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

Pendahuluan



Dr. Kusman Sadik, M.Si



Dr. Farit M Affendi, M.Si



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

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).



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.

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.

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



Buku Referensi

:

o

Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis 2

nd

_{. 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.

Bisa di-download di



Prioritas Utama

o

Program R



Prioritas Tambahan

o

SAS

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

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

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

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

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

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).

1. Cross-section Data

2. Time-series Data

3. Panel Data

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

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

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



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



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

.



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

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.

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