PEMILIHAN KANDIDAT ORDO MODEL ARIMA DAN UJI

WHITE NOISE RESIDUAL UNTUK MODEL ARIMA TERBAIK

(CONTOH KASUS KURS/NILAI TUKAR MATA UANG
BULANAN KUNA KROASIA TERHADAP DOLAR AS TAHUN
2006-2010)

http://wajibstat.blogspot.com/2013/05/pemilihan-kandidat-ordo-model-arima-dan_12.html

Malam sobat semua.. apa kabarnya neh sooob? moga baik dan sehat selalu yaa
hehehe.. amiiiiin.. oke deh sooob, kali ini saya akan membahas tentang kandidat
untuk model arima serta uji asumsi untuk model terbaik arima yang terpilih dalam
penelitian..

Naaah, postingan kali ini adalah terusan dari postingan saya sebelumnya yang berjudul
uji stasioneritas data untuk analisis autoregressive integrated moving average (arima)
kasus kurs/nilai tukar bulanan mata uang kuna kroasia terhadap dolar as 2006-2010..
Silahkan sobat cek disini.


Nah, sebelumnya kita sudah punya output correlogram untuk data kurs pada
correlogram of 1st difference.. Ini saya tampilkan lagi untuk ngingetin hehehe...



Autokorelasi seperti yang kita tahu adalah kondisi adanya indikasi hubungan antara
data (dirinya sendiri) dengan residual masa lalunya. Nah, dalam output correlogram
ini, autokorelasi mencerminkan nilai rata-rata bergerak (moving average) sehingga
autokorelasi (AC) bisa dibilang menggambarkan ordo MA pada model full ARIMA...
Nah, di sisi lain korelasi parsial menyatakan adanya indikasi antara data (dirinya
sendiri) secara terpisah/ masing-masing dengan dirinya pada masa lalu.. Korelasi
parsial (PAC) ini menggambarkan ordo Autoregressive (data saat ini diregress dengan
dirinya pada masa lalu secara terpisah. Yaaa, kira-kira sampai sini pahaaam yaa
hehehe..


Kandidat ordo ARIMA yang kita ambil adalah kombinasi dari nilai AC dan atau PAC yang
melampaui batasan nilai AC dan PAC. Masalah batasan ini sudah dibahas dalam
postingan sebelumnya juga ya sooob dan kita peroleh dengan formula:



sehingga kita memperoleh selang interval yang terbentang mulai dari -0.2552 sampai
dengan + 0.2552. Terlihat bahwa nilai AC dan PAC pada lag 1 berada di luar interval
yang menyebabkan data tidak stasioner pada lag tersebut.. Pada lag 1 juga terlihat
batang pelanggaran nilai AC dan PAC yang paling panjang. Nah, oleh karena itu kita
peroleh kandidat model pada lag 1 yaitu ARIMA (1,1,1); ARIMA (1,1,0) atau AR(1) dan
ARIMA (0,1,1) atau MA(1). Next step, ayoo kita bandingkan sooob ketiga kandidat ordo
ARIMAnya dan kita ambil model terbaiknya dalam kasus ini hehehe..


Caranya dengan estimate equation pada Eviews. Berikut saya berikan gambarannya:



Selanjutnya pada spesification, silahkan tuliskan modelnya.. Pertama adalah model
AR(1)




Berikut output yang diperoleh dari model AR(1):





Perhatikan bahwa nilai Adj R Square sebesar 76,45% yang menyatakan bahwa secara
statistik variabel nilai kurs nominal pada satu lag sebelumnya (t-1) mampu
menjelaskan keragaman besarnya perubahan nilai kurs nominal pada saat periode saat
ini (t). Nilai Akaike dan Schwarz Criterion masing-masing -4,0968 dan -4,0257. Adapun
nilai Sum Square Error (sigma error kuadrat) adalah 0,0527. Nah, bandingkan ketiga
kandidat model dilihat dari nilai Rsquare (pilih yang paling besar) dan nilai SSE, Akaike
dan Schwarz Criterion (pilih yang paling kecil).

Nah dengan cara yang sama, sobat bisa peroleh output untuk model MA (1) dan
ARIMA(1,1,1). Berikut output untuk model MA dan ARIMA (1,1,1).






Nah, sooob buat memudahkan perbandingan, neeeh udah saya buat tabulasinya yaa
hehehe..




Nah, setelah kita bandingkan keempat komponen pembanding, maka kita
memilih model terbaik adalah ARIMA (1,1,1) dengan persamaan model seperti pada
tabel. Selanjutnya adalah melihat apakah residual dari pemodelan ARIMA (1,1,1)
sudah white noise secara keseluruhan atau tidak. Caranya yaitu dengan proc-make
residual series kemudian ordinary dan masukkan nama untuk residual, dalam hal ini
dibuat residnya. Oke deh sooob, ini saya kasi lagi gambarannya:




Selanjutnya pilih tipe residualnya Ordinary dan berikan saja nama resid barunya
resid01..




Selanjutnya klik OK dan akan muncul spreadsheet data residual dengan model ARIMA
(1,1,1).. Next, kita tampilkan lagi correlogram untuk residual dari model terpilihnya
dengan mengklik View, Correlogram dan silahkan pilih Level pada bagian Correlogram
Of.. Nah, kira-kira begini nih sooob gambarannya hehehe..







Kalau sudah maka akan tampil nilai probabilitas pada output correlogram untuk
masing-masing lag. Residual dikatakan sudah white noise (yang kita harapkan) apabila
nilai residual model tidak signifikan. Naah, dari sini kita bisa dapat informasi berapa
jumlah residual yang white noise yang ditunjukkan dari nilai probabilitas lebih dari
Alpha 0,05 sehingga kita menerima hipotesis nol yaitu residual kurs tidak signifikan.
Berikut output correlogamnya:




Dari hasil pengujian ternyata nilai probabilitas untuk residual lebih besar dari
Alpha 0,05 sehingga untuk semua residual hasilnya adalah kita menerima hipotesis nol
(residual tidak signifikan/residual sudah white noise). Hal ini semakin mendukung
terpilihnya model ARIMA (1,1,1) sebagai model terbaiknya secara statistik untuk kasus
penelitian ini hehehe..

Oke deh, sooob,, selanjutnya akan dibahas pemenuhan uji asumsi untuk model ARIMA
(1,1,1), interpretasi model dan uji syarat model untuk prediksi (forecast) nilai kurs
beberapa periode mendatang. Tongkrongin aja terus blog ini karena masih banyak
analisis yang sedang dalam proses pembelajaran untuk kemudian segera dirilis lengkap
dengan penerapannya (contoh kasus)..

Sekian dulu ya sooob untuk malam ini,, Selamat beristirahat.. Semangat
belajarnya teruuss hehe.. Salam damai, salam sukses dan salam hangat terdahsyat :-)

Peramalan dengan Menggunakan
Model ARIMA
Posted by: irun89 on: Mei 24, 2012
In: matematika | science
7 Komentar
http://irun89.wordpress.com/2012/05/24/peramalan-dengan-menggunakan-model-
arima-2/

Model ARIMA merupakan salah satu teknik peramalan time series (deret waktu)
yang hanya berdasarkan perilaku data variabel yang diamati. Model ARIMA sama
sekali mengabaikan variabel independen karena model ini menggunakan nilai
sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan
peramalan jangka pendek yang akurat. Secara harfiah, model ARIMA merupakan
gabungan antara model AR (Autoregressive) dan model MA (Moving Average).
Sebelum melakukan peramalan,, kita perlu tau neh istilah-istilah berikut:
Stasioneritas
Stasioneritas berarti bahwa tidak terdapat pertumbuhan atau penurunan
pada data. Data secara kasarnya harus horisontal sepanjang sumbu waktu.
Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang
konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut
pada dasarnya tetap konstan setiap waktu. Kestasineran merupakan kondisi
yang diperlukan dalam analisis deret waktu. So, data yang digunakan untuk
peramalan harus stasioner.
Differencing (pembedaan)
Apabila data yang digunakan tidak stasioner maka dilakukan differencing
(pembedaan) agar data tersebut menjadi stasioner. Secara umum, apabila
terdapat pembedaan orde ke-d untuk mencapai stasioneritas, maka ditulis:

sebagai deret yang stasioner, dan model umum ARIMA (0,d,0) akan
menjadi
ARIMA (0,d,0)

Model Autoregressive orde p atau AR (p)
yaitu suatu model yang menjelaskan pergerakan suatu variabel melalui
variabel itu sendiri di masa lalu.
Model autoregressive orde ke-p dapat ditulis sebagai berikut:
ARIMA (p,0,0)

di mana:

atau

Model Moving Average orde q atau MA (q)
yaitu suatu model yang melihat pergerakan variabelnya melalui residualnya di
masa lalu.
Model Moving Average orde-q dapat ditulis sebagai berikut:
ARIMA (0,0,q) atau MA (q)

di mana:

atau

Model Autoregressive Moving Average atau ARMA (p, q)
Model ARMA merupakan gabungan antara model AR (p) dan model MA (q).
Model Autoregressive Moving Average dapat ditulis sebagai berikut:

Atau

Model Autoregressive Integrated Moving Average atau ARIMA (p, d, q)
Dalam praktek, banyak data yang tidak stasioner. Jika data itu melalui proses
pembedaan sebanyak d kali menjadi stasioner, maka data itu dikatakan
nonstasioner homogen tingkat d. Proses pembedaan disini bertujuan untuk
mencapai kestasioneran, karena itu model ARIMA (p, d, q) dapat ditulis
sebagai berikut:

di mana

Ada beberapa tahap dalam melakukan peramalan dengan menggunakan model
ARIMA yaitu:
1. Identifikasi Model
Identifikasi model dilakukan untuk menelaah keberartian autokorelasi dan
kestasioneran data, sehingga perlu-tidaknya transformasi atau proses
differencing (pembedaan) dilakukan. Langkah-langkah dalam melakukan
identifikasi model yaitu:
1. Petakan data atas waktu dan telaah karakter data untuk menentukan
perlu-tidaknya trasformasi stabilisasi varians dan/atau proses
pembedaan dilakukan.
2. Menghitung dan menelaah ACF dan PACF data sampel asli (data
sebelum dilakukan proses transformasi dan/atau pembedaan) untuk
mendapatkan informasi mengenai orde dari proses pembedaan.
3. Hitung dan telaah ACF dan PACF data hasil transformasi dan/atau
pembedaan (jika ada perlakukan transformasi dan/atau pembedaan),
untuk memperkirakan orde autoregresif (AR) dan moving average
(MA) yang akan diambil. Pedoman umum untuk menelaah apakah orde
dari model deret waktu stasioner sudah cukup baik berdasarkan ACF
dan PACF-nya, sebagai berikut:
Model ACF PACF
AR (p)
Berpola eksponensial atau seperti
gelombang sinus yang melemah
Perbedaan nilai antara lag-1 dengan
nilai sesudah lag-p cukup besar (cut
off after lag-p)
MA (q)
Perbedaan nilai antara lag-1 dengan
nilai sesudah lag-q cukup besar (cut
of after lag-q)
Berpola eksponensial atau seperti
gelombang sinus yang melemah
ARMA
(p,q)
Berpola menurun secara cepat
sesudah lag-(q-p)
Berpola menurun secara cepat
sesudah lag-(p-q)
1. Estimasi Parameter Model
Setelah diperoleh satu atau beberapa model sementara maka langkah
selanjutnya adalah mencari estimasi untuk parameter-parameter dalam model
itu. Estimasi dapat dilakukan dengan beberapa cara sebagai beriku:
1. Metode momen
2. Metode maksimum likelihood
3. Metode Ordinary Least Square (OLS)
2. Diagnostic Checking
Diagnostik checking dilalukan untuk memeriksa apakah model yang diestimasi
cukup cocok dengan data yang ada. Diagnostic checking didasarkan pada
analisis residual. Asumsi dasar model ARIMA adalah bahwa residual
merupakan variabel random independen berdistribusi normal dengan mean nol
varians konstan.
1. Uji Independen
Untuk memerika apakah residual independen dapat digunakan uji
Ljung-Box. Uji ini menggunakan autokorelasi sampel dari residual untuk
memeriksa hipotesis null. Adapun hipotesisnya adalah:

Dengan statistik uji:

di mana:

Jika atau maka H
0
diterima dan ini berarti
nilai autokorelasi residual sama dengan nol sehingga residual independen.
dan pada derajat bebas
2
masing-masing menyatakan orde dari proses
autoregresif dan moving average .
Selain dengan pengujian hipotesis, independensi antar lag ditunjukkan pula
oleh grafik autokorelasi residual. Apabila grafik fungsi autokorelasi
menunjukkan tidak ada satu lag pun yang keluar batas selang kepercayaan
maka residual independen.
2. Uji Identik
Sebuah model dikatakan baik, jika plot residual terhadap waktu sudah
tidak membentuk pola tertentu (residual bersifat acak).
3. Uji kenormalan
Untuk menguji asumsi residual berdistribusi normal digunakan uji
Kolmogorov-Smirnov (K-S). Hipotesis yang digunakan adalah:

dengan statistik uji :

di mana:

Jika statistik uji lebih besar dari nilai kritis K-S, keputusan H
0

ditolak atau dengan melihat P-value lebih besar dari berarti
residual berdistribusi normal.
3. Peramalan
Naahh,, setelah di peroleh model yang layak/memadai (memenuhi asumsi-
asumsi di atas), maka model tersebut dapat digunakan untuk peramalan.
**Untuk melakukan proses peramalan tersebut dapat digunakan paket program
SPSS atau MINITAB
Sumber:
Daniel, W. W. 1989. Statistik Nonparametrik Terapan. Jakarta : PT
Gramedia.
Makridakis. S, Wheelwright, and McGee. 1995. Metode dan Aplikasi
Peramalan. Terjemahan Untung Sus Andriyanto dan Abdul Basith. Jakarta :
Erlangga.
Mulyana. 2004. Buku Ajar Analisis Data Deret Waktu. Bandung : Jurusan
Statistika FMIPA UNPAD.