departemen statistika ipb, 2016 - adw/01 - adw s2... · b contoh kasus pemulusan rataan bergerak...
Post on 11-Oct-2019
6 Views
Preview:
TRANSCRIPT
1
Dr. Kusman Sadik, M.Si
Departemen Statistika IPB, 2016
2
Analisis Statistika (STK511)
2
3
Dr. Kusman Sadik, M.Si
Dr. I Made Sumertajaya, MS
Pika Silvianti, M.Si
3
4
Nama Mhs
PS (STT/STK)
Asal instansi
Pendidikan S1
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 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
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
/praktikum : maksimum 15 menit.
8
9
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.
9
10
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.
Catatan Kuliah
10
11 11
Bisa di-download di
http://www.stat.ipb.ac.id/en/index.php?page=dr-kusman-sadik
12 12
13 13
14 14
15 15
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 MSE, MAPE,
MSD, AIC, dan BIC
16 16
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
17 17
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)
18 18
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
19 19
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)
20 20
21
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.
21
22
1. Cross-section Data
2. Time-series Data
3. Panel Data
22
23
Terdiri dari beberapa objek data pada suatu waktu
terntentu. Misalnya data penduduk dan pendapatan
perkapita tingkat kabupaten pada tahun 2015.
23
Kabupaten Jlh Penduduk
(juta)
Rataan pendapatan
perkapita (ribu Rp/bulan)
A 1.2 750
B 0.7 1,345
C 4.3 436
24
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:
24
Tahun Jlh Penduduk (juta)
2013 0.71
2014 0.92
2015 1.20
25
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. .
25
Kabupaten Tahun Jlh Penduduk (juta)
A 2014 0.92
A 2015 1.20
B 2014 0.56
B 2015 0.70
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
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.
28
29
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.
29
30
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.
30
31 31
Bisa di-download di
http://www.stat.ipb.ac.id/en/index.php?page=dr-kusman-sadik
32 32
top related