Anda di halaman 1dari 5

Metode Box - Jenkins (ARIMA

)
Metode peramalan saat ini cukup banyak dengan berbagai kelebihan
masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan
jenis data time seriesnya. nah, dalam penentuan peramalan terbaik ini cukup
sulit. tapi salah satu tehnik peramalan paling sering digunakan adalah
ARIMA(autoregresif integreted moving average). ARIMA ini sering juga
disebut metode runtun waktu box-jenkins. Dalam pembahasan kali ini kita
akan sedikit membahas ARIMA.
Model ARIMA adalah model yang secara penuh mengabaikan independen
varibel dalam pembuatan peramalan. ARIMA menggunakan nilai masa lalu
dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka
pendek yang akurat. namun untuk peramalan jangka panjang ketepatan
peramalannya kurnag baik. Tujuan ARIMA adalah untuk menentukan
hubungan statistik yang baik antar variabel yang diramal dengan nilai
historis variabel tersebut sehingga peramalan dapat dilakukan dengan model
tersebut.
ARIMA digunakan untunk suatu variabel (univariate) deret waktu. untuk
mempermudah dalam menghitung model ARIMA dapat digunakan berbagai
aplikasi diantaranya EViews, Minitab, SPSS,dll.dalam pembahasan kali ini
menggunakan aplikai EViews 6.0.
Klasifikasi model ARIMA:

Model ARIMA dibagi dalam 3 unsur, yaitu: model autoregresif(AR), moving
average(MA), dan Integreted(I). ketiga unsur ini bisa dimodifikasi sehingga
membentuk model baru. misalnya model autoregresif dan moving average
(ARMA). namun, apabila mau dibuat dalam bentuk umumnya menjadi
ARIMA(p,d,q). p menyatakan ordo AR, d menyatakan ordo Integreted dan q
menyatakan ordo moving avirage. apabila modelnya menjadi AR maka
model umumnya menjadi ARIMA(1,0,0). untuk lebih jelasnya berikut
dijelaskan untuk masing-masing unsur.

Autoregresif
bentuk umum dari model autoregresif dengan ordo p (AR(p)) atau model
ARIMA(P,0,0) dinyatakan sebagai beikut:

Moving average bentuk umum dari model moving average dengan ordo q (MA(q)) atau model ARIMA(0.maksud dari autoregresif yaitu nilai X dipengaruhi oleh nilai x periode sebelumnya hingga periode ke-p. integreted disini adalah menyatakan difference dari data. .0. apabila data stasioner pada level maka ordonya sama dengan 0.d.0). dst. jadi yang berpengaruh disini adalah variabel itu sendiri. maksudnya bahwa dalam membuuat model ARIMA syarat keharusan yang harus dipenuhi adalah stasioneritas data.q) dinyatakan sebagai beriku: maksud dari moving average yaitu nilai variabel x dipengaruhi oleh error dari varibel x tersebut. Integreted bentuk umum dari model integreted dengan ordo d (I(d)) atau model ARIMA(0. namun apabila stasioner pada different pertama maka ordonya 1.

dan q. identifikasi model tentatif (sementara) Pendugaan parameter cek diagnostic forecasting 1. Sedangkan ‘d’ ditentukan dari tingkat stasioneritasnya. ACF disini mengukur korelasi antara pengamatan dengan lag ke-k sedangkan PACF merupakan pengukuran korelasi antara . sedangkan ARIMA musiman merupakan model ARIMA yang dipengaruhi oleh faktor waktu musim. model ini biasa disebut Season ARIMA(SARIMA). Adapun tahap-tahapan pembuatan model ARIMA: 1. bentuk umum dapat dinyatakan dalam persamaan berikut. 4. Identifikasi Pada tahap ini kita akan mencari atau menetukan p. yaitu model ARIMA tanpa musiman dan model ARIMA musiman. 2. 3. penentuan p dan q dengan bantuan korelogram autokorelasi(ACF) dan korelogram autokorelasi parsial(PACF).Model ARIMA dibagi dalam 2 bentuk. model ARIMA tanpa musiman merupakan model ARIMA yang tidak dipengaruhi oleh faktor waktu musim. d. bentuk umum dinyatakan sebagai berikut.

Untuk melihat model yang . atau dengan kata lain. Cek Diagnostik Setelah menduga parameter. Pendugaan parameter Pada tahap ini tidak akan dijelaskan secara teori bagaimana langkah-langkah menduga parameter. PACF adalah korelasi antara yt dan yt-k setelah menghilangkan efek yt yang terletak diatara kedua pengamatan tersebut. 3. EViews dan Minitab. langkah selajutnya adalah menguji model apakah modelnya sudah baik untuk digunakan. Mungkin teman-teman bisa mencari di referensi. Sekarang ini banyak sekali software yang digunakan untuk melakukan analisis ARIMA seperti SPSS. Sehingga diperlukanlah bantuan software-software. Dalam menduga parameter ini sangatlah susah kalau dikerjakan secara manual. 2.pengamatan dengan lag ke-k dan dengan mengontrol korelasi anttara dua pengamatan dengan lag kurang dari k.

SIC. Forecasting Setelah ketiga tahap itu dilewati maka dapat dilakukan peramalan. Salah satu cara untuk melihat white noise dapat diuji melalui korelogram ACF dan PACF dari residual. Selain itu dapat dilakukan dengan test Ljung. Apabila hipotesis awalnya diterima maka residual memenuhi syarat white noise. ini mengindikasikan residual white noise artinya modelnya sudah cocok. Lembaga Penelitian dan Pemberdayaan Masyarakat. maka modelnya dapat dikatakan baik dan sebaliknya. Sehingga langkah selanjutnya dengan memilih model terbaik dengan melihat beberapa indicator lain. R2adjusted 4. ekonometrika untuk analisis ekonomi dan keuangan.Box untuk mengetahui white noisenya. sehingga kita dapat menetukan kondisi di masa yang akan datang. seperti AIC. IPB. 2006. Peramlan ini sesungguhnya merupakan penjabaran dari persamaan berdasarkan koefisien-koefisien yang didapat. . Bila ACF dan PACF tidak signifikan. refrensi: Nachrowi Djalal Nachrowi dan Hardius Usman. Model Box jenkins ARIMA 2006.baik bisa dilihat dari residualnya. Sebaliknya jika hipotesis awalnya ditolak maka residual tidak white noise. Statistik uji Ljung-Box sebagai berikut: Dari hasi tersebut mungkin saja ada beberapa model yang baik digunakan. Jika residualnya white noise.