Matakuliah Tahun Versi : I0224/Analisis Deret Waktu : 2007 : revisi Pertemuan 25-26 Pemeriksaan model 1 Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : • Memilih model yang sesuai dengan data deret waktu 2 Outline materi • Pemeriksaan diagnostik • Pola nilai sisa • Statistik penarikan contoh 3 Pemeriksaan • Terdapat dua cara: – Mempelajari nilai sisa untuk melihat apakah masih tedapat beberapa pola yang belum diperhitungkan – Mempelajari statistik sampling dari pemecahan optimum untk melihat apakah model tersebut masih dapat disederhanakan 4 Nilai sisaan • Nilai sisa yang tertinggal diharapkan hanya merupakan gangguan acak • Oleh karena itu nilai sisa harus: – Tidak ada autokorelasi – Tidak ada autokorelasi parsial 5 Pemeriksaan galat (sisa) • Secara visual dapat pula dibuat plot anatar periode pengamatan dengan nilai sisaan yang merupakan selisih nilai pengamatan dengan nilai ramalan 6 • Keacakan galat dapat diuji secara statistik dengan uji Durin Watson n e e t 1 t D W i 2 n e t t 1 et = nilai galat pada periode ke-t 7 Statistik penarikan contoh • Asumsi yang mendasari model umum ARIMA, memberikan beberapa angka statistik • Untuk setiap koefisien akan terdapat nilai simpangan baku untuk masing-masing • Seluruh koefisien dikur bersama-sama maka akan terdapat sebaran penarikan contoh dari koefisien tersebut 8 • Misalkan nilai koefisien terbaik hasil dugaan sbagai berikut: • θ1= 0.862 dan simpangan baku=0.049 • Dengan asumsi memiliki sebaran normal, maka selang kepercayaan 95% bagi θ1 dapat diperoleh θ1± 1.96 x simpangan baku • Parameter tersebut berbeda dari nol 9 Skema pemilihan model Tahap identifikasi Tahap penaksiran Tahap penerapan 10 Tahap identifikasi - Rumuskan kelompok model yang umum - Penetapan model untuk sementara 11 Tahap penaksiran dan pengujian: Penaksiran parameter model Pemeriksaan diagnosis Jika kurang memadai kembali ke penetapan model 12 Tahap penerapan Gunakan untuk peramalan setelah model mengalami pengujian terhadap ketepatan model ramalan 13 Penaksiran model • Kumpulkan data deret waktu, makin banyak periode semakin baik (Dalam model Box-Jenkins perlu data yang relatif banyak) • Gunakansebagian dataa tersebut (periode-periode awal) untuk penaksiran parameter dari model peramalan 14 Pengujian model • Dari data deret waktu yang diperoleh tersebut, setelah sebagian digunakan untuk penaksiran parameter maka sisanya untuk pengujian • Pengujian model peramalan dilihat berdasarkan nilai sisa (galat) dari setiap periode ata yang digunakan • Diharapkan nilai galat tidak memiliki pola tertentu 15 • Model ARIMA merupakan model yang powerful dalam peramalan • Model memiliki keterbatasan • Umumnya paling sedikit harus memiliki data historis sebanyak 50 periode, an lebih baik 100 periode pengamatan • Umumnya agak sulit mendapatkan data historis 50100 periode bagi data bisnis 16 • ARIMA tidak tidak memperbarui parameter model jika ada pengamatan yang baru • Sehingga ada asumsi pada masa atang memiliki pola yang sama dengan pola masa lalu 17
© Copyright 2024 Paperzz
