Pendahuluan(Kontrak Perkuliahan dan Pengantar)

Dr. Kusman Sadik, M.Si

Sekolah Pascasarjana Departemen Statistika IPB

Semester Genap 2018/2019

2

3

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.

Menjelaskan metode pemodelan untuk data deret waktu

yang mempunyai faktor musiman (seasonally),

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

Serta pemodelan ragam (ARCH dan GARCH), pemodelan

data deret waktu dua peubah (fungsi transfer) dan

pemodelan data deret waktu banyak peubah (VAR).

4

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).

5

Analisis Statistika (STK511)

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 (35-45%), UAS (35-45%),

Tugas/PR/Quiz (10-30%)

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

1. HP harus di-silent, menjawab pesan dan menerima telpon

bisa dilakukan di luar ruang kuliah.

2. Mahasiswa tidak menghidupkan laptop dan peralatan

elektronik lainnya saat perkuliahan.

3. Selama sesi kuliah, mahasiswa hanya menggunakan

sarana buku dan catatan.

4. Laptop hanya digunakan pada sesi praktikum.

5. Mahasiswa yang merasa kurang sehat, dapat minta ijin

untuk tidak ikut perkuliahan.

10

Dr. Kusman Sadik, M.Si

Dr. Farit M Affendi, M.Si

Akbar Rizki, M.Si

Pika Silvianti, M.Si

11

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

12

Bisa di-download di

kusmansadik.wordpress.com

13

Prioritas Utama

o Program R

Prioritas Tambahan

o SAS

o Minitab

14

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

15

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

16

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)

17

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

18

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)

19

20

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

1. Cross-section Data

2. Time-series Data

3. Panel Data

22

Terdiri dari beberapa objek data pada satu waktu

terntentu. Misalnya data penduduk dan pendapatan

perkapita tingkat kabupaten pada tahun 2018.

Kabupaten Jlh Penduduk

(juta)

Rataan pendapatan

perkapita (ribu Rp/bulan)

A 1.2 750

B 0.7 1,345

C 4.3 436

23

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)

2016 0.71

2017 0.92

2018 1.20

24

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 2017 0.92

A 2018 1.20

B 2017 0.56

B 2018 0.70

25

Jenis Data Objek Waktu

Cross-section Data Banyak Satu

Time-series Data Satu Banyak

Panel Data Banyak Banyak

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. .

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.

28

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

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

Time series merupakan salah satu topik riset yang sangat

kaya pengembangan dan penerapannya.

Setiap bulan banyak artikel dengan topik time-series yang

terbit di jurnal internasional bereputasi.

Bahkan ada beberapa jurnal bereputasi internasional yang

mengkhususkan topiknya pada time-series.

Hal ini sangat berguna bagi mahasiswa sebagai rujukan

ketika melakukan penelitian dan membuat karya tulis ilmiah.

32

https://onlinelibrary.wiley.com/journal/14679892

33

34

35