Aneh Lag Bab 3tak Mw Diprint
-
Upload
yudi-ari-wibowo -
Category
Documents
-
view
233 -
download
0
Transcript of Aneh Lag Bab 3tak Mw Diprint
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
1/28
39
BAB III
METODE WAVELET THRESHOLDING UNTUK DATA RUNTUN
WAKTU
3.1. Analisis Runtun Waktu Menggunakan Wavelet Thresholding
Misalkan data runtun waktu membentuk model yang akan dilakukanTransformasi Wavelet Diskrit. dinyatakan sebagai hasil estimasi data dan adalah residual yang berdistribusi IID dengan mean nol. adalah matriksorthonormal yang disebut filter yang digunakan untuk mencari koefesienwavelet, yang ditunjukkan adalah vektor kolom dengan panjang , dengan koefesien vektor wavelet dan adalahkoefisien DWT level ke elemen ke pada { , kemudian
maka (3.1.1)Dengan adalah element ke dari masing-masing dan
. Jika dan dilakukan perbandingan kuadrat terhadap dan harusmemenuhi : |||||| ||||||.
Untuk mengestimasi (thresholding) dengan mengikuti pola persamaan(2.6.1) maka diperoleh:
(3.1.3)Dari persamaan (2.6.1) menyatakan pendefinisian koefisien dari detail
dan
koefisien dari aproksimasi dengan dan ,maka dapatdituliskan :
(3.1.4)yang menggambarkan analisis multiresolusi (MRA) , yaitu mendefinisikanderet sebagai jumlah dari sebuah konstanta vektor dan jumlahan koefisien
dengan
.
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
2/28
40
3.1.1. Langkah-langkah Thresholding
Skema thresholding untuk mengestimasi fungsi D terdiri dari tiga langkah dasar
yaitu:
1.Dihitung koefisien wavelet melalui Transformasi Wavelet Diskrit (DWT)yaituWX.
2.Dibentuk koefisien thresholding W(t), dilakukan sesuai fungsi yangdiinginkan (fungsi soft atau hard thresholding)
3.Diestimasi D melalui TW(t) atau invers dari koefisien DWT yangtelah dithresholding.
3.1.2.Fungsi ThresholdingAda dua jenis fungsi thresholding yaitu:
a. Hard ThresholdingDimana koefisien thresholding menjadi dengan elemennya :
(3.1.5)b.Soft Thresholding
Dimana koefisien thresholding menjadi dengan elemennya : {} (3.1.6)dengan
= ;
merupakan parameter thresholding.
(Percival dan Walden,2000)Visualisasi fungsi Hard Thresholding dan Soft Thresholding dapat dilihat
pada gambar berikut:
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
3/28
41
a.Plot data Asli b. Plot Hard Thresholding c. Plot Soft ThresholdingGambar 3.1.1. Contoh Plot Hard dan Soft Thresholding
Fungsi Hard thresholding lebih dikenal karena terdapat diskontinyudalam fungsi thresholding sehingga nilai yang berada di atas threshold tidakdisentuh dengan prinsip mereduksi semua koefesien menjadi nol yang nilainya
lebih kecil dari threshold. Sebaliknya, fungsi soft thresholding kontinyuyaitu sejak nilai berada diatas threshold . Motivasi penggunaan softthresholding berasal dari prinsip bahwa noise mempengaruhi seluruh koefisien
wavelet. Juga kekontinyuan dari fungsi soft thresholding membuat kondisi yang
lebih baik untuk alasan statistik.
(Ogden,1997)
3.1.3. Pemilihan Parameter Thresholding
Pada estimasi fungsi dengan metode wavelet thresholding, tingkat kemulusan
estimator ditentukan oleh level resolusi , fungsi thresholding dan parameterthreshold . Namun pemilihan level dan fungsi threshold tidak sedominanpemilihan parameter . Nilai yang terlalu kecil memberikan estimasi fungsiyang sangat tidak mulus (under smooth) sedangkan nilai yang terlalu besarmemberikan estimasi yang sangat mulus (over smooth). Oleh karena itu perlu
dipilih parameter threshold yang optimal untuk mendapatkan fungsi yang optimal.
Untuk memilih nilai threshold optimal, ada dua kategori pemilihan yaitu
memilih satu harga threshold untuk seluruh level resolusi (pemilihan secara
global) dan pemilihan threshold yang tergantung pada level resolusi.
1.Global ThresholdingGlobal thresholding berarti memilih satu nilai parameter thresholding yangdigunakan untuk seluruh level resolusi
. Ogden (1997) memberikan dua
2 4 6 8 10
-6
-4
-2
0
2
4
6
x
origin
signal
2 4 6 8 10
-6
-4
-2
0
2
4
6
x
hard
thresholding
2 4 6 8 10
-6
-4
-2
0
2
4
6
x
softthresholding
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
4/28
42
pemilihan threshold yang hanya bergantung pada banyaknya data pengamatan
Nyaitu :
a. Minimax ThresholdSebuah threshold optimal dapat diperoleh berdasarkan ukuran sampel disebut dengan minimax threshold , telah ditabelkan oleh Donoho danJohnstone (1994) sebagai berikut :
Tabel 3.1.1. Nilai Threshold Minimax
N N 2
4
8
16
32
64
128
256
0
0
0
1,200
1,270
1,474
1,669
1,860
512
1024
2048
4096
8192
16384
32768
65536
2,074
2,232
2,414
2,594
2,773
2,952
3,131
3,310
(Ogden,1997)
b.Universal ThresholdMerupakan alternatif lain dalam global thresholding yang digunakan untuk
memilih parameter thresholding, Donoho dan Jhonstons (1994) menyarankan
menggunakan parameter universal threshold jika residual berdistribusiGaussian (IID) multivariate dengan mean nol dan kovarian atau. adalah vektor elemen ke-l dari residual dari persamaan(3.1.1) berdistribusi normal dengan mean nol dan variansi konstan yaitu : dan ketika , (3.1.6)
Untuk mengecek apakah residual mengikuti proses Gaussian maka
dilakukan Uji Normalitas Residual, Uji Indepedensi Residual, Uji Homogenitas
Variansi. Uji Normalitas Residual digunakan Uji Kolmogorov Smrinov seperti
pada materi ARIMA dan untuk uji homogenitas Variansinya digunakan Uji
Korelasi Rank Spearman yaitu:
Uji Hipotesis :
H0 : Variansi residual konstan
H1 : Variansi residual tidak konstan
Taraf Signifikansi :
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
5/28
43
Statistik Uji :
.Keterangan : nilai korelasi Rank Spearman selisih antara ranking dengan ranking nilai mutlak || ukuran sampelKriteria Uji :
H0 ditolak jika atau P-value Parameter optimal yang disarankan oleh Donoho dan Jhonston yaitu universalthreshold sebagai berikut :
(3.1.7) harus diestimasi dari data melalui dan adalah ukuran sampel.Ogden (1997) memberikan estimasi berdasarkan koefisien wavelet empiris
pada level resolusi tertinggi
(koefesien wavelet level pertama) dengan
fungsi Median Deviasi Absolut (MAD) yaitu: {} (3.1.8)Jika ukuran sampel (N) besar mengakibatkan variansi sama dengan satu,
maka pemilihan parameter universal threshold adalah .(Percival dan Walden, 2000)
2.Level-Dependent ThresholdingLevel-dependent thresholding berarti memilih parameter bergantung levelresolusi dengan demikian ada kemungkinan perbedaan nilai threshold yang dipilih untuk tiap level resolusi. Jika model (3.3.1) residual tidakberdistribusi Gaussian (non-IID) multivariate dan sebuah merupakan vektorke dari residual dengan variansi tidak konstan dan tidak independen makaparameter threshold optimal yang digunakan adalah Adaptive Threshold.Pemilihan threshold ini didasarkan pada prinsip untuk meminimalkan Stein
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
6/28
44
Unbiased Risk Estimator (SURE) pada suatu level resolusi. Threshold adapt
untuk himpunan koefisien detail yang beranggotakan koefisiendidefinisikan sebagai :
(3.1.9)dengan
Keterangan : = jumlah koefesien Wavelet pada masing-masing level resolusi
= parameter yang dicoba-coba dalam rentang tertentu
= koefesien Wavelet pada masing-masing level resolusi(Antoniadis dan Bigot, 2003)
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
7/28
45
3.2.Perbandingan Analisis Data Runtun Waktu antara ARIMA dan WaveletThresholding
Dalam tugas akhir ini akan dilakukan perbandingan analisis data runtun waktu
antara metode ARIMA dan Wavelet Thresholding, Langkah-langkah penyelesaian
kedua metode dapat dijelaskan dalam diagram alir berikut :
a. Diagram alir atau flowchart penyelesaian masalah dengan metode ARIMA
Gambar 3.2.1 Diagram Alir Pengolahan Data dengan Metode ARIMA
Start
Data
Plot Time Series, ACF, PACF
dan Dickey Fuller
Tidak
Differensi atau
Transformasi
Stasioner
Ya
Identifikasi Model
Estimasi Parameter Model
Verifikasi Model
Model dengan
MSE terkecil
End
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
8/28
46
b. Diagram alir atau flowchart penyelesaian masalah dengan metode waveletthresholding
Gambar 3.2.2 Diagram Alir Pengolahan Data dengan Wavelet Thresholding
Setelah diperoleh hasil terbaik dari metode ARIMA dan Wavelet Thresholding,
kemudian dibandingkan kedua MSE-nya untuk memilih estimasi yang terbaik.
Start
Data
Plot Time Series
Transformasi Wavelet
Diskrit
Thresholding
Pemilihan Fungsi
Thresholding
Pemilihan Parameter
Threshold
Invers Hasil
Hasil Estimasi dengan
End
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
9/28
47
3.3. Contoh PenerapanPada contoh ini digunakan data bulanan tingkat berat ekspor Indonesia dalam
miliar ton dari bulan Januari 2001 sampai September 2011 yang diperoleh dari
situswww.bps.go.id, terdapat pada lampiran 1. Dengan jumlah yaitu sebanyak128 data observasi sehingga j maksimal = 7.3.3.1. Analisis Data Runtun Waktu dengan Metode ARIMA
3.3.1.1. Uji Stasioneritas
Berdasarkan plot time series yang terdapat pada Lampiran 3 terlihat bahwa
data belum stasioner karena mean dan variannya belum konstan. Selain itu juga
dapat dilihat dari Plot Fungsi Autokorelasi garis-garis lagnya menurun secara
eksponensial dan Plot Fungsi Autokorelasi Parsial menunjukkan bahwa ada lag
yang muncul mendekati nilai satu maka dikatakan data belum stasioner.
Uji stasioneritas secara visual cenderung sangat lemah maka perlu
dilakukan uji akar unit Dickey-Fuller dengan bantuan EVIEWS seperti terlihat
dalamLampiran 3. Analisis uji Dickey-Fuller sebagai berikut :
Uji Hipotesis :
H0 : (data tidak stasioner)H1 : (data stasioner)Taraf Signifikansi : Statistik Uji:
0.148872
se
-
Atau nilai Probabilitas
Kriteria Uji :
H0 ditolak jika < nilai statistik DF atau nilai probabilitas Kesimpulan :Dari output uji root Dickey-Fuller diperoleh atau maka H0 diterima. Jadidapat disimpulkan bahwa secara formal data belum stasioner.
http://www.bps.go.id/http://www.bps.go.id/http://www.bps.go.id/http://www.bps.go.id/ -
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
10/28
48
Langkah selanjutnya adalah melakukan differensi data satu kali dan
uji stasioneritas kembali baik secara visual maupun formal. Setelah data
didifferensi terlihat pada plot time series pada Lampiran 3 data sudah stasioner
karena mean dan variannya konstan. Selain itu dapat dilihat juga dari plot Plot
Fungsi Autokorelasi dan Plot Fungsi Autokorelasi Parsial menunjukkan bahwa
terdapat lag yang muncul di atas garis standar error maka dikatakan data
stasioner.
Uji stasioneritas secara formal perlu dilakukan untuk mengecek asumsi
stasioneritas data seperti dalam Lampiran 3. Analisis uji Dickey-Fuller
sebagai berikut :
Uji Hipotesis :
H0 : (data tidak stasioner)H1 : (data stasioner)Taraf Signifikansi : Statistik Uji:
-12.94082
se
-
Atau nilai Probabilitas Kriteria Uji :H0 ditolak jika nilai statistik DF atau nilai probabilitas Kesimpulan :
Dari output uji root Dickey-Fuller diperoleh ( 12.94082) atau maka H0 ditolak. Jadidapat disimpulkan bahwa secara formal data sudah stasioner.
Untuk mengetahui apakah model ARIMA yang sesuai dapat dilihat pada
Plot Fungsi Autokorelasi dan Fungsi Autokorelasi Parsial dari data yang sudah
didifferensikan. Dari Plot Fungsi Autokorelasi, rk melebihi batas standar error
terdapat satu lag, sehingga terlihat model MA (1). Sedangkan pada Plot Fungsi
Autokorelasi Parsial, rk muncul tiga buah lag yang melebihi batas standar
error, sehingga terlihat model AR (4).
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
11/28
49
3.3.1.2.Identifikasi Model
Sehingga identifikasi model awal yang terbentuk adalah ARIMA (4,1,0), ARIMA
(0,1,1), dan ARIMA (4,1,1). Sebelum mengetahui model mana yang terbaik
terlebih dahulu dilakukan overfit atau underfit terhadap semua model antara lain :
ARIMA (3,1,1), ARIMA (3,1,0),ARIMA (2,1,1), ARIMA (2,1,0), ARIMA
(1,1,1), ARIMA (1,1,0).
3.3.1.3.Estimasi Parameter
Setelah kita melakukan identifikasi model maka tahap berikutnya adalah estimasi
model. Estimasi model ini dilakukan untuk menguji apakah koefisien parameter
signfikan atau tidak.
Uji Siginifikansi Parameter
Uji Hipotesis :
H0 : Parameter tidak siginifikan terhadap model
H1 : Parameter siginifikan terhadap model
Taraf Signifikansi : Statistik Uji :
atau P-valueKriteria Uji :
Tolak H0 jika > atau P-value < Dengan n = jumlah pengamatan dan s = jumlah parameter.
Keputusan :
Berdasarkan output Final Estimates of Parameters dapat disajikan dalam
tabel sebagai berikut :
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
12/28
50
Tabel 3.3.1 Uji Siginifikansi untuk Model Runtun WaktuDifferensi Pertama
Model Nilai P-value Keputusan
ARIMA (4,1,1)
1 = 0.190
2 = 0.1043 = 0.331
4 = 0.081
1 = 0.694
c = 0.151
H0 diterima
H0 diterimaH0 diterima
H0 diterima
H0 diterima
H0 diterima
ARIMA (4,1,0)
1 = 0.000
2 = 0.000
3 = 0.190
1 = 0.104
c = 0.140
H0 ditolak
H0 ditolak
H0 diterima
H0 diterima
H0 diterima
ARIMA (3,1,1)
1 = 0.256
2 = 0.244
3 = 0.602
1 = 0.497
c = 0.240
H0 diterima
H0 diterima
H0 diterima
H0 diterima
H0 diterima
ARIMA (3,1,0)
1 = 0.000
2 = 0.000
3 = 0.553
c = 0.2090
H0 ditolak
H0 ditolak
H0 diterima
H0 diterima
ARIMA (2,1,1)
1 = 0.399
2 = 0.164
1= 0.169
c = 0.165
H0 diterima
H0 diterima
H0 diterima
H0 diterima
ARIMA (2,1,0)
1 = 0.000
2 = 0.000
c = 0.231
H0 ditolak
H0 ditolak
H0 diterima
ARIMA (1,1,1)1 = 0.7351= 0.000
c = 0.118
H0 diterimaH0 ditolak
H0 diterima
ARIMA (1,1,0)1 = 0.000
c = 0.364
H0 ditolak
H0 diterima
ARIMA (0,1,1)1= 0.000
c = 0.129
H0 ditolak
H0 diterima
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
13/28
51
Kesimpulan :
Berdasarkan tabel 3.3.1. dapat diperoleh model terbaiknya yaitu : model
ARIMA (2,1,0), ARIMA (1,1,0), dan ARIMA (0,1,1) dengan masing-
masing konstanta tidak signifikan sehingga dibentuk model baru tanpa
konstannya yaitu model ARIMA (2,1,0) tanpa konstan, ARIMA (1,1,0)
tanpa konstan, dan ARIMA (0,1,1) tanpa konstan yang akan dilakukan
verifikasi modelnya.
3.3.1.3.Verifikasi ModelSetelah mengestimasi model dan melakukan uji signifikansi parameter maka
langkah selanjutnya adalah melakukan uji diagnostik. Dalam suatu runtun
waktu, residual yang dihasilkan oleh model yang signifikan harus mengikuti
proses white noise. Proses white noise merupakan proses stasioner. Proses
dimana artinya residual independen berdistribusi normaldengan mean 0 dan variansi konstan. Untuk mengetahui apakah residual
mengikuti proses white noise maka dilakukan pengujian sebagai berikut :
1. Uji Normalitas Residual.Berdasarkan pada Lampiran 6 maka dapat dikatakan residual semua model
berdistribusi normal karena residual tersebar mengikuti pola garis lurus
sehingga asumsi normalitas residual terpenuhi. Uji secara visual cenderung
lemah sehingga perlu dilakukan uji secara formal yaitu dengan menggunakan
Uji Kolmogorov-Smirnov berikut :
Uji Hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normalTaraf Signifikansi : Statistik Uji :
D=sup | | atau P-valueKriteria Uji :
Tolak H0 jika atau P-value < Keputusan :
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
14/28
52
Tabel 3.3.2. Uji Normalitas Residual
Model P-value Keputusan
ARIMA (2,1,0) 0.131 H0 diterima
ARIMA (2,1,0) tanpa konstan 0.030 H0 ditolak
ARIMA (1,1,0) 0.010 H0 ditolak
ARIMA (1,1,0) tanpa konstan 0.030 H0 ditolak
ARIMA (0,1,1) 0.045 H0 ditolak
ARIMA (0,1,1) tanpa konstan 0.010 H0 ditolak
Kesimpulan :
Berdasarkan tabel 3.3.2. dari ketiga model tersebut yang memenuhi
asumsi normalitas residual hanya ARIMA (2,1,0) dengan konstan
sehingga dilakukan analisis lebih lanjut untuk model tersebut..
2. Uji Independensi ResidualUji Hipotesis :
H0 : Tidak ada korelasi antar lag (residual independen)
H1 : Ada korelasi residual antar lag (residual dependen)
Taraf Signifikansi : Statistik Uji : Kriteria Uji :
H0 ditolak jika atau P-value dengan m=lag maksimum dan s = jumlah parameter yang diestimasi.
Keputusan :
Tabel 3.3.3. Uji Independensi Residual
Model Lag Df P-value KeputusanARIMA
(2,1,0)
12 9 10.1 0.340 H0 diterima
24 21 27.5 0.154 H0 diterima
36 33 41.9 0.137 H0 diterima
48 45 48.9 0.318 H0 diterima
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
15/28
53
Kesimpulan
Berdasarkan tabel 3.3.3. model ARIMA (2,1,0) memenuhi asumsi
independensi residual, artinya tidak ada korelasi antar lag.
3.3.1.4. Pemilihan Model ARIMA Terbaik
Dari output E-Views 4 dan minitab, setelah dilakukan analisis dengan beberapa
uji asumsi maka data tingkat eksport Indonesia dalam miliar ton memiliki model
terbaik ARIMA (2,1,0) dengan MSE 3.3.2. Analisis Data Runtun Waktu dengan Metode Wavelet Thresholding
Diketahui bahwa data Tingkat Ekspor Indonesia dari bulan Januari 2001 sampai
dengan September 2011 bahwa tidak stasioner (pada analisis sebelumnya). Data
tersebut bisa langsung dianalisis dengan metode wavelet karena dalam metode
wavelet tidak memerlukan asumsi-asumsi yang harus dipenuhi seperti metode
klasik.
Wavelet merupakan alat matematika yang menjadi alternatif untuk analisis
time series. Keunggulan dari analisis wavelet adalah mampu menganalisis data
menjadi komponen yang memiliki frekuensi berbeda melalui translasi
(pergeseran) dan dilatasi (penskalaan) dengan cara mendekomposisikan data.
Sehingga wavelet mampu menyederhanakan dan mengurangi noise (gangguan)
tanpa memperlihatkan penurunan mutu data.
Dalam tugas akhir ini analisis data digunakan metode wavelet
thresholding, seperti telah dijelaskan sebelumnya, data yang tak stasioneritas
tersebut dilakukan DWT (Transformasi Wavelet Diskrit). Di sini filter yang
digunakan dari keluarga orthogonal Daubechies dengan panjang bandwitch 4biasa ditulis dengan . Digunakan data sebanyak atau , dengan levelmaksimal yaitu , namun level yang digunakan hanya sampai level ke-6 , sehingga menghasilkan koefisien DWT yaitu: . (dapat dilihat pada lampiran 7)
Estimasi dengan fungsi soft dan hard thresholding, untuk parameter
threshold (batas ambang) optimalnya yaitu universal threshold, minimax
threshold, adaptive threshold.
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
16/28
54
Parameter threshold yang digunakan telah optimal sesuai metodenya yang
memiliki kelebihan dan kelemahan masing-masing. Tetapi tugas akhir ini ketiga
metode pemilihan threshold yang disebutkan akan dicobakan, untuk mencari
parameter mana yang terbaik untuk kasus yang diangkat dengan ukuran ketepatan
MSE(Mean Square Error).
Berikut penyelesaian masalah dengan menggunakan tiga metode
pemilihan parameter threshold () optimal tersedia dalam Software R dengan
package wmtsa :
1.Minimax ThresholdPada tugas akhir ini data yang digunakan adalah
sehingga parameter
optimal dengan metode minimax threshold adalah yang diperolehdari tabel 3.1.1. digunakan pada semua level resolusi dan metode ini tidakmensyaratkan data berdistribusi Gaussian atau tidak sehingga dapat langsung
diestimasi sebagai berikut (program terdapat pada lampiran 8):
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Minimax Level 1
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Hard Minimax Level 1
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Minimax Level 2
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Hard Minimax Level 2
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Minimax Level 3
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Hard Minimax Level 3
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
17/28
55
Gambar 3.3.1. Plot Soft dan Hard Thresholding Minimax Level Resolusi 1
Sampai 6
Keterangan : : Plot Data asli
: Hasil Thresholding
Tabel 3.3.4. Nilai MSE pada Tiap Fungsi dan Level Thresholding
Level Resolusi Fungsi Thresholding MSE
Pertamasoft 3.918186
hard 4.071956
Keduasoft 5.694302
hard 6.153827
Ketigasoft 7.362951
hard 7.979811
Keempat soft 7.334119hard 7.566342
Kelimasoft 8.2824
hard 8.602822
Keenamsoft 8.748088
hard 7.821032
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Minimax Level 4
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Hard Minimax Level 4
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Minimax Level 5
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Hard Minimax Level 5
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Minimax Level 6
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Hard Minimax Level 6
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
18/28
56
Dari gambar 3.3.1 dengan parameter minimax dengan fungsi soft dan hard
thresholding, pada level resolusi yang berbeda, dapatdiketahui estimasi wavelet
thresholding yang paling mendekati dengan plot data aslinya adalah pada
) yang merupakan estimasi pertama dari soft thresholding dianggapsebagai yang terbaik dan memiliki MSE yang terkecil yaitu 3.918186.2.Universal ThresholdParameter optimal dengan metode universal threshold adalah :
=
Keterangan : diestimasi dari {} Parameter universal threshold digunakan jika residual dari hasil estimasi
berdistribusi Gaussian pada persamaan (3.1.1) asumsi normalitas, independensi
dan variansi konstan harus dipenuhi. Untuk mengetahui apakah residual
mengikuti proses Gausian maka dilakukan pengujian sebagai berikut :
a.Uji Normalitas Residual.Berdasarkan pada Lampiran 9 dengan Uji Kolmogorov-Smirnov dilakukan
uji normalitas residual pada masing-masing level resolusi untuk mengetahuiapakah parameter universal ini bisa digunakan atau tidak sebagai berikut :
Uji Hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Taraf Signifikansi : Statistik Uji :D=sup | | atau P-valueKriteria Uji :
Tolak H0 jika atau P-value Keputusan :
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
19/28
57
Tabel 3.3.5. Uji Normalitas Residual
Level Resolusi Fungsi P-value Keputusan
Pertama
soft 0.03184 H0 ditolak
hard 0.05213 H0 diterima
Keduasoft 0.3886 H0 diterima
hard 0.5205 H0 diterima
Ketigasoft 0.9647 H0 diterima
hard 0.9647 H0 diterima
Keempatsoft 0.607 H0 diterima
hard 0.7665 H0 diterima
Kelimasoft 0.1612 H0 diterima
hard 0.4726 H0 diterima
Keenamsoft 0.06265 H0 diterima
hard 0.8025 H0 diterima
Kesimpulan :
Berdasarkan tabel 3.3.5. semua level resolusi telah memenuhi asumsi
normalitas residual kecuali pada resolusi pertama dengan fungsi soft
thresholding.
b. Uji Independensi ResidualUji Hipotesis :
H0 : Tidak ada korelasi antar lag (residual independen)
H1 : Ada korelasi residual antar lag (residual dependen)
Taraf Signifikansi :
Statistik Uji : Kriteria Uji :
H0 ditolak jika atau P-value dengan m=lagmaksimum dan s = jumlah parameter yang diestimasi.
Keputusan :
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
20/28
58
Tabel 3.3.6 Uji Independensi Residual
Level Resolusi Fungsi Lag P-value Keputusan
Pertama
SoftThresholding
12
H0 ditolak
24 H0 ditolak36 H0 ditolak48 H0 ditolak
Hard
Thresholding
12 8.7 H0 ditolak24 4.9 H0 ditolak36 9.3 H0 ditolak48 3.4 H0 ditolak
Kedua
SoftThresholding
12 H0 ditolak24
H0 ditolak
36 H0 ditolak48 0.00062 H0 ditolakHard
Thresholding
12 H0 ditolak24 H0 ditolak36 6. H0 ditolak48 H0 ditolak
Ketiga
SoftThresholding
12 H0 diterima24
H0 diterima
36 H0 diterima48 H0 diterimaHard
Thresholding
12 H0 diterima24 H0 diterima36 H0 diterima48 H0 diterima
Keempat
Soft
Thresholding
12 0.005951 H0 ditolak
24
H0 ditolak
36 H0 ditolak48 H0 ditolakHard
Thresholding
12 H0 diterima24 0.05222 H0 diterima
36 0.06422 H0 diterima
48 0.08836 H0 diterima
Soft
Thresholding
12 0.000627 H0 ditolak
24 0.003978 H0 ditolak
36
H0 ditolak
48 0.0006228 H0 ditolak
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
21/28
59
Kelima
Hard
Thresholding
12 0.7461 H0 diterima
24 0.1442 H0 diterima
36 0.1079 H0 diterima
48 0.1569 H0
diterima
Keenam
Soft
Thresholding
12 H0 ditolak24 H0 ditolak36 H0 ditolak48 2 H0 ditolak
Hard
Thresholding
12 0.7004 H0 diterima
24 0.1849 H0 diterima
36 0.132 H0 diterima
48 0.1983 H0 diterima
Kesimpulan
Berdasarkan tabel 3.3.6. diketahui pada fungsi soft thresholding pada
level resolusi ketiga dan fungsi hard thresholding pada level resolusi
ketiga,keempat, kelima dan keenam memenuhi asumsi independensi
residual sedangkan sisanya tidak memenuhi.
c. Uji Homogenitas VariansiBerdasarkan padaLampiran 9 dengan Uji Rank Korelasi Spearman dilakukan
uji homogenitas variansi (variansi konstan) sebagai berikut :Uji Hipotesis :
H0 : Variansi residual konstan
H1 : Variansi residual tidak konstan
Taraf Signifikansi : Statistik Uji :
Kriteria Uji :
H0 ditolak jika atau P-value Keputusan
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
22/28
60
Tabel 3.3.7. Uji Variansi Konstan
Level Resolusi Fungsi P-value Keputusan
Pertamasoft
H0 ditolak
hard H0 ditolakKedua soft H0 ditolakhard H0 ditolak
Ketigasoft 2.7 H0 ditolakhard 2.7 H0 ditolak
Keempatsoft 1.7 H0 ditolakhard 9.6 H0 ditolak
Kelimasoft 2.5 H0 ditolakhard 6.9
H0 ditolak
Keenam soft 2.2 H0 ditolakhard 2.1 H0 ditolakKesimpulan
Berdasarkan tabel 3.3.6 diketahui semua level resolusi dengan fungsi soft
maupun hard thresholding variansinya tidak konstan.
Setelah residual dianalisis untuk mengetahui apakah berdistribusi Gaussian
(normal) dengan mean nol dan variansi konstan .Analisis untuk asumsi normalitas digunakan metode Kolmogorov Smirnovdengan hasil semua level resolusi berdistribusi Gaussian kecuali pada levelresolusi pertama dengan fungsi soft thresholding.
Analisis untuk asumsi indepedensi residual digunakan uji Ljung-Box
dengan hasil fungsi soft thresholding pada level resolusi ketiga dan fungsi hard
thresholding pada level resolusi ketiga,keempat, kelima dan keenam memenuhi
asumsi independensi residual sedangkan sisanya tidak memenuhi
Analisis untuk asumsi variansi konstan digunakan uji Korelasi Rank
Spearman dengan hasil semua variansi tidak konstan. Berdasarkan uji yang telah
dilakukan terhadap residual dari hasil estimasi tidak berdistribusi IID maka
parameter universal threshold tidak bisa digunakan dan alternative penggantinya
adalah Adaptive threshold yang tidak mengasumsikan residualnya berdistribusi
IID.
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
23/28
61
3.Adapitve ThresholdAdapitve threshold adalah metode pemilihan threshold optimal yangberbeda-beda di tiap level resolusi yang berdasarkan nilai minimal dari SURE,
metode ini hanya berlaku untuk fungsi soft thresholding dan mensyaratkan
residual dari hasil estimasi wavelet thresholding tidak berdistribusi
Gaussian(non-IID). Nilai SURE dan threshold Adaptive dengan bantuan
Software R adalah:
a. Pada level resolusi pertama nilai SURE-nya adalah 62.43799,60.95267, 59.57841, 59.42883, 58.17989, 56.84549, 60.15993,
58.50630, 57.04048, 61.59035, 60.66998, 66.29687, 64.56366,
75.58181, 81.28552, 85.05097, 90.03939, 91.06175, 95.66040,
120.66313, 119.03283, 122.69552, 145.11525, 148.27007, 160.16271,
158.61135 ,163.68460, 163.78391, 167.82771, 168.87947, 170.33278,
194.40896, 196.51964, 195.32402, 199.89312, 224.01216, 226.41340,
236.34377, 244.12847, 249.54631, 248.51365, 250.87293, 249.92796,
258.62728, 277.87813, 277.25806, 296.35338, 299.09874, 298.81137,
321.34046, 323.01153, 343.52215, 356.69216, 366.52840, 382.99167,
385.78745, 455.67844, 477.71364, 481.32315, 483.09902, 490.88320,
496.57246, 499.33623, 560.40066 dan SURE terkecil yaitu 56.84549
terletak pada koefisien wavelet dengan nilai 0.2814951, yang menjadi
parameter threshold adaptive level pertama.
b. Pada level resolusi kedua nilai SURE-nya adalah 30.03772,31.57924, 32.37120, 32.32245, 31.78551, 31.60590, 39.13404,
37.36413, 38.57883, 39.90197, 40.35585, 43.60083, 44.72521,
48.45289, 47.64225, 52.52913, 52.46532, 51.19119, 59.42147,58.63732, 73.61238, 104.00150, 128.1444, 148.60532, 175.66205,
181.76869, 216.36406, 220.16970, 267.15849, 266.51833, 271.28686,
334.31719 dan SURE terkecil yaitu 30.03772 terletak pada koefisien
wavelet dengan nilai 0.03433075, yang menjadi parameter threshold
adaptive level kedua.
c. Pada level resolusi ketiga nilai SURE-nya adalah 14.06952,17.60220, 31.88997, 32.82356, 45.04598, 45.01133, 69.68333,
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
24/28
62
75.24553, 88.37732, 105.95683, 130.89783, 132.20187, 134.87005,
145.66146 dan SURE terkecil yaitu 14.06952 terletak pada koefisien
wavelet dengan nilai 0.06591596, yang menjadi parameter threshold
adaptive level ketiga.
d. Pada level resolusi keempat nilai SURE-nya adalah 40.80675,96.32413, 868.28077, 2983.91298, 40.80675 dan SURE terkecil yaitu
40.80675terletak pada koefisien wavelet dengan nilai , yangmenjadi parameter threshold adaptive level keempat.
e. Pada level resolusi kelima nilai SURE-nya adalah 11.10746,15.19176, 24.96749, 26.55638, 63.18195, 233.29707, 235.89960,
1124.31213 dan SURE terkecil yaitu 11.10746 terletak pada koefisien
wavelet dengan nilai 3.114753, yang menjadi parameter threshold
adaptive level kelima.
f. Pada level resolusi keenam nilai SURE-nya adalah 3683.856,3695.398 dan SURE terkecil yaitu 3683.856 terletak pada koefisien
wavelet dengan nilai 42.91769, yang menjadi parameter threshold
adaptive level keenam.
Berikut hasil estimasinya (program terdapat pada lampiran 10) :
Gambar 3.3.2. Plot Soft Thresholding Adaptive Level Resolusi 1 Sampai 6
Keterangan : : Plot Data asli
: Hasil Thresholding
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Adaptive Level 1
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Adaptive Level 2
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Adaptive Level 3
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Adaptive Level 4
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Adaptive Level 5
0 20 40 60 80 100 120
20
30
40
50
0 20 40 60 80 100 120
20
30
40
50
Soft Adaptive Level 6
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
25/28
63
Tabel 3.3.8. Nilai MSE pada Tiap Fungsi dan Level Thresholding
Level Resolusi Fungsi Thresholding MSE
Pertama Soft 4.093113
Kedua Soft 3.946578Ketiga Soft 6.250947
Keempat Soft 5.462676
Kelima Soft 5.591824
Keenam Soft 8.934713
Dari gambar 3.3.2. dengan parameter threshold optimal Adaptive
Threshold dengan fungsi soft thresholding dapat dianalisis bahwa plot
mendekati data aslinya terdapat pada level resolusi pertama dan kedua. Untuk
mengetahui yang terbaik dari kedua estimasi dibandingkan MSE yang terkecil
yaitu 3.946578 dengan parameter adalah 0.03433075 yang terdapat padaestimasi fungsi soft thresholding pada level resolusi kedua.
Hasil dari ketiga metode pemilihan parameter optimal maka dihasilkan
estimasi yang terbaik yaitu :
a. Untuk metode minimax threshold yang terbaik adalah estimasi fungsi softthresholding pada level resolusi pertama dengan nilai MSEyaitu.
b. Untuk metode universal threshold tidak bisa digunakan karena residualnyatidak berdistribusi Gaussian.
c. Untuk metode adaptive threshold yang terbaik adalah estimasi fungsi softthresholding pada level resolusi kedua dengan nilai MSE yaitu.
Dari pernyataan diatas memperlihatkan bahwa dengan parameter optimalminimax threshold pada level resolusi pertama dengan fungsi soft thresholding memberikan estimasi data runtun waktu data ekspor Indonesia yangterbaik karena menghasilkan MSE yang terkecil.
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
26/28
64
3.3.3.Membandingkan Kebaikan Estimasi antara ARIMA dan AnalisisWavelet Thresholding
Gambar 3.3.3 Plot Gabungan Data Asli, Fits ARIMA (2,1,0), dan Wavelet
Thresholding Dari Gambar 3.3.3, diketahui pendekatan dengan Wavelet Thresholding danARIMA cukup mendekati data asli. Untuk lebih memperkuat keyakinan, maka
digunakan ukuran kebaikan model berdasarkan nilai MSE. Analisis runtun waktu
dengan Wavelet Thresholding mempunyai MSE terkecil dengan parameter
threshold minimax di level yaitu sebesar . Dalam lampiran 6,diperoleh MSE model ARIMA (2,1,0) sebesar . Sehingga analisis runtunwaktu dengan Wavelet Thresholding menghasilkan estimasi model data runtun
waktu yang lebih baik dibanding ARIMA untuk contoh kasus tersebut.
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
27/28
65
BAB IV
KESIMPULAN
Berdasarkan pada pembahasan dari bab-bab sebelumnya dapat diambil
kesimpulan sebagai berikut :
1. Penggunaan metode ARIMA dalam estimasi data nonstasioner,memiliki kelemahan karena adanya beberapa asumsi yang harus
terpenuhi, sedangkan untuk metode Wavelet yang merupakan metode
tanpa parameter dan tanpa asumsi sebagaimana metode ARIMA.
2. Dalam analisis runtun waktu dengan Wavelet Thresholding adabeberapa langkah yaitu Transformasi Wavelet Diskrit, kemudian
mereduksi koefisien wavelet dengan fungsi Soft dan Hard
Thresholding dengan parameter threshold yang optimal. Pada tugas
akhir ini parameter optimal yang digunakan yaitu : Minimax
Threshold, Universal Threshold dan Adaptive Threshold.
-
7/31/2019 Aneh Lag Bab 3tak Mw Diprint
28/28
66
DAFTAR PUSTAKA
Antoniadis,A. and Bigot, J. 2003. Wavelet Estimators in Nonparametric
Regression: A Comparative Simulation Study. Nicosia :University Joseph Fourier.
Anton, H. 1995.Aljabar Linear Elementer. Edisi kelima. Jakarta : Erlangga.
Box, G.E.P., Jenkins, G.M., and Reissel. G.C. 1994. Time Series Analysis
Forecasting and Control, 3rd edition, Englewood Cliffs : Prentice Hall.
Bruce, A. and Gao, HY. 1996.Applied Wavelet Analysis with S-PLUS. New York
: Springer-Verlag.
Makridakis, S, Wheelwright, S.C., and McGee, V.E. 1999. Jilid 1 edisi kedua,
Terjemahan Ir. Hari Suminto, Metode dan Aplikasi Peramalan. Jakarta : Bina
Rupa Aksara.
Nason, G.P. 2006. Wavelet Methods in Statistics with R. Springer. Bristol:
University Walk.
Odgen, R.T. 1997. Essential Wavelets for Statistical Application and Data
Analysis. Boston :Birkhauser.
Percival, D.B. & Walden, A.T. 2000. Wavelet Methods for Time Series analysis,
1stpublished. New York : Cambridge University Press.
http://bps.go.id/ekspor indonesia