AUTOREGRESSIVE-X (GSTARX)
MAKALAH
oleh
Aghnia Fauziah Sahar
1501412
2018
BAB I
PENDAHULUAN
LANDASAN TEORI
1) Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dan di
masa lalu serta melihat sejauh mana pengaruh di masa datang.
2) Peramalan diperlukan karena adanya time lag atau delay antara saat suatu
kebijakan perusahaan ditetapkan dengan saat implementasi.
3) Peramalan merupakan dasar penyusutan bisnis pada suatu perusahaan
sehingga dapat meningkatkan efektivitas suatu rencana bisnis.
Berdasarkan horizon waktu, peramalan atau forecasting dapat dibagi menjadi
tiga jenis, yaitu (Herjanto, 2008:78):
1) Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari
18 bulan. Misalnya, peramalan yang diperlukan dalam kaitannya dengan
penanaman modal, perencanaan fasilitas dan perencanaan untuk kegiatan
litbang.
2) Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18
bulan. Misalnya, peramalan untuk perencanaan penjualan, perencanaan
produksi dan perencanaan tenaga kerja tidak tetap.
3) Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3
bulan. Misalnya, peramalan dalam hubungannya dengan perencanaan
pembelian material, penjadwalan kerja dan penugasan karyawan.
Pada dasarnya proses dalam pemodelan time series multivariat sama dengan
pemodelan time series univariat, salah satunya adalah memperhatikan
stasioneritas data dalam rata-rata (mean) dan varians. Data multivariat data tidak
stasioner dalam mean, maka akan dilakukan differencing sedangkan data yang
tidak stasioner dalam varians akan dilakukan transformasi. Stationeritas data bisa
ditunjukkan melalui plot Matrix Cross Correlation Function (MCCF) dan Matrix
Partial Cross Correlation Function (MPCCF) serta Box-Cox (Wei, 2006).
ɼ′(𝑠 − 1)
ɼ′(𝑠 − 2)
𝑏(𝑠) = [ ]
⋮
ɼ′(1)
ɼ(1)
ɼ(2)
𝑐(𝑠) = [ ]
⋮
ɼ(𝑠 − 2)
Jika model dari data merupakan vector AR(p), maka
Φ ;𝑠=𝑝
𝑝
𝒫(s) = {0;𝑠>𝑝
̂ 𝑝 𝑌𝑡−𝑝 )′
−Φ
dengan 𝝉 ̂ adalah vector konstan (Wei, 2006).
BAB III
PEMBAHASAN
3.1 Stasioneritas
Pada pemodelan time series terdapat dua asumsi yang harus dipenuhi yaitu
data harus stasioner dan residual harus white noise. Identifikasi pola stasioner
dapat dilakukan dengan melihat plot data. Namun karena penentuan stasioneritas
dengan menggunakan plot data masih mengandung unsur penilaian yang
subjektif, maka diperlukan suatu pengujian stasioneritas secara formal pada data
panel yang heterogen yaitu dapat dilakukan dengan menggunakan uji Im Pesaran
Shin (IPS). Langkah-langkah pengujian stasioneritas data adalah:
1) Perumusan Hipotesis
H0 : data yang diteliti merupakan data tidak stasioner
H1 : data yang diteliti merupakan data stasioner
2) Statistik Uji
1
𝑡̅ = ∑ 𝑡𝑖
𝑁
dengan 𝑡̅ adalah nilai IPS, 𝑡𝑖 adalah nilai dari augmented Dickey Fuller
(ADF) wilayah ke-i . Nilai 𝑡𝑖 ditentukan dengan menggunakan perumusan
berikut:
∑𝑛
𝑡=1 𝑧(𝑡−1)𝑧(𝑡)
∑𝑛 2
−1
𝑡=1 𝑧(𝑡−1)
𝑡𝑖 =
∑𝑛
𝑡=1(𝑧(𝑡)−𝑛𝑧(𝑡−1))
2
√
𝑛−1
dengan
𝑌(𝑡) = vektor acak ukuran (𝑁 × 𝑙) pada waktu t, yaitu
𝑌(𝑡) = [𝑌1 (𝑡), ⋯ , 𝑌𝑁 (𝑡)]′
(1) (𝑁)
Φ𝑘0 = 𝑑𝑖𝑎𝑔(𝜙𝑘0 , ⋯ , 𝜙𝑘𝑁 ) merupakan matriks korfisien parameter
waktu
(1) (𝑁)
Φ𝑘𝑙 = 𝑑𝑖𝑎𝑔(𝜙𝑘𝑙 , ⋯ , 𝜙𝑘𝑙 ) merupakan matriks korfisien parameter
spasial
𝑊 (𝑙) = nilai matriks pembobot ukuran (𝑁 × 𝑁) pada lag spasial ke-l,
(𝑙)
nilai pembobot yang dipilih harus memenuhi syarat 𝑤𝑖𝑖 = 0 dan
∑(𝑙) (𝑙)
𝑖≠𝑗 𝑤𝑖𝑗 = 1
2) Bobot Biner
Nilai bobot lokasi biner didefinisikan berdasarkan hubungan letak suatu
lokasi dengan lokasi lainnya. Hubungan antara dua kota yang secara
geografis berdekatan didefinisikan 𝑤𝑖𝑗=1. Sedangkan jika secara geografis
berjauhan, maka didefinisikan 𝑤𝑖𝑗=0. Nilai dari bobot biner adalah 0 dan
1. Nilai tersebut dipakai tergantung pada suatu batasan tertentu.
3) Bobot Invers Jarak
Pembobotan dengan metode invers jarak dilakukan berdasarkan jarak
sebenarnya antara lokasipada penelitian. Matriks D merupakan matriks
yang terdiri dari elemen jarak antar setiap lokasi (dij) berukuran i x j. Pada
matriks D distandarkan dalam bentuk matriks W untuk memenuhi sifat
bobot yaitu:
𝑁
(𝑙)
∑ 𝑤𝑖𝑗 = 1, 𝑗 ≠ 1
𝑗=1
Diasumsikan jarak yang dekat memiliki hubungan antara lokasi yang kuat
maka secara umum bobot invers jarak untuk masing-masing lokasi adalah:
1
𝑑𝑖𝑗
𝑤𝑖𝑗 = 1 ,𝑗 ≠ 1
∑𝑁
𝑗=1 𝑑𝑖𝑗
dimana wij adalah bobot antara lokasi ke-i dan ke-j. Pada matriks bobot W
terdapat diagonal matriks nol, karena untuk jarak lokasi dirinya sendiri
dinyatakan dengan nol.
3.5 Pemilihan Orde Model GSTAR
Pada pemilihan orde spasial model GSTAR pada umumnya dibatasi pada
orde spasial 1, karena orde yang lebih tinggi akan sulit untuk diinterpretasikan
(Suhartono, Sutijo, & Wutsqa, 2010). Selain itu menurut (Suhartono, Sutijo, &
Wutsqa, 2010) penentuan pada orde waktu (autoregressive) dapat menggunakan
orde model VAR (p). Identifikasi orde model VAR ditentukan dengan panjang lag
optimal. Kriteria penentuan panjang lag optimal dilakukan dengan menggunakan
nilai Akaike’s Information Criterian (AIC). Nilai AIC merupakan suatu nilai
yangdigunakan sebagai ukuran kriteria kebaikan model. Penentuan orde model
terbaik pada GSTAR dapat dilihat berdasarkan nilai AIC terkecil dari berbagai
lag.
Menurut (Tsay, 2005), nilai AIC dapat ditentukan dengan menggunakan
perumusan sebagai berikut:
𝐽𝐾𝑆 2𝐾 2
𝐴𝐼𝐶 = ln ( )+
𝑛 𝑛
dengan JKS merupakan jumlah kuadrat sisaan, n adalah banyaknya data dan K
merupakan jumlah parameter.
3.6 Estimasi Parameter Model GSTAR
Estimasi parameter model GSTAR dapat menggunakan metode kuadrat
terkecil (Ordinary Least Square,OLS) yaitu dengan meminimumkan jumlah
kuadrat errornya.
3.7 Model Generalized Space Time Autoregressive-X (GSTAR-X)
Pada tahap ini adalah membentuk model GSTAR-X dengan langkah-langkah
penyelesaian sebagai berikut:
𝑌̂𝑖,𝑡 = 𝑦̂𝑖,𝑡 + 𝑛̂𝑖,𝑡
dimana 𝑌̂𝑖,𝑡 merupakan hasil peramalan model GSTAR-X pada lokasi ke-i dan
waktu ke-t, 𝑦̂𝑖,𝑡 merupakan hasil peramalan VAR pada lokasi ke-i dan waktu ke-t,
𝑛̂𝑖,𝑡 merupakan hasil peramalan model GSTAR pada lokasi ke-i dan waktu ke-t.
3.8 MEAN ABSOLUTE PERCENTAGE ERROR (MAPE)
Mean Absolute Percentage Error (MAPE) adalah salah satu uji yang
digunakan dalam menentukan model terbaik. Kriteria yang diperhatikan dalam
pemilihan model terbaik adalah nilai MAPE terkecil. Nilai MAPE dapat dihitung
menggunakan rumus sebagai berikut:
𝑌𝑡 −𝑌̂𝑡
∑𝑁
𝑡=1 ( ) × 100%
𝑌𝑡
𝑀𝐴𝑃𝐸 =
𝑁
dimana Yt merupakan data aktual atau data sebenarnya pada waktu ke-t; Yˆt
merupakan data peramalan pada waktu ke-t; N merupakan banyaknya data
pengamatan. Kemampuan peramalan baik jika nilai MAPE berada disekitar nilai
10%-20%.
3.9 Langkah-Langkah Penelitian
1). Uji stasioneritas dengan menganalisis plot data dan menggunakan uji IPS.
2). Membentuk model Vector Autoregressive (VAR).
3). Membentuk model GSTAR dengan menggunakan nilai residual model
VAR.
4). Membentuk model GSTARX dengan menggabungkan hasil model VAR
dan model GSTAR.
5). Melakukan validasi model dengan menganalisis nilai Mean Absolute
Percentage Error (MAPE) pada data peramalan.