PENGGUNAAN METODE RESAMPLING BOOTSTRAP UNTUK DATA SIMULASI TIME SERIES MODEL ARIMA

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.