PENGUKURAN KESALAHAN PERAMALAN

Yt : nilai data runtun waktu pada periode t Yt : nilai peramalan dari Yt e = Y Y : residual atau error atau kesalahan peramalan
t t t

1.

Mean absolute deviation (MAD) :

MAD =

Yt Yt
t =1

2.

Mean squared error (MSE) :

MSE =

(Y
n t =1

Yt

) e
2 n

=
t

e
t =1

n
2

t =1

3.

Mean absolute percentage error (MAPE) :

n

MAPE =

t= 1

Yt Yt Yt n =

Y
t= 1

et
t

4.

Mean percentage error (MPE) :

MPE =

Yt Yt Y t =1 t n

Y
t =1

et t n

LANGKAH PERAMALAN
Anda di sini Data masa lalu t Periode yang diramalkan --o----------o-----------o-------------o-------------o-----------o-----------o--Yt-3 Yt-2 Yt-1 Yt Yt+1 Yt+2 Yt+3 Data yang terbaru Metode Pemulusan Eksponensial untuk data Trend Metode dua parameter Holt a) Rangkaian pemulusan secara eksponensial At = Yt + (1 )( At 1 + Tt 1 ) b) Estimasi trend Tt = ( At At 1 ) + (1 ) Tt 1 c) Ramalan pada periode p Yt +p = At +Tt p dengan : At : nilai baru yang telah dimuluskan Tt : estimasi trend p : periode yang diramalkan : konstanta pemulusan (0 << 1 ) Yt + : nilai ramalan pada periode Yt : data aktual pada periode t p : konstanta pemulusan untuk estimasi trend p (0 < < 1 ) Example : (data kasigi) = 0 .3 dan = 0 .1 ; A1 = Y1 ; T1 = 0 ; p = 3 t=1 A1 = 500 T1 = 0 Y1+3 = A1 +T1 3 = 500 + 0 3 = 500 e4 = Y4 Y4 =400 500= 100 t=2 A2 = Y2 + (1 )( A21 + T2 1 ) =0.3350+(1-0.3) (500+0) =105+350=455 T2 = ( A2 A2 1 ) + (1 ) T2 1 = 0.1(455-500)+(1-0.1)0= 4.5
1

 Y2 +3 = A2 +T2 3 = 455 + (4.5) 3 = 441.5 e5 = Y Y = 450 441.5 = 8.5

5 5

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Yt 500 350 250 400 450 350 200 300 350 200 150 400 550 350 250 550 550 400 350 600 750 500 400 650

Yt

At-1 + Tt-1

(1- ) [At-1 + Tt-1]

350.0 315.4 265.9 263.2 273.3 258.6 213.2 202.4 206.6

At ( = 0.3) 0.3 500 455.00 390.35 385.88 398.18 378.34 318.61 303.23 307.38 266.55

At - At-1

(At - At-1)

(1) Tt-1

Tt ( = 0.1) 0.1 0 -4.50 -10.52 -9.91 -7.69 -8.90 -13.99 -14.13 -12.30 -15.15

Yt
p=3

et

105 75 120 135 105 60 90 105 60

500.00 450.50 379.84 375.97 390.49 369.44 304.62 289.11 295.08

-45.00 -64.65 -4.47 12.30 -19.84 -59.74 -15.37 4.14 -40.82

-4.50 -6.47 -0.45 1.23 -1.98 -5.97 -1.54 0.41 -4.08

0.00 -4.05 -9.46 -8.92 -6.92 -8.01 -12.59 -12.71 -11.07

500.00 441.50 358.81 356.15 375.11 351.63 276.65

-100.00 8.50 -8.80 -156.15 -75.11 -1.63 -76.65

8. Metode Pemulusan Eksponensial untuk variasi Trend dan musiman (Metode tiga parameter Winter) Yt + (1 )( At 1 + Tt 1 ) a) Pemulusan eksponensial At = S t L Estimasi trend Tt = ( At At 1 ) + (1 ) Tt 1 Yt + (1 ) S t L c) Estimasi musiman S t = At
b) d)

Ramalan pada periode p Yt +p =( At +Tt p ) S t L +p dengan : : konstanta pemulusan untuk estimasi musiman (0 < < 1 ) St : estimasi musiman L : panjangnya musim Yt + : nilai ramalan pada periode p p Example : (data kasigi) = 0 .4 ; = 0.1 ; = 0 .3 ; p = 3 ; nilai L dapat dilihat di grafik data L=4

inisialisasi awal : A1 = Y1 = 500 ; T1 = 0 ; S1 = 1 Y1+3 = ( A1 +T1 3) S14+3 =(500+0)1 = 500 e4 = Y4 Y4 = 400 500 = 100 t = 2 S2 = S1 = 1 Y A2 = 2 + (1 )( A21 + T2 1 ) =0.4(350/1)+(1 0.4)(500+0) =440 S 2 4 T2 = ( A2 A2 1 ) + (1 ) T2 1 = 0.1(440 500)+(1 0.1)0= 6 Y S 2 = 2 + (1 ) S 24 = 0.3(350/440)+(1 0.3)1 = 0.94 A2 t=1
Y2+3 = ( A2 +T2 3) S 24+3 = (440 63)1 = 422 e5 = Y5 Y5 = 450 422 = 28 t = 3 S1 = S1 = 1 A3 = 360.4 ; T3 = 13.36 ; S 3 = 0.91 Y6 =300.6 e6 = 350 300.6 =

49.34 t = 4 S0= S1= 1 A4 = 368.2 ; T4 = 11.24 ; S 4 = 1.03 Y7 =303.7 e7 = 200 303.7 = 103.7 t = 5 S1 = 1 A5 = 394.2 ; T5 = 7.52 ; S 5 =1.04 Y8 =381.25 e8 = 81.25

t=6
t Yt Yt / St-L L=4 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 500 350 250 400 450 350 200 300 350 200 150 400 550 350 250 350.0 250.0 400.0 450.0 372.9 220.2

S2 = 0.94 A6 = 381.1 ; T6 = 8.07 ; S6 = 0.93 Y9 =372.1 e9 = 22.1

* (Yt / St-L) At-1 + Tt-1 (1- )* [At-1 +Tt-1] At ( = 0. 4) 0.4 500 140.0 100.0 160.0 180.0 149.2 88.1 500.0 434.0 347.0 357.0 386.7 373.1 300.0 260.4 208.2 214.2 232.0 223.8 440.0 360.4 368.2 394.2 381.2 311.9 -60.0 -79.6 7.8 26.0 -13.0 -69.2 -6.00 -7.96 0.78 2.60 -1.30 -6.92 0.00 -5.40 -12.02 -10.12 -6.77 -7.27 At - At-1 * (At At-1) (1) * Tt-1 Tt ( = 0 .1) 0.1 0 -6.00 -13.36 -11.24 -7.52 -8.07 -14.19 0.80 0.69 1.09 1.14 0.92 0.64 0.24 0.21 0.33 0.34 0.28 0.19 0.70 0.70 0.70 0.70 0.66 0.64 Yt / At * (Yt / At) (1 ) *StL

St ( = 0 .3) 0.3 1 0.94 0.91 1.03 1.04 0.93 0.83

Yt
p=3

et

500.0 422.0 300.6 303.7

-100.0 28.00 49.34 -103.7

Yt

Yt / St-L L=4

* (Yt / St-L)

At-1 + Tt-1

(1- )* [At-1 +Tt-1]

At ( = 0. 4) 0.4

At - At-1

* (At At-1)

(1) * Tt-1

Tt ( = 0 .1) 0.1

Yt / At

* (Yt / At)

(1 ) *StL

St ( = 0 .3) 0.3

Yt
p=3

et

1 6 1 7

550 550

ANALISIS KORELASI Hubungan antara dua peubah acak X dan Y biasanya dinamakan korelasi dan nilai korelasinya ditunjukkan dengan koefisien korelasi yang dinotasikan dengan dan nilai yang mungkin dari koefisien korelasi terletak antara [-1,1]. Jika > 0 berarti hubungan yang ada merupakan hubungan positive dan untuk < 0 mempunyai arti hubungannya negative dan = 0 menunjukkan tidak adanya hubungan atau independensi antara peubah X dan Y. Koefisien korelasi Pearson (koefisien korelasi sederhana) Misalkan diberikan sampel acak dari n pengamatan (xi,yi), i=1,...,n untuk peubah acak X dan Y. Sampel pengamatan tersebut digunakan untuk menentukan estimator unbiased dari parameter x, y, xy, x dan y yaitu x , y , Sxy, Sx dan Sy. n xy = xy X i X Yi Y dan diduga oleh x y S xy i =1 rxy = = n n SxS y 2 2 X i X Yi Y i =1 i =1 digunakan untuk mengukur hubungan linier antara dua peubah acak kuantitative X dan Y. Untuk menguji koefisien korelasinya digunakan hypothesis berikut Ho : = 0 r H1 : 0 t= Sr dalam pengujian hypothesis tersebut diperlukan penghitungan statistik : untuk r : koefisien korelasi Pearson Sr : standar deviasi dari estimator r yang didefinisikan sebagai S = 1 r 2 r n2 Dibawah H0 , statistik t berdistribusi student dengan derajat kebebasan n-2. Keputusan H0 akan ditolak jika t t( /2),(n-2).

)(

) (

No. 1 2 3 4 5 6 7 8 9 mean

Y 1.30 2.00 1.70 1.50 1.60 1.20 1.60 1.40 1.00 13.3 1.48

X 10 6 5 12 10 15 5 12 17 92 10.22

Y-mean(Y) -0.18 0.52 0.22 0.02 0.12 -0.28 0.12 -0.08 -0.48

X-mean(X) -0.22 -4.22 -5.22 1.78 -0.22 4.78 -5.22 1.78 6.78 sqrt

(Y-mean(Y))2 0.032 0.273 0.049 0.000 0.015 0.077 0.015 0.006 0.228 0.696 0.83

(X-mean(X))2 0.05 17.83 27.27 3.16 0.05 22.83 27.27 3.16 45.94 147.56 12.15

[Y-mean(Y)]* [X-mean(X)] 0.040 -2.205 -1.160 0.040 -0.027 -1.327 -0.638 -0.138 -3.238 -8.656 -0.854 [Y-mean(Y)]* [X-mean(X)]

r=

No. 1 2 3 4 5 6

Y 10 6 5 12 10 15

X 1.30 2.00 1.70 1.50 1.60 1.20

Y-mean(Y)

X-mean(X)

(Y-mean(Y))2

(X-mean(X))2

7 8 9 10

5 12 17 20

1.60 1.40 1.00 1.10 sqrt r=

ANALISIS REGRESI Analisis regresi adalah suatu metode yang menggunakan metode kuadrat terkecil untuk menguji data dan menggambarkan kesimpulan yang penuh arti tentang hubungan dependensi yang ada antara peubah tak bebas (peubah respon, Y) dan peubah bebas (peubah prediktor, X) atau peubah yang menerangkan variasi Y. Persamaan regresi adalah suatu persamaan yang menyatakan hubungan antara Y dan X yang di dalam tulisan ini hanya akan dibahas untuk Y saja yang acak sedangkan untuk X dianggap tetap atau tidak acak. Regresi Linier Sederhana dan Berganda Regresi linier sederhana mencakup dua peubah yaitu Y dan X sedangkan regresi linier berganda melibatkan lebih dari dua peubah yaitu Y dan (X1, ..., Xp). Dalam model regresi linier sederhana dan berganda diberikan beberapa asumsi yang memungkinkan model tersebut dapat digunakan. Sehingga untuk menggunakannya asumsi yang diajukan harus dipenuhi atau dengan kata lain harus diuji keberadaannya. Sayangnya banyak peneliti yang kadang-kadang menganggap asumsi tersebut sudah benar dan akibatnya tidak perlu lagi diadakan pengujian. Padahal, jika pengujian asumsi tidak dilakukan maka koefisien regresi (estimator parameter) yang diperoleh akan tidak layak untuk dipakai, hal ini karena dengan tidak diujinya asumsi yang ada akan menyebabkan penghitungan rumus-rumus yang digunakan untuk mendapatkan koefisien regresi tersebut tidak bisa dipertanggung-jawabkan secara matematis. 1. Regresi Linier Sederhana Suatu analisis regresi yang peubah tak bebas Y bergantung secara linier pada satu peubah bebas X disebut regresi linier sederhana. Bentuk modelnya adalah Y = 0 + 1 X + untuk Y adalah peubah tak bebas, ialah residu dan X merupakan peubah bebas, 0 , 1 adalah parameter. Jika diberikan n pasang pengamatan (x1,y1),..., (xn,yn) untuk yi bergantung secara linier pada xi maka dapat diperoleh : yi = 0 + 1 xi + i , i=1,...,n. dengan asumsi-asumsi berikut : (i) xi tetap (fixed). (iv) i berdistribusi normal. (ii) E( i j) = 0 untuk i j. (v) parameter 0 dan 1 berupa 2 (iii) E( i) = 0 dan V( i) = untuk konstanta. i=1,...,n. Masalahnya adalah mengestimasi parameter 0 , 1 dan memilih nilai 0 , 1 sedemikian sehingga jarak antara yi dan 0 + 1 xi mnimum. Akan digunakan metode kuadrat terkecil (least squares method) dengan prinsip meminimkan jumlah kuadrat residu, dan menghasilkan estimator berikut
sehingga nilai y i untuk nilai xi y i = 0 + 1 xi Data 1
No. 1 2 3 4 5 Y 1.30 2.00 1.70 1.50 1.60 X 10 6 5 12 10 Y-mean(Y) -0.18 0.52 0.22 0.02 0.12 X-mean(X) -0.22 -4.22 -5.22 1.78 -0.22 [Y-mean(Y)]* [X-mean(X)] 0.040 -2.205 -1.160 0.040 -0.027 [X-mean(X)]2 0.049 17.827 27.272 3.160 0.049 Y topi 1.491 1.725 1.784 1.373 1.491 ei -0.191 0.275 -0.084 0.127 0.109 (ei)2 0.03641 0.075377 0.007075 0.016004 0.011922

1 =

( x
i =1 n

x )( yi y )
i

( x
i =1

x)

dan 0 = y 1 x

6 7 8 9 Mean

1.20 1.60 1.40 1.00 13.3 1.48

15 5 12 17 92 10.22

-0.28 0.12 -0.08 -0.48

4.78 -5.22 1.78 6.78

-1.327 -0.638 -0.138 -3.238 -8.656 beta 1 = beta 0 =

22.827 27.272 3.160 45.938 147.556 -0.059 2.077

1.198 1.784 1.373 1.080

0.002 -0.184 0.027 -0.080 -6.66E-16

6.17E-06 0.033897 0.000703 0.006431 0.187824

Data 2
No. 1 2 3 4 5 6 7 8 9 10 mean beta 1 = beta 0 = Y 10 6 5 12 10 15 5 12 17 20 X 1.30 2.00 1.70 1.50 1.60 1.20 1.60 1.40 1.00 1.10 Y-mean(Y) X-mean(X) [Y-mean(Y)]* [X-mean(X)] [X-mean(X)]2 Y topi ei (ei)2

Untuk mengetahui goodness of fit dari model yang diperoleh dapat dilihat dari nilai koefisien determinasinya, dinotasikan R2 dan bernilai didalam interval [0,1] dan pada umumnya model dikatakan baik jika R2 mendekati satu. Koefisien determinasi ini didefinisikan

R2 =

JKReg JKT

( yi y )

( y
i =1

i =1 n

y)

Setelah diketahui goodness of fit model selanjutnya dilakukan uji terhadap asumsi-asumsi yang diberikan, dalam pengujian ini dapat dibagi menjadi dua : Pertama, uji terhadap parameter dan kedua pengujian terhadap residu. a. Uji Parameter. Pengujian parameter dapat dilakukan dengan bantuan tabel analisis variansi berikut ini : db regresi residu total 1 n-2 n-1
n

JK
( yi y )
i =1 n 2

RK
JKR eg 1

nilai F
RK reg RK res

( yi yi )
i =1 n

JKRes = S2 n2

( y
i =1

y)

dengan JK adalah jumlah kuadrat RK ialah rata-rata kuadrat S2 merupakan estimator dari hypothesis

H0 : 0 = 1 = 0 H1 : 0 0 atau 1

statistiknya :

Fhit =

RK reg RK res

JKR eg S2

keputusan untuk menolak H0 adalah jika Fhit > F ,1,(n-2) dengan F ,1,(n-2) adalah nilai tabel dari distribusi F berderajat kebebasan 1 dan n-2 untuk tingkat kepercayaan . Berikutnya jika diinginkan maka dapat dilakukan penghitungan daerah kepercayaan 100(1- )% dari ( 0, 1) Untuk memastikan bahwa 0 dan 1 merupakan konstanta dapat dilakukan uji individual terhadap parameter tersebut masing-masing ujinya adalah sebagai berikut : Uji untuk 0 hypothesis H0 : 0=0 H1 : 0 0 statistiknya :
t= 0 S 0

dengan

S 0 =

S 2 xi2 n ( xi x )
i =1 n i =1 2

Keputusan : tolak H0 jika t > t /2,(n-

Uji untuk 1. hypothesis H0 : 1= 0 H1 : 1 0

statistiknya :
t= 1 S 1

dengan

S 1 =

Keputusan : tolak H0
2

( x
i =1

x)

jika t > t /2,(n2)

Apabila diperlukan maka dapat dilakukan penghitungan interval kepercayaan 100(1- )% dari masing-masing parameter 0, 1. b. Uji Residu. Cakupan uji residu meliputi : Pertama, uji tidak adanya autokorelasi di dalam residu (e1,...,en) atau E(ei ej) = 0 untuk i j dengan kata lain uji independensi (e1,...,en). Untuk menguji ada dan tidaknya autokorelasi tersebut dapat digunakan uji Durbin-Watson. Jika didefinisikan i = i-1 + i , i < 1 dan i=1,...,n untuk i IID dengan E( i) = 0 dan V( i) = 2 dan diestimasi dengan

r=

e e
i =2 n

i i 1 2 i

e
i =1

statistik dari uji Durbin-Watson adalah d =

(e
i =2

i n

ei 1 ) 2
untuk ei =
2 i

e
i =1

y i yi

hypothesis untuk uji ini adalah : H0 : tidak ada autokorelasi di dalam residu (e1,...,en) H1 : ada autokorelasi di dalam residu (e1,...,en) keputusan yang dapat diambil menggunakan aturan berikut ini : untuk > 0, tolak H0 jika d < dL dan terima H0 jika d > dU sedangkan untuk < 0, tolak H0 jika d > 4 - dL dan terima H0 jika d < 4 - dU . Jika 4 - dU < d < 4 - dL maka tidak dapat diambil kesimpulannya. Untuk dL dan dU adalah nilai kritis dalam tabel statistik Durbin-Watson. Selanjutnya jika diketahui adanya autokorelasi dan diinginkan untuk memperoleh model dari data yang telah dipunyai, maka dapat digunakan metode Prais-Winsten dengan menggunakan suatu transformasi untuk menghilangkan autokorelasinya. Kedua, uji kenormalan residu (e1,...,en) dan untuk mengujinya dapat digunakan uji KolmogorovSmirnov atau uji dengan plot : plot P-P atau plot Q-Q. Ketiga, uji kekonstanan variansi residu atau uji homoscedastisitas dalam residu. Dalam hal ini, plot antara ei dan yi dapat digunakan untuk menguji homoscedastisitas tersebut.
7

2. Regresi Linier Berganda Analisis regresi yang peubah tak bebasnya Y bergantung secara linier pada beberapa peubah bebas X1,...,Xk disebut regresi linier berganda yang persamaannya diberikan dalam bentuk berikut : Y = f(X1,...,Xk) dengan f(X1,...,Xk) adalah suatu fungsi linier dari X1,...,Xk. Secara umum model regresi linier berganda dengan (p-1) peubah bebas dinyatakan sebagai :
yi = 0 + j x ji + i , i=1,...,n
j =1 p 1

atau dapat dinotasikan secara matriks berikut : Y = X + dengan Y adalah vektor n 1 pengamatan untuk peubah tak bebas X merupakan matriks n p yang kolom-kolomnya terdiri dari vektor 1n 1 dari peubah-peubah bebas ialah vektor parameter berukuiran p 1 menyatakan vektor residu n 1 dengan asumsi-asumsi berikut : (i) xij tetap (fixed) untuk i=1,...,n dan j=1,...,p-1 (ii) E( i j) = 0 untuk i j (iii) E( i) = 0 dan V( i) = 2 atau E( ' ) = 2 I untuk i=1,...,n (iv) i berdistribusi normal untuk i=1,...,n (v) parameter 0, 1,, p-1 berupa konstanta 1 estimator parameter menggunakan metode kuadrat terkecil : = ( X ' X ) X 'Y Untuk mendapatkan model terbaik dalam regresi linier berganda, terdapat beberapa cara yang dapat digunakan : Pertama, pemilihan peubah bebas yang akan dipakai dapat dilakukan dengan menggunakan metode stepwise, metode eliminasi backward dan metode forward. Untuk memperoleh peubah bebas yang optimal diperlukan pemakaian ketiga metode tersebut karena satu dan lainnya mempunyai kelebihan dan kekurangan tersendiri. Kedua, koefisien determinasi R2 JKR eg ' X 'Y nY 2 yang didefinisikan dengan R 2 = dapat digunakan untuk melihat goodness = JKT Y 'Y nY 2 of fit model (kriteria koefisien determinasi R2). Ketiga, dengan kriteria R2 adjusted dan rata-rata kuadrat kesalahan (Mean Square error) bisa digunakan pula untuk goodness of fit model. Berbeda dengan koefisien determinasi, penambahan peubah ke dalam model belum tentu menyebabkan naiknya nilai R2 adjusted. Dengan maximumnya kriteria R2 adjusted berarti minimumnya kriteria rata-rata kuadrat kesalahan. Keempat, menguji adanya multikolinieritas yaitu adanya hubungan linier antar peubah-peubah bebas. Jika ada multikolinieritas maka matriks X'X merupakan matriks singular atau mendekati singular. Untuk mendeteksi multikolinieritas yang paling sederhana adalah menggunakan matriks korelasi peubah-peubah bebas (dinotasikan R), bisa juga dilakukan dengan menggunakan nilai eigen dari matriks korelasi R karena nilai rank R ditentukan oleh nilai eigennya yang tidak sama dengan nol atau dengan menghitung perbandingan antara nilai eigen terbesar dengan nilai eigen terkecil, jika perbandingan tersebut melebihi 1000 maka ada multikolinieritas dan jika kurang dari 100 berarti tidak ada multikolinieritas. Seperti halnya dalam regresi linier sederhana, setelah langkah goodness of fit model akan dilakukan uji terhadap asumsi-asumsi yang diberikan. a. Uji Parameter. Dengan tabel analisis variansi di bawah ini db regresi residu p-1 n-p JK
' X 'Y nY
2

RK
JKR
eg

nilai F
JKR eg JKR es

p 1

Y 'Y 'Y 'Y

JKR es =S2 np
8

total n-1 Y 'Y nY 2 dengan JK adalah jumlah kuadrat RK ialah rata-rata kuadrat S2 merupakan estimator dari 2 uji terhadap parameter 0, 1,, p-1 dapat dilakukan sebagai berikut : hypothesis statistiknya : Keputusan : tolak H0 JKR eg JKR eg H0 : j=0 untuk j=1,...,p-1 F= = 2 jika F > F ,p-1,n-p H1 : paling sedikit ada satu j JKR es S

Langkah berikutnya adalah menghitung ellipsoid kepercayaan 100(1- )% dari yang berupa vektor 0, 1,, p-1). Sedangkan untuk uji individual terhadap parameter (koefisien regresi) 0, 1,, p-1 dapat dilakukan sebagai berikut : Hypothesis : Keputusan : j t= c 2 adalah statistiknya : dengan jj tolak H0 H0 : j=0 S 2c 2 jj jika t > t /2,(n-p) H1 : j 1 elemen diagonal ke-j dari matriks C 2 = ( X ' X )

Selanjutnya dapat ditentukan interval kepercayaan 100(1- )% dari masing-masing parameter. b. Uji Residu. Pengujian residu di dalam regresi linier berganda pada prinsipnya sama seperti pada pengujian yang dilakukan pada regresi linier sederhana. OTOKORELASI Peubah acak e (error) yang dipecah menjadi et dan et-1 untuk t = 2,3,4,n dan korelasi antara et dan et-1 disebut otokorelasi.

r1 =

(e
n t =2

e et 1 e
t

)(

)
dan secara umum

(e
n t =1

rk =

t =k +1

(e
n

e et k e
t

)(

(e
n t =1

untuk : k = 2,3,4, ...

dan r1 : koefisien otokorelasi tingkat pertama : nilai rata-rata data =

e
t =1

et : observasi pada waktu t et-1 : observasi pada satu periode sebelumnya

n Uji koefisien otokorelasi (secara simultan) H 0 : k = 0 untuk k=1,2,3,.... Hipotesis :

H 1 : k 0

Keputusan : 1. tolak H0 jika rk < z1

2

1 n

atau rk > z1
2

1 n

. Nilai rk (otokorelasi et) terletak di daerah

penolakan H0 sehingga metode peramalan yang dipakai kurang cocok/ sesuai karena rk 0 atau tidak random (acak) artinya perlu dilakukan penggantian dengan metode peramalan yang lain. 2. Terima H0 jika z1
2

1 n

< rk < z

1 n

. Nilai rk terletak pada interval yang diinginkan

(daerah penerimaan H0) sehingga metode peramalan yang dipakai sudah cocok/ sesuai karena rk = 0 yang berarti error-nya random Catatan : untuk = 0,05 = 5 % nilai
z
1

=z

0 , 05 2

= z 0, 975

= 1,96
9

Uji otokorelasi dengan uji Durbin-Watson Hypothesis : statistiknya Durbin-Watson : n H 0 : k = 0 untuk k=1,2,3,.... 2
H 1 : k 0

dw =

(e
t =2

t n

et 1 )
2 t

e
t =1

Keputusan : terima H jika dw 2 artinya tidak ada otokorelasi dalam error (residu) atau e random.

10