(Skripsi)
Oleh
Oleh
By
Oleh
Skripsi
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2017
RIWAYAT HIDUP
Penulis dilahirkan di Gerning pada tanggal 25 Juli 1995 sebagai anak bungsu dari
2010, dan pendidikan menengah atas di SMA N 1 Bangunrejo pada tahun 2013.
Direktorat Jendral Pajak Bengkulu dan Lampung, serta Kuliah Kerja Nyata
Sesungguhnya doa bermanfaat bagi sesuatu yang sedang terjadi dan yang
belum terjadi. Dan tidak ada yang bisa menolak takdir kecuali doa, maka
berpeganglah pada doa.
(HR. Turmudzi dan Hakim)
Terimalah bukti kecil ini sebagai kado keseriusanku untuk membalas semua
pengorbanan, keikhlasan, dan jerih payah yang selama ini kau lakukan.
Kakak-Kakakku Tercinta
Dian Eko Saputra
Yosi Nur Arima
Akmaluddin Yudhistira
Almamaterku Tercinta
Universitas Lampung
SANWACANA
Alhamdulillah, puji syukur penulis panjatkan atas kehadirat Allah SWT. yang telah
Terselesainya skripsi ini tidak terlepas dari bantuan, kerjasama, dan dukungan
1. Ibu Ir. Netti Herawati, M.Sc., Ph.D., selaku pembimbing I yang telah
memberikan arahan, bimbingan, ide, kritik dan saran kepada penulis selama
2. Bapak Dr. Muslim Ansori, S.Si., M.Si., selaku pembimbing II yang telah
3. Bapak Drs. Rudi Ruswandi, M.Si., selaku penguji yang telah memberikan ide,
5. Bapak Drs. Tiryono Ruby, M.Sc., Ph.D., selaku Ketua Jurusan Matematika
6. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D., selaku Dekan Fakultas Matematika
i
7. Seluruh Dosen, staf dan karyawan Jurusan Matematika FMIPA Universitas
Lampung
8. Bapak, Ibu dan keluarga yang selalu mengiringi langkah penulis dengan do’a
Yunda Matematika 2012 yang selalu memberikan semangat, ide dan saran
kepada penulis.
11. Sahabat-sahabat penulis Karindha, Zefni, Heni, Sinta, Eky, Vinny, Maimuri,
Eka, Imelda, Suyitno dan Rasyd yang senantiasa menemani suka duka penulis.
12. Rekan-rekan tersayang Citra, Suri, Karina, Yucky, Tiwi, Shintia, Siti, Tina,
Della, Retno dan Tika yang selalu memberikan keceriaan kepada penulis.
13. Teman-teman KKN Syofia, Aida, Rani, Joshua, Qibil dan Rio.
14. Aldy, Rahman, Agus, Darma dan Nandra yang selalu memberi semangat.
Tentunya, Penulis menyadari bahwa masih ada kekurangan dari skripsi ini, akan
tetapi besar harapan semoga skripsi ini dapat bermanfaat bagi kita semua. Sekian
dan terimakasih.
Penulis
ii
DAFTAR ISI
Halaman
DAFTAR GAMBAR................................................................................. v
I. PENDAHULUAN
V. KESIMPULAN .................................................................................. 34
DAFTAR PUSTAKA
LAMPIRAN
DAFTAR GAMBAR
Gambar...................--...................//..............................................................Halaman
1. Plot data dalam keadaaan stasioner terhadap rata-rata dan variansi .... 5
Tabel Halaman
I. PENDAHULUAN
Data runtun waktu adalah sekumpulan data berupa angka yang didapat dalam
suatu periode waktu tertentu. Data runtun waktu biasanya berupa data tahunan,
waktu dapat menemukan bentuk atau pola variasi dari data dimasa lampau dan
dari data di masa yang akan datang (Rosadi, 2011). Suatu peramalan bertujuan
untuk menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan yang
panjang.
2
Model yang dapat menjelaskan data deret waktu baik berupa jangka pendek
panjang memiliki nilai parameter d berkisar antara -0,5 < d < 0,5 . Salah satu data
yang dikatagorikan sebagai data jangka panjang adalah data inflasi di Indonesia.
Berdasarkan hal tersebut, maka pada penelitian ini akan dilakukan peramalan
inflasi di Indonesia pada masa yang akan datang dengan metode ARFIMA
Adapun tujuan dari penelitian ini adalah untuk meramalkan laju angka inflasi di
ARFIMA.
3. Dapat meramalkan laju angka inflasi di Indonesia pada masa yang akan datang
dengan model.
II. TINJAUAN PUSTAKA
Gujarati dan Porter (2009) menyatakan tiga jenis data berdasarkan waktu
variabel yang diambil pada waktu yang berbeda. Data jenis ini
2. Data Cross-section
Data cross-section adalah data dari satu variabel atau lebih yang dikumpulkan
3. Data Panel
diambil secara beruntun berdasarkan interval waktu yang tetap (Wei, 2006).
4
adalah indeks waktu dari urutan pengamatan. Konsep dasar model runtun waktu
meliputi tentang asumsi-asumsi yang harus dipenuhi secara umum dan beberapa
2.2.1 Stasioneritas
Stasioner berarti bahwa tidak terdapat perubahan drastis pada data, yaitu mean
dan variannya konstan dari waktu ke waktu. Stasioneritas dibagi menjadi 2 yaitu:
Stasioner dalam rata-rata adalah fluktuasi data berada di sekitar suatu nilai
rata-rata yang konstan, tidak bergantung pada waktu dan variansi dari
fluktuasi tersebut. Dari bentuk plot data seringkali dapat di ketahui bahwa
data tersebut stasioner atau tidak stasioner. Apabila dilihat dari plot ACF
turun menuju nol sesudah time lag (selisih waktu) kelima atau keenam.
Sebuah data runtun waktu dikatakan stasioner dalam variansi apabila struktur
dari waktu ke waktu mempunyai fluktuasi data yang tetap atau konstan dan
tidak berubah-ubah. Secara visual untuk melihat hal tersebut dapat dibantu
dengan menggunakan plot runtun waktu, yaitu dengan melihat fluktuasi data
Gambar 1. Plot data dalam keadaaan stasioner terhadap rata-rata dan variansi
menguji kelayakan model ARFIMA. Suatu proses disebut proses white noise
jika data terdiri dari variabel acak yang tidak berkorelasi antar variabel dan
berdistribusi normal dengan rata-rata konstan E (εt) = 0, variansi konstan Var (εt)
Fungsi autokovariansi
, jika = 0
=
0 , jika ≠ 0
Fungsi autokorelasi
1 , jika =0
=
0 , jika ≠0
1 , jika =0
∅ =
0 , jika ≠0
6
Proses white noise dapat dideteksi menggunakan uji autokorelasi residual pada
analisis galatnya. Uji korelasi residual digunakan untuk mendeteksi ada tidaknya
Taraf signifikansi α = 5%
= ( + 2) ∑ (2.1)
dengan
T : banyaknya data
K : selisih lag
Kriteria keputusan yaitu tolak H0 jika -hitung > ( , ) tabel , dengan derajat
2.3 Lag
Lag merupakan suatu jarak atau selang waktu diantara dua kejadian yang saling
X adalah runtun waktu. Jika kita menggunakan operator lag pada runtun waktu,
B = (2.2)
7
= , k = …,-1,0,1,2,… . (2.3)
Autoregressive dan Moving Average dari data yang akan diramalkan adalah
Dari proses stasioner suatu data runtun waktu (Xt) diperoleh E(Xt)=µ dan variansi
Var (Xt) = E (Xt - µ)2 = σ2 yang konstan dan kovarian Cov (Xt,Xt+k), yang
fungsinya hanya pada perbedaan waktu │t- (t-k)│. Maka dari itu, hasil tersebut
[( )( )] ( , )
= ) ]. [( ) ]
= ( )
= (2.4)
[( ( )
runtun waktu, dan menggambarkan kovarian dan korelasi antara Xt dan Xt+k
8
dari proses yang sama, hanya dipisahkan oleh lag ke-k. Fungsi autokovariansi
1. = Var ( ) ; = 1.
Bukti :
bahwa = Var ( ) ; = 1.
( , )
= =
( ) ( )
Diberikan k = 0, maka
( , )
=
( ) ( )
( , )
=
( ) ( )
( )
=
( )
( )
= =
( )
=1
2. │ │ ≤ ;│ │ ≤ 1.
Bukti :
Sifat kedua merupakan akibat dari persamaan autokorelasi kurang dari atau
Bukti :
9
Sifat tersebut diperoleh dari perbedaan waktu antara dan . Oleh sebab
itu, fungsi autokorelasi sering hanya diplotkan untuk lag nonnegatif. Plot
nilai disebut dengan distribusi sampel. Galat baku dari distribusi sampling adalah
Statistik uji : t =
dengan :
∑ ( ̅ )( ̅) ∑
= ∑ ( ̅)
dan SE ( ) = ≈
√
dengan :
k : time lag
Kriteria keputusan : tolak H0 jika nilai│t hitung│> tα/2,df dengan derajat bebas df =
T-1, T merupakan banyaknya data dan k adalah lag koefisien autokorelasi yang
Xt+k, apabila pengaruh dari time lag 1, 2, 3, . . . , dan seterusnya sampai k-1
dianggap terpisah . Ada beberapa prosedur untuk menentukan bentuk PACF yang
salah satunya akan dijelaskan sebagai berikut. Fungsi autokorelasi parsial dapat
dinotasikan dengan:
misalkan Xt adalah proses yang stasioner dengan E(Xt) = 0, selanjutnya Xt+k dapat
dengan ∅ adalah parameter regresi ke-i dan adalah nilai kesalahan yang
Xt+k = ∅ + ∅ + …+ ∅ +
( Xt+k) = E(∅ + ∅ + …+ ∅ +
diperoleh
=∅ +∅ + ⋯+ ∅ (2.6)
11
−1 −2 −
= ∅ 1 +∅ 2 + ⋯+∅
0 0 0 0
diperoleh
= ∅ 1 +∅ 2 + ⋯+∅ , j = 1,2,3,…,k
= ∅ 1 +∅ 2 +⋯+ ∅ ,
= ∅ 1 +∅ 2 + ⋯+∅ , (2.7)
= ∅ 1 +∅ 2 + ⋯+∅ ,
berikut :
autokorelasi parsial pada lag pertama akan sama dengan fungsi autokorelasi
= ∅11 + ∅22
∅11
∅22
=
12
1 1
= , = , dan dengan menggunakan aturan Cramer
1
diperoleh
1 1
det( 2 )
∅ = = 1 2
det( ) 1 1
1 1
∅11
∅22 =
∅33
1 1
= 1 , = 1
1
1 1 1
1 1 2
det( 3 )
∅ = = 2 1 3
det( ) 1 1 2
1 1 1
2 1 1
⋮ (2.10)
1 … ∅11
⎡ … ⎤ ⎡∅ ⎤ ⎡ ⎤
⎢ 1 ⎥ ⎢∅22 ⎥ ⎢ ⎥
⎢ 1 ⋯ ⎥ ⎢ 33 ⎥ =
⎢ ⋮ ⋮ ⋮ ⋱ ⋮ ⎥⎢ ⋮ ⎥ ⎢ ⋮ ⎥
⎣ … ⎦ ⎣∅ ⎦ ⎣ ⎦
1 …
⎡ … ⎤
⎢ 1 ⎥
=⎢ 1 ⋯ ⎥
⎢ ⋮ ⋮ ⋮ ⋱ ⋮⎥
⎣ … ⎦
1 … 1
1 2
1 … 2
1 1
2 1 1 ⋯ 3
⋮ ⋮ ⋮ ⋱ ⋮
det( ) −1 −2 −3
…
∅ = = …
det( ) 1 1 2 −1
1 … −2
1 1
2 1 1 ⋯ −3
⋮ ⋮ ⋮ ⋱ ⋮
−1 −2 −3
… 1
1 =0
∅ =
0 ≠0
antara observasi Xt dan Xt+k dalam analisis runtun waktu. Fungsi ∅ akan
bernilai nol untuk k > p. Sifat ini dapat digunakan untuk identifikasi model AR
dan MA, yaitu pada model Autoregressive berlaku PACF akan menurun secara
bertahap menuju nol dan Moving Average berlaku ACF menuju ke-0 setelah lag
ke-q sedangkan nilai PACF model AR yaitu ∅ = 0, k > p dan model MA yaitu
sebagai berikut
Taraf signifikansi : α = 5%
∅
Statistik uji : t = (∅ )
dengan : (∅ ) =
Kriteria keputusan :
banyaknya data dan k adalah lag autokorelasi parsial yang akan diuji (Wei, 2006).
tersedia. Panjang lag yang dipilih dapat dilihat melalui nilai paling minimum dari
15
sebagai berikut:
( )
AIC = ln ∑ ( ) +m (2.11)
( )
SC = ln ∑ ( ) +m (2.12)
c. Hannan-Quinn Criterion
1 ( ) 2 2ln(ln )
= ln ∑ =1( ) + m (2.13)
= + + + ⋯+ + (2.14)
Φ(B) = +
( )= =
1− − −⋯−
dan
( )= ( , )
16
= ( + + + ⋯+ + , )
=∑ ( , )+ ( , ) (2.15)
jika = 0
= ( − )+
0 jika > 0
(0) = ( )+
⇒ (0) 1 − () =
untuk mencari nilai ACF pada proses AR(p) yang memenuhi persamaan
Yule-Walker
( )=∑ ( − ) k = 1, 2, . . . (2.16)
dengan :
q : orde MA
17
xt = µ + (1 + θ1 B + θ2 B2 + … + θq Bq)εt
= µ + (1 - ∑ ) εt
= µ + Θ( )εt (2.17)
dimana Θ( ) = 1 - ∑
=µ
dan varian
− + + ⋯+ = 1, 2, … ,
=
0 >
(− + + ⋯+ )
( ) , = 1, 2, 3, …
( )= = 1+ + ⋯+
(0)
0 >
Dari bagian ini diperoleh bahwa nilai ACF sangat membantu mengindentifikasi
model MA dan orde cut off tepat setelah lag q (Montgomery, Jennings, &
Kulachi, 2008).
18
diberikan sebagai
= +∅ +∅ + ⋯+ ∅ + − − − ⋯−
= + ∅ + −
dengan
: order AR
Jika d adalah bilangan bulat nonnegative, maka {Xt} dikatakan proses ARIMA
2.10 Proses Jangka Panjang dan Jangka Pendek Data Runtun Waktu
(short memory) karena autokorelasi antara Xt dan Xt+k turun sangat cepat untuk
untuk lag yang semakin besar. Hal ini menunjukkan masih ada hubungan antara
jika
limt→∞ ∑ | | <∞
yang ditandai dengan fungsi autokorelasi yang turun secara cepat, dan akan
limt→∞ ∑ | | = ∞.
yang ditandai dengan fungsi autokorelasi yang turun secara perlahan menuju nol.
Dalam proses ARIMA, kita mengasumsikan bahwa nilai d adalah bilangan bulat.
bulat. Dalam sebuah proses untuk menjadi stasioner, nilai d harus kurang dari 1.
20
Dimana ∅(B) ( B) ≠ 0 untuk |B| ≤ 1 dan proses white noise dengan rata-rata
−
(1 - B)-d = ∑∞ − =∑ (2.23)
Xt = ∑
dimana
−
= (-1)j
– ( )…( )
= (-1)j !
( )( )…( )
= !
( )
= ( ) ( )
Kita peroleh
( ) ( ) /
√
= ( ) ( )
≈ / ≈ ( )
( ) √ ( )
Jelas ,{ } adalah square summable jika dan hanya jika 2(1 − ) > 1, d < 0.5.
Dengan cara yang sama kita lihat bahwa proses invertible jika dan hanya jika -
0.5<d. Dengan demikian proses pada (2.21) atau lebih umum proses pada (2.20)
adalah stasioner dan invertible jika dan hanya jika -0.5<d<0.5. proses pada (2.20)
21
hingga.
Data runtun waktu akan mempunyai sifat ketergantungan jangka panjang (long
memory) jika di antara pengamatan dengan periode yang terpisah jauh masih
mempunyai korelasi yang tinggi. Model data deret waktu ketergantungan jangka
Moving Average) dengan parameter pembeda berbentuk bilangan riil dengan -0,5
< d < 0,5, ini berbeda dengan model ARIMA yang mempunyai parameter
22
dengan :
~ IIDN(0,σ )
(1-B)d = d
= ∑∞ (k) – 1 operator pembeda pecahan
atau
( ⋯ )( ) ( – )
εt = ( … )
2 2 )−2 1 2
P( │ , ∅, , , ) = (2 exp[ − ∑ =1 ]
2 2
Lampung.
Desember 2016.
Tabel 1. Inflasi Bulanan Indonesia dari Januari 2004 Hingga Desember 2016.
Tabel 1. Lanjutan
yang diperoleh dari buku-buku maupun media lain untuk mendapatkan informasi
3. Menentukan orde terbaik dari AR(p) dan MA(q) dengan melihat dari nilai
minimum.
Estimation (MLE).
26
dikatakan baik jika memenuhi proses white noise menggunakan uji Ljung-Box
Q Statistic
7. Melakukan peramalan.
V. KESIMPULAN
sebagai berikut :
1. Model terbaik dari data angka laju inflasi bulanan di Indonesia periode Januari
. . . …
Xt =
.
2. Laju inflasi bulanan di Indonesia diprediksi akan naik sekitar rata-rata 0,12%
per bulan.
DAFTAR PUSTAKA
Brockwell, P.J. and Davis, R.A. 2002. Introduction to Time Series and
Forecasting Second Edition. Springer-Verlag New York, Inc., New York.
Gujarati, Damodar N., and Dawn C. Porter. 2009. Basic Econometrics Fifth
edition. McGraw-Hill/Irwin Companies, Inc., New York.
Wei, W.W.S. 2006. Time Series Analysis Univariate and Multivariate Methods
Second Edition. Pearson Education Inc., Canada.