Pemodelan trend dan model Multiscale Autoregressive (MAR) untuk peramalan data deret waktu non stasioner

Main Author: YeniSulistiowati
Format: Thesis NonPeerReviewed Book
Bahasa: eng
Terbitan: , 2011
Subjects:
Online Access: http://repository.ub.ac.id/152571/1/051100396.pdf
http://repository.ub.ac.id/152571/
Daftar Isi:
  • Damayanti (2008) telah mengusulkan sebuah metodewavelet untuk menganalisis data deret waktu yang non stasioner (tanpa distasionerkan terlebih dahulu). Terdapat dua persoalan dalam penelitian tersebut. Persoalan pertama adalah bagaimana metode wavelet yang sesuai dengan prosedur usulan Renaud dkk. (2003). Persoalan kedua adalah menentukan lag-lag terbaik dari koefisienkoefisien skala dan wavelet sebagai variabel input dalam model MAR. Penelitian ini dilakukan untuk mengembangkan metode wavelet usulan Damayanti (2008) dalam membentuk model, agar diperoleh model yang lebih baik. Selain itu juga untuk mengetahui bagaimana peramalan yang dihasilkan model dari metode pengembangan tersebut jika dibandingkan dengan model ARIMA. Dalam penelitian ini diusulkan dua metode dengan menggunakan keluarga wavelet Haar, dan dekomposisi MODWT pada berbagai level. Metode 1 adalah penjumlahan dari analisis koefisien skala yang menggunakan model polinomial dan analisis koefisien wavelet yang menggunakan model MAR. Metode 2 merupakan analisis koefisien skala dan koefisien wavelet menggunakan model MAR secara bersama-sama. Kedua metode tersebut memuat tambahan laglag yang sesuai sebagai variabel input model MAR dengan mempertimbangkan bentuk ACF dari residual model MAR. Hasil kedua metode dalam penelitian ini dibandingkan dengan metode ARIMA. Model yang memenuhi asumsi normalitas dan asumsi white noise untuk residual, serta mempunyai nilai MSE out-sample (nilai kesalahan peramalan) yang lebih kecil dikatakan model yang lebih baik. Hasil penelitian menunjukkan model terbaik dari data simulasi dihasilkan oleh metode 1. Sedangkan model terbaik untuk data bonds, dan data harga minyak dihasilkan oleh metode 2.