KEMENTERIAN PEKERJAAN UMUM

BADAN PENELITIAN DAN PENGEMBANGAN

PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR

PENDUGAAN DATA RUNTUT WAKTU

MENGGUNAKAN METODE ARIMA

PENDAHULUAN

Prediksi data runtut waktu.

Pelaksanaan dan evaluasi menjadi terarah sesuai dengan

kebutuhan sehingga prioritas dan pemilihan alternatif solusi
sesuai dengan sumber daya yang tersedia.

Salah satu cara untuk menduga data runtut waktu dapat

digunakan metode stokastik yang dinamakan ARIMA
(Autoregressive Integrated Moving Average).

ACF dan PACF

Autocorrelation Function (ACF)

Koefisien ini menunjukkan keeratan hubungan antara nilai variabel yang sama
tetapi pada waktu yang berbeda

Koefisien autokorelasi mengukur tingkat keeratan hubungan antara Xt dengan

Xt-1. Sedangkan pengaruh dari timelag 1, 2, 3. . . . dan seterusnya sampai k-1
dianggap konstan

Partial Autocorrelation Function (PACF)

Koefisien autokorelasi parsial mengukur derajat hubungan antara nilai-nilai

sekarang dengan nilai-nilai sebelumnya (untuk time lag tertentu), sedangkan
pengaruh nilai variabel time lag yang lain dianggap konstan

Koefisien autokorelasi parsial mengukur tingkat keeratan hubungan antara Xt

dan Xt-k sedangkan pengaruh dari time lab 1,2,3,,k-1 dianggap konstan.

MODEL AR dan MA
Fungsi Model Autoregresif (AR)

Fungsi linear dari observasi deret stasioner sebelumnya (meregresikan

terhadap dirinya sendiri pada periode yang berbeda) dengan kata lain model
ini mengasumsikan bahwa data periode sekarang dipengaruhi oleh data
pada periode sebelumnya.

Model ini dapat dipilih apabila ACF menunjukkan pola dying down dan
PACF menunjukkan pola yang cut off.

Fungsi Moving Average (MA)

Proses yang menyatakan hubungan ketergantungan antara nilai pengamatan

Yt dengan nilai-nilai kesalahan yang berurutan dari periode t sampai t-q.

Model ini dapat dipilih apabila ACF menunjukkan pola yang cutoff dan
PACF menunjukkan pola dying down

Autoregressive (AR)
Menunjukkan korelasi antara data Yt dengan lag sebelumnya Yt-1,Yt-2, .., Yt-k.

yt a0 i yt 1 t
i 1

Biasanya dinotasikan dengan AR(p). P merupakan order dari lag model AR

Identifikasi
Cek correlogram residual : PACF (AR)

Moving Average (MA)

Menunjukkan adanya hubungan error term pada periode t (t) dengan error term periode
sebelumnya (t-i)

yt a0

t i

Biasanya dinotasikan dengan MA(q). (q) adalah order dari lag model MA

Identifikasi
Cek correlogram residual : ACF (MA)

CUT OFF
Cut off adalah lag yang tidak signifikan terhadap garis batas signifikansi

Autocorrelation Function for Pembedaan musiman dan reguler

(with 5% significance limits for the autocorrelations)

1.0
0.8

Autocorrelation

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

10

15

20

25

30
35
Lag

40

45

50

55

60

DYING DOWN
Dying down adalah lag yang bergerak turun dengan bertambahnya lag (sinusoidal)
Partial Autocorrelation Function for Pembedaan musiman dan reguler
(with 5% significance limits for the partial autocorrelations)

1.0

Partial Autocorrelation

0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

10

15

20

25

30
35
Lag

40

45

50

55

60

Model ARIMA Musiman (1)

Data runtut waktu yang diperoleh akan digunakan untuk

menganalisis runtun waktunya sehingga pola dari data
tersebut akan diperlukan dalam peramalan di masa
mendatang

Model ARIMA (Autoregressive Integrated Moving Average) yang merupakan model

gabungan dari model autoregresif dan moving average yang telah melalui proses differencing
sebanyak d kali agar menjadi stasioner.

Model ARIMA Musiman (2)

ARIMA Multiplikative (Musiman) = (p,d,q)(P,D,Q)s:
Keterangan:
p, d, q
: Orde AR, Difference, MA non musiman
P, D, Q : Orde AR, Difference, MA musiman
Difference adalah teknik pengurangan (selisih) untuk menghilangkan
nonstationer data dalam mean atau variance.
s

: Periode musiman

s=3
s=4
s=6
s = 12
dst

Macam-macam model ARIMA Multiplikative:

1. SAR (0 0 0)(1 0 0)
2. SMA (0 0 0)(0 0 1)
3. ARSMA (1 0 0)(0 0 1)
4. dll

=> Triwulan
=> Kwartalan
=> Semesteran
=> Tahunan

CONTOH ESTIMASI MODEL

Estimasi Model dengan melihat perilaku grafik ACF dan PACF.
Misalkan model SAR (0 0 0)(1 0 0),
-

Model tersebut menunjukkan nilai d & D adalah nol, yang berarti data asli telah stasioner
sehingga tidak diperlukan Difference baik terhadap data non musiman dan musimannya.

Nilai p nol dan P bernilai 1, yang berarti perilaku PACF menunjukkan tidak ada yang
signifikan untuk data musiman, sedangkan pada data musimannya ada yang signifikan.

Nilai q & Q adalah 0, yang berarti perilaku ACF menunjukkan tidak ada yang signifikan
untuk data musiman dan non musiman.

Model ARIMA Musiman (3)

Langkah-langkah metode ARIMA :

1. Tahap Identifikasi
Tahap identifikasi dilakukan tiga hal yaitu identifikasi terhadap pola data, kestasioneran data
dan perilaku ACF dan PACF.
2. Estimasi Model.
Pada tahap estimasi, penentuan nilai estimasi awal untuk parameter-parameter dari model
tentatif berdasarkan pola ACF dan PACF.
3. Evaluasi Model.
Melakukan uji diagnostik untuk menguji kedekatan model dengan data. Uji ini dilakukan
dengan menguji nilai residual dan signifikansi.
4. Peramalan.
Peramalan dilakukan menggunakan perangkat lunak MINITAB 14. Nilai hasil peramalan
disediakan dari perangkat tersebut.

Diagram Alir ARIMA

Data Inflow

Membuat plot runtut waktu

Membuat plot ACF

Data sudah Stasioner?

Varians: Transformasi
Mean: Differencing

Melihat Plot ACF dan PACF data yang

sudah stasioner dalam mean dan varians

Tidak

Pendugaan Model & Pengujian Parameter

dari Plot ACF dan PACF

Check model dengan

white noice

Model yang sesuai

lebih dari 1
Ya

Pemilihat model terbaik. Terlihat dari P

value dan SS serta MS
Perolehan model ARIMA terbaik
Peramalan dengan model yang dibentuk

Tidak

IDENTIFIKASI MODEL (1)

Identifikasi model dilakukan untuk mengetahui kestasioneran data aktual. Suatu data harus
stasioner terhadap varian dan rataan agar dapat diolah dan menghasilkan prediksi yang baik
menggunakan metode ARIMA. Berikut adalah ciri-ciri data yang tidak stasioner berserta
contohnya:

Gambar 1
Tidak stasioner dalam mean

Gambar 2
Nilai ACF dari Gambar 1

Gambar 3
Nilai PACF dari Gambar 1

Gambar 4
Tidak stasioner dalam varians

Gambar 5
Nilai ACF dari Gambar 4

Gambar 6
Nilai PACF dari Gambar 4

Gambar 7
Tidak stasioner dalam varians dan mean

Gambar 8
Nilai ACF dari Gambar 7

Gambar 9
Nilai PACF dari Gambar 7

Autocorrelation Function for Pembedaan musiman dan reguler

Trend Analysis Plot for Pembedaan musiman dan reguler

(with 5% significance limits for the autocorrelations)

Linear Trend Model

Yt = -0.000490105 + 8.224064E-06*t

1.0
Variable
A ctual
Fits

1.0

0.8
0.6

0.5

Autocorrelation

A ccuracy Measures
MA PE
100.148
MA D
0.242
MSD
0.095

0.0

0.4
0.2
0.0
-0.2
-0.4
-0.6

-0.5

-0.8
-1.0

-1.0
1

32

64

96

128

160 192
Index

224

256

288

320

Gambar 10
Stasioner dalam varians dan mean

10

15

(with 5% significance limits for the partial autocorrelations)

1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

10

20

25

30
35
Lag

40

45

50

Gambar 11
Nilai ACF dari Gambar 10

Partial Autocorrelation Function for Pembedaan musiman dan reguler

Partial Autocorrelation

Pembedaan musiman dan reguler

1.5

15

20

25

30
35
Lag

40

45

50

55

Gambar 12
Nilai PACF dari Gambar 10

60

55

60

IDENTIFIKASI MODEL (2)

Apabila data yang digunakan belum stasioner maka

jangan melanjutkan tahap estimasi, dikarenakan asumsi
untuk mengerjakan model ARIMA adalah menggunakan
data yang telah stasioner terhadap mean dan varian.

IDENTIFIKASI MODEL (3)

Cara untuk menstasionerkan data aktual
1. Cara untuk menstasionerkan data secara mean dengan cara melakukan
difference.
2. Sedangkan untuk menstasionerkan data secara varian dengan melakukan
Transformasi. Syarat untuk dilakukan Transformasi adalah data tidak bernilai
0, sehingga data yang digunakan adalah data bulanan.
Macam-macam transformasi yang dapat dilakukan adalah
a. Transformasi Log
b. Transformasi Square Root
c. Transformasi Square
d. Transformasi Arcsin
e. Transformasi Cubic

ESTIMASI MODEL
ACF
Cut off setelah lag 1 atau 2, koefisien
korelasi tidak signifikan pada lag-lag
musiman
Cut off setelah lag musiman L,
koefisien korelasi tidak signifikan
pada lag-lag non musiman
Cut off setelah lag musiman L,
terdapat koefisien korelasi yang
signifikan pada lag non musiman ke1 atau 2
Dying down

Dying down

Dying down
Dying down
Sumber: Gaynor and Kirpartik (1994)

PACF

Model

Dying down

Non Seasonal Moving Average

(q=1 atau 2)

Dying down

Seasonal
(Q=1)

Dying down

Non Seasonal Seasonal Moving

Average (q=1 atau 2, Q=1)

Cut off setelah lag 1 atau 2, koefisien

korelasi tidak signifikan pada lag-lag
musiman
Cut off setelah lag musiman L, koefisien
korelasi tidak signifikan pada lag-lag non
musiman
Cut off setelah lag musiman L, terdapat
koefisien korelasi signifikan pada lag-lag
non musiman ke-1 atau 2
Dying down

Moving

Average

Non Seasonal Autoregressive

(p=1 atau 2)
Seasonal Autoregressive (P=1)

Non Seasonal Seasonal

Autoregressive (p=1 atau 2, P=1)
Mixed (Autoregressive Moving
Average)

EVALUASI MODEL
1. Residual peramalan bersifat acak. Untuk memastikan apakah model sudah
memenuhi syarat ini, dapat digunakan indikator Box- Ljung Statistic. Dari
session diketahui bahwa nilai P-value untuk uji statistik ini lebih besar dari
0,05 yang menunjukkan bahwa residual sudah acak.
2. Model parsimonious (model relatif sudah dalam bentuk yang paling
sederhana).
3. Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari
nilai P-value koefisien yang kurang dari 0,05.
4. Kondisi invertibilitas ataupun stasioneritas harus terpenuhi. Hal ini
ditunjukkan oleh jumlah koefisien MA atau AR dimana masing-masingnya
harus kurang dari satu.
5. Model harus memiliki MS & SS yang kecil.

6. Selain itu grafik ACF dan PACF dari residual menunjukkan pola cut off, yang
berarti bahwa residual memang sudah acak.

Contoh output MINITAB