Baru buka Modul 01, langsung disambut grafik data runtun waktu yang naik-turun. Belum lagi istilah Box-Jenkins yang terdengar asing. Padahal ini baru awal. STIK4243 Analisis Runtun Waktu memang butuh strategi belajar yang pas.
Modul 05 soal Fak dan Fakp teoretis itu jebakan klasik. Banyak yang ketuker antara proses AR dan MA. Modul 03 juga sering bikin salah langkah di pemilihan model ARIMA terbaik. bank soal UT Statistika di sini bantu kamu latihan membedakannya. Jangan ditunda.
Di halaman ini kamu bisa latihan soal dari Modul 07 tentang estimasi sampai Modul 09 tentang model multiplikatif musiman. Semua soal UAS di bawah sudah dilengkapi kunci jawaban. Pembahasannya bikin kamu ngerti kenapa jawabannya itu. Kalau perlu latihan matkul lain, buka kumpulan soal UAS UT yang kami sediakan.
Soal UT STIK4243 Analisis Runtun Waktu
Seorang peneliti memiliki data tingkat inflasi bulanan Indonesia selama 10 tahun terakhir. Ia ingin memahami pola musiman dan tren untuk merancang kebijakan moneter. Kegiatan ini paling mencerminkan salah satu tujuan utama analisis runtun waktu, yaitu…
Tujuan analisis runtun waktu meliputi memahami mekanisme pembangkit data, meramalkan nilai masa depan, dan merancang kebijakan pengendalian. Dalam kasus ini, peneliti memanfaatkan pemahaman pola data untuk merancang kebijakan.
Perbedaan mendasar antara data runtun waktu dan data cross-section terletak pada…
Data runtun waktu dikumpulkan berdasarkan urutan waktu dengan interval yang sama, sedangkan data cross-section diamati pada satu titik waktu. Dimensi waktu menjadi pembeda utama keduanya.
Komponen deret waktu yang menunjukkan fluktuasi jangka panjang yang tidak memiliki periode tetap dan sering dikaitkan dengan siklus bisnis adalah…
Komponen siklus menggambarkan fluktuasi jangka panjang tanpa periode tetap, berbeda dengan musiman yang memiliki periode tetap. Siklus sering dikaitkan dengan siklus bisnis ekonomi.
Pak Budi mengamati data penjualan sepeda motor di dealer-nya setiap bulan selama lima tahun. Ia mencatat penjualan selalu meningkat tajam di bulan Desember dan menurun di bulan Januari. Pola ini termasuk komponen…
Pola yang berulang pada bulan yang sama setiap tahun merupakan komponen musiman karena memiliki periode tetap, dalam hal ini s=12 untuk data bulanan.
Yang dimaksud dengan interval yang sama dalam pengertian data runtun waktu adalah…
Data runtun waktu disyaratkan dicatat berdasarkan urutan waktu dengan interval yang sama, artinya jarak antar waktu pencatatan bersifat konstan.
Manakah dari berikut ini yang paling tepat menggambarkan ketidakteraturan dalam komponen deret waktu…
Komponen ketidakteraturan adalah fluktuasi acak yang tak dapat diprediksi dan tidak memiliki pola sistematis, seperti dampak isu politik mendadak pada harga saham.
Pendekatan iteratif Box-Jenkins dalam pemodelan runtun waktu menekankan bahwa…
Metode Box-Jenkins bersifat iteratif dengan tiga tahap utama yaitu identifikasi, estimasi, dan diagnostic checking yang diulang sampai model yang memadai diperoleh.
Prinsip parsimoni dalam pemodelan Box-Jenkins berarti…
Model parsimonious dipilih dengan parameter sesedikit mungkin selama masih memenuhi kriteria kecocokan statistik. Ini menghindari overfitting dan menjaga efisiensi model.
Seorang analis mencoba tiga model ARIMA berbeda untuk data penjualan bulanan. Model pertama memiliki AIC 320, model kedua AIC 315, dan model ketiga AIC 318. Berdasarkan kriteria informasi saja, model manakah yang lebih direkomendasikan…
Kriteria informasi seperti AIC menyeimbangkan kecocokan model dengan kompleksitas parameter. Nilai AIC lebih rendah menunjukkan model yang lebih baik dalam keseimbangan tersebut.
Dalam praktik pemodelan Box-Jenkins, diagnostic checking bertujuan untuk…
Tahap diagnostic checking menguji apakah residual model sudah bersifat white noise, artinya tidak ada struktur autokorelasi yang tersisa dan model sudah memadai.
PT Maju Jaya memiliki data inventori harian yang menunjukkan tren naik tidak konstan. Analis menerapkan pemodelan ARIMA dengan membagi data menjadi data pelatihan dan data pengujian untuk memeriksa keakuratan ramalan. Teknik ini disebut…
Validasi silang membagi data menjadi data pelatihan dan pengujian untuk memeriksa seberapa akurat model dalam meramalkan data di luar data pelatihan.
Dalam iterasi Box-Jenkins, urutan tahapan yang benar adalah…
Metode Box-Jenkins menetapkan urutan identifikasi terlebih dahulu untuk menentukan dugaan model, lalu estimasi parameter, dan terakhir diagnostic checking untuk menguji kelayakan model.
Koefisien autokorelasi pada lag k mengukur…
Fungsi autokorelasi (FAK) mengukur korelasi antara pengamatan pada waktu t dan t-k tanpa menghilangkan pengaruh pengamatan di antaranya, berbeda dengan FAKP yang menghilangkan pengaruh linear tersebut.
Perbedaan utama antara fungsi autokorelasi (FAK) dan fungsi autokorelasi parsial (FAKP) adalah bahwa FAKP…
FAKP mengukur korelasi antara pengamatan waktu t dan t-k setelah menghilangkan pengaruh linear dari pengamatan di antaranya, sedangkan FAK tidak menghilangkan pengaruh tersebut.
Seorang analis mengamati plot FAK dari suatu data runtun waktu. Pada lag 1 nilai FAK tinggi, kemudian menurun secara eksponensial pada lag 2 dan 3. Pola ini paling sesuai untuk mengidentifikasi model…
Proses AR(1) memiliki FAK yang menurun secara eksponensial seiring bertambahnya lag, sedangkan FAKP-nya terpotong setelah lag 1. Pola penurunan eksponensial pada FAK adalah ciri khas AR(1).
Istilah lag dalam analisis runtun waktu merujuk pada…
Lag adalah selisih atau jeda waktu antara dua pengamatan dalam runtun waktu, misalnya lag 1 berarti membandingkan pengamatan waktu t dengan t-1.
Suatu rangkaian data suhu harian Kota Bandung selama Januari 2024 merupakan contoh…
Satu rangkaian data konkret hasil amatan dari suatu proses stokastik disebut realisasi. Data suhu harian adalah satu wujud nyata dari mekanisme probabilistik yang mendasarinya.
Seorang mahasiswa menghitung korelasi antara data curah hujan hari ini dengan curah hujan tiga hari sebelumnya setelah menghilangkan pengaruh linear dari curah hujan pada satu dan dua hari sebelumnya. Mahasiswa tersebut sedang menghitung…
FAKP mengukur korelasi dengan menghilangkan pengaruh linear dari semua pengamatan di antaranya. Karena mahasiswa menghilangkan pengaruh hari ke-1 dan ke-2, maka yang dihitung adalah FAKP pada lag 3.
Suatu mekanisme probabilistik yang mendasari terbentuknya data runtun waktu disebut…
Proses stokastik adalah mekanisme probabilistik yang menghasilkan data runtun waktu, sedangkan realisasi adalah satu rangkaian data konkret hasil amatan dari proses tersebut.
Seorang analis mengamati data penjualan harian suatu toko selama satu bulan. Data yang tercatat tersebut, menurut terminologi analisis runtun waktu, disebut sebagai…
Data konkret hasil pengamatan dari suatu proses stokastik disebut realisasi. Proses stokastik adalah mekanisme di baliknya, sedangkan data yang dicatat adalah wujud nyata dari proses tersebut.
Perbedaan paling mendasar antara proses stokastik dan realisasi adalah…
Proses stokastik adalah mekanisme atau aturan probabilistik yang membangkitkan data, sedangkan realisasi adalah satu rangkaian nilai konkret yang teramati dari proses tersebut.
PT Nusantara Sejahtera memiliki data harian harga saham selama tiga tahun. Manajemen ingin membuat model yang menggambarkan struktur ketergantungan antar harga saham pada berbagai waktu. Langkah ini termasuk dalam…
Model runtun waktu adalah representasi matematis yang menggambarkan struktur ketergantungan antar pengamatan dalam suatu proses stokastik. Inilah yang ingin dibangun manajemen.
Jika suatu proses stokastik memiliki rata-rata dan varians yang konstan, serta kovarians antara dua pengamatan hanya bergantung pada jeda waktu di antaranya, maka proses tersebut bersifat…
Tiga syarat stasioneritas lemah adalah rata-rata konstan, varians konstan, dan kovarians hanya bergantung pada lag.
Suatu model matematis yang merepresentasikan struktur ketergantungan dalam data runtun waktu tetapi tidak mencakup komponen acak disebut…
Model deterministik tidak memasukkan komponen acak, berbeda dengan model stokastik yang menyertakan unsur probabilistik. Model ARIMA termasuk model stokastik.
Bu Rina membandingkan dua model ARIMA untuk data penjualan bulanannya. Model X memiliki 3 parameter dengan AIC 250, sedangkan Model Y memiliki 5 parameter dengan AIC 248. Berdasarkan prinsip parsimoni dan kriteria informasi…
Prinsip parsimoni memilih model dengan parameter sesedikit mungkin yang memenuhi kriteria. Selisih AIC hanya 2, sehingga model X dengan 3 parameter lebih direkomendasikan.
Seorang analis mengevaluasi tiga model ARIMA: Model P (p=1, d=0, q=0, AIC=300), Model Q (p=2, d=0, q=1, AIC=295), Model R (p=1, d=0, q=1, AIC=298). Jika menggunakan AIC sebagai kriteria pemilihan model terbaik…
AIC menyeimbangkan kecocokan dan kompleksitas. Nilai AIC terkecil menunjukkan model terbaik berdasarkan kriteria ini, sehingga Model Q dipilih.
Setelah mengestimasi model ARIMA, analis memeriksa apakah residual model tidak lagi mengandung struktur autokorelasi. Tahap ini disebut…
Diagnostic checking adalah tahap pengujian residual untuk memastikan residual bersifat white noise, yaitu tidak mengandung pola autokorelasi yang tersisa.
Kriteria Informasi Akaike (AIC) dalam pemilihan model ARIMA digunakan untuk…
AIC menyeimbangkan goodness of fit dengan kompleksitas model (jumlah parameter). Nilai AIC lebih kecil menunjukkan model yang lebih baik dalam keseimbangan tersebut.
Seorang peneliti menguji model ARIMA(1,0,1) dan menemukan bahwa residualnya tidak white noise. Langkah yang PALING tepat sesuai iterasi Box-Jenkins adalah…
Jika residual tidak white noise, model belum memadai. Iterasi Box-Jenkins mengharuskan kembali ke tahap identifikasi untuk mencari model lain yang menghasilkan residual white noise.
PT Mega Retail ingin memilih model ARIMA terbaik dari beberapa kandidat. Analis menggunakan kriteria informasi dan prinsip parsimoni secara bersama-sama. Manakah situasi yang PALING mencerminkan prinsip parsimoni…
Prinsip parsimoni memilih model paling sederhana di antara model yang sama baiknya. Jika dua model memiliki AIC yang hampir sama, model dengan parameter lebih sedikit lebih dipilih.
Dalam studi kasus inventori, data menunjukkan pola non-stasioner dengan tren naik. Langkah awal yang diperlukan sebelum memodelkan dengan ARIMA adalah…
Data inventori yang non-stasioner memerlukan diferensing terlebih dahulu untuk menghilangkan tren dan mencapai stasionaritas sebelum model ARIMA dapat diterapkan.
Seorang mahasiswa mengerjakan studi kasus pemodelan inventori. Ia membagi data menjadi 80% data pelatihan dan 20% data pengujian. Setelah memilih model final, ia mengevaluasi akurasi ramalan pada data pengujian. Kegiatan ini disebut…
Validasi silang adalah teknik membagi data menjadi data pelatihan dan pengujian untuk menguji performa model pada data yang tidak digunakan dalam estimasi, sehingga akurasi ramalan dapat dievaluasi secara objektif.
Dalam studi kasus inventori, seorang analis mengamati bahwa plot FAK data asli menurun sangat lambat dan tidak mendekati nol hingga lag 20. Hal ini mengindikasikan bahwa data…
FAK yang menurun sangat lambat (dies down slowly) merupakan indikasi kuat data non-stasioner dalam rata-rata, sehingga perlu dilakukan diferensing sebelum pemodelan ARIMA.
Setelah melalui tahap identifikasi, estimasi, dan diagnostic checking, seorang analis dihadapkan pada dua model yang keduanya memiliki residual white noise. Model A: ARIMA(0,1,1) dengan AIC=400, Model B: ARIMA(0,1,2) dengan AIC=402. Keputusan terbaik berdasarkan praktik pemodelan yang baik adalah…
Ketika dua model sama-sama memenuhi kriteria diagnostic checking, model dengan AIC lebih kecil dan parameter lebih sedikit (lebih parsimonious) merupakan pilihan terbaik.
Seorang analis di PT Logistik Nusantara memodelkan data inventori harian yang menunjukkan tren naik tidak konstan. Ia membagi data menjadi 80% data pelatihan dan 20% data pengujian, lalu mengevaluasi akurasi ramalan model final pada data pengujian. Kegiatan evaluasi ini dikenal sebagai…
Mengevaluasi model pada data yang tidak digunakan dalam pelatihan disebut validasi silang, yang menguji kemampuan generalisasi model.
Dalam studi kasus inventori, seorang analis menjumpai plot FAK data asli yang nilai-nilainya tetap tinggi dan menurun sangat perlahan hingga lag 15. Pola FAK semacam ini memberikan indikasi kuat bahwa data…
FAK yang meluruh sangat lambat tanpa mendekati nol merupakan indikator kuat bahwa data belum stasioner dalam rata-rata dan memerlukan diferensing.
Operator backshift B yang diterapkan pada suatu pengamatan Z_t akan menghasilkan…
Operator backshift B^k menggeser indeks waktu mundur sebanyak k langkah, sehingga B^k Z_t = Z_{t-k}.
Suatu model ARIMA(2,1,2) memiliki komponen diferensing sebanyak…
Notasi ARIMA(p,d,q) dengan d=1 menunjukkan satu kali operasi diferensing biasa, yaitu pengurangan antara pengamatan waktu t dan t-1.
Seorang mahasiswa menuliskan model ARIMA(1,0,1) dalam bentuk persamaan menggunakan operator backshift. Bentuk umum yang tepat adalah…
ARIMA(1,0,1) tidak memiliki diferensing sehingga bentuknya adalah φ(B) Z_t = θ(B) a_t, dengan φ(B) = 1 – φ_1 B dan θ(B) = 1 – θ_1 B.
Dalam notasi ARIMA(p,d,q), jika d = 0 maka dapat disimpulkan bahwa…
Nilai d = 0 menunjukkan tidak diperlukannya diferensing, yang berarti data asli sudah memenuhi kondisi stasioner dalam rata-rata.
Operasi diferensing orde satu pada runtun waktu Z_t ekuivalen dengan mengalikan data asli dengan operator…
Diferensing orde satu didefinisikan sebagai W_t = Z_t – Z_{t-1} = (1 – B) Z_t sehingga operator yang digunakan adalah (1 – B).
PT Agro Sejahtera memiliki data harga gabah bulanan yang menunjukkan tren naik. Analis menerapkan ARIMA(0,1,1) pada data tersebut. Arti notasi (0,1,1) pada konteks ini adalah…
Pada ARIMA(p,d,q), d=1 berarti satu kali diferensing, p=0 berarti tanpa komponen autoregresif, dan q=1 berarti satu komponen rata-rata bergerak.
Koefisien autoregresif pada model ARIMA menunjukkan…
Koefisien AR menangkap pengaruh linear dari nilai-nilai pengamatan masa lalu terhadap nilai saat ini, berbeda dengan koefisien MA yang bekerja pada residual lampau.
Suatu model ARIMA(0,0,2) memiliki persamaan Z_t = a_t – 0,4 a_{t-1} – 0,3 a_{t-2}. Interpretasi koefisien -0,4 pada model ini adalah…
Model ARIMA(0,0,2) adalah model MA(2) murni, sehingga setiap koefisien θ bekerja pada residual masa lalu a_{t-k}, bukan pada pengamatan Z_{t-k}.
Seorang analis membandingkan dua model: ARIMA(1,0,0) dengan persamaan Z_t = 0,7 Z_{t-1} + a_t dan ARIMA(0,0,1) dengan persamaan Z_t = a_t – 0,7 a_{t-1}. Meskipun koefisiennya sama-sama 0,7, interpretasi keduanya berbeda karena…
Pada AR(1), koefisien φ mengalikan Z_{t-1} (pengamatan lampau), sedangkan pada MA(1), koefisien θ mengalikan a_{t-1} (residual lampau). Keduanya memiliki makna struktural yang berbeda.
Model ARIMA(1,1,0) dapat dituliskan secara eksplisit dalam bentuk persamaan sebagai…
ARIMA(1,1,0) berarti diferensing satu kali dan komponen AR(1) pada data yang sudah didiferensing, sehingga W_t = φ_1 W_{t-1} + a_t dengan W_t = Z_t – Z_{t-1}.
Dalam interpretasi model ARIMA, koefisien rata-rata bergerak yang bernilai negatif dan signifikan menunjukkan bahwa…
Koefisien MA negatif berarti residual positif pada periode sebelumnya justru menurunkan nilai saat ini, menunjukkan efek koreksi berlawanan arah.
Bu Rina memodelkan data jumlah kendaraan yang melintas di jalan tol setiap jam. Ia mendapatkan model Z_t = 1,2 Z_{t-1} – 0,4 Z_{t-2} + a_t. Interpretasi koefisien -0,4 pada model ini adalah…
Model tersebut adalah AR(2) dengan koefisien φ_2 = -0,4 yang menunjukkan bobot pengaruh Z_{t-2} terhadap Z_t setelah mengontrol Z_{t-1}.
Suatu proses white noise memiliki karakteristik FAK yang bersifat…
White noise didefinisikan sebagai proses tanpa struktur autokorelasi, sehingga FAK teoretisnya bernilai nol untuk semua lag k ≠ 0.
Pola FAK dari proses MA(1) dengan parameter θ positif akan menunjukkan…
Proses MA(1) memiliki FAK terpotong setelah lag 1. Jika θ positif, autokorelasi lag 1 bernilai negatif karena ρ_1 = -θ/(1+θ^2).
Seorang analis mengamati plot FAK dan FAKP dari data return saham harian. FAK menunjukkan satu nilai signifikan pada lag 1 lalu terpotong, sedangkan FAKP menurun secara bertahap. Temuan ini paling konsisten dengan proses…
Pola FAK terpotong pada lag 1 dan FAKP menurun bertahap (dies down) merupakan ciri khas proses MA(1). Sebaliknya, AR(1) memiliki FAK menurun dan FAKP terpotong.
Suatu proses white noise dengan varians σ^2 memiliki FAK pada lag 2 sebesar…
White noise didefinisikan memiliki autokorelasi nol untuk semua lag bukan nol, sehingga FAK pada lag 2 bernilai nol.
Diketahui suatu proses stasioner memiliki FAK yang terpotong setelah lag 1 dan FAKP yang menurun secara eksponensial. Proses tersebut paling mungkin adalah…
Pola FAK terpotong pada lag 1 dan FAKP menurun eksponensial merupakan ciri khas proses MA(1).
Seorang analis memodelkan data harian suhu dan mendapatkan plot FAK yang menurun perlahan menyerupai gelombang sinus yang meluruh, sementara FAKP menunjukkan nilai signifikan hanya pada lag 1 dan 2 lalu mendekati nol. Karakteristik ini paling sesuai dengan…
FAKP yang terpotong setelah lag 2 dengan FAK menurun sinusoidal adalah pola teoretis proses AR(2).
Syarat agar suatu proses AR(1) dengan parameter φ bersifat stasioner lemah adalah…
Stasioneritas lemah proses AR(1) mensyaratkan akar karakteristik 1 – φB = 0 berada di luar lingkaran satuan, yang ekuivalen dengan |φ| < 1.
Proses MA(1) dengan parameter θ dikatakan invertible jika…
Invertibilitas proses MA(1) mensyaratkan akar persamaan 1 – θB = 0 berada di luar lingkaran satuan, yang terpenuhi jika |θ| < 1.
Perbedaan mendasar antara konsep stasionaritas dan invertibilitas dalam analisis runtun waktu adalah…
Stasionaritas adalah sifat distribusi proses yang tidak berubah terhadap waktu, sedangkan invertibilitas adalah kemampuan suatu proses MA direpresentasikan sebagai proses AR yang konvergen.
Suatu proses AR(2) memiliki persamaan karakteristik 1 – 0,5B – 0,3B^2 = 0. Agar proses ini stasioner, syarat yang harus dipenuhi oleh akar-akar persamaan tersebut adalah…
Proses AR(p) stasioner jika semua akar persamaan karakteristik φ(B) = 0 terletak di luar lingkaran satuan pada bidang kompleks.
Seorang mahasiswa menguji suatu proses MA(2) dan menemukan bahwa salah satu akar persamaan karakteristiknya bernilai 0,8. Kesimpulan yang tepat mengenai proses tersebut adalah…
Invertibilitas proses MA mensyaratkan semua akar persamaan karakteristik θ(B) = 0 berada di luar lingkaran satuan. Akar bernilai 0,8 berada di dalam lingkaran satuan, sehingga proses tidak invertible.
Jika suatu proses stokastik memiliki rata-rata yang berubah secara sistematis terhadap waktu mengikuti fungsi linear, tetapi varians dan kovariansnya konstan, maka proses tersebut…
Stasioneritas lemah mensyaratkan rata-rata konstan. Jika rata-rata berubah mengikuti tren deterministik, proses tidak stasioner dalam rata-rata meskipun varians konstan.
PT Nusa Konstruksi mencatat data bulanan penggunaan semen yang menunjukkan kenaikan konsisten sekitar 2% setiap bulan. Pola ini merupakan contoh…
Kenaikan dengan persentase tetap yang dapat diprediksi secara sistematis merupakan ciri tren deterministik, bukan fluktuasi acak yang terakumulasi.
Data harga saham harian sering dimodelkan sebagai random walk. Karakteristik utama random walk yang membedakannya dari proses stasioner adalah…
Random walk memiliki varians yang bergantung pada t (membesar seiring waktu), sehingga tidak memenuhi syarat stasioneritas lemah.
Untuk mengatasi data dengan tren stokastik, teknik yang paling tepat digunakan sebelum pemodelan ARIMA adalah…
Diferensing merupakan teknik utama untuk menghilangkan ketidakstasioneran rata-rata yang disebabkan oleh tren stokastik, sesuai dengan komponen d dalam ARIMA(p,d,q).
Seorang analis mengamati data triwulanan PDB Indonesia selama 20 tahun. Plot data menunjukkan kenaikan yang tidak mulus dan tampak terakumulasi dari waktu ke waktu. Setelah dilakukan diferensing orde satu, data menjadi stasioner. Data asli kemungkinan besar memiliki…
Data yang menjadi stasioner setelah diferensing orde satu mengindikasikan adanya tren stokastik, yang khas pada proses random walk atau proses terintegrasi orde satu.
Perbedaan utama antara tren deterministik dan tren stokastik terletak pada…
Tren deterministik adalah perubahan rata-rata yang mengikuti fungsi waktu tertentu secara sistematis, sedangkan tren stokastik merupakan akumulasi dari kejutan acak yang menghasilkan perubahan rata-rata tidak terduga.
Data penjualan kuartalan suatu perusahaan menunjukkan varians residual yang membesar seiring meningkatnya volume penjualan. Kondisi ini disebut…
Heteroskedastisitas adalah kondisi varians residual yang tidak konstan, dalam kasus ini varians membesar mengikuti level data.
Transformasi Box-Cox pada data runtun waktu bertujuan untuk…
Transformasi Box-Cox adalah keluarga transformasi pemangkat yang dirancang untuk menstabilkan varians ketika varians berubah seiring perubahan level data.
Seorang analis mengamati data bulanan jumlah wisatawan yang menunjukkan varians tinggi pada musim puncak dan varians rendah pada musim sepi. Sebelum memodelkan dengan ARIMA, transformasi yang paling sesuai untuk menangani masalah ini adalah…
Transformasi logaritma efektif menstabilkan varians yang berubah secara proporsional terhadap level data, seperti varians tinggi saat volume wisatawan besar dan rendah saat volume kecil.
PT Sandang Prima mencatat data penjualan bulanan yang menunjukkan varians residual tinggi saat penjualan sedang puncak dan rendah saat penjualan normal. Kondisi ini dikenal dalam analisis runtun waktu sebagai…
Heteroskedastisitas merujuk pada varians residual yang tidak konstan, dalam kasus ini membesar seiring level penjualan.
Seorang analis mengamati data produksi harian pabrik tekstil. Plot residual menunjukkan pola melebar saat level produksi naik. Untuk menstabilkan varians sebelum pemodelan ARIMA, teknik yang paling tepat diterapkan adalah…
Transformasi Box-Cox dirancang untuk menstabilkan varians yang berubah seiring level deret, berbeda dengan diferensing yang mengatasi ketidakstasioneran rata-rata.
Dalam estimasi parameter model ARIMA, metode yang menyamakan momen sampel dengan momen teoretis model disebut…
Metode momen bekerja dengan mencocokkan momen statistik sampel pada momen teoretis model untuk memperoleh taksiran parameter.
Bu Dewi mengestimasi model ARIMA(1,0,1) pada data penjualan kuartalan dengan memilih parameter yang memaksimalkan fungsi peluang data di bawah model tersebut. Metode estimasi yang ia gunakan adalah…
Maximum likelihood mencari estimator dengan memaksimalkan fungsi peluang (likelihood) data observasi di bawah model yang diasumsikan.
Seorang peneliti memilih metode estimasi yang meminimalkan jumlah kuadrat residual untuk memperoleh parameter model ARIMA. Metode ini dikenal sebagai…
Least squares menaksir parameter dengan meminimalkan total kuadrat selisih antara nilai observasi dan nilai yang diprediksi model.
Perbedaan utama antara conditional least squares dan unconditional least squares dalam estimasi ARIMA terletak pada…
Conditional least squares mengasumsikan nilai awal residual tertentu (biasanya nol), sedangkan unconditional least squares tidak mengkondisikan pada nilai awal tertentu.
Pak Ibrahim membandingkan dua pendekatan estimasi: metode momen dan maximum likelihood. Keunggulan utama maximum likelihood dibandingkan metode momen adalah…
Estimator maximum likelihood bersifat efisien secara asimtotik dan memiliki varians lebih kecil dibanding metode momen ketika asumsi distribusi terpenuhi.
Setelah mengestimasi model ARIMA, Pak Andi memeriksa apakah residual model sudah bersifat white noise. Kegiatan ini merupakan bagian dari tahap…
Diagnostic checking bertujuan menguji kelayakan model, salah satunya dengan memeriksa apakah residual tidak mengandung struktur autokorelasi yang tersisa.
Statistik Ljung-Box digunakan dalam diagnostic checking untuk menguji…
Uji Ljung-Box menguji hipotesis nol bahwa semua autokorelasi residual hingga lag tertentu bernilai nol, sehingga residual bersifat independen.
Seorang analis menguji model ARIMA(1,0,0) dan mendapatkan statistik Ljung-Box pada lag 12 dengan p-value 0,03 pada taraf signifikansi 5%. Kesimpulan yang tepat adalah…
Karena p-value Ljung-Box 0,03 < 0,05 maka H0 ditolak, artinya masih terdapat autokorelasi signifikan pada residual sehingga residual belum white noise dan model belum memadai.
Teknik overfitting dalam diagnostic checking dilakukan dengan cara…
Overfitting menambah parameter ekstra pada model untuk mendeteksi apakah parameter tambahan tersebut signifikan, jika tidak maka model lebih sederhana sudah memadai.
Dalam diagnostic checking model ARIMA, uji Ljung-Box berbeda dari uji Durbin-Watson terutama karena…
Ljung-Box menguji signifikansi bersama beberapa autokorelasi residual hingga lag tertentu, sementara Durbin-Watson hanya menguji autokorelasi pada lag 1.
Suatu peramal dikatakan tak bias dalam konteks ramalan titik jika…
Peramal tak bias berarti ekspektasi dari ramalan sama dengan ekspektasi nilai aktual yang akan terjadi, sehingga secara rata-rata ramalan tidak meleset sistematis.
PT Logistik Nusa memiliki data permintaan harian. Manajer menginginkan ramalan dengan varians galat terkecil di antara semua peramal linear tak bias. Kriteria ini disebut…
Peramal varians minimum adalah peramal yang di antara semua peramal linear tak bias memiliki varians galat terkecil, sehingga memberikan ramalan paling presisi.
Bu Ratna menghitung ramalan titik untuk 3 bulan ke depan menggunakan model ARIMA(1,1,0). Formula rekursif yang ia gunakan melibatkan parameter model dan data historis. Formula ini dikenal sebagai…
Fungsi peramalan ARIMA adalah formula rekursif yang memanfaatkan parameter model dan data historis untuk menghitung ramalan titik ke depan.
Seorang analis membandingkan dua jenis ramalan: ramalan titik memberikan satu nilai, sedangkan ramalan interval memberikan rentang nilai. Perbedaan esensial di antara keduanya terletak pada…
Ramalan interval menyertakan informasi ketidakpastian dalam bentuk rentang nilai dengan tingkat keyakinan tertentu, sedangkan ramalan titik hanya berupa satu nilai tunggal.
Pak Darmawan menghitung ramalan permintaan produk untuk bulan depan menggunakan model ARIMA. Ia mendapatkan nilai ramalan sebesar 250 unit. Agar ramalan ini dapat disebut sebagai peramal tak bias, maka syarat yang harus dipenuhi adalah…
Peramal tak bias memiliki nilai harapan yang sama dengan nilai harapan observasi masa depan, bukan berarti ramalan selalu tepat atau memiliki varians minimum.
Seiring bertambahnya horizon ramalan dalam model ARIMA, varians galat ramalan cenderung…
Ketidakpastian ramalan meningkat seiring horizon yang lebih jauh, menyebabkan varians galat ramalan membesar hingga akhirnya mendekati varians data asli ketika informasi historis semakin lemah pengaruhnya.
PT Bumi Resources memodelkan data produksi minyak harian. Manajer ingin mengetahui rentang nilai yang memuat produksi aktual 5 hari ke depan dengan tingkat keyakinan 95%. Informasi ini diberikan oleh…
Selang kepercayaan ramalan memberikan batas bawah dan atas yang memuat nilai masa depan dengan probabilitas tertentu, sehingga menjawab kebutuhan manajer akan rentang nilai produksi di masa mendatang.
Bu Lestari membandingkan selang kepercayaan ramalan untuk horizon 1 bulan dan 6 bulan ke depan dari model ARIMA yang sama. Ia menemukan bahwa selang untuk horizon 6 bulan lebih lebar. Penyebab utama perbedaan ini adalah…
Varians galat ramalan adalah fungsi yang meningkat terhadap horizon. Semakin jauh langkah ke depan, semakin besar ketidakpastian, sehingga rentang selang kepercayaan ikut membesar.
Seorang analis menghitung ramalan interval untuk data bulanan 12 periode ke depan. Ia menggunakan taraf signifikansi 5%. Interpretasi yang tepat dari selang kepercayaan 95% pada horizon ke-12 adalah…
Selang kepercayaan ramalan memberikan probabilitas bagi nilai masa depan untuk terjatuh dalam rentang yang dihitung, dengan asumsi model yang digunakan benar dan galat berdistribusi normal.
Dalam konteks ramalan interval model ARIMA, horizon ramalan didefinisikan sebagai…
Horizon ramalan adalah selisih waktu antara asal ramalan dan waktu yang diramalkan, bukan ukuran data historis atau jumlah parameter.
Seorang analis mengamati plot FAK data bulanan penjualan es krim. Ia menemukan nilai autokorelasi yang tinggi pada lag 12, 24, dan 36, sementara pada lag lainnya relatif rendah. Pola ini paling mengindikasikan adanya…
FAK yang menonjol pada kelipatan periode tertentu menunjukkan struktur musiman. Lag 12, 24, dan 36 pada data bulanan menunjukkan pengulangan tahunan, sehingga mengindikasikan komponen musiman dengan s = 12.
Periode musiman (s) dalam analisis runtun waktu merujuk pada…
Periode musiman menunjukkan panjang satu siklus musiman yang konstan, misalnya s = 12 untuk pola tahunan pada data bulanan, atau s = 4 untuk pola tahunan pada data kuartalan.
PT Tirta Segar mencatat data produksi air minum kuartalan yang selalu meningkat tajam setiap kuartal keempat. Sebelum memodelkan dengan ARIMA musiman, analis menerapkan operasi pengurangan antara Z_t dan Z_{t-4}. Teknik ini disebut…
Pengurangan antara pengamatan pada waktu t dan t-s, dengan s = 4, adalah definisi diferensing musiman. Teknik ini menghilangkan ketidakstasioneran yang disebabkan oleh pola musiman kuartalan.
Perbedaan utama antara diferensing biasa dan diferensing musiman terletak pada…
Diferensing biasa menghitung selisih Z_t – Z_{t-1}, sedangkan diferensing musiman menghitung selisih Z_t – Z_{t-s}. Perbedaan esensial terletak pada jarak lag yang digunakan.
Seorang mahasiswa mengamati FAKP data bulanan dan melihat nilai signifikan hanya pada lag 12. Pada lag 1 sampai 11 dan lag 13 sampai 23, FAKP mendekati nol. Pola FAKP seperti ini paling konsisten dengan…
FAKP yang terpotong pada lag musiman (s=12) dan nol di antaranya adalah karakteristik proses autoregresif musiman orde satu, dimana hanya pengamatan pada lag kelipatan s yang berpengaruh langsung.
Model ARIMA musiman dengan notasi ARIMA(p,d,q)(P,D,Q)_s menggunakan pendekatan multiplikatif. Arti dari pendekatan multiplikatif dalam konteks ini adalah…
Dalam model multiplikatif, operator AR dan MA non-musiman serta musiman dikalikan, bukan dijumlahkan. Ini berarti efek musiman dan non-musiman berinteraksi secara multiplikatif pada struktur korelasi data.
PT Sentosa Abadi memodelkan data penjualan bulanannya dengan model ARIMA(0,1,1)(1,0,0)_12. Berdasarkan notasi ini, komponen musiman model memiliki karakteristik…
Notasi (P,D,Q)_s = (1,0,0)_12 menunjukkan komponen musiman memiliki AR orde 1, tanpa diferensing musiman maupun MA musiman.
Seorang analis membandingkan dua model untuk data kuartalan: Model A adalah ARIMA(1,0,0)(0,1,1)_4 dan Model B adalah ARIMA(1,0,0) dengan tambahan variabel dummy kuartalan. Perbedaan fundamental antara kedua pendekatan ini adalah…
Model multiplikatif ARIMA musiman menangani musiman lewat operator backshift dalam struktur model, sedangkan pendekatan dummy menggunakan regresi pada indikator musim.
Dalam model ARIMA(1,0,0)(0,1,1)_12, koefisien MA musiman pada komponen (0,1,1)_12 bekerja pada…
Koefisien MA musiman (Q) mempengaruhi residual pada lag kelipatan s. Pada model dengan s=12, parameter ini bekerja pada lag 12, 24, 36, dan kelipatan 12 lainnya, yang mencerminkan ketergantungan musiman.
PT Nusa Logistics mengamati data pengiriman barang bulanan yang menunjukkan pola puncak setiap Desember. Analis mengusulkan model ARIMA(0,1,1)(1,0,0)_12. Koefisien AR musiman pada lag 12 dalam model ini menginterpretasikan bahwa…
Pada komponen AR musiman orde satu, parameter AR pada lag 12 menunjukkan bobot pengaruh langsung pengamatan 12 bulan sebelumnya terhadap pengamatan bulan ini, setelah efek non-musiman diperhitungkan dalam model multiplikatif.
Stasioneritas itu kunci. Kalau data belum stasioner, model ARIMA kamu cuma tembak-tembak doang. Bedain mana yang mean non-stationer, mana yang variance non-stationer. Itu titik rawan. Banyak yang terbalik.
Modul 06 sering jadi penentu pas UAS. Soal UTM biasanya minta identifikasi, UO suruh kamu putuskan langkah selanjutnya. Kalau konsep differencing dan transformasi log belum nempel, coba ulangi lagi latihan soal dari Modul 05 dan 06. Jangan cuma hafal rumus. Di STIK4243 Analisis Runtun Waktu, diagnostic checking juga nggak kalah penting, kamu harus bisa baca residual ACF. Kalau fondasi statistika dari Modul 02 masih goyah, ada latihan soal Pengantar Statistika Matematis 1 yang bisa bantu mantapin dasarnya.
