| dc.description.abstract | Metode bootstrap adalah metode berbasis resampling data sampel dengan
syarat pengembalian pada datanya dalam menyelesaikan statistik ukuran suatu sampel
dengan harapan sampel tersebut mewakili data populai sebenarnya, biasanya ukuran
resampling diambil secara ribuan kali agar dapat mewakili data populasinya. Metode
ini bagus sekali untuk ukuran data sampel yang relatif kecil {dalam bukunya Walpole
data kecil yaitu n<30}.
Penelitian dilakukan dalam beberapa tahap, tahap pertama melakukan
simulasi data time series. Tahap berikutnya adalah mengecek bahwa data yang
diambil benar-benar merupakan data time series. Berikutnya, dilakukan resampling
bootstrap untuk memperluas ruang sample, dengan harapan bahwa akan
menghasilkan data yang akurat.terakhir dilakukan pengecekan apakah data yang telah
diresampling tetap pada model ARIMA.
Berdasarkan hasil analisis time series model ARIMA dengan paket bootstrap
tsboot pada program R dan pembahasan dapat diambil kesimpulan bahwa dari tiga
contoh simulasi time series model ARIMA dengan nilai standar deviasi yang berbeda
yaitu sqrt(0,1796), sqrt(3,1796) dan sqrt(0.0096) didapatkan model terbaik pada
simulasi dengan sd=sqrt(0,0096) yaitu AIC=-35,58 dan log likelihood=23,79
sebelum dilakukan bootstrap dan AIC=-1402,56 dan log likelihood=707,28 setelah
dilakukan bootstrap. | en_US |
