TUGAS 4

PERAMALAN DAN DERET WAKTU

oleh:

Pratiwi Dwi Yanti (185090501111019)

PROGRAM STUDI SARJANA STATISTIKA

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2021

TUGAS 4
 PERAMALAN DAN DERET WAKTU

1. Carilah data deret waktu apapun yang dapat kalian akses secara online.
Data yang saya gunakan yaitu mengambil dari Ramanathan dengan data U.S.
population, money, price pada tahun 1959 sampai tahun 1994. Berikut adalah data
yang diperoleh : data 10-6
P : GDP deflator

YEAR P
1959 23
1960 23,3
1961 23,6
1962 23,9
1963 24,2
1964 24,6
1965 25
1966 25,7
1967 26,6
1968 27,7
1969 29
1970 30,6
1971 32,1
1972 33,5
1973 35,4
1974 38,5
1975 42,2
1976 44,6
1977 47,5
1978 50,9
1979 55,3
1980 60,4
1981 66,1
1982 70,2
1983 73,2
1984 75,9
1985 78,6
1986 80,6
1987 83,1
1988 86,1
1989 89,7
1990 93,6
1991 97,3
1992 100
1993 102,6
1994 105
2. Ikuti alur analisis yang saya tampilkan pada materi, tentukan untuk data yang
kalian gunakan metode peramalan apa yang sesuai.
Penyelesaian :
Berdasarkan plot deret waktu bagi variabel P yaitu GDP Deflator dengan bantuan
Gretl adalah sebagai berikut.

Unsur Trend
1995 110
YEAR (left)
P (right)

100
1990

90
1985

80
1980

70

1975

60

1970
50

1965
40

1960
30

1955 20
1960 1965 1970 1975 1980 1985 1990

• Identifikasi unsur trend (deterministik) pada plot diatas secara keseluruhan

dari tahun 1950 - 1994 terdapat pola kecenderungan menaik.
• Tidak teridentifikasi adanya unsu siklus pada plot diatas.
• Tidak teridentifikasi adanya unsur musiman.

Plot diatas menunjukkan unsur trend dalam data GDP deflator pada tahun
1950-1994, sehingga dapat menggunakan model yang bersifat trend linear,
kuadratik, dan autoregressive.

3. Lakukan analisis seperti yang sudah kalian pilih di poin 2.

Penyelesaian :
Untuk model deret waktu linear dan model deret waktu kuadratik perlu mengubah
tahun menjadi kode dengan variabel X (linear), X^2 (kuadratik), dan P sebagai
data GDP deflator.
 YEAR X X^2 P
1959 1 1 23
1960 2 4 23,3
1961 3 9 23,6
1962 4 16 23,9
1963 5 25 24,2
1964 6 36 24,6
1965 7 49 25
1966 8 64 25,7
1967 9 81 26,6
1968 10 100 27,7
1969 11 121 29
1970 12 144 30,6
1971 13 169 32,1
1972 14 196 33,5
1973 15 225 35,4
1974 16 256 38,5
1975 17 289 42,2
1976 18 324 44,6
1977 19 361 47,5
1978 20 400 50,9
1979 21 441 55,3
1980 22 484 60,4
1981 23 529 66,1
1982 24 576 70,2
1983 25 625 73,2
1984 26 676 75,9
1985 27 729 78,6
1986 28 784 80,6
1987 29 841 83,1
1988 30 900 86,1
1989 31 961 89,7
1990 32 1024 93,6
1991 33 1089 97,3
1992 34 1156 100
1993 35 1225 102,6
1994 36 1296 105

Data yang saya gunakan mengandung unsur trend deterministik, oleh karena itu
perlu dilakukan pengujian seperti berikut.
a. Model Auto-Regressive
Model autoregressive digunakan untuk meramalkan pola data tend, dimana
diasumsikan bahwa data berkorelasi degan masa sebelumnya dan diduga
dengan menggunakan MKT. Dengan menggunaka software Gretl didapatkn
 model seperti dibawah ini dengan menggunakan model OLS Autoregressiove
Lag 2.

Model 1: OLS, using observations 1961-1994 (T = 34)

Dependent variable: P

Coefficient Std. Error t-ratio p-value

const 0,391931 0,239020 1,640 0,1112
P_1 1,90375 0,0927215 20,53 <0,0001 ***
P_2 −0,905798 0,0960601 −9,429 <0,0001 ***

Mean dependent var 55,97941 S.D. dependent var 27,93823

Sum squared resid 11,61308 S.E. of regression 0,612058
R-squared 0,999549 Adjusted R-squared 0,999520
F(2, 31) 34363,73 P-value(F) 1,37e-52
Log-likelihood −29,98202 Akaike criterion 65,96404
Schwarz criterion 70,54312 Hannan-Quinn 67,52564
rho 0,280315 Durbin's h 1,942960

Model yang dapat dibentuk dari persamaan OLS dari model Autoregressive
diatas adalah sebagai berikut :
Y^ =0,391931+1,90375 Pt − 1 − 0,905798 P t −2

b. Moel Deret Waktu Linear

Dengan menggunakan software Gretl untuk mendapatkan hasil perhitungan
regresi model deret waktu linear dengan perhitungan OLS seperti berikut.

Model 2: OLS, using observations 1-36

Dependent variable: P

Coefficient Std. Error t-ratio p-value

const 5,95317 2,19931 2,707 0,0105 **
X 2,60553 0,103657 25,14 <0,0001 ***

Mean dependent var 54,15556 S.D. dependent var 28,17994

Sum squared resid 1419,290 S.E. of regression 6,460946
R-squared 0,948935 Adjusted R-squared 0,947433
F(1, 34) 631,8185 P-value(F) 1,52e-23
Log-likelihood −117,2209 Akaike criterion 238,4417
Schwarz criterion 241,6088 Hannan-Quinn 239,5471

Model yang dapat dibentuk dari persamaan regresi OLS dari model deret
waktu linier diatas adalah sebagai berikut :
Y^t =5,95317+2,60553 X t

c. Model Deret Waktu Kuadratik

 Dengan menggunakan software Gretl untuk mendapatkan hasil perhitungan
regresi model deret waktu kuadratik dengan perhitungan OLS seperti berikut.

Model 3: OLS, using observations 1-36

Dependent variable: P

Coefficient Std. Error t-ratio p-value

const 19,2730 1,69373 11,38 <0,0001 ***
X 0,502409 0,211084 2,380 0,0232 **
X2 0,0568412 0,00553356 10,27 <0,0001 ***

Mean dependent var 54,15556 S.D. dependent var 28,17994

Sum squared resid 338,1318 S.E. of regression 3,201003
R-squared 0,987834 Adjusted R-squared 0,987097
F(2, 33) 1339,769 P-value(F) 2,54e-32
Log-likelihood −91,40029 Akaike criterion 188,8006
Schwarz criterion 193,5511 Hannan-Quinn 190,4587

Model yang dapat dibentuk dari persamaan regresi OLS dari model deret
waktu kuadratik diatas adalah sebagai berikut :
Y^t =19,2730+0,502409 X t + 0,0568412 X 2t

Kesimpulan:
Kesimpulan yang dapat diambil berdasarkan ketiga model diatas (Model
Autoregressive, Model deret waktu linier, dan Model deret waktu kuadratik) dapat
diketahui bahwa model yang paling baik digunakan sebagai peramalan adalah model
deret waktu linier, karena dapat dilihat pada plot poin 2 bahwa data cenderung
memiliki pola trend menaik, sehingga sifat yang memenuhi model deret waktu linier.