Minggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA

Transkripsi

1 CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi ACF dan PACF, analisis dan forecasting model time series meliputi AR, MA dan ARIMA. Minggu 1 Review Peubah Acak dan Fungsi Distribusi Minggu 2 Kestasioneran time series Minggu 3 Identifikasi ACF dan PACF Minggu 4-5 Analisis Model MA, AR, ARMA Minggu 6-7 Model Diagnostik dan Forecasting Minggu 8-9 Analisi Model ARI, IMA, ARIMA Minggu 10 Pengerjaan Tugas: Identifikasi data Minggu 11 Presentasi 1 Minggu 12 Pengerjaan Tugas: Forecasting model time series Minggu 13 Presentasi 2 Minggu 14 Laporan Akhir [Penilaian] Kuis 30%; UTS 35%; Tugas 35% A 80 NA < 100; AB 70 NA < 80; B 65 NA < 70; BC 60 NA < 65; C 45 NA < 60; D 30 NA < 45 Aspek penilaian Tugas Besar: Keaktifan individu (20%), Ketajaman analisis (60%), Kemampuan menyimpulkan (20%). [Buku Acuan] 1. Cryer, J.D., and Chan, K.S., Time Series Analysis with Applications in R, Second Edition, Springer. 2. Tsay, R. S. (2002). Analysis of Financial Time Series. Wiley. 1

2 1 Review: Peubah Acak dan Fungsi Distribusi [Perhatikan Grafik Berikut Ini] Apakah keduanya merupakan data time series? Kejadian dan Pulang Peluang adalah suatu konsep berpikir, peluang mengajak kita untuk mempersiapkan diri menghadapi kejadian yang tidak terjadi. Misalkan S adalah ruang sampel, dengan A adalah kejadian, maka peluang kejadian A, P (A) = lim n n(a) n = n(a) n(s) [Kasus] Pak Mad mempunyai 2 anak. Berapa peluang bahwa keduanya lakilaki, diberikan bahwa Pak Mad tersebut memiliki setidaknya 1 anak laki-laki? 2

3 [Aksioma Peluang] 1. 0 P (A) 1, untuk setiap A A 2. Kejadian A dan B dikatakan saling lepas jika A B = 3. Untuk setiap kejadian A dan B berlaku, P (A B) = P (A) + P (B) P (A B) 4. P (A c ) = 1 P (A) 5. Jika A B, maka P (A) P (B) 6. P (A B) = P (A) + P (B) P (A B) [Peluang Bersyarat] Jika A dan B dua kejadian yang tidak saling bebas, dengan P (A) > 0, peluang bersyarat B diberikan A, didefinisikan P (B A) = P (A B) P (A) Peubah Acak dan Fungsi Distribusi Peubah Acak (p.a) merupakan fungsi yang memetakan ruang sampel ke bilangan real. Salah satu karakteristik p.a adalah memiliki fungsi distribusi (f.d), f.d membuat p.a lebih aplikatif. [Kasus] Tentukan peubah acak dari kedua kasus dibawah ini? 1. Pada pelemparan sebuah koin tiga kali. Berapa banyak sisi angka (A) yang muncul! 2. Seorang narapidana terjebak dalam suatu sel penjara yang memiliki 2 pintu. Pintu pertama akan membawanya ke sebuah terowongan dan kembali ke sel dalam waktu dua hari. Pintu kedua akan membawanya ke terowongan yang kembali ke sel dalam waktu empat hari. Asumsikan bahwa peluang sang napi memilih pintu 1 dan 2 masing-masing adalah 0.5. Berapa lama waktu rata-rata yang dibutuhkan untuk dia agar selamat! [Fungsi Distribusi] Fungsi distribusi kumulatif (cdf) dari peubah acak X, F (x) = P (X x), < x < 3

4 Karakteristik fungsi distribusi, F (x) fungsi tidak turun lim b F (x) = F ( ) = 1 lim b F (x) = F ( ) = 0 [Demo Matlab] clc; x = exprnd(0.1,100) hist(x) [Peubah Acak Diskrit] Fungsi massa peluang (fmp) atau probability mass function (pmf), Fungsi distribusi kumulatif (cdf), [Peubah Acak Kontinu] p(x) = P (X = x) F (x) = P (X x) = Σ t x p(t) Fungsi padat peluang (fpp) atau probability density function (pmf), ditulis f(x) P (a X b) = Fungsi distribusi kumulatif (cdf), F (x) = P (X x) = b a x f(x)dx f(t)dt 4

5 Gambar 1: Sumber: Sheldon M. Ross, 2010 [Tes] 1. Banyaknya kecelakaan yang terjadi di tol setiap hari berdistribusi Poisson dengan parameter λ = 3. Berapa peluang tidak ada kecelakaan pada hari ini? 2. Tentukan fungsi distribusi kumultif (cdf) dari distribusi Exponensial? [Proses Stokastik] adalah kumpulan peubah acak Y t dengan t T merupakan indeks waktu. Setiap proses stokastik memuat ruang keadaan S dan indeks parameter T. Banyaknya Mahasiswa Baru IK per tahun Banyaknya klaim asuransi PT.ASTERA yang masuk pada interval [0,t] 5

6 Mean/Ekpektasi [Definisi] Misalkan X p.a, maka ekspektasi dari X didefinisikan sebagai 1. Variabel Diskrit 2. Variabel Kontinu E(X) = µ X = x E(X) = µ X = xp(x) xf(x)dx Sifat: Jika a dan b merupakan konstanta, tentukan E(aX + b)... Variansi [Definisi] Misalkan X adalah p.a dengan mean µ. Variansi dari X adalah V ar(x) = σ 2 = E[(X µ) 2 ] Sifat: Jika a dan b merupakan konstanta, tentukan V ar(ax + b)... Kovariansi [Definisi] Misalkan X dan Y adalah p.a dengan mean µ X dan µ Y. Kovariansi dari X dan Y adalah Cov(X, Y ) = E(XY ) µ X µ Y Sifat: Untuk X, Y, Z p.a dan c adalah konstanta, berlaku 1. Cov(X, X) = Cov(X, Y ) = Cov(Y, X) 3. Cov(cX, Y ) = Cov(X, Y + Z) =... Korelasi Pembahasan mengenai kuat lemahnya asosiasi antara satu hal dengan hal lain merupakan salah satu pembahasan dalam ilmu statistika. Untuk mengetahui seberapa besar asosiasi antara satu hal dengan hal lainnya, kita memerlukan ukuran kuantitatif, yaitu ukuran asosiasi. Asosiaso dua variabel dapat dinyatakan sebagai korelasi. Misalkan X dan Y adalah p.a dengan variansi σx 2 dan σ2 Y. Korelasi dari X dan Y adalah Corr(X, Y ) = ρ XY = Cov(X, Y ) σ 2 X σy 2 6

7 2 Time Series [Definisi] Barisan peubah acak Y t dengan t T menyatakan waktu. Realisasi dari time series adalah data time series. Analisis time series, ingin menjawab: Bagaimana menentukan model Y t sehingga model sehingga model tersebut dapat digunakan untuk forecasting Berdasarkan definisi tersebut, TS memiliki dua tujuan penting: (1) Membangun model yang bersesuaian dengan data historis (2) Menggunakan model untuk forecasting. TS di Indonesia dikenal dengan Deret Waktu. TS merupakan salah pendekatan yang digunakan oleh para statistisian untuk memodelkan observasi yang memiliki time dependency, sehingga tidak semua observasi dapat dimodelkan dengan TS. Y t = f(.) + e t dengan e t N(0, σ 2 ) dan tidak berkorelasi. 7