untuk untuk
untuk untuk
Secara intuitif arti r, s, b dapat diuraikan dengan aturan-aturan berikut. Pertama, nilai b menyatakan bahwa y tidak dipengaruhi oleh nilai
sampai periode , atau dengan persamaan sebagai berikut:
berikutnya, nilai s menyatakan untuk beberapa lama deret output y secara terus- menerus dipengaruhi oleh nilai-nilai baru dari deret input x,
dipengaruhi oleh . Nilai r menunjukkan bahwa
berkaitan dengan nilai-nilai masa lalunya yaitu y dipengaruhi oleh
.
Tiga prinsip atau petunjuk untuk menentukan nilai yang tepat untuk r, s, b yaitu sebagai berikut:
1. Sampai lag waktu ke b, crosscorelation tidak akan berbeda dari nol secara
signifikan. 2.
Untuk s time lag selanjutnya, crosscorelation tidak akan memperlihatkan adanya pola yang jelas.
3. Untuk r time lag selanjutnya, crosscorelation akan memperlihatkan suatu pola
yang jelas.
2.3.1.7. Penaksiran Awal Deret Gangguan
Universitas Sumatera Utara
Bobot respons impuls diukur secara langsung dan ini memungkinkan perhitungan nilai taksiran dari deret gangguan
, dikarenakan:
dengan g adalah nilai praktis yang dipilih.
2.3.1.8. Penetapan untuk Model ARIMA
dari Deret Gangguan
Autokorelasi, autokorelasi parsial ditetapkan dan selanjutnya nilai dan
untuk autoregressive dan proses moving average, berturut-turut dipilih. Dengan cara seperti
ini, fungsi dan
untuk deret gangguan pada persamaan 38 diperoleh
untuk mendapatkan:
2.3.1.9. Analisis Autokorelasi untuk Nilai Sisa Model r, s, b yang Menghubungkan Deret Input dan Output
Pengujian kelayakan suatu model perlu dilakukan untuk mengetahui kesesuaian model yaitu sudah memenuhi syarat white noise. Caranya adalah dengan memeriksa
autokorelasi dan korelasi residualnya. Pengujian autokorelasi untuk nilai sisa menggunakan hipotesis:
H :
Autokorelasi pada deret sisa tidak signifikan
H
1
: Autokorelasi pada deret sisa
signifikan Dengan statistik uji:
Universitas Sumatera Utara
dengan: = banyak data pada gugus residual
= lag terbesar yang diperhatikan r, s, b = parameter model fungsi transfer
= autokorelasi residual untuk lag k Selanjutnya membandingkan hasilnya dengan tabel distribusi
dengan taraf signifikansi
, derajat bebas merupakan nilai autoregressive dan moving
average dari deret noise dan tolak H jika
.
2.3.1.10. Analisi Korelasi Silang antara Nilai Sisa dengan Deret Ganguan yang Telah Diputihkan
Pada proses perkiraan langsung bobot fungsi transfer dibuat asumsi bahwa deret input yang disesuaikan adalah bebas dari komponen noise
random. Karena itu bagian penting dari proses diagnostik adalah untuk membuktikan asumsi ini. Untuk menguji
kesimpulan ini secara formal, akan digunakan uji Box-Pierce sekali lagi. Pengujian
crosscorelation antara nilai sisa dengan deret gangguan yang telah diputihkan menggunakan statistik uji
dengan hipotesis: H
: Crosscorelation antara deret
dan tidak signifikan
H
1
: Crosscorelation antara deret
dan signifikan
Formula yang sesuai untuk uji keterikatan dan
, adalah sebagai berikut:
Universitas Sumatera Utara
dengan: = banyak data pada deret
x yang telah white noise = lag maksimum
= jumlah parameter AR pada model ARIMA dengan deret input s dan b adalah parameter yang diperoleh dari hasil perhitungan.
Hasilnya dibandingkan dengan tabel dengan derajat bebas
dengan kriteria keputusan, tolak H
jika .
2.4. Prosedur Menentukan Model Fungsi Transfer Multivariat