Dr. Kusman Sadik, M.Si
Dr. Kusman Sadik, M.Si
Dr. I Made Sumertajaya, MS
Pika Silvianti, M.Si
Nama Mhs
PS (STT/STK)
Asal instansi
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 memungkinan 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
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).
1.
Kehadiran dalam perkuliahan/praktimum : minimum
80%.
2.
Mahasiswa tidak sekedar hadir, tapi juga harus aktif di
perkuliahan.
3.
Keterlambatan kedatangan pada perkuliahan
/praktikum : maksimum 15 menit.
5.
Komponen penilaian : UTS (35% - 40%), UAS (35% - 40%),
Tugas/PR/Quiz (20% - 30%)
6.
Nilai (Huruf Mutu) : A, AB, B, BC, C, D, dan E. Batas huruf
mutu didasarkan pada rata-rata kelas.
7.
Pelanggaran saat ujian : mahasiswa yang terbukti melakukan
kecurangan pada saat ujian (mencontek atau memberikan
contekan) akan mendapatkan nilai maksimum D.
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.
o
Wei, William, W.S. 1990. Time Series Analysis, Univariate and Multivariate
Methods. Adison-Wesley Publishing Company Inc, Canada.
o
Abraham, B. and Ledolter, J. 2005. Statistical Methods for Forecasting. John
Wiley
o
Buku lainnya yang relevan.
Bisa di-download di
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
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
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