AR,MA, ARMA, DAN ARIMA

MODELLING

Sumber : LP3E- UNPAD

AR, MA, ARMA, dan ARIMA

Modelling untuk data Time
Series

data time series bisa stasioner pada tingkat level

atau first difference atau bahkan pada second
difference
Sebagai contoh data GDP yang sebelumnya
dianalisis stasioner pada first difference tetapi
tidak stasioner pada level.
Jika data time series stasioner (pada tingkat
berapa saja) maka kita dapat memodelkan data
tersebut dengan berbagai cara.
Model time series yang sering digunakan untuk
forecasting diantaranya ialah model AR, MA,
ARMA, dan ARIMA
2

Model Autoregressive
(AR) Process

(Yt ) = 1( Yt-1 ) + ut
Yt merupakan representasi dari GDP pada
waktu t
ialah rata-rata Y dan ut ialah nilai error
yang tidak saling berhubungan dengan
rata-rata nol dan varians yang konstan 2
maka kita bisa mengatakan bahwa Yt
mengikuti first-order autoregressive,
atau AR(1), stochastic process
3

Secara umum model Autoregressive

digambarkan sebagai berikut :

(Yt ) = 1(Yt-1-)+2(Yt-2-)++p(Yt-p-) + ut

Yt ialah model AR(p) atau model

autoregressive dengan order ke-p
Model seperti ini sering disebut sebagai
model dengan data speak for themselves

Model AR merupakan suatu representasi model

yang mengasumsikan bahwa suatu kejadian
dipengaruhi oleh kejadian yang sama periode
sebelumnya
Model AR ini merupakan model dengan lagging
variabel tetapi semua lagging variabel merupakan
variabel dependen yang dilag-kan
Sebagai contoh nilai impor bahan baku saat ini
tergantung dari impor bahan baku periode-periode
sebelumnya karena berhubungan dengan supply,
sebagai berikut :
Importt = 1 + 2Importt-1 + + nImportt-n + e
5

Model Moving Average

(MA) Process

Yt = + 0ut + 1 ut-1

= intersep/konstanta
u = error term stokhastik

Dalam model MA ini, nilai Y dihasilkan

dari hasil penjumlahan antara konstanta
dengan error pada waktu t dan error
pada waktu t-1. Model di atas
dinamakan model MA(1) atau model
moving average order pertama
6

Secara umum model MA(p) ialah sebagai berikut :

Yt = + 0ut + 1ut-1 + 2ut-2 + ... + qut-q
Model MA merupakan representasi model yang
mengasumsikan bahwa prediksi suatu nilai saat
ini tergantung dari kesalahan proyeksi periode
sebelumnya
Model MA ini merupakan model dengan lagging
variabel tetapi semua lagging variabel merupakan
variabel kesalahan periode sebelumnya yang
dilag-kan
Sebagai contoh, prediksi nilai IHSG :
IHSGt = + 0ut + 1ut-1 + 2ut-2 + ... + qut-q
7

Model Autoregressive dan

Moving Average (ARMA)
Process

Model yang menggabungkan proses AR

dan MA ialah model ARMA
Model ARMA(1,1) menunjukkan bahwa
terdapat satu autoregressive dan satu
moving average.
Sebagai contoh prediksi Y yang mengikuti
ARMA(1,1) dapat ditulis sebagai berikut :
Yt = +1Yt-1 + 0ut +1ut-1
= nilai konstanta
8

Model ARMA ini merupakan model yang

berguna untuk memproyeksikan secara akurat
nilai suatu variabel dengan menggabungkan
metode AR dan MA sehingga keduanya dapat
membentuk kombinasi proyeksi dari potret
kondisi masa lalu baik dari potret data itu
sendiri maupun dari potret kesalahan hasil
estimasinya periode sebelumnya.
Sebagai contoh model IHSG :
IHSGt = + 1IHSGt+2IHSGt-1+...+3IHSGtn+0ut + 1ut-1 + 2ut-2 + ... + qut-q
9

Model Autoregressive
Integrated Moving Average
(ARIMA)

Model ARMA(p,q) yang diaplikasikan pada

data yang telah melalui proses
differencing tersebut dinamakan model
ARIMA(p,d,q), yaitu model Autoregressive
Integrated Moving Average, di mana p
ialah jumlah variabel autoregressive, d
ialah proses differencing sehingga data
menjadi stasioner, dan q ialah jumlah
variabel moving average.
10

IHSGt = 1 + 2IHSGt-1 + e

= data stasioner pada first

difference
model ARIMA untuk data IHSG
dengan integrasi tingkat 1
(=stasioner pada first difference)
dan AR(1)

11

Tahapan untuk melakukan

estimasi model dengan
ARIMA
1. Identifikasi model : Menentukan tingkat
stasionaritas data, Menentukan Nilai AR,
Menentukan nilai MA

2. Estimasi Parameter dari model yang dipilih

3. Diagnostic Checking
( Apakah Estimasi residualnya stasioner/white
noise ? )

Yes
Langsung ke tahap
4

No
Kembali ke langkah
1

4. Forecasting

12

Identifikasi Model

Pada proses ini ialah menentukan

nilai p,d, dan q

p ialah jumlah proses autoregresive

(AR),
d ialah jumlah difference agar suatu
data time series bisa stasioner, dan
q ialah jumlah proses moving average
(MA)
13

Proses Autoregressive ( AR
)

Model dengan Proses Autoregressive ini hanya melibatkan

data aktual dengan data tahun sebelumnya tanpa
memasukkan variabel lain, sehingga model ini sering
disebut model dengan data yang berbicara sendiri ( data
speaks for themselves)
Jika suatu data GDPt dikatakan misalnya mengikuti first
order autoregressive atau AR(1) jika nilai GDP pada waktu
t tergantung pada nilai tahun sebelumnya dan nilai
variabel gangguannya. Jika digambarkan dalam model :
(GDPt ) = 1(GDPt-1 - ) + ut
.(1.1)
ialah nilai rata-rata GDP dan ut ialah variabel gangguan
yang tidak berkorelasi dengan rata-rata nol dan varians
yang konstan ( 2 ) ( artinya White Noise).
14

Selain AR(p) suatu model dengan

proses autoregressive ini bisa
mengikuti proses AR(p) jika dalam
kenyataannya setelah diidentifikasi
mengikuti pth-order autoregressive.
(GDPt ) = 1(GDPt-1 - ) + 2(GDPt-2
- ) + + p (GDPt-p - ) + ut
.(1.2)
15

Proses Moving Average

( MA )

Proses AR tidak hanya mekanisme yang

mengendalikan perubahan GDP tetapi bisa juga
dikendalikan oleh pergerakan rata-rata ( moving
average ) dari variabel gangguan aktual dan variabel
gangguan waktu sebelumnya. Jika kita gambarkan
dalam suatu model ialah :
GDPt = + 0 ut + 1 ut-1
..(1.3)
Di mana : ialah konstanta da ut ialah variabel
gangguan stokastik . Pada model di atas terlihat bahwa
GDP pada waktu t ialah sama dengan konstanta
ditambah suatu pergerakan rata-rata ( moving average
) dari variabel gangguan tahun sekarang ditambah
variabel gangguan tahun sebelumnya.
16

Proses MA juga bisa mengikuti proses

MA(q) sehingga modelnya ialah :
GDPt = + 0 ut + 1 ut-1 + + q ut-q
.(1.4)
Dari model di atas dapat disimpulkan
bahwa proses moving average ialah suatu
kombinasi linear sederhana dari variabel
gangguannya yang benar-benar acak
( purely random )
17

Proses Autoregressive dan

Moving Average ( ARMA )

Proses ARMA ialah kombinasi proses AR

dan MA. Misalkan jika GDP mengikuti
proses ARMA (1,1) maka bisa ditulis :
GDPt = + 1 Yt-1 + 0 ut + 1 ut-1
.(1.5)
Jika suatu model mengikuti proses ARMA
(p,q), maka akan ada p variabel
autoregressive dan q variabel moving
average.
18

Proses Autoregressive
Integrated Moving Average
(ARIMA )

Model time series dengan AR dan MA di

atas mengasumsikan model memiliki
(weak) stasioner
Artinya rata-rata dan varians-nya konstan
sedangkan kovarians-nya tidak bervariasi
antar waktu.
Dalam kenyataannya data time series
banyak yang tidak stasioner tetapi bisa
terintegrasi dalam I(1) first difference, I(2)
second difference, dan bisa sampai I(d), dth difference sehingga data bisa stasioner,
I(0).
19

Proses Autoregressive
Integrated Moving Average
(ARIMA )

Oleh karena itu sebelum melakukan

proses AR dan MA terlebih dahulu harus
dilakukan proses pengujian stasionaritas
sehingga pada d-difference berapa suatu
data bisa stasioner. Pada akhirnya suatu
data time series yang asli memiliki
ARIMA (p,d,q) yaitu autoregressive
moving average time series, di mana p
ialah jumlah variabel autoregressive, d
ialah jumlah differencing sehingga data
bisa stasioner, dan q ialah jumlah
variabel moving average.
20

Teknik ARIMA di Eviews

Menentukan Stasionaritas data/ pada ddifference berapa suatu data bisa stasioner,
tekniknya sama dengan pengujian stasionaritas
sebelumnya. Setelah dilakukan pengujian
ternyata data GDP stasioner pada first
difference, I(1) . Buktikan?
Menentukan proses autoregressive AR(?) dan
MA(?)
Buka Table 1.wf1 | klik views | Klik Correlogram |
tentukan Lag misal : 25| pilih 1st Difference
(karena data GDP stasioner pada first difference)
pada kotak correlogram of | Klik OK
21

Dari tabel correlogram di atas bisa diketahui bahwa

model ARMA ialah AR(1), AR(8), dan AR(12) karena
koefisien yang keluar dari batas CL terjadi pada laglag tersebut dengan pola AR sehingga model ARIMA
akhirnya ialah AR(1), AR(8), dan AR(12) dengan first
22
difference.

Estimasi Model ARIMA

Estimasi untuk model ARIMA ialah

AR(1), AR(8), dan AR(12) dengan first
difference yaitu :
Yt = + 1Yt-1 + 8 Yt-8 + 12 Yt-12
.(1.6)

23

Estimasi Model ARIMA: EVIEWS

Klik Quick | Estimate Equation | Ketik pada kotak dialog
equation specification : D(GDP) c D(GDP(-1)) D(GDP(-8))
D(GDP(-12))

Sehingga hasil estimasi model untuk forecasting ialah :

D(GDP) = C(1) + C(2)*D(GDP(-1)) + C(3)*D(GDP(-8)) +
C(4)*D(GDP(-12))

24

Substituted Coefficients

D(GDP) = 28.19370566 +
0.3427683218*D(GDP(-1)) 0.2994663857*D(GDP(-8)) 0.2643712144*D(GDP(-12))

25

Diagnostic Checking

Untuk melihat apakah model

forecasting yang telah dibuat itu
baik atau tidak maka harus lagi dicek
melalui tabel correlogram dari residual
yang diperoleh model ARIMA di atas.
Klik Views | Klik Residual Test | Klik
Correlogram Squared residual |
masukan lag yang sama yaitu : 25
26

27

sehingga dihasilkan tabel

correlogram di bawah ini :
dari hasil tabel correlogram,
terlihat bahwa tidak ada sample
autokorelasi ataupun sampel
autokorelasi parsial yang
signifikan dengan tidak adanya
nilai yang keluar dari batas
confidence interval sehingga
bisa dipastikan tidak adanya
autokorelasi.
Dari diagnostic checking ini
bisa disimpulkan bahwa residual
dari model (1.6) benar-benar
random sehingga tidak perlu lagi
mencari model ARIMA yang lain.

28