Koriatun Primary Author mixed material bibliography Bandung Magister Statistika Terapan 2010 id Indonesia

xviii,; 82 hlm,;29 cm Fungsi transfer merupakan kasus khusus regresi linier yang diterapkan pada data deret waktu. Hal ini disebabkan deret gangguan (noise) pada fungsi transfer diasumsikan sama seperti gangguan (error) pada model regresi linier, yaitu bersifat independent identically distributed mengikuti distribusi normal dengan rata-rata nol dan varians konstan. Perbedaannya bahwa variabel input, variabel output dan deret gangguan pada fungsi transfer mempunyai autokorelasi, sedangkan variabel prediktor, variabel respon dan error pada model regresi linier tidak berautokorelasi. Oleh karena itu pada model fungsi transfer hams dilakukan pemutihan deret (pre-whitening) untuk menghilangkan pola yang ada. Berdasarkan asumsi tersebut, maka pada penelitian ini diterapkan metode deteksi outIier menggunakan Cook' Squared Distance, DFFITS dan DFBETAS pada fungsi transfer. Penelitian ini bertujuan untuk mengukur kelayakan penerapan ketiga metode tersebut pada fungsi transfer. Data yang digunakan adalah data skunder yang bersumber dari Bank Indonesia sejak Januari 2001 sampai Maret 2010. Metode Analisis yang digunakan adalah identifikasi model ARIMA (p,d,q) dan pembentukan model fungsi transfer. Selanjutnya dari model fungsi transfer yang diperoleh dilakukan deteksi outIier menggunakan Cook's Squared Distance, DFFITS dan DFBETAS. Hasil penelitian menunjukan bahwa metode DFFITS dan DFBETAS lebih layak diterapkan pada model fungsi transfer bila dibandingkan metode Cook's Squared Distance. Abstract Transfer function is a special case of linear regression which it is applied in time series analysis, because the noise in transfer function has a same assumption with error on linear regression models,' both of them have an independent identically distributed, i.e. normal distribution with zerro mean and constant variance. The difference is the input variable, output variable and the IV noise on transfer function model have autocorrelation, while the predictor variable, response variable and error in linear regression didn't have an autocorrelation. Therefore, the pre-whitening of transfer function must be made to remove the existing pattern. Based on those assumptions, the outlier detection method using the Cook's Squared Distance, DFFITS and DFBETAS to the transfer function are applied to this study. The purpose of this study was to measure the feasibility of applying those methods on the transfer function. The data used in this study are secondary data obtained from the Bank Indonesia since January 2001 to March 2010. The analysis methods used the identification of ARIMA (p,d,q) and the transfer function models. Furthermore, the transfer function model can be detect on outlier using the Cook's Squared Distance, DFFITS and DFBETAS. So it can be concluded that the DFFITS and DFBETAS are more feasible to be applied on transfer function than the Cook's Squared Distance. Koriatun Fungsi Transfer, ARIMA, Cook's Squared Distance, 519.5 Kor d Perpustakaan Universitas Padjadjaran Kementerian Riset Teknologi dan Pendidikan Tinggi 519.5 Kor d/R.14.45 01001100700088 Perpustakaan Pusat (REF.14.45) 519.5 Kor d/R.14.45 20%252Fscan0001.jpg.jpg 32002 2017-04-02 00:52:59 2018-05-23 10:13:15 machine generated