Anda di halaman 1dari 37

BAB 1

PENDAHULUAN
1.1 Latar Belakang
Statistika merupakan cabang dari ilmu matematika yang
bmengalami perkembangan sangat pesat. Tidak hanya dapat
digunakan dalam hal analisis, namun juga dapat digunakan
sebagai metode peramalan dan juga metode terbaik dalam
pengambilan sebuah keputusan. Untuk menjalankan fungsinya
tersebut, ilmu statistika memiliki berbagai macam metode dan
salah satunya adalah analisis deret waktu atau yang biasa disebut
Time Series.
Time series pada dasarnya 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. Selain itu
analisis time series bisa digunakan untuk peramalan data
beberapa periode ke depan yang sangat membantu dalam
menyusun perencanaan ke depan. Data time series terdapat
dalam berbagai bidang, misalnya bidang ekonomi misalnya data
penjualan setiap hari, keuntungan perusahaan dalam setiap tahun
dan total nilai ekspor dalam setiap bulan. Data time series pada
bidang fisika misalnya data curah hujan bulanan, temperatur
udara harian, gerak partikel, sedangkan pada bidang demografi
misalnya data pertumbuhan penduduk, mortalitas dan natalitas.
Selain itu, di bidang pengontrolan kualitas, data time series
misalnya data proses
pengontrolan
kualitas
produk,
pengontrolan proses produksi
Dalam berbagai persoalan mengenai Forecasting banyak
digunakan model yang disebut dengan metode Box-Jenkins atau
ARIMA (autoregressive integrated moving average). Metode
tersebut digunakan untuk mencari pola yang paling cocok dari
sekelompok data (curve fitting), dengan memanfaatkan

sepenuhnya data masa lalu dan sekarang untuk melakukan


peramalan jangka pendek yang akurat.
Namun dalam penggunaannya tetaplah tidak terlepas dari
asumsi stasioneritas yang juga akan melibatkan fungsi
autokorelasi. Bagaimanapun asumsi yang penting ini tetap akan
digunakan dalam berbagai metode analisis deret waktu.
Dalam laporan ini akan dibahas lebih lanjut mengenai
pemilihan model terbaik ARIMA dan peramalan dengan beberapa
periode ke depan, serta langkah-langkah yang dibutuhkan dengan
menggunakan software minitab.
1.2 Tujuan
1.2.1 Untuk mengetahui bagaimana mengerjakan tahap-tahap
pemodelan ARIMA dengan menggunakan software
minitab.
1.2.2 Untuk mengetahui bagaimana cara melakukan spesifikasi
model dengan menggunakan software minitab.
1.2.3 Dapat melakukan uji signifikansi model.
1.2.4 Dapat menentukan model terbaik.
1.2.5 Dapat melakukan peramalan (Forecasting) beberapa
periode ke depan dengan menggunakan software minitab.
1.2.6 Dapat menginterpretasikan hasil analisis dengan
menggunakan bantuan software tersebut secara jelas dan
benar.
.

BAB II

TINJAUAN PUSTAKA
2.1

Pengertian Deret Waktu

Deret waktu adalah rangkaian data yang berupa nilai pengamatan


(pengamatan) yang diukur selama kurun waktu tertentu, berdasarkan
waktu dengan interval yang uniform. Analisis deret waktu (time series
analysis) merupakan metode yang mepelajari deret waktu, baik dari segi
teori yang menaunginya maupun untuk membuat peramalan (prediksi).
Prediksi / Peramalan deret waktu adalah penggunaan model untuk
memprediksi nilai di waktu mendatang berdasar peristiwa yang telah
terjadi.
2.2

Stasioneritas

Dalam analisis deret waktu, asumsi yang harus dipenuhi yaitu


data harus stasioner baik dalam mean maupun varians. Data dikatakan
stasioner apabila rata-rata dan variansnya konstan. Menurut Santoso
(2009: 38), stasioneritas adalah keadaan rata-ratanya tidak berubah seiring
dengan berubahnya waktu, dengan kata lain, data berada di sekitar nilai
rata-rata dan variansi yang konstan. Makridakis (1999:351) menyatakan
bahwa bentuk visual dari plot time series sering meyakinkan peramal
bahwa data tersebut stationer atau nonstationer, demikian pula plot
autokorelasi dapat dengan mudah memperlihatkan ketidakstasioneran
data.
Kebanyakan data time series tidak stasioner, oleh karena itu perlu
dilakukan pengujian mengenai stasioneritas pada data time series.
Pengujian ini dapat dilakukan dengan mengamati plot time series. Jika
plot time series cenderung konstan tidak terdapat pertumbuhan atau
penurunan disimpulkan bahwa data sudah stasioner. Selain itu,
stasioneritas dapat dilihat dari nilai-nilai autokorelasi pada plot acf dan
fungsi autokorelasi parsial (PACF). Nilai-nilai autokorelasi dari data
stasioner akan turun sampai nol. Sesudah time lag kedua atau ketiga.

Nonstasioneritas suatu data time series dapat dilihat dari plot time
series. Data yang tidak stasioner, plot time series cenderung
memperlihatkan trend searah diagonal. Selain itu, ketidakstasioneritas
dapat dilihat dari plot ACF yang nilai-nilai autokorelasinya signifikan
berbeda dari nol untuk beberapa periode waktu. Nonstasioneritas dalam
mean dan nonstasioneritas dalam varian.
2.3

Fungsi Autokorelasi

Fungsi Autokorelasi (ACF) merupakan suatu proses korelasi pada


data time series antara Xt dengan Xt+k. Plot ACF dapat digunakan untuk
identifikasi model pada data time series dan melihat kestasioneran data,
terutama pada kestasioneran dalam mean. Fungsi autokorelasi antara Xt
dan Xt+k adalah sebagai berikut :

Apabila data masukan tidak stasioner perlu dilakukan


penyesuaian untuk menghasilkan data yang stasioner. Salah satu cara
yang umum dipakai adalah metode pembedaan (differencing). Metode
defferencing merupakan metode yang digunakan untuk mentransformasi
data tidak stasioner menjadi data stasioner.
Stasioneritas terhadap ragam dapat diduga dengan melihat plot
box-cox. Jika nilai sama dengan satu ( sama dengan satu dalam batas
atas dan batas bawah) maka deret waktu sudah stasioner terhadap ragam.
Jika data belum stasioner terhadap ragam, maka dilakukan transformasi
Box-cox sebagai berikut.

dimana:

= data transformasi
Zt

= pengamatan pada waktu ke t


= parameter transformasi

Stasioneritas terhadap rata-rata dapat diperiksa menggunakan uji


dickey Fuller (DF). Uji DF ini didasarkan pada persamaan regresi berikut.
Hipotesis yang digunakan adalah :
H0:

= 0 (data nonstasioner)

H1:

< 0 (data stasioner)

Dengan statistik uji sebagai berikut.

dibandingkan dengan

yang merupakan nilai kritis statistik Dickey

Fuller.penolakan H0 memberikan kesimpulan bahwa data stasioner.


2.4

Partial Fungsi Autokorelasi

Fungsi Autokorelasi parsial (PACF) adalah himpunan


autokorelasi parsial untuk berbagai lag k yang ditulis dengan (a kk;
k=1,2,3,,k) yakni himpunan autokorelasi parsial untuk berbagai lag k.
Fungsi autokorelasi parsial digunakan untuk mengukur tingkat keeratan
antara Xt dan Xt-k, apabila pengaruh dari selisih waktu 1,2,3,,k-1
dianggap terpisah. Didefinisikan :

dimana ;

adalah matrik autokorelasi k x k

adalah

dengan kolom terakhir diganti dengan

untuk j=1,2,,k-1

, sehingga :

Nilai estimasi

dapat diperoleh dengan mengganti

dengan ri

untuk selisih waktu yang cukup besar, dimana fungsi autokorelasi parsial
menjadi kecil sekali (tidak signifikan berbeda dengan nol), Quenouiile
memberikan rumus variansi

sebagai berikut :

Disini juga untuk N sangat besar,

dapat dianggap mendekati

distribusi normal. (Samsiah,2008)


2.5

Model ARIMA (p,d,q)

Model-model autoregressive integrated moving average


(ARIMA) telah dipelajari secara mendalam oleh George Box dan Gwilym
Jenkins, dan nama mereka sering disinonimkan dengan proses ARIMA
yang diterapkan untuk analisis runtun waktu, peramalan dan
pengendalian. Model Autoregressive (AR) pertama kali diperkenalkan
oleh Yule dan kemudian dikembangkan oleh Walker, sedangkan model
moving average (MA) pertama kali digunakan oleh Slutzky.
(Samsiah,2008)
Akan tetapi Wold-lah yang menghasilkan dasar-dasar teoritis dari
proses kombinasi ARMA. Wold membentuk model ARMA yang
dikembangkan pada tiga arah yaitu identifikasi efisien dan prosedur
penafsiran (untuk proses AR, MA, DAN ARMA campuran), perluasan
dari hasil tersebut untuk mencakup runtun waktu musiman (seasonal time
series) dan pengembangan sederhana yang mencakup proses-proses nonstasioner (ARIMA). Box dan Jenkins secara efektif telah berhasil
mencapai kesepakatan mengenai informasi relevan yang diperlukan untuk
memahami dan memakai model-model ARIMA (Makridakis dkk,1999).
Proses ARIMA (p,d,q) berarti suatu runtun waktu non stasioner
yang setelah diambil selisih dari lag atau dilakukan pembedaan menjadi

stasioner yang mempunyai model AR derajat p dan MA derajat q. Model


ARIMA (p,d,q) dinyatakan dalam rumus sebagai berikut:
dimana
Merupakan operator AR yang stasioner

Merupakan operator MA yang invertible


Jika p = 0, maka model ARIMA (p,d,q) disebut juga integrated
moving averagemodel dinotasika IMA (d,q), jika q = 0 maka model
ARIMA (p,d,q) disebut juga autoregressive integrated dinotasikan dengan
ARI (p,d).
Dalam praktek, jarang ditemukan nilai p,d,q selain dari berkisar
pada nilai-nilai 0,1, atau 2. Model yang dipilih hendaknya model yang
paling sederhana derajatnya baik dari proses autoregressive atau moving
average. (Samsiah,2008)
2.6

Pendugaan Parameter
Ada dua cara yang mendasar untuk mendapatkan parameterparameter 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 iterative, memilih taksiran awal dan kemudian
perhitungan dilakukan Box-Jenkins Computer Program untuk
memperhalus penaksiran tersebut secara iteratif. (Oktavin,2011)
Pendugaan parameter bertujuan untuk menentukan apakah
parameter sudah layak digunakan dalam model. Pendugaan parameter
dapat dilakukan dengan menggunakan beberapa metode, yaitu metode
momen, kuadrat terkecil dan kemungkinan maksimum (likelihood).
Pendugaan parameter untuk suatumodel dikatakan berpengaruh
signifikan, jika nilai

lebih besar dari t-tabel

dengan

adalah taraf nyata (level of significance) yang dalam bernilai

0.05 (5%). Freedom of degree (df) adalah tingkat kepercayaan yang


didapatkan dari operasi pengurangan antara jumlah data dengan jumlah
perkiraan parameter. Persamaan t-hitung adalah

dengan adalah parameter dugaan, sedangkan SE() adalah standar error


dari setiap parameter dugaan.
2.7

Uji Kelayakan Model


Setelah tahap pendugaan parameter, diagnostik model dilakukan
untuk melihat model yang relevan dengan data. Pada tahap ini model
harus dicek kelayakannya dengan melihat sifat sisaan dari sisi kenormalan
dan kebebasannya.
Dalam pemeriksaan terhadap model ada beberapa metode yang
bisa dilakukan, adalah sebagai berikut :
1.
Pengujian model secara keseluruhan (Overall F test) dan
pengujian masing masing parameter model secara parsial
(t-test), untuk menguji apakah koefisien model signifikan
secara statistik atau tidak baik secara keseluruhan maupun
parsial.
2.
Uji White Noise
Model dikatakan baik jika nilai error bersifat random,
artinya sudah tidak mempunyai pola tertentu lagi. Dengan
kata lain model yang diperoleh dapat menangkap dengan
baik pola data yang ada. Untuk melihat kerandoman nilai
error dilakukan pengujian terhadap nilai koefisien
autokorelasi dari error, dengan menggunakan salah satu
dari dua statistik berikut:
Uji Q Box dan Pierce:

Uji Ljung-Box :

Menyebar secara Khi Kuadrat dengan derajat bebas (db)=(k-pq-P-Q)


Keterangan:
n = n-(d+SD)
d = ordo pembedaan bukan faktor musiman
D = ordo pembedaan faktor musiman
S = jumlah periode per musim
m = lag waktu maksimum
rk = autokorelasi untuk time lag 1, 2, 3, 4,..., k
Hipotesis:
H0 : Data telah white noise
H1 : Data tidak white noise
Kriteria pengujian:
atau p-value > maka nilai error bersifat random (data telah
white noise)
atau p-value > maka nilai error tidak bersifat random (data
tidak white noise)
3. Residual Normal
Pada pengujian residual normal digunakan hasil output pengujian
residual kolmogorov smirnov,dengan hipotesis sebagai berikut.
Hipotesis:
H0 : Residual telah berdistribusi normal
H1 : Residual tidak berdistribusi normal
4. Signifikansi parameter
Hipotesis:
H0 : Data tidak signifikan
H1 : Data telah signifikan
Abila tidak memenuhi salah satu asumsi maka harus melakukan
pilihan ulang dari awal lagi. (nisa,2011)
Uji signifikansi parameter model dilakukan untuk mengetahui

layak tidaknya parameter tersebut digunakan dalam model dengan


statistik uji t.
Jika diperoleh model ARIMA yang baik dan layak untuk digunakan
lebih dari satu model, maka langkah selanjutnya adalah menentukan
model terbaik yang dapat digunakan kriteria kebaikan model (in sample),
salah satunya adalah Akaikes information criterion (AIC) (Akaike, 1974)
danSchwarzs Bayesian criterion (SBC) atau biasa disebut Bayesian
Information criterion(BIC) (Schwarz, 1978). Model yang memiliki nilai
AIC dan BIC terkecil dipilih menjadi model terbaik. (adiw,2012)

BAB III
METODOLOGI
3.1Prosedur Penggunaan Minitab
1.Memasukkan data ke minitab

Copy-Paste data dari ke minitab pada satu kolom (Kolom C1)


Membuat time series plot data awal
Stat time series plot

Kemudian muncul tampilan seperti berikut ini dan pilih simple


ok

Kemudian muncul dialog box seperti di bawah ini. Isikan kotak


series dengan kolom C1 dengan cara klik dua kali tulisan C1
pada kotak sebelah kiri klik ok

2.Pengujian Stasioneritas terhadap ragam


Klik stat control charts box-cox transformation

Masukkan data c1 ke kolom observations isi subgroub sizes


dengan 1 seperti gambar di bawah ini

Kemudian klik options isi store transformed data c2


klik Ok seperti gambar berikut ini

Langkah nomer 3 ini diulang sampai mendapatkan nilai rounded


value sama dengan 1. Apabila transformasi dilakukan lebih dari
satu kali, maka data yang dipakai adalah data sebelum
transformasi yang terakhir dan diletakkan pada kolom setelahnya.
3.Pengujian
Stasioneritas
terhadap
autocorrelation
Klik stat time series autocorrelation

rata-rata

dengan

masukkan data C3 (hasil transformasi terakhir) ke series


centang store ACF ok seperti pada gambar di bawah ini

Dari proses di atas akan dihasilkan sebuah grafik. Apabila ada


lebih dari tiga garis yang keluar dari batas maka harus dilakukan
diferensi dengan cara klik Time Series Differences.

Isi Series dengan C2 atau data yang sudah stasioner terhadap


ragam dan isi store differences in dengan C4 yaitu untuk
meletakkan data baru hasil diferensi.

Setelah keluar output pada Worksheet C6, pindahkan output ke


kolom C7 dengan tidak mengikutsertakan cell yang kosong.

Setelah didapatkan data baru hasil diferensi, maka dilakukan kembali uji
ACF menggunakan data hasil diferensi sampai didapatkan tiga lag
pertama yang keluar batas sebanyak kurang dari atau sama dengan 3.

4. PACF
Klik stat time series Partial autocorrelation

Masukkan data yang sudah stasioner terhadap ragam dan rata-rata


(C4) ke series centang store PACF ok seperti pada gambar
di bawah ini

6. Spesifikasi Model ARIMA


Untuk melakukan spesifikasi model ARIMA yang sesuai maka
dilakukan tes uji nyata tidaknya masing-masing kemungkinan
dari model. Caranya dengan klik Stat time series ARIMA
OK seperti pada gambar di bawah ini.
Pada ARIMA (0,1,1) .

Isi kolom series dengan kolom data awal. Isi kolom Autoregresive dengan
kemungkinan-kemungkinan AR yang ada, Difference dengan banyaknya
dilakukan diferensi, dan Moving Average dengan kemungkinankemungkinan MA yang ada.
7. Peramalan
Untuk melakukan peramalan maka dapat dilakukan dengan stat
ARIMA isi kolom-kolom dengan model yang sudah signifikan dan
paling layak

forecast lead diisi banyaknya periode yang akan diramalkan OK

BAB IV
HASIL DAN PEMBAHASAN
Data yang digunakan adalah data penjualan rumah yang ada di Amerika
Serikat mulai tahun 1968 sampai 1982 yang masing-masing tahun
diamnbil datanya dari Bulan Januari sampai dengan November.
35

43

46

46

43

41

44

47

41

40

32

34

40

43

42

43

44

39

40

33

32

31

34

29

36

42

43

44

44

48

45

44

40

45

49

62

62

58

59

64

62

50

52

50

51

56

60

65

64

63

63

72

61

65

51

55

60

68

63

65

61

54

52

46

42

37

37

44

55

53

58

50

48

45

41

34

30

29

34

44

54

57

51

51

53

46

46

46

41

53

55

62

55

56

57

59

58

55

49

57

68

84

81

78

74

64

74

71

63

55

57

63

75

85

80

77

68

72

68

70

53

53

58

73

72

68

63

64

68

60

54

41

43

44

44

36

44

50

55

61

50

46

39

37

40

49

44

45

38

36

34

28

29

27

28

29

36

32

36

34

31

36

39

40

39

4.1 Time Series Plot Data

Plot pada gambar di atas cenderung tidak memiliki pola


tertentu, yang dapat dilihat dari tidak beraturannya pola naik dan
turunnya grafik. Namun pada akhir periode dapat dilihat bahwa
grafik cenderung berpola turun.

4.2 Uji Stasioneritas Terhadap Ragam


Box cox

Pada plot box-cox ini dapat dilihat bahwa nilai estimate nya sebesar 0,20
dan Rounded Valuenya sebesar 0,00 sehingga dapat disimpulkan bahwa
data yang dimasukkan belum stasioner terhadap ragam dan perlu
dilakukan transformasi. Berikut ini hasil transformasinya

Pada plot box-cox ini dapat dilihat bahwa nilai Rounded Valuenya sebesar
2,00 sehingga dapat disimpulkan bahwa data yang dimasukkan belum
stasioner terhadap ragam dan perlu dilakukan transformasi lagi. Berikut
hasilnya :

Pada plot box-cox ini dapat dilihat bahwa nilai Rounded Valuenya
sebesar 1,00 sehingga dapat disimpulkan bahwa data yang
dimasukkan sudah stasioner terhadap ragam dan tidak perlu
dilakukan transformasi lagi.

4.3 Uji Stasioneritas Terhadap Rata rata

Suatu data dikatakan stasioner terhadap rata-rata jika maksimal


hanya 3 lag pertama yang keluar dari batas atas maupun batas bawah.
Dari grafik di atas nampak bahwa ada lebih dari 3 lag pertama yang
keluar dari batas atas, sehingga data tersebut belum memenuhi syarat
untuk dikatakan stasioner terhadap rata-rata. Oleh karena itu, perlu
dilakukan diferensi seperti langkah-langkah pada Bab III.

Setelah dilakukan satu kali diferensi maka ACF yang muncul akan seperti
berikut ini :

Dari gambar di atas dapat dikatakan bahwa data Penjualan rumah


memiliki ACF sebesar 1. Karena lag pertama keluar batas, sedangkan lag
kedua tidak.
4.4 PACF

Dari grafik PACF (Partial Autocorrelation Function) di atas, 3


lag pertama yang keluar dari batas atas maupun bawah ada 1 dan
sehingga untuk model ARIMA (p,d,q) nilai p nya yaitu 1 yang artinya
pada PACF, terdapat 1 dari 3 lag pertama yang keluar dari batas atas
maupun batas bawah.
4.4 Model ARIMA (p,d,q)
p adalah berapa banyak lag yang keluar pada grafik PACF
(Partial Autocorrelation Function). Pada data data mengenai beban listrik
p nya bernilai 1 karena ada 1 lag yang keluar dari batas atas maupun
bawah.
d adalah berapa kali dilakukan diferensi agar data tersebut stasioner
terhadap rata-rata. Pada tersebut diperlukan satu kali diferensi sehingga d
nya bernilai 1.
q adalah berapa banyak lag yang keluar pada grafik ACF
(Autocorrelation Function). Pada data tersebut lag yang keluar dari batas
atas maupun batas bawah yaitu ada 1. Sehingga q nya bernilai 1.
Dari penjelasan di atas dapat diketahui model ARIMA dari data tersebut
adalah model ARIMA (1,1,1). Namun, diperlukan juga pengujian lain
yang berkaitan dengan layak tidaknya model tersebut, seperti yang
dijelaskan pada langkah-langkah di atas.
4.5

Spesifikasi Model ARIMA


Terdapat beberapa kemungkinan model yang dapat digunakan
untuk merepresentasikan permasalahan di atas antara lain dengan ARIMA
(p, d, q) dimana kemungkinan nilai p,d,q adalah sebagai berikut :
011
110

012
111

013
112

113

Dengan H0 : 1= 2= 3
H1 : paling tidak ada satu pasang yang berbeda
Output yang didapatkan dari software minitab seperti dibawah ini :
1. ARIMA (0 1 1)

Nilai p-value kurang dari alpha 0.05 maka nyata.


2. ARIMA (0 1 2)

Nilai p-value kurang dari alpha 0.05 maka nyata.


3. ARIMA (0 1 3)

Nilai p-value lebih dari alpha 0.05 maka tidak nyata.


4. ARIMA (1 1 0)

Nilai p-value lebih dari alpha 0.05 maka tidak nyata.


5. ARIMA (1 1 1)

Nilai p-value kurang dari alpha 0.05 maka nyata.


6. ARIMA (1 1 2)

Nilai p-value kurang dari alpha 0.05 maka nyata.


7. ARIMA (1 1 3)

Nilai p-value lebih dari alpha 0.05 maka tidak nyata.


8. ARIMA (2 1 0)

Nilai p-value kurang dari alpha 0.05 maka nyata.

9. ARIMA (2 1 1)

Nilai p-value lebih dari alpha 0.05 maka tidak nyata.


10. ARIMA (2 1 2)

Nilai p-value lebih dari alpha 0.05 maka tidak nyata.


11. ARIMA (2 1 3)

Nilai p-value lebih dari alpha 0.05 maka tidak nyata.


Maka model yang nyata yaitu :
ARIMA (0 1 2),
ARIMA (1 1 1),
ARIMA (1 1 2).
Selanjutnya bandingkan model-model tersebut dan menentukan
model yang layak dengan cara lihat p-value pada Modified BoxPierce (Ljung-Box) Chi-Square statistic.

H0 : ACF sisaan white noise Vs H1 : ACF sisaan tidak white noise


1. ARIMA (0 1 2)

Nilai p-value kurang dari alpha 0.05 maka model tidak layak.
2. ARIMA (1 1 1)

Nilai p-value kurang lebih alpha 0.05 maka model layak.


3. ARIMA (1 1 2)

Nilai p-value lebih dari alpha 0.05 maka model layak.


Jadi setelah melakukan pengujian diatas terdapat 3 model yang nyata
yaitu ARIMA = (0 1 2), ARIMA = (1 1 1), ARIMA = (1 1 2).
Setelah dilakukan pengujian Ljung-Box terlihat bahwa model
ARIMA = (1 1 1) dan ARIMA = (1 1 2) merupakan model yang
layak.

Pengujian Model Terbaik


Dari kedua model yang layak, maka akan diuji dan dipilih satu
model terbaik. Untuk memilih model terbaik, kita perlu melihat dari
nilai MS. Dari kedua model yang layak, MS ARIMA (1 1 2) adalah
yang terkecil, sehingga model ARIMA (1 1 2) dianggap model
terbaik dalam kasus Penjualan Rumah ini.
1. Model ARIMA (1 1 1)

2. Model ARIMA (1 1 2)
Oleh karena itu, model ARIMA (1 1 2) juga layak digunakan
untuk melakukan peramalan.

Forecasting
Setelah dilakukan peramalan menggunakan minitab, seperti yang
dilakukan pada bab 3 maka akan tampak hasil seperti berikut ini.

Dengan demikian, hasil peramalan menunjukkan bahwa


penjualan rumah pada periode 166 adalah 39 unit, pada periode
167 adalah 39 unit, pada periode 168 adalah 38 unit, pada
periode 169 adalah 38 unit, pada periode 170 adalah 38 unit, dan
pada periode 171 sebanyak 38 unit.

Dan dapat digambarkan seperti pada grafik di bawah ini

Dimana garis dan segitiga merah yang berada di tengan


merupakan hasil peramalan dengan model ARIMA (1 1 2). Sedangkan
garis dan segitiga merah yang melengkung ke atas dan ke bawah
merupakan selang kepercayaan dari peramalan tersebut.

BAB V
PENUTUP
3.1

Kesimpulan

5.1.1

Data mengenai penjualan rumah di AS pada tahun 1968 1982


diketahui tidak memiliki memiliki trend tertentu.
Data mengenai penjualan rumah di AS pada tahun 1968 1982
diketahui belum stasioner terhadap ragam dan perlu dilakukan
transformasi hingga dua kali untuk mencapai stasioneritas ragam.
Data mengenai penjualan rumah di AS pada tahun 1968 1982
diketahui belum stasioner terhadap rata-rata sehingga diperlukan
diferensi satu kali untuk mencapai stasioneritas terhadap rata-rata.
Model yang diperoleh mengenai penjualan rumah di AS pada
tahun 1968 1982 adalah ARIMA (1 1 1) karena PACF yang
keluar batas adalah 1 (p), dilakukan 1 kali diferensi untuk
mencapai kestasioneran rata-rata (d), dan juga ada 1 lag yang
keluar dari batas ACF (q).

5.1.2

5.1.2

5.1.3

5.1.4

5.1.5

5.1.6

Dari pengujian signifikansi model didapatkan model yang


berbeda nyata atau signifikan yaitu ARIMA (0 1 2), ARIMA
(1 1 1) dan ARIMA (1 1 2).
Dari ketiga model yang signifikan di atas, setelah dilakukan uji
Ljung-Box diketahui bahwa model ARIMA (1 1 1) dan ARIMA
(1 1 2) dapat dikatakan model yang layak.
Namun nilai MS pada model ARIMA (1 1 2) merupakan nilai MS
yang paling kecil, sehingga dapat dikatakan bahwa model
ARIMA (1 1 2) merupakan model terbaik.

5.1.7

Dari model terbaik tersebut, dilakukan peramalan banyaknya


penjualan rumah di Amerika Serikat pada 6 periode ke depan dan
diperoleh hasil : pada periode 166 adalah 39 unit, pada periode
167 adalah 39 unit, pada periode 168 adalah 38 unit, pada
periode 169 adalah 38 unit, pada periode 170 adalah 38 unit, dan
pada periode 171 sebanyak 38 unit.

3.2 Saran
Dalam pengujian stasioneritas ini, disarankan agar lebih
teliti dan berhati-hati dalam menganalisis kestasioneran dan
dalam melakukan transformasi. Selain itu diperlukan kesabaran
yang tinggi dalam uji signifikansi model dan juga penentuan
model yang layak. Selain itu, perlu ditekankan bahwa ketika uji
signifikansi model dan juga pemilihan model terbaik selalu
menggunakan data awal, bukan data hasil transdormasi ataupum
diferensi.

DAFTAR PUSTAKA
Makridakis, S., Wheelwright, S.C., & McGee, V.E. 1999. Metode
dan Aplikasi Peramalan Jilid 1 Edisi Kedua. Terjemahan Ir.
Untung S. Andriyanto dan Ir. Abdul Basith.Jakarta: Erlangga.
Samsiah, Dewi Nur.2008.Analisis Data Runtun Waktu Menggunakan
Model ARIMA (p,d,q).( http://digilib.uin-suka.ac.id/diakses
tanggal 10 November 2014).
Santoso, S. 2009. Bussiness Forecasting Metode Peramalan
Bisnis Masa Kini dengan Minitab dan SPSS. Jakarta: PT Elex
MediaKomputindo.
http://statmath48.blogspot.com/2011/04/stasioneritas-dannonstasioneritas.html (diakses tanggal 10 November 2014)
http://ekonmetrik.blogspot.com/search/label/time
%20series (diakses tanggal 10 November 2014)
http://eprints.uny.ac.id/9180/3/bab%202%20-%2008305144018.pdf
(diakses tanggal 10 November 2014)
(http://www.bps.go.id/diakses tanggal 8 November 2014)