4.4 Estimasi Parameter-parameter Model dari Model Fungsi Transfer
Pada langkah ini, akan diduga parameter-parameter yang terdapat dalam model fungsi transfer. Estimasi parameter model fungsi transfer dapat dilihat pada
Tabel 4.10. Tabel ini memperlihatkan estimasi parameter dengan galat standar bisa dilihat pada Lampiran 7.
Tabel 4.10 Estimasi Parameter Fungsi Transfer
Model Fungsi Transfer Parameter
Estimasi Parameter
Galat Standar
Lag
�
=
�−
+ 1 − � 1 − Θ �
�
0,7576 0,0870
1 Θ
0,7451 0,2329
12
�
=
�−
+ 1 − � 1 − Θ �
1 − � � 1 − Φ �
�
0,7290 0,1073
1 Θ
0,9990 226,3840
12 �
-0,1209 0,1563
1 Φ
0,1945 0,3462
12
�
=
�−
+ 1 − �
1 − Φ �
�
0,7368 0,2148
1 Φ
-0,5921 0,1040
12
�
=
�−
+ 1 − � 1 − Θ �
1 − Φ �
�
0,7657 0,0802
1 Θ
0,9996 314,7814
12 Φ
0,1746 0,3438
12
�
=
�−
+ 1 − �
1 − � � 1 − Φ �
�
0,5830 0,1561
1 �
-0,2373 0,1834
1 Φ
-0,3865 0,1559
12 Model fungsi transfer dengan parameter yang telah diestimasi dapat ditulis
seperti pada Tabel 4.11.
Tabel 4.11 Model Fungsi Transfer dengan Parameter yang Telah diestimasi
Model Fungsi Transfer Model Fungsi Transfer setelah Estimasi Parameter
�
=
�−
+ 1 − � 1 − Θ �
� �
= ,
�−
+ 1 − , � 1 − ,
1�
�
�
=
�−
+ 1 − � 1 − Θ �
1 − � � 1 − Φ �
� �
= ,
�−
+ 1 − ,
� 1 − , �
1 + ,1 � 1 − ,1
�
�
4.5 Uji Diagnostik Model Fungsi Transfer
Pada langkah uji diagnostik model fungsi transfer dibagi menjadi dua sub- tahap sebagai berikut.
1. Penghitungan nilai autokorelasi untuk nilai residual model , , yang
menghubungkan deret input dan output. Penghitungan nilai autokorelasi dilakukan untuk melihat apakah model
fungsi transfer yang digunakan sudah cocok untuk data atau belum. Tabel 4.12 menunjukkan bahwa untuk setiap lag, p-value bernilai lebih besar dibandingkan
= , , sehingga residual fungsi transfer telah memenuhi asumsi white noise, atau tidak terdapat korelasi antar residual.
Tabel 4. 12 Autokorelasi Residual Model Fungsi Transfer
Lanjutan
Tabel 4.11 Model Fungsi Transfer dengan Parameter yang Telah diestimasi
�
=
�−
+ 1 − �
1 − Φ �
� �
= ,
�−
+ 1 − ,
� 1 + ,
1�
�
�
=
�−
+ 1 − � 1 − Θ �
1 − Φ �
� �
= ,
�−
+ 1 − ,
� 1 − , �
1 − ,1 �
�
�
=
�−
+ 1 − �
1 − � � 1 − Φ �
� �
= ,
�−
+ 1 − ,
� 1 + ,
� 1 + , �
�
Model Lag P-value
Keputusan ARIMA0,0,10,0,1
12
6 0,6029
White Noise 12
0,9363 18
0,6124 24
0,6968 ARIMA1,0,11,0,1
12
6 0,3626
White Noise 12
0,8994 18
0,5481 24
0,6404
Lanjutan Tabel 4.12 Autokorelasi Residual Model Fungsi Transfer
2. Penghitungan korelasi silang antara nilai residual dengan deret input Korelasi silang antara nilai residual dengan deret input dapat dilihat pada
Tabel 4.13. Dapat dilihat pada Lampiran 6.
Tabel 4.13 Korelasi Silang Residual dan Deret Input
Model Lag P-value
Keputusan ARIMA0,0,11,0,0
12
6 0,6740
White Noise 12
0,9098 18
0,8760 24
0,7680 ARIMA0,0,11,0,1
12
6 0,4267
White Noise 12
0,9018 18
0,5299 24
0,6085 ARIMA1,0,11,0,0
12
6 0,7017
White Noise 12
0,9286 18
0,9339 24
0,7983
Model Lag
Chi- square
P-value
ARIMA0,0,10,0,1
12
5 7,5
0,1859 11
10,67 0,4715
17 13,91
0,6734 23
16,21 0,8462
ARIMA1,0,11,0,1
12
5 7,17
0,2086 11
10,6 0,4778
17 14,98
0,5966 23
16,76 0,8207
ARIMA0,0,11,0,0
12
5 7,68
0,1746 11
10,63 0,4748
17 15,30
0,5741 23
16,82 0,8181
ARIMA0,0,11,0,1
12
5 7,87
0,1633 11
11,13 0,4321
17 15,44
0,5639 23
17,06 0,8061
ARIMA1,0,11,0,0
12
5 7,53
0,1843 11
11,04 0,4398
17 16,19
0,5103 23
17,65 0,7783
Pada Tabel 4.13, terlihat bahwa semua lag memiliki p-value yang lebih besar dari
= , . Hal ini memperlihatkan bahwa residual model fungsi transfer dengan deret input telah memenuhi asumsi saling bebas.
4.6 Pemilihan Model Terbaik Berdasarkan Nilai AIC