Spada Old Course

Analisis Deret Waktu

Deskripsi Mata Kuliah

Setelah mengikuti kuliah Analisis Deret Waktu mahasiswa mampu membuat peramalan (forecasting) data deret waktu secara tepat dan akurat. Mata kuliah ini diawali dengan pembahasan konsep dasar deret waktu yang meliputi karakteristik data deret waktu, jenis-jenis data deret waktu, tujuan analisis deret waktu, dan domain deret waktu. Materi selanjutnya adalah eksplorasi data deret waktu yang meliputi plot data, dekomposisi klasik, dan transformasi data. Kemudian materi tentang proses stasioner yang meliputi konsep proses stasioner, pengertian fungsi autokovarians, fungsi autokorelasi, fungsi autokovarians empiris, fungsi autokorelasi empiris, dan proses linear. Selanjutnya model-model deret waktu stasioner seperti model autoregresif (AR), model rata-rata bergerak (MA), dan model rata-rata bergerak autoregresif (ARMA) dibahas secara mendalam. Selanjutnya pembahasan tentang model nonstasioner rata-rata bergerak terintegrasi autoregresif (ARIMA). Setelah materi ARIMA dilanjutkan materi tentang ARIMA musiman atau SARIMA. Materi selanjutnya adalah pembahasan tentang spesifikasi model, estimasi model, diagnostik model, dan peramalan dibahas secara rinci dan mendalam. Bagian akhir membahas konsep volatilitas dan model deret waktu heteroskedastik yang relevan dengan contoh aplikasi pada bidang finansial. Bagian ini juga membahas spesifikasi model, diagnostik model, dan peramalan model heteroskedastik.

Pokok Bahasan Mata Kuliah

1. Pengantar analisis deret waktu: konsep deret waktu, contoh-contoh deret waktu, jenis-jenis deret waktu, tujuan analisis deret waktu, dan klasifikasi deret waktu
2. Elemen eksplorasi data deret waktu: plot data deret waktu, transformasi data, studi latar belakang data deret waktu, dekomposisi klasik (tren, musiman, siklus, fluktuasi tak beraturan), karakteristik data deret waktu.
3. Pengantar proses stasioner: konsep proses stokastik, konsep proses stasioner (stasioner kuat dan stasioner lemah), fungsi autokovarians dan autokorelasi sampel, dan proses-proses linear.
4. Model-model deret waktu stasioner: proses linear umum, proses rerata bergerak (moving average), proses autoregresif (autoregressive), dan proses rerata bergerak autoregresif (autoregressive moving average).
5. Model-model deret waktu nonstasioner: model deret waktu nonstasioner ARIMA (autoregressive integrated moving average)
6. Spesifikasi Model ARIMA: sifat-sifat fungsi autokorelasi sampel, fungsi autokorelasi parsial, kriteria informasi, dan uji akar unit.
7. Estimasi Parameter Model ARIMA: pendugaan parameter dengan metode kemungkinan maksimum (maximum likelihood estimator) dan metode kuadrat terkecil (least squares).
8. Diagnostik dan Peramalan Model ARIMA: uji kenormalan sisaan, QQ plot, uji Ljung-Box, sifat harapan bersyarat, prediksi MSE minimum, peramalan menggunakan R.
9. Model ARIMA Musiman: model MA musiman, model AR musiman, model SARIMA multiplikatif, dan model SARIMA nonstasioner
10. Model Heteroskedastik: stylized fact data finansial, model ARCH, model GARCH.
11. Estimasi dan Diagnostik Model Heteroskedastik: metode kemungkinan maksimum, uji efek ARCH/GARCH
12. Peramalan Model Heteroskedastik: Aplikasi pada data finansial seperti NASDAQ.

Capaian Mata Kuliah

1. Mahasiswa mampu menjelaskan konsep dasar deret waktu 
   
2. Mahasiswa mampu menggunakan komputer untuk mengeksplorasi data deret waktu 
   
3. Mahasiswa mampu membandingkan konsep-konsep proses stasioner
4. Mahasiswa mampu memisahkan antara proses stasioner dan proses nonstasioner
5. Mahasiswa mampu memilih model deret waktu yang sesuai 
   
6. Mahasiswa mampu mengevaluasi kelayakan model deret waktu yang sesuai 
   
7. Mahasiswa mampu mengevaluasi kelayakan model deret waktu heteroskedastik yang sesuai 
   
8. Mahasiswa mampu mengevaluasi artikel ilmiah yang berhubungan dengan aplikasi deret waktu
9. Mahasiswa mampu menciptakan peramalan deret waktu melalui tugas mandiri dan kelompok