Forecast ARIMA menggunakan software MINITAB 16

Mengidentifikasi Model Runtut Waktu Data IHK

1. Plot data asli IHK Kab. Smg Thn 2010-2014
Langkah-langkah sebagai berikut:

Stat Time Series Time Series Plot

Muncul kotak dialog time series plot pilih simple OK.

Kotak Dialog time series plot data asli

 Muncul kotak dialog time series plot-simple, Masukkan variabel C1 IHK ke

bagian series.

Klik labels pada kotak dialog time series plot-simple, muncul kotak dialog
time series plot-labels IHK. Ketik pada kotak Title dengan PLOT DATA
IHK, lalu klik OK.

 Output dari analisis diatas:

Plot Data ASLI IHK Kab. Semarang
145
140
135

IHK

130
125
120
115
110
1

12

18

24

30
Index

36

42

48

54

60

Gambar 1: Grafik Data Asli Indeks Harga Konsumen di BAPPEDA bulan

Januari 2010 - Desember 2014.
2. Trend Analisis Data Asli IHK Kabupaten Semarang tahun 2010-2014
Langkah-langkahnya sebagai berikut:
Stat Time Series Trend Analysis

 Pindahkan variabel IHK ke dalam kotak variabel

Pilih model type linear, Klik Options, pada bagian kotak Title ketik
TREND IHK ASLI

Klik pada storage, muncul kotak dialog trend analysis-storage. Piih Fits (trend
line) lalu klik OK.

 Hasil Output dari Trend analisis data asli IHK:

TREND I HK ASLI
Linear Trend Model
Yt = 123,34 + 0,0322* t
145

Variable
Actual
Fits

140

Accuracy Measures
MAPE
6,4395
MAD
7,9510
MSD
95,0783

135

IHK

130
125
120
115
110
1

12

18

24

30
36
Index

42

48

54

60

Gambar 2. Grafik Trend Data Asli IHK Kabupaten Semarang bulan anuari
2010 - Desember 2015
3. Fungsi Autokorelasi Data IHK asli
Langkah-langkahnya sebagai berikut:
Stat Time Series Autocorrelation

 Pindahkan data IHK ke kolom series, pilih default number of lags, dan
select semua check box seperti store AFC, store t statistic, store Ljung-box
Q Statistics. Klik OK.

 Hasil Output Fungsi Autokorelasi Data IHK asli

ACF DATA ASLI I HK
1,0
0,8

Autocorrelation

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 3. Grafik ACF Data Asli IHK Kabupaten Semarang bulan Januari
2010-Desember 2015
Nilai-nilai autokorelasi untuk masing-masing lag
Autocorrelation Function: IHK
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

ACF
0,880805
0,756669
0,631714
0,499907
0,368399
0,247818
0,158305
0,076541
-0,004538
-0,085498
-0,148971
-0,191183
-0,186437
-0,182029
-0,180634

T
6,82
3,67
2,54
1,83
1,28
0,84
0,53
0,25
-0,02
-0,28
-0,49
-0,63
-0,61
-0,59
-0,59

LBQ
48,92
85,64
111,68
128,28
137,46
141,69
143,45
143,87
143,87
144,42
146,10
148,93
151,69
154,36
157,06

4. Fungsi Korelasi Parsial data asli IHK

Langkah-langkahnya sebagai berikut:
Stat Tiem Series Partial Autocorrelation

 Pindahkan data IHK ke kolom series, pilih default number of lags, dan
select semua check box seperti store PAFC, store t statistic. Pada kotak
title ketik PACF DATA ASLI IHK. Klik OK.

Hasil Output Fungsi Korelasi Parsial Data IHK asli

PACF DATA ASLI IHK

1,0

Partial Autocorrelation

0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 4. Grafik PACF Data Asli IHK Kabupaten Semarang bulan

Januari 2010-Desember 2015.
Nilai-nilai autokorelasi parsial untuk masing-masing lag
Partial Autocorrelation Function: IHK
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

PACF
0,880805
-0,085414
-0,073947
-0,107424
-0,085612
-0,045901
0,045867
-0,049780
-0,083675
-0,098025
-0,017256
0,017207
0,158468
-0,050574
-0,075833

T
6,82
-0,66
-0,57
-0,83
-0,66
-0,36
0,36
-0,39
-0,65
-0,76
-0,13
0,13
1,23
-0,39
-0,59

Untuk memberi model sementara pada data asli indeks harga konsumen
kabupaten semarang diatas serta untuk mengetahui apakah data diatas stasioner

atau tidak, maka dicari terlebih dahulu nilai kesalahan standarnya

SE rk =

1
n

karena banyaknya data diatas adalah 60 data berarti n=60, sehingga nilai

standar error autokorelasi adalah

SE rk =

1
=0,129198966
.
60

Batas koefisien autokorelasi dikatakan tidak berbeda secara signifikan dari nol
atau tidak signifikan adalah:
s
Z SErk Z SErk
d 2
2

( )

Z 0,95 0,129198966
2

s
Z
0,129198966
d 0,95
2

( )

s
(1,96 )( 0,129198966 ) ( 1,96 ) ( 0,129198966 )
d
0,253229974

s
0,253229974
d

Suatu data dapat dikatakan stasioner jika nilai koefisien autokorelasi pada lag 2
dan lag 3 tidak berbeda secara signifikan dari nol atau berada diantar rentang batas
koefisien autokorelasi, pada fungsi autokorelasi diatas, diperoleh koefisien
autokorelasi lag 2 sebesar 0,756669 dan lag 3 sebesar 0,631714. Karena nilai lag
2 dan nilai lag 3 berada diluar batas koefisien autokorelasi, maka nilai koefisien
dari lag 2 dan lag 3 berada secara signifikan dari nol atau signifikan, artinya data
asli indeks harga konsumen kabupaten semarang belum stasioner.
Karena data asli IHK diatas belum stasioner maka diperlukan differences, agar
dapat dilakukan peramalan.

Differnce (Data selisih) digunakan untuk menentukan kestasioneran data runtut

waktu jika data aslinya tidak stasioner.
5. DIFFERENCE (Data Selisih Satu)
Langkah-langkah memproses data selisih sebagai berikut:
Stat Time Series differences

Klik data yang ingin dicari selisihnya, kemudian pilih select, ketik kolom
mana yang akan ditempati hasil selisih dari data pada store differences in,
untuk lag selalu diisi dengan angka 1. Jika kita ingin mencari data selisih
ke n maka data yang dipilih dalam series adalah data ke n untuk kotak
disebelah lag diisi dengan angka 1.

 Kemudian klik OK.

Hasil Output Difference (Data Selisih Satu):

Plot Data SELI SI H SATU IHK Kab. Semarang
10

C8

-10

-20

-30

12

18

24

30
Index

36

42

48

54

60

Gambar 5. Grafik data selisih satu IHK Kabupaten Semarang bulan

Januari 2014-Desember 2015

6. Trend Analisis untuk data selisih satu IHK Kabupaten Semarang

Langkah-langkahnya sebagai berikut:

 Stat Time Series Trend Analysis

Pindahkan variabel C8 (data selisih satu) ke dalam kotak variabel

Pilih model type linear, Klik Options, pada bagian kotak Title ketik
TREND IHK SELISIH SATU, klik OK.

 Klik pada storage, muncul kotak dialog trend analysis-storage. Piih Fits
(trend line) lalu klik OK.

Hasil output dari trend difference (Data Selisih Satu) IHK Kabupaten

Semarang

TREND I HK SELI SI H SATU

Linear Trend Model
Yt = 0,93 - 0,028843* t
10

Variable
Actual
Fits

C8

Accuracy Measures
MAPE
245,188
MAD
1,420
MSD
20,556

-10

-20

-30
1

12

18

24

30
36
Index

42

48

54

60

Gambar 6. Grafik Trend Data Selisih Satu IHK Kabupaten Semarang bulan
Januari 2010 Desember 2015
7. Fungsi Autokorelasi data selisih satu IHK
Langkah-langkahnya sebagai berikut:
Stat Time Series - Autocorrelation

Pindahkan data C8 (Data Selisih Satu) ke kolom series, pilih default number
of lags, dan select semua check box seperti store AFC, store t statistic, store
Ljung-box Q Statistics. Klik OK.

 Hasil Output Autokorelasi Difference (Data Selisih Satu) Kabupaten

Semarang:
ACF DATA SELI SI H SATU I HK
1,0
0,8

Autocorrelation

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 8. Grafik ACF Data Selisih Satu IHK kabupaten Semarang Bulan
Januari 2010-Desember 2014
Autocorrelation Function: C8
Lag
1
2
3
4
5

ACF
0,009628
-0,007111
0,031529
-0,002844
-0,046971

T
0,07
-0,05
0,24
-0,02
-0,36

LBQ
0,01
0,01
0,07
0,07
0,22

6
7
8
9
10
11
12
13
14
15

-0,134038
-0,036287
0,004912
0,000597
-0,077224
-0,093531
-0,013264
-0,001858
0,009791
0,006705

-1,03
-0,27
0,04
0,00
-0,58
-0,70
-0,10
-0,01
0,07
0,05

1,44
1,53
1,53
1,53
1,97
2,63
2,64
2,64
2,65
2,65

8. Fungsi Korelasi Parsial Diference (data selisih satu) IHK

Langkah langkahnya sebagai berikut:
Stat Time Series Partial Autocorrelation

Pindahkan data C8 (Data Selisih Satu) ke kolom series, pilih default

number of lags, dan select semua check box seperti store AFC, store t

statistic,

store

Ljung-box

Statistics.

Klik

OK.

Hasil Output Fungsi Parsial Korelasi Difference (Data Selisih Satu)

IHK Kabupaten Semarang:

PACF DATA SELI SI H SATU I HK

1,0

Partial Autocorrelation

0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Partial Autocorrelation Function: C8

Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

PACF
0,009628
-0,007204
0,031672
-0,003519
-0,046500
-0,134601
-0,035671
0,006406
0,009004
-0,079390
-0,109742
-0,038500
-0,007751
0,016331
-0,000090

T
0,07
-0,06
0,24
-0,03
-0,36
-1,03
-0,27
0,05
0,07
-0,61
-0,84
-0,30
-0,06
0,13
-0,00

Untuk memberi model sementara pada data asli indeks harga konsumen
kabupaten semarang diatas serta untuk mengetahui apakah data diatas stasioner

atau tidak, maka dicari terlebih dahulu nilai kesalahan standarnya

SE rk =

1
n

karena banyaknya data diatas adalah 60 data berarti n=60, sehingga nilai

standar error autokorelasi adalah

SE rk =

1
=0,129198966
.
60

Batas koefisien autokorelasi dikatakan tidak berbeda secara signifikan dari nol
atau tidak signifikan adalah:
s
Z SErk Z SErk
d 2
2

( )

(Z ) 0,129198966 d ( Z ) 0,129198966
0,95
2

0,95
2

s
(1,96 )( 0,129198966 ) ( 1,96 ) ( 0,129198966 )
d
0,253229974

s
0,253229974
d

Suatu data dapat dikatakan stasioner jika nilai koefisien autokorelasi pada lag 2
dan lag 3 tidak berbeda secara signifikan dari nol atau berada diantar rentang
batas koefisien autokorelasi, pada fungsi autokorelasi diatas, diperoleh
koefisien autokorelasi lag 2 sebesar -0,007111 dan lag 3 sebesar 0,031529

Karena nilai lag 2 dan nilai lag 3 berada didalam batas koefisien autokorelasi,
maka nilai koefisien dari lag 2 dan lag 3 berada secara signifikan dari nol atau
signifikan, artinya data asli indeks harga konsumen kabupaten semarang
stasioner.
9. DIFFERENCE (Data Selisih Dua)
Langkah-langkah memproses data selisih sebagai berikut:
Stat Time Series differences

 Klik data yang ingin dicari selisihnya, kemudian pilih select, ketik kolom
mana yang akan ditempati hasil selisih dari data pada store differences in,
untuk lag selalu diisi dengan angka 1. Jika kita ingin mencari data selisih
ke n maka data yang dipilih dalam series adalah data ke n untuk kotak
disebelah lag diisi dengan angka 1.

Kemudian klik OK.

Hasil Output Difference (Selisih Dua) IHK kabupateen Semarang :

Plot Data SELISIH DUA I HK Kab. Semarang

40
30
20

C15

10
0
-10
-20
-30
-40
1

12

18

24

30
Index

36

42

48

54

60

Gambar 5. Grafik data selisih dua IHK Kabupaten Semarang bulan Januari
2014 - Desember 2015

10. Trend Analisis untuk data selisih dua IHK Kabupaten Semarang
Langkah-langkahnya sebagai berikut:
Stat Time Series Trend Analysis

 Pindahkan variabel C15 (data selisih dua) ke dalam kotak variabel

Pilih model type linear, Klik Options, pada bagian kotak Title ketik
TREND IHK SELISIH DUA, klik OK.

 Klik pada storage, muncul kotak dialog trend analysis-storage. Piih Fits
(trend line) lalu klik OK.

Hasil output dari trend IHK SELISIH DUA

TREND IHK SELI SI H DUA

Linear Trend Model
Yt = -0,15 + 0,00621* t
40

Variable
Actual
Fits

30

Accuracy Measures
MAPE
150,005
MAD
1,905
MSD
41,740

20

C15

10
0
-10
-20
-30
-40
1

12

18

24

30
36
Index

42

48

54

60

Gambar 6. Grafik Trend Data Selisih Dua IHK Kabupaten Semarang bulan
Januari 2010 Desember 2015
11. Fungsi Autokorelasi data selisih dua IHK
Langkah-langkahnya sebagai berikut:
Stat Time Series - Autocorrelation

Pindahkan data C15 (Data Selisih Satu) ke kolom series, pilih default
number of lags, dan select semua check box seperti store AFC, store t
statistic, store Ljung-box Q Statistics. Klik OK.

 Hasil Output Autokorelasi Data Selisih Dua IHK Kabupaten

Semarang:
ACF DATA SELI SI H DUA I HK
1,0
0,8

Autocorrelation

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 8. Grafik ACF Data Selisih Dua IHK kabupaten Semarang Bulan
Januari 2010-Desember 2014
Autocorrelation Function: C15
Lag
1
2
3
4
5
6
7
8

ACF
-0,491595
-0,027037
0,037497
0,004430
0,021303
-0,093481
0,029321
0,023659

T
-3,74
-0,17
0,23
0,03
0,13
-0,58
0,18
0,15

LBQ
14,75
14,80
14,89
14,89
14,92
15,50
15,56
15,60

9
10
11
12
13
14
15

0,036710
-0,031187
-0,006849
-0,006490
-0,000298
0,009088
-0,011084

0,23
-0,19
-0,04
-0,04
-0,00
0,06
-0,07

15,70
15,77
15,77
15,78
15,78
15,78
15,79

12. Fungsi Korelasi Parsial data selisih dua IHK Kabupaten semarang
Langkah langkahnya sebagai berikut:
Stat Time Series Partial Autocorrelation

Pindahkan data C15 (Data Selisih Dua) ke kolom series, pilih default
number of lags, dan select semua check box seperti store AFC, store t
statistic, store Ljung-box Q Statistics. Klik OK.

 Hasil Output Autokorelasi Data Selisih Dua IHK Kabupaten

Semarang:
PACF DATA SELISI H DUA IHK
1,0

Partial Autocorrelation

0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 8. Grafik PACF Data Selisih Dua IHK kabupaten Semarang

Bulan Januari 2010-Desember 2014
Autocorrelation for C15
Partial Autocorrelation Function: C15
Lag
1

PACF
-0,491595

T
-3,74

2
3
4
5
6
7
8
9
10
11
12
13
14
15

-0,354333
-0,233278
-0,153044
-0,061775
-0,156208
-0,169448
-0,143291
-0,044684
-0,021747
-0,020607
-0,057003
-0,077500
-0,060024
-0,047235

-2,70
-1,78
-1,17
-0,47
-1,19
-1,29
-1,09
-0,34
-0,17
-0,16
-0,43
-0,59
-0,46
-0,36

Untuk memberi model sementara pada data asli indeks harga konsumen
kabupaten semarang diatas serta untuk mengetahui apakah data diatas stasioner

atau tidak, maka dicari terlebih dahulu nilai kesalahan standarnya

SE rk =

1
n

karena banyaknya data diatas adalah 60 data berarti n=60, sehingga nilai

standar error autokorelasi adalah

SE rk =

1
=0,129198966
.
60

Batas koefisien autokorelasi dikatakan tidak berbeda secara signifikan dari nol
atau tidak signifikan adalah:
s
Z SErk Z SErk
d
2
2

(
(

( )

Z 0,95 0,129198966
2

s
Z
0,129198966
d 0,95
2

( )

s
(1,96 )( 0,129198966 ) ( 1,96 ) ( 0,129198966 )
d
0,253229974

s
0,253229974
d

Suatu data dapat dikatakan stasioner jika nilai koefisien autokorelasi pada lag 2
dan lag 3 tidak berbeda secara signifikan dari nol atau berada diantar rentang batas

koefisien autokorelasi, pada fungsi autokorelasi diatas, diperoleh koefisien

autokorelasi lag 2 sebesar -0,027037 dan lag 3 sebesar 0,037497 . Karena nilai
lag 2 berada dan nilai lag 3 berada didalam batas koefisien autokorelasi, maka
nilai koefisien dari lag 2 dan lag 3 berada secara signifikan dari nol atau
signifikan, artinya data asli indeks harga konsumen kabupaten semarang
stasioner.
Dari garfik ACF diatas, nilai koefisien autokorelasi pada lag pertama sebesar
0,491595, karena nilai autokorelasi pada lag pertama signifikan dan pada lag ke
dua tidak signifikan dan pada lag ke dua tidak tidak signifikan maka grafik ACF
terputus pada lag pertama seingga menunjukkan proses MA(1), hal menguatkan
penetapan q=1
Dari garfik PACF diatas, nilai koefisien autokorelasi parsial pada lag pertama dan
lag kedua signifikan sedangkan pada lag pertama dan ketiga tidak signifikan maka
grafik PACF terputus pada lag pertama dan kedua sehingga menunjukkan proses
AR(1) dan AR(2), hal menguatkan penetapan P=1 MAUPUN p=2.
Sehingga dari ACF dan PACF diatas diperoleh p=1 maupun p=2, d=2, q=1. Maka
dapat disimpulkan model sementara untuk data selisih kedua adalah ARIMA
(1,2,1) MAUPUN ARIMA (2,2,1).