Transcript Pelatihan Software Eviews 6 - Teknik Industri

Lab. Optimasi dan Perencanaan Sistem Industri Teknik Industri Universitas Diponegoro
Proudly Presents
Pelatihan Software EViews 6
Can You Predict the Future
by Looking at the Past?
M. Mujiya Ulkhaq, S.T.
Lab. DSS Teknik Industri Universitas Diponegoro
Semarang, 8 Oktober 2011
Copyright © Wondershare Software
Ekonometrika
Ekonometrika dapat didefinisikan sebagai ilmu sosial di mana
teori ekonomi, matematika, dan statistik inferensia
digunakan untuk menganalisis fenomena ekonomi
(Goldberger, 1964).
Dalam bahasa mudahnya, ekonometrika merupakan gabungan
antara teori ekonomi, matematika ekonomi, statistika
ekonomi, dan matematika statistika (Gujarati, 2003).
Materi dalam ekonometrika meliputi:
 Analisis Time Series;
 Analisis Regresi beserta Asumsi Klasik Statistik;
 Model Persamaan Simultan.
Forecasting
Forecasting adalah suatu seni untuk mengetahui keadaan/
kondisi tertentu.
Mengapa perlu forecasting?
 Adanya ketidakpastian;
 Adanya keterbatasan sumber daya.
Tujuan diadakannya forecasting:
 Untuk meminimalisir ketidakpastian;
 Agar langkah proaktif dapat dilakukan.
Forecasting
 Quantitative
Sufficient quantitative information is available. Quantitative
forecasting can be applied when:
a. Information about the past is available;
b. It can be quantified in the form of numerical data;
c. It can be assumed that some aspects of the past pattern
will continue into the future.
 Qualitative
Little or no quantitative information is available, but
sufficient qualitative knowledge exists.
These are: delphi, market survey, sales force, analogy.
 Unpredictable
Little or no information is available, such as: predicting the
effects of interplanetary travel.
(Makridakis et al., 1998)
Forecasting
Time Series
Regression
Ekonometrics
Quantitative
Explanatory/
Causality
Sate Space
Bayesian
Wavelets
Intervention
Combination
ARIMAX
VARIMAX
Neural Networks
Analisis Time Series
Analisis time series pertama kali diperkenalkan oleh George E.
Box dan Gwilym M. Jenkins pada tahun 1976 dalam
bukunya: Time Series Analysis Forecasting & Control.
Dasar pemikirannya adalah pengamatan sekarang bergantung
pada satu atau beberapa pengamatan sebelumnya. Atau
dengan kata lain, model time series dibuat karena secara
statistik ada korelasi antar tiap deret pengamatan.
If you think you know more
about time series…
Think again…
Analisis Time Series
Dekomposisi
Naïve Methods
Moving Average
Time Series
Exponential Smoothing
Stationer ?
Non stationer ?
Volatile ?
Telaah Frekuensi
Trend Additive
Trend Multiplicative
Seasonal Additive
Seasonal Multiplicative
Naïve Methods
Simple Average
Simple Moving Average
Double Moving Average
Center Moving Average
Weighted Moving Average
Single
Double
Holt-Winters (No Seasonal)
Holt-Winters (Additive)
Holt-Winters (Multiplicative)
ARIMA
SARIMA
ARFIMA
VAR
VECM
ARCH/EARCH
GARCH/EGARCH
Analisis Spektral
ARIMA
ARIMA sering disebut Metode Box-Jenkins, karena ditemukan
oleh George E.P. Box dan Gwylim M. Jenkins pada awal
tahun 1970.
Tujuan dari ARIMA ialah menemukan suatu model peramalan
yang akurat yang mewakili pola masa lalu dan masa depan
dari suatu data time series.
Model ARIMA sering disebut sebagai model yang dapat secara
tepat merepresentasikan model di dunia nyata, sehingga
peramalan dengan metode ini lebih disukai oleh beberapa
ahli. Selain itu, keunggulan dari ARIMA adalah cukup
menggunakan data deret waktu itu sendiri (tanpa data yang
lain) untuk melakukan peramalan
Filosofi dari ARIMA: “Let the data speak for themselves”.
ARIMA
Model ARIMA sejatinya terdiri dari tiga model, yakni:
 AR (Auto Regressive)
Model AR adalah: Y     Y   Y  ...   Y  
 MA (Moving Average)
Model MA adalah: Y          ...   
 ARIMA (Auto Regressive Integrated Moving Average)
Model ARIMA adalah: Y     Y   Y  ...   Y       
t
t
t 1
1
t
1
t
t2
2
t 1
2
1
t 1
t2
2
t p
p
q
t2
t
tq
p
t p
t
1
t 1
2
 t  2  ...   q  t  q
AR sering disebut dengan ordo p sedangkan MA sering
disebut ordo q. Untuk data yang tidak stasioner, maka akan
ditambahkan ordo d yang menunjukkan kalau data tidak
stasioner. Dengan ordo d ini, maka AR dan MA menjadi
terintegrasi, sehingga menjadi ARIMA.
ARIMA
1. Data preparation
2. Pengujian stasioneritas
Apabila data tidak stasioner, maka dilakukan
proses stasionerisasi dengan men-difference data
ke-i dengan data ke-i-1
Apabila data masih tidak stasioner pada proses
difference ke-2, maka forecasting dengan ARIMA
tidak dapat dilakukan
3. Penentuan ordo AR dan MA
4. Estimasi parameter
Apabila parameter tidak signifikan, maka model
tidak dapat digunakan
5. Pemilihan model terbaik
Dilakukan dengan melihat nilai AIC dan SIC yang
terrendah
6. Diagnostic Checking
Apabila residual bukan white noise, maka model
tidak dapat dipakai
7. Forecasting
ARIMA
Konsep Stasioneritas
Kestasioneran data merupakan kondisi yang diperlukan dalam
analisis time series karena dapat memperkecil kekeliruan
dalam model.
The concept of stationarity is crucial because when a series is
nonstationary (Heij et al., 2004),
1. Mean, variance, covariance, correlation, and partial
correlation lose their meaning,
2. Important identification and estimation methods do not
work,
3. Standard asymptotic results for statistical inference do not
apply.
Apabila data tidak stasioner, maka harus dilakukan proses
stasioneritas sampai dua kali.
ARIMA
Pengujian Stasioneritas dalam EViews 6
Pengujian yang sering (populer) dilakukan adalah dengan Uji
ADF (Augmented Dickey-Fuller) yang dikembangkan oleh
Dickey dan Fuller pada tahun 1979.
Uji lainnya adalah:
1. Uji DFGLS (Dickey-Fuller Test with GLS Detrending) yang
dikembangkan oleh ERS tahun 1996;
2. Uji Phillipis-Perron yang dikembangkan tahun 1998;
3. Uji KPPS (Kwiatkowski, Phillips, Schmidt, and Shin) yang
dikembangkan tahun 1992;
4. Uji ERS (Elliot, Rothenberg, and Stock Point Optimal Test)
yang dikembangkan tahun 1996;
5. Uji NP (Ng-Perron) yang dikembangkan tahun 2001.
ARIMA
Penentuan Orde AR dan MA
Penentuan Orde AR dan MA dapat dilakukan dengan melihat
correlogram dari data.
Penentuan Orde AR dilakukan dengan melihat grafik PACF
(Partial Autocorrelation Function).
Penentuan Orde MA dilakukan dengan melihat grafik ACF
(Autocorrelation Function).
Apabila model telah diestimasi, maka parameter harus dicek
apakah signifikan atau tidak dengan melihat nilai p-value.
Ingat Prinsip Parsimoni!
ARIMA
AR 1
AR 2
ARIMA
MA 1
MA 2
ARIMA
Penentuan Model Terbaik.
Penentuan model terbaik dilakukan dengan melihat nilai AIC
(Akaike Info Criterion) dan SIC (Schwarz Info Criterion).
AIC dan SIC merupakan “penalti” yang diberikan kepada suatu
estimasi model untuk mengukur goodness of fit dari model
tersebut.
Semakin kecil nilai AIC dan SIC, maka semakin baik model
tersebut.
AIC =
 l 
k 
 2   2 
T 
T 
SIC =
 l   k . log T 
 2   

T
T  

l = besarnya nilai log likelihood
T = jumlah observasi
k = jumlah parameter yang diestimasi
ARIMA
Diagnostic Checking
Langkah selanjutnya adalah memeriksa apakah residual white
noise apa tidak. Kalau residual tidak white noise, maka
model yang telah dibuat tidak dapat dipakai. Akibatnya kita
harus membuat mengestimasi model baru lagi.
Kriteria dari white noise dapat dilihat dari nilai Q statistic:
h
Box-Pierce Q =
n  rk
2
k 1
h
1 2
Ljung-Box Q* = n n  2  n  k  rk
k 1
n = jumlah observasi
h = jumlah lag maksimal
r2k= koefisien autokorelasi pada lag ke-k
EViews hanya menampilkan statistic Ljung-Box Q*.
Nilainya harus dibawah dari nilai χ2 dengan v = (h-k), atau nilai
p-value di atas 0,05.
ARIMA
Forecasting
Langkah terakhir setelah memeriksa apakah residual yang
terjadi merupakan white noise, maka langkah selanjutnya
adalah MERAMALKAN dengan model terpilih.
Selamat Mencoba
Exponential Smoothing
Metode peramalan dengan cara penghalusan (smoothing)
merupakan metode peramalan univariat yang diperkenalkan
oleh C.C. Holt pada tahun 1958. Metode ini menggunakan
konstanta pemulusan. Metode peramalan ini terdiri dari
berbagai jenis, di antaranya:
 Single exponential smoothing : satu parameter (α)
 Double exponential smoothing : satu parameter (α)
 Holt-Winters – No seasonal
: dua parameter (a dan b)
 Holt-Winters – Multiplicative
: tiga parameter (a, b, dan c)
 Holt-Winters – Additive
: tiga parameter (a, b, dan c)
Exponential Smoothing
Single exponential smoothing
Konstanta pemulusan adalah α, yang merupakan fungsi
rekursif sebagai berikut:


y t   . y t  1    y t 1
t 1

y t    1  
s y t  s
s0
Untuk memulai fungsi rekursif dan mencari nilai α, dibutuhkan
initial value dari y . EViews memulai fungsi rekursif dengan

t

yt 
T 1
2
, di mana T adalah jumlah observasi.
α dapat dicari dengan:
1. Hitung residu dari masing-masing fungsi rekursif;
2. Hitung jumlah kuadrat residu;
3. Differensialkan fungsi rekursif ke arah α dan lakukan operasi
matematika untuk mencari nilai optimalnya.
Exponential Smoothing
Double exponential smoothing
Konstanta pemulusan adalah α, yang merupakan fungsi
rekursif sebagai berikut:
S t   . y t  1   S t 1
D t   .S t  1   D t 1

y tk  2 S t  Dt 

1
S t
 D t k
Exponential Smoothing
Holt-Winters No Seasonal
Konstanta pemulusan adalah a dan b, yang merupakan fungsi
rekursif sebagai berikut:
a t    . y t  1    t  1   b t  1 
b t     t   a t  1   1   .b t  1 

y t  k   t   b t k
a dan b dapat dicari dengan:
1. Hitung rata-rata data setiap horizon waktu (misal 1 tahun);
2. Tentukan model trend setiap horizon waktu dan hitung nilai
ramalannya pada pengamatan terakhir;
3. Bangun formulasi pembobotan;
4. Lakukan iterasi seperti single exponential smoothing.
Thank you !
Copyright © Wondershare Software