ANALISIS DERET WAKTU Abdul Kudus, SSi., MSi., PhD.

Slides:



Advertisements
Presentasi serupa
ANALISIS DERET WAKTU Abdul Kudus, SSi., MSi., PhD.
Advertisements

Abdul Kudus, SSi., MSi., PhD. Selasa, – di R313
Analisis Data Berkala A. PENDAHUlUAN
ANALISIS REGRESI (REGRESSION ANALYSIS)
TIME SERIES DAN STASIONERITAS
(Guru Besar pada Fakultas Ekonomi dan Manajemen
Desain dan Analisis Eksperimen Abdul Kudus, Ph.D. blog: abdulkudus.staff.unisba.ac.id.
Operations Management
Metode Peramalan (Forecasting Method)
BAB II VARIABEL ACAK DAN NILAI HARAPAN.
METODE PERAMALAN KUANTITATIF
KONSEP DAN PEMODELAN ARIMA (AUTOREGRESSIVE INTEGRATED MOVING AVERAGE)
Regresi dengan Autokorelasi Pada Error
ESTIMASI.
Statistika Multivariat
PEMBAHASAN Hasil SPSS 21.
BAB XIII REGRESI BERGANDA.
1 UKURAN SAMPEL 2 (dalam probability sampling) Dengan mempertimbangkan: Akurasi, Praktis, dan Efisiensi Penentuan besaran sample (n):
PENARIKAN SAMPEL & PENDUGAAN PARAMETER
(Guru Besar pada Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor) Lektor pada Fakultas Ekonomi Universitas Jambi © Bambang Juanda & Junaidi: Ekonometrika.
Pertemuan Dekomposisi Census II
1 SAMPLING ACAK STRATIFIKASI. 2 Populasi berukuran N dikelompokkan menjadi L strata : Sampel berukuran n dan setiap strata akan terpilih subsample berukuran.
SAMPLING ACAK STRATIFIKASI
RANK FULL MODEL (VARIANCE ESTIMATION)
Forecasting.
Pertemuan 3-4 Rata-rata bergerak (moving average)
Desain dan Analisis Eksperimen Abdul Kudus, PhD.
Desy Putma H.(M ) Gunawan Prabowo(M ) Luk Luk Alfiana(M ) Nur Indah(M ) Tatik Dwi Lestari(M ) Anggota kelompok 5 :
K O N S E P D A S A R A N A L I S I S R E G R E S I
Regresi Linear Dua Variabel
PENAKSIRAN PARAMETER Statistika digunakan untuk menyimpulkan popoulasi yaitu: Secara sampling (pengukuran pada sampel) Secara sensus ( pengukuran dilakukan.
Bio Statistika Jurusan Biologi 2014
Ekonometrika Lanjutan
PROYEKSI BISNIS MENGGUNAKAN METODE KUANTITATIF
TAHAP-TAHAP PERAMALAN
SAMPLING GANDA PENDUGAAN PARAMETER PEUBAH LATEN KEMISKINAN RELATIF.
Program Studi Statistika, semester Ganjil 2015/2016
Abdul Kudus, SSi., MSi., PhD. Jumat, – 18.10
PERAMALAN DENGAN METODE SMOOTHING
SAMPLING CLUSTER TIGA TAHAP
Abdul Kudus, SSi., MSi., PhD. Jumat, – 18.10
Abdul Kudus, SSi., MSi., PhD. Selasa, – di R313
Operations Management
ANALISIS DERET BERKALA dengan METODE SEMI AVERAGE
STATISTIK 1 Pertemuan 11: Deret Berkala dan Peramalan (Analisis Trend)
ESTIMASI.
M. Double Moving Average
MANOVA (Multivariate Analysis of Variance)
Abdul Kudus, SSi., MSi., PhD. Selasa, – di R313
KRITERIA MEMILIH TREND
SAMPLING ACAK SEDERHANA
Pertemuan Metodologi analisis
ANALISIS DERET WAKTU Abdul Kudus, SSi., MSi., PhD.
Pengujian Asumsi OLS Aurokorelasi
BAB 7 TIME SERIES ANALYSIS Dalam peramalan, biasanya orang akan mendasarkan diri pada pola atau tingkah laku data pada masa-masa lampau. Data yang dikumpulkan.
Statistika Multivariat
STATISTIK BISNIS Pertemuan 6: Deret Berkala dan Peramalan (Analisis Trend) Dosen Pengampu MK: Evellin Lusiana, S.Si, M.Si.
Asumsi Non Autokorelasi galat
Kovarian & Korelasi Eko Setiawan, ST..
ANALISIS REGRESI DAN KORELASI
Metode Penaksiran Nisbah dan Regresi
FORECASTING.
Taksiran Ukuran Sampel (Untuk Proporsi)
BAB 6 analisis runtut waktu
METODE PERAMALAN UNTUK MANAJEMEN
06 Analisis Trend Analisis deret berkala dan peramalan
Analisis Deret Waktu Wahyu Dwi Lesmono Mungkin Terakhir.
y x TEKNIK RAMALAN DAN ANALISIS REGRESI
STATISTIK 1 Pertemuan 13: Deret Berkala dan Peramalan (Analisis Trend)
ARIMA ( A UTOREGRESSSIVE I NTEGRATED M OVING A VERAGE ) By : Nurhayati Sitorus
Transcript presentasi:

ANALISIS DERET WAKTU Abdul Kudus, SSi., MSi., PhD. Selasa, 15.00 – 17.30 di R313 IO 12.20 – 14.50 di 206 Senin, 11.30 – 14.00 di 307B IO tambahan 10.00 – 12.30 di FMIPA

DEKOMPOSISI Notasi Data deret waktu dengan panjang pengamatan n atau cukup , jika panjang pengamatan sudah jelas. Rata-rata sampel Prediksi atau ramalan adalah ramalan yang dibuat pada waktu t untuk nilai ramalan pada waktu t+k

Model Dekomposisi aditif mt : trend st : efek musiman zt : error Jika efek musiman cenderung meningkat seiring peningkatan trend, model yang tepat adalah model multiplikatif (perkalian): Model aditif dalam log

Menaksir Trend dan Efek Musiman Menaksir trend mt pada waktu t dapat dilakukan dengan menghitung rata-rata bergerak (moving average) yang berpusat di t. Misal untuk data bulanan (periode 1 tahun atau 12 bulan) Taksiran efek aditif bulanan (musiman) Jika efek bulanannya multiplikatif Lalu ini dirata-ratakan utk bulan tertentu (misal Januari), sehingga kita dapatkan taksiran tunggal efek bulan tersebut (misal Januari). Adapun komponen random (residu) adalah

Membuat Dekomposisi dalam R (decompose) Contoh data LISTRIK. plot(decompose(Elec.ts)) Error-nya masih jelek (tidak acak)

Coba model Multiplikatif Elec.decom <- decompose(Elec.ts, type = "mult") plot(Elec.decom) Variasi errornya meningkat utk nilai trend yg besar

Trend <- Elec.decom$trend Seasonal <- Elec.decom$seasonal ts.plot(cbind(Elec.ts,Trend, Trend * Seasonal), col = 2:4) Data asli Taksiran Trend Taksiran Model

deadline Senin 17 Okt pukul 23.59 TUGAS: Bagian 1.7 Latihan No. 1 halaman 24 E-mail: akudus69@yahoo.com deadline Senin 17 Okt pukul 23.59

KORELASI Setelah kita lakukan dekomposisi, maka komponen random TIDAK PERLU dimodelkan dengan variabel acak yang bebas. Seringkali komponen random ini berkorelasi. Jika kita bisa mengidentifikasi korelasi tsb  Ramalan akan lebih baik Struktur korelasi dari data deret waktu dimodelkan oleh fungsi korelasi. E(x) = rata-rata populasi dari x, yaitu  = rata-rata populasi dari simpangan di sekitar , yang disebut dengan varians 2 = kovarians Kovarians merupakan ukuran hubungan linier antara dua variabel x dan y. Kovarians sampel adalah dalam R dihitung dengan cov

> www <- "http://www.massey.ac.nz/~pscowper/ts/Herald.dat" > Herald.dat <- read.table(www, header = T) > attach (Herald.dat) > x <- CO; y <- Benzoa; n <- length(x) > sum((x - mean(x))*(y - mean(y))) / (n - 1) [1] 5.511042 > mean((x - mean(x)) * (y - mean(y))) [1] 5.166602 > cov(x, y)

Penaksir yang bias Tidak spt kovarians yang mempunyai satuan, maka korelasi tidak mempunyai satuan (dimensionless) Korelasi sampel: dalam R menggunakan perintah cor > cov(x,y) / (sd(x)*sd(y)) [1] 0.3550973 > cor(x,y)

Ke-STASIONER-an Fungsi Varians Fungsi rata-rata populasi dari model deret waktu: Jika fungsi ini konstan, (t) = , maka model deret waktu tersebut adalah stasioner dalam rata-ratanya. Taksiran sampelnya: Fungsi Varians Fungsi varians bagi model deret waktu yg stasioner dalam rata-ratanya adalah: Jika fungsi ini konstan, 2(t) = 2, maka model deret waktu tersebut adalah stasioner dalam variansnya. Taksiran sampelnya:

Autokorelasi Dalam analisis deret waktu yang memegang peranan penting adalah: 1) rata-rata, 2) varians dan 3) korelasi serial (autokorelasi) Bagi model deret waktu yang stasioner dalam rata-rata dan varians, antar pengamatan mungkin berkorelasi dan ia dikatakan stasioner berderajat dua (second-order stationarity), jika autokorelasinya hanya tergantung dari selisih lag-nya. Jika deret waktu bersifat stasioner berderajat dua, maka fungsi autokovarians (autocovariance = acvf), k, didefinisikan sbg: tidak tergantung dari t Fungsi autokorelasi (acf) lag k, k, adalah Selanjutnya istilah stasioner berderajat dua cukup disebut “stasioner” saja.

Taksiran sampel bagi: 1. acvf adalah ck, yaitu: Keterangan: penyebutnya adalah n, meskipun banyaknya pasangan yang terlibat dalam penghitungan ada sebanyak n  k 2. acf adalah rk, yaitu: varians

Contoh: > www <- "http://www.massey.ac.nz/~pscowper/ts/wave.dat" > wave.dat <- read.table (www, header=T) > attach(wave.dat) > layout(1:2) > plot(ts(waveht)) > plot(ts(waveht[1:60]))

> plot(waveht[1:395],waveht[2:396]) > abline(h=0) > abline(v=0)

Dalam R, nilai autokorelasi dan autokovarians dihitung dgn perintah acf. > acf(waveht)$acf [,1] [1,] 1.000000000 [2,] 0.470256396 [3,] -0.262911528 [4,] -0.498917020 [5,] -0.378706643 [6,] -0.214992933 [7,] -0.037917306 [8,] 0.177644329 [9,] 0.269315275 [10,] 0.130385337 dst r1 r2 r3 r4 r5 r6 r7 r8 r9

> acf(waveht,type = c("covariance"))$acf [,1] [1,] 70872.8002 [2,] 33328.3876 [3,] -18633.2762 [4,] -35359.6463 [5,] -26840.0002 [6,] -15237.1512 [7,] -2687.3057 [8,] 12590.1510 [9,] 19087.1277 [10,] 9240.7739 dst... c0 = varians c1 c2 c3 c4 c5 c6 c7 c8 c9

Korelogram Hasil utama dari perintah acf sebenarnya adalah plot dari rk versus k, yang disebut korelogram. > acf(waveht) Jika k = 0, distribusi sampling dari rk akan mendekati Sehingga konfiden interval-nya yaitu Jadi jika terdapat nilai rk yang di luar batas, maka artinya nilai autokorelasinya signifikan (k  0)