MODEL RUNTUN WAKTU UNTUK MEMODELKAN DATA DERET BERKALA JANGKA PANJANG; TIME SERIES MODEL TO MODELIZE LONG MEMORY DATA

DEWINTA PUTRI, Yunita Wulan Sari

2014 | Skripsi | PROGRAM STUDI STATISTIKA

Terdapat dua jenis data yang dikenal dalam analisis runtun waktu yaitu data short memory dan long memory. Short memory adalah data yang memiliki ciri proses jangka pendek sedangkan long memory adalah data yang memiliki ciri proses jangka panjang. Data long memory hanya mampu dianalisis secara akurat menggunakan metode ARFIMA (Autoregressive Fractionally Integrated Moving Average). Tujuan penulisan skripsi ini untuk menjelaskan bagaimana melakukan pemodelan data dengan metode ARFIMA secara tepat dengan langkah-langkah analisis data dengan metodologi Box Jenkins dan mampu mengaplikasikan metode peramalan tersebut pada data real. Data runtun waktu yang bersifat long memory ditandai dengan plot Fungsi Autokorelasi (Autocorrelation Function (ACF)) yang tidak turun secara eksponensial melainkan menurun secara lambat atau hiperbolik. Model ARFIMA merupakan pengembangan dari model Autoregressive Moving Average (ARIMA), dengan nilai pembedaan (differencing) bernilai pecahan. Dalam penulisan skripsi ini, identifikasi orde parameter dilakukan secara eksploratori dengan melihat pada correlogram ACF dan PACF. Langkah-langkah pemodelan ARFIMA sebagai berikut: 1. menguji normalitas data long memory; 2. membuat plot runtun waktu, plot ACF, plot PACF, menguji ketidakstasioneran data; 3. melakukan transformasi data menggunakan transformasi logaritma jika data tidak stasioner dalam variansi dan melakukan differencing jika data tidak stasioner dalam mean; 4. mengestimasi parameter model; 5. melakukan diagnostic checking dengan model yang telah memenuhi asumsi residual white noise dan pemilihan model ARFIMA terbaik dengan kriteria memiliki nilai AIC terkecil diantara kemungkinan model

Kata Kunci : runtun waktu; data deret berkala jangka panjang; ARFIMA; estimasi GPH.