Pulang kerja, terus harus bedain antara ACF dan PACF di Modul 2 bikin kepala pusing sendiri. Apalagi kalau ditambah soal modul tentang model ARIMA yang konsepnya terasa abstrak banget. Saya juga pernah di posisi itu. Soal UT yang tersedia di sini bantu banget buat lihat penerapan langsung dari fungsi autokorelasi. Mulai saja dari latihan di bagian STIK4243 Analisis Runtun Waktu ini.
Modul 3 tentang studi kasus inventori dan Modul 5 seputar model stasioner adalah dua topik yang paling sering bikin mahasiswa keliru saat belajar. Bukan karena sulit, cuma membedakan fak teoretis lima proses butuh latihan visual yang intensif. prediksi soal UAS Statistika dari halaman ini memang difokuskan ke pemahaman stasionaritas. Kerjakan soal per kegiatan belajar biar langsung terbiasa.
Soal Ujian UT di bawah ini rangkum inti tiap KB, dari notasi backshift di Modul 4 sampai peramalan interval di Modul 8. Setiap soal sudah dilengkapi kunci jawaban dan pembahasan lengkap, bukan cuma jawaban benar-salah. Jika hasil jawabanmu masih selisih dengan kunci, pelajari dulu uraian pembahasannya sebelum lanjut nomor berikutnya. Soal UAS UT sengaja kami buat per kegiatan belajar supaya mudah ditelusuri.
Soal UT STIK4243 Analisis Runtun Waktu
Data runtun waktu adalah data yang dikumpulkan berdasarkan…
Data runtun waktu adalah data yang dikumpulkan berdasarkan urutan waktu. Hal ini sesuai dengan definisi dasar data runtun waktu.
Contoh data runtun waktu adalah…
Harga saham harian selama setahun merupakan data yang dikumpulkan berdasarkan urutan waktu, sehingga termasuk data runtun waktu.
Komponen utama dalam data runtun waktu yang menunjukkan pola naik turun dalam jangka pendek disebut…
Komponen irregular adalah fluktuasi acak dalam data runtun waktu yang bersifat jangka pendek.
Pola data yang berulang dalam periode tertentu dan relatif stabil disebut komponen…
Komponen musiman adalah pola yang berulang secara periodik dalam jangka waktu tetap, misalnya setiap bulan atau setiap kuartal.
Tujuan utama analisis runtun waktu adalah…
Analisis runtun waktu bertujuan untuk meramalkan nilai masa depan dengan memanfaatkan pola dari data masa lalu.
Data runtun waktu yang dikumpulkan setiap hari disebut data dengan frekuensi…
Data harian adalah data yang dikumpulkan setiap hari secara berurutan.
Metodologi Box-Jenkins dalam analisis runtun waktu terdiri dari tiga tahap utama, yaitu…
Metodologi Box-Jenkins meliputi identifikasi model, estimasi parameter, dan diagnostic checking untuk memeriksa kecocokan model.
Model ARIMA adalah singkatan dari…
ARIMA adalah kependekan dari Autoregressive Integrated Moving Average, yang merupakan model umum dalam analisis runtun waktu Box-Jenkins.
Langkah pertama dalam metodologi Box-Jenkins adalah…
Langkah pertama dalam metodologi Box-Jenkins adalah identifikasi model, yaitu menentukan orde model ARIMA berdasarkan data.
Dalam model ARIMA(p,d,q), parameter d menunjukkan…
Parameter d dalam ARIMA menunjukkan jumlah differencing yang diperlukan untuk membuat data menjadi stasioner.
Fungsi autokorelasi atau ACF digunakan untuk mengidentifikasi…
ACF digunakan untuk mengidentifikasi orde moving average dalam model ARIMA, karena ACF akan terpotong pada lag tertentu untuk proses MA.
Fungsi autokorelasi parsial atau PACF digunakan untuk mengidentifikasi…
PACF digunakan untuk mengidentifikasi orde autoregressive karena PACF akan terpotong pada lag tertentu untuk proses AR.
Jika ACF menunjukkan penurunan eksponensial dan PACF terpotong pada lag 2, maka model yang sesuai adalah…
PACF yang terpotong pada lag 2 mengindikasikan model AR(2), sedangkan ACF yang menurun eksponensial mendukung adanya proses autoregressive.
Jika PACF menurun eksponensial dan ACF terpotong pada lag 1, maka model yang sesuai adalah…
ACF yang terpotong pada lag 1 mengindikasikan model MA(1), sedangkan PACF yang menurun eksponensial mendukung adanya proses moving average.
Nilai autokorelasi pada lag 0 selalu sama dengan…
Autokorelasi pada lag 0 adalah korelasi antara data dengan dirinya sendiri, yang selalu bernilai 1.
Jika suatu proses memiliki ACF yang tidak pernah terpotong dan menurun secara perlahan, hal ini menunjukkan bahwa data…
ACF yang menurun perlahan dan tidak terpotong merupakan indikasi bahwa data tidak stasioner, biasanya memerlukan differencing.
Autokorelasi parsial untuk proses AR(1) akan memiliki nilai yang signifikan pada…
Untuk proses AR(1), PACF akan terpotong setelah lag 1, sehingga hanya lag 1 yang signifikan.
Jika suatu proses stasioner memiliki fungsi autokorelasi (FAK) yang menurun secara eksponensial dan fungsi autokorelasi parsial (FAKP) yang terputus setelah lag 1, proses tersebut kemungkinan besar adalah model…
FAK menurun eksponensial dan FAKP terputus setelah lag 1 merupakan ciri model AR(1).
Dalam konteks analisis runtun waktu, istilah 'proses' mengacu pada…
Proses adalah mekanisme stokastik yang menghasilkan data, sedangkan realisasi adalah data observasinya.
Realisasi dari suatu proses stokastik adalah…
Realisasi adalah data aktual yang diamati dari suatu proses stokastik.
Model runtun waktu yang menggabungkan komponen autoregresif dan moving average disebut…
Model ARMA adalah gabungan autoregresif (AR) dan moving average (MA).
Jika suatu proses memiliki mean yang konstan dan varians yang konstan sepanjang waktu, maka proses tersebut dikatakan…
Stasioneritas mensyaratkan mean dan varians konstan serta kovarians hanya tergantung pada lag.
Fungsi autokorelasi (FAK) dari proses white noise akan bernilai…
White noise memiliki FAK = 0 untuk semua lag kecuali lag 0, sehingga tidak signifikan.
Dalam pemodelan ARIMA, model yang baik harus memenuhi kriteria…
Model yang baik memiliki parameter signifikan dan residual bersifat white noise serta tidak berkorelasi.
Salah satu prinsip parsimoni dalam pemodelan adalah…
Prinsip parsimoni menyatakan bahwa model sederhana dengan parameter minimal lebih disukai selama memadai.
Jika residual dari model ARIMA masih menunjukkan autokorelasi yang signifikan, maka langkah selanjutnya adalah…
Autokorelasi residual menandakan model belum memadai, sehingga perlu diperbaiki dengan menambah orde atau modifikasi.
Pemeriksaan apakah residual model berdistribusi normal dilakukan dengan…
Uji Jarque-Bera digunakan untuk menguji normalitas residual.
Dalam studi kasus inventori, langkah pertama dalam pemodelan ARIMA adalah…
Identifikasi adalah langkah awal untuk menentukan orde model sebelum estimasi.
Data inventori seringkali menunjukkan pola non-stasioner, sehingga perlu dilakukan…
Non-stasioner dapat diatasi dengan differencing (mean) atau transformasi (varians) atau keduanya.
Jika setelah differencing data menjadi stasioner, maka model yang sesuai adalah…
ARIMA adalah model yang mengakomodasi differencing untuk data non-stasioner.
Pemilihan model terbaik pada studi kasus inventori dapat didasarkan pada nilai…
AIC dan BIC yang kecil menunjukkan model lebih baik dan lebih efisien.
Setelah model ARIMA terpilih, langkah selanjutnya adalah…
Diagnostic checking dilakukan untuk memvalidasi kecukupan model sebelum peramalan.
Dalam studi kasus inventori, jika residual model masih mengandung pola musiman, maka perlu…
Pola musiman pada residual mengindikasikan perlunya model yang menangani musiman.
Salah satu keuntungan menggunakan model ARIMA dalam peramalan inventori adalah…
ARIMA fleksibel untuk berbagai pola data, termasuk musiman dengan model SARIMA.
Dalam studi kasus inventori pada Modul 3, langkah pertama yang perlu dilakukan ketika memiliki data inventori adalah…
Langkah awal adalah identifikasi model, salah satunya dengan melihat plot deret waktu untuk mengetahui pola stasioner atau tidak.
Pada studi kasus inventori, setelah melakukan differencing pertama, plot ACF menunjukkan lag signifikan pada lag ke-1 dan ke-2. Hal tersebut mengindikasikan model sementara antara lain…
ACF yang signifikan pada dua lag pertama setelah differencing mengindikasikan proses moving average (MA). Karena sudah differencing satu kali, maka model sementara adalah IMA(1,1).
Notasi backshift (B) digunakan untuk memudahkan penulisan model ARIMA. Jika diberikan model ARIMA(1,1,1), maka bentuk persamaannya dalam notasi backshift yang benar adalah…
ARIMA(1,1,1) memiliki komponen AR(1) berupa (1 – phi1 B), differencing orde 1 berupa (1 – B), dan MA(1) berupa (1 – theta1 B) yang mempengaruhi residual a_t. Persamaan yang tepat adalah (1 – phi1 B) (1 – B) Z_t = (1 – theta1 B) a_t.
Jika suatu model ARIMA memiliki notasi (2,0,0), maka model tersebut setara dengan…
ARIMA(p,d,q) dengan d=0 berarti tidak ada differencing. p=2 berarti AR(2) dan q=0 berarti tidak ada MA. Jadi model ARIMA(2,0,0) adalah AR(2).
Bentuk umum model ARIMA(0,1,1) dalam notasi backshift adalah…
ARIMA(0,1,1) berarti tidak ada AR (p=0), differencing orde 1 (d=1), dan MA(1). Maka persamaan backshift adalah (1 – B) Z_t = (1 – theta1 B) a_t.
Pada notasi backshift, operator B^k Z_t berarti…
Operator backshift B bekerja dengan memundurkan indeks waktu, sehingga B^k Z_t = Z_{t-k}.
Jika model ARIMA(2,0,1) ditulis sebagai (1 – phi1 B – phi2 B^2) Z_t = (1 – theta1 B) a_t, maka koefisien AR pada lag ke-2 adalah…
Pada polinomial AR (1 – phi1 B – phi2 B^2), koefisien untuk B^2 adalah phi2, yang merupakan koefisien AR pada lag ke-2.
Dalam model ARIMA(1,1,0), parameter yang perlu diestimasi meliputi…
ARIMA(1,1,0) memiliki d=1 (differencing) dan q=0 (tidak ada MA). Komponen AR adalah AR(1) dengan parameter phi1. Tidak ada parameter MA. Setelah differencing, mean biasanya dianggap nol.
Jika suatu model ARIMA memiliki nilai d=2, artinya data telah mengalami differencing sebanyak…
Dalam notasi ARIMA(p,d,q), d adalah orde differencing. d=2 berarti data telah di-differencing sebanyak dua kali untuk mencapai stasioneritas.
Model ARIMA(0,0,0) menunjukkan bahwa data bersifat…
ARIMA(0,0,0) berarti tidak ada AR, tidak ada differencing, dan tidak ada MA. Model ini hanya berupa residual acak tanpa pola, yaitu white noise.
Interpretasi model ARIMA dapat membantu memahami struktur data. Jika suatu model memiliki koefisien AR(1) positif dan signifikan, maka dapat diartikan bahwa…
Koefisien AR(1) positif mengindikasikan bahwa korelasi antara Z_t dan Z_{t-1} bersifat positif, sehingga nilai saat ini cenderung bergerak searah dengan nilai sebelumnya.
Pada model MA(1) dengan koefisien theta1 = -0.5, pengaruh galat pada lag ke-1 terhadap nilai saat ini adalah…
Model MA(1) adalah Z_t = a_t – theta1 a_{t-1}. Jika theta1 = -0.5, maka Z_t = a_t + 0.5 a_{t-1}. Jadi galat lag ke-1 mempengaruhi secara positif setengah dari nilainya, berlawanan tanda dari theta1.
Dalam model ARIMA(2,0,0), jika phi1 = 0.4 dan phi2 = 0.3, maka kontribusi dari Z_{t-2} terhadap Z_t adalah…
Model AR(2) adalah Z_t = phi1 Z_{t-1} + phi2 Z_{t-2} + a_t. Koefisien phi2 = 0.3 menunjukkan kontribusi Z_{t-2} terhadap Z_t adalah sebesar 0.3 dengan arah positif.
Interpretasi dari differencing orde 1 pada model ARIMA adalah untuk menghilangkan…
Differencing orde pertama biasanya digunakan untuk menghilangkan komponen tren linier (mean non-stasioner) sehingga data menjadi stasioner dalam mean.
Pada proses autoregresif orde 2 (AR(2)), jika phi1 = 0.5 dan phi2 = -0.2, maka karakteristik deret waktu cenderung…
Koefisien AR(2) yang negatif dapat menyebabkan pola osilasi atau siklus dalam deret waktu. Hal ini karena kontribusi dari Z_{t-2} berlawanan arah dengan Z_t.
Fungsi autokorelasi teoretis dari proses AR(1) dengan phi1 = 0.8 akan…,
ACF teoretis AR(1) menurun secara eksponensial dari nilai phi1^k, di mana phi1 = 0.8. Jadi nilai ACF turun perlahan menuju nol.
Fungsi autokorelasi parsial (FAKP) proses AR(1) akan menunjukkan nilai signifikan pada…,
FAKP untuk AR(1) memiliki cut off setelah lag pertama, hanya lag 1 yang signifikan karena proses hanya bergantung pada satu lag sebelumnya.
Fungsi autokorelasi (FAK) untuk proses MA(1) dengan parameter theta=0.5 akan memiliki nilai yang tidak nol pada lag berapa saja?
Fungsi autokorelasi untuk proses MA(1) hanya memiliki nilai tidak nol pada lag 1, karena korelasi hanya terjadi antara observasi yang berjarak satu langkah waktu.
FAK teoretis untuk proses AR(1) dengan phi=0.8 akan menurun secara eksponensial menuju nol. Pola penurunan tersebut bersifat apa?
FAK untuk AR(1) dengan phi=0.8 menurun secara eksponensial lambat karena nilai phi mendekati 1.
Fungsi autokorelasi parsial (FAKP) untuk proses AR(2) dengan phi1=0.6 dan phi2=-0.3 akan memotong (cut off) setelah lag berapa?
FAKP untuk proses AR(p) akan memotong setelah lag p, yaitu lag 2 untuk AR(2).
Sebuah proses runtun waktu dikatakan stasioner jika mean dan variansnya konstan sepanjang waktu, serta fungsi autokorelasinya hanya tergantung pada apa?
Stasioneritas mensyaratkan FAK hanya tergantung pada lag, bukan waktu absolut.
Jika sebuah proses memiliki akar-akar persamaan karakteristik yang berada di dalam lingkaran satuan, maka proses tersebut bersifat apa?
Proses non-stasioner terjadi jika akar persamaan karakteristik berada di dalam lingkaran satuan.
Kondisi invertibilitas diperlukan untuk memastikan bahwa model ARMA dapat dinyatakan sebagai proses apa?
Invertibilitas memungkinkan model ARMA ditulis sebagai proses MA murni.
Suatu proses AR(1) dengan phi=1.2 akan bersifat apa?
Nilai phi lebih dari 1 menyebabkan akar persamaan di dalam lingkaran satuan, sehingga proses non-stasioner.
Untuk model MA(1), kondisi invertibilitas dipenuhi jika parameter theta memenuhi apa?
Kondisi invertibilitas untuk MA(1) adalah nilai absolut theta kurang dari 1.
Fungsi autokorelasi untuk proses AR(1) stasioner akan menurun secara eksponensial. Jika phi bernilai positif, pola penurunannya seperti apa?
Dengan phi positif, FAK menurun secara eksponensial dengan nilai positif semua.
Untuk mengatasi mean non-stasioner dalam data runtun waktu, transformasi yang tepat adalah apa?
Differencing digunakan untuk menghilangkan tren atau mean non-stasioner.
Data runtun waktu dengan tren linear memerlukan orde differencing berapa untuk menjadi stasioner?
Tren linear memerlukan differencing orde 1 untuk menghilangkan non-stasioneritas mean.
Jika setelah differencing pertama masih terlihat tren kuadratik, langkah selanjutnya yang tepat adalah apa?
Tren kuadratik memerlukan differencing orde 2 untuk mencapai stasioneritas.
Model ARIMA(1,1,1) menunjukkan bahwa telah dilakukan differencing sebanyak berapa kali?
Notasi ARIMA(p,d,q) dengan d=1 menunjukkan satu kali differencing.
Untuk data dengan pola musiman tahunan, differencing musiman dilakukan pada lag berapa?
Untuk data bulanan dengan musiman tahunan, lag differencing musiman adalah 12.
Variance non-stasioner dapat diatasi dengan transformasi apa?
Transformasi log atau Box-Cox digunakan untuk menstabilkan varians.
Jika plot data menunjukkan varians yang meningkat seiring waktu, transformasi yang paling umum digunakan adalah apa?
Transformasi log efektif untuk varians yang meningkat proporsional dengan mean.
Transformasi Box-Cox dengan lambda=0 setara dengan transformasi apa?
Box-Cox dengan lambda=0 menghasilkan transformasi logaritma.
Dalam analisis runtun waktu, ketika varians data tidak konstan sepanjang waktu, kondisi ini disebut sebagai?
Variance non-stasioner terjadi ketika varians data berubah seiring waktu, tidak konstan.
Salah satu metode untuk menstabilkan varians yang tidak konstan pada data runtun waktu adalah dengan melakukan?
Transformasi logaritma natural sering digunakan untuk menstabilkan varians yang tidak konstan.
Dalam estimasi parameter model ARIMA, metode yang meminimalkan jumlah kuadrat residual disebut?
Metode kuadrat terkecil meminimalkan jumlah kuadrat residual untuk estimasi parameter.
Prinsip dasar dalam estimasi parameter model ARIMA adalah mencari nilai parameter yang?
Estimasi parameter bertujuan meminimalkan jumlah kuadrat error antara nilai aktual dan prediksi.
Dalam estimasi kemungkinan maksimum untuk model ARIMA, asumsi yang sering digunakan tentang distribusi error adalah?
Estimasi kemungkinan maksimum mengasumsikan error berdistribusi normal.
Metode estimasi yang menggunakan fungsi autokorelasi sampel untuk mendapatkan estimasi awal parameter disebut?
Metode momen menggunakan fungsi autokorelasi sampel sebagai estimasi awal parameter.
Dalam estimasi parameter model AR, kondisi stasionaritas harus dipenuhi agar?
Stasionaritas menjamin estimasi parameter konsisten dan efisien.
Pada diagnostic checking, uji yang digunakan untuk memeriksa apakah residual model bersifat white noise adalah?
Uji Ljung-Box menguji apakah residual bersifat white noise, yaitu tidak ada autokorelasi.
Jika nilai p-value pada uji Ljung-Box lebih besar dari 0.05, maka kesimpulannya adalah?
p-value > 0.05 menunjukkan residual white noise, model cukup baik.
Salah satu alat diagnostic checking untuk melihat pola residual adalah?
ACF residual digunakan untuk melihat apakah ada autokorelasi yang tersisa.
Overfitting pada model ARIMA dapat dideteksi dengan?
Overfitting dapat dideteksi dengan membandingkan AIC dan BIC, di mana model overfitting punya AIC/BIC lebih tinggi.
Jika residual model menunjukkan pola musiman yang masih tersisa, langkah yang tepat adalah?
Residual musiman menandakan perlunya komponen musiman dalam model.
Ramalan titik untuk model ARIMA dilakukan dengan?
Ramalan titik adalah nilai ekspektasi bersyarat dari model ARIMA.
Rumus ramalan untuk model AR(1) pada langkah ke h diberikan oleh?
Ramalan AR(1) adalah Y_t+h = phi^h * Y_t + mu*(1-phi^h) karena efek mean.
Ketika meramal model MA(1), ramalan untuk langkah ke-2 ke depan akan?
Untuk MA(1), ramalan lebih dari 1 langkah ke depan akan konvergen ke mean.
Ramalan interval untuk model ARIMA biasanya didasarkan pada asumsi bahwa?
Ramalan interval mengasumsikan error berdistribusi normal untuk menghitung selang kepercayaan.
Dalam peramalan titik menggunakan model ARIMA, ramalan titik untuk waktu ke-t diperoleh dari nilai ekspektasi bersyarat. Jika diketahui model ARIMA(1,1,0) dengan phi=0.5, d=1, dan data terakhir adalah Y_t=100, maka ramalan titik untuk Y_(t+1) adalah…
Ramalan titik untuk model ARIMA(1,1,0) didasarkan pada ekspektasi bersyarat dari observasi masa lalu. Untuk langkah ke-1, ramalan adalah nilai terakhir ditambah phi kali selisih terakhir, yaitu 100 + 0.5*(Y_t – Y_(t-1)).
Untuk membuat ramalan interval pada model ARIMA, diperlukan asumsi mengenai distribusi dari error acak. Asumsi yang paling umum digunakan adalah bahwa error mengikuti distribusi…
Dalam peramalan interval, asumsi bahwa error acak berdistribusi normal memungkinkan perhitungan interval kepercayaan berdasarkan nilai kritis dari distribusi normal atau t.
Dalam peramalan interval, lebar interval ramalan untuk langkah ke-h akan semakin besar jika…
Lebar interval ramalan sebanding dengan akar dari varians kesalahan ramalan. Semakin besar kesalahan ramalan, semakin lebar interval ramalan.
Jika model ARIMA(0,1,1) digunakan dengan theta=0.3 dan varians error=4, maka varians ramalan untuk langkah ke-2 adalah…
Untuk model ARIMA(0,1,1), varians ramalan langkah ke-2 adalah sigma^2*(1+(1-theta)^2) = 4*(1+(1-0.3)^2).
Sebuah ramalan interval 95% untuk nilai Y_(t+1) menghasilkan batas bawah 50 dan batas atas 70. Artinya…
Interval ramalan 95% memberikan rentang di mana nilai aktual diperkirakan berada dengan tingkat kepercayaan 95%.
Diketahui ramalan titik untuk Y_(t+1) adalah 100 dan varians ramalan adalah 9. Maka interval ramalan 95% (dengan z=1.96) adalah…
Interval ramalan dihitung dari ramalan titik plus minus z kali akar varians ramalan. Akar 9 = 3, sehingga 100 plus minus 1.96*3 = (100-5.88, 100+5.88) = (94.12, 105.88).
Fungsi autokorelasi (FAK) untuk proses musiman dengan periode 12 akan menunjukkan puncak signifikan pada lag yang…
FAK untuk proses musiman dengan periode 12 akan menunjukkan autokorelasi signifikan pada lag kelipatan 12, seperti lag 12, 24, 36.
Fungsi autokorelasi parsial (FAKP) untuk proses MA musiman orde 1 dengan periode 12 akan memotong setelah lag…
FAKP untuk MA musiman akan memotong setelah lag yang sama dengan orde MA musiman, yaitu lag 12 untuk MA musiman orde 1.
FAK dari proses AR musiman orde 1 dengan periode 12 akan menurun secara eksponensial pada lag yang…
FAK untuk AR musiman orde 1 menunjukkan penurunan eksponensial pada lag kelipatan periode, yaitu lag 12, 24, 36.
Untuk data musiman dengan periode 4, jika FAK menunjukkan puncak signifikan pada lag 4 dan 8, sedangkan FAKP memotong setelah lag 4, maka model yang mungkin adalah…
FAK yang menurun pada lag kelipatan 4 dan FAKP yang memotong setelah lag 4 mengindikasikan model AR musiman orde 1.
Jika FAK untuk data musiman periode 12 menunjukkan puncak pada lag 12 dan tidak signifikan setelahnya, sedangkan FAKP juga menurun, maka model yang mungkin adalah…
FAK yang memotong setelah lag 12 dan FAKP yang menurun mengindikasikan model MA musiman orde 1.
Model multiplikatif ARIMA(p,d,q) x (P,D,Q)_s memiliki komponen…
Model multiplikatif menggabungkan komponen non-musiman dan musiman dalam bentuk perkalian operator autoregresif dan moving average.
Dalam model ARIMA(1,0,0) x (0,1,1)_12, notasi di atas menunjukkan bahwa bagian non-musiman adalah…
Bagian non-musiman (p,d,q) = (1,0,0) menunjukkan model autoregresif orde 1.
Model multiplikatif ARIMA(0,1,1) x (1,1,0)_12 memiliki bentuk umum: (1-phi_1 B^12)(1-B^12)(1-B)Y_t = (1-theta_1 B) epsilon_t. Pernyataan ini…
Model multiplikatif ditulis dengan mengalikan operator non-musiman dan musiman sesuai notasi.
Jika data memiliki musiman triwulan (s=4) dan menggunakan model ARIMA(1,0,0) x (0,1,1)_4, maka langkah pembedaan musiman yang digunakan adalah…
Notasi D=1 pada bagian musiman menunjukkan pembedaan musiman orde 1, yaitu (1-B^4).
Kelebihan model multiplikatif dibanding model aditif dalam peramalan data musiman adalah…
Model multiplikatif memungkinkan interaksi antara pola musiman dan non-musiman, sehingga lebih fleksibel dalam menangkap struktur data yang kompleks.
Banyak yang terkecoh soal identifikasi model stasioner di Modul 5 karena sulit membedakan plot ACF dan PACF teoretis kelima proses. Padahal pola itulah yang jadi kunci menentukan apakah modelnya AR, MA, atau ARMA sebelum estimasi. Modul 3 tentang studi kasus inventori sering bikin bingung karena contohnya panjang. Coba pelan-pelan baca pola plotnya. Soal peramalan di Modul 8 juga banyak keliru karena lupa koreksi selisih ordo differencing saat menghitung ramalan interval.
Di STIK4243 Analisis Runtun Waktu, bagian diagnostic checking di Modul 7 biasanya muncul di soal UO dengan format studi kasus pendek yang perlu diteliti. Kalau kamu sudah hafal ciri model underfit dan overfit dari residual, bagian ini jadi lebih mudah. Ada banyak latihan UAS UT lain di sini kalau kamu mau lanjut latihan matkul serupa. Soal UAS UT memang menuntut kamu paham alur pemodelan Box-Jenkins secara utuh, bukan hafalan rumus.
