Arima
Arima
ketepatan
peramalannya
kurang
baik.
Biasanya
akan
cenderung
flat
Tahap 1 : Identifikasi
Rumuskan
kelompok modelmodel yang umum
Penetapan model
untuk sementara
Tahap 2 :
Penaksiran
dan Pengujian
Penaksiran
parameter pada
model sementara
Pemeriksaan
diagnosa (apakah
model memadai)
tidak
ya
Tahap 3 :
Penerapan
Gunakan model
untuk peramalan
berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan
varians dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu.
Suatu deret waktu yang tidak stasioner harus diubah menjadi data stasioner dengan
melakukan differencing. Yang dimaksud dengan differencing adalah menghitung
perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah
stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi. Jika varians
tidak stasioner, maka dilakukan transformasi logaritma.
Klasifikasi model ARIMA
Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model
autoregressive (AR), moving average (MA), dan model campuran ARIMA (autoregresive
moving average) yang mempunyai karakteristik dari dua model pertama.
1) Autoregressive Model (AR)
Bentuk umum model autoregressive dengan ordo p (AR(p)) atau model
ARIMA (p,0,0) dinyatakan sebagai berikut:
3) Model campuran
a. Proses ARMA
Model umum untuk campuran proses AR(1) murni dan MA(1) murni, misal
ARIMA (1,0,1) dinyatakan sebagai berikut:
X t = '+1 X t 1 + et 1et 1
atau
(1 1 B ) X t = '+ (1 1 B)et
AR(1)
MA(1)
b. Proses ARIMA
Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka
model umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus sederhana
ARIMA (1,1,1) adalah sebagai berikut:
(1 B)(1 1 B) X t = '+(1 1 B)et
pembedaan
AR(1)
MA(1)
pertama
Identifikasi
Proses identifikasi dari model musiman tergantung pada alat-alat statistik berupa
autokorelasi dan parsial autokorelasi, serta pengetahuan terhadap sistem (atau proses) yang
dipelajari.
Penaksiran Parameter
Ada dua cara yang mendasar untuk mendapatkan parameter-parameter tersebut:
a. Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda
dan memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari
satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa
(sum of squared residual).
b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan
program komputer memperhalus penaksiran tersebut secara iteratif.
Q = n' rk2
k =1
2) Uji Ljung-Box:
rk2
k =1 ( n' k )
m
Q = n' (n'+2)
Untuk menentukan model yang terbaik dapat digunakan standard error estimate
berikut:
SSE
S=
n n p
n
2
(Yt Yt )
= t =1
n np
dimana:
Yt = nilai sebenarnya pada waktu ke-t
Yt = nilai dugaan pada waktu ke-t
Model terbaik adalah model yang memiliki nilai standard error estimate (S) yang paling
kecil.
Selain nilai standard error estimate, nilai rata-rata persentase kesalahan peramalan
(MAPE) dapat juga digunakan sebagai bahan pertimbangan dalam menentukan model
yang terbaik yaitu:
T
MAPE =
t =1
Yt Yt
Yt
T
100%
dimana:
T = banyaknya periode peramalan/dugaan.
Untuk meramalkan satu periode ke depan, yaitu Xt+1 maka seperti pada persamaan
berikut:
X t +1 = X t + X t 11 X t 12 + et +1 1et 1et 11 + 11et 12
Nilai et+1 tidak akan diketahui, karena nilai yang diharapkan untuk kesalahan random pada
masa yang akan datang harus ditetapkan sama dengan nol. Akan tetapi dari model yang
disesuaikan (fitted model) kita boleh mengganti nilai et, et-11 dan et-12 dengan nilai nilai
mereka yang ditetapkan secara empiris (seperti yang diperoleh setelah iterasi terakhir
algoritma Marquardt). Tentu saja bila kita meramalkan jauh ke depan, tidak akan kita
peroleh nilai empiris untuk e sesudah beberapa waktu, dan oleh sebab itu nilai harapan
mereka akan seluruhnya nol.
Untuk nilai X, pada awal proses peramalan, kita akan mengetahui nilai Xt, Xt-11, Xt12.
Akan tetapi sesudah beberapa saat, nilai X akan berupa nilai ramalan (forecasted
Hari
9
10
11
12
13
14
15
16
IHSG
250
200
190
170
220
180
320
320
Hari
17
18
19
20
21
22
23
24
IHSG
270
220
220
190
190
180
270
300
Hari
25
26
27
28
29
30
31
32
IHSG
230
200
200
290
290
270
270
230
Hari
33
34
35
36
37
38
39
40
IHSG
260
240
180
170
150
140
210
330
Hari
41
42
43
44
45
46
47
48
IHSG
350
350
210
260
210
340
300
290
Data tersebut cenderung sudah stasioner, artinya nilai tengah dan varian tetap tidak
tergantung pada perubahan waktu. Plot data adalah sebagai berikut:
Gambar 1. Plot data IHSG
400
350
300
250
200
150
100
5
10
15
20
25
30
35
40
45
IHSG1
-3.735113
1% Critical Value*
5% Critical Value
10% Critical Value
-3.5778
-2.9256
-2.6005
Partial Correlation
. |****
. |*.
**| .
**| .
.*| .
.|.
.|.
.|.
.*| .
.*| .
.*| .
.|.
. |*.
.|.
. |****
.*| .
***| .
. |**
.|.
.|.
.|.
.|.
**| .
.|.
. |*.
.*| .
.|.
.|.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
AC
PAC
Q-Stat
Prob
0.497
0.126
-0.291
-0.206
-0.122
0.041
0.026
0.034
-0.147
-0.179
-0.096
0.028
0.102
0.055
0.497
-0.160
-0.387
0.206
-0.042
-0.051
-0.010
0.013
-0.232
-0.038
0.163
-0.126
-0.002
0.022
12.615
13.449
17.959
20.268
21.100
21.197
21.236
21.304
22.625
24.640
25.244
25.295
26.005
26.221
0.000
0.001
0.000
0.000
0.001
0.002
0.003
0.006
0.007
0.006
0.008
0.013
0.017
0.024
. |*.
. |*.
. |*.
. |*.
.*| .
**| .
|
|
|
|
|
|
. |*.
. |*.
.*| .
.|.
.*| .
.*| .
|
|
|
|
|
|
15
16
17
18
19
20
0.087
0.184
0.161
0.089
-0.113
-0.216
0.128
0.193
-0.085
0.036
-0.145
-0.098
26.774
29.303
31.310
31.950
33.010
36.991
0.031
0.022
0.018
0.022
0.024
0.012
Dari plot autokorelasi dan plot autokorelasi parsial, terlihat bahwa lag 1 signifikan.
Sehingga ordo p dan q yang mungkin adalah 1. Kombinasi model ARIMA yang mungkin:
ARIMA (0,0,1), ARIMA (1,0,1), ARIMA (1,0,0).
Selanjutnya cari nilai koefisiennya (penaksiran parameter) dengan menggunakan EViews
didapatkan hasil sbb:
Hasil pengolahan output model ARIMA:
ARIMA (0,0,1)
Dependent Variable: IHSG1
Method: Least Squares
Date: 09/04/04 Time: 22:44
Sample: 1 48
Included observations: 48
Convergence achieved after 52 iterations
Backcast: 0
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
MA(1)
238.2940
0.386536
9.780283
0.138313
24.36474
2.794646
0.0000
0.0076
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted MA Roots
0.202873
0.185544
49.04183
110634.6
-253.9360
1.701802
237.9167
54.34164
10.66400
10.74196
11.70721
0.001316
-.39
Partial Correlation
. |*.
. |**
***| .
.*| .
.*| .
. |*.
.|.
. |*.
.*| .
.*| .
.*| .
. |*.
. |**
***| .
.|.
. |*.
.|.
.|.
. |*.
.*| .
.*| .
. |*.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
AC
PAC
Q-Stat
Prob
0.140
0.220
-0.356
-0.060
-0.142
0.097
-0.025
0.109
-0.141
-0.123
-0.081
0.140
0.204
-0.435
0.021
0.069
-0.040
-0.053
0.087
-0.159
-0.188
0.158
0.9959
3.5161
10.279
10.478
11.601
12.142
12.178
12.891
14.120
15.075
15.505
0.061
0.006
0.015
0.021
0.033
0.058
0.075
0.079
0.089
0.115
.|.
. |*.
.|.
.|.
. |*.
. |*.
. |*.
.*| .
.*| .
|
|
|
|
|
|
|
|
|
.|.
.*| .
.|.
.|.
. |**
.|.
.|.
.|.
**| .
|
|
|
|
|
|
|
|
|
12
13
14
15
16
17
18
19
20
0.014
0.095
0.007
0.038
0.163
0.084
0.108
-0.102
-0.158
-0.026
-0.059
-0.015
0.056
0.251
-0.033
0.027
-0.048
-0.200
15.517
16.132
16.136
16.240
18.221
18.761
19.702
20.564
22.711
0.160
0.185
0.242
0.299
0.251
0.281
0.290
0.302
0.250
ARIMA(1,0,1)
Dependent Variable: IHSG1
Method: Least Squares
Date: 09/04/04 Time: 22:46
Sample(adjusted): 2 48
Included observations: 47 after adjusting endpoints
Convergence achieved after 11 iterations
Backcast: 1
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
MA(1)
238.7642
0.424111
0.116910
13.66360
0.269218
0.293080
17.47448
1.575342
0.398903
0.0000
0.1223
0.6919
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Inverted MA Roots
0.258929
0.225244
48.34797
102851.2
-247.4260
1.952965
237.8723
54.92826
10.65643
10.77452
7.686773
0.001371
.42
-.12
Partial Correlation
.|.
. |*.
***| .
.|.
.*| .
. |*.
.|.
. |*.
.*| .
.*| .
.*| .
.|.
. |*.
.|.
.|.
. |*.
.|.
. |*.
.|.
. |*.
***| .
.|.
.|.
.|.
.|.
. |*.
.*| .
**| .
. |*.
.|.
.|.
.*| .
.|.
. |**
.|.
. |*.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
AC
PAC
Q-Stat
Prob
0.021
0.130
-0.394
-0.042
-0.097
0.113
-0.017
0.155
-0.126
-0.116
-0.069
0.022
0.106
-0.047
-0.012
0.149
0.063
0.123
0.021
0.130
-0.406
-0.028
0.017
-0.038
-0.046
0.138
-0.129
-0.203
0.116
-0.023
-0.035
-0.080
0.000
0.247
-0.001
0.094
0.0211
0.8844
9.0056
9.0986
9.6175
10.338
10.354
11.778
12.743
13.585
13.887
13.918
14.681
14.836
14.847
16.492
16.793
17.986
0.003
0.011
0.022
0.035
0.066
0.067
0.079
0.093
0.126
0.177
0.198
0.251
0.317
0.284
0.331
0.325
.*| .
.*| .
|
|
.|.
.*| .
|
|
ARIMA (1,0,0)
Dependent Variable: IHSG1
Method: Least Squares
Date: 09/04/04 Time: 22:47
Sample(adjusted): 2 48
Included observations: 47 after adjusting endpoints
Convergence achieved after 3 iterations
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
238.9670
0.507133
14.22567
0.130226
16.79829
3.894240
0.0000
0.0003
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
0.252058
0.235437
48.02888
103804.8
-247.6429
1.842423
237.8723
54.92826
10.62310
10.70183
15.16510
0.000324
.51
Partial Correlation
. |*.
. |*.
***| .
.*| .
.*| .
. |*.
.|.
. |*.
.*| .
.*| .
.*| .
.|.
. |*.
.|.
.|.
. |*.
. |*.
. |*.
.*| .
.*| .
. |*.
. |*.
***| .
.|.
.|.
.|.
.|.
. |*.
.*| .
.*| .
. |*.
.|.
.|.
.*| .
.|.
. |**
.|.
. |*.
.|.
.*| .
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
AC
PAC
Q-Stat
Prob
0.077
0.075
-0.405
-0.075
-0.083
0.112
0.007
0.155
-0.119
-0.129
-0.072
0.029
0.106
-0.053
-0.019
0.147
0.080
0.122
-0.103
-0.146
0.077
0.070
-0.420
-0.012
-0.003
-0.050
-0.034
0.140
-0.144
-0.184
0.121
-0.035
-0.038
-0.092
0.007
0.239
-0.006
0.109
-0.022
-0.166
0.2956
0.5865
9.1524
9.4560
9.8318
10.534
10.537
11.959
12.822
13.853
14.187
14.243
14.998
15.191
15.216
16.829
17.317
18.500
19.370
21.185
0.444
0.010
0.024
0.043
0.061
0.104
0.102
0.118
0.128
0.165
0.220
0.242
0.296
0.364
0.329
0.365
0.358
0.369
0.327
Uji t untuk masing-masing parameter, terlihat bahwa pada ARIMA (0,0,1) dan ARIMA
(1,0,0) ternyata t-hitung > dari t-tabel, dan mempunyai nilai prob < 0,005 sehingga dengan
alpha 5%, H0 ditolak, artinya koefisien signifikan (berbeda dari nol). Sementara untuk
ARIMA (1,0,1) mempunyai t-hitung < dari t-tabel, sehingga H0 diterima, artinya koefisien
tidak signifikan.
Pengujian secara keseluruhan (overall test):
Hipotesa nol: tidak ada lorelasi pada nilai sisa (residual)
Dengan menggunakan Q-Stat, terlihat bahwa pada ARIMA (0,1,1) pada lag 3 yaitu 0.006
lebih besar dari nilai Chi-Square table (nilai prob sebesar 0.006) artinya dengan alpha 5%
ada korelasi pada nilai sisa (lag 3) sehingga model tidak cocok.
Jadi dari 3 model yang mungkin, hanya ada 1 model yang memenuhi syarat, yaitu ARIMA
(1,0,0). Seandainya ada lebih dari satu model yang memenuhi syarat, maka ambil model
yang terbaik sesuai dengan kriteria yang telah dijelaskan sebelumnya.
Didapatkan koefisien AR(1) dengan bentuk persamaan:
Xt = 16.79829+ 3.894240Xt-1 + et
Model sudah dapat digunakan untuk peramalan
Referensi:
Deden. Summary (Diktat Kuliah ADW). STIS. 2004.
Hendranata, Anton. ARIMA (Autoregressive Moving Average), Manajemen Keuangan
Sektor Publik FEUI, 2003.
Makridakis, Spyros. , Steven C. Wheelwright, dan Victor E. McGee. Metode dan Aplikasi
Peramalan, Jakarta: Erlangga, 1999.