Anda di halaman 1dari 20

PERAMALAN DATA TIME SERIES

DENGAN METODE ARIMA


Disusun Oleh :
Agung Suryo Budi Prabowo
Beni Setiaji
Ika purnamasari
Rinda Desanty
Laila Rizki Karima
Zakiatul Wildani

(15058)
(14991)
(15066)
(14993)
(14856)
(14753)

Permasalahan

Diperoleh data tentang Total Barang


Dalam Negeri yang Dimuat di
Pelabuhan Tanjung Priok, 2006-2014
(Ton) . Ingin diketahui berapakah total
barang yang dimuat di pelabuhan tsb
pada bulan oktober 2014

Pembahasan
DATA
1,600,000
1,400,000
1,200,000
1,000,000
800,000
600,000
400,000
200,000
06

07

08

09

10

11

12

13

14

Karena tidak stasioner Sehingga perlu dilakukan


transformasi. Transformasi yang digunakan adalah
transformasi boxcox.
Box-Cox Plot of data
Lower C L

400000

Upper C L
Lambda
(using 95.0% confidence)

350000

Estimate

300000

StDev

250000
200000
150000
100000

Limit
-5.0

-2.5

0.0
Lambda

2.5

5.0

0.46883

Lower C L
Upper C L

-0.01508
1.00807

Best Value

0.50000

karena lambda 0.46883 mendekati 0.5 maka digunakan


taransformasi data^0.5. Kemudian data hasil
transformasi diplotkan lagi, dan diperoleh output sebagai
DTRANSCOBABA
berikut
:
1,300
1,200
1,100
1,000
900
800
700
600
06

07

08

09

10

11

12

13

14

Transformasi yang digunakan adalah


ddif=d((data)^0.5,1) Kemudian data hasil transformasi
diplotkan lagi, dan diperoleh output sebagai berikut :
DDIF2
300

200

100

-100

-200
06

07

08

09

10

11

12

13

14

Uji stasioneritas dengan ADF

Interpretasi : diperoleh nilai ADF sebesar


-10.18936. Karena nilai ADF < critical
values maka dapat dikatakan data telah
stasioner terhadap mean.

Setelah diperoleh data yang sudah stasioner, maka


dilanjutkan dengan melihat correlogram untuk
membentuk berbagai kemungkinan model ARIMA yang
cocok,

Interpretasi :
Dari output di atas diatas,diperoleh
Model ARIMA (3,1,2)
Sehingga dari Correlogram di atas
didapat beberapa model ARIMA
yang akan diujikan. Berikut adalah
beberapa model ARIMA yang akan
diuji :

ARIMA (3,1,2) dengan konstan


ARIMA (3,1,2) tanpa konstan
ARIMA (2,1,2) dengan konstan
ARIMA (2,1,2) tanpa konstan
ARIMA (1,1,2) dengan konstan
ARIMA (1,1,2) tanpa konstan
ARIMA (0,1,2) dengan konstan
ARIMA (0,1,2) tanpa konstan

ARIMA (3,1,1) dengan konstan


ARIMA (3,1,1) tanpa konstan
ARIMA (2,1,1) dengan konstan
ARIMA (2,1,1) tanpa konstan
ARIMA (1,1,1) dengan konstan
ARIMA (1,1,1) tanpa konstan
ARIMA (0,1,1) dengan konstan
ARIMA (0,1,1) tanpa konstan
ARIMA (3,1,0) dengan konstan
ARIMA (3,1,0) tanpa konstan
ARIMA (2,1,0) dengan konstan
ARIMA (2,1,0) tanpa konstan
ARIMA (1,1,0) dengan konstan
ARIMA (1,1,0) tanpa konstan

Setelah semua kemungkinan dari Model ARIMA


didapat, dilanjutkan dengan Uji signifikansi
parameter.

Ho = Parameter tidak signifikan


H1 = parameter signifikan
Tingkat signifikan : 5%
Statistik uji : prob
Daerah kritik : Ho ditolak jika prob <
Kesimpulan

Model Arima TC (3,1,0)

Model Arima TC (2,1,0)

Model Arima TC (1,1,2)

Model Arima TC (1,1,0)

Model Arima TC(0,1,1)

Diagnostic Checking
No autokorelasi residual, terpenuhi jika
tidak ada lag yang keluar
Normalitas residual
Homoskedastisitas residual
Akan disajikan dalam bentuk tabel
berikut :
Keterangan : X = tidak memenuhi
= memenuhi

Metode Arima

No autokorelasi

Normalitas residual Homoskedastisitas

TC(0,1,1)

TC(1,1,0)

TC(1,1,2)

TC(2,1,0)

TC(3,1,0)

Interpretasi :
Dari tabel di atas, dapat dilihat bahwa Model ARIMA yang
terbaik adalah Model TC(3,1,0) dan TC(1,1,2)

Karena terdapat dua model yang terbaik,


maka Untuk mencari model ARIMA yang
terbaik, dibandingkan lagi dengan kriteria
pemilihan model.
Model dikatakan baik jika :

SSR, baik jika nilainya kecil


Adj R^2, baik jika nilainya besar
AIC, dikatakan baik jika nilainya kecil
SBC, dikatakan baik jika nilainya kecil
Log likelihood, dikatakan baik jika nilainya
besar
SE, dikatakan baik jika nilainya kecil
R^2 , baik jika nilainya besar

Kriteria

tc 310

tc 112

SSR

398002.4

410768.2

Adj R 2

0,251221

0,265644

AIC

11.17638

11.18718

SBC

11.25405

11.26392

log likelihood

-561.4070

-573.14

SE

63.72793

64.09120

R2

0.266196

0,280043

Interpretasi :
Dari tabel di atas, dapat dilhat bahwa Model ARIMA yang
terbaik adalah TC(3,1,0) Karena paling banyak memenuhi
prasyarat model yang baik dalam kriteria pemilihan model.
Sehinga akan dilanjutkan dengan Forecast Menggunakan
Model ARIMA TC(3,1,0).

Forecast model ARIMA TC


(3,1,0)

Plot Forecast ARIMA TC (3,1,0)


1,800,000

Forecast: DATAF
Actual: DATA
Forecast sample: 2006M01 2014M10
Adjusted sample: 2006M05 2014M10
Included observations: 101

1,600,000
1,400,000
1,200,000

Root Mean Squared Error


Mean Absolute Error
Mean Abs. Percent Error
Theil Inequality Coefficient
Bias Proportion
Variance Proportion
Covariance Proportion

1,000,000
800,000
600,000
400,000
200,000
06

07

08

09

10

DATAF

11

12

2 S.E.

13

14

116962.8
84069.28
10.62204
0.066253
0.012449
0.005447
0.982104

Terima Kasih