Judul Makalah Penulis Makalah ldentitas Makalah
Kategori Publikasi Makalah (beri
/pada
kategori yang tepat)Medan
M.S 601100L
- r!*
Unit KerfS,lrl
TEMBAR
HASIT PENILAIAN SEJAWAT SEBIDANG ATAU PEER REVIEW
KARYA
ltMlAH
: PROSIDING NASIONAL"Estimasi Bayesian Pada Peramalan ModelARMA"
ZulAmry, Adam Baharum and Mohd. Tahir a. Judul Prosiding
b. ISBN
c, Tahun Terbit d. Penerbit e. Jumlah halaman
f.
WEB LamanLampiran 8
Seminar Nasional Matematika dan Terapan 3
978-602-911.5-24-6 November 20L2
Himpunan Matika lndonesia (lndoMS)
35-49
E
{
Prosiding Forum llmiah lnternasional Prosiding Forum llmiah Nasional
Medan,
September 2015 Reviewer l-,Prof. Dr. Tulus, M.Si
NrP. 19620901 198803 1002 Unit Kerja : Guru Besar FMIPA USU
Hasil Penilaia n Peer Review : Komponen Yang Dinilai
Nilai Maksimal Prosiding
Nilai Akhir Yang Diperoleh lnternasional
T
Nasaional ./
a. Kelengkapan unsur isi artikel (10%)
0,6
0,f
b. Ruang lingkup dan kedalaman pembahasan (30%)
/,8
/,
r
c, Kecukupan dan kemutahiran data/informasi dan
metodologi(30%)
1,8
/,f
d. Kelengkapan unsur dan kualitas penerbit (30%)
/,8
/,
t-Total
=
lL00%lT
Nilai Pengusul
{
Judul Makalah Penulis Makalah ldentitas Makalah
Kategori Publikasi Makalah (beri
/pada
kategori yang tepat)trubis, M.Pd., Ph.D NrP. 1955102s198s031002
Unit Kerja: Univ. Muslim Nusantara
LEMBAR
HASIL PENITAIAN SEJAWAT SEBIDANG ATAU PEER REVIEW
KARYA
ltMlAH
: PROSIDING NASIONAL"Estimasi Bayesian Pada Peramalan ModelARMA"
ZulAmry, Adam Baharum and Mohd. Tahir a. Judul Prosiding
b. ISBN
c. Tahun Terbit d. Penerbit
e. Jumlah halaman
f.
WEB LamanI-l
Prosiding Forum llmiah lnternasional./
Prosiding Forum llmiah NasionalLampiran 8
Seminar Nasional Matematika dan Terapan 978-602-91,15-24-6
November 2012
Himpunan Matika lndonesia (lndoMS)
35-49
Medan,
September 2016 Reviewer 2,Dr. Firmansyah, M.Si
NrP. L9671110 199303 1003 Unit Kerja: Univ. Muslim Nusantara Hasil Penilaian Peer Review:
Komponen Yang Dinilai
Nilai Maksimal Prosiding
Nilai Akhir Yang Diperoleh lnternasional
r
Nasaional1a. Kelengkapan unsur isi artikel (10%)
0,b
0,9
b. Ruang lingkup dan kedalaman pernbahasan (30%)
I'B
1,9
c. Kecukupan dan kemutahiran data/informasi dan
metodologi(30%)
hE
t,9
d. Kelengkapan unsur dan kualitas penerbit (30%)
lrB
l,f
Total =
(LOO%Ib
Judul Makalah Penulis Makalah ldentitas Makalah
Kategori Publikasi Makalah (beri
/pada
kategori yang tepat)TEMBAR
HASIL PENILAIAN SEJAWAT SEBIDANG ATAU PEER REVIEW KARYA ILMIAH : PROSIDING NASIONAL
"Estimasi Bayesian Pada Peramalan ModelARMA"
ZulAmry, Adam Baharum and Mohd. Tahir a. Judul Prosiding
b. rsBN
c. Tahun Terbit d. Penerbit e. Jumlah halaman
f.
WEB LamanLampiran 8
Seminar Nasional Matematika dan Terapan 3
978-602-9175-24-6 November 20L2
Himpunan Matika lndonesia (lndoMS)
35-49
I-l
prosiding Forum llmiah lnternasional./
Prosiding Forum llmiah NasionalHasil Penilaian Peer Review :
Komponen Yang Dinilai
Nilai Maksimal Prosiding
Nilai Akhir Yang Diperoleh Internasional
T
Nasaional
"l
a. Kelengkapan unsur isi artikel (10%)
016
d,{
b. Ruang lingkup dan kedalaman pembahasan (30%)
1,3
l,f
c. Kecukupan dan kemutahiran data/informasi dan
metodoloei(30%)
fr6
lri
d. Kelengkapan unsur dan kualitas penerbit (30%)
[,6
tri
Total
=
{LOO%II
NilaiPengusul
r
Medan,
September 2015 Reviewer 3NrP. 19570804 198s03 1002
ffitor:
Hsmom
NdewmgTkang
Sacb
Suudo
Tftilus
NfuranRamffi
rcslDlNe
28-29
NOVEIUBER
2012
W
MUSIJIU
NUSAI{TARA
.
AIWASHI.IYAE
MH)Al.l
SIMNNTAP
2
volume
!I
*{*nt"
tu*dB
?rf
i,i:tl*.
PROSIDING SEMINAR NASIONAL
MATEMATIKA
DAIT
TERAPAN
(
SiManTap20tZ)
Volume
2Editor:
Herman Mawengkang Tulus
Saib Suwilo
Marwan Ramli
Copyright @ 20L3, kepada penulis
Hak cipta
dilindungi
Undang-UndangAll rights
reservedCover Designed : Muhammad Romi Syahputra Dipublikasikan oleh :
The Indonesian
Mathematical Society
http ://www.indoms-nadsumut. org
rsBN
:978-6A2-L7AA4-L_g
(Jilid
Lengkap)
37&-6*;i*.i,i$*+*
j-
j
iV*irune
2.ifffi?
KATAPENGAIYTAR
Seminar Nasional Matematika dan Terapan (SiManTap) merupakan salah satu kegiatan tahunan Himpunan Matematika Indonesia QndoMS) Aceh-Sumut dan telah pula menjadi agenda tnootras pusat. siManTap telah dilaksanakan sebanyak
3
(tiga)kali
sejak tahun 2010.SiManTap
2010
dilaksanakandi
Universitas
SumateraUtara (USU), Medan'
oleh DepartemenMatematika
FMIPA,
SiManTap 2011
dilal$antkan
di
UniversitasAl-Muslim, Bireuen, oleh Program Studi Pendidikan Matematika
FKIP
dan SiManTap 2012 dilaksanakandi universit;
Muslim
NusantaraAl-washliyah,
Medan, oleh rroqram
Studi
Pendidikan MatematikaFKIP.
Kegiatan
SManTap
ini
diikuti
oleh
berbagaikalangan, baik dosen, mahasiswq gunr,
penelit!
pernerhati' pengguna maupm peneinta*ut"riutit*yang
setiap tahtmnya terjadip*i"gkat"n
jumlah peserta dan pemakalah' Seminaryang
dilaksanakan setiap tahunini
bertujuanuntuk
membentukforum
bagipeneliti,
ior"o,
guru,
penggun4
pemerhati, pencinta serta mahasiswauntuk
salingterbagi'ide,
ihd
p""g"f.*L
dun*u**an.
Selainitra
dapatpula
dijadikan sebagai*udui
untuksalingbef,omunftasi
dm
berdiskusi tentmg penelitian rlan lrnernuan bmtr dalam bidang matematika, khususnya matematika terapan'Penerbitan prosiding SiManTap 2012 int diharapkan dapat meningkatkan kuantitas dan
kualitas penulisan
iuO"
Uia*g
matematika maupun terapannya. Ucapan terima kasih dewan redaksiuc"pk*
kepada berbagai pihak yang telah membantu proses penerbitanprosiding
ini
dan
semogapada
telbitan
berikutnya
mutu
penulisan
dapat
lebihaitingf***
lagi sehingga dapat lebih bermanfaat'Ketua
Panitia
Wakil
Ketua
Sekretaris
Wakil
SekretarisBendahara
Wakil
BendaharaPanitia
Pelaksana
Drs.
Firmansya[ M.Si
Drs. Hidayat,
M.Ed
AMul
Mujib,
S.Pd.,M.PMat
kvan,
S.Pd.,M.Si
Dn.
Darajat Rangkuti,
M.Pd
Dra-
Mardiningsih,
M.Si
Panitia
Pengarah
l.
Prof.
Dr.
MoehammadNawawiy
Loebis,
M-Phil,
Ph^D2-
Drs. H. Kondar
Siregar,MA
3.
hof,
Dr. Herman Mawengkang
4.
Prof.
Dr.
Syawal Gultom,
M.Pd
5.
Prof.
Dr
Tulus,
M.Si
6-
Prof.
Dr. Opim
Salim,
M.Sc
7.
Prof.
Dr.
SaibSuwilq
M.Sc
8.
Dr.
HizirSo$an
9.
Dr- Marwan
Ramli, M.Si
10.
Syahril
Efendi,
S.Si.,M.IT
I
l.
Drs. Ahmad Sukd Nasution,
M.Pd
12.
Drs.
Madyrrrus
Salayan,M.Si
(Ulvff{A\il)
(usu)
(TJNTMED)
(usrD
(usu)
(usrD
(r.jNsYlArD--({.rNSYrArr)
(usu)
Daftar
isi
Kata Pengantar
Ilalaman:
I
ii
Kepanitiaan
Daftar
Isi...
lrrUpaya Gum Mengembang]<an Karakter Siswa Melalui Pembelajarm Matematika dengan
Pindekatan
Realistik
I
( Rahmah
Johol,
Tuti Zabaidoly', Neni Moriand, I'2 Dosen Program Studi Pendidikon Motemotika FKIP lJnsyiah,3Dosen Progrom Studi PGSD FIP Unesa Surobayo)
Model Penediaan Probabilistik Satu Jenis Barang Dengan Melibatkan FalctorAll.Unit Discount ..-..
( Tatfk Linansyah don J. Dharma Lesnono, hntsan Maemotika, lJniversttas Kotolik Poralryangon)
penerapan Metode Diskusi Bermedia Mind Mapping untuk Meningkatkan Minat Belajar Matematika
Siswa...
"""""""""""
23(
Rick Hunter S, FKIP (Iniversitqs HKBP Nommensen)
Penentuan Ranking Web densan Algoritroa
Pagerank---
27( Rima Aprilia, (jniversitas Muslim Nasontara Al-Washlioh
)
Estimasi Bayesian pada Permalan Model Arma
..-.-...'-
35( Zul Anryl, Adam'Baharum2, Mohd Tqhif ,IJurusan Matemotika (Jniversitos Negdri Medan 2j{Jniversiti
Soins Malaysia
)
Penerapan Model Mind Mapping pada Pembelajaran Matematika sebagai Upaya Meningkatkan Hasil BelajarSiswa Pada Materi Bangrm Datar Kelas
VII
SMP Tri KaryaDesa lilang-Sunggal Kabupaten Deli Serdang
TA-zAnnA0l2
-..-.-"""'-
51 ( Hidsyat dsnoiae*ariai,
FKIP Universitos Muslim Nusontara Alwashltyah)Upaya Meningkatkan Hasil Belajar Siswa dengan Mddel Pembelajaran Cooperative Learning
fipe
fnint
puirSn-.
(TPS) Pada Materi Kubus dan Balok di KelasVIII
SMP Kartika I-1IvfedanTahumPelajarm20nn}n
59Qlanidah
Rasadi den Hidayat, FKIP Universitas Muslim NusantaraAlwashl$ah) peningkatan Kemampuan Komunikasi Matematis dan Komunikasi Belajar Siswa denganUenelp*an Model iembelajaran Experiential
Learning
67( Ika Miulida Thamimi, program Pascasariana (lniversitas Negeri Medan,2012
)
Tanggapan Siswa Pada Pengglmaan Rubrrft Dalam Penilaian Hasil
Kerja.
73 ( Iulutia Fariha ,Yustina, Universitas Sliah Kuala, Banda Aceh)Membangrm KaraklerAnak Sejak Usia Dini Melalui Pelajaran
Matematika
79(
Nur Anwar, Mahasiswa Prodi Magkter Pendidikon MAemAikaPPs Unsyiah)
Model Mnemonik Pada Materi Perbandingan
Trigonometri
87( Narjehan Putri dan Rifadul Mahtmaah, Mahosiswo Magister Pend- Motemotika, Unsytah) Model Pembelajaran Berdasa*an Masalah pada Materi Volume Kubus dan
Balok
97 ( Nurlita dan Sii nahnatina, Program Sndi Magister Pend Matematika Unyiah)Pembelajaran Twrman Fmgsi Dengan Pendekatan Problem Posing Di Kelas
XI
SMANegeri
8
BandaAceh
105( Rifaatul Mahmuzah Mahasiswa Program Studi Magister PendMaematika Pasca Sarjana Unsyioh
)
Kemampuan Berpikir Kritis Matematis Siswa Antara Model Pembelajaran Connected mathematics Project (CNe) Dengan Pembelajaran Konvensional di SMP
( Ristontowi, Mahasiswa Program Stadi Magister Pendidikon Matematika
uNSyuH
)
Tingkat Perkembangan Kognitif Dalam Pembelajaran Matematika.( Roskowati, FMIPA universitas Negeri Medun Jl- willem Iskandar Medan Estate
)
Peningkatan Pemahaman dan Penalaran Mahasiswa Program Studi Pendidikan Matematika dengan Menggunakan Strategi Acoelerated Learning ModelMASTER
l2g
( Abil
Morgyil,Elfilrl,
I'2Pendidikan Mopmatko-FWpA univasitas Negeri Medon
)
Meningkatkan Hasil Belajar Siswa Pada Materi Trigonometri Dengan Model Pembelajaran cooperative Integrated Reading and Composition (cIRC) dengan Berbantuan Media
Pembelajaran (Sofuare) dI Kelas X
MAN
Bireuen
87
( Asmudil, Fitrisniz, Pendidikm Matematika Program Pasca Sarjana Unsyiah)
Menemukan Tripel Pythagoras Hanya dengan Satu
Peubah
145 ( Jhon Abdi, Progran Pasca Sajana Pendidikan Matemstika Universitas Syiah Kuala)
Metode Dekomposisi Berbentuk L dalam Menyelesaikan Program Linear Stokastrl<
DuaTahap
...-....-....-...:l5l
( Johannes Kho, Jurasan MatematikaFMlPA Universitos Riau
)
Kemampuan Berpftir Kritis, Kreatif dan Reflektif (K2R) Matematis Mahasiswa Pendidikan
MatemahlkaFKIPUMB
lS7( Risnanosanti, Progrom Studi Pendidikan Marcmaika FKIp UMB)
Penerapan Brain Based Learning dalam Pembelajaran Matematika untuk Meningkatkan Kemampuan Pemecahan Masalah Matematika dan Motivasi Belajar Siswa di Kelas
VIII
SMA Swasta Cerdas Murni TembungT.P.2012D013...--...
163 ( Nur 'Afifah, Pendidikan Matematika FKIP UMSU)
Upaya Meningkatkan Kreativitas dalam Rangka Peningkatan Hasil Belajar Matematrka Siswa Melatui Media Pembelajaran Berbasis ICT dengan Model Pembelajaran Kooperatif Tipe STAD
Pada Pokok Bahasan Fungsi Kuadrat Di Kelas X SMA Negeri I
I
MedanTA20t2-20r3
...
177( Rizki Kurniawan Rangfut/, Marwan Ramlf , dan Mulkanlskandor Nst.3,L'iprogram studi Pendidikon Matematika FKIP WSU)
Upaya Mengatasi Kesulitan Siswa dalam Menyelesaikan Soal Cerita pada Sistem Persamaan LinierDua Variabel dengan Metode Pemecahan Masalah dari Teori Polya di Kelas
VIII
SMp Swasta Bayu Pertiwi Kecamatan s*-ggul Kabupaten DeliSerdang
lg3( zuhur Fordanir dan Firmansyah2, 12 program- studi pmdidikan-Matemqtika uMN Al-Washliyah)
Meningkatkan Hasil Belajar Matematika dengan Model Kooperatif Tipe NHT pada Materi
Limil
Fungsi Aljabar DkelasXI
IPA2 pada MAN Kuta Baro AcehBesar.
lg7( Ramlala Program studi magister Pendidikan Matematika unsyiah Banda Aceh)
rt7
r23
Upaya Meningkatkan Kreativitas Siswa dalam Mempelajari Keliling dan Luas Lingkaran
Melalui Pendekatan
Kontekstual
197( Darmino Eka Sari Rangk*i, Program Stadi Pendidiksn Mqtematikn FKIP UMN Al-Washliyah
)
Upaya Meningkatkan Hasil Belajar Siswa dalam Memecahkan Masalah Matematika dengan
Menerapkan Metode Diskusi Kelompok pada Pokok Bahasan Diferensial Dikelas XrI
SMK-TRRaksana Medan T.P
201112012...-...---..-
201( Elviarni, Pendidikon Motematika Pascasariana Universitas Negeri Medon
)
Analisis Penalaran Dalam Ujian Nasional Matematika SMA/MA Program IPA Tahun201y
2012..
207( Abdul Mujib, (Jniversitas Muslim Nusantara (Ulut'{) Al-Washliah
)
Penganrh Strategi Pembelajaran drn Gaya Belajar Te&adap IIasil Belajar Matematika.-... 215
( Sujorwo, (Jniversitos Muslim Nusanlara (Ulufr'l) Al-Washliyah
)
Jaringan
kntai
Suplai dengan Pendekatan PemrogramanStokastik
225( Suyanto, Departement Matematiks FMIPA USU
)
Skenario Transformasi Model Multiplier Ke Model Envelopment Pada DEA Untuk
MengukurEfisiensi..-...-..
..
231( Syahril Efendi, Departemm Matemotika FMIPA USU
)
Kemampuan Representasi Matematis Mahasiswa Program Studi Pendidikan Matematika FKIP Universitas Muhammadiyah Bengkulu Pada Mata Kuliah Aljabar Linear Tahrm
Akademik
z0flnol2
239Estimasi
Bayesian pada
Peramalan
Model Arma
Zul
Amryl,
Adam Baharum2, Mohd Tahir3tJurusan Matematika Univenitas Negeri Medan 2'3Universiti Sains Malaysia
Abstrrt" Paper id membabas estiffii Bayesian terha,l4 par@eter-pa-eeter aaam
p9m{9
Tsel
'
ARMA Tujuar utarra qa adalah menenhrkan hasil peramalan satu priode ke depan bagi model ARMA
apabila diggnakan prirx ieftey dangan fungsi kenrgian kuadratis. Model peramalan Bayesian untuk satu
priode ke -<tepm daiarn formgla rnaematita Oiperoteh berdasakan nilai ekspektasi dai distribusi prediktif
posterior marginal. Aplikasi model peramalan dicobakan pada daa time series angka inflasi nasional
Ld--
indonesia dari bulan Januari 2@5 sampai Agustus 201I
yang bermodel ARMA(l,l). Unukrnelihat apakah model perarnalan yang diperoleh sudah memadai diuji dengan statistik Q Ljung-Box'
sedddd ukuran Root Mean Squae Error (FJr,tSE) digunakm untuk melihat kealrurdal model dengro nilai stdistik Q-14.30826 da RMSE:0.'1628906'
Keta kunci: nrodel ARMd teorema Bayes5 prior Jef&ey, distribusi ptediktif
1.
PendahuluanModel ARMA (Autoregressive-Moving Average) merupakan model khusus dari model ARIMA
(Autoregressive Integrated Moving Avirage) yang dikembangkan oleh Box
&
Jenkins- Model iniiefan
Uiyaf<
digunakan sebagai modelstatistft4
terutama yang berkaitan dengan masalahperamalan-permasalahan yang lazim dijumpai dalam menganalisis model
ARMA
maupun model-model time series pada umumnya adalah bagaimana cma mengestimsi parameter-parameter yang terdapat dalam model tenebut. Menurut perkembangannya, teori estimasi terdiri atas estimasisecara klasik dan estimasi Bayesian. Menurut cara klasik estimasi terhadap parameter populasi
hanya didasarkan pada observasi sampel, ssdangkan
pada
estimasi Bayesian, disamping menggunakan observasi sampel juga digunakan pengetahuan (informasi) awal tentang parameter yang*akan diestimasi tersebugbtin
seUaUitu
dalam estimasi Bayesian memungkinkan rmtuk"r*auputf.*
keputusan yang lebih bailg karena melibatkan lebih dari satusumber
informasi-nformasi
awalini
dikenal-dengan informasiprior.
Informasiprior
umumnya berasal dari pengalaman masa lalu maupun deskripsi pemikiran yang sifatnya subyektif.Dalam estimasi Bayesian, p€nentuan disUibusi prior sebagai pengetahuan awal memegang
penman
yang
sangatpenting
untuk
mendapatkan keputusanalfiir'
karena
dengan-eggul*gku*yu d.og*
informasi sampel berupaftmgsi
likelihood akan menglrasilkandistn:busi posterior
y*g
utuo
digunakan untuk keperlum inferensi. Suatu distn'busi prior diharapfan dapat memb"tit uo iofo.rtasi yang memadai tentang parameter-parameter sebelum eksprimen dimulai; tetapi, bisa saja terjadi bahwa pngetahuan tentang prioritu
hanya sedikitdalam hal
ini
tentgsaji
intormasi hasil eksprimen akan lebih dominan pengaruhnya terhadap dishibusi posterior;prior
semacamini
disebutprior
non
informatif, sedangkanprior
Jeffey. menrpakan prior tron informatif ymg dikonsEuksi secaramatematis-Salah satu cara dalam menentukan estimator dari parameter populasi pada anatsis Bayesian adalah dengan rirenggunaftan teori keputusan dengan suatu fungsi kerugian; yaitu kerugian yang dialami utiUut n"potr.uo yang diambil dalam mengestimasi pmameter yang akan diestimasi t€rsebut, sehingga upaya yang dapat dilakukan berkaitan dengan fungsi kerugian ini adalah dengan meminimumkan nilai ekspektasi dari firngsi kerugian yang digunakan.
Sehubungan dengan uraian sing!<at diatas, dalam paper ini akan coba dipapa*an bagaimana menentgkan nasif peramatan Bayesian satu priode ke depan bagi model ARMA apabila digmakan prior Jeftey dengan fungsi kemgian
2.
Materi
dan MetodeModel ARIVIA
Model
ARMA
adalah model time series yang stasioner dan merupakan kombinasi dari model Autoregresif (AR) dengan model Moving Averge (MA)Model ARMA (p,q), didefinisikan oleh :
pq
v,=f0;1,-,+fo,et-;*e,
"""""
Ql)
i=l 9=1
denganyladalahnilaisekarang,0,dan0;parameter, lyr.,,i:12,...,p)adalahpnilaiobservasiyang
lalq
dan {e-5,j=12,-..,q}
q nilai sesatan yang lalu dan {er} adalah barisan variabel randomi
i
d normal densan q -N(0,t -t),"
t0
dan tidak diketahui.Model Box-Jenkins
Pendekatan
ARIMA
pertamakali
diperkenalkan olehby Box
and JenkinsQnq,
sedangkan model ARMA adalah model time series yang stasioner dan menryakan model lftusus dari modelARIMA. Ada tiga langkah utama dalam membangrm model Box-Jenkins, yaitu identifkasi model,
estimasi model dan checking model. Langkah 1 : Identifikasi model
Langkah p€rtama dalam pengembangan model Box-Jenkins adalah melihat sifat kestasioneran
time series dengan memperhatikan grafik dari firngsi autokorelasi (ACF). Jika tidak stasioner, dapat diupayakan stasioner dengan melakukan diferensi terhadap time series yang asli. Untuk mengidentifikasi model yang akan
dipilih;
A&
MA
atau
ARMA
dilihkan
berdasarkan karakteristik dari ACF dan PACF padatabel berikut (Madsen, 2008)Table 2.1: KarakteristikAcF dan PACF
ACF PT PACF 0l&
AR(p) Damped exponortial mdlor
sine fimctions
f*:oror>p
MA(q) Pr
:0
for k >q Dominated by damped expe'Nential and/or sine function
ARMA{p,q) Damped exponential and/or
sine firnctions after lag (qp)
Dominated by damped expo-aential mdllor sine fimction after lae
(ra)
Sesudah identifikasi model, ada beberrya kandidat model yang layak rmnrk dipilih- Salah satu cara yang dipakai untuk memilih satu model yang paling layak adalah dengan melihat nilai Akaike's Information Criterion (AIC). etddidefrnisikan sebagai berikut :
AIC:
nln6l
+2M
(wei,1994)...-...
..
Q2)
rlimana n adalah banyak observasi,
6]
adalah estimasi maksimrm likelihoodrmtut
ol
danM
bmyaknya parameter. Model yang dipilih adalah model dengan nilai AIC yang minimum.Langkah
2:
Estimasi modelEstimasi model diperoleh berdasarkan estinasi teftadap paramst€r-parameter yang terdapat dalam model. Salah satu metode rntuk mengestimasi garameter-parameter dalam model ARMA adalah
metode maksimrm
likelihod
(Wei,194)
Perhatikan
s*es
{X,
,t =1,2,...,n},
model ARMA(p,q) model dan pmameter-parameter$
=
(0r,
$r,...,00),
e=(0,,02, ...,00),
u:
E(X,)and
":
=E("1).
[image:12.612.72.538.66.722.2]Dalam persamaan :
Y.
=
{rY,-,
+$rY,-,
+...+00\-o*u,
+0,a,-,
+0ra,-, +"'+Ona,-o
. (2'3) dimanaY,-Xt -p,
X,
stasionerataustasionerhasiltransformasi,tur)i-i'd-N(0,o:)
Persamaan (2.3) dapat dituliskan sebagaiqP
?t
=yr
-Ig,u,_.,
-f $,v,-,
-.---.-- Q-4\Fl i=l
Karena q
-
N(0,"l
),
maka fimgsi padat petuang bersama dari a:(at, az,"',ao)l,(alg,p,o,ol)
=
-f,t
I
Qno'^ti
".t[-r*)]
:(r",1).*'[-+Ed)
(25)Fungsi logaritma likelihood bersyarat dari parameter $
,
lr,
0 , d"nol
adalah :rnq0,p,0,ol):
-lu'znoj
-W
""""
Q,)
s (0, p,
e)=
i
u ? (0, rr, 0 /X,,
ao,X),
x: (X,,x2,"''
xo
)',
,t=tl
Xo: \X1-0,. . - X
-1,, X6
)t
*a a:
(u r-q:'''
:a-,,
ao)t
Nilai dari
e,0
U* 6
tu"*
memaksimumkan p€rsamaan (2.5) disebut estimatrjr maksimum likelihood Gifi.E).Langkah 3: Checking model
oahfo
langkah ini, model harus diperiksa untuk kelayakan denganleleamati
sifat-sifat residualapakah asumsi dalam model sudah dipenuhi. Asumsi dasar adalah {a,
}
*erupatao proses white noise,yaitu
a,
meruyakan- barisan variabel random tidak berkorelasi dengan meannol
dan variansi konstan. Jika residual memenuhi asumsiini,
maka model Box-Jenkins yang diperoleh adalah model yang baik untgk data. Untuk checking kelayakan tersedia statistrk Q Ljung-Box.Uji
statistik Q (Weu 1994) adalah :
e:n(n.2)i-e+
-
x'(K-p-d)
...'.-.. Q-7)-
Ein-K
.fif"
Q>I'r-,
(K
-p-q),
maka kelayakan model ditolak pada levela-rtimana n adalah ukuran sample,
pl
aA*&
autokorelasi dari residual pada lagk
dmK
adalah jumlah lag yang sedang diuji.Peramalan
Peramalm tink untuk satu priode ke depm bagi
y*l
berdasakan data observasi$:
(yr, yz,-'.-,D
dinotasikani,0)
dan didefinisikan :9(1)
=
E(Y"*,
lS")...
""""""""""'
(2'8)Kriteria
ketepatan peramalanDalam Assis et al (2010), ada beberapa ukuran sebagai kriteria ketepatan hasil peramalan. Dalam paper ini digrmakan Root Mean square Error (RMSE), yang didefinisikan sebagai berikut :
IESS
R1\4SE=./-
... (2.9)Yn
dimana
n:
th number of observations; ESS:
the errorsrn
of square, Teorema BayesJika
X
danY
adalah dua variable random diskrit maka fungsi padat peluang bersama nya dapat ditulisp(x,
y)
=p(x
Iy)p" (y)
dan fimgsi padat peluang marginal X adalah :px(x):
I,d*,v)
:
I,n{"
lv)p'(v)
...-... (2-r0) Aturan Bayes untuk peluang bersyararp(y
Ix)
adalah :pO
lx;:
p(x,v)
_ p(x
lv)p"(v)
:
JElI)p"(v)
Pr(x) Px(x)
Irn{*
lv)p"(v)
Jika Y kontinrl teorema Bayes dapat dituliskan sebagai :
p(y
lx)=.=fE-l-IDrLqI-
... (Dengan."o"*ou*I:*ffi*;;...(2.ll)
p(y
lx)
.c
p(x
ly)pr(y)
-....j...
...Q.r2)
dinana p(ylx) : distribusi posterior, p(xly) : fungsi likelihood dan
Pr(y)
: distribusi prior.PriorJeffrey
Jeffiey
@ox Tiao,
1973) menganjurkan suatu distnlbusiprior
yang dikonstruksi seacaramatematika berdasarkan fimgsi lftelihood dan dikenal densan
prior
Jefrey. Prior Jeffey unhrk parameter 0 pnrporsional dengan akar kuadrat dari inforrnasi Fisher, yaitu :-
nJ"ff(O)* S(e)
... (2.13)-
(0)
adalah informasi Fisher untuk parameter 0, dimana :I(s) = u,.,,
[[*logL(o/x,,*r,...,*,
r)']
:
-
t.,r[#logL(o/
*,,*,,...,*" ))
Jika
0{gr,
02, ...,0p) adalah veklor, Jeftey (Berger, 1985) menganjurkan prior :Q.t4)
dimana I(0) adalah matriks _informasi Fisher (pxp) dengan elemen
(ij)
la'
.l
Iij
e)=
-E,
|
#-
tog
r(x
Ie)
I
... (2.r5)Lffi'ffii
e \ '')
dan L(0lX)oc {XlO) adalah frmgsi likelihood untuk prameter 0 bsrdasarkan observasi
X
Teori keputusan dan estimator Bayes
Unsur-unsur dalam teori keputusan adalah fimgpi keputusan, fimgsi kerugian dan fungsi resfto yang masing-masing didefisisikan sebagai benlkut:
Definisi 2.1
Suatu fungsi T : fr"
+
E
disebut frmgsi keputusan dan harga T(x) denganx
:
(x1,x2, ...,xJ
disebut suatu keputusan. Dqfinisi 2-2suatu fungsi L :
frxft+
E
dengan c) ruangparameter 0 yang didefinisftan oleh L:
L(T(x),o) disebut fimgsi kerugian, apabila L >0 danL:0 jfta
T(xH'
Defnisi2.j
Fungsi L(T(x),gF k(T(x!0)2, dengan k>0, disebut firngsi kerugian kuadratis. Definisi 2.4
Fungsi R : ExO-+
fr
yang didefinisikan oleh R(f(x),0FEtL(T(x),0)J disebut frmpi resiko'Funlsi ini menyatakan bahwa resfto yang dialami ala'bat suatu keputusan T(x) danmerupakan nta-ratadari kemgian
yag
dialami apabila keputusan tersebut dilalokan.Dertnisi 2.5
Misalkan Xr, Xz, ...,
Isampel
random dari suatu populasi berdistribusi f(x'o ) Resiko Bayes dari estimator T relative terhadap fungsi resiko R(T,o ) dan priorr(0)
adalah rata-rata frmpi resiko terhadap(0)'
yakniR'
(T,n)
=
E[R(T,
0)J =J
ng,
e1-7r(0)'d0o
Definisi 2.6
Misalkan Xr, Xr, ..., Xosampel random dari suatu populasi berdistribusi f(x,o ).
T'
disebut estimator Bayes relatif tertadap resiko R(f,o ) dan prior n(0)jfta
:E[R'(T,0)]
<E[R(T'O)]
untuk setiap estimator T.Teorema
2.1
-*
Urt"k
fir"gsi kerugian kuadratik, estimator Bayesnya adalah meail posterior-BuktiMisalkan
X
suatu populasi berdistribusifuO )
dan0
sendiri berditibusi a(0). Berdasa*an sampel random X1,X3
..., Xo akan ditentukan estimator untuk 0'Resiko Bayes terhadap prior z(0) adalah :
R'1r,r;
:
Jn1r,e;n(0)d0
:
J
E1r1r,e)l.n(e)de
AO
:
JJ
qr,
e)-fix
I0)dvc(0).d0
:
JJ
r1r'
e;-f(x
/0)'n(g)'d0'dx
f(x/0);r(0)
Karena
d0lx)
Jr1xlel.n1el.ae
f(x/0)n(0)
densan
m6pJf(x
/0):l(0).de
m(x)
maka diperolen
d(r,n)
:
J m1x;J I-
(T,0).n(0
/x)-d0-dx
oanm;n
(r,")
:
ry
Jr1r,e;n101
x).do
khusus umtuk frmssi kuadrattk
min
(r,n):
T"
IUtt
-
0)2.r(0/x).d0
kemudian dianrbil derivatituya terhadap T, akan diperoleh
r
JZtg
-
0).n(0/x)d0:
oyarng menghasilkan
r
:Je."1elx)dO:
mean posteriorDistribusi student's- t univariat
Ddnisi
2.7Suatu variabel random X dikatakan berdistn-busi student-t pada n derajat keb€basan dengan modus p dan parameter skala r>0 [X
-
Lfu"r)], jika mempu- densitas :o**
rftn
+l)/
2hr1,
[o
*
(*
-
p),
l-(n+')/2f(n/2).(nr)"'I t
I
dengan mean
E{X}
p dan variansi Var(XF nd(n-2), jika n>2.Be6ekal pengetahum dari definisi&eorema pada materi-materi diatasn prosedur pengerjaan dilakukan dengan langkah-langffi berikut :
(l)
menyajikan fimgsi likelihood berdasarkan modelARMA, (2)
membentuk prior Jeftey berdasarkan fungsi likelihood (3) membentuk distribusi posterior dengan teorema Bayes, yaitu mengalikan fungsi likelihood dengan distribusi prior, (4) membentuk distrr'busi prediktif berdasarkan modelARMA,
(5) membentuk disnibusi prediktif posterior,yaitu
mengalikan disEibusi prediktif dengan distrrbusi posterior,(6)
membentuk disnibusi prediktif posterior maryinal dengan pengintegralan berulang terhadap distnbusi prediktifposterior, (7) menentukan hasil peiamalan dengan mengambil nilai ekspektasi terhadap distribusi prediktif posterior marginal dan (8) aplikasi model peramalan pada sekumpulan dat4 seperti pada chart berikut:
Pq
rdodel ARMA(p,d ,
X
:DY,r
*Ibr",'
*.
i{
tr
(l)
Fungsi likelihoodr,(Y,r-r lS")
(3)
Distribusi posteriortr$rd'ls")
(
)
Distribusi predilrif f ( y*1 |$,Yr')
3.
Analisis
Berdasairkan modely,
=lQrf,-, +fer",-r*c,,
secara eksplisit untukn
obser- vasii=l q=l
Sod"
yz, ...,yJ
residu erdapat dituliskan dalam bentuk:
-pq
et
= yt
-10,v,_, -
I0.,",-,
... (3.1)i=l a=l
Fungsi lihelihood
Dengm sytrat p observasi yang pertam4 misalkan
%:
%-r
Q maka berdasarkanBox&
Jenkins
Qn6\
suatu hampiran fimgsi likelihood dari yr*r,...Jo artalahL.(o,@,r I
sJ
*
r(F(Flovz.,.o{-:[
i
(r,
-i4,r,-,
-
ir,",-,]'l]
...
o.,
I
zft=n+r\ i=r
j=r
) l)
merupakm fmgsi
dri
param€ter\t-{Ot,Otf
dan r, dimana (D:
(h,fu,--.,hf
a-G=(01,02,..,0J
Dalam hal ini e,diestimasi oleh :
o,
=y,
-
16,
r,-,
-f
Q.,_,
dimana 0',
d*6,
masing-masing adalah*;*,
nua*tjJ*"cil
untuk Q; dan 0; yang ditentukan. \P q
vla
p€rsamaanyr=I{;y,_;+f
0re,_r+e,
yang
dapat dinyatakan dalam bentuk:
j=r
y,
=
YrB,-r
*
e,,
sehingga9
ait"rrtut*
dengan cara meminimumkan bentuk :i"l=
i
(r,
_y'a,_,I
dengan lmg|<ahJangkah sebagai
"--r-jf;:
.:p+r
denganmemisalkan
F(y) =
i
(r,
**t",-,f
,*uku
t=pllmenghasilkan'
-, i(t,
-
ai,v)n,-r
:
o r=pd("
\-rn
.'.
E
=l
ltn,_,nl,l
I
ly,B,_,
\,=p-'t
)
,-.+*rBerdasarkan nilai
9
ini, maka nilai-nilai 6, , 6,-1 ,. . . , 0,-n dapat diperoleh melalui :6,
=y,
-9tB,_,
Selanjutnya dengan memisalkan :
v,:(yp*r_i,
yp+2_i>...,y"_rI ,wi
(Op*r_;,6p*z_j,...,6o_il,
n,:
(y,ryr-r,...,Yt*l-',6,,6,-r,...,6,*r-nI, x:(vrrvr,...evp:...,w11ril2r...,*n),
":
Xtoo
aan
a:XrX,
maka persamaan(3j)
dapat dituliskan menjadi :L(y,trSj
oc /n{p}d}a*{-;L*,,1- zy'n+*'"-]}
...
(3,3)Distribusi
prior
Berdasarkan fungsi likelihood pada persarnaan (3.3), diperoleh informasi Flslrerrmtuk parameter
r
yang disimbolkan de'ngan
(r)
sebagaiberil$t
1nD
Ln
L(y,r
IsJ:
;(o-p-q)Lnc-
]tZ,$
i=fll-2vrB+v'Ay
)
-9r'
rg,")=
|{r,
-
p-
d
j,,*,ri
-
2yrB
+yrAy
)CT
i:l
dF(Y)
=o
akandY
4*t*.r1:-!1o-p-q)"-',
I(t)
| 2u\u\L)'' a
CTL
l.
,
-)
t(n-P
-q)r
-Sehingga diperoleh Prior JefteY :
rr*o../I(Q : t-t
"""""'(3'4)
Distribusi posterior
Berdasarkan teorema Bayes, distribusi posterior bersama untuk pmameter
Y
dant
,diperoleh melalui perkalian antara p€rsamaan (3'3) dengan (3'4), yaitu :
E(Y,t I
S')
cc
L(Y,t
I
S")
x
ilr"o
"-P-'
*r{-
;[,i"]
-
2vrB+y'*]]
';,Y-'
*o{-l[*'o*-YrB-BrY+t-?
]]
(35)
Distribusi
prediktif
Dari persamaan (3.1), diperoleh densitas
tt:Tltt*lfu t-*T
^ lrl
f(y*r
I$,Y,t
):
(2rn-t)t
"
"*p.t
ilt
".'
-
L
$,y".,-,
-
|
e,e".t-,
I
i
n
r'''*r{-
;tr"-,
-
*'",
F}
karena[YtB,)t=VrArY,denganAr=B'BI'makadiperoleh:
(Y*,
Is-y,t
)n
"'''*t{-
;tt]*,
+v rA,Y -
2Y
rBJ
".,
}
(n rt''*pt-;hl*,
+Y'A'Y
-YrB,Yn+r
-*'3"v".,]}
(
*.1t,*n
t;t
]*,
+vrA,Y -YrB,v"*,
-B]v"'*]}
" """"""""'
(3'6)Distribusi prediktif Posterior
selanjutny4 dengan mengalikan p€rsamaan (3.5) dengan (3.6) yang mengacu pada chen
(lgyz)diperoleh pendekatan densias prediktif posterior b€rsyarat :
&o*,
r,-y,r) ..
,P-'
"*n{-
^rf
vrAY -
YrB
-
BrY +
I
*
-l}
,. .,.__
-
___-[
2L
,;i_
JJ""'
"*n.{-
}Ui-+.YrA,Y
-
Y'Bovo.,
-
"1r".,*4
n-(p+q)+l ,
6.^t
2.*r{-{
y'(A
+A,)y -
2Y'18+
Boyo*r)
-(B'
+Bly,.,)y
*
y1*,
-,tlt
]}
n-(p+qlrl ,
ccT
2"-{
{yrA'y-y'18+Boyo*r)-(B'
+Bfy,*,)y+
y3*
.,*lt
]}
dengan Aa:A+A1
Bentuk yang terakhir ini dapat diubah menjadi :
n-{p}qFl
I
fn(Y*1lSn
Y,t)ccr
2l'
t-(Y
- A;'B*
Boyo*,)r
Ao(Y
-
A;rB+
Boyo*r)
+y1.,
+ll
---'[
,L],rl
-(G+B,y,*,)'A;'(B+8,y"*,))
-JJ
'
Distribusi prediktif posterior marginal
Hasil peramalan satu langkah ke depan dari 4ata time series
$:
(yt, yz, . . . ,yJ ditulis9
"
(1)
v*g
merupakan nilai harapan bersyarat dari yo*1, yaitu :i,
(l)
:
E(Yo.,
I S,)
Hasil ini dipemleh
dengan:"""*"*Oan
densitas pada persamaan (3.7) terhadapY
dan t, yaitufn(Yo*,
ls,):
J
Jro(r,-,
ls.,Y,r)dYdr
0-on
-2p-q
+
ty",,
-
o
-
sla;'s"
)'
gJa;'e))3
IY?
-(BrcB)
t=p+l(n-2p-O0-nla;'e,;
dimam C
-
A;t
+ (1- nlA;'n"1-'A;tA,A;t
Berdasaxlen p€rsmaan (3.S) ini apat disimpulkan bahwa
:
\rr
lS"beraistribusi student-t univariat dengan derajat kebebasan n-2pq serta mempunyai modus :E(\"
I S, )=
0
-
B:A;'B"
)'BIa;'B
...
... (3.e)Hasil peramalan
-
Hasil peramalm rmtuk satu priode ke depan merupakan nilai ekspektasi dari distsr'busipredfttif
posterior
marginal-i,
0)
:
E(y"*r
I So )=
(l
-
n]a;'e,
;-'
nlR;'n
-(n-2p--q+l)
2
... (3.8)
Selanjutnya, karena
0
-B:A;rB")-'glA;t
=
(a'e,f
,maka persamaan(3.9)
masih dapat disederhanakan menjadi :i"0)
:
(A'B,)'u
...-... (3-10)4.
Penutup
Apabila diberikan sekumpulm data time series S"
:
(Yr, Yz, ..-,Yo) yang telah diidentifikasi bermodel ARMAft),q), maka estimasi Bayesian untuk menentukan hasil peramalan satu priode kedepan apabila digrmakan prior Jeftey dengan fungsi kerugian kuadratis adalah :
i"
o):
(A-'s"
I
s
dimana A
:
XrX,
X:
(v'v2,.
..,vp,
w1 I w2 :...,
*o
),
dengan",:(yo*r-,,Y
e+2-i,...>Yn*,I,*-
(60*,-i,60*r-3,---,6,-.,I,sedangkane,,
A,-r,...,C,-odrperolehvia6,
=y,
-9'8,-,,*
=[,*lu,-,ul,)]
n,
:
(y,, Yr-t,..',
Yr*t-o,6,,6,-,,'
",
0,*,-qI
danB:
Xrvo
f
Y,B.=,,
1=p+l
Aplikasi
Oata yang digunakan dalam paper
ini
adalah "angka inflasi nasional bulanan Indonesia dari Januari 2005 sampai Agustus 2011 benumber dari BPS sebanyak 80 dat4 pengerjaannya dibantu oleh perangkat lunak S-PLUS. [image:21.612.68.569.63.738.2]Plot data, ACF, PACF dan plot diapostic residual disajikan pada gambar berikut
Gambarl:plotdata
(a) Faliitor musiman dan kestasioneran
i'fi,iO"tr
g".U*
l,
tidak menunjukkan suafu pola yang\rylang
ullg
dalam s9l9-S waktu yang;"p,
l"t
ienginaitasil.u" uunr"u daratidak.."g*o*g
faktor. musiman' Plot ACF pada gambart,-li,irk
nemierlihatkan trend searah diagonala-i
muo
kekiri atau turun secara perlahan-lahaurio""gt^
oitui-*tui
autotoretasi nya cendrung turun nrenuju nol sesudah time lag kedua atauketigi
ini mengindikasikan bahwa data x, bersifat stasioner.(b) Idenfikasi dan seleksi
model
,
.- ,Nilai p dan q pada
-oi.ianrtaaO,q)
dapal ditentukan berdasarkan ACF dan PASF' Pada garnbar 2, plot ACF terputus** **
r
&n"lertentut< gelombang sinus.teredanr, ini mengidentifikasikan nilaiq=l.
Pada gambar 3, plot PACF terputus piauhg
t
aan9e1g*
gelombang sinus teredam' inimengidentifikasik*;iln:1.
Dari k"adaa" ini dapat diidentillasi bahwa model-model yang dapat dilominasikan adalah ARMA(I,0), ARMA(0'I) danARMA(I'l)'
(c) Estimasi Parameter.
[image:22.612.73.545.63.743.2]Dengan metode mutsimum lftelohoo4 diperoleh nilai estmasi setiap parameter dan nilai AIC dari masing-masing modseperti pada tabel berikut :
Gambar2:plotACF
Tehel3:Nild &AIC
Model
6
-e
AIC
ARMA(,I.0) 0.67778 96.70058
ARMA(a1) -0.51378 l18.96121
ARMA(/,1 0.93176 0.56909 92.0999s
ruvr!r\rrrl
"-a"-r* "*t
^a,erkecil,
model yang dipilih adalah model ARMA
(l,l)
dengannilai
$ 4-93176 dan0:0.56909
d)
Ilasil
peramalanl^angkah pertama adalah menentukan nilai 6,
:0
dari 60 data pertama pada tabel4 berikut : [image:22.612.86.530.71.276.2],
0,:yt
-
A.%l76Yt-r
-
0.56090
e,-, ,
0,Tabel4:Nilai 6,
t Yt t Yt I
Yr
I r.43 0.00000 21 0.38 0.17434 4t l.4l 1.35y22
2 -0.17 -t.50242 22 0.85 0-4a672 4? 2.46 0.37270
3 0.91 t.v234t 23 0_34 4-6v277 43 1.37 -1.13423
4 0.34 -1-60250 24 l.2l t-28745 44 0.51 -0.12103
5 4.21 0.80517 25 1.04 -0.82010 45 o.m 0-56368
6 0.50 -0.15388 26 0.62 0.1 1768 46 0.45 -0.77460.
7 0.78 0.40169 27 0-24 -0.40466 47 0.12 0.14152
8 0.55 -0.40537 28 -0.16 -0.15333 48 -0.04 -0.2323s
9 0.69 0.4aY22 29 0.10 0_33634 49
4.n
0.09950l0 0.70 4.17523 30 023
{-0tt58
50 0.21 0.21860ll
l.3r o.75749 3t o-72 a-fi676 5l 022 -0.10007t2 -0.40 -2.05169 32 0-75 -0.22633 52 -0.31 -0.45803
t3 1.36 2.90030 33 0,80 0.22998 53 0.M 0.58951
t4 0.58 -2.33772 34 0.79 -0.08629 54 0.1I 4.26276
l5 0.03 0.81995 35 0.18 -0.50698 55 0.45 0.49704
l6 0-05 -0^44458 36 l-10 1.22080 56 0.56 -0.14215
t7 0-37 0.57&2 37 1.77 0.0s032 57 1.05 0.6091I
l8 0.45
&-nzt9
38 0.65 -1.v2785 58 0.19 -1.13499l9
0.45 0.15750 39 0.95 o-92930 59 {.03 0.4388820 0.33 4-178y2 40 0.57 4.8,t403 60 0-33 0.10819
Langkah berikumya adalah menghitung hasil peramalan untuk satu priode ke depan dan estimator nayes
Q
=
(6,e)**
meilentukan6*
padatabel5 berikut:Tabel 5 : Hasi satu ke
k
Yeo*t
9**o(1)
r /r r\
Y
=
10,01 ek0 0-33 0.1081900
I
o-84anml&
$.7 06'24240. -O- I 00 l 8 l 30) 0_61777852 0.30 o-53625764 $.1ltv6v2.4-09997007) 4.2362s76
J -o.14 o.B6n67A f 0.7s705390- 4. I 0205 I 90) -o-3762267 4 0-15 -0.c6112329 (0.7031 0840. 4.0991 7394) 0-21I1233 5 0.29 0.08412665 (0.702781 80. 4. 10084450) 0.2058734 6 0-97 0-18339030 (0.7 0339 420, 4. I 0003260) 0.7866W7 7 1.57 0.610805,10 (0.70900039. 4.097 7 93M\ o.qJ24026
8 o:16 1"06861400 (0-73053212. -0.0867963) -0.3086135 9 0.44 o-57432t94 rc.t tv28645 - -0.089640 l7) -0.t343219
l0
0.(6 0.32695270 0.71622W4-4.08793975) 4-2669527ll
0.60 0-6579868 rc.1n8n
82. -0.08626852) 0.5342013t2 0.92 0.38085140 ( o.7 I 469639 - -0.08979093 ) 0-s391486
13 0.89 0.617ME20 $.7212M6f.. -0.08549942) o-27255t8 t4 0.13 0.623923q) $.7267 51t2. -0.0839642 1) -0-4939239
l5 -o.32 0.13453500 (0.71638928, 4.08382%7) -0.4545360
l6 o-31 {.r965850 rc.7n23549.4.07r27W3\ 0.5026585
l7 a_12 0.17896690
ft
.7 t u7 6242. -0.082301 37) -0.05896687l8 0.55 0.09014598 (0.7 I 050972. {.0&283995) 0.45985400
l9
o.fft 0.35310690 $.7 12127 83. -0.0E3 860 I 2) 0.31689310 20 0.93 0.45345520 (0.71551 140, -0.08184929) 0.47654480(e) Kelayakan dan ketepatan model peramalan
Untuk melihat kelayakan dan ketepafan hasil peramalan dilakukan dengan
696|6{ingkan
antara data faktual 6l-80 dengm hasil ramalanny4 dengan melihat karakterisbl dari residul pada gambar 4 serta nilai statistikQljung-Box
datr nilai MSE yang diperoleh dengan bantuan tabel 6 berftut : [image:23.612.75.559.64.654.2]K Yeo*t
,u
(l)
ek ekPr
pl
I
0.84 a.27n2t4A 0.6177786 0.381650399 0.1451 0_u21054012 0-30 0.536257& 4.2362576 0.0558r7654 4.4194 0.00630436
-t -{.14 0.?3622670 4.3762267 0.14r546530 -0.1569 0.u)461761 4 0.15 -a.a6t12329 0.21t1233 0.044573&r8 -0-0483 0.m233289 5 0.29 0.08412665 0-2058733 0.042383816 0.0489 0.w239121 6 0.9'l 0.18339030 0.7866W7 0.618754820 0.1330 0.01768900 7 l-57 0.61080540 0.9591946 0.E20054281 0.0566 0.00320356 8 0_76 1.06861400 -0.3086140 o.w5242601 -0.0986 4.w972t96 9 0_44 0.57432190 -0.1343219 0.018042373 -0.r693 0.m866249
l0
0.06 432695270 4.266952'] a-wn637M -0.1057 a.otttr249ll
0.60 0.06579868 0.5342013 0.285371029 0.1082 0.01170724t2 0.92 0.38085140 0.5391486 0.290581213 0.0215 o.M%6225 l3 0.89 0.617M820 0.272s5t8 4.0742U484 0.0286 0.00081796
l4
0.13 0.62392390 -0.4939239 0.243960819 4fl236 0.00055696l5 4.32 0.13453600 {.4545360 0.20602975 0.0268 0.00071824
l6 0.31 {.19265850 0-5026585 0.25265568 -0.0788 0.a06209M
t7 o-12 0.17896690 -0.0589669 0.003477095 4.427t 0.00073,141
l8 0.55 0.09014598 0.4598540 0.21t465701 -0.0171 0.w2y24t
t9 0.67 0.35310690 0.3168931 0.100421237 0.0360 0.00129600 20 0.93 0.45345520 0.4765M8 0.227094946 0.0000 0.00000000
[image:24.612.52.552.68.657.2]Iumlah
ESS= 4.28535,1000 Gambar 4 : ptot diagnostic residual Tabel 6 : Nilai60,
6i
,p*
a*
pi
Untuk dapat menyimpulkan apakah model
ARMA(l,l)
untuk data inflasi nasional sudah sesuai dan dianggap layak rmtuk dapat digunakan sebagai model masih perlu dilakukan pemeriksaan diagnostik. Gambar 4 menunjukkan ilustrasi karalteristft dari residual yang seffira visual dapatdilihat
bahwafimgsi
autokorelasinya secarasipifikan
tidak
berbeda dengannol.
Hasilperhitungan statistic Q-Ljung-Box
:
4.285354, Xz O.gS(fS):
28. 8693,q
.12O.lS
(t S), U"tutti model yang diperoleh sudah layak secara statishk pada tarafsipifikansi
SYo dengan ukuran keakuratan RMSE={.4628906.DaftarPustaka
Assis, IC, Aman, A md Rernali, Y. (2010)- Forecasting Cocoa Bean Prices Using Univariate Time Series Models. Jot'rt'at
'of
A*
&Comnerce- ISSN 22294686, VoI'- I, Issue-l,7130Bai4 L.J. and Engslhrd! M. (1992). Intrduction ro Profubility and Malenatical Statrstcs, 2d- DDdury Press'
Belmon! Califomia
Beryer, J. (ZUk).fne Case for Objective Bayesian Analysi s Interrutional fuiety Jor Baysion Anafuk I ,
nnbr
3'385-402.
Bemardo, J,M. (2011). Integrated Objective Bayesian Estimation and Hypothesis Testing' BoWsian Satistic 9, @ord
UniwrsitY Press, 1-68.
Box, G.E.p. and Jenkins, G. M. (19?6). Tine &ries Analysis : Forecastingand ControL Holden-Day, San Francisco.
Cheq C.W.S. O992). Bayesian'Irrfef*ot and Forecasting in Bilinear Time Series Models-Contmmity Statistics'Theory
MetMologt, 2I (6),1 72 5-I 743.
DeGroot, MJL <ZW>- ilptt
*t
Sratiglul &cisiotts- Jtu Witet & S@' Inc- N11 Y5eVFan, C- anrl yai, S.fjmgpal.*i- epgt"*tt for ARMA proi.ss atO lts Appli cldiitll,. Interrctionl htsitcss Reseoch
r(4),4e55.
Un, S.'f. if Sga).Jvfultiperiod Bayesian Forecasts forAR Models.lrm Inst. Statist. Math. Yol. 46, no- 3,429452'
r-iq S. r.ifgSii
C"dp.i*r offor"*tr
for AR Models BetweenA
Rmdom Coefficient Approach and A BayesianApproach. Comrmm Statist- - Tle ory Me th, 2 4 (2)' 3 I 9-3 i
j
Mdsen, H. epg). Tine Seritii*itit,Cnup.*oHutt. Informatics and Malhematical Modelling Technical University
of
Denmark-. Ramrchan&an" K-hr- ad Tsokos, C}. (20@). Mothematicol Statistics with Applications, Elsevier Academic Press- San
Dego, California