P. 1
Fungsi Transfer

Fungsi Transfer

|Views: 474|Likes:
Published by Sakib Baghoust
Metode Fungsi Transfer
Metode Fungsi Transfer

More info:

Categories:Types, Research
Published by: Sakib Baghoust on May 04, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

05/15/2015

pdf

text

original

1

BAB I
PENDAHULUAN

1.1 Latar belakang
Model ARIMA sering digunakan dalam memodelkan berbagai pola dalam data
deret waktu menggunakan pendekatan linier.Model ARIMA dalam beberapa dekade
terakhir telah banyak dilakukan dalam penelitian karena spesifikasi,pendugaan dan
pemeriksaan model ARIMA cukup sederhana dan mudah untuk diterapkan.Model deret
waktu univariate linier yang dipelopori oleh Box-Jenkins telah berkembang pada
banyak bidang analisis deret waktu.Akan tetapi,pada kenyataannya banyak ditemukan
persoalan yang menggunakan lebih dari satu deret waktu.
What :
Model fungsi transfer adalah suatu model yang menggambarkan nilai dari
prediksi masa depan dari suatu deret berkala (disebut deret output atau Y
t
) didasarkan
pada nilai-nilai masa lalu dari deret itu sendiri (Y
t
) dan didasarkan pula pada satu atau
lebih deret berkala yang berhubungan ( disebut deret input atau X
t
) dengan deret output
tersebut. Model fungsi transfer merupakan fungsi dinamis yang pengaruhnya tidak
hanya pada hubungan linier antara deret input dengan deret output pada waktu ke-t,
tetapi juga pada waktu t+1, t+2, …, t+k. hubungan seperti ini pada fungsi transfer dapat
menimbulkan delai (waktu senjang) antara variable input dan variabel output.
Di dalam fungsi transfer terdapat deret berkala output (Y
t
) yang diperkirakan
akan dipengaruhi oleh deret berkala input (X
t
) dan input-input lain yang digabungkan
dalam satu kelompok yang disebut gangguan (noise) N
t
. Seluruh system merupakan
system yang dinamis. Dengan kata lain deret input X
t
memberikan pengaruhnya kepada
deret output melalui fungsi transfer yang mendistribusikan dampak X
t
melalui beberapa
waktu yang akan datang. Analisis fungsi transfer merupakan salah satu alternatif uantuk
menyelesaikan permasalahan apabila terdapat lebih dari satu deret berkala,dimana
keadaaan ini sering disebut multivariat deret waktu dalam statistika.
What For :
Tujuan pemodelan fungsi transfer adalah untuk menetapkan model yang sederhana,
yang menghubungkan deret output (Y
i
) dengan deret input (X
i
) dan
2

gangguan/noise(n
i
).Wei(1994) juga menjelaskan bahwa di dalam fungsi transfer
terdapat rangkaian output yang mungkin dipengaruhi oleh rangkaian multiple input.
Pada kasus single input variabel, dapat menggunakan metode korelasi silang yang
dianjurkan oleh Box and Jenkins(1976).Teknik ini juga dapat digunakan ketika terdapat
single input variabel yang lebih dari satu selama antar variabel input

tidak berkorelasi
silang.Jika beberapa atau semua variabel input berkorelasi silang maka teknik
prewhitening atau metode korelasi silang tidak dapat digunakan secara langsung.
Why :
Alasan utama bagi perlunya suatu perencanaan atau peramalan adalah adanya
tenggang waktu pengambilan keputusan yang dapat berkisar dari beberapa hari atau
sampai beberapa tahun.
Pada analisis fungsi transfer untuk peramalan deret berkala univariate, terdapat
deret berkala output yang diperkirakan dipengaruhi oleh deret berkala input dan input-
input lain yang digabungkan dalam satu kelompok yang disebut gangguan (noise). Deret
input mempengaruhi deret output melalui sebuah fungsi transfer yang mendistribusikan
pengaruhnya secara dinamis melalui beberapa periode waktu yang akan datang dengan
persentase tertentu yang disebut sebagai bobot respons impuls atau bobot fungsi
transfer.

Rumusan masalah
Permasalahan yang akan dibahas dalam penelitian ini adalah
1. Bagaimana memodelkan fungsi transfer dengan dua deret input dan satu deret
output pada data pengaruh pengeluaran iklan bulanan(dalam ribuan dollar) terhadap
total penjualan?
2. Bagaimana meramalkan data deret waktu tersebut menggunakan model fungsi
transfer yang diperoleh selama beberapa periode kedepan.
Batasan Masalah
1. Batasan masalah penelitian ini adalah pemodelan fungsi transfer dilakukan dengan
satu deret input dan satu deret output pada data pengaruh pengeluaran iklan
bulanan(dalam ribuan dollar) terhadap total penjualan selama periode 100 bulan
yang terdapat pada buku Metode dan Aplikasi Peramalan oleh Makridakis,dkk.

3

Tujuan Penelitian
Tujuan dari penelitian ini antara lain:
1. Memodelkan fungsi transfer dengan satu deret input dan satu deret output
pada data pengaruh data pengaruh pengeluaran iklan bulanan(dalam ribuan
dollar) terhadap total penjualan.
2. Meramalkan data deret waktu tersebut menggunakan model fungsi transfer
yang diperoleh lima periode ke depan.


Manfaat Penelitian
Manfaat dari penelitian ini adalah dapat menghasilkan model fungsi transfer
dengan satu deret input dan satu deret output pada kaitan deret waktu. Kemudian dari
hasil pemodelan tersebut dapat ditetapkan untuk total penjualan di masa yang akan
datang.
Tingkat penjualan diperkirakan dipengaruhi oleh pengeluaran iklan(dalam
ribuan dollar). Pengaruh pengeluaran iklan bulanan terhadap total penjualan secara
dinamis melalui periode-periode yang akan akan datang beradsarkan sebuah fungsi
transfer.
Dengan demikian untuk mengetahui seberapa besar tingkat penjualan dengan
mempertimbangkan pengeluaran iklan bulanan sebagai faktor input, dapat dilakukan
dengan analisis fungsi transfer.



4

BAB II
TINJAUAN PUSTAKA


2.1 Peramalan dan Deret Berkala
Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
masa yang akan datang. Kegiatan untuk memperkirakan apa yang akan terjadi di masa
yang akan datang dikenal sebagai peramalan (forcasting). Peramalan menjadikan
pengelolaan dari suatu variable di masa datang akan tampak sehingga mempermudah
dalam perencanaan-perencanaan untuk periode yang akan datang.
Menurut Makridakis dkk. (1999), peramalan kuantitatif dapat diterapkan bila
terdapat tiga kondisi berikut:
1. Tersedianya informasi di masa lalu
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numeric.
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di
masa mendatang.
Box dan Jenkins (1976) menjelaskan bahwa deret berkala merupakan
serangkaian pengamatan yang diambil berdasarkan urutan waktu dan antara pengamatan
yang berdekatan saling tergantung. Sedangkan penulisan yang umum digunakan untuk
deret berkala adalah sebagai berikut:
Z
1
,Z
2
,Z
3
,…,Z
n
atau dapat juga ditulis dengan
Z
t1
,Z
t2
,Z
t3
,…,Z
tn

Dimana t
1
,t
2
,t
3,…,
t
n
adalah satuan waktu (detik, jam, hari, bulan, tahun dan sebagainya).
Deret berkala (time series) biasanya dinyatakan dengan persamaan matematika
yang berisi nilai-nilai respon sebagai fungsi dari waktu, atau yang ekuivalen dengan itu,
sebagai angka pada sebuah grafik dengan koordinat vertikal menunjukkan nilai respon
acak dan dipetakan terhadap waktu pada sumbu horizontal. Semua deret berkala
mengandung keragaman acak. Keragaman acak tersebut bersifat sangat probabilistik,
sehingga taksiran akurat untuk nilai yang akan datang hanya dapat diharapkan jika nilai
keragaman acak yang diukur mempunyai keragaman yang kecil. Sedangkan tujuan dari
analisis deret berkala adalah untuk mengidentifikasi komponen, seperti trend atau
5

pengaruh musiman, yang benar-benar ada agar dapat diketahui penyebabnya dan untuk
meramalkan nilai deret berkala pada waktu yang akan datang.
2.2. Analisis Deret Berkala Univariat
Menurut Makridakis dkk.(1999), model umum dari ARIMA adalah ARIMA (p,
d, q), p adalah orde dari proses autoregresif
d adalah tingkat pembedaan, dan
q adalah orde dari proses moving average
Dalam prakteknya, model ARIMA (p, d, q) ini jarang menggunakan nilai p atau
q selain dari 0, 1, atau 2, karena untuk deret yang stasioner maka koefisien autokorelasi
atau koefisien autokorelasi parsialnya akan mendekati nol setelah dua atau tiga selang
waktu. Sedangkan untuk d, juga jarang menggunakan selain 0, 1 atau 2 karena pada
umumnya data asli tidak stasioner dengan hanya satu atau dua tingkat, maksudnya
stasioneritas dapat dicapai dengan melakukan pembedaan berturut-turut sebanyak satu
atau dua kali.
2.2.1 Identifikasi Model ARIMA
Langkah awal dalam menganalisis deret berkala sebelum melakukan identifikasi
model adalah membuat plot data untuk melihat apakah data sudah stasioner atau belum
dan apakah terdapat unsure musiman.
Suatu deret berkala dikatakan stasioner jika tidak ada perubahan sistematik dari
nilai tengah (tidak ada trend), keragaman dan tidak bersifat musiman.
Proses stokastik mengandung peubah acak yang merupakan fungsi dari waktu.
Suatu proses stokastik, Z
t1-k
,Z
t2-k
,…,Z
tn-k
pada n = 1, 2, 3,… dan semua time lag k. suatu
proses yang strictly stationer memiliki:
1. Fungsi rata-rata konstan,
µ µ =
t
untuk semua t.
2. Fungsi ragam konstan, =
2
t
o o
2
untuk semua t.
3. Fungsi kovarian antara Z
t
dan Z
t+k
yaitu ¸(t, t+k) = ¸
k
menunjukkan bahwa nilai
korelasi antara Z
t
dan Z
t+k
hanya tergantung pada time lag ke-k.
4. Fungsi korelasi antara Z
t
dan Z
t+k
yaitu µ(t, t+k) = µ
k
menunjukkan bahwa nilai
korelasi antara Z
t
dan Z
t+k
hanya tergantung pada time lag ke-k.
Wei (1990) menyatakan bahwa nilai strictly stationer terjadi pada deretan
pengamatan yang tersebar secara identik dan saling bebas sedangkan data pengamatan
6

pada deret berkala tidak bersifat bebas sehingga, sulit menentukan fungsi sebarannya.
Oleh karena itu, dalam analisis deret berkala digunakan asumsi weekly stationer.
Menurut Makridakis dkk. (1999), data stationer adalah data dimana nilai-nilai
autokorelasi turun sampai nol sesudah timelag kedua atau ketiga, atau dapat dikatkan
bahwa stationeritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Untuk
data yang tidak stationer, nilai-nailai autokorelasinya berbeda nyata dri nol utnuk
bebrapa periode waktu. Jika dat belum stationer, maka ragam harus ditransformasi.
Wei (1990) menyatkan bahwa transformasi yang dilakukan pada data yang tidak
stationer terhadap ragam adalah transformasi Box-Cox sebagai berikut;
T(Z
i
) = Z
i
(ì)
=
ì
ì
1 ÷
i
Z
dimana ì merupakan parameter transformasi.
Nilai ì yang digunakan adalah nilai ì yang menghaislkan jumlah kuadrat galat (SSE)
terkecil. Tabel berikut menunjukkan nilai ì yang biasa digunakan dalam transformasi
Box-Cox seperti dalam tabel berikut ini;
ì -1 -0.5 0 0.5 1
Bentuk
Transformasi i
Z
1

i
Z
1

Ln Z
i Zi Z
i
(tanpa transformasi)

Sedangkan jika data belum stationer terhadap nilai tengah, maka dilakukan
pembedaan (differencing) dimana banyaknya pembedaan yang dilakukan kan
menentukan besarnya orde dari pembedaan tersebut yang dinotasikan dengan d. Bentuk
pembedaan pertama (d = 1) menurut Makridakis dkk. (1999), yaitu ;
Z
t
* = Z
t
- Z
t-1
Sedangkan bentuk pembedaan kedua yaitu;
Z
t
** = Z
t
*

- Z
t-1
*
Dimana;
Z
t
= pengamatan pada waktu ke-t
Z
t-1
=

pengamatan pada waktu ke-(t-1)
Z
t
* = data hasil pembedaan pertama pada waktu ke-t
Z
t-1
* = data hasil pembedaan pertama pada waktu ke-(t-1)
Z
t
** = data hasil pembedaan kedua pada waktu ke-t
7

Salah satu bentuk stasioner yang penting adalah proses white noise (a
t
). Proses
ini didefinisikan sebagai suatu bentuk peubah acak yang berurutan dan tidak saling
berkorelasi yang memiliki sebaran tertentu dengan;
1. Rata-rata yang konstan, E(a
t
) = µ
at
yang diasumsikan bernilai nol.
2. Ragam yang konstan, var (a
t
) = o
2
a

3. Fungsi autokovarian ¸
k
= cov(a
t,
a
t+k
) = o
2
k
untuk k = 0 dan ¸
k
= 0
Nilai autokorelasi (ACF) dan autokorelasi parsial (PACF) dari white noise adalah 1
untuk lag 0 dan 0 untuk lag selain 0 (Cryer, 1986).
Ciri dari stationeritas, dalam suatu deret berkala dapat dengan mudah
diidentifikasi dengan memeriksa fungsi autokorelasi dan fungsi autokorelasi parsial
(Assauri, 1984). Berikut ini adalah macam-macam proses yang terjadi pada deret
berkala untuk model dasar deret waktu tidak musiman yang disajikan dalam tabel
berikut ini;
Tabel Model Dasar Tidak Musiman
No. Model Stuktur ACF Struktur PACF
1. AR (p) Nilai ACF menurun
secara eksponensial
Nilai PACF terpotong / cut off
pada lag p
2. MA (q) Nilai ACF terpotong / cut off
pada lag q
Nilai PACF menurun
secara eksponensial
3. ARMA
(p, q)
Nilai ACF menurun secara
eksponensial
Nilai PACF menurun
secara eksponensial

2.2.2 Penaksiran Parameter Model ARIMA
Penaksiran Parameter Model ARIMA, dapat digunakan menggunakan metode
Conditional Least Square (Metode Kuadrat Terkecil Bersyarat) yang meminimumkan
jumlah kuadrat sisa dengan suatu kondisi tertentu. Dan pada bagian ini, telah dijelaskan
dalam bab time series pada semester terdahulu.
2.2.3 Pemeriksaan Diagnostik
Setelah berhasil melakukan panaksiran nilai parameter dari model ARIMA ynag
ditetapkan sementara, selanjutnya perlu dilakukan pemeriksaan diagnostik untuk
membuktikan apakah model tersebut cukup mamadai. Ada 3 macam cara untuk
melakukan hal ini, menurut Makridakis dkk. (1999), yaitu sebagai berikut;
8

1. Mempelajari nilai sisa untuk melihat apakah masih terdapat beberapa pola ynag
belum bisa diperhitungkan. Disini diharapkan nilai sisa merupakan suatu gangguan
yang acak dengan tidak ada autukorelasi yang nyata.
2. Mempelajari statistika sampling dari pemecahan optimum untuk melihat
apakah model tersebut dapat disederhanakan.
3. Overfitting model ARIMA. Dari beberapa model, dipilih satu model terbaik
denagn menggunakan suatu kriteria tertentu.
Wei (1990), menyatakan bahwa untuk menguji kelayakan model digunakan uji
Ljung-Box dengan hipotesis nol yaitu autokorelasi nilai sisa tidak berbeda nyata dari
nol, akan ditunjukkan bahwa statistik Q berdistribusi _
2
(k-m)
¿
=
÷
+ =
K
k
k
k n
r
n n Q
1
2
) 2 ( dimana;

m = n – t
0
+1
r
k
= Koefisien autokorelasi nilai sisa

pada lag k
K = lag maksimum
m = jumlah parameter yang diduga dalam model.
Jika nilai statistik Q lebih kecil daripada _
2
(k-m)
maka dapat dikatakan model tersebut
sudah layak untuk digunakan.
2.2.4. Pemilihan model terbaik
Salah satu kriteria pemilihan model terbaik yaitu AIC (Akaike Information
Criterion ) yang didefinisikan sebagai berikut;
AIC = n Ln (

2
n
) + 2M
Di mana
n : Banyaknya pengamatan efektif yaitu banyaknya pengamatan
yang diikutkan dalam proses penaksiran parameter.


2
n
: Penduga maksimum likelihood dari
o
2
n

M : Banyaknya parameter yang diduga dalam model
Model terbaik yang dipilih di antara model – model yang sesuai adalah model yang
memiliki nilai AIC terkecil (Wei, 1990)

9

2.3 Analisis Fungsi Transfer
Analisis fungsi transfer merupakan salah satu alternatif untuk menyelesaikan
permasalahan apabila terdapat lebih dari satu deret berkala, dimana keadaan ini sering
disebut multivariate time series dalam statistika.
2.3.1Konsep Fungsi Transfer
Model fungsi transfer merupakan salah satu model time series yaitu gabungan
pendekatan regresi dan time series (ARIMA) untuk errornya. Model regresi dinamik
merupakan salah satu bentuk model kombinasi dan seringkali disebut sebagai model
fungsi transfer dalam terminology Box dan Jenkins (1994). Beberapa penelitian yang
pernah dilakukan dengan menggunakan fungsi transfer ini antara lain oleh Mc Sweeny
(1978) dalam Bowerman dan O’ Connel. (1993) yaitu mengetahui pengaruh
diberlakukannya suatu kebijakan baru dalam hal tarif telepon bantuan local terhadap
jumlah telepon yang masuk rata-rata perhari perbulan. Kemudian Suhartono dan Otok
(2001) melakukan kajian model intervensi dan model fungsi transfer mengenai peluang
bisnis pada jasa kereta api Indonesia dalam menyikapi krisis ekonomi.
Model fungsi transfer adalah suatu model yang menggambarkan nilai dari
prediksi masa depan dari suatu deret berkala (disebut deret output atau Y
t
) didasarkan
pada nilai-nilai masa lalu dari deret itu sendiri (Y
t
) dan didasarkan pula pada satu atau
lebih deret berkala yang berhubungan ( disebut deret input atau X
t
) dengan deret output
tersebut. Model fungsi transfer merupakan fungsi dinamis yang pengaruhnya tidak
hanya pada hubungan linier antara deret input dengan deret output pada waktu ke-t,
tetapi juga pada waktu t+1, t+2, …, t+k. hubungan seperti ini pada fungsi transfer dapat
menimbulkan delai (waktu senjang) antara variable input dan variabel output.
Di dalam fungsi transfer terdapat deret berkala output (Y
t
) yang diperkirakan
akan dipengaruhi oleh deret berkala input (X
t
) dan input-input lain yang digabungkan
dalam satu kelompok yang disebut gangguan (noise) N
t
. Seluruh system merupakan
system yang dinamis. Dengan kata lain deret input X
t
memberikan pengaruhnya kepada
deret output melalui fungsi transfer yang mendistribusikan dampak X
t
melalui beberapa
waktu yang akan datang.
10


Tujuan pemodelan fungsi transfer adalah untuk menetapkan model yang
sederhana , yang menghubungkan Y
t
dengan X
t
dan N
t
, namun tujuan utama pemodelan
jenis ini adalah untuk menetapkan peranan indikator penentu (leading indicator) deret
input dalam rangka menetapkan variabel yang dibicarakan (deret output).
Model fungsi transfer bivariate ditulis dalam 2 bentuk umum yaitu;
Y
t
= v(B)X
t
+ n
t
Dimana;
Y
t
= deret output
X
t
= deret input
N
t
= Pangaruh kombinasi dari seluruh factor yang mempengaruhi Y
t
, dan
disebut dengan gangguan (noise)
v(B) = fungsi dari bobot respons impuls.
v(B) = (v
0
+v
1
B

+v
2
B
2
+….+v
k
B
k
) dimana k adalah orde fungsi transfer.
v
k
= bobot respons impuls pada lag k.
B = operator mundur
Orde fungsi transfer adalah k (menjadi orde tertinggi untuk proses pembedaan)
dan ini kadang-kadang dapat menjadi lebih besar, sehingga model fungsi transfer dapat
dituliskan juga seperti berikut ini;
y
t
=
) (
) (
B
B
o
e
x
t-1
+ n
t
atau
y
t
=
) (
) (
B
B
o
e
x
t-1
+
) (
) (
B
B
|
u
a
t
dimana;
11

e(B) = e
0
-e
1
B - e
2
B
2
-….-e
k
B
k
o(B) = 1- o
1
B- o
2
B
2
-……..- o
r
B
r
u(B) = 1- u
1
B- u
2
B
2
-……..- u
q
B
q
|(B) = 1- |
1
B- |
2
B
2
-……..- |
p
B
p
y
t
= nilai Y
t
yang telah ditransformasikan dan dibedakan
x
t
= nilai X
t
yang telah ditransformasikan dan dibedakan
a
t
= nilai gangguan acak
r, s, p, q dan b adalah konstanta.

Pernyataan u(B) dan |(B) menyatakan operator rata-rata bergerak atau moving
average dan operator autoregresif (AR) untuk gangguan n
t
. Sedangkan untuk r, s,b
menunjukkan penentuan parameter (parameterisasi) model fungsi transfer yang
menghubungkan y
t
dengan x
t
dan p, q menunjukkan pembentukan parameter dari model
gangguan (noise model).
Pembentukkan model fungsi transfer untuk deret input (Xt) dan deret output (Yt)
tertentu dalam bentuk data mentah meliputi 4 tahap utama dan beberapa sub utama dan
beberapa sub tahap. Empat tahap utama tersebut yaitu identifikasi model fungsi transfer,
penaksiran parameter model fungsi transfer, dan penggunaan model fungsi transfer
untuk peramalan.
2.3.2. Identifikasi Model Fungsi Transfer
Langkah – langkah yang perlu dilakukan dalam pengidentifikasian model
fungsi transfer terdiri atas 8 tahap, yaitu :
1. Mempersiapkan Deret Input dan Deret Output
Beberapa hal yang perlu dilakukan dalam mempersiapkan deret input dan deret
output adalah memeriksa :
a. Apakah transformasi perlu dilakukan terhadap deret input dan deret
output karena transformasi yang tepat dapat mengatasi ragam yang tidak
stasioner,
b. Berapa tingkat pembedaan yang harus diterapkan untuk deret input dan
deret output supaya menjadi stasioner,
c. Apakah pengaruh musiman pada deret input dan deret output perlu
dihilangkan, karena menyebabkan nilai – nilai (r,s,b) menjadi lebih kecil
12

dibandingkan dengan jika tidak dilakukan deseasonalisasi ( walaupun
bukan merupakan persyaratan dari fungsi transfer )
Dengan demikian, deret data yang telah ditransformasi dan telah sesuai
disebut dengan xt dan yt.
2. Pemutihan Deret Input dan Deret Output
+ Pemutihan Deret Input
Deret input dapat dibuat lebih mudah diatur dengan pemutihan. Maksudnya
adalah dengan menghilangkan seluruh pola yang diketahui sehingga yang
tertinggal hanya white noise. Sebagai contoh, jika deret input dapat dimodelkan
sebagai proses ARIMA, misalnya ARIMA(px,0,qx), maka dapat didefinisikan
sebagai :
t x t x
B x B o u | ) ( ) ( =
Dimana ) (B
x
| adalah operator autoregresif, u
x
(B) adalah operator rata-rata
bergerak dan o
t
adalah galat acak yaitu white noise.

Pemutihan deret input x
t
didapatkan melalui persamaan (2.18) yang diperoleh dengan
mengubah persamaan (2.17) dengan menyusun kembali suku – sukunya, sebagai
berikut:
αt =
) (
) (
B
B
x
x
u
u
x
t

Deret αt inilah yang disebut dengan pemutihan deret input x
t
.
+ Pemutihan Deret Output
Transformasi pemutihan untuk deret input x
t
seperti pada persamaan (2.18)
harus diterapkan juga terhadap deret output y
t
untuk mempertahan integritas hubungan
fungsional karena fungsi transfer memetakan x
t
ke dalam y
t
seperti dalam skema
berikut:
Input (x
t
) fungsi transfer Output (y
t
)
Input
t
x
x
x
B
B
|
|
.
|

\
| u
) (
) (
u
fungsi transfer Output
t
x
x
y
B
B
|
|
.
|

\
| u
) (
) (
u

Makridakis dkk. (1999) menyatakan bahwa transformasi pada deret output y
t

tidak harus mengubah y
t
menjadi white noise. Deret y
t
yang telah diputihkan disebut
dengan deret β
t
, yaitu:
13

β
t
, =
t
x
x
y
B
B
|
|
.
|

\
| u
) (
) (
u


3. Perhitungan Korelasi silang dan Autokorelasi untuk Deret Input dan Deret
Output yang telah Diputihkan
Abraham dan Ledolter (1983) menjelaskan, pada proses stasioner:
a. E(X
t
) = μ
xt
E(Y
t
) = μ
yt
, ragam x
t
= σ
xt
2
, ragam y
t
= σ
y
2

b. Fungsi autokovarian γ
x
(k) = E(x
t
- μ
t
)(x
t+k
– μ
t
) dan γ
y
(k) = E(y
t
- μ
t
)(y
t+k

– μ
t
) dengan time lag k.
c. Kovarian silang antara x dan y pada lag k (γ
xy
) dan kovarian silang antara y
dan x (γ
yx
) sebagai berikut:
γ
xy
(k) = {(x
t
– μ
x
)(y
t+k
– μ
y
)}
γ
yx
(k) = {(y
t
– μ
y
)(x
t+k
– μ
x
)}
Oleh karena γ
xy
(k) = E(x
t
– μ
x
)(y
t+k
- μ) = E(y
t+k
– μ
y
)(x
t
– μ
x
) = γ
xy
(-k) maka
hanya perlu mendefinisikan satu fungsi γ
xy
(k) untuk k = 0, ± 1, ± 2, … yang disebut
sebagai fungsi kovarian silang antara x dan y pada lag k adalah
Ρ
xy
(k) =
y x
xy
k
o o
¸ ) (
, k = 0, ± 1, ± 2, …
Dan penduganya adalah

y x
xy
xy xy
S S
k C
k r k
) (
) ( ) ( ˆ = = µ , k = 0, ± 1, ± 2, …
Di mana:

C
xy
(k) =
¦
¦
¹
¦
¦
´
¦
÷ ÷ = ÷ ÷
= ÷ ÷
¿
¿
÷ =
+
÷
=
+
n
k t
k t t
k n
t
k t t
k y y x x
n
k y y x x
n
1
1
2 , 1 , 0 ), )( (
1
,... 2 , 1 , 0 ), )( (
1
     
     


S
x
=
¿
=
÷ =
n
t
t xx
x x
n
C
1
2
) (
1
) 0 (    , C
xx
(0) : ragam x
S
y
=
¿
=
÷ =
n
t
t yy
y y
n
C
1
2
) (
1
) 0 (    , C
yy
(0) : ragam y
14

x = rata – rata deret input yang telah disesuaikan
y   = rata – rata deret output yang telah disesuaikan.
Denagn demikian, korelasi silang antara deret input (o
t
)dan deret output (|
t
)
yang telah diputihkan dan disesuaikan adalah

| o
o|
o|
S S
k C
k r
) (
) ( =
Menurut Wei (1994), fungsi korelasi silang tidak hanya mengukur kekuatan
hubungan, tetapi juga mnegukur arah hubungan itu,sehinnga untuk meliht hubungan
antara deret input (X
t
) dan deret output (Y
t
) secara grafik, perlu menghitung CCF (Cross
Correlation Function), ) (
,
k
y x
µ untuk kedua lag baik positif maupun negative.
4. Penaksiran langsung bobot respons impuls
Menurut Makridakis dkk. (1999), dasar pemikiran teoritis untuk mendapatkan
penaksir bobot respons impuls berawal dari mengasumsikan b = 0 sehingga model
fungsi transfer dapat ditulis sbb;
y
t
= v(B)x
t
+ n
t
Jika x
t
ditransformasi dengan |
x
(B)/u
x
(B) maka diperoleh persamaan sebagai
berikut;

2
) (
o
o|
o
¸ k
v
k
= =
2
) (
o|
| o o|
o
o o µ x k
= ) (k
o|
o
|
µ
o
o

Jadi, hanya suku v
k
yang terlihat karena o
t-k
bebas dari pengaruh o
t
lainnya.
Dengan mensubstitusikan persamaan di atas, maka didapatkan bobot respons
impuls (impulse response weights) sebagai berikut;
) (k r
S
S
v
k o|
o
|
= k = 0, 1, 2,….
(Abraham dan Ledolter, 1983).
5. Penetapan r, s, b untuk model fungsi transfer
3 parameter kunci dalam model fungsi transfer adalah sebagai berikut;
r = derajat fungsi o(B)
s = derajat fungsi e(B)
b = keterlambatan yang dicatat dalam subskrip dari X
t-b
15

Untuk mendapatkan nilai r, s, b merupakan suatu tugas peramal. Sehingga diperoleh
persamaan berikut ini;

b t t
x
B
B
x B v
÷
=
) (
) (
) (
o
e

Jika pernyataan tersebut diperluas dan koefisien dibandingkan, akan diperoleh
persamaan berikut ini;
v
k
= 0 untuk k s b-1
v
k
= o
1
v
k-1
+ ... + o
r
v
k-r
+e
0
untuk k = b
v
k
= o
1
v
k-1
+ ... + o
r
v
k-r
+e
k-b
untuk k = b+1,..., b+s
v
k
= o
1
v
k-1
+ ... + o
r
v
k-r
untuk k ≥ b+s+1
Makridakis dkk.(1999), menyatkan bahwa jika berfikir secara intuitif tentang arti (r, s,
b) maka;
1. Nilai b menyatakan bahwa y tidak dipengaruhi oleh nilai x
t
sampai pada
periode t+b atau y
t
= 0x
t
+0x
t-1
+0x
t-2
+ ...+e
0
x
t-b

2. Nilai s menyatakan untuk berapa lama deret output (y) secara terus menerus
dipengaruhi nilai baru dari deret input (x
t
), atau y
t
dipengaruhi oleh nilai x
t-
1
,x
t-b-1
,… x
t-b-s

3. Nilai r menyatakan bahwa y
t
berkaitan dengan nilai-nilai masa lalunya.
Wei (1990), memberikan suatu petunjuk dalam menentukan nilai r, s dan b yang
jelas
Untuk kasus r = 0, fungsi transfer hanya mengandung sejumlah bobot respons
impuls yang dimulai dari v
b
= 0 dan v
b+s
= -e
s

Untuk kasus r = 1, bobot respons impuls menunjukkan pola menurun secara
eksponensial dari v
b
jika s = 0, dari v
b+1
jika s =1 dan dari v
b+2
jika s = 2.
Untuk kasus r = 2, bobot respons impuls menunjukkan pola gelombang sinus
teredam.
Dalam prakteknya, untuk nilai r dan s, tidak lebih dari 2.
6. Pengujian Pendahuluan Deret Gangguan (noise series)
Penaksiran kangsung bobot respons impuls memungkinkan dilakukannya
perhitungan nilai taksiran pendahuluan dari deret gangguan n
t
. Karena;
y
t
= v(B)x
t
+ n
t
maka
16

n
t
= y
t
– v
0
x
t
– v
1
x
t-1
– v
2
x
t-2
- ... – v
g
x
t-g

7.
Penetapan (p
n
,q
n
) untuk Model ARIMA (p
n
,0,q
n
) dari Deret Gangguan

Sesudah menggunakan persamaan n
t
= y
t
– v
0
x
t
– v
1
x
t-1
– v
2
x
t-2
- ... – v
g
x
t-g,
untuk
mengukur deret gangguan, kemudian nilai – nilai n
t
dianalisis degan cara ARIMA biasa
untuk menemukan apakah terdapat model ARIMA (p
n
,0,q
n
) yang tepat untuk
menjelaskan mereka. Autokorelasi, autokorelasi parsial dan spektrum garis ditetapkan
dan selanjutnya nilai pn dan qn untuk autoregresif dan proses rata- rata bergerak,
berturut –turut, dipilih. Dengan cara ini, fungsi Φ
n
(B) dan θ
n
(B)

untuk deret gangguan n
t

pada

Untuk mendapatkan Φ
n
(B) n
t
= θ
n
(B)o
t


8. Penaksiran Parameter Model Fungsi Transfer
Seperti penaksiran parameter pada model ARIMA, penaksiran parameter
model fungsi transfer juga menggunakan metode Conditional Least Square.
Makridakiss dkk ( 1999 ) menyatakan bahwa tahap penaksiran parameter ini terbagi
menjadi dua bagian yaitu taksiran awal dan iterasi dalam rangka mendapatkan taksiran
yang lebih baik. Hal ini melibatkan sejumlah besar perhitungan dan penaksiran
parameter sehingga biasanya dilakukan dengan computer. Taksiran awal dari parameter
fungsi transfer, didapatkan pada persamaan dibawah ini:

Jika pernyataan v (B), (B), dan (B) diperluas dan koefisien-koefisiennya
dibandingkan, akan didapatkan hubungan sebagai berikut:


9. Pemeriksaan Diagnostik
Menurut Makridakis dkk (1999), suatu hal yang biasa dalam permodelan
ARIMA untuk mengidentifikasi lebih dari satu model, memperkirakan parameter pada
setiap model dan kemudian mengerjakan pemeriksaan diagnostik yang hati – hati untuk
17

menguji vaiditas ( kesahihan ) model. Hal yang sama juga dilakukan pada permodelan
fungsi transfer.
Pemeriksaan diagnostic bertujuan untuk menguji apakah asumsi bahwa a
i

merupakan white noise dan bebas terhadap deret input yang telah diputihkan dan
disesuaikan ,
t
o , telah terpenuhi. Jika asumsi ini terpenuhi maka model fungsi transfer
yang telah diuji ini merupakan model fungsi transfer yang layak digunakan untuk
peramalan ( Wei,1990 ).
Model fungsi transfer yang telah dipilih dapat menjadi model yang tidak layak
karena permodelan deret noise, permodelan fungsi transfer, atau kedua permodelan ini
yang salah, sehingga terdapat dua macam pemeriksaan dan pengujian dalam pemakaian
diagnostic.
1. Pemeriksaan Korelasi Silang
Menurut Makridakis dkk (1999) dalam proses perkiraan bobot fungsi transfer
terdapat asumsi bahwa deret input yang telah diputihkan (
t
o ) adalah bebas dari
komponen noise ( a
t
).
Wei (1990) menjelaskan bahwa untuk sebuah model fungsi transfer yang layak
maka koefisien korelasi silang antara a
t
dengan
t
o seharusnya tidak
menunjukkan suatu pola tertentu dan berada diantara dua kesalahan standar 2(n-
k)
-1/2
.
Sebuah uji Ljung-Box dapat digunakan untuk mengetahui kelayakan model
fungsi transfer di bawah hipotesis nol yaitu korelasi silang antara
t
o dan a
t
tidak
berbeda nyata dari nol, dengan statistic uji sebagai berikut :
¿
=
÷
+ =
K
k
t at
k m
k r
m m Q
0
2
,
) (
) 2 (
o

Dimana :
m = n – t
0
+1
n = banyaknya pengamatan
t
0
= mx {p+r+1,b+p+s+1}
K : lag maksimum
) (
,
k r
a o
: Koefisien korelasi silang antara deret
t
o
dan a
t
pada lag k
18

Statistik Q mneyebar mengikuti sebaran chi-kuadrat dengan derajat bebas (K+1-
r-s). Jika Q lebih kecil dari _
2
(k+1-r-s)
maka dapat dikatkan bahwa model fungsi transfer
sudah layak.
2. Pemeriksaan Autokorelasi
Fungsi autokorelasi nilai sisa menunjukkan suatu pola dapat dikatakan model fungsi
transfer tidak layak layak. Dan uji Ljung-Box digunakan untuk menguji kelayakan
noise.
Wei (1990), meyatkan bahwa untuk menguji kelayakan model digunakan uji
Ljung-Box dengan hipotesis nol yaitu autokorelasi nilai sisa tidak berbeda nyata dari
nol, akan ditunjukkan bahwa statistik Q berdistribusi _
2
(k-m)
¿
=
÷
+ =
K
k
k
k m
r
m m Q
1
2
) 2 ( dimana;

m = n – t
0
+1
r
k
= Koefisien autokorelasi a
t
pada lag k
t
0
= max (p+r+1,p+s+1)
K = lag maksimum
m = jumlah parameter yang diduga dalam model.
Jika nilai statistik Q lebih kecil daripada _
2
(k-p-q)
maka dapat dikatakan model untuk
deret noise
nt
sudah layak untuk digunakan.












19

BAB III
METODE PENELITIAN


3.1 Data Penelitian
Data deret waktu yang digunakan pada makalah ini merupakan data yang di dapat
dari buku Metode dan Aplikasi Peramalan (Makridakis dkk.) yaitu data pengeluaran
untuk iklan (dalam $10000) sebagai input (Xt) dan total penjualan (dalam 1000 kasus)
sebagai output (Yt) selama periode 100 bulan.

3.2 Metode
Metode penelitian yang digunakan dalam makalah ini adalah sebagai berikut :
1. Melakukan pemodelan ARIMA
a. Membuat plot data deret waktu untuk data awal
b. Memeriksa kestasioneran terhadap ragam pada deret input(Xt) dan deret
output(Yt)
c. Melakukan transformasi Box-Cox jika data tidak stasioner terhadap
ragam.
d. Memeriksa kestasioneran terhadap nilai tengah pada deret input(Xt) dan
deret output(Yt)
e. Melakukan differencing jika data tidak stasioner terhadap nilai tengah
f. Mengidentifikasi model ARIMA (p,d,q) berdasarkan output plot PACF
dan ACF
g. Menentukan model tentatif ARIMA(p,d,q)
h. Menduga parameter model ARIMA
i. Menguji kelayakan model ARIMA (p,d,q) uji L-Jung Box Q
j. Menentukan model terbaik dari model ARIMA (p,d,q) berdasarkan nilai
AIC terkecil
2. Melakukan pemutihan deret input untuk menghasilkan deret o
t
dan pemutihan
deret output untuk menghasilkan deret β
t
kemudian pemeriksaan white noise
dengan membuat plot ACF o
t
, ACF β
t
.
3. Membuat plot CCF
20

4. Mengidentifikasi nilai (r,s,b) berdasarkan plot CCF antara deret input (Xt) dan
output (Yt) kemudian didapat model sementara fungsi transfer
5. Menghitung penaksiran awal deret gangguan (nt) dan melakukan identifikasi
model ARIMA untuk deret gangguan (nt)
6. Melakukan pemeriksaan diagnostik model fungsi transfer
a. Uji kelayakan model dengan memeriksa korelasi silang antara Xt & Yt
serta memeriksa autokorelasi Xt dan Yt.
b. Uji kesesuaian model dengan membuat plot ACF sisaan model fungsi
transfer
7. Pemodelan model fungsi transfer terbaik berdasarkan nilai AIC terkecil.
8. Peramalan dengan model fungsi transfer yang diperoleh
Paket program yang digunakan dalam penelitian ini adalah E-views versi 4.0 yang
digunakan untuk perhitungan nilai AIC model ARIMA. Minitab versi 14.0 yang
digunakan untuk plot data deret waktu, pemeriksaan stasioneritas terhadap ragam,
transformasi Box-Cox, plot ACF dan PACF, identifikasi model ARIMA (p,d,q),
pendugaan parameter model ARIMA, pengujian kelayakan model ARIMA (p,d,q) L-
jung Box Q. SAS 9.12 yang digunakan untuk hasil plot CCF dan pendugaan parameter
model fungsi transfer dua deret input dan satu deret output.





















21


BAB IV
HASIL DAN PEMBAHASAN


Berikut ini adalah data tentang Pengeluaran untuk Iklan (Dalam $ 100) dan
Total Penjualan (Dalam 1000 kasus)selama periode 100 bulan

t Xt
(Iklan)
Yt
(Penjualan)
1 116.44 202.66
2 119.58 232.91
3 125.74 272.07
4 124.55 290.97
5 122.35 299.09
6 120.44 296.95
7 123.24 279.49
8 127.99 255.75
9 121.19 242.78
10 118.00 255.34
11 121.81 271.58
12 126.54 268.27
13 129.85 260.51
14 122.65 266.34
15 121.64 281.24
16 127.24 286.19
17 132.35 271.97
18 130.86 265.01
19 122.90 274.44
20 117.15 291.81
21 109.47 290.91
22 114.34 264.95
23 123.32 228.40
24 130.33 209.33
25 133.17 231.69
26 134.35 281.56
27 129.75 327.16
28 130.05 344.24
29 133.42 324.72
30 135.16 289.36
31 130.89 262.92
32 123.48 263.65
33 118.46 276.38
34 122.11 276.34
35 128.75 258.27
36 127.09 242.89
37 114.55 255.98
38 113.26 278.53
39 111.51 273.21
40 111.73 246.37
41 114.08 221.10
42 114.32 210.41
43 115.03 222.19
44 124.28 245.27
45 132.69 262.58
46 134.64 283.25
47 133.28 331.12
48 128.00 326.28
49 129.97 322.04
50 128.35 295.37
51 123.90 266.69
52 122.45 253.07
53 122.85 249.12
54 129.28 253.59
55 129.77 262.13
56 127.78 279.66
57 134.29 302.92
58 140.61 310.77
59 133.64 307.83
60 135.45 313.19
61 130.93 312.80
62 118.65 301.23
63 120.34 286.64
64 120.35 257.17
65 117.09 229.60
66 117.56 227.62
67 121.69 238.21
68 128.19 252.07
69 134.78 269.86
70 128.93 291.62
71 121.63 314.06
72 125.43 318.56
73 126.80 289.11
74 131.56 255.88
75 126.43 249.81
76 116.19 268.82
77 112.72 288.24
78 109.53 281.26
79 110.38 256.92
80 107.31 22.26
81 93.59 209.94
82 89.80 213.30
83 88.70 207.19
84 86.67 186.13
85 89.26 171.20
86 96.51 170.33
87 107.35 163.69
88 110.35 211.30
89 102.66 252.66
90 97.56 268.20
91 98.06 279.45
92 103.93 237.06
93 115.66 193.40
94 112.91 180.79
95 116.89 215.73
96 116.84 264.98
97 109.55 294.07
98 110.63 299.08
99 111.32 271.10
100 117.09 230.56
22

Data di atas di peroleh dari (Makridakis,dkk. Metode dan Aplikasi Peramalan edisi kedua jilid
satu)


1. Pemodelan ARIMA

 Xt(Iklan)
1. Pemeriksaan Plot Iklan
ppp
Gambar deret input Xt (pengeluaran iklan)

Index
P
e
n
j
u
a
l
a
n
100 90 80 70 60 50 40 30 20 10 1
350
300
250
200
150
100
50
0
Time Series Plot of Penjualan

Gambar deret output (total penjualan)

Berdasarkan plot di atas, terlihat bahwa deret input dan deret output berfluktuasi setiap waktu,
dan informasi tertentu dapat diperoleh dalam waktu singkat. Angka penjualan penjualan lebih
mudah berkembang daripada pengeluaran iklan.. titik maksimum dan minimum local pada kedua
deret tersebut terjadi pada periode waktu yang hampir bersamaan.
2. Pemeriksaan Stasioner
a. Stasioner terhadap ragam
23

Lambda
S
t
D
e
v
5.0 2.5 0.0 -2.5 -5.0
4.7
4.6
4.5
4.4
4.3
4.2
4.1
4.0
3.9
3.8
Lower CL Upper CL
Limit
Lambda
1.00
(using 95.0% confidence)
Estimate 1.02
LowerCL -0.78
UpperCL 2.95
Rounded Value
Box-Cox Plot of Iklan

Pada plot di atas terlihat bahwa nilai lambda (λ) estimasi = 1.02, sehingga dapat
dikatakan bahwa data sudah stasioner terhadap ragam.

b. Stasioner terhadap rata-rata
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
24 22 20 18 16 14 12 10 8 6 4 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for Iklan
(with 5% significance limits for the autocorrelations)

Pada plot autokerelasi di atas dapat diketahui bahwa setelah lag 3 masih terdapat
nilai ACF yang berada di luar selang, sehingga perlu dilakukan diferensi data
belum stasioner terhadap rata-rata.


24

Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
24 22 20 18 16 14 12 10 8 6 4 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for dif1
(with 5% significance limits for the autocorrelations)

Berdasarkan plot ACF terhadap diferensi satu kali di atas, terlihat bahwa tidak ada
lag yang keluar setelah lag ke-3, sehingga dapat dikatakan bahwa data sudah
stasioner terhadap ragam dan rata-rata.

Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
24 22 20 18 16 14 12 10 8 6 4 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Partial Autocorrelation Function for dif1
(with 5% significance limits for the partial autocorrelations)



25

 Yt (Total Penjualan)
1. Pemerikasaan Stasioner
a. Stasioner terhadap Ragam
Lambda
S
t
D
e
v
5 4 3 2 1 0 -1 -2
80
70
60
50
40
30
20
10
Lower CL Upper CL
Limit
Lambda
2.00
(using 95.0% confidence)
Estimate 2.40
LowerCL 1.81
UpperCL 3.32
Rounded Value
Box-Cox Plot of Penjualan

Berdasarkan hasil transformasi di atas, terlihat bahwa nilai estimasi lambda (λ) =
2.40, dimana nilai lambda jauh dari 1, sehingga data tersebut belum bisa
dikatakan stasioner terhadap ragam, maka perlu dilakukan transformasi data .
Lambda
S
t
D
e
v
5 4 3 2 1 0
18000
16000
14000
12000
10000
Lower CL Upper CL
Limit
Lambda
1.00
(using 95.0% confidence)
Estimate 1.20
LowerCL 0.83
UpperCL 1.66
Rounded Value
Box-Cox Plot of trans1
Berdasarkan hasil plot transformasi di atas, terlihat bahwa nilai estimasi lambda
(λ) =1.20 yang sudah mendekati nilai 1, sehingga data sudah dikatakan stasioner
terhadap ragam.

26

b. Stasioner terhadap rata-rata
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
24 22 20 18 16 14 12 10 8 6 4 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for trans1
(with 5% significance limits for the autocorrelations)

Berdasarkan plot ACF data output penjualan di atas, terlihat bahwa ada 2 lag yang
keluar dari batas, sehingga data dapat dikatakan bahwa sudah stasoner terhadap
rata-rata.
Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
24 22 20 18 16 14 12 10 8 6 4 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Partial Autocorrelation Function for trans1
(with 5% significance limits for the partial autocorrelations)








27

2. Model Sementara yang Terbentuk

Dari hasil kedua plot (ACF dan PACF) data input (iklan), dapat diketahui bahwa :
 Dari plot ACF dapat diketahui bahwa masih terdapat nilai ACF yang berada di luar
selang, sehingga model MA yang terbentuk adalah q = 0,1 ; MA (0,1).
 Dari plot ACF dapat diketahui bahwa data belum stasioner terhadap rata-rata setelah
diferensi satu kali diferensi, sehingga d = 1.
 Dari plot PACF dapat diketahui bahwa masih terdapat nilai PACF yang berada di luar
selang, sehingga model AR yang terbentuk adalah p = 0,1 ; AR (0,1).

Dari plot ACF dan PACF serta proses differensi, model dugaan sementara yang
terbentuk dapat diringkas seperti dalam tabel di bawah:
MODEL TENTATIF ARIMA (p,d,q)
AR(p) I(d) MA(q) ARIMA (p,d,q)
0 1 1 0,1,1
1 1 0 1,1,0
1 1 1 1,1,1

3. Pemeriksaan Diagnostik untuk Menguji Kelayakan Model Menggunakan
Metode Maximum Likelihood

Hipotesis :
H
0
: Model sesuai untuk data Iklan
H
1
: Model tidak sesuai untuk data Iklan
Pengujian untuk berbagai kemungkinan kombinasi model:
No
ARIMA
(p,d,q)
12 24 36 48
1 0,1,1 Ljung-Box 17.2 29.6 39.7 51.2
P-value 0.069 0.129 0.230 0.276
2 1,1,0 Ljung-Box 24.7 37.2 52.1 63.2
P-value 0.006 0.023 0.024 0.046
3 1,1,1 Ljung-Box 12.3 22.2 33.0 43.2
P-value 0.196 0.387 0.467 0.546
28

Berdasarkan uji Ljung-box, suatu model dikatakan layak jika seluruh lag dari suatu
model memiliki statistik Q lebih kecil daripada ) (
2
m K÷ _ atau nilai p-value lebih besar
daripada 05 , 0 = o . Hasil dari pengujian menggunakan uji Ljung-Box dan plot ACF sisaan
tersebut, yaitu hanya ada 2 model yang sesuai atau layak digunakan untuk peramalan, karena
didapatkan p-value>o untuk kesebelas model tentatif.
Sehingga dari kedua model tersebut, kita akan memilih model terbaik dengan memilih
nilai AIC (Akaike Info Criterion) dari kedua model tersebut.

4. Pemilihan Model ARIMA yang Terbaik Menggunakan AIC

Dari perhitungan menggunakan software EVIEWS 3.0, didapatkan hasil yang
diringkas sebagai berikut:

AR(p)

I(d)

MA(q)

ARIMA (p,d,q)
0 1 1 0,1,1
1 1 0 1,1,0
1 1 1 1,1,1

Pemilihan Model terbaik
NO MODEL NILAI AIC
1 ARIMA (0,1,1) 5.983663
2 ARIMA (1,1,0) 6.081244
3 ARIMA (1,1,1) 5.972234
Berdasarkan hasil perhitungan AIC untuk masing-masing model tersebut
diperoleh AIC terkecil yaitu pada model ARIMA (1,1,1) yang dipilih sebagai model terbaik
untuk deret input.






29

5. Pendugaan Parameter

PENDUGAAN PARAMETER UNTUK ARIMA (1,1,1)




















Diperoleh model:
xt = -0,2954 xt-1 + αt + 0,7765 αt-1
(perhatikan nilai parameter untuk MA?)
xt + 0,2954 Bxt = αt + 0,7765 αt-1
Dengan demikian pemutihan deret input:
αt = (1 + 0,2954B) xt/ (1 + 0,7765B)
xt + 0.2954x
t-1
=

ARIMA Model: Iklan

Estimates at each iteration

Iteration SSE Parameters
0 2724.98 0.100 0.100 0.096
1 2468.06 0.226 -0.025 0.043
2 2411.02 0.095 -0.175 0.046
3 2357.54 -0.030 -0.325 0.048
4 2301.38 -0.146 -0.475 0.050
5 2239.24 -0.252 -0.625 0.050
6 2185.41 -0.337 -0.775 0.044
7 2181.14 -0.298 -0.777 0.034
8 2181.13 -0.295 -0.776 0.032
9 2181.13 -0.295 -0.777 0.032

Unable to reduce sum of squares any further


Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 -0.2954 0.1570 -1.88 0.063
MA 1 -0.7765 0.1019 -7.62 0.000
Constant 0.0319 0.8515 0.04 0.970


Differencing: 1 regular difference
Number of observations: Original series 100, after differencing 99
Residuals: SS = 2180.40 (backforecasts excluded)
MS = 22.71 DF = 96


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 12.3 22.2 33.0 43.2
DF 9 21 33 45
P-Value 0.196 0.387 0.467 0.546


30

Dengan inisialisasi nilai

=0, maka

diperoleh pula pemutihan deret output:
βt = (1 + 0,2954B) yt/ (1 + 0,7765B)
yt + 0.2954x
t-1
=

dengan inisialisasi nilai

, maka

Dapat kita lihat bahwa deret αt yang kita bentuk apa benar white noise apa belum, dapat kita
uji autokorelasi sisaannya.
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
24 22 20 18 16 14 12 10 8 6 4 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for alfa(t)
(with 5% significance limits for the autocorrelations)

Dapat kita lihat bahwa tidak ada autokorelasi yang nyata, karena hasil prewhitening
(pemutihan) deret Xt berarti mentransformasikan deret xt ke dalam bentuk white noise (yaitu
αt). Hal ini tidak berlaku untuk deret βt, karena deret ini belum tentu white noise, karena
deret ini hanya bentuk lain dari Yt agar tetap mempertahankan integritas hubungan Xt ke Yt
yang dipetakan kembali ke dalam bentuk hubungan αt dan βt.




31

6. Pendugaan Korelasi Silang Antara o
T
Dan |
T







































Perhatikan hampir semua korelasi silang untuk k = -1 sampai dengan k = -20 pada hakekatnya
tidak signifikan. Dan dapat kita lihat bahwa terjadi korelasi silang yang signifikan pada saat k =
2 yaitu periklanan 2 bulan, korelasi silang =0.142 dan untuk 3 bulan korelasi silang = 0.394.
Cross Correlation Function: alfa(t), beta(t)

CCF - correlates alfa(t)(t) and beta(t)(t+k)

-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
-20 -0.072 XXX
-19 0.099 XXX
-18 0.001 X
-17 0.048 XX
-16 0.077 XXX
-15 -0.164 XXXXX
-14 0.094 XXX
-13 -0.171 XXXXX
-12 -0.042 XX
-11 0.086 XXX
-10 0.082 XXX
-9 0.097 XXX
-8 -0.046 XX
-7 -0.086 XXX
-6 -0.060 XXX
-5 -0.048 XX
-4 -0.030 XX
-3 0.039 XX
-2 0.063 XXX
-1 0.130 XXXX
0 -0.102 XXXX
1 -0.256 XXXXXXX
2 0.142 XXXXX
3 0.394 XXXXXXXXXXX
4 0.371 XXXXXXXXXX
5 0.067 XXX
6 -0.394 XXXXXXXXXXX
7 -0.298 XXXXXXXX
8 -0.180 XXXXXX
9 0.130 XXXX
10 0.151 XXXXX
11 -0.063 XXX
12 -0.018 X
13 0.001 X
14 0.030 XX
15 0.017 X
16 0.007 X
17 -0.060 XX
18 0.072 XXX
19 0.021 XX
20 -0.225 XXXXXXX

32

deret input memiliki dampak dinamis pada penjualan mendatang. Sesaat kemudian pengaruhnya
tidak ada, karena itu untuk k=11 sampai k=20 korelasi silang sekali lagi mendekati nol.
Korelasi silang di atas menunjukkan dengan jelas bahwa deret input menentukan deret output,
terdapat nilai mutlak penundaan 2 bulan (sebelum α secara significant mempengaruhi β), dan
setelah 10 blan tenggang waktu berlangsung, α muncul tanpa dampak yang significant terhadap
β.

7. Pendugaan Langsung Bobot Respon Impuls








Simpangan baku o
t
= 4.750 dan |
t
= 38.81. Bobot respon impuls dapat dihitung dari
hasil korelasi silang dengan rumus
o
|
o|
S
S
k r v ) ( =
. Hasil perhitungannya adalah
sebagai berikut:
k r v
0 -0,102 -0.833
1 0,256 2.0917
2 0,142 1.1602
3 0,394 3.2192
4 0,371 3.0313
5 0,067 0.5474
6 -0,394 -3.219
7 -0,298 -2.435
8 -0,180 -1.471
9 0,130 1.0622
10 0,151 1.2337
11 -0,063 -0.515
12 -0,018 -0.147
13 0,001 0.0082
14 0,030 0.2451
15 0,017 0.1389
16 0,007 0.0572
Descriptive Statistics: alfa(t), beta(t)

Variable N N* Mean SE Mean StDev Minimum Q1 Median Q3
alfa(t) 100 0 -0.0261 0.475 4.750 -11.347 -3.582 0.0545 3.641
beta(t) 100 0 0.0558 3.88 38.81 -243.26 -20.98 0.261 21.26

33

17 -0.060 -0.49
18 0,072 0.5883
19 0,021 0.1716
20 -0,225 -1.838
PENDUGAAN NILAI r,s,b
Dari nilai korelasi silang, diperoleh nilai b = 2 karena korelasi yang signifikan pertama
kali pada saat lag 2 setelah lag ke nol. Untuk nilai r dan s dipilih dari kombinasi r = 0,1,2
dan s = 0,1,2.

8. Pengujian Pendahuluan Deret Gangguan (Noise)
Persamaan umum fungsi transfer
t t t
n x B v y + = ) ( , maka deret noise n
t
bisa ditulis
sebagai
20 20 1 1 0
...
÷ ÷
÷ ÷ ÷ ÷ =
t t t t t
x v x v x v y n

t nt
1 -2.499
2 -25.960
3 -36.550
4 -19.070
5 22.360
6 49.870
7 45.600
8 17.080
9 -19.520
10 -35.360
11 -26.440
12 0.730
13 12.730
14 -0.040
15 -18.070
16 -15.380
17 13.090
18 22.550
19 -5.320
20 -26.840
21 -25.270
22 -10.690
23 11.780
24 23.080
25 17.310
26 20.670
27 47.870
28 -4.840
29 -4.240
30 -26.670
31 -28.680
32 -13.620
33 -3.950
34 4.470
35 8.540
36 17.530
37 23.260
38 7.850
39 -2.940
40 5.360
41 -0.390
42 -11.570
43 -14.590
44 -29.470
45 -27.570
46 -1.980
47 10.590
48 13.860
49 17.790
50 21.760
51 22.440
52 4.500
53 -29.450
54 -33.230
55 -6.070
56 19.010
57 19.420
58 -6.980
59 -24.340
60 -234.660
61 187.680
62 3.360
63 -6.110
64 -21.060
65 -14.930
66 -0.870
67 -6.640
68 47.610
69 41.360
70 15.540
71 11.250
72 -42.390
73 -43.660
74 -12.610
75 34.940
76 49.250
77 29.090
78 5.010
79 -27.980
80 -40.540

34

INDIKASI MODEL ARIMA UNTUK DERET GANGGUAN ( noise=n
t
)
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
20 18 16 14 12 10 8 6 4 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Autocorrelation Function for nt
(with 5% significance limits for the autocorrelations)


Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
20 18 16 14 12 10 8 6 4 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Partial Autocorrelation Function for nt
(with 5% significance limits for the partial autocorrelations)

ARIMA (0,0,1)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 12.3 21.3 24.2 33.3
DF 10 22 34 46
P-Value 0.264 0.500 0.894 0.920

ARIMA (0,0,2)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 11.1 16.8 21.6 32.1
DF 9 21 33 45
P-Value 0.272 0.721 0.936 0.925


ARIMA (1,0,0)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 11.7 20.1 22.9 31.5
35

DF 10 22 34 46
P-Value 0.309 0.574 0.926 0.949
ARIMA (2,0,0)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 11.8 20.3 23.1 31.7
DF 9 21 33 45
P-Value 0.223 0.500 0.899 0.934


ARIMA (2,0,1)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 11.6 20.1 22.8 31.4
DF 8 20 32 44
P-Value 0.170 0.454 0.884 0.923



ARIMA (2,0,2)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 6.7 13.7 17.0 25.3
DF 7 19 31 43
P-Value 0.463 0.801 0.981 0.986

ARIMA(1,0,1)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 6.7 13.7 16.9 25.2
DF 9 21 33 45
P-Value 0.672 0.883 0.991 0.993

ARIMA (1,0,2)
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 5.1 10.5 13.7 20.3
DF 8 20 32 44
P-Value 0.748 0.959 0.998 0.999


Berdasarkan pengujian kelayakan model, terlihat bahwa semua model ARIMA sesuai,
sehingga perlu dilakukan pengujian model yang terbaik dengan melihat nilai AIC
terkecil menggunakan EVIEWS.

NO MODEL NILAI AIC
1 ARIMA (0,0,1) 10.28011
2 ARIMA (0,0,2) 11.05898
3 ARIMA (1,0,0) 10.76234
4 ARIMA (2,0,0) 11.08411
5 ARIMA(2,0,1) 10.35533
6 ARIMA(2,0,2) 11.09268
7 ARIMA(1,0,1) 10.34418
8 ARIMA(1,0,2) 10.34586
36

PENDUGAAN PARAMETER ARIMA(0,0,1) atau MA(1) DARI n
t



























Sehingga model terbaik untuk nt adalah ARIMA (0,0,1):

nt = 0.1276 nt-1 + at

Dengan demikian model sementara fungsi transfer adalah:
Alternatif 1 untuk (r,s,b)(p,q) (0,0,2)(0,1)
Alternatif 2 untuk (r,s,b)(p,q) (0,1,2)(0,1)
Alternatif 3 untuk (r,s,b)(p,q) (0,2,2)(0,1)
Alternatif 4 untuk (r,s,b)(p,q) (1,0,2)(0,1)
Alternatif 5 untuk (r,s,b)(p,q) (1,1,2)(0,1)
Alternatif 6 untuk (r,s,b)(p,q) (1,2,2)(0,1)
Alternatif 7 untuk (r,s,b)(p,q) (2,0,2)(0,1)
Alternatif 8 untuk (r,s,b)(p,q) (2,1,2)(0,1)
Alternatif 9 untuk (r,s,b)(p,q) (2,2,2)(0,1)

ARIMA Model: nt

Estimates at each iteration

Iteration SSE Parameters
0 131096 0.100 -0.686
1 131033 0.119 -0.715
2 131027 0.124 -0.711
3 131026 0.127 -0.709
4 131026 0.127 -0.708
5 131026 0.127 -0.708
6 131026 0.128 -0.708

Relative change in each estimate less than 0.0010


Final Estimates of Parameters

Type Coef SE Coef T P
MA 1 0.1276 0.1132 1.13 0.263
Constant -0.708 3.999 -0.18 0.860
Mean -0.708 3.999


Number of observations: 80
Residuals: SS = 131026 (backforecasts excluded)
MS = 1680 DF = 78


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 12.3 21.3 24.2 33.3
DF 10 22 34 46
P-Value 0.264 0.500 0.894 0.920


37

9. Pengujian Ketepatan Model

Dari kesembilan model alternatif, semua menunjukkan bahwa tidak terdapat
autokorelasi maupun korelasi silang yang nyata, jadi kesembilan model alternatif
sudah cukup baik. Sehingga kita menggunakan AIC untuk menentukan model
fungsi transfer yang terbaik adalah model fungsi transfer (r,s,b)(p,q) = (2,2,2)(0,1)
Sehingga diperoleh persamaan model fungsi transfer adalah :
Parameter Estimasi

1
0.39607

0
2.09627

1
-0.56018

, maka

Peramalan Fungsi Transfer deret output:

Interpretasi:
Berdasarkan hasil forecast di atas menggunakan software SAS, maka dapat diketahui
bahwa peramalan lima periode ke depan dengan tingkat keandalan sebesar 95%
mengalami kenaikan total penjualan sebesar 9% dari total penjualan lima periode
terakhir.












38


BAB V
KESIMPULAN DAN SARAN


5.1 Kesimpulan
Model fungsi transfer adalah suatu model yang menggambarkan nilai dari prediksi
masa depan dari suatu deret berkala (disebut deret output atau Y
t
) didasarkan pada
nilai-nilai masa lalu dari deret itu sendiri (Y
t
) dan didasarkan pula pada satu atau lebih
deret berkala yang berhubungan ( disebut deret input atau X
t
) dengan deret output
tersebut.
Model fungsi transfer untuk data total pengeluaran iklan (Xt) dan total penjualan (Yt)
adalah (r,s,b)(p,q) (2,2,2)(0,1) dengan persamaan fungsi transfer:

Berdasarkan hasil forecast menggunakan software SAS, maka dapat diketahui bahwa
peramalan lima period ke depan dengan tingkat keandalan sebesar 95% mengalami
kenaikan total penjualan sebesar 9% dari total penjualan lima periode terakhir.

5.2 Saran
Penggunaan model peramalan dalam jangka panjang sebaiknya perlu dilakukan
pembaruan model, artinya, jika telah didapatkan data tambahan perlu dilakukan
updating model. Dengan adanya tambahan data tersebut agar model selalu konsisten
dalam meramalkan keadaan di masa datang.








39

DAFTAR PUSTAKA

Anonimous.2010. Http://www.Stats_Gla_Ac_Uk/Steps/Glossary/timeseries.Html,
diakses 3 Mei 2010, pukul 20.00 WIB.

Anonimous. 2010. Pengenalan ke analisis deret waktu. Http://www.Pusdatin.com,
diakses 3 Mei 2010, pukul 20.00WIB.

Anonimous. 2010. Model Arima. Http://www.digilib.math.itb.ac.id, diakses 3 Mei
2010, pukul 20.00 WIB.

Anonimous. 2010. Http://www.statsoftnic.com/textbook/stathome.html, diakses 3 Mei
2010, pukul 20.00 WIB.

Arif, Agus. 2010. Fungsi Transfer.Http://www.Pusdatin.com, diakses 3 mei 2010,
pukul 20.00 WIB.

Box. J.E.P and G.M.Jenkins. 1976. Time Series Analysis:forecasting and control.
Holden day Inc, USA.
Cryer, Jonathan D. 1986. Time Series Analysis. PWS-KENT Publishing Company.
Boston USA.

Fernandes, Adji. 2004. Fungsi Transfer. Universitas Brawijaya. Malang.

Iriawan. Ph. D. 2006. Mengolah Data Statistik dengan Mudah Menggunakan
Minitab 14. Andy Offset. Yogyakarta.

Kermel, P. H. 1970. Applied Statistics for Economists. Pitamn Publishing Pty Ltd:
Victoria.

Makridakis, Syprus and Wheel Wright Steven C. 1983. Metode dan Aplikasi
Peramalan. Erlangga: Jakarta.

Rahardi, dicky. 2007. Metode Peramalan Bisnis dan Upaya Memperoleh Akurasi
yang Lebih Baik. Http://www.DickyRahardi.com, diakses 3 Mei 2010,
pukul 20.00 WIB.

Wei, William. W. S. 1990. Time Series Analysis Univariate and Multivariate
Methods. Addison. Weshley Publishing. Comapany.

Yamin, Mohamad. 2010. Fungsi Transfer. Universitas Gunadarma. Jakarta. Diakses
3 Mei 2010, pukul 20.00 WIB.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->