Model Moving Average Adalah

Metode ARIMA Dibagi Kedalam Tiga Kelompok Modell Zeitreihe linier, yaitu autoregressive Modell AR, gleitende durchschnittliche Modell MA Dan Modell Campuran Yang Memiliki karakteristik Kedua Modell di atas yaitu autoregressive integrierte gleitenden Durchschnitt ARIMA.1 Autoregressive Modell AR. Suatu persamaan linier dikatakan sebagai autoregressive Modell jika Modell tersebut menunjukan Zt sebagai fungsi linier dari sejumlah Zt aktual Kurun waktu sebelumnya bersama dengan kesalahan sekarang Bentuk Modell ini dengan ordo p atau AR p atau Modell ARIMA p, d, 0 secara umum adalah. Z t Daten Zeitreihe sebagai variabel dependen pada waktu ke - tZ tp Daten Zeitreihe pada kurun waktu ke - tp. b 1 bp Parameter-Parameter autoregressive. et nilai kesalahan pada kurun waktu ke - t 2 Moving Average Modell MA. Berbeda dengan gleitendes durchschnittliches Modell yang menunjukkan Zt sebagai fungsi linier dari sejumlah Zt Änderung kurun waktu sebelumnya, gleitendes durchschnittliches modell menunjukkan nilai Zt berdasarkan kombinasi kesalahan linier masa lalu lag Bent Uk modell ini dengan ordo q atau MA q atau Modell ARIMA 0, d, q secara umum adalah. Z t Daten Zeitreihe sebagai variabel dependen pada waktu ke-tc 1 cq Parameter-Parameter gleitend Durchschnitt. e tq nilai kesalahan pada kurun waktu ke - tq. Terlihat dari Modell bahwa Zt merupakan rata-rata tertimbang kesalahan sebanyak q periode lalu yang digunakan untuk gleitende durchschnittliche Modell Jika pada suatu Modell digunakan dua kesalahan masa lalu maka dinamakan gleitende durchschnittliche Modell tingkat 2 atau MA 2.3 Autoregressive Integrated Moving Average ARIMA. Sebuah Modell Zeitreihe digunakan berdasarkan asumsi bahwa Daten Zeitreihe yang digunakan harus stasioner yang artinya rata-rata variasi dari Daten yang dimaksud konstan Tapi hal ini tidak banyak ditemui dalam banyak Daten Zeitreihe yang ada, mayoritas merupakan Daten yang tidak stasioner melainkan integriert Daten yang integriert Ini harus mengalami proses zufällige stasioner yang seringkali tak dapat dijelaskan dengan baik oleh autoregressive modell saja atau bewegung av Erage modell saja dikarenakan proses tersebut mengandung keduanya Oleh karena itu campuran kedua modell yang krankheit autoregressive integrierte gleitende durchschnittliche ARIMA menjadi lebih efektif menjelaskan proses itu Pada modell campuran ini serie staterer merupakan fungsi linier dari nilai lampau beserta nilai sekarang dan kesalahan lampaunya Bentuk umum Modell ini adalah. Z t Daten Zeitreihe sebagai variabel dependen pada waktu ke-tZ tp Daten Zeitreihe pada kurun waktu ke - tp. e tq nilai kesalahan pada kurun waktu ke - tq. Prosen autoregressive integrierte gleitende Durchschnitt secara umum dilambangkan dengan ARIMA p, d, Q, dimana. p menunjukkan ordo derajat autoregressive AR. d adalah tingkat proses differencing. q menunjukkan ordo derajat gleitenden Durchschnitt MA. Teknik analisis Daten dengan metode ARIMA dilakukan karena merupakan teknik untuk mencari pola yang paling cocok dari sekelompok Datenkurve passend, dengan demikian ARIMA Memanfaatkan sepenuhnya Daten masa lalu dan sekarang untuk melakukan peramalan Jangka pendek yang akurat Sugiarto dan Harijono, 2000 ARIMA seringkali ditulis sebagai ARIMA p, d, q yang memiliki arti bahwa p adalah orde koefisien autokorelasi, d adalah orde jumlah diferensiasi yang dilakukan hanya digunakan apabila Daten bersifat Nicht-Stürmer Sugiharto dan Harijono, 2000 dan Q adalah orde dalam koefisien rata-rata bergerak gleitender Durchschnitt. Peramalan dengan menggunakan Modell ARIMA dapat dilakukan dengan rumus. II Stasioneriaten Data. Data yang tidak stasioner memiliki rata-rata dan varian yang tidak konstan sepanjang waktu Dengan kata lain, secara ekstrim Daten staterer adalah Daten yang tidak mengalami kenaikan dan penurunan Selanjutnya regresi yang menggunakan Daten yang tidak stasioner biasanya mengarah kepada regresi lancung Permasalahan ini muncul diakibatkan oleh variabel dependen dan independen runtun waktu terdapat tren yang kuat dengan pergerakan yang menurun maupun meningkat Adanya tren akan menghasilkan nilai R 2 yang tinggi , Tetapi keterkaitan antar variabel ak Ein rendah Firmansyah, 2000.Model ARIMA mengasumsikan bahwa Daten masukan harus stasioner Apabila Daten masukan tidak stasioner perlu dilakukan penyesuaian untuk menghasilkan Daten yang stasioner Salah satu cara yang umum dipakai adalah metode pembedaan differencing Metode ini dilakukan dengan cara mengurangi nilai Daten pada suatu periode dengan nilai Datenperiode sebelumnya. Untuk keperluan pengujian stasioneritas, dapat dilakukan dengan beberapa metode seperti autokorrelation Funktion correlogram, uji akar-akar Einheit dan derajat integrasi. a Pengujian stasioneritas berdasarkan correlogram. Suatu pengujian sederhana terhadap stasioneritas Daten adalah dengan menggunakan fungsi koefisien autokorelasi Autokorrelation Funktion ACF Koefisien Ini menunjukkan keeratan hubungan antara nilai variabel yang sama tetapi pada waktu yang berbeda Correlogram merupakan peta grafik dari nilai ACF pada berbagai lag Secara matematis rumus koefisien autokorelasi adalah Sugiharto dan Harijono, 2000 183.Untuk Männer entukan apakah nilai koefisien autokorelasi berbeda Secara statistik dari nol dilakukan sebuah pengujian Suatu Runtun Waktu dikatakan stasioner atau menunjukkan kesalahan Zufalls adalah jika koefisien autokorelasi untuk semua nacheilen Secara statistik tidak berbeda signifikan dari nol atau berbeda dari nol hanya untuk berberapa nacheilen didepan Untuk ITU Perlu dihitung kesalahan Standard dengan rumus. Dimana n menunjukkan jumlah observasi Dengan interval kepercayaan yang dipilih, misalnya 95 persen, maka batas signifikansi koefisien autokorelasi adalah. Suatu koefisien autokorelasi disimpulkan tidak berbeda secara signifikan dari nol apabila nilainya berada diantara rentang tersebut dan sebaliknya Apabila koefisien autokorelasi berada diluar rentang , Dapat disimpulkan koefisien tersebut signifikan, yang berarti ada hubungan signifikan antara nilai suatu variabel dengan nilai variabel itu sendiri dengan zeit lag 1 periode. III Tahapan Metode ARIMA. Metode ARIMA menggunakan pendekatan iteratif dalam mich Ngidentifikasi suatu modell yang paling tepat dari berbagai modell yang ada modell sementara yang telah dipilih diuji lagi dengan daten historis untuk melihat apakah modell sementara yang terbentuk tersebut sudah memadai atau belum Modell sudah dianggap memadai apabila residual selisih hasil peramalan dengan Daten historis terdistribusi secara acak, kecil Dan independen satu sama lain Langkah-langkah penerapan metode ARIMA secara berturut-turur adalah identifikasi modell, estimasi parametermodell, diagnostische prüfung dan peramalan prognose. a Identifikasi model. Seperti yang dijelaskan sebelumnya bahwa modell ARIMA hanya dapat diterapkan untuk deret waktu yang stasioner Oleh karena Itu, pertama kali yang harus dilakukan adalah menyelidiki apakah Daten yang kita gunakan sudah stasioner atau belum Jika Daten tidak stasioner, yang perlu dilakukan adalah memeriksa pada pembedaan beberapa Daten akan stasioner, yaitu menentukan berapa nilai d Proses ini dapat dilakukan dengan menggunakan koefisien ACF Auto Correlation Funktion, atau uji akar-akar Einheit Einheit Wurzeln Test dan derajat integrasi Jika Daten Sudah Statorer Sehingga Tidak Verdammung Pembedaan Terhadap Daten Runtun Waktu Maka D Diberi Nilai 0.Disamping Menentukan D, Pada Tahap Ini Juga Ditentukan Berapa Jumlah Nilai Lag Rest q dan Nilai lag dependen p yang digunakan dalam modell Alat utama yang digunakan untuk mengidentifikasi q dan p adalah ACF dan PACF Teilweise Auto Korrelation Funtion Koefisien Autokorelasi Parsial, dan correlogram Yang menunjukkan plot nilai ACF als PACF terhadap lag. Koefisien autokorelasi parsen mengukur tingkat keeratan hubungan antara X T dan X tk sedangkan pengaruh dari Zeitlabor 1,2,3,, k-1 dianggap konstan Dengan kata lain, koefisien autokorelasi parsial mengukur derajat hubungan antara nilai-nilai sekarang dengan nilai-nilai sebelumnya untuk zeitverzögerung tertentu, sedangkan pengaruh nilai variabel Zeit Labor Yang lain dianggap konstan Secara matematis, koefisien autokorelasi parsial berorde m didefini Sikan sebagai koefisien autoregressive terakhir dari modell AR m. Setelah menetapkan modell sementara dari hasil identifikasi, yaitu menentukan nilai p, d, dan q, langkah berikutnya adalah melakukan estimasi paramater autoregressiv dan gleitend durchschnittlich yang tercakup dalam modell Firmansyah, 2000 Jika teridentifikasi proses AR murni Maka Parameter dapat diestimasi dengan menggunakan kuadrat terkecil Least Square Jika sebuah pola MA diidentifikasi maka Maximale Wahrscheinlichkeit atau estimasi kuadrat terkecil, keduanya membutuhkan metode optimisasi non-linier Griffiths 1993, hal ini terjadi karena adanya unsur gleitend Durchschnitt Yang menyebabkan ketidak linieran Parameter Firmansyah, 2000 Namun , Saat ini sudah tersedia berbagai piranti lunak statistik yang mampu menangani perhitungan tersebut sehingga kita tidak perlu khawatir mengenai estimasi matematis. Setelah melakukan estimasi dan mendapatkan penduga paramater, agar modell sementara dapat digunakan untuk peramalan, perlu dilakukan uji kelayakan terha Dap model tersebut Tahap ini krankheit diagnostische prüfung dimana pada tahap ini diuji apakah spesifikasi modell sudah benar atau belum Pengujian kelayanan ini dapat dilakukan dengan beberapa cara. 1 Setelah estimasi dilakukan, Maka nilai Restdapat ditentukan Jika Nilai-Nilai Koefisien Autokorelasi Restliche untuk berbagi Zeitverzögerung tidak berbeda secara signifikan dari nol, Modell dianggap memadai untuk dipakai sebagai Modell peramalan. 2 Menggunakan statistik Box-Pierce Q, Yang Dihitung Dengan Formel. 3 Menggunakan varian dari statistik Box-Pierce Q, yaitu statistik Ljung-Box LB, yang dapat dihitung dengan. Sama seperti Q statistik, statistik LB mendekati c 2 kritis dengan derajat kebebasan m Jika statistik LB lebih kecil dari nilai c 2 kritis, maka semua Koefisien autokorelasi dianggap tidak berbeda dari nol, atau modell telah dispesifikasikan dengan benar Statistik LB dianggap lebih unggul secara statistik daripada Q statistik dalam menjelaskan Beispiel kecil. 4 Menggunakan t statistik untuk menguji apakah koefisien modell secara individu berbeda dari nol Apabila suatu variabel tidak signifikan secara individu berarti variabel tersebut seharusnya dilepas dari spesifikasi modell lain kemudian diduga dan diuji Jika modell sementara yang dipilih belum lolos uji diagnostik, maka proses pembentukan modell diulang kembali Menemukan Modell ARIMA Yang Terbaik Merupakan Proses iteratif. d Peramalan Prognose. Setelah Modell terbaik diperoleh, selanjutnya peramalan dapat dilakukan Dalam berbagai kasus, peramalan dengan metode ini lebih dipercaya daripada peramalan yang dilakukan dengan Modell ekonometri tradisional Namun, hal ini tentu saja perlu dipelajari lebih lanjut Oleh para peneliti yang tertarik menggunakan metode serupa. Berdasarkan ciri yang dimilikinya, modell runtun waktu seperti ini lebih cocok untuk peramalan dengan jangkauan sangat pendek, sementara modell struktural lebih cocok untuk peramalan dengan jangkauan panjang Mulyono, 2000 dalam Firmansy Ah, 2000.Daddy Al-Javani 11 48 00 Metode. Metode rata-rata bergerak banyak digunakan untuk menentukan trend dari suatu deret waktu Dengan menggunakan metode rata-rata bergerak ini, deret berkala dari Daten asli diubah menjadi deret rata-rata bergerak yang lebih Mulus Metode ini digunakan untuk Daten yang perubahannya tidak cepat, dan tidak mempunyai karakteristik musiman atau saisonale Modell rata-rata bergerak mengestimasi permintaan periode berikutnya sebagai rata-rata Daten permintaan aktualen dari n periode terachhan Terdapat tiga macam modell rata-rata bergerak, yaitu.1 Simple Moving Average 2 Zentriert Moving Average 3 Gewichteter Moving Average.