Tiba-tiba disuruh ngurus data time series tanpa paham bedanya fungsi autokorelasi sama autokorelasi parsial di Modul 2. Itu kendala paling umum pas mulai belajar STIK4243 Analisis Runtun Waktu. Pusingnya makin nambah kalau liat rumus notasi backshift di Modul 4. Soal UT yang kami sediakan mencakup latihan dari konsep dasar stasioner hingga tahap identifikasi model.
Bagian identifikasi model non-stasioner di Modul 6 sering bikin mahasiswa gagal paham, apalagi soal variance yang naik-turun gak karuan. Padahal beda tipis sama materi mean non-stasioner di KB sebelumnya. Coba deh kerjakan dulu soal-soal per modul. prediksi soal UAS Statistika ini langsung nge-drill perbedaan keduanya biar gak keliru pas ujian.
Soal Ujian UT di bawah ini mencakup studi kasus inventori dari Modul 3 sampai teknik ramalan interval di Modul 8. Setiap soal dilengkapi kunci jawaban plus pembahasan singkat kenapa options yang lain salah. Jadi kalau stuck di bagian diagnostic checking, langsung cek penjelasannya. latihan UAS UT ini efektif banget buat tes pemahaman langkah Box-Jenkins.
Soal UT STIK4243 Analisis Runtun Waktu
Dalam analisis runtun waktu, data yang dikumpulkan berdasarkan urutan waktu disebut sebagai…
Data runtun waktu adalah data yang dikumpulkan secara berurutan dalam interval waktu yang sama.
Tahap pertama dalam metodologi Box-Jenkins untuk analisis runtun waktu adalah…
Metodologi Box-Jenkins dimulai dengan identifikasi model stasioner atau non-stasioner.
Fungsi autokorelasi (ACF) digunakan untuk mengukur…
ACF mengukur korelasi linear antara nilai suatu runtun waktu dengan nilai lag-nya.
Jika suatu proses runtun waktu bersifat stasioner, maka ciri-cirinya adalah…
Stasionaritas berarti mean dan varians tidak berubah seiring waktu.
Model ARIMA(1,1,1) memiliki komponen…
Notasi ARIMA(p,d,q) menunjukkan AR orde p, differencing orde d, dan MA orde q.
Notasi backshift B digunakan untuk menyederhanakan penulisan model ARIMA. Operator B bekerja dengan cara…
Operator backshift B(X_t) = X_{t-1} menggeser indeks waktu ke belakang.
Proses AR(1) dengan koefisien φ=0,8 bersifat stasioner jika…
Proses AR(1) stasioner jika nilai absolut koefisien AR kurang dari 1.
Jika plot ACF menunjukkan penurunan yang lambat dan tidak memotong setelah lag tertentu, maka indikasi awal adalah…
ACF yang menurun lambat menandakan data tidak stasioner dalam mean.
Transformasi Box-Cox digunakan dalam analisis runtun waktu untuk mengatasi masalah…
Transformasi Box-Cox digunakan untuk menstabilkan varians yang tidak konstan.
Prinsip Maximum Likelihood Estimation (MLE) dalam estimasi parameter model ARIMA bertujuan untuk…
MLE mencari parameter yang memaksimalkan probabilitas data observasi.
Diagnostic checking pada model ARIMA bertujuan untuk memeriksa apakah…
White noise residual menandakan model telah menangkap struktur data dengan baik.
Ramalan titik (point forecast) dari model ARIMA untuk periode mendatang menghasilkan…
Ramalan titik memberikan satu nilai perkiraan terbaik untuk periode ke depan.
Interval ramalan (forecast interval) memberikan…
Interval ramalan memberikan batas bawah dan atas untuk estimasi.
Pada model ARIMA musiman, notasi SARIMA (p,d,q)(P,D,Q)_s menunjukkan bahwa…
SARIMA menggabungkan komponen non-musiman dan musiman untuk menangani pola musiman.
Fungsi autokorelasi parsial (FAKP) pada proses MA(1) akan menunjukkan pola…
FAKP proses MA(1) terputus setelah lag pertama.
Dalam model multiplikatif musiman, pola ACF yang signifikan pada lag musiman menunjukkan…
ACF signifikan pada lag musiman mengindikasikan adanya pola musiman.
Jika plot ACF dari residual model ARIMA menunjukkan banyak lag yang signifikan, maka langkah selanjutnya adalah…
Residual yang masih memiliki pola perlu diatasi dengan spesifikasi model ulang.
Data runtun waktu dikumpulkan berdasarkan urutan waktu tertentu. Karakteristik utama yang membedakan data runtun waktu dari data biasa adalah…
Data runtun waktu memiliki ketergantungan antar observasi berdasarkan urutan waktu, menjadikannya tidak independen.
Dalam pendekatan Box-Jenkins, langkah pertama yang harus dilakukan setelah memperoleh data runtun waktu adalah…
Identifikasi model adalah langkah awal untuk menentukan orde model ARIMA berdasarkan pola data.
Fungsi autokorelasi (FAK) pada lag ke-k mengukur…
FAK mengukur korelasi sederhana antara observasi pada lag tertentu tanpa mengontrol pengaruh lag lainnya.
Proses stokastik dapat dipandang sebagai kumpulan dari variabel acak yang terurut waktu. Realisasi dari proses stokastik adalah…
Realisasi merupakan satu hasil pengamatan (data aktual) dari suatu proses stokastik.
Syarat model yang baik dalam analisis runtun waktu ARIMA adalah residualnya bersifat white noise, yaitu…
Residual white noise berarti tidak ada autokorelasi yang signifikan, menandakan model telah menangkap pola data dengan baik.
Dalam studi kasus inventori dengan data mingguan, setelah dilakukan differencing satu kali, data menjadi stasioner. Kemungkinan model yang sesuai adalah…
Differencing satu kali menunjukkan d=1. Model ARIMA(1,1,0) adalah pilihan sederhana dan umum untuk data yang telah distasionerkan dengan differencing.
Notasi backshift B digunakan untuk menyederhanakan penulisan model ARIMA. Jika diketahui model (1-0.5B)(1-B)Y_t = e_t, maka model tersebut setara dengan…
Faktor (1-B) menunjukkan differencing orde 1, dan (1-0.5B) menunjukkan AR(1). Jadi modelnya ARIMA(1,1,0).
Interpretasi model ARIMA(1,0,0) atau AR(1) adalah bahwa nilai observasi saat ini dipengaruhi oleh…
Model AR(1) menyatakan Y_t = c + φY_{t-1} + e_t, sehingga dipengaruhi oleh Y_{t-1} dan e_t.
Syarat stasioneritas untuk model AR(1) adalah…
Stasioneritas model AR(1) mensyaratkan nilai absolut koefisien AR kurang dari 1.
Data runtun waktu dengan mean non-stasioner dapat diidentifikasi dari plot deret waktu yang menunjukkan…
Mean non-stasioner ditandai dengan adanya tren, sehingga mean berubah seiring waktu.
Jika plot data menunjukkan varians meningkat seiring waktu, tindakan yang tepat untuk menstabilkan varians adalah…
Transformasi logaritma atau Box-Cox sering digunakan untuk menstabilkan varians yang tidak konstan.
Metode estimasi parameter model ARIMA yang paling umum digunakan karena menghasilkan estimator yang efisien adalah…
Maximum likelihood adalah metode estimasi yang efisien dan banyak digunakan dalam pemodelan ARIMA.
Pada tahap diagnostic checking, jika residual model memiliki autokorelasi signifikan pada beberapa lag, maka langkah selanjutnya adalah…
Autokorelasi residual signifikan menandakan model belum adequate, perlu identifikasi ulang dan modifikasi model.
Ramalan titik untuk langkah ke-h dari model ARIMA(0,0,1) atau MA(1) pada waktu t adalah…
Untuk model MA(1), ramalan untuk h>1 akan konvergen ke nol karena moving average hanya melibatkan error hingga lag 1.
Interval ramalan untuk peramalan runtun waktu akan semakin lebar seiring dengan…
Ketidakpastian peramalan meningkat seiring langkah ke depan, sehingga interval ramalan melebar.
Pada model musiman, fungsi autokorelasi untuk proses MA musiman (SMA) akan menunjukkan pola…
MA musiman memiliki FAK yang cut off setelah lag kelipatan periode musiman.
Model multiplikatif musiman SARIMA(1,0,0)(1,1,0)12 sering digunakan untuk data bulanan karena dapat menangkap…
Model multiplikatif menggabungkan efek AR/MA musiman dan non-musiman secara perkalian, menangkap interaksi keduanya.
Komponen utama yang membedakan data runtun waktu dari data cross-section adalah…
Data runtun waktu memiliki urutan waktu yang berurutan, berbeda dengan data cross-section yang dikumpulkan pada satu waktu.
Dalam metodologi Box-Jenkins, langkah pertama yang harus dilakukan adalah…
Box-Jenkins diawali dengan identifikasi model melalui plot data dan pemeriksaan stasioneritas.
Fungsi autokorelasi (FAK) pada lag ke-k mengukur…
FAK mengukur korelasi linier antara observasi pada waktu t dengan observasi pada waktu t-k.
Fungsi autokorelasi parsial (FAKP) pada lag ke-k mengukur…
FAKP mengukur korelasi antara dua observasi setelah menghilangkan efek lag di antaranya.
Salah satu kriteria model ARIMA yang baik adalah…
Model yang baik memiliki residual yang white noise, yaitu tidak ada autokorelasi yang signifikan.
Dalam studi kasus inventori, jika data menunjukkan tren naik maka langkah awal yang tepat adalah…
Data dengan tren naik bersifat non-stasioner dalam mean, sehingga perlu dilakukan differencing.
Notasi backshift B dalam model ARIMA berarti…
Operator backshift B didefinisikan sebagai B y_t = y_{t-1}.
Interpretasi model AR(1) dengan koefisien 0,7 adalah…
Model AR(1) menunjukkan bahwa nilai saat ini dipengaruhi nilai sebelumnya dengan koefisien 0,7.
Syarat stasioneritas untuk model AR(1) adalah…
Model AR(1) stasioner jika nilai absolut koefisien autoregresif kurang dari 1.
Syarat invertibilitas untuk model MA(1) adalah…
Model MA(1) invertibel jika nilai absolut koefisien moving average kurang dari 1.
Ciri data dengan mean non-stasioner adalah…
Mean non-stasioner ditandai dengan fluktuasi rata-rata yang tidak konstan sepanjang waktu.
Untuk mengatasi variance non-stasioner, metode yang umum digunakan adalah…
Transformasi Box-Cox atau transformasi log dapat menstabilkan varians yang tidak konstan.
Metode estimasi parameter ARIMA yang meminimalkan jumlah kuadrat residual adalah…
Metode least squares meminimalkan jumlah kuadrat residual untuk estimasi parameter.
Pada diagnostic checking, uji Ljung-Box digunakan untuk…
Uji Ljung-Box menguji apakah residual memiliki autokorelasi yang signifikan.
Ramalan titik pada model ARIMA adalah…
Ramalan titik adalah nilai ekspektasi bersyarat dari observasi di masa depan berdasarkan model.
Pada model musiman multiplikatif, lag musiman yang khas adalah…
Model musiman menggunakan lag seperti s=4 untuk data kuartalan dan s=12 untuk data bulanan.
Identifikasi model ARIMA sering kali jadi bagian yang bikin banyak mahasiswa ragu di UAS, apalagi saat harus membedakan stasioner dan non-stasioner dari plot ACF. Pola turun lambat di ACF itu jebakan umum karena kelihatan mirip data stasioner, padahal belum. Itu kuncinya: lihat juga PACF-nya. Kalau sudah paham perbedaan modul 5 dan 6, sisanya tinggal nerapin di soal estimasi dan diagnostic checking.
Di STIK4243 Analisis Runtun Waktu, soal UAS UT biasanya gabung antara UTM yang hitungan langsung dan UO yang naratif analisis model. Bagian peramalan interval di modul 8 jarang dilewatkan, jadi pelajari rumus ramalan titik dan intervalnya barengan. Kalau masih ada yang bingung, coba cek soal ujian UT lain untuk latihan tambahan biar makin terbiasa sama pola soalnya.
