BAB 1

PENDAHULUAN

1.1 Apa itu EViews?

EViews merupakan sebuah sistem software yang digunakan untuk analisis data, regresi
dan forecasting (peramalan) dan beroperasi pada sistem operasi Microsoft Windows.
Bidang-bidang dimana Eviews dapat berguna adalah diantaranya: analisis dan evaluasi
data ilmiah (scientific), analisis finansial, peramalan makroekonomi, simulasi,
peramalan penjualan, dan analisis biaya.
Pada modul ini digunakan EViews versi 4.1 yang dijalankan pada Sistem Operasi
Microsoft Windows XP. Jika digunakan untuk EViews versi lain dan Sistem Operasi lain,
mungkin membutuhkan beberapa penyesuaian. Silahkan membuka Help yang ada pada
software keduanya.

1.2 Membuka EViews

Untuk membuka EViews dilakukan melalui menu Start > Programs > EViews 4 > EViews
4 (Jika Windows XP diset dengan Sistem menu Classic, jika tidak menu Start > All
Programs > EViews 4 > EViews 4). Dengan membuka melalui menu ini akan ditampilkan
lingkungan sistem EViews seperti terlihat pada Gambar di bawah ini.

Keterangan:
1. Title Bar : Merupakan window untuk sistem aplikasi EViews.
2. Main Menu : Beberapa perintah untuk menjalankan aplikasi ini menggunakan
menu

Pelatihan Time Series untuk staf BI

3. Command Window : Tempat menuliskan beberapa perintah. Setiap perintah

ditulis dalam satu baris dan akan dieksekusi setelah ditekan ENTER pada baris
tersebut.
4. Status Line : Berisi keterangan-keterangan yang dibagi dalam beberapa section,
yaitu: Clear Message, Message Area, Default Directory, Default Database dan
Current Workfile

1.3 Menyiapkan Data

Setiap data dalam EViews dikenal sebagai objek. Setiap objek harus ditampung dalam
sebuah kontainer objek yang dikenal dalam EViews sebagai Workfile. Beberapa objek
data yang akan dianalisis secara bersama dikumpulkan dalam satu kontainer. Terdapat
beberapa cara untuk memasukkan data ke dalam EViews, diantaranya adalah dengan
memasukkan data langsung ke dalam Workfile Eviews, atau melalui import dari
worksheet aplikasi lain seperti dari Microsoft Excel.
Latihan pertama dalam modul ini adalah membuat sebuah Workfile dengan nama
SukuBunga. Untuk menyiapkan Workfile dilakukan melalui cara sebagai berikut:
a. Melalui menu File > New > Workfile

Pelatihan Time Series untuk staf BI

b. Di dalam kotak Frequency, pilih salah satu frekwensi data berupa series.
Terdapat 8 pilihan, yaitu: Tahunan (Annual), Setengah Tahunan (Semi-annual),
Quartal (Quarterly), bulanan (Monthly), Mingguan (Weekly), Harian 5 hari kerja
(Daily [5 day weeks]), Harian (Daily [7 day weeks]), dan tidak beraturan
(Undated or irregular).
Dalam latihan ini digunakan data dalam series bulanan, sehingga frequency
yang dipilih adalah Monthly.
c. Pada kotak Range, tentukan waktu mulai dan waktu akhir. Aturan yang berlaku
dalam penulisan range untuk frequency tertentu adalah sebagai berikut:
Annual
Tahun antara 1930-2029 dapat diidentifikasikan menggunakan angka dalam
2-4 digit (contoh 30 atau 1930). Eviews tidak menangani tahun sebelum
tahun 100 M.
Semi-annual
Setelah tahun diikuti dengan tanda titik dua (:) dan diakhiri dengan
angka 1 atau 2. Contoh : 1930:1 2029:2
Quarterly
Setelah tahun diikuti dengan tanda titik dua (:) dan diakhiri dengan
angka 1 - 4. Contoh : 1930:1 2029:4
Monthly
Setelah tahun diikuti dengan tanda titik dua (:) dan diakhiri dengan
angka 1 atau 12. Contoh : 1930:1 2029:12
Weekly dan Daily
Secara default
mm/dd/yyyy.

penanggalan mengikuti standar Amerika dalam bentuk

Untuk mengubah standar penanggalan dilakukan melalui

menu Options > Frequency Conversion-Dates dengan memilih bentuk

penanggalan Day/Month/Year.
Undated or Irregular
Tuliskan urutan observasi.

Pelatihan Time Series untuk staf BI

Jika pada kotak isian hanya dituliskan tahun, maka secara implisit frequency
series dituliskan untuk satu tahun penuh. Sebagai contoh jika range ditulis
sebagai 60 90, maka workfile secara implisit range adalah sebagai berikut:
1960-1990

untuk annual

1960:1-1990:2

untuk semi-annual

1960:1-1990:4

untuk quarterly

1960:01-1990:12

untuk monthly

1/01/1960-12/28/1990

untuk weekly

1/01/1960-12/31/1990

untuk daily

60-90

untuk undated or irregular

Dalam latihan ini masukkan pada kotak Start date dengan 2001 dan End date
dengan 2005
d. Tekan OK, maka Workfile telah siap untuk diisi dengan objek-objek lainnya.
Objek yang secara otomatis diciptakan adalah objek c (merupakan objek vektor
koefisien) dan resid (merupakan objek series sisaan).

Sampai dengan langkah ini, maka Workfile telas siap digunakan untuk
memasukkan data. Agar dapat digunakan pada setiap saat, maka Workfile ini

Pelatihan Time Series untuk staf BI

perlu disimpan dalam sebuah file. Untuk menyimpan Workfile lakukan melalui
menu File > Save.
Pada

latihan

ini

simpan

Workfile

yang telah

dibuat

dengan

nama

SukuBunga.wf1.

1.3.1 Memasukkan Data secara langsung ke dalam workfile

Data yang akan digunakan dalam latihan ini adalah data Suku Bunga, yang diambil
secara bulanan dari Januari 2001 sampai dengan Desember 2005.
OBS
2001:1
2001:2
2001:3
2001:4
2001:5
2001:6
2001:7
2001:8
2001:9
2001:10
2001:11
2001:12

Suku
Bunga
18,48
18,44
18,47
18,52
18,62
18,64
18,73
18,82
18,91
19,1
19,15
19,15

OBS
2002:1
2002:2
2002:3
2002:4
2002:5
2002:6
2002:7
2002:8
2002:9
2002:10
2002:11
2002:12

Suku
Bunga
19,08
19,05
18,99
18,99
19,02
19,12
19,07
19,02
19,01
18,97
18,98
18,85

OBS
2003:1
2003:2
2003:3
2003:4
2003:5
2003:6
2003:7
2003:8
2003:9
2003:10
2003:11
2003:12

Suku
Bunga
18,87
18,81
18,8
18,73
18,67
18,43
18,03
17,37
17,16
16,86
16,52
16,18

OBS
2004:1
2004:2
2004:3
2004:4
2004:5
2004:6
2004:7
2004:8
2004:9
2004:10
2004:11
2004:12

Suku
Bunga
16,03
15,94
15,79
15,65
15,38
15,03
14,92
14,77
14,65
14,59
14,51
14,32

OBS
2005:1
2005:2
2005:3
2005:4
2005:5
2005:6
2005:7
2005:8
2005:9
2005:10
2005:11
2005:12

Suku
Bunga
14,32
14,28
14,22
14,26
14,21
14,24
14,21
14,2
15,17
15,46
15,59
15,71

Untuk memasukkan data tersebut dalam Objek EViews dilakukan langkah-langkah

sebagai berikut (Pastikan Workfile yang telah dibuat sedang aktif/terbuka):
a. Pada menu Quick > Empty Group (Edit Series)

Pelatihan Time Series untuk staf BI

b. Masukkan data pada setiap sel, seperti dalam aplikasi worksheet (Misal:
Microsoft Excel), atau jika data telah ada dalam aplikasi lain dapat dilakukan
dengan operasi Copy-Paste ke dalam sel tersebut.
Penting : Bilangan di EViews menggunakan format standar Amerika. Untuk
penulisan koma dilakukan dengan menggunakan titik.
c. Secara default nama dari data akan diberikan dengan nama SER01 dalam kolom
yang bersangkutan dan dituliskan setelah nama obs. Nama ini secara otomatis
akan menjadi objek series dengan nama yang sama.

d. Untuk setiap kolom yang diisi akan dibuatkan objek series dalam Workfile sesuai
dengan nama yang diberikan. Untuk mengubah nama variabel default, klik pada
nama kolom kemudian tuliskan nama objek yang diinginkan. Pengubahan ini akan
diikuti pengubahan nama objek yang terdapat pada Workfile.

Pelatihan Time Series untuk staf BI

1.3.2 Import dari file Excel

Cara lain adalah dengan melakukan import dari dari file lain. Dalam contoh ini data
disimpan dalam file Microsoft Excel dengan nama : Data.xls pada Sheet1.

Dalam data latihan ini terdapat dua kolom, yaitu kolom A diberi nama OBS dan kolom
B diisi dengan SukuBunga. Untuk memasukkan data ini ke dalam EViews (pastikan
Workfile telah diaktifkan/dibuka), lakukan langkah sebagai berikut:
a. Pilih menu File > Import > Read Text-Lotus-Excel
b. Pada kotak dialog Open File pilih, file data tersebut. Dalam latihan ini pilih file
Data.xls

Pelatihan Time Series untuk staf BI

c. Karena data dimulai pada sel B2, maka kotak isian Upper-left data cell tidak
perlu diganti. Demikian juga kotak isian Excel 5+ sheet name tidak perlu
diubah, karena data yang ada pada file Data.xls hanya terdiri dari satu sheet
saja. Kotak yang diubah hanya kotak Names for series or Number if named in
file, yaitu dengan mengisi angka satu (1), karena data yang dimiliki hanya terdiri
dari satu variabel. Kemudian klik OK. Setelah klik OK maka pada Workfile akan
terdapat objek sukubunga.

d. Untuk meverifikasi isinya, lakukan klik double pada objek series sukubunga.

Pelatihan Time Series untuk staf BI

BAB 2

TEKNIK PEMULUSAN

Terdapat dua kelompok dalam pemulusan, yaitu :

1. Metode Rata-rata (Moving Average)
2. Metode Pemulusan Eksponensial (Single, Double, Holt Winter)
Didalam EViews, hanya terdapat menu Metode yang kedua, yaitu Pemulusan
Eksponensial. Untuk metode rata-rata (Moving Average) diperlukan beberapa trik untuk
mendapatkannya.
Dalam modul ini kita akan mencoba semua teknik pemulusan, yaitu Moving Average,
Single, Exponential dan Metode Winter. Untuk itu kita akan menggunakan Workfile yang
telah dibuat sebelumnya, yaitu dengan cara: Jika Workfile belum dibuka, buka Workfile
melalui menu File > Open > Workfile. Kemudian pilih SukuBunga.wf1 tergantung pada
direktori sewaktu menyimpan file tersebut.

Pelatihan Time Series untuk staf BI

2.1 Moving Average

Tidak ada fasilitas menu di dalam EViews untuk melakukan pemulusan dengan teknik
moving average,

tetapi terdapat fungsi untuk membangkitkan series dengan teknik

moving average.
Untuk melakukan pemulusan menggunakan Moving Average pada data berdasarkan Suku
Bunga, lakukan langkah-langkah sebagai berikut:
a. Pilih menu Quick > Generate Series sehingga muncul kotak dialog berikut:

b. Pada kotak Enter equation, tuliskan : sukubungama = @movav(sukubunga,3).

Keterangan:
sukubungama : nama objek series yang dibentuk
@movav : fungsi untuk moving average
sukubunga : objek series yang akan dihitung moving averagenya
3 : panjang atau parameter untuk moving average.

Pelatihan Time Series untuk staf BI

10

c. Setelah di klik OK, maka pada Workfile terdapat objek series sukubungama. Jika
di klik double pada objek tersebut, maka akan tampil series yang dibentuk
seperti terlihat pada gambar berikut:

d. Cara lain untuk menghasilkan seperti diatas adalah dengan menuliskan perintah
series sukubungama = @movav(sukubunga,3) pada window command, kemudian
tekan ENTER.
e. Untuk menampilkan series sukubunga dengan sukubungama dalam satu grafik,
pada Workfile pilih kedua objek ini dengan cara mengklik objek ini sambil
menekan tombol CTRL pada keyboard.

Pelatihan Time Series untuk staf BI

11

f. Kemudian melalui menu, pilih Quick > Graph > Line graph yang akan
menampilkan kotak dialog seperti terlihat pada Gambar di bawah ini.

g. Klik tombol

OK,

maka akan ditampilkan grafik series sukubunga dan

sukubungama dalam satu grafik. Contoh hasil diberikan pada Gambar berikut di
bawah ini (Hasil operasi Copy-Paste).
20
19
18
17
16
15
14
2002

2003

SUKUBUNGA

2004

2005

SUKUBUNGAMA

h. Untuk mendapatkan MSE, tuliskan perintah melalui Command Windows

series galat = sukubunga sukubungama

<Tekan ENTER>

series galat2 = galat^2

<Tekan ENTER>

scalar mse = (@sum(galat2)/60)

<Tekan ENTER>

scalar sqrtmse = @sqrt(mse)

<Tekan ENTER>

Pada Workfile akan didapatkan empat objek tambahan, yaitu galat, galat2
(objek series), mse dan sqrtmse (objek scalar). Untuk melihat nilai mse atau

Pelatihan Time Series untuk staf BI

12

sqrtmse, lakukan klik dua kali pada objek tersebut. Hasilnya akan disajikan pada
Status Line yang ada di bagian bawah (dalam Gambar di bawah tertulis Scalar
SQRTMSE = 0.187142746072.

2.2 Exponential -- Single Smoothing

Untuk melakukan pemulusan menggunakan metode Single Exponential pada data Suku
Bunga, lakukan langkah-langkah sebagai berikut:
a. Melalui menu, pilih Quick > Series Statistics > Exponential Smoothing sehingga
tampil kotak dialog sebagai berikut:

b. Isi dalam kotak Series name dengan sukubunga yang merupakan objek series yang
terdapat pada Workfile Sukubunga.wf1.

Setelah itu klik OK sehingga tampil

kotak dialog berikut seperti terlihat pada Gambar di bawah ini:

Pelatihan Time Series untuk staf BI

13

c. Dari kotak dialog ini tentukan metode dan nama series yang akan dihasilkan.
Untuk itu di kotak Smoothing method, pilih Single dan pada kotak Smoothed
series berikan nama series sukubungasg. Pemberian nama ini boleh bebas untuk
tetapi disarankan menggunakan nama yang mudah dan sesuai untuk metodenya.
Peramalan (forecasting) untuk metode single ini akan konstan, sehingga pada
kotak Estimation sample tidak diperlukan perubahan. Bagian lainnya biarkan
dengan nilai default, kerena EViews akan mencari nilai yang terbaik untuk
parameter.

Gambar di bawah adalah hasil penyesuaian untuk melakukan

pemulusan menggunakan teknik single exponential.

Pelatihan Time Series untuk staf BI

14

d. Setelah klik OK pada langkah sebelumnya, maka akan ditampilkan hasil

pemulusan dari series yang dihasilkan sebagai berikut:

e. Untuk melihat objek series pemulusan yang dihasilkan menggunakan metode ini,
lakukan klik dua kali pada objek sukubungasg.

Pelatihan Time Series untuk staf BI

15

f. Untuk menampilkan grafik series antara sukubunga dengan sukubunga pemulusan

hasil metode ini, lakukan seperti pada langkah moving average di atas, yaitu
dengan memilih objek sukubunga dan sukubungasg kemudian dari menu pilihlah
Quick atau View kemudian pilih Graph > Line graph.

20
19
18
17
16
15
14
2002

2003

SUKUBUNGA

2004

2005

SUKUBUNGASG

2.3 Exponential -- Double Smoothing

Untuk melakukan pemulusan menggunakan metode Double Exponential pada data Suku
Bunga, lakukan langkah-langkah seperti pada metode Single Exponential sampai tahap
(b). Pada tahap (c) metode yang dipilih dalam kotak Smoothing method adalah Double
dan pada kotak Smoothed series untuk keseragaman diganti dengan sukubungadb,
seperti terlihat pada Gambar di bawah ini. Tahap selanjutnya adalah sama dengan
langkah-langkah yang dilakukan pada teknik pemulusan dengan single exponential.

Pelatihan Time Series untuk staf BI

16

Hasil yang diperoleh untuk metode Double Exponential adalah seperti terlihat pada
Gambar di bawah ini.

Berbeda dengan metode Moving Average dan Single Exponential, nilai forecasting
pada akhir periode untuk metode Double Exponential tidak konstan.

Untuk

membuat forecasting sampai dengan akhir tahun 2006, maka sebelumnya harus
dilakukan perubahan pada Range Workfile melalui menu Procs > Change Workfile
Range. Pastikan sebelumnya window Workfile telah aktif dengan cara klik bagian

Pelatihan Time Series untuk staf BI

17

dari window Workfile atau dari menu Window > Workfile : SUKUBUNGA
(c:\sukubunga.wf1).
Setelah kita memilih menu Procs > Change Workfile Range akan ditampilkan kotak
dialog seperti terlihat pada Gambar di bawah ini.

Karena kita akan melakukan forecasting sampai dengan bulan Desember 2006, maka
pada kotak End date ganti dengan 2006:12. Akan terjadi perubahan Range pada
Workfile seperti ditunjukan pada bagian atas di window Workfile.
Ulangi kembali langkah sebelumnya dengan melakukan pengubahan sewaktu mengisi
kotak dialog Exponential Smoothing pada bagian Estimation sample dengan tahun
yang akan diramal.

Tidak ada perbedaan yang diperoleh dari summary, tetapi pada objek series
sukubungadb akan terdapat penambahan forecasting untuk tahun 2006.

Untuk

menampilkan hasil forecating ini pada grafik, maka diperlukan juga pengubahan
Range sample pada Workfile juga harus diubah sesuai dengan yang diingikan melalui
menu Quick > Sample yang akan menampilkan kotak dialog sebagai berikut:

Pelatihan Time Series untuk staf BI

18

Pada kotak sample range pairs (or sample object to copy) ganti dengan 2001:01
2006:12.

Grafik plot series dari series sukubunga dan sukubungadb jika telah

dilakukan perubahan ini, maka akan didapatkan grafik seperti pada Gambar berikut.

20
19
18
17
16
15
14
2002

2003

SUKUBUNGA

2004

2005

2006

SUKUBUNGADB

2.4 Metode Holt-Winter

Untuk melakukan pemulusan menggunakan metode Holt-Winter, dilakukan melalui
langkah-langkah seperti pada Double Exponential supaya mendapatkan hasil peramalan
setelah akhir periode. Perbedaan dengan metode Double Exponential, metode ini harus
mengisi kotak Cycle for seasonal, kecuali untuk metode Winters tanpa musiman (HoltWinter no seasonal).
Pelatihan Time Series untuk staf BI

19

Metode Holt-Winter ini dibagi tiga model (tergantung adanya trend linear dan musiman
dalam seriesnya), yaitu:
1. No Seasonal (mirip dengan Double Exponential tanpa adanya musiman)
2. Additive (Series mengandung musiman yang aditif (penambahan) dan adanya
trend linier)
3. Multiplicative (Series mengandung musiman yang aditif (penambahan) dan
adanya trend linier)
Langkah-langkah yang diperlukan untuk mendapatkan pemulusan ini adalah sama
dengan langkah-langkah pada metode Double Exponential di atas dengan melakukan
pengubahan pada kotak dialog Exponential Smoothing.
Berikut disajikan ringkasan hasil dari ketiga metode metode Holt-Winter ini sebagai
berikut.

2.5 Holt-Winter No seasonal

Hasil yang diperoleh adalah sebagai berikut:

Pelatihan Time Series untuk staf BI

20

2.6 Holt-Winter Additive

Hasil yang diperoleh adalah sebagai berikut:

2.7 Holt-Winter Multiplicative

Hasil yang diperoleh adalah sebagai berikut:

Pelatihan Time Series untuk staf BI

21

Untuk Grafik plot series sukubunga dan ketiga hasil pemulusan menggunakan metode
Holt Winter disajikan pada Gambar di bawah ini.
20
19
18
17
16
15
14
13
2002

2003

2004

SUKUBUNGA
SUKUBUNGAWT1

2005

2006

SUKUBUNGAWT2
SUKUBUNGAWT3

Dari metode-metode pemulusan di atas manakah yang terbaik digunakan untuk kasus
data series Suku Bunga? Untuk menjawab ini, kita tinggal membangdingkan nilai Root
Mean Square Error (MSE) yang dihasilkan oleh metode-metode ini. Nilai Root MSE yang
kecil menunjukkan metode pemulusan yang digunakan semakin baik. Pada kasus data
latihan ini, metode Holt Winter tanpa musiman adalah metode pemulusan yang terbaik
dengan memberikan Root MSE sebesar 0,166660.

Pelatihan Time Series untuk staf BI

22

BAB 3

PEMODELAN MENGGUNAKAN ARIMA

Metode Box-Jenkins (ARIMA) sangat baik digunakan untuk mengkombinasikan pola trend,
faktor musim dan faktor siklus dengan lebih komprehensif.

Disamping itu model ini

mampu meramalkan data historis dengan kondisi yang sulit dimengerti pengaruhnya
terhadap data secara teknis. Salah satu kunci dalam merumuskan model Box-Jenkins
adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1
sampai 1.

Disamping itu, data yang dapat dimodelkan dengan model Box-Jenkins

haruslah stasioner nilai tengah dan stasioner ragam.

Langkah yang dilakukan untuk identifikasi model awal dari Box-Jenkins tanpa musiman
adalah:
a. Buat plot data berdasarkan periode pengamatan (series). Jika data berfluktuasi
pada garis lurus dengan tingkat fluktuasi yang relatif sama maka data tersebut
sudah stasioner. Jika tidak stasioner lakukan diferensiasi.
b. Jika series telah stasioner, buat grafik autokorelasi dan autokorelasi parsial dari
data series. Lihat pola untuk menentukan model ARIMA awal.
c. Lakukan pemodelan ARIMA (p,d,q) sesuai dengan model awal yang ditetapkan
pada bagian b. Kemudian verifikasi kelayakan model yang dihasilkan.
d. Lakukan overfitting, yaitu duga model dengan nilai p, d, q lebih besar dari yang
ditentukan pada model awal.
e. Tetapkan model yang paling baik dengan melihat MSE. Peramalan dilakukan
dengan menggunakan model yang terbaik.
Untuk data series musiman, langkah-langkahnya mirip dengan tanpa musiman, dengan
menambahkan model untuk musiman.

3.1 Series tanpa Musiman

Untuk latihan, akan digunakan data buatan sebagai ilustrasi yang disimpan dalam file
penjualan.xls sheet 1.
Langkah untuk melakukan pemodelan ARIMA dalam EViews adalah sebagai berikut:
1. Masukkan data series yang terdapat pada file penjualan.xls dalam Workfile di
EViews. Frequency yang dipilih untuk Workfile adalah Undated or irregular
dengan banyaknya observasi sebanyak 60 data.

Pelatihan Time Series untuk staf BI

23

2. Hasil pada Workfile adalah sebagai berikut:

3. Lakukan plot data melalui menu Quick > Graph > Line graph untuk data series
penjualan.

Pelatihan Time Series untuk staf BI

24

52
50
48
46
44
42
40
10

20

30

40

50

60

PENJUALAN

Dari data series penjualan ini terlihat bahwa data belum menunjukkan pola tren
karena terbatasnya data diakhir periode data cenderung menurun. Jika dianggap
data telah stasioner, maka kita perlu melakukan differencing untuk menjadikan
data stasioner.
Sebagai catatan langkah untuk differncing dilakukan dengan cara pada Window
Command tuliskan perintah : series dpenjualan = d(penjualan) diikuti dengan
menekan ENTER. EViews menyediakan fungsi untuk differencing, yaitu d (jika
terjadi trend) dan dlog (terjadi trend dan ragam tidak sama).
4. Langkah berikutnya adalah menentukan p dan q untuk parameter ARIMA dengan
cara melihat pola fungsi autokorelasi dan autokorelasi parsial dari data series
dpenjualan. Untuk itu melalui menu Quick pilih Series Statistics > Correlogram
sehingga tampil kotak dialog seperti pada Gambar di bawah.

Pelatihan Time Series untuk staf BI

25

5. Pada kotak Series name isikan nama series, yaitu penjualan, kemudian klik OK.
Berikutnya akan ditampilkan kotak dialog seperti pada Gambar berikut:

6. Setelah klik OK, maka akan ditampilkan plot autokorelasi dan autokorelasi
parsial untuk dpenjualan sebagai berikut:

7. Dari pola ini, maka model awal ditetapkan sebagai ARIMA (1,0,0). Untuk
mendapatkan penduga model tersebut tuliskan dalam Window Command
perintah sebagai berikut:
equation hasil.ls penjualan c ar(1)

Pelatihan Time Series untuk staf BI

<Tekan ENTER>

26

8. Setelah menekan ENTER, secara otomatis akan diciptakan objek equation dengan
nama hasil yang merupakan hasil analisis model untuk ARIMA (1,0,0) seperti
terlihat pada Gambar di bawah.

Jika objek ini di klik double, maka akan keluar model yang diperoleh dengan
model ARIMA (1,0,0) untuk data series penjualan seperti ditunjukkan oleh
Gambar di bawah ini.

Pelatihan Time Series untuk staf BI

27

9. Untuk mencari model terbaik, lakukan overfitting dengan cara menaikkan

parameter model p dengan 2 (ARIMA (2,0,0)). Bandingkan hasil dugaan ini dengan
yang didapat sebelumnya untuk mendapatkan model terbaik.

3.2 Series Musiman

Untuk latihan, akan digunakan data buatan sebagai ilustrasi yang disimpan dalam file
penjualan.xls sheet 2.
Langkah untuk melakukan pemodelan ARIMA dalam EViews adalah sebagai berikut:
1. Masukkan data series yang terdapat pada file penjualan.xls sheet2 dalam
Workfile di EViews. Frequency yang dipilih untuk Workfile adalah Undated or
irregular dengan banyaknya observasi sebanyak 72 data.

2. Lakukan plot data melalui menu Quick > Graph > Line graph untuk data series
penjualan.

Pelatihan Time Series untuk staf BI

28

20

16

12

0
10

20

30

40

50

60

70

PENJUALAN

3. Dari data series penjualan ini terlihat bahwa data tidak menunjukkan pola tren.
Selain itu simpangan lokal data tidak menunjukkan adanya keheterogenan.
Dengan demikian data series penjualan ini telah stasioner.
4. Langkah berikutnya adalah menentukan p,d,q untuk parameter ARIMA dengan
cara melihat pola fungsi autokorelasi dan autokorelasi parsial dari data series
penjualan.

Untuk itu lakukan melalui menu Quick > Series Statistics >

Correlogram yang akan tampil kotak dialog seperti pada Gambar di bawah.

5. Pada kotak Series name isikan nama series, yaitu penjualan, kemudian klik OK.
Berikutnya akan ditampilkan kotak dialog seperti pada Gambar berikut:

Pelatihan Time Series untuk staf BI

29

6. Hasilnya adalah seperti pada Gambar berikut:

7. Dari pola diatas terlihat adanya musiman, sehingga data series harus di
differencing terhadap musiman. Langkah selanjutnya adalah Tuliskan dalam
Window Command perintah
series dpenjualan = d(penjualan,0,12)
Kemudian buat kembali grafik autokorelasi dan autokorelasi parsialnya terhadap
series dpenjualan. Hasilnya dapat dilihat pada Gambar di bawah ini.

Pelatihan Time Series untuk staf BI

30

8. Dengan demikian hasil identifikasi model awal pada kasus ini adalah ARIMA
(1,0,1) (1,1,1)12
9. Untuk mendapatkan dugaan dari model tuliskan perintah berikut pada Window
Command:
equation hasilbaru.ls d(penjualan,0,12) c ar(1) ma(1) sar(12) sma(12)
Hasil yang didapat adalah seperti terlihat pada Gambar di bawah ini.

Pelatihan Time Series untuk staf BI

31

10.

Karena AR(1) tidak signifikan pada model di atas, lakukan penghapusan AR(1)
pada model. Untuk itu tuliskan dalam Window Command:
equation hasilbaru2.ls d(penjualan,0,12) c ma(1) sar(12) sma(12).
Hasil yang diperoleh menunjukkan semua parameter model telah signifikan,
seperti terlihat pada Gambar di bawah ini. Oleh karena itu untuk peramalan
gunakan model ARIMA (0,0,1) x (1,1,1)12

Pelatihan Time Series untuk staf BI

32

Pelatihan Time Series untuk staf BI

33