Pendahuluan

Dr. Kusman Sadik, M.Si

Departemen Statistika IPB, 2017/2018

2

Analisis Statistika (STK511)

3

Dr. Kusman Sadik, M.Si

Dr. Farit M Affendi, M.Si

Akbar Rizki, M.Si

4

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).

5

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 waktulanjutan (ARCH, GARCH, fungsi transfer dan VAR).

6

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

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

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.

9

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

10

Bisa di-download di

kusmansadik.wordpress.com

11

Prioritas Utama

o Program R

Prioritas Tambahan

o SAS

o Minitab

12

No Tujuan Instruksional

Khusus

Materi

Sub Materi

Jam

Pertemuan

1 Mahasiswa mampu

menjelaskan tentang

karakteristik data deret

waktu

Pendahuluan a Pengertian data deret waktu 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

13

No Tujuan Instruksional

Khusus

Materi

Sub Materi

Jam

Pertemuan

3 Mahasiswa dapat

menjelaskan konsep

model AR(p), MA(q),

dan ARMA(p, q)

Pemodelan Deret

Waktu Univariate

yang stasioner:

Review Model AR(p),

MA (q), ARMA (p,q)

a Proses Stokastik 2 kali (6x60’)

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

m Peramalan

14

No Tujuan Instruksional

Khusus

Materi

Sub Materi

Jam

Pertemuan

4 Mahasiswa dapat

mengidentifikasi

kestasioneran dan

mengidentifikasi model

ARIMA(p, d, q)

Pemodelan Deret

Waktu Univariate

yang tak

stasioner: Model

ARI(p,d), IMA

(d,q), ARIMA

(p,d,q)

a Jenis-jenis ketidakstasioneran 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)

15

No Tujuan Instruksional

Khusus

Materi

Sub Materi

Jam

Pertemuan

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

Pemodelan Deret

Waktu Univariate

Musiman: Model

ARIMA (p,d,q)(P,D,Q)s

a Model ARIMA musiman 1 kali (3x60’)

b Identifikasi, pengepasan, dan diagnostik model

c Peramalan

7 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 2 kali (3x60’)

b Konsekuensi akibat terjadinya masalah

heteroskedasitas

c Model ARCH dan GARCH

d Identifikasi, pengepasan, dan diagnostik model

16

No Tujuan Instruksional

Khusus

Materi

Sub Materi

Jam

Pertemuan

8 Mahasiswa dapat

mengidentifikasi model

Fungsi Transfer

Pemodelan Deret

Waktu Bivariate:

Model fungsi

transfer

a Pengertian Fungsi Transfer 2 kali (6x60’)

b Fungsi korelasi silang

c Model umum fungsi transfer

d Identifikasi, pengepasan, dan diagnostik model

e Peramalan

9 Mahasiswa dapat

menjelaskan vektor

untuk model deret waktu

Pemodelan Deret

Waktu

Multivariate:

Model Vector

Autoregessive

(VAR)

a Pengertian Model VAR 2 kali (6x60’)

b Model umum VAR

c Cointegrasi

d Identifikasi, pengepasan, dan diagnostik model

e Peramalan

10

UJIAN AKHIR SEMESTER (UAS)

17

18

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.

19

1. Cross-section Data

2. Time-series Data

3. Panel Data

20

Terdiri dari beberapa objek data pada suatu waktu

terntentu. Misalnya data penduduk dan pendapatan

perkapita tingkat kabupaten pada tahun 2017.

Kabupaten Jlh Penduduk

(juta)

Rataan pendapatan

perkapita (ribu Rp/bulan)

A 1.2 750

B 0.7 1,345

C 4.3 436

21

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 0.92

2017 1.20

22

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 2016 0.92

A 2017 1.20

B 2016 0.56

B 2017 0.70

23

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. .

24

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.

25

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.

26

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.

27

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.

28