Januari 2014
Tinjauan Pustaka
Dalam ARIMA musiman, time series
mempunyai sifat berulang setelah sekian
periode waktu tertentu. Hasil peramalan
model ARIMA musiman terbaik yang
diperoleh kemudian diverifikasi dengan
grafik pengendali moving range untuk
mengetahui apakah hasil peramalan
dengan
metode
yang
digunakan
mencerminkan data masa lalu. Analisis
time series model ARIMA dapat digunakan
untuk melakukan estimasi maupun
peramalan pada masa yang akan datang
(Makridakis, 1998).
Musiman
berarti
kecenderungan
mengulangi pola tingkah gerak dalam
periode musim, biasanya satu tahun untuk
data bulanan. Karena itu, deret waktu
musiman mempunyai karakteristik yang
ditunjukkan oleh adanya korelasi berurutan
yang kuat pada jarak semusim (periode
musim), yakni waktu yang berkaitan
dengan banyak observasi pada periode
musim. Terdapat banyak cara yang
mungkin untuk memodelkan yang
bentuknya (bukan musiman yang konstan),
yang tergantung pada bagaimana pola
musiman diandaikan. Model yang banyak
dipakai untuk perubahan musiman dapat
dikategorikan dalam dua kategori, yaitu
model dengan musiman akar unit (unit
root) dan model dengan parameter
tergantung musim (season dependent)
(Salamah, dkk, 2003).
Page 1
Kasus :
Berikut adalah data mengenai rata-rata
temperatur di Lowa bulan Januari 1964
Desember 1975 (Cryer 1986).
Tabel 1 Data Temperatur di Lowa Bulan
Januari 1964 Desember
1969
1964 196 196 196 196 196
5
6
7
8
9
24,7 16,1 10,4 21,5 19,1
14
25,7 19,1 21,6 14,7 20,6 24,1
30,6 24,2 37,4
35 40,2 29,4
47,5 45,4 44,7 48,3
50 46,6
62,9 61,3 53,2
54 55,3 58,6
68,5 66,5
68 68,2 67,7 62,2
73,7 72,1 73,7 69,6 70,7 72,1
67,9 68,4 68,2 65,7 70,3 71,7
61,1 60,2 60,7 60,8 60,6 61,9
48,5 50,9 50,2 49,1 50,7 47,6
39,6 37,4 37,2 33,2 35,8 34,2
20 31,1 24,6
26 20,7 20,4
Page 2
57,
1
37,
6
27,
7
55,
6
46
32,
7
17,
3
50,
8
36,
8
25,
5
38
20,
4
52,
5
40,
6
26,
2
Partial Autocorrelation
52,
7
36,
7
23,
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
Identifikasi Model
(b)
Gambar 3. (a) Plot ACF (b) Plot PACF
CurHuj
50
40
30
20
10
0
1
14
28
42
56
70
Index
84
98
112
126
140
10
diff
Gambar
1
memperlihatkan
bahwa
pergeseran rata-rata non musiman dari data
temperatur
adalah
tetap
yang
mengindikasikan bahwa data sudah
stationer dalam rata-rata non musiman.
-5
-10
1
14
28
42
56
70
84
Index
98
112
126
140
50
Upper CL
1,0
Lambda
0,8
StDev
40
Estimate
0,96
LowerCL
UpperCL
0,60
1,29
Rounded Value
1,00
35
30
0,6
Autocorrelation
45
0,4
0,2
0,0
-0,2
-0,4
-0,6
25
-0,8
20
Limit
-2
-1
1
2
Lambda
-1,0
10
15
20
25
30
Lag
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
Lag
Gambar 4
Autocorrelation
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1
10
15
20
Lag
(a)
25
30
35
Page 3
Penaksiran Parameter
ARIMA(0, 0, 0)(1, 1, 1)12
P ( B S ) (1B s)D Z t =Q ( Bs ) at
Z t =Zt 12+ 1 Z t12 1 Zt 24+ at 1 at12
ARIMA(0, 0, 0)(0, 1, 1)12
(1Bs )D Z t=Q (B s )a t
Z t =Zt 12+ at1 at 12
ARIMA(0, 0, 0)(1, 1, 0)12
P ( B S ) (1B s) D Z t =Q ( Bs ) at
Z t =Zt 12+ 1 Z t12 1 Zt 24+ at
Pemeriksaan Diagnostik
Tabel 3 ARIMA(0, 0, 0)(1, 1, 1)12
Type
Koef.
pKeputusan
value
SAR(1) -0,089 0,377 H0 diterima
SMA(1) 0,912 0,069 H0 ditolak
9
Karena
P-value
SAR(1)
(0.377)
( 0,05) , maka diputuskan menerima
H0
H0
yang artinya
Page 4
12
11
0,193
H0 diterima
24
23 0,031
H0 ditolak
36
35 0,012
H0 ditolak
48
47 0,059
H0 diterima
Hipotesis
1=2 =3==k =0
H0 :
(Residual memenuhi syarat white
noise)
i
H :
0, i=1,2,3,..,k
1
24
23 0,475
H0 diterima
36
35 0,234
H0 diterima
48
47 0,550
H0 diterima
Hipotesis
1=2 =3==k =0
H0 :
(Residual memenuhi syarat white
noise)
i
H1 :
0, i=1,2,3,..,k
(Residual tidak memenuhi syarat
white noise)
Kesimpulan
Taraf signifikansi () yang digunakan
sebesar (0,05) dan kriteria pengujiannya
H0
yakni jika p-value <, maka
ditolak.
Karena P-value pada lag 12, 24, 36 dan lag
48 masing masing adalah 0.208, 0.475,
0.234 dan 0.550 lebih besar dari
(0,05) , maka diputuskan menolak
H 0.
yang
artinya
bahwa
residual
Page 5
Mean
StDev
N
RJ
P-Value
99
95
Percent
90
-0,07085
3,459
132
0,996
>0,100
80
70
60
50
40
30
20
10
5
1
0,1
-10
-5
0
RESI1
10
H0
148
149
150
151
152
153
154
155
156
46,5191
57,6978
67,0452
71,9918
69,1608
60,5643
51,0870
36,7186
23,8160
39,7360
50,9146
60,2620
65,2086
62,3776
53,7811
44,3038
29,9354
17,0328
53,3023
64,4810
73,8284
78,7750
75,9440
67,3475
57,8702
43,5017
30,5992
yang
Verifikasi Peramalan
Berdasarkan hasil peramalan
temperatur pada
Tabel 8 dilakukan perhitungan jaraknya
(R)
n
12
Rt
t =1
n1
554,6894
11
Rt
t =2
121
= 50,4263
Peramalan
Periode
50
0
Page 6
peramalan
peramalan
rata-rata
temperatur di Lowa untuk Januari
1976 Desember 1976 karena semua
hasil peramalannya telah terkendali
secara statistik.
Daftar Pustaka
Makridakis, Spyros. 1998. Metode
Aplikasi dan Peramalan. Erlangga:
Jakarta.
Mulyono, S. 2006. Statistik Untuk
Ekonomi dan Bisnis Edisi Ketiga.
Jakarta: Lembaga Penerbit Fakultas
Ekonomi UI.
Salamah,
Mutiah,
Suhartono
dan
Wulandari, Sri Pingit. 2003.
Analisis Time Series. Surabaya:
FMIPA-ITS.
Page 7