Tugas Kelompok

Analisis Runtun Waktu

MODEL DERET WAKTU NON STASIONER

Identifikasi Data Lampiran 2.1

KELOMPOK I
Aliah Haerunnisa
Nurkamila Jafar
Rheonaldy
Nur Afiah
Nirwana Daswan
Tisa
A. Mugira Fada
Ira Nurcahyani
Septiani Muchtar
Christian Beren

(H12112003)
(H12112014)
(H12112104)
(H12112252)
(H12112253)
(H12112256)
(H12112257)
(H12112258)
(H12112259)
(H12112276)

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR

KATA PENGANTAR
Tiada untaian kata yang lebih indah selain ucapan syukur kehadirat Allah SWT yang
telah melimpahkan karunia, taufik, hidayah, serta inayah-Nya sehingga Makalah ini dapat
terselesaikan. Tidak lupa pula senantiasa kita panjatkan salawat serta salam kepada junjungan
dan panutan kita Muhammad SAW. Dalam tahap penyusunan makalah ini, tidak lepas dari
berbagai kendala yang menghambat penyusunan. Namun, berkat bantuan dan motivasi dari
berbagai pihak, sehingga kendala dan halangan tersebut dapat teratasi.
Makalah ini disusun sebagai isyarat tugas kelompok kami.Ucapan terima kasih kami
sampaikan kepada teman-teman, ibu dosen sehingga makalah ini dapat terselesaikan, serta pihakpihak lainnya yang telah membantu dalam menyelesaikan makalahini yang tidak sempat
disebutkan.
Dalam penyusunan makalah ini, disadari bahwa masih terdapat kekurangan karena hal ini
masih terbilang baru bagi kami. Oleh karena itu, kritik dan saran yang sifatnya membangun
sangat kami harapkan. Walau demikian, kami tetap berharap makalah ini dapat memberikan
manfaat . Amin.
Makassar, 20 November 2014

Kelompok I

DAFTAR ISI
Cover .........!!!
Kata Pengantar....!!
Daftar Isi......!
BAB I
1.1.

Latar Belakang

1.2.

Rumusan Masalah..

BAB II
2.1.

Pembahasan..

BAB III
3.1.

Kesimpulan....

Daftar Pustaka...

BAB I
PENDAHULUAN
1.1. Latar Belakang
Analisis time series (runtun waktu) banyak digunakan dalam berbagai bidang, misalnya
ekonomi, teknik, geofisik, pertanian dan kedokteran. Runtun waktu adalah suatu deret observasi
yang berurut dalam waktu. Analisis data runtun waktu digunakan untuk melakukan analisis data
yang mempertimbangkan pengaruh waktu. Data-data yang dikumpulkan secara periodik
berdasarkan urutan waktu, bisa dalam jam, hari, minggu, bulan, kuartal dan tahun, dapat
dilakukan analisis menggunakan metode analisis data runtun waktu .
Metode yang sering digunakan dalam analisis runtun waktu adalah ARIMA. Model
ARIMA mampu mewakili deret waktu stasioner maupun nonstasioner. Deret waktu yang
stasioner jarang dijumpai dalam praktik , padahal kestasioneran merupakan asumsi yang sangat
bermanfaat dalam pemodelan deret waktu .
Untuk mengetahui apakah suatu data dikatakan stasioner atau tidak dapat dilihat pada
plot data time series. Untuk membuat plot data time series dapat digunakan software minitab
karena software komputer ini mempunyai fasilitas lengkap untuk permasalahan ARIMA.. Deret
waktu dikatakan stasioner jika tidak ada perubahan kecenderungan dalam rata rata dan
perubahan variansi .
Pada ARIMA, suatu runtun waktu nonstasioner harus diubah menjadi data stasioner
dengan melakukan differensiasi. Differensiasi adalah menghitung perubahan atau selisih nilai
observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak.
Berdasarkan uraian di atas, maka dalam makalah ini akan dibahas mengenai analisis data
runtun waktu dengan model nonstasioner.

1.2. Rumusan Masalah

Berdasarkan uraian di atas, maka rumusan masalah yang akan dibahas pada makalah ini adalah
sebagai berikut :
1. Bagaimana cara untuk mengidentifikasi suatu model?
2. Bagaimana mengestimasi parameter dalam suatu model?
3. Bagaimana cara untuk memverifikasi suatu model?
4. Bagaimana cara Uji Diagnostik untuk menguji kelayakan model. Jika tidak layak, maka dicari model
yang tepat, sebaliknya jika layak maka model tersebut yang akan digunakan.
5. Bagaimana meramalkan data dari model?

BAB II
PEMBAHASAN
2.1. Identifikasi Model
Data Lampiran 2.1
PENGANGGURAN WANITA USIA 16 - 19 TAHUN
DI AMERIKA SERIKAT
MULAI JANUARI 1961 DESEMBER 1985
Tabel data pengangguran wanita yang berusia 16 s.d. 19 tahun di Amerika Serikat mulai Januari
1961 Desember 1985

Tahun
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985

Jan
375
360
388
409
466
421
328
320
356
497
587
644
549
631
802
760
813
748
712
738
762
856
861
712
705

Feb Mar Apr Mei

384 383 326 344
376 360 381 543
398 377 383 449
390 380 438 431
454 442 475 401
374 401 451 465
395 381 360 383
412 437 421 450
392 426 442 426
459 513 549 447
560 590 556 582
620 618 623 546
637 568 605 594
614 617 546 632
755 805 751 855
781 769 766 752
781 797 802 782
759 749 756 802
723 698 746 754
765 748 707 808
783 796 803 506
897 817 872 895
827 855 867 836
733 746 728 707
680 699 650 687

Jun
375
301
415
426
406
456
383
442
406
445
527
568
567
673
769
751
838
754
735
746
765
825
916
666
638

Jul Agu Sep

419 424 429
333 339 316
429 369 414
348 394 396
385 380 422
469 466 412
403 425 422
450 412 422
392 426 445
432 514 565
585 556 574
595 605 598
545 545 592
732 593 693
800 825 799
761 873 750
756 764 796
792 772 769
722 737 728
773 751 721
781 768 812
922 915 902
828 835 792
636 676 696
670 555 631

Okt Nop Des

399 376 288
352 678 360
462 447 403
451 384 491
397 430 433
427 414 384
414 382 390
372 375 392
464 379 409
557 601 582
556 582 583
592 558 595
576 593 603
730 731 733
802 765 827
758 772 791
781 780 679
731 746 741
773 723 741
731 735 701
854 858 818
908 911 919
771 757 756
654 613 677
676 659 689

Tahap awal untuk melakukan identifikasi model sementara adalah menentukan apakah
data runtun waktu yang akan digunakan untuk peramalan sudah stasioner atau tidak, baik dalam
rata-rata maupun dalam variansi. Hal ini penting, sebab model-model ini hanya berlaku untuk
data yang stasioner. Secara sederhana, konsep stasioner dapat diartikan suatu kondisi dimana
nilai suatu data tidak jauh berbeda atau mungkin sama dengan data yang lain. Bentuk visual yang
disediakan oleh paket computer seperti Minitab,SPSS, dan SAS dari suatu diagram runtun waktu
akan dapat dengan mudah memperlihatkan kestasioneran suatu data. Untuk memeriksa
kestasioneran data dapat dilakukan dengan membuat diagram data terhadap waktu dengan
bantuan software Minitab 16 seperti yang ditunjukkan pada Gambar 1.
Adapun ciri untuk runtun waktu nonstasiner terdiri dari :
Plot data tidak berpluktuasi (memiliki trend untuk selang yang cukup lebar).
Fak turun secara lambat dan linear.
Pada grafik fakp, hanya

yang nilainya mendekati satu, sedangkan yang lainnya tidak berbeda

secara signifikan dengan nol.

Diagram Data pengangguran

Menginput data ke worksheet , klik StatTime SeriesTime Series Plot, lalu pilih Simpleklik
Okselect C1 Datalalu OK, maka akan tampil Gambar 1. seperti berikut;
Time Series Plot of Data
1000
900
800

Data

700
600
500
400
300
1

30

60

90

120

150
Index

180

210

240

270

300

Gambar 1
Diagram Jumlah Pengangguran Wanita Usia 16 - 19 Tahun di Amerika Serikat
(Januari 1961 Desember 1985)

Berdasarkan diagram deret waktu pada Gambar 1, dapat disimpulkan bahwa data tersebut tidak
stasioner dalam rata-rata. Dengan nilai rata-rata yang diperoleh dari pengolahan data pada tabel 1
adalah

dapat diidentifikasi bahwa terjadi perubahan rata-rata dari

waktu ke waktu. Selain itu dapat juga dilihat melalui pola diagram dimana bentuk pola diagram
diatas membentuk pola trend yang ditandai data observasi naik atau menurun pada perluasan
periode suatu waktu.
FAK dari Data
Adapun diagram ACF untuk data pada Tabel 1 dapat dilihat pada Gambar 2. Dan cara
mendapatkan diagram ACF adalah sebagai berikut :

Klik StatTime SeriesAutocorrelation select C1 Datapilih Default number of laglalu OK, maka
akan tampil Gambar 2. seperti berikut;
Autocorrelation Function for Data

(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

Gambar 2.
Diagram ACF Jumlah Pengangguran Wanita Usia 16 - 19 Tahun
di Amerika Serikat (Januari 1961 Desember 1985)

60

Autocorrelation Function: Data

Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

ACF
T
0,941653 16,31
0,934220
9,72
0,926315
7,55
0,916806
6,36
0,904277
5,57
0,910759
5,10
0,898566
4,65
0,892387
4,32
0,879184
4,01
0,874211
3,79
0,859710
3,56
0,845720
3,36
0,841193
3,23
0,826081
3,06
0,817048
2,94
0,801558
2,80
0,801220
2,73
0,785949
2,62
0,774564
2,52
0,761672
2,43
0,753475
2,36
0,737724
2,27
0,739334
2,23
0,719714
2,14
0,714792
2,09
0,704769
2,03
0,695232
1,98
0,685625
1,93
0,682230
1,89
0,671980
1,84
0,661301
1,79

LBQ
268,68
534,03
795,78
1053,05
1304,19
1559,80
1809,47
2056,56
2297,21
2535,97
2767,68
2992,68
3216,06
3432,23
3644,45
3849,41
4054,93
4253,39
4446,82
4634,54
4818,90
4996,27
5175,05
5345,09
5513,41
5677,65
5838,06
5994,64
6150,24
6301,76
6449,05

Lag
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

ACF
0,652453
0,638961
0,635171
0,629339
0,617646
0,610586
0,606395
0,590959
0,588473
0,583395
0,574105
0,558245
0,550455
0,541105
0,532442
0,522562
0,518427
0,513722
0,505083
0,504744
0,494727
0,488675
0,478778
0,469380
0,461015
0,455337
0,445927
0,436979
0,425176
0,416531
0,402224

T
1,75
1,70
1,67
1,64
1,60
1,56
1,54
1,49
1,47
1,45
1,42
1,37
1,34
1,31
1,28
1,25
1,24
1,22
1,19
1,19
1,16
1,14
1,11
1,08
1,06
1,04
1,02
0,99
0,96
0,94
0,91

LBQ
6592,96
6731,50
6868,91
7004,32
7135,24
7263,67
7390,83
7512,06
7632,73
7751,79
7867,53
7977,39
8084,62
8188,65
8289,77
8387,56
8484,19
8579,45
8671,90
8764,60
8854,01
8941,60
9026,03
9107,50
9186,42
9263,72
9338,16
9409,95
9478,19
9543,96
9605,55

Berdasarkan diagram ACF pada Gambar 2. terlihat bahwa nilai autokorelasi cenderung turun
lambat atau turun secara linear dan grafik autokorelasi berbeda secara signifikan dari nol dan
mengecil secara perlahan berangsur-angsur turun menuju ke nol. Dengan kata lain, nilai
autokorelasi pada suatu lag relative tidak jauh berbeda dengan lag sebelumnya. Nilai
autokorelasi pada lag 1 adalah 0,941653, autokorelasi pada lag 2 adalah 0,934220, dan lag 3
adalah 0,926315, begitu seterusnya pada lag-lag selanjutnya sehingga dapat disimpulkan bahwa
data belum stasioner dalam rata-rata dan memiliki pola trend.

 FAKP dari Data

Klik StatTime SeriesPartial Autocorrelation select C1 Datapilih Default number of laglalu

OK, maka akan tampil Gambar 3. seperti berikut;
Partial Autocorrelation Function for Data

(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

Gambar 3.
Diagram PACF Jumlah Pengangguran Wanita Usia 16 -. 19 Tahun
di Amerika Serikat (Januari 1961 Desember 1985)

Partial Autocorrelation Function: Data

Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

PACF
0,941653
0,419364
0,220933
0,103491
0,011595
0,195284
0,007738
0,010175
-0,077103
0,009289
-0,051417
-0,106122
0,033636
-0,076958
0,012242
-0,091731
0,109452
-0,012933
-0,039873
-0,025437
0,001616
0,007929
0,092205
-0,080978
0,031242
0,020960
-0,002645
0,016831
0,048815
0,010727
-0,050489

T
16,31
7,26
3,83
1,79
0,20
3,38
0,13
0,18
-1,34
0,16
-0,89
-1,84
0,58
-1,33
0,21
-1,59
1,90
-0,22
-0,69
-0,44
0,03
0,14
1,60
-1,40
0,54
0,36
-0,05
0,29
0,85
0,19
-0,87

Lag
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

PACF
-0,011768
-0,067110
0,058893
0,037748
-0,081691
0,028837
0,020214
-0,029924
0,008263
0,055892
-0,010708
-0,113514
-0,047573
0,013954
0,000795
-0,028096
0,001818
0,095346
0,038048
0,089627
-0,050288
0,039552
-0,020745
-0,104970
0,016588
-0,021147
-0,045564
-0,088662
-0,056079
0,001008
-0,042949

T
-0,20
-1,16
1,02
0,65
-1,41
0,50
0,35
-0,52
0,14
0,97
-0,19
-1,97
-0,82
0,24
0,01
-0,49
0,03
1,65
0,66
1,55
-0,87
0,69
-0,36
-1,82
0,29
-0,37
-0,79
-1,54
-0,97
0,02
-0,74

Adapun untuk diagram PACF pada Gambar 3 terlihat bahwa terdapat beberapa nilai lag yang
berada di luar garis signifikansi dan cenderung turun secara linear sehingga berdasarkan diagram
PACF tersebut dapat disimpulkan bahwa data belum stasioner dalam rata-rata.

Model untuk Data NonStasioner

Model ARIMA merupakan bentuk model untuk runtun waktu nonstasioner. Biasanya,

runtun waktu nonstasioner disebabkan karena runtun waktu mempunyai rata-rata yang tidak
tetap. Adapun runtun waktu nonstasioner homogen adalah runtun waktu yang walaupun bergerak
bebas pada suatu lokasi tetapi gerakannya pada lokasi lain pada dasarnya sama. Runtun waktu ini
ditandai oleh suatu runtun waktu di mana selisih data yang berurutannya adalah stasioner.

Karena diperoleh bahwa data belum stasioner maka data tidak dapat langsung digunakan
untuk mendapatkan model ARIMA terbaik, tetapi terlebih dahulu data tersebut distasionerkan.
Salah satu cara yang dapat dilakukan untuk menstasionerkan data yang tidak stasioner dalam
rata-rata yaitu dengan menggunakan metode differencing (pembedaan).
Misalkan runtun waktu stasioner wt ARMA (p, q)
dan misalkan data para wt diperoleh dari selisih data para zt yang tidak
stasioner (data mentah). Karena

, maka persamaan
dapat

ditulis

sebagai

Persamaan

terakhir inilah yang disebut dengan persamaan differensi.

Dari bentuk

, diperoleh

, ... sehingga

Ini berarti bahwa zt dapat dinyatakan sebagai jumlah (integrasi) para wt. Akibatnya,
persamaan differensi disebut auto regresive integrated moving average (ARIMA (p, 1, q)). Jika
d menyatakan banyaknya penyelisihan yang dilakukan sampai runtun waktu menjadi stasioner,
maka runtun waktu nonstasioner dinyatakan dengan ARIMA (p, d, q). Artinya, runtun waktu
tersebut akan stasioner menjadi ARMA (p, q) setelah diselisihkan d kali.
Metode differencing adalah membentuk suatu data yang diperoleh dengan cara
mengurangi nilai pengamatan pada waktu t dengan nilai pengamatan pada waktu sebelumnya.
Jika hasil differencing tersebut disimbolkan dengan Wt maka secara umum differencing orde 1
dapat dituliskan sebagai berikut :

Sehingga diperoleh nilai

untuk data pada Data penggangguran yang dibentuk seperti

pada tabel differencing = 1 , Setelah dilakukan proses differencing, maka data yang sudah
ditransformasi diplot kembali. Jika hasil plot menunjukkan data masih belum stasioner maka
dilakukan kembali proses differencing hingga hasil plot menunjukkan stasioner.
Secara umum operasi differencing yang menghasilkan suatu proses baru yang stasioner, yaitu
adalah
(

Apabila kondisi stasioner baik dalam rata-rata mapun dalam variansi sudah dipenuhi,
langkah selanjutnya adalah membuat diagram autokorelasi dan parsial autokorelasi. Dibawah ini
adalah proses differencing orde 1;
differencing=1

Klik StatTime SeriesDifference select C1 Dataselect C2 d=1 isi lag =1 untuk

difference=1 lalu OK, maka akan tampil Tabel difference = 1 seperti berikut;

 Tabel Differencing , d=1

Jan 1961
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1962
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1963
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1964
Feb
Mar
Apr
Mei
Jun

375
384
383
326
344
375
419
424
429
399
376
288
360
376
360
381
543
301
333
339
316
352
678
360
388
398
377
383
449
415
429
369
414
462
447
403
409
390
380
438
431
426

*
9
-1
-57
18
31
44
5
5
-30
-23
-88
72
16
-16
21
162
-242
32
6
-23
36
326
-318
28
10
-21
6
66
-34
14
-60
45
48
-15
-44
6
-19
-10
58
-7
-5

Jul
Agu
Sep
Okt
Nov
Des
Jan 1965
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1966
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1967
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des

348
394
396
451
384
491
466
454
442
475
401
406
385
380
422
397
430
433
421
374
401
451
465
456
469
466
412
427
414
384
328
395
381
360
383
383
403
425
422
414
382
390

-78
46
2
55
-67
107
-25
-12
-12
33
-74
5
-21
-5
42
-25
33
3
-12
-47
27
50
14
-9
13
-3
-54
15
-13
-30
-56
67
-14
-21
23
0
20
22
-3
-8
-32
8

Jan 1968
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1969
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1970
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1971
Feb
Mar
Apr
Mei
Jun

320
412
437
421
450
442
450
412
422
372
375
392
356
392
426
442
426
406
392
426
445
464
379
409
497
459
513
549
447
445
432
514
565
557
601
582
587
560
590
556
582
527

-70
92
25
-16
29
-8
8
-38
10
-50
3
17
-36
36
34
16
-16
-20
-14
34
19
19
-85
30
88
-38
54
36
-102
-2
-13
82
51
-8
44
-19
5
-27
30
-34
26
-55

Jul
Agu
Sep
Okt
Nov
Des
Jan 1972
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1973
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1974
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des

585
556
574
556
582
583
644
620
618
623
546
568
595
605
598
592
558
595
549
637
568
605
594
567
545
545
592
576
593
603
631
614
617
546
632
673
732
593
693
730
731
733

58
-29
18
-18
26
1
61
-24
-2
5
-77
22
27
10
-7
-6
-34
37
-46
88
-69
37
-11
-27
-22
0
47
-16
17
10
28
-17
3
-71
86
41
59
-139
100
37
1
2

Jan 1975
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1976
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1977
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1978
Feb
Mar
Apr
Mei
Jun

802
755
805
751
855
769
800
825
799
802
765
827
760
781
769
766
752
751
761
873
750
758
772
791
813
781
797
802
782
838
756
764
796
781
780
679
748
759
749
756
802
754

69
-47
50
-54
104
-86
31
25
-26
3
-37
62
-67
21
-12
-3
-14
-1
10
112
-123
8
14
19
22
-32
16
5
-20
56
-82
8
32
-15
-1
-101
69
11
-10
7
46
-48

Jul
Agu
Sep
Okt
Nov
Des
Jan 1979
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1980
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1981
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des

792
772
769
731
746
741
712
723
698
746
754
735
722
737
728
773
723
741
738
765
748
707
808
746
773
751
721
731
735
701
762
783
796
803
506
765
781
768
812
854
858
818

38
-20
-3
-38
15
-5
-29
11
-25
48
8
-19
-13
15
-9
45
-50
18
-3
27
-17
-41
101
-62
27
-22
-30
10
4
-34
61
21
13
7
-297
259
16
-13
44
42
4
-40

Jan 1982
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1983
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des

856
897
817
872
895
825
922
915
902
908
911
919
861
827
855
867
836
916
828
835
792
771
757
756

38
41
-80
55
23
-70
97
-7
-13
6
3
8
-58
-34
28
12
-31
80
-88
7
-43
-21
-14
-1

Jan 1984
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
Jan 1985
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des

712
733
746
728
707
666
636
676
696
654
613
677
705
680
699
650
687
638
670
555
631
676
659
689

-44
21
13
-18
-21
-41
-30
40
20
-42
-41
64
28
-25
19
-49
37
-49
32
-115
76
45
-17
30

Setelah di dapatkan tabel difference =1 , selanjutnya yaitu uji kestasioneran dengan cara
menplot data yang telah di difference =1
Plot d=1

Klik StatTime Series Time Series Plot Pilih Simpleselect C2 d=1 lalu OK, maka
akan tampil Gambar 4 seperti berikut;
Time Series Plot of Data "differncing=1"
400
300
200

Data

100
0
-100
-200
-300
-400
1

30

60

90

120

150
Index

180

210

240

270

300

Gambar 4.
Diagram Deret Waktu untuk Jumlah Pengangguran Wanita Usia 16 s.d. 19 Tahun di Amerika Serikat
(Januari 1961 Desember 1985) hasil differencing d = 1

Pada Gambar 4. di atas data penggangguran Wanita telah dilakukan proses differencing sebesar
1. Dari grafik sequence di atas terlihat bahwa grafik tidak menunjukkan trend dan bergerak di
sekitar rata-rata. Dengan demikian, dapat dikatakan bahwa data tersebut sudah stasioner,
sehingga kita dapat menggunakan data tersebut untuk membentuk model ARIMA. Adapun untuk
menentukan model ARIMA yaitu dengan melihat fungsi Autokorelasi dan Parsial Autokorelasi.

Identifikasi Model ARIMA

Apabila data sudah stasioner maka asumsi metode ARIMA telah terpenuhi. Langkah selanjutnya
adalah membuat plot ACF (autocorrelation function) dan PACF (partial autocorrelation
function) untuk mengindentifkasi model ARIMA yang cocok untuk digunakan. Di bawah ini
adalah gambar plot ACF dan PACF;
Fak d=1

Klik StatTime Series Autocorelation select C2 d=1 lalu OK, maka akan tampil
Gambar 5. seperti berikut;

Autocorrelation Function for d=1

(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

Gambar 5.
Diagram ACF Jumlah Pengangguran Wanita Usia 16 s.d. 19 Tahun
di Amerika Serikat (Januari 1961 Desember 1985) hasil differencing d = 1

Autocorrelation Function: d=1

Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

ACF
-0,451445
0,005753
0,000065
0,017825
-0,165982
0,192035
-0,063384
0,071177
-0,090647
0,086879
-0,030580
-0,059353
0,101261
-0,063640
0,053947
-0,092741
0,074498
-0,021384
0,001618
-0,044286
0,068472
-0,070719
0,116488
-0,130326
0,064760
-0,038965
0,008574
-0,049715
0,060134
-0,000940
-0,019037

T
-7,81
0,08
0,00
0,26
-2,42
2,74
-0,88
0,99
-1,26
1,20
-0,42
-0,81
1,39
-0,87
0,73
-1,26
1,00
-0,29
0,02
-0,59
0,92
-0,95
1,55
-1,72
0,85
-0,51
0,11
-0,65
0,78
-0,01
-0,25

LBQ
61,55
61,56
61,56
61,66
70,09
81,42
82,66
84,22
86,77
89,12
89,42
90,52
93,75
95,03
95,95
98,68
100,46
100,60
100,60
101,24
102,75
104,38
108,80
114,36
115,74
116,24
116,26
117,08
118,29
118,29
118,41

Lag
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

ACF
0,042185
-0,070664
0,005959
0,051907
-0,057762
-0,017350
0,090901
-0,105238
0,020774
0,034784
0,049158
-0,067995
0,018792
0,006313
-0,004975
-0,022799
0,007818
0,004915
-0,071016
0,102188
-0,031199
0,006738
0,005019
0,012029
-0,044454
0,023755
0,008308
0,029670
-0,020888
0,021409
-0,055128

T
0,55
-0,92
0,08
0,67
-0,75
-0,22
1,17
-1,35
0,27
0,44
0,63
-0,87
0,24
0,08
-0,06
-0,29
0,10
0,06
-0,90
1,29
-0,39
0,08
0,06
0,15
-0,56
0,30
0,10
0,37
-0,26
0,27
-0,69

LBQ
119,01
120,70
120,71
121,63
122,77
122,88
125,73
129,56
129,71
130,13
130,98
132,60
132,73
132,74
132,75
132,94
132,96
132,97
134,79
138,58
138,93
138,95
138,96
139,01
139,75
139,96
139,98
140,31
140,48
140,65
141,80

 Fakp d=1

Klik StatTime Series Partial Autocorelation select C2 d=1 lalu OK, maka akan tampil
Gambar 6. seperti berikut;
autocorelation partial for differencing
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

Gambar 6.
Diagram PACF Jumlah Pengangguran Wanita Usia 16 -. 19 Tahun
di Amerika Serikat (Januari 1961 Desember 1985) hasil differencing d = 1

Partial Autocorrelation Function: d=1

Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

PACF
-0,451445
-0,248744
-0,145911
-0,063065
-0,250661
-0,024207
-0,019832
0,085074
-0,020738
0,047336
0,088004
-0,037893
0,096190
-0,014846
0,091959
-0,074117
-0,008346
0,020655
-0,022068
-0,047981
-0,046519
-0,021189
0,079727
-0,054374
-0,019034
-0,032057
-0,021214
-0,093135
-0,058230
0,016562
-0,034830
0,054712

T
-7,81
-4,30
-2,52
-1,09
-4,33
-0,42
-0,34
1,47
-0,36
0,82
1,52
-0,66
1,66
-0,26
1,59
-1,28
-0,14
0,36
-0,38
-0,83
-0,80
-0,37
1,38
-0,94
-0,33
-0,55
-0,37
-1,61
-1,01
0,29
-0,60
0,95

Lag
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

PACF
-0,065622
-0,016724
0,059822
-0,058117
-0,040154
0,014217
-0,027114
-0,086299
-0,013914
0,096453
0,033000
-0,008918
0,007187
0,059042
0,035396
-0,074830
-0,021969
-0,122289
0,020548
-0,050944
-0,028033
0,056750
-0,007417
0,027956
-0,008421
0,076764
0,065602
0,030034
0,050773
-0,027795

T
-1,13
-0,29
1,03
-1,00
-0,69
0,25
-0,47
-1,49
-0,24
1,67
0,57
-0,15
0,12
1,02
0,61
-1,29
-0,38
-2,11
0,36
-0,88
-0,48
0,98
-0,13
0,48
-0,15
1,33
1,13
0,52
0,88
-0,48

Secara umum, ciri teoretik proses AR (p) terdiri dari :

Fak turun secara eksponensial menuju nol.

Fakp terputus setelah lag ke-p.

Secara umum, ciri teoretik proses MA (q) terdiri dari :

Fakp turun secara eksponensial menuju nol.

Fak teputus setelah lag ke-q.

Dari diagram deret waktu hasil differencing pada Gambar 4, terlihat bahwa data berfluktuasi di
sekitar rata-rata yang konstan yang mana mengindikasikan bahwa data telah stasioner. Begitupun

dengan diagram ACF dan PACF dari hasil differencing d = 1 pada Gambar 5 dan Gambar 6
menunjukkan bahwa data telah stasioner. Oleh karena itu, data tersebut sudah dapat digunakan
untuk pembentukan model ARIMA. Berdasarkan diagram Autokorelasi (ACF) terlihat bahwa
nilai autokorelasi cut off setelah lag 1 dan dies down pada PACF sehingga dugaan model
pertama MA(1) yaitu ARIMA (0,1,1). Sedangkan, untuk model kedua yaitu AR(3) atau
ARIMA(3,1,0) yang mana pada PACF, nilai autokorelasi parsial signifikan pada lag 1, lag 2 dan
lag 3 atau terputus setelah lag ke-3. Jadi, dugaan awal model yang sesuai untuk data itu adalah
ARIMA(0,1,1) , ARIMA(3,1,0) atau gabungan dari keduanya yaitu ARIMA(3,1,1). Walaupun
tidak menutup kemungkinan terdapat model ARIMA lain yang terbentuk. Didapatkan modelmodel ARIMA yang mungkin adalah sebagai berikut :
o Model 1 : ARIMA (3,1,0)
o Model 2 : ARIMA (3,1,1)
o Model 3 : ARIMA (0,1,1)
yang selanjutnya kita melakukan pemilihan model terbaik, diamana sebelum melakukan
pemilihan model terbaik terlebih dahulu kita menguji diagnostik .
2.2 Uji Diagnostik
Uji diagnostik dapat dibagi dalam dua bagian, yaitu uji kesignifikanan parameter dan uji
kesesuaian model yang meliputi uji asumsi white noise dan distribusi normal. Pengujian kesignifikanan
parameter dengan uji t, pengujian tentang asumsi residual (sisa), pengujian white noise dengan uji Ljung
Box, sedangkan pengujian residual berdistribusi normal dengan uji Kolmogorov Smirnov.

2.2.1. Uji Estimasi Parameter dan Uji White Noise

Model 1 ARIMA (3,1,0)

ARIMA Model: Data

Estimates at each iteration

Iteration
0
1
2
3
4
5
6
7

SSE
1062444
925849
821967
750815
712398
704999
704980
704980

Parameters
0,100
0,100
0,008
0,047
-0,084 -0,005
-0,177 -0,058
-0,269 -0,111
-0,329 -0,145
-0,332 -0,147
-0,332 -0,147

0,100
-0,050
-0,200
-0,350
-0,500
-0,596
-0,601
-0,601

0,805
1,042
1,313
1,597
1,888
2,081
2,093
2,094

Relative change in each estimate less than 0,0010

Final Estimates of Parameters
Type
AR
1
AR
2
AR
3
Constant

Coef
-0,6009
-0,3319
-0,1472
2,094

SE Coef
0,0576
0,0646
0,0577
2,827

T
-10,43
-5,14
-2,55
0,74

P
0,000
0,000
0,011
0,460

Differencing: 1 regular difference

Number of observations: Original series 300, after differencing 299
Residuals:
SS = 704956 (backforecasts excluded)
MS = 2390 DF = 295

o Uji Estimasi Parameter

Hasil output di atas terlihat bahwa :

Hipotesis

(Parameter AR tidak cukup signifikan dalam model)

(Parameter AR cukup signifikan dalam model)

Statistik Uji

Daerah penolakan
jika ||

Tolak

()

= banyaknya parameter (

dengan menggunakan nilai-p (p-value), yakni tolak

atau

jika nilai-p < (0,05)

a. Nilai koefisien AR(1) sebesar -0.6009, nilai statistik t-nya sudah signifikan karena
|

berarti tolak

, atau menguji dengan nilai probabilitas yang

mendekati nol atau lebih kecil dari = 0.05.

b. Nilai koefisien AR(2) sebesar -0.3319, nilai statistik t-nya sudah signifikan karena
|

berarti tolak

, atau menguji dengan nilai probabilitas yang mendekati

nol atau lebih kecil dari = 0.05.

c. Nilai koefisien AR(3) sebesar -0.1472, nilai statistik t-nya sudah signifikan karena
|

berarti tolak

, atau menguji dengan nilai probabilitas yang mendekati

nol atau lebih kecil dari = 0.05.

Berdasarkan analisa di atas diketahui parameter AR(1), AR(2) dan parameter AR(3) adalah
signifikan dalam model. Maka model ARIMA (3,1,0) layak untuk digunakan pada model yang
mungkin.
o Uji White Noise
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
26,4
8
0,001

24
36,1
20
0,015

36
43,6
32
0,084

48
51,6
44
0,202

Hasil output terlihat bahwa ;

Hipotesis

, j = 0,1,2,...,k

Statistik Uji: Ljung-Box satistic

(

Lag (K)

Df (K-m)

12

12 4 = 8

26,4

15,5073

0,001

24

24 4 = 20

36,1

31,4104

0,015

36

36 4 = 32

43,6

46,1942

0,084

48

48 4 = 44

51,6

60,4809

0,202

Statistik Ljung-Box(

p-value

Pada uji Ljung Box p-value untuk time lag 12 dimana

time lag 24

, yang artinya tolak

, dan
, berarti ada korelasi antara sisa

pada lag t sampai pada lag 12 dan lag 24, atau bisa dilihat dari nilai p-value dimana p-value lag
12 dan lag 24 memiliki p-value lebih kecil dari = 0.05. Sedangkan time lag 36 dimana
, dan time lag 48

, yang artinya terima

berarti tidak ada korelasi antara sisa pada lag t sampai pada lag 36 dan lag 48, atau bisa dilihat
dari nilai untuk p-value untuk time lag 36 dan time lag 48 adalah lebih besar dari = 0,05.
Karena p-value untuk time lag 36 dan time lag 48 lebih besar dari = 0,05 dapat disimpulkan

bahwa sisaan memenuhi syarat white noise yaitu sisaannya saling bebas satu sama lain walaupun
time lag 12 dan time lag 24 lebih kecil dari = 0,05. karena untuk melakukan peramalan harus
memenuhi nilai kebaikan dari hasil uji test Ljung-Box, maka model ARIMA (3,1,0) layak untuk
dipake acuan pada tahap peramalan.
Model 2 ARIMA (3,1,1)

ARIMA Model: Data

Estimates at each iteration
Iteration
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

SSE
974433
916539
874432
834014
782844
771726
764530
756328
740762
708445
702930
700838
700832
700832
700828
700828
700825
700825
700822
700822
700819
700817
700815
700814
700813
700812

0,100
-0,050
-0,200
-0,350
-0,500
-0,650
-0,800
-0,950
-1,100
-1,078
-1,228
-1,255
-1,280
-1,256
-1,279
-1,258
-1,278
-1,259
-1,277
-1,259
-1,277
-1,261
-1,275
-1,263
-1,274
-1,264

Parameters
0,100
0,100
0,100
0,055
0,078
0,019
0,006
0,055 -0,074
-0,055
0,026 -0,162
-0,149 -0,023 -0,219
-0,206 -0,046 -0,346
-0,263 -0,068 -0,481
-0,325 -0,091 -0,615
-0,410 -0,128 -0,731
-0,547 -0,218 -0,581
-0,638 -0,257 -0,701
-0,690 -0,286 -0,681
-0,704 -0,290 -0,706
-0,692 -0,288 -0,680
-0,703 -0,290 -0,705
-0,693 -0,288 -0,682
-0,703 -0,290 -0,704
-0,693 -0,288 -0,683
-0,702 -0,290 -0,703
-0,694 -0,288 -0,684
-0,702 -0,290 -0,702
-0,695 -0,289 -0,686
-0,701 -0,290 -0,700
-0,695 -0,289 -0,687
-0,701 -0,290 -0,699
-0,696 -0,289 -0,688

0,805
0,998
1,206
1,436
1,714
1,947
2,179
2,420
2,696
2,896
3,184
3,292
3,338
3,298
3,336
3,300
3,335
3,302
3,333
3,303
3,332
3,307
3,329
3,309
3,327
3,311

** Convergence criterion not met after 25 iterations **

Final Estimates of Parameters

Type
AR
1
AR
2
AR
3
MA
1
Constant

Coef
-1,2639
-0,6958
-0,2889
-0,6883
3,311

SE Coef
0,1903
0,1231
0,0592
0,1944
4,767

T
-6,64
-5,65
-4,88
-3,54
0,69

P
0,000
0,000
0,000
0,000
0,488

Differencing: 1 regular difference

Number of observations: Original series 300, after differencing 299
Residuals:
SS = 700751 (backforecasts excluded)
MS = 2384 DF = 294
o

Uji Estimasi Parameter

Hasil output di atas terlihat bahwa :

Hipotesis

(Parameter AR dan MA tidak cukup signifikan dalam model)

(Parameter AR dan MA cukup signifikan dalam model)

Statistik Uji

Daerah penolakan
jika ||

Tolak

()

= banyaknya parameter (

dengan menggunakan nilai-p (p-value), yakni tolak

atau

jika nilai-p < (0,05)

a. Nilai koefisien AR(1) sebesar -1,2639, nilai statistik t-nya sudah signifikan karena
|

berarti tolak

, atau menguji dengan nilai probabilitas yang mendekati

nol atau lebih kecil dari = 0.05.

b. Nilai koefisien AR(2) sebesar -0.6958, nilai statistik t-nya sudah signifikan karena
|

berarti tolak

, atau menguji dengan nilai probabilitas yang mendekati

nol atau lebih kecil dari = 0.05.

c. Nilai koefisien AR(3) sebesar -0.2889, nilai statistik t-nya sudah signifikan karena
|

berarti tolak

, atau menguji dengan nilai probabilitas yang mendekati

nol atau lebih kecil dari = 0.05.

d. Nilai koefisien MA(1) sebesar -0.6883, nilai statistik t-nya sudah signifikan karena
|

berarti tolak

, atau menguji dengan nilai probabilitas yang mendekati

nol atau lebih kecil dari = 0.05.

Berdasarkan analisa di atas diketahui parameter AR(1), AR(2), AR(3) dan parameter MA(1)
adalah signifikan dalam model. Maka model ARIMA (3,1,1) layak untuk digunakan pada model
yang mungkin.
o Uji White Noise
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
25,5
7
0,001

24
36,4
19
0,009

36
43,3
31
0,070

48
51,2
43
0,182

Hasil output terlihat bahwa ;

Hipotesis

, j = 0,1,2,...,k

Statistik Uji: Ljung-Box satistic

(

Lag (K)

Df (K-m)

12

12 5 = 7

25,5

14,0671

0,001

24

24 5 = 19

36,4

30,1435

0,009

36

36 5 = 31

43,3

44,9853

0,070

48

48 5 = 43

51,2

59,3035

0,182

Statistik Ljung-Box(

Pada uji Ljung Box p-value untuk time lag 12 dimana

time lag 24

p-value

, yang artinya tolak

,07, dan

, berarti ada korelasi antara sisa

pada lag t sampai pada lag 12 dan lag 24, atau bisa dilihat dari nilai p-value dimana p-value lag
12 dan lag 24 memiliki p-value adalah lebih kecil dari = 0.05 sedangkan time lag 36 dimana
, dan time lag 48

, yang artinya terima

, berarti tidak ada korelasi antara sisa pada lag t sampai pada lag 36 dan lag 48, atau bisa
dilihat dari nilai untuk p-value untuk p-value time lag 36 dan time lag 48 adalah lebih besar dari
= 0,05. Karena p-value untuk time lag 36 dan time lag 48 lebih besar dari = 0,05 dapat
disimpulkan bahwa sisaan memenuhi syarat white noise yaitu sisaannya saling bebas satu sama
lain walaupun time lag 12 dan time lag 24 lebih kecil dari = 0,05. karena untuk melakukan

peramalan harus memenuhi nilai kebaikan dari hasil uji test Ljung-Box, maka model ARIMA
(3,1,1) untuk dipake acuan pada tahap peramalan.
Model 5 ARIMA (0,1,1)

ARIMA Model: Data

Estimates at each iteration
Iteration
0
1
2
3
4
5
6

SSE
886308
797297
734569
695304
686082
686081
686081

Parameters
0,100 1,150
0,250 1,079
0,400 1,028
0,550 0,991
0,647 0,977
0,646 0,981
0,646 0,981

Relative change in each estimate less than 0,0010

Final Estimates of Parameters
Type
MA
1
Constant

Coef
0,6459
0,9810

SE Coef
0,0443
0,9865

T
14,59
0,99

P
0,000
0,321

Differencing: 1 regular difference

Number of observations: Original series 300, after differencing 299
Residuals:
SS = 686074 (backforecasts excluded)
MS = 2310 DF = 297

o Uji Estimasi Parameter

Hasil output di atas terlihat bahwa :

Hipotesis

(Parameter MA tidak cukup signifikan dalam model)

(Parameter MA cukup signifikan dalam model)

Statistik Uji

Daerah penolakan
jika ||

Tolak

()

= banyaknya parameter (

dengan menggunakan nilai-p (p-value), yakni tolak

atau

jika nilai-p < (0,05)

a. Nilai koefisien MA(1) sebesar 0.6459, nilai statistik t-nya sudah signifikan karena
|

berarti tolak

, atau menguji dengan nilai probabilitas yang mendekati

nol atau lebih kecil dari = 0.05.

Berdasarkan analisa di atas diketahui parameter MA(1) adalah signifikan dalam model. Maka
model ARIMA (0,1,1) layak untuk digunakan pada model yang mungkin.
o Uji White Noise
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
17,9
10
0,056

24
28,3
22
0,166

36
36,1
34
0,369

48
44,3
46
0,543

Hasil output terlihat bahwa ;

Hipotesis

, j = 0,1,2,...,k

Statistik Uji: Ljung-Box satistic

(

Lag (K)

Df (K-m)

12

12 2 = 7

17,9

14,0671

0,056

24

24 2 = 22

28,3

33,9245

0,166

36

36 2 = 34

36,1

48,6024

0,369

48

48 2 = 46

44,3

62,8296

0,543

Statistik Ljung-Box(

p-value

Pada uji Ljung Box p-value terlihat bahwa nilai p-value untuk time lag 12 dimana
,07, time lag 24 dimana

dimana

, time lag 36

, dan time lag 48 dimana

, berarti ada korelasi antara sisa pada lag t sampai pada lag 12 , lag 24, lag 36

yang artinya tolak

dan lag 48, atau bisa dilihat dari nilai p-value dimana p-value lag 12, lag 24, lag 36, dan lag 48
memiliki p-value lebih besar dari = 0,05, dapat disimpulkan bahwa sisaan memenuhi syarat
white noise yaitu sisaannya saling bebas satu sama lain. karena untuk melakukan peramalan
harus memenuhi nilai kebaikan dari hasil uji test Ljung-Box. Berdasarkan analisa data diatas
dapat disimpulkan bahwa model ARIMA (0,1,1) memenuhi asumsi indenpendensi, sehingga
model ARIMA (0,1,1) layak untuk dipake acuan pada tahap peramalan.
2.2.2. Uji Residual
Uji normalitas residu dilakukan untuk mengetahui apakah galat berdistribusi normal atau tidak.
Pengujian dapat dilakukan dengan analisis grafik normal probability plot. Jika residu berada
disekitar garis diagonal maka galat berdistribusi normal. Sebaliknya, jika residu tidak
berdistribusi normal, maka residu akan menyebar.
Model ARIMA (3,1,0)
Probability Plot of RESI(3,1,0)
Normal

99,9

Mean
StDev
N
KS
P-Value

99
95

Percent

90
80
70
60
50
40
30
20
10
5
1
0,1

-300

-200

-100

0
100
RESI(3,1,0)

200

300

400

0,005168
48,65
299
0,065
<0,010

 Model ARIMA (3,1,1)

Probability Plot of RESI(3,1,1)
Normal

99,9

Mean
StDev
N
KS
P-Value

99
95

Percent

90

0,009395
48,51
299
0,055
0,034

80
70
60
50
40
30
20
10
5
1
0,1

-300

-200

-100

0
100
RESI(3,1,1)

200

300

400

Model ARIMA (0,1,1)

Probability Plot of RESI(0,1,1)
Normal

99,9

Mean
StDev
N
KS
P-Value

99
95

Percent

90
80
70
60
50
40
30
20
10
5
1
0,1

-300

-200

-100

0
100
RESI(0,1,1)

200

300

400

-0,008984
47,98
299
0,067
<0,010

2.3. Pemilihan Model Terbaik

Setelah melakukan estimasi parameter untuk masing-masing model, maka dapat melakukan
pemilihan model terbaik dari semua kemungkinan model dengan cara melihat ukuran-ukuran
standar ketepatan peramalan. Untuk memilih model terbaik, dapat dilakukan dengan
membandingkan nilai Mean Square Error (MSE). Mean Square Error adalah suatu kriteria
pemilihan model terbaik berdasarkan pada hasil sisa peramalannya. Semakin kecil nilai Mean
Square Error yang dihasilkan berarti model yang dipilih semakin baik.
Model

Mean Square

ARIMA(3,1,0)

2390

ARIMA(3,1,1)

2384

ARIMA(0,1,1)

2310

Dari tabel dapat disimpulkan bahwa model ARIMA (0,1,1) yang mana mempunyai nilai MSE
terkecil dan pada model ARIMA (0,1,1), terlihat angka p-value untuk koefisien regresi MA (1) =
(0,000), dimana itu di bawah angka = 0.05. Hal ini menunjukan model (regresi) di atas dapat
digunakan untuk prediksi serta asumsi-asumsi yang mendukung dari uji Ljung-Box dan uji
asumsi residual yang bersifat random, dapat dikatakan bahwa model tersebut merupakan
model terbaik yang akan digunakan untuk peramalan.
Sehingga secara matematis, model ARIMA(0,1,1) atau model IMA(1) dapat dituliskan dalam
bentuk sebagai berikut;

Ket:

Data Pengangguran pada pengamatan ke-t

Sisa pada pengamatan ke-t
konstanta

2.4. Peramalan (forecasting)

Tujuan dalam analisis time series adalah untuk meramalkan nilai masa depan (Wei, 2006: 88).
Tujuan peramalan adalah untuk menghasilkan ramalan optimum yang tidak memiliki galat atau
sebisa mungkin galat yang kecil yang mengacu pada Mean Square Deviation (MSD) ramalannya.
Oleh karena itu, setiap model peramalan pasti mnghasilkan kesalahan. Jika tingkat kesalahan
yang dihasilkan semakin kecil, maka hasil peramalan akan semakin mendekati tepat. Setelah

semua tahap dilakukan dan diperoleh model, maka model ini selanjutnya dapat digunakan untuk
melakukan peramalan untuk data periode selanjutnya.

Klik StatTime Series ARIMA select Datamasukkan orde (p,d,q), karena model terbaik
yaitu(0,1,1)aktifkan includde constant lalu klik forecast, lalu kolom lead sesuai yang ingin
kita ramalkankemudian isi kolom origin sesuai banyaknya data (300) OK, maka akan tampil
seperti berikut
Forecasts from period 300
Period
301
302
303
304
305
306

Forecast
666,605
667,586
668,567
669,548
670,529
671,510

95% Limits
Lower
Upper
572,383 760,827
567,632 767,540
563,192 773,941
559,018 780,078
555,074 785,984
551,331 791,688

Actual

307
308
309
310
311
312

672,491
673,472
674,453
675,434
676,415
677,396

547,767
544,364
541,104
537,975
534,965
532,065

797,214
802,580
807,802
812,893
817,865
822,727

BAB III
PENUTUP
3.1. Kesimpulan
Dari proses diatas dengan metode ARIMA pada data Pengangguran Wanita Usia 16 - 19 Tahun
di Amerika Serikat (Januari 1961 Desember 1985) disimpulkan bahwa;
1) Model yang optimum untuk meramalkan Pengangguran Wanita Usia 16 - 19 Tahun untuk 1
tahun kemudian di Amerika Serikat periode(Januari 1986 Desember 1986) adalah

ARIMA(0,1,1), dimana modelnya;

2) Tingkat pengangguran yang paling tinggi terjadi pada bulan Desember, sedangkan
tingkat pengangguran yang paling rendah pada bulan Januari.
Period

Peramalan

301

666,605

302

667,586

303

668,567

304

669,548

305

670,529

306

671,510

307

672,491

308

673,472

309

674,453

310

675,434

311

676,415

312

677,396

DAFTAR PUSTAKA

E.Hanke,John,W. Wichern Dean. 2005. Business Forecasting. Pearson Education,Inc

Istiqomah. 2006. Aplikasi Model ARIMA Untuk Forecasting Produksi Gula pada PT.
Perkebunan Nusantara IX (Persero) [Skripsi]. Universitas Negeri Semarang: Semarang.

Soejoeti, Zanzawi. 1987. Analisis Runtun Waktu. Jakarta: Penerbit Kanunika Universitas
Terbuka.
Sukarna , Aswi.2006. Analisis Deret Waktu. Makassar: Andira Publisher.