ๏ฟฝ๐๐ฬ๐ก๐ก|๐ก๐กโ1 โจ๐๐๐ก๐ก ๏ฟฝ โข๐๐๏ฟฝ๐๐๐ก๐ก = 2|๐ด๐ด๐ก๐ก ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝโฅ ๐๐๐ก๐ก|๐ก๐ก = โข = ๐๐๏ฟฝ๐๐๐ก๐ก = 3|๐ด๐ด๐ก๐ก ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝโฅ ๐๐โฒ ๏ฟฝ๐๐ฬ๐ก๐ก|๐ก๐กโ1 โจ๐๐๐ก๐ก ๏ฟฝ โข โฅ โฃ๐๐๏ฟฝ๐๐๐ก๐ก = 4|๐ด๐ด๐ก๐ก ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝโฆ ๐๐๏ฟฝ๐๐๐ก๐ก+1 = 1|๐ด๐ด๐ก๐ก ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ โก โค (๐๐ ) ๏ฟฝ ๏ฟฝ โข๐๐๏ฟฝ๐๐๐ก๐ก+1 = 2|๐ด๐ด๐ก๐ก ; ๐๐ โฅ ๐๐๐ก๐ก+1|๐ก๐ก = โข = ๐๐ โ
๐๐ฬ๐ก๐ก|๐ก๐ก (๐๐ ) ๏ฟฝโฅ ๏ฟฝ ๐๐๏ฟฝ๐๐๐ก๐ก+1 = 3|๐ด๐ด๐ก๐ก ; ๐๐ โข โฅ โฃ๐๐๏ฟฝ๐๐๐ก๐ก+1 = 4|๐ด๐ด๐ก๐ก ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝโฆ ๐๐ = ๐๐ + 1. d. Ulangi mulai dari langkah (c) stop jika t = T. Lanjutkan ke 5. 5. Misalkan 1 ๐ต๐ต = ๐๐๏ฟฝ๐๐๐ก๐ก = 1|๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 1, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ 1 ๐ถ๐ถ = ๐๐๏ฟฝ๐๐๐ก๐ก = 2|๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 2, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ 1 ๐๐๏ฟฝ๐๐๐ก๐ก = 3|๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 3, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ ๐ท๐ท = ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ 1 ๐ธ๐ธ = ๐๐๏ฟฝ๐๐๐ก๐ก = 4|๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐๐๐ก๐ก = 4, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐ ) ๏ฟฝ cari nilai dari 1 ๐๐ฬ 1 = ๐๐ โ๐ก๐ก=1๏ฟฝ๐ต๐ต๏ฟฝ1 โ ๐๐๏ฟฝ๏ฟฝ โ ๐ต๐ต๏ฟฝ1 โ ๐๐๏ฟฝ ๏ฟฝ๐๐๏ฟฝ + ๐ถ๐ถ๐๐๏ฟฝ 2 + ๐ท๐ท๏ฟฝ ๏ฟฝ (๐๐ ) ๏ฟฝ
1
๐๐
ร ๏ฟฝ๏ฟฝ๐ต๐ต๏ฟฝ1 โ ๐๐๏ฟฝ๏ฟฝ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 ๏ฟฝ โ ๐ถ๐ถ๐๐๏ฟฝ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 โ ๐๐๏ฟฝ ๐ฆ๐ฆ๐ก๐กโ1 ๏ฟฝ ๐ก๐ก=1
๐๐ฬ 2 =
+ ๐ท๐ท๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 + ๐๐๏ฟฝ๐๐ฬ 2 ๏ฟฝ๏ฟฝ โ๐๐๐ก๐ก=1 ๏ฟฝ๐ถ๐ถ
+
๐ท๐ท๐๐๏ฟฝ 2 ๐๐
1 + ๐ธ๐ธ๏ฟฝ1 โ ๐๐๏ฟฝ ๏ฟฝ โ ๐ธ๐ธ๏ฟฝ๐๐๏ฟฝ โ ๐๐๏ฟฝ 2 ๏ฟฝ๏ฟฝ
ร ๏ฟฝ๏ฟฝ๐ถ๐ถ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๏ฟฝ ๐ฆ๐ฆ๐ก๐กโ1 + ๐๐๏ฟฝ๐๐ฬ 1 ๏ฟฝ + ๐ธ๐ธ๏ฟฝ1 โ ๐๐๏ฟฝ๏ฟฝ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐๏ฟฝ ๐ฆ๐ฆ๐ก๐กโ1 ๏ฟฝ ๐ก๐ก=1
+ ๐ท๐ท๐๐๏ฟฝ๏ฟฝ๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 โ ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 ๏ฟฝ๏ฟฝ
17 ๐๐๏ฟฝ =
โ๐๐๐ก๐ก=1[(๐ฆ๐ฆ๐ก๐กโ1
1 โ ๐๐ฬ 1 )2 (๐ต๐ต + ๐ถ๐ถ ) + (๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )2 (๐ท๐ท + ๐ธ๐ธ )] ๐๐
ร ๏ฟฝ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 )๏ฟฝ๐ต๐ต(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 ) + ๐ท๐ท(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ ๐ก๐ก=1
๐๐ 2 =
+ (๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 )๏ฟฝ๐ถ๐ถ (๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 ) + ๐ธ๐ธ (๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ๏ฟฝ
1 โ๐๐๐ก๐ก=1 [๐ต๐ต + ๐ถ๐ถ + ๐ท๐ท + ๐ธ๐ธ ] ๐๐
ร ๏ฟฝ ๏ฟฝ๐ต๐ต๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 )๏ฟฝ ๐ก๐ก =1
2
2
+ ๐ถ๐ถ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 ) โ ๐๐ (๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 1 )๏ฟฝ
2
+ ๐ท๐ท๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 1 ) โ ๐๐(๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ
2
+ ๐ธ๐ธ๏ฟฝ(๐ฆ๐ฆ๐ก๐ก โ ๐๐ฬ 2 ) โ ๐๐ (๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐ฬ 2 )๏ฟฝ ๏ฟฝ.
6. Cari P yang baru, yaitu (๐๐ ) (๐๐ ) (๐๐ ) (๐๐ ) ๐๐ฬ๐ก๐ก|๐๐ = ๐๐ฬ๐ก๐ก|๐ก๐ก โจ ๏ฟฝ๐๐ โฒ ๏ฟฝ๐๐ฬ๐ก๐ก+1|๐๐ (รท)๐๐ฬ๐ก๐ก+1|๐ก๐ก ๏ฟฝ๏ฟฝ ๐๐ฬ๐๐๐๐ =
โ๐๐๐ก๐ก=2 ๐๐(๐๐๐ก๐ก = ๐๐, ๐๐๐ก๐ก+1 = ๐๐|๐ด๐ด๐ก๐ก ; ๐๐) โ๐๐๐ก๐ก=2 ๐๐(๐๐๐ก๐ก+1 = ๐๐|๐ด๐ด๐ก๐ก ; ๐๐)
๐๐(๐๐๐ก๐กโ1 = ๐๐|๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐๐ ; ๐๐) = ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐ก ; ๐๐)๐๐ (๐๐๐ก๐กโ1 = ๐๐|๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐๐ ; ๐๐) โ ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐ก ; ๐๐)๐๐(๐๐๐ก๐กโ1 = ๐๐|๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐ก ; ๐๐) ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐ก ; ๐๐)๐๐ (๐๐๐ก๐กโ1 = ๐๐|๐๐๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐ก ; ๐๐) = ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐ก ; ๐๐) ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐๐ ; ๐๐)๐๐ (๐๐๐ก๐กโ1 = ๐๐|๐ด๐ด๐ก๐ก ; ๐๐)๐๐(๐๐๐ก๐ก = ๐๐|๐๐๐ก๐กโ1 = ๐๐; ๐๐) = ๐๐(๐๐๐ก๐ก = ๐๐|๐ด๐ด๐ก๐ก ; ๐๐) (๐๐ ) (๐๐) ๐๐ฬ๐ก๐ก|๐๐ ร ๐๐ฬ๐ก๐กโ1|๐ก๐กโ1 ร ๐๐๐๐๐๐ = (๐๐ ) ๐๐ฬ ๐ก๐ก|๐ก๐ก
๐๐
๐๐(๐๐๐ก๐กโ1 = ๐๐|๐ด๐ด๐๐ ; ๐๐) = ๏ฟฝ ๐๐(๐๐๐ก๐กโ1 = ๐๐, ๐๐๐ก๐ก = ๐๐|๐ด๐ด๐๐ ; ๐๐) ๐๐ =1
๐๐ฬ๐๐๐๐ =
โ๐๐๐ก๐ก=2
(๐๐ ) (๐๐) ๐๐๏ฟฝ๐ก๐ก|๐๐ ร๐๐๏ฟฝ๐ก๐ก โ1|๐ก๐กโ1 ร๐๐ ๐๐๐๐
โ๐๐๐ก๐ก=2 โ๐๐ ๐๐ =1
(๐๐ ) ๐๐๏ฟฝ๐ก๐ก|๐ก๐ก
(๐๐ ) (๐๐) ๐๐๏ฟฝ๐ก๐ก|๐๐ ร๐๐๏ฟฝ๐ก๐ก โ1|๐ก๐กโ1 ร๐๐ ๐๐๐๐ (๐๐ ) ๐๐๏ฟฝ๐ก๐ก |๐ก๐ก
(Kim 1994)
.
(Hamilton 1996) 7. Untuk ๐๐ = 1 , ulangi mulai dari langkah 2 stop jika ๐๐ = ๐๐ . Gunakan parameter yang sudah dihasilkan untuk mencari nilai harapan bagi nilai tukar rupiah yang akan datang.
18 E๏ฟฝ๐ฆ๐ฆ๐ก๐ก |S๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐) ๏ฟฝ = E๏ฟฝ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐๐๐๐ก๐กโโ1 ๏ฟฝ + ๐๐๐ก๐ก + ๐๐๐๐๐ก๐กโ |S๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐) ๏ฟฝ โ ๏ฟฝ + ๐๐๐๐ โ = ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐๐๐๐ก๐กโ1 ๐ก๐ก ๐๐๏ฟฝ๐ก๐ก = E๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐) ๏ฟฝ
= ๏ฟฝ ๐ฆ๐ฆ๐ก๐ก ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐) ๏ฟฝ๐๐๐ฆ๐ฆ๐ก๐ก ๐๐
= ๏ฟฝ ๐ฆ๐ฆ๐ก๐ก ๏ฟฝ ๐๐๏ฟฝS๐ก๐ก = ๐๐|๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐) ๏ฟฝ๐๐๏ฟฝ๐ฆ๐ฆ๐ก๐ก |S๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐) ๏ฟฝ๐๐๐ฆ๐ฆ๐ก๐ก ๐๐
๐๐ =1
(๐๐ )
= ๏ฟฝ ๐๐๐ก๐ก|๐ก๐กโ1 โ
E๏ฟฝ๐ฆ๐ฆ๐ก๐ก |S๐ก๐ก = ๐๐, ๐ด๐ด๐ก๐กโ1 ; ๐๐๏ฟฝ (๐๐) ๏ฟฝ. ๐๐ =1
PEMODELAN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA DAN KAJIAN NUMERIKNYA Pada bab ini akan dibahas pemodelan nilai tukar rupiah terhadap dolar Amerika beserta kajian numeriknya. Namun terlebih dahulu akan dibahas mengenai data input yang digunakan sebagai data observasi pada model. Kemudian dilanjutkan dengan pemodelan nilai tukar rupiah dan yang terakhir kajian numeriknya.
Data Input Nilai Tukar Rupiah Dalam karya ilmiah ini data input yang digunakan adalah data rata-rata nilai tukar rupiah terhadap dolar Amerika per bulannya. Data tersebut diambil dari laman www.rba.gov.au. Data diambil dengan selang waktu antara bulan Juni 1997 hingga Juni 2013 yang berarti terdapat 193 data observasi (๐ฆ๐ฆ๐ก๐ก ). Data yang diduga sebanyak 192, data dari Juli 1997 hingga Juni 20013. Grafik data disajikan pada Gambar 1.
19 14000 12000 10000 8000 6000 4000 2000 50
100
150
Gambar 1 Perubahan nilai tukar rupiah terhadap dolar Amerika per bulan Model Hidden Markov Satu Waktu Sebelumnya Model yang digunakan adalah model hidden Markov satu waktu sebelumnya seperti pada hal 10 yaitu: ๐๐๐ก๐ก โ ๐๐๐๐๐ก๐กโ = ๐๐๏ฟฝ๐๐๐ก๐กโ1 โ ๐๐๐๐๐ก๐กโโ1 ๏ฟฝ + ๐๐๐ก๐ก . Berdasarkan model di atas nilai tukar rupiah saat ini diasumsikan tidak hanya bergantung pada faktor penyebab saat ini dan satu waktu sebelumnya, tetapi juga bergantung pada nilai tukar rupiah satu waktu sebelumnya. Pada karya 9182.96 ๏ฟฝ, ๐๐ = 0.840756 ilmiah Santoso (2008) nilai awal yang digunakan ๐๐ = ๏ฟฝ 9126.66 dan ๐๐ = 356984. MAPE yang dihasilkan dari nilai awal secara trial and error yang digunakan sebesar 14.58%. Pada tugas akhir ini akan dibangkitkan nilai awal yang tepat agar keakuratan pada model meningkat. Keakuratan dianggap baik bila MAPE < 5%.
Penentuan Nilai Awal untuk Penduga Parameter Model Hidden Markov Satu Waktu Sebelumnya Penentuan Nilai Awal ๐๐๐๐ , ๐๐๐๐ dan ๐๐ Data dibagi menjadi dua bagian, bagian pertama data dari Juni 1997 hingga Mei 2013 (๐ฆ๐ฆ๐ก๐กโ1 ) dan bagian kedua data dari Juli 1997 hingga Juni 2013 (๐ฆ๐ฆ๐ก๐ก ) . Kedua bagian data tersebut dicari nilai rataannya. Data pertama didapatkan nilai rataannya sebesar 9070.89 (rat1) dan data kedua didapatkan nilai rataannya sebesar 9109.94 (rat2). Nilai awal untuk parameter ๐๐1 dan ๐๐2 yang digunakan dibangkitkan menggunakan sebaran di sekitar rataan nilai datanya yaitu [9000,9200]. Nilai rataan kedua data yang didapatkan kemudian menjadi selang nilai acuan untuk membangkitkan parameter ๐๐1 dan ๐๐2 . Pembangkitan nilai awal dengan satu kali iterasi untuk ๐๐1 dan ๐๐2 nilai yang digunakan adalah 9124.89 dan 9198.76.
20 Setelah didapatkan nilai rataannya, diplot nilai dari data yang ada dikurangi dengan nilai rataannya. Nilai yang akan diplot adalah ๐ฆ๐ฆ = ๐ฆ๐ฆ๐ก๐ก โ ๐๐๐๐๐ก๐ก2 terhadap ๐ฅ๐ฅ = ๐ฆ๐ฆ๐ก๐กโ1 โ ๐๐๐๐๐๐1. Persamaan baru yang didapatkan yaitu ๐๐ = โ1.31274 ร 10โ13 + 0.792906๐ฅ๐ฅ. (23)
Gambar 2 Plot persamaan baru dari data yang ada dikurangi rataannya. Dari hasil persamaan yang didapatkan, bentuk persamaannya mirip dengan model yang digunakan sehingga dapat digunakan untuk acuan pembangkitan nilai awal ๐๐. Nilai awal ๐๐ yang digunakan adalah 0.792906, didapatkan dari persamaan (23). Penentuan Nilai Awal P Sedangkan untuk nilai awal P, dibangkitkan secara acak dari interval peluangnya [0,1] karena 0 โค ๐๐๐๐๐๐ โค 1. Hasil dari satu kali iterasi nilai awal yang 0.87 0 0.87 0 0.13 0 0.13 0 digunakan untuk P adalah ๏ฟฝ0 ๏ฟฝ. 0.74 0 0.74 0 0.26 0 0.26
Penentuan Nilai Awal ๐๐ Nilai awal untuk ๐๐ yang digunakan dibangkitkan dari interval nilai [100,2000] yang merupakan selang nilai dari standar deviasinya. Standar deviasi dari data yang digunakan sebesar 1440.26. Hasil dari satu kali iterasi nilai awal untuk ๐๐ yang dibangkitkan dan digunakan adalah 1454. Hasil Progam Dari bagian sebelumnya nilai awal yang digunakan untuk membangkitkan dugaan nilai tukar rupiah adalah ๐๐1 = 9124.89 , ๐๐2 = 9198.76 , โ
= 0.79 ,
21 0.87 0 0.87 0 0.13 0 0.13 0 ๐๐ = ๏ฟฝ0 ๏ฟฝ dan ๐๐ = 1454. Galat nilai dugaan yang ditunjukan 0.74 0 0.74 0 0.26 0 0.26 oleh MAPE adalah 4.14%, diperoleh hanya melalui satu kali proses iterasi seperti yang tertera pada Lampiran 3. Hal ini terjadi karena pada karya ilmiah ini model dianggap baik apabila MAPE < 5%. Hasil dari nilai dugaan yang didapatkan mendekati nilai tukar rupiahnya, menandakan bahwa hasil yang didapatkan cukup baik dan lebih akurat dibandingkan dengan hasil akhir dari Santoso (2008) dengan MAPE sebesar 14.58%. Nilai tukar rupiah dan nilai dugaannya tertera pada Lampiran 4. Hasil pendugaan model dapat dilihat pada Gambar 3.
Nilai Sebenarnya
Nilai Dugaan
Gambar 3 Perubahan nilai tukar rupiah terhadap dolar Amerika per bulan dan nilai dugaan yang didapatkan
SIMPULAN Penentuan nilai awal yang tepat bagi parameter yang digunakan pada model akan mempengaruhi keakuratan nilai akhir yang didapatkan. Nilai awal yang digunakan dibangkitkan menggunakan software Mathematica 9.0. Nilai awal yang didapatkan pada karya ilmiah ini menghasilkan nilai akhir yang baik. Parameter dan nilai awal yang digunakan adalah ๐๐1 = 9124.89, ๐๐2 = 9198.76,โ
= 3.94, 0.87 ๏ฟฝ dan ๐๐ = 1454. Hasil akhir dianggap baik jika MAPE < 5%. MAPE ๐๐ = ๏ฟฝ 0.75 yang didapatkan sebesar 4.14% lebih baik dibandingkan hasil akhir Santoso (2008) dengan MAPE sebesar 14.58%.
22
DAFTAR PUSTAKA Elliot RJ, Aggoun L, Moore JB. 1995. Hidden Markov Models Estimation and Control. New York (US): Springer-Verlag. Grimmet GR, Stirzaker DR. 2001. Probability and Random Processes. Ed ke-3. Oxford (GB): Oxford Univ Pr. Hamilton J D. 1996. Time Series Analysis. New Jersey (US): Princenton Univ Pr. Hogg RV, Craig AT. 2014. Introduction to Mathematical Statistics. Ed ke-7. New Jersey (US): Prentice Hall, Englewood Cliffs. Krantz SG. 1999. Handbook of Complex Variables. Boston (US): Birkhรคuser. Kim CJ. 1994. Dynamic linear models with Markov-switching. Journal of Econometrics 60:1-22. Mynsbrugge JV. 2010. Bidding strategies using price based unit commitment in a deregulated power market [tesis]. Belgium (BE): K.U.Leuven. Ross SM. 1996. Stochastic Process. Ed ke-2. New York (US): John Wiley & Sons. Royden HL. 1963. Real Analysis. New York (US): The Macmilan Company. Santoso DH. 2008. Pemodelan nilai tukar Rupiah terhadap Dollar Amerika menggunakan deret waktu hidden markov satu waktu sebelumnya [skripsi]. Bogor (ID): Institut Pertanian Bogor. Stewart J. 1998. Kalkulus Jilid I. Ed ke-4. Jakarta (ID): Erlangga. Osborne MJ. 1997. Concave and Convex Function of Many Variables. Canada (CA): University of Toronto. Wong E, Hajek B. 1985. Stochastic Processes in Engineering System. New York (US): Springer-Verlag.
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37 Lampiran 3 Progam untuk mencari nilai dugaan dan MAPE minimum menggunakan software Mathematica 9.0.
38
๐๐๐ก๐ก โ ๐๐๐๐๐ก๐กโ = ๐๐๏ฟฝ๐๐๐ก๐กโ1 โ ๐๐๐๐๐ก๐กโโ1 ๏ฟฝ + ๐๐๐ก๐ก
๐๐ = โ1.31274 ร 10โ13 + 0.792906 x
39
40
k 1
41
42
43 Lampiran 4 Nilai tukar Rupiah terhadap Dollar Amerika dan nilai dugaannya t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41
Nilai Rupiah 2604.67 2990.20 3278.69 3665.43 3649.86 5350.08 12499.60 8800.59 8549.89 8050.47 11175.40 14875.30 13199.70 10999.80 10788.90 7625.74 7474.30 7929.63 8900.73 8763.05 8725.57 8275.23 8129.72 6729.84 6875.77 7609.34 8324.66 6875.58 7500.00 7012.85 7433.41 7483.31 7615.19 7950.58 8620.75 8735.38 8979.73 8364.65 8790.72 9415.31 9527.45
Nilai Dugaan 2427.10 2600.94 2985.90 3273.97 3660.15 3644.60 5342.33 12481.40 8787.80 8537.46 8038.77 11159.20 14853.60 13180.50 10983.80 10773.20 7614.67 7463.45 7918.11 8887.79 8750.31 8712.89 8263.21 8117.91 6720.08 6865.79 7598.29 8312.56 6865.60 7489.11 7002.67 7422.62 7472.44 7604.13 7939.03 8608.22 8722.68 8966.68 8352.50 8777.94 9401.62
t 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82
Nilai Rupiah 9615.52 9445.66 9838.10 10415.10 11820.00 11154.90 11410.80 9365.21 8921.75 9685.15 10455.20 10459.60 10399.50 10328.90 10189.80 9655.76 9319.99 8789.21 8730.52 9079.96 8866.59 9011.96 9237.44 8976.46 8949.13 8874.92 8901.55 8903.25 8675.76 8319.53 8279.89 8505.13 8559.38 8400.24 8495.60 8505.41 8470.67 8452.38 8462.64 8583.48 8689.75
Nilai Dugaan 9513.60 9601.54 9431.92 9823.79 10400.00 11802.80 11138.70 11394.20 9351.59 8908.78 9671.06 10440.00 10444.40 10384.40 10313.80 10175.00 9641.72 9306.44 8776.43 8717.83 9066.76 8853.70 8998.86 9224.01 8963.41 8936.12 8862.02 8888.61 8890.31 8663.15 8307.44 8267.86 8492.77 8546.94 8388.03 8483.25 8493.05 8458.36 8440.10 8450.34 8571.01
44 t 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124
Nilai Rupiah 9263.61 9412.11 9182.65 9333.90 9175.88 9088.59 9017.36 9309.37 9160.64 9265.02 9489.57 9574.96 9506.42 9718.48 9819.62 10475.20 10215.40 10049.40 10024.40 9825.54 9387.48 9227.85 9160.50 8800.05 9194.60 9280.24 9070.25 9097.94 9229.95 9114.66 9165.61 9005.43 9093.26 9176.40 9130.11 9083.21 8829.45 9034.99 9185.72 9409.54 9143.54 9098.31
Nilai Dugaan 8677.12 9250.14 9398.42 9169.30 9320.33 9162.54 9075.38 9004.25 9295.83 9147.32 9251.55 9475.77 9561.04 9492.60 9704.35 9805.34 10459.90 10200.50 10034.80 10009.80 9811.25 9373.83 9214.43 9147.18 8787.26 9181.23 9266.75 9057.06 9084.71 9216.53 9101.41 9152.28 8992.34 9080.04 9163.06 9116.84 9070.00 8816.62 9021.86 9172.36 9395.86 9130.25
t 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166
Nilai Rupiah 9372.81 9394.28 9296.49 9065.08 9220.04 9235.30 9309.55 9225.02 9109.60 9152.68 9429.71 10875.80 12174.40 10949.80 11354.50 11989.50 11615.00 10682.70 10314.70 10223.10 9915.47 10079.80 9670.49 9540.44 9455.22 9397.93 9364.69 9334.76 9114.53 9011.83 9162.54 9075.44 8951.70 9044.63 8922.11 8927.36 9035.14 8995.38 9057.84 8811.37 8709.12 8573.39
Nilai Dugaan 9085.08 9359.18 9380.62 9282.97 9051.90 9206.63 9221.87 9296.01 9211.61 9096.36 9139.37 9416.00 10859.90 12156.70 10933.80 11337.90 11972.00 11598.10 10667.20 10299.70 10208.20 9901.05 10065.20 9656.43 9526.57 9441.47 9384.26 9351.07 9321.19 9101.28 8998.73 9149.22 9062.25 8938.69 9031.48 8909.14 8914.38 9022.00 8982.30 9044.67 8798.56 8696.46
45 t 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
Nilai Rupiah 8535.81 8594.84 8504.66 8567.95 8809.94 8835.28 9169.74 9150.26 9005.36 9094.86 9184.77 9191.62 9563.07 9477.97 9484.13 9565.09 9587.16 9631.91 9605.02 9637.90 9760.44 9668.13 9710.34 9723.19 9803.09 9927.76
MAPE
Nilai Dugaan 8560.93 8523.41 8582.35 8492.30 8555.50 8797.13 8822.44 9156.41 9136.96 8992.27 9081.64 9171.42 9178.26 9549.16 9464.19 9470.34 9551.18 9573.22 9617.90 9591.05 9623.88 9746.24 9654.07 9696.22 9709.05 9788.83
4.13853%
46
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 10 Juni 1989 dari pasangan Bapak Subiyanto dan Ibu Endah Mustika Hidayat. Penulis merupakan anak pertama dari tiga bersaudara. Penulis menempuh pendidikan di SMA Negeri 4 Malang. Penulis diterima sebagai mahasiswa IPB melalui jalur SPMB. Penulis memilih jurusan Matematika, fakultas Matematika dan Ilmu Pengetahuan Alam. juga pernah menjadi panitia pada acara Welcome Ceremony Mathematics 2009, Pesta Sains Nasional Institut Pertanian Bogor 2009, dan beberapa try out yang diadakan untuk mahasiswa TPB pada tahun 2009 dan 2010.