ANALISIS DERET BERKALA

MULTIVARIAT
KELOMPOK 5 :
1. CHRISTIEN ROZALI
2010100019
2. DELLIANA N E
2010100005
3. MONICA M
2010100036
4. MUJADILAH M
2010100045
5. TRI WULANDARI
2010100034
6. YOHANES
2010100044

PENGANTAR
Model ARIMA di kelompok-kelompok sebelumnya membicarakan deret
berkala tunggal yaitu model-model univariat. Pada pembahasan kelompok kita
ini kita memeperluas pembahasan untuk deret berkala berganda (multiple)yaitu untuk model-model multivariat. Disini kita akan menggunakan bahasa
khusus dari metodologi fungsi transfer (adakalanya disebut Multivariat
ARIMA- atau MARIMA). Karena model multivariat (fungsi transfer)
menggabungkan beberapa karakteristik dari model-model ARIMA univariat
dan beberapa karakteristik analisis regresi berganda, maka apa yang kita
bicarakan sebenarnya adalah suatu metode yang mencampurkan pendekatan
deret berkala dengan pendekatan kausal. Untuk memudahkan penyampaian
Metode ini dibagi dalam 4 tahap utama, yaitu Identifikasi, Penaksiran
(estimasi), Pengujian Diognostik dan Peramalan serta berbagai Sub tahap
didalamnya.

Tinjauan Umum Mengenai Dasar dasar

Pemodelan fungsi Transfer
Konsep Fungsi Transfer
Kunci untuk memahami metodologi fungsi transfer di dapat dari perasaan
inuisi tentang apa itu fungsi transfer. Contoh sederhana untuk memahami
konsep fungsi transfer: Pada 20 hari berturut turut, anda menyerahkan
seberkas surat kekantor pos untuk dikirim, sistem kantor pos akan
menyampaikan surat-surat tersebut beberapa hari berikutnya. Kita misalkan,
jumlah surat yang dikirim pada hari t adalah Xt dan jumlah surat yang
diantarkan dalam hari t adalah Yt. Pertanyaan nya sekarang adalah adakah
hubungan antara Yt dan Xt? Sangat jelas, pasti terdapat. Namun demikian,
apabila kita lakukan hal yang biasa dan memplot Y pada X, kelihatannya tidak
ada hubungan antara Y dan X. Regresi sederhana Y pada X tidak akan
menolong. Alasannya, nilai Xt didistribusikan secara dinamis, melalu periodeperiode waktu yang akan datang menurut apa yang dikenal sebagai fungsi
transfer .

Nilai v0 sampai v5 disebut bobot respons impuls (impulse response weight atau
bobot fungsi transfer). Fungsi transfer itu sendiri dapat ditulis sebagai berikut:
Yt = voXt + v1Xt-1 + v2Xt-2 + ... + v5Xt-5
= (vo + v1B + v2B + ... + v5B)Xt
= v(B)Xt.
Dimana v(B) adalah fungsi transfer.
Bentuk Dasar Model Fungsi Transfer
Model fungsi transfer bivariat ditulis dalam dua bentuk umum. Bentuk
pertama adalah sebagai berikut:
Yt = v(B)Xt + Nt
Dimana: Yt = deret output (misalnya, penjualan)
Xt = deret input (misalnya, biaya iklan)
Nt = pengaruh kombinasi dari seluruh faktor yang
mempengaruhi Yt (disebut gangguan), dan
v(B)
= (vo + v1B + v2B + ... + vkB), dimana k adalah orde fungsi
transfer.

Deret input dan output harus ditransformasikan dengan tepat (untuk

mengatasi ragam yang nonstasioner), dibedakan (untuk mengatakan nilai
tengah yang nonstasioner) dan mungkin perlu dihilangkan unsur musimannya
(deseasionalized) (untuk menyederhanakan model fungsi transfer). Orde dari
fungsi transfer adalah k (menjadi orde tertinggi untuk proses pembedaan) dan
kadang-kadang dapat lebih besar. Karena alasan-alasan ini, model fungsi
transfer juga ditulis sebagai berikut:
atau
dimana:
(B)
= 0 1B 2B ... sB,
(B)
= 1 1B 2B ... rB,
(B)
= 1 1B 2B ... qBq,
(B)
= 1 1B 2B ... pB ,
= nilai Yt yang telah ditransformasikan dan dibedakan
= nilai Xt yang telah ditransformasikan dan dibedakan
= nilai gangguan acak
r, s, p, q, dan b konstanta

Apabila model tersebut telah diidentifikasikan, dan seluruh

parameter telah ditaksir (diestimasi), maka versi peramalan dari
persamaan tersebut perlu segera ditetapkan. Apabila persamaan
seluruhnya dikalikan dengan (B) dan (B), kita dapatkan:

Berbagai macam operator yang berbeda kemudian bersamasama dikalikan, suku-suku dikumpulkan dan seluruh suku,kecuali Yt
dipindahkan ke sebelah kanan persamaan:

Tahap Pembentukan Model Fungsi Transfer

Tahap 1 : Identifikasi bentuk model
1-1 : Mempersiapkan deret input dan output
Model ARIMA memperbolehkan pembedaan suatu deret berkala sehingga
proses AR dan MA dapat didefinisikan sebagai data yang stasioner. Apabila
data mentah tidak stationer, maka biasanya data tersebut dibedakan terlebih
dahulu untuk menghilangkan ketidaksioneran.

1-2 : Pemutihan deret input (Xt)

Mengubah deret input menjadi deret output akan membuat kita lebih mudah
memahami fungsi transfer dari suatu sistem. Pemutihan adalah
menghilangkan seluruh pola yang diketahui supayayang tertinggal hanyalah
white noise.
maka

1-3 : Pemutihan deret output(Yt)

Fungsi transfer yang kita coba tetapkan adalah memetakan xt dan yt. Apabila
kita menarik nilai-nilai dengan penarikan contoh acak independen yang
sederhana dari distribusi probabilitas yang tetap, maka deret yang dihasilkan
biasa disebut : white noise.

1-4 : Perhitungan korelasi-silang (cross corelation) dan

autokorelasi untuk deret input dan output yang telah
diputihkan
Didalam memodelkan ARIMA univariat koefisien autokorelasi
merupakan statistik kunci didalam membantu menetapkan bentuk
model. Dalam memodelkan MARIMA bivariat ( fungsi transfer),
autokorelasi memrankan peranan kedua untuk koefisien korelasi-silang.
Kovarian antara dua variabel X dan Y, kita dapat menetapkan kavarians
silang CXY(k) dan CYX(k), sebagai berikut:

kesalahan standart dari

di mana k= 0,1,2,3,...dan seterusnya
dimana dan adalah rata-rata dari deret X dan Y dan k =
0,1,2,3,...

1-5 : Penaksiran langsung bobot respons impuls

Rumus penaksiran langsung bobot respons adalah :

Dimana t adalah gangguan yang ditransformasikan, yang diperkirakan

berhubungan dengan deret t. Jika kedua sisi persamaan dikalikan dengan
t-k dan diambil nilai ekspektasinya,maka kita peroleh:

( dan diasumsikan bebas), dengan mensubstitusikan nilai sampel dan

menyusun kembali suku-sukunya, akan diperoleh:

1-6 : Penetapan (r,s,b) untuk model fungsi transfer

Yang menghubungkan deret input dan output.tiga para meter kunci didalam
model fungsi transfer adalah (r,s,b), dimana r menunjukkan derajat fungsi (B), s
menunjukkan derajat fungsi (B), dan b menunjukkan keterlambatan yang dicatat
pada subskrip dari Xt-h.

kita akan mendapatkan hubungan sebagai berikut:

Pertama, nilai b menyatakan bahwa y tidak dipengaruhi oleh nilai x, sampai

periode t+b, atau

1-7 : Penaksiran awal deret gangguan (nt) dan penghitungan

autokorelasi, parsial dan spektrum garis untuk deret ini
pada tahap 1-5 , bobot u diukur secara langsung dan ini
memungkinkan dilakukannya penghitungan nilai taksiran pendahuluan
dari deret gangguan nt. Karena :
,maka

1-8 : Penetapan (pn,qn) untuk model ARIMA (pn,o,qn) dari deret

gangguan (nt)
untuk mengukut deret gangguan, kemudian nilai-nilai nt dianalisis
dengan cara ARIMA biasa untuk menemukan apakah model ARIMA
(pn,0,qn) yang tepat untuk menjelaskan mereka. Autokorelasi,
autokorelasi parsial dan spektrum garis ditetapkan dan selanjutnya nilai
pn dan qn autoregresif dan proses rata-rata bergerak, berturutturut,dipilih. Dengan fungsi n(B) dan n(B)untuk deret gangguan nt
diperoleh untuk mendapatkan :

Tahap 2 : Penaksiran parameter-parameter model fungsi transfer

2-1 : Taksiran awal nilai parameter
2-2 : Taksiran akhir parameter
Tahap 3 : Uji diagsnosis model fungsi transfer
3-1 : perhitungan autokorelasi unuk nilai sisa model (r,s,b) yang
menghubungkan deret input dan output.
3-2 : Perhitungan korelasi silang antara nilai sisa yang disebutkan dalam 3-1
dengan deret gangguan yang telah diputihkan.
Tahap 4 : Penggunaan model fungsi transfer untuk peramalan
4-1 : Permalan nilai-nilai yang akan datang dengan menggunakan model fungsi
transfer.

Beberapa Contoh Ilustratif Model Fungsi

Transfer

Bidang teknik (mesin-mesin, reaktor nuklir, dsb)

Bidang ekonomi manajerial (harga bursa saham)

Dimana
Yt = perbedaan pertama dari index S&P 500 yang dilogkan
xt = perbedaan pertama dari leadingcomposite index yang
dilogkan
nt = komponen gangguan (noise)

IDENTIFIKASI MODEL FUNGSI

TRANSFER
Data

pada tabel 10-5 akan

digunakan untuk mengilustrasikan
proses lengkap analisis fungsi
transfer
Model fungsi transfer (TF) yang akan
kita pelajari untuk pengamatan
adalah:

Tabel 10-5. PENGELUARAN UNTUK IKLAN (DALAM $1000) DAN

TOTAL PENJUALAN
(DALAM 1000 KASUS) SELAMA PERIODE 20 BULAN

Tabel 10-6. PERBEDAAN PERTAMA DERET INPUT (IKLAN) DAN DERET

OUTPUT
(PENJUALAN) (LIHAT TABEL 10-5 UNTUK DATA MENTAHNYA)

Tabel 10-7. DERET INPUT (t) DAN DERET OUTPUT (t) YANG
DIPUTIHKAN (DISESUAIKAN) UNTUK CONTOH IKLAN PENJUALAN

Penaksiran Parameter-parameter Model

Model

fungsi transfer yang telah ditentukan

secara tentatif adalah:

Yang dapat ditulis sebagai :

Pada saat ini kita perlu menaksir parameterparameter

Pemeriksaan Diagnostik pada model

Adalah suatu hal biasa dalam pemodelan ARIMA untuk mengindentifikasi

lebih dari satu bentuk model, memperkirakan parameter pada setiap model,
dan kemudian mengerjakan pemeriksaan diagnostik yang hati-hati untuk
menguji validitas model.
Dengan pengembangan dan pengaturan kembali, kita dapat mengekspresikan
sebagai sebuah fungsi dari bermacam-macam nilai y, nilai x dan nilai
sebelumnya. Dalam keadaan khusus, persamaan untuk contoh yng kita
kerjakan adalah :

ANALISIS NILAI SISA ( RESIDU) :

AUTOKORELASI

Autokorelasi hanya memperlihatkan sebagian kecil dari suatu pola. Begitu

juga autokorelasi parsial mendukung pernyataan bahwa deret pad hakekatnya
merupakan noise acak walaupun terdapat satu parsial. Untuk deret
stasioneritas ARIMA formulanya adalah sebagai berikut :
Di mana

n = jumlah pengamatan
m = waktu tunda terbesar yang diperhatikan
r(k) = aotokorelasi untuk waktu tunda k
df = derajat bebas = m p - q

ANALISIS NILAI SISA : KORELASISILANG

Untuk
menguji kesimpulan ini secara formal, kita
menggunakan uji Box Pierce. Formula yang sesuai
untuk uji keterpautan , adalah sebagai berikut :
Dimana (r,s) = parameter model TF (fungsi
transfer)
m = lag maksimum
= nilai maksimum (s + b + ) dan (),
dimana ialah jumlah parameter AR
pada model ARIMA dengan deret input

Peramalan Menggunakan Model-model

Fungsi Transfer
Peramalan
Versi Model Fungsi Transfer

Untuk mendapatkan peramalan model fungsi transfer

Model model Multivariat yang Lain

Model fungsi transfer multivariat memerlukan sejumlah besar
pehitungan melalui berbagai tahap identifikasi, penaksiran,
memeriksaan, diagnostik, dan akhirnya peramalan. Para peramal
yang menggunakan model ARIMA dan MARIMA tidak boleh
jatuh dalam perangkap yang sama dengan yang dialami para ahli
ekonometrika. Dalam model ARIMA Box-Jenkins yang nyata
dan modelmodel fungsi transfer bivariat, para pembaca harus
memperlajari pustaka untuk studi aplikasi yang baik dan
menimbang keuntungan dan kerugian . Dua model multivariat
yaitu analisis intervensi dan filter Kalman.

1. Analisis Intervensi

Analisis intervensi merupakan pengembangan dari konsep MARIMA.

Analisis ini dimaksudkan untuk penentuan jenis respons variabel tak bebas
yang akan muncul akibat perubahan bertahap pada variabel bebas.
Tujuan analisis intervensi adalah untukmenentukan model yang sesuai
dengan model fungsi tansfer dan taksiran parameternya. Jika pemeriksaan
diagnostik pada nilai sisa model intervensi tidak menunjukan pola tertentu,
berarti model yang diidentifikasi cukup memadai dan efek intervensinya
sama seperti yang dipostulatkan. Jika tidak,hams dispesifikasimodel respons
intervensi baru.
Persamaan disederhanakan menjadi berbentuk penjumlahan untuk
menunjukan model tersebut seperti :
Pada persamaan ini beberapa atau mungkin semua deret input , j= 1,2,
3,..., dapat menjadi deret indikator, yaitu variabelvariabel dikotomi.

2. Filter Kalman
Model peramalan dapat diklasifikasikan menjadi dua kategori :
Model-model tetap yang memiliki parameter tetap dan ragam tetap dan
Modelmodel tetap dengan parameter dan keragaman berubah-ubah.
Kategori pertama meliputi semua metode peramalan yang telah dibahas
dengan pengecualian pemulusan-eksponesial dengan tingkat respons-adaptif
(adaptive-response rate exponential smoothing). Model tetap dengan
parameter yang tetap membutuhkankestasioneran nilai tengah dan varian pada
seluruh selang pengamatan.
Kategori kedua tersebut tidak sebaik Filter Kalman, yang dapat berhubungan
dengan model-model variabel, parameter variabel, dan keragaman variabel
secara simultan.
Filter Kalman adalah pendekatan yang paling umum terhadap panaksiran dan
pendugaan statistik. Kesulitan dalam filter kalman adalah banyak pertanyaan
teknis yang belum terjawab dengan memuaskan. Pendekatannya sendiri telah
tumbuh keluar dari bidang keteknikan. Akibatnya, banyak ahli statistik dan
penelitian operasi yang mengetahui sedikit-sedikit atau mengalami kesulitan
dalam memahaminya, karena ia paling sering dinyatakan dalam notasi state
space .

Tujuan filter Kalman adalah untuk mengkombinasikan kedua informasi untuk

memperoleh penaksiran yang diperbaiki. Hal ini sama dengan pendekatan Bayes
yang mengkombinasikan informasi prior dan penarikan contoh.
Untuk menggambarkan filter Kalman, pertama kali akan diuji sebuah kasus
univariatyang sederhana, kemudian akan digambarkan pengembangannya
menjadi data multivatiat untuk model tetap.
Data Univariat
Jika Ft adalah peramalan t, dan Xt adalah informasi terakhir yang tersedia
maka ramalan untuk peniada t + 1 dapat dinyatakan sebagai jumlah pembobotan
Ft dan Xt .
Ft+1 = Xt + (1 - ) Ft.
Jika ragam Xt dan Ft, adalah dan diketahui, maka ragam keseluruhan dapat
dihitung sebagai jumlah kuadrat terbobot dan yaitu
= (1 2 + .
Dengan asumsi Xt dan Ft bebas ( independen ).

Persamaan

= (1 2 + . dapat didefinisikan terhadap untuk memperoleh nilai

parameter pada saaat minimum, menjadi :
=-2(1 +2=0.
Pemecahan untuk * adalah
*
=.
Jika persamaan (10-32) disubsitusikan pada (10-29) hasilnya
Ft+1 = Xt + ( 1- )Ft
= Xt + F t
=
Jika varians Xt , adalah sama dengan varians Ft ,, maka persamaan diatas
menghasilkan nilai konstanta.
= = 1/2

Lebih lanjut, taksiran seluruh keragaman Ft+1, dapat diperbarui dari substitusi

(10-32) ke dalam ( 10-30) untuk memperoleh

= ( 1=

)2 + ( )
= +

(10-36)
( 10-37)

Dari pembahasan filter Kalman, dapat dikatakan sebagai berikut:

Taksiran baru yang mengkombinasikan informasi lama dan baru dapat dibuat
Bobot kombinasi informasi lama dan baru merupakan fungsi dari ragam.
Taksiran dan ragam kedua-duanya dapat dihitung dengan cara rekursif ( filter
Kalman merupakan filter dengan memori tak terbatas).
Akan muncul beberapa kesulitan dalam estimasi ragam Xt .