Pendahuluan. Dr. Kusman Sadik, M.Si Departemen Statistika IPB, Semester Genap 2017/2018

Transkripsi

1 Pendahuluan Dr. Kusman Sadik, M.Si Departemen Statistika IPB, Semester Genap 2017/2018

2 Analisis Statistika (STK511) 2

3 Dr. Kusman Sadik, M.Si Dr. Farit M Affendi, M.Si Akbar Rizki, M.Si Pika Silvianti, M.Si 3

4 4

5 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. Menjelaskan metode pemodelan untuk data deret waktu yang mempunyai faktor musiman (seasonally), ARIMA(p,d,q)x(P,D,Q)s. Serta pemodelan ragam (ARCH dan GARCH), pemodelan data deret waktu dua peubah (fungsi transfer) dan pemodelan data deret waktu banyak peubah (VAR). 5

6 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). 6

7 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. 7

8 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. 8

9 4. Komponen penilaian : UTS (42.5%), UAS (42.5%), Tugas/PR/Quiz (15.0%) 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. 9

10 1. HP harus di-silent, menjawab pesan dan menerima telpon bisa dilakukan di luar ruang kuliah. 2. Mahasiswa tidak menghidupkan laptop dan peralatan elektronik lainnya saat perkuliahan. 3. Selama sesi kuliah, mahasiswa hanya menggunakan sarana buku, catatan, dan kalkulator. 4. Laptop hanya digunakan pada sesi praktikum. 5. Mahasiswa yang merasa kurang sehat atau tidak bisa mengikuti perkuliahan dengan baik, dapat minta ijin untuk tidak ikut perkuliahan. 10

11 Buku Referensi : o Montgomery, D.C., et.al Forecasting Time Series Analysis 2 nd. John Wiley. o Cryer, J.D. and Chan, K.S Time Series Analysis with Application in R. Springer New York. o Cowpertwait, P.S.P. and Metcalfe, A.V Introductory Time Series with R. Springer New York. o Wei, William, W.S Time Series Analysis, Univariate and Multivariate Methods. Adison-Wesley Publishing Company Inc, Canada. o Buku lainnya yang relevan. Catatan Kuliah 11

12 Bisa di-download di kusmansadik.wordpress.com 12

13 Prioritas Utama o Program R Prioritas Tambahan o SAS o Minitab 13

14 No Tujuan Instruksional Khusus 1 Mahasiswa mampu menjelaskan tentang karakteristik data deret waktu 2 Mahasiswa mampu melakukan pemulusan terhadap data deret waktu Materi Sub Materi Jam Pertemuan Pendahuluan a Pengertian data deret waktu 1 kali (3x60 ) Peramalan dengan metode Smoothing b c d a b c d e f g Ruang lingkup materi analisis data deret waktu Karakteristik data deret waktu Perkembangan metode analisis data deret waktu Pemulusan Rataan bergerak Tunggal dan Eksponensial Tunggal Contoh kasus Pemulusan Rataan bergerak Tunggal dan Eksponensial Tunggal Pemulusan Rataan bergerak Ganda dan Eksponensial Ganda Contoh kasus Pemulusan Rataan bergerak Tunggal dan Eksponensial Tunggal Pemulusan Winters Contoh kasus Pemulusan Winters Seleksi pemulusan terbaik menggunakan SSE, MSE, MAPE, MSD, AIC, dan BIC 2 kali (6x60 ) 14

15 No Tujuan Instruksional Khusus 3 Mahasiswa dapat menjelaskan konsep model AR(p), MA(q), dan ARMA(p, q) Materi Pemodelan Deret Waktu Univariate yang stasioner: Review Model AR(p), MA (q), ARMA (p,q) Sub Materi Jam Pertemuan a Proses Stokastik 2 kali (6x60 ) b c d e f g Fungsi Autokorelasi Fungsi Autokorelasi Parsial White Noise Proses linier umum Model rataan bergerak, MA(q) Model regresi diri, AR(p) h Model campuran, ARMA(p, q) i j k l m Sifat Invertibilitas Identifikasi Model Metode Pendugaan parameter model Diagnostik model Peramalan 15

16 No Tujuan Instruksional Khusus 4 Mahasiswa dapat mengidentifikasi kestasioneran dan mengidentifikasi model ARIMA(p, d, q) 5 Materi Pemodelan Deret Waktu Univariate yang tak stasioner: Model ARI(p,d), IMA (d,q), ARIMA (p,d,q) Sub Materi Jam Pertemuan a Jenis-jenis ketidakstasioneran 2 kali (6x60 ) b c d e Penanganan ketidakstasioneran: Transformasi dan pembedaan Penstasioneran melalui pembedaan (diffrencing) Model ARI(p) Model IMA(q) f Model ARIMA(p, d, q) g h Identifikasi, pengepasan, dan diagnostik model Peramalan UJIAN TENGAH SEMESTER (UTS) 16

17 No Tujuan Instruksional Khusus 6 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 7 Mahasiswa mengidentifikasi keheterogenan noise dan dapat membangun model ragam ARCH dan GARCH Materi Pemodelan Deret Waktu Univariate Musiman: Model ARIMA (p,d,q)(p,d,q)s Pemodelan ragam noise yang tidak homogen (heteroskedasitas): Model ARCH dan GARCH Sub Materi Jam Pertemuan a Model ARIMA musiman 1 kali (3x60 ) b c Identifikasi, pengepasan, dan diagnostik model Peramalan a Pengertian heteroskedasitas 2 kali (3x60 ) b c d Konsekuensi akibat terjadinya masalah heteroskedasitas Model ARCH dan GARCH Identifikasi, pengepasan, dan diagnostik model 17

18 No Tujuan Instruksional Khusus 8 Mahasiswa dapat mengidentifikasi model Fungsi Transfer 9 Mahasiswa dapat menjelaskan vektor untuk model deret waktu 10 Materi Pemodelan Deret Waktu Bivariate: Model fungsi transfer Pemodelan Deret Waktu Multivariate: Model Vector Autoregessive (VAR) Sub Materi Jam Pertemuan a Pengertian Fungsi Transfer 2 kali (6x60 ) b c d e Fungsi korelasi silang Model umum fungsi transfer Identifikasi, pengepasan, dan diagnostik model Peramalan a Pengertian Model VAR 2 kali (6x60 ) b c d e Model umum VAR Cointegrasi Identifikasi, pengepasan, dan diagnostik model Peramalan UJIAN AKHIR SEMESTER (UAS) 18

19 19

20 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. 20

21 1. Cross-section Data 2. Time-series Data 3. Panel Data 21

22 Terdiri dari beberapa objek data pada satu waktu terntentu. Misalnya data penduduk dan pendapatan perkapita tingkat kabupaten pada tahun Kabupaten Jlh Penduduk (juta) Rataan pendapatan perkapita (ribu Rp/bulan) A B 0.7 1,345 C

23 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)

24 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 Tahun Jlh Penduduk (juta) A A B B

25 Jenis Data Objek Waktu Cross-section Data Banyak Satu Time-series Data Satu Banyak Panel Data Banyak Banyak 25

26 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.. 26

27 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. 27

28 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. 28

29 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. 29

30 30