ESTIMASI PARAMETER

ARIMA

Dr. Ruminta

@Ruminta 2009
 Estimasi Nilai Parameter
• Model AR (p)
Parameter AR yaitu nilai φi diperoleh dari fungsi autokorelasi (ρk)
melalui persamaan Yule Walker :

ρk = φ1ρk-1 + φ2 ρk-2 + ... + φp ρk-p

Untuk k =1,2,3, …, p diperoleh :
ρ1 = φ1 + φ2 ρ1 + ... + φp ρp-1
ρ2 = φ1ρ1 + φ2 + ... + φp ρp-2
... = ........... + ........... + ... + ........
ρp = φ1ρp-1 + φ2 ρp-2 + ... + φp
@Ruminta 2009
Atau dalam bentuk persamaan matrik :

⎡ ρ1 ⎤ ⎡ 1 ρ1 ρ2 K ρ p−1 ⎤ ⎡φ1 ⎤
⎢ρ ⎥ ⎢ ρ 1 ρ1 K ρ p−2 ⎥⎥ ⎢⎢φ2 ⎥⎥
⎢ ⎥=⎢2 1
.
⎢M⎥ ⎢ M M M O M ⎥⎢ M ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎢⎣ ρ p ⎥⎦ ⎢⎣ρ p−1 ρ p−2 ρ p−3 K 1 ⎥⎦ ⎢⎣φ p ⎥⎦
Jadi parameter model φI :
-1
⎡φ1 ⎤ ⎡ 1 ρ1 ρ2 K ρ p−1 ⎤ ⎡ ρ1 ⎤
⎢φ ⎥ ⎢ ρ 1 ρ1 K ρ p−2 ⎥⎥ ⎢ρ ⎥
.⎢ ⎥ = ⎢ ⎢ 2⎥
2 1

⎢M⎥ ⎢ M M M O M ⎥ ⎢M⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣φ p ⎥⎦ ⎢⎣ ρ p−1 ρ p−2 ρ p−3 K 1 ⎥⎦ ⎢⎣ ρ p ⎥⎦
@Ruminta 2009
Varians dari model AR :
σ 2
σ =
2 e
1 − ρ1φ1 − ρ2φ2 − ... − ρ pφ p
y

Untuk model AR(1) disebut juga proses Markov :

yt = φ1 yt −1 + et
ρk
φ1 = Karena ρ = 1 dan k=1, maka :
ρk −1
0

ρk ρ1 ρ1
φ1 = = = = ρ1
ρk −1 ρ 0 1
@Ruminta 2009
Varians dari model AR (1):
σ 2
σ 2
σ y2 = e
= e2
1 − ρ1φ1 1 − φ1

Parameter model AR (2): yt = φ1 yt −1 + φ1 yt −2 + et

ρ1 (1 − ρ1 )
φ1 =
1 − ρ1 2

ρ 2 − ρ12
φ2 =
1 − ρ12
σ 2
Varians dari model AR (2): σ =2 e
1 − ρ1φ1 − ρ2φ2
y

@Ruminta 2009
• Model MA (q)
Parameter MA yaitu nilai θi diperoleh dari fungsi
autokorelasi (ρk) melalui persamaan :

− θk + θ1θk-1 + ... + θq-kθq

ρk =
1 + θ + θ + ... + θ
1
2 2
2
2
q

Varians dari model MA :

σ = (1 + θ + θ + ... + θ )σ
2
y 1
2 2
2
2
q
2
e

Parameter MA (1) : yt = θ1et −1 + et

− θ1 θ1
ρ1 = ⇔ θ1 + + 1 = 0
2

1 + θ12
ρ1
@Ruminta 2009
Atau 1 1
θ1 = − + −1
2 ρ1 (2 ρ1 ) 2

1 1
θ1 = − − −1
2 ρ1 (2 ρ1 ) 2

Varians dari model MA (1):

σ y2 = (1 + θ12 )σ e2

Parameter MA (2) : yt = θ1et −1 + θ 2et −2 + et

− θ1 (1 − θ 2 )
ρ1 =
1 + θ1 + θ 2
2 2

@Ruminta 2009
 − θ2
ρ2 =
1 + θ12 + θ 22

Varians dari model MA (2): σ y2 = (1 + θ12 + θ 22 )σ e2

• Model ARMA (p,q) dan ARIMA (p,d,q)
Parameter ARMA atau ARIMA yaitu nilai φi dan θi
diperoleh dari fungsi autokorelasi (ρk) :

1 + θ12 − 2φ1θ1 2
ρ0 = σe
1 − θ12

(1 − φ1θ1 )(φ1 − θ1 ) 2
ρ1 = σe
1 − θ1 2

ρk = φ1ρk-1 , k≥2
@Ruminta 2009
Parameter ARMA (1,1) : yt = φ1 yt −1 + θ1et −1 + et
Dengan mengeliminasi varians σe2 pada persamaan
autokrelasi diperoleh paramater model ARMA melalui
persamaan berikut

(1 − φ1θ1 )(φ1 − θ1 )
ρ1 =
1 + θ1 − 2φ1θ1
2

ρ 2 = φ1 ρ1
Varians model ARMA (1,1) :

1 ⎛ 2 ρ 2
⎞ 2
σy =
2
2 ⎜
⎜1 + 1
⎟⎟σ e
n(1 − φ1 ) ⎝ ρ1 − ρ1 ⎠
@Ruminta 2009
Parameter ARIMA (1,1,1) : ∆yt = φ1∆yt −1 + θ1et −1 + et
Dengan mengeliminasi varians σe2 pada persamaan
autokrelasi diperoleh paramater model ARIMA melalui
persamaan berikut

(1 − φ1θ1 )(φ1 − θ1 )
ρ1 =
1 + θ1 − 2φ1θ1
2

ρ 2 = φ1 ρ1
Varians model ARMA (1,1,1) :

1 ⎛ 2 ρ 2
⎞ 2
σy =
2
2 ⎜
⎜1 + 1
⎟⎟σ e
n(1 − φ1 ) ⎝ ρ1 − ρ1 ⎠
@Ruminta 2009
 Pengujian Diagnostik
(Diagnostic Checking)
• Pengujian model ARIMA dilakukan terhadap
autokorelasi sisa (residual), menggunakan statistik
Q Ljung-Box. Pengujian ini disebut test
Portmanteau. Statistik Q mempunyai distribusi Chi
Kuadrat (χ2) dengan db = k-p-q yang diuji. Uji
autokorelasi juga dapat dilakukan dengan uji
Durbin-Watson (d).
• Jika hasil uji menunjukkan ada autokorelasi yaitu
nilai Q signifikan (Q>χ2tabel) atau nilai d tidak
mendekati 2, perlu kembali ke tahap indentifikasi
untuk mengevaluasi model melalui penggunaan lag
berikutnya.
@Ruminta 2009
 Uji Portmanteau
Pengujian autokorelasi residu model ARIMA
menggunakan statistik Q Ljung-Box :
m 2
r
Q = n ( n + 2) ∑ k

k =1 n − k

dimana
n = jumlah observasi data deret waktu
k = lag (time lag)
m = jumlah lag yang dijuji
rk = fungsi autokorelasasi residu pada periode lag k
@Ruminta 2009
Formulasi pengujian hipotesis : H 0: ρ1 = 0
H1: ρ1 ≠ 0
Kriteria uji Portmanteau : nilai Q
Nilai kritis : χ2 pada Tabel Chi Kuadrat (db = m-p-
q dan taraf nyata α)

Kaidah keputusan :
⎧≤ χα2 ,db → Terima H o : ρ = 0
Bila Q ⎨
⎩ > χα ,db → Terima H1 : ρ ≠ 0
2

Apabila nilai Q signifikan menunjukkan masih ada

autokorelasi residu sehingga model tidak layak
digunakan untuk peramalan.
@Ruminta 2009
 Uji Durbin Watson (d)
Pengujian autokorelasi residu model ARIMA
menggunakan uji Durbin Watson (d) :

∑ (e
t =2
t − et −1 ) 2

d= n

∑t =1
2
et

@Ruminta 2009
Kriteria nilai uji Durbin Watson (d) :

Nilai d Kriteria
0 Menunjukkan autokorelasi positif
sempurna (perfect positive
correlation)
2 Menunjukan tidak ada autokoralsi
(no autocorrelation)
4 Menunjukkan autokorelasi negatif
sempurna (perfect negative
autocorrelation)

@Ruminta 2009
 Peramalan (Forecasting)
• Peramalan dapat dilakukan oleh model ARIMA
yang dinyakatan secara statistik layak untuk
dipergunakan setelah model tersebut dijui melaui
test Portmanteau atau uji Durbin-Watson.
• Test terhadap model ARIMA sangat penting
sampai sejauh mana model tersebut dapat
digunakan untuk peramalan dengan baik.
• Pengujian model dapat dilakukan di dalam
sampel ataupun di luar sampel data deret waktu
yang dianalisis. Tetapi yang paling baik adalah
terhadap data deret waktu di luar yang
dianalisis.
@Ruminta 2009
 Tipe Peramalan
• Peramalan satu tahap ke depan (one-step-ahead)
: peramalan hanya untuk satu observasi
berikutnya.
• Peramalan multi tahap ke depan (multi-step-
ahead) : peramalan untuk 1,2,3,…s tahap ke
depan.
• Peramalan rekursif : peramalan dimana waktu
estimasi awal ditentukan tetapi setiap observasi
tambahan dimasukan satu per satu ke dalam
panjangnya waktu estimasi.
• Peramalan “rolling” : peramalan dimana periode
waktu estimasi ditentukan tetapi waktu dimulai dan
diakhiri meningkat secara suksesif setia 1 tahap.
@Ruminta 2009
 Akurasi Peramalan
Akurasi peramalan didasarkan pada perbedaan
antara hasil peramalan dengan data observasi pada
waktu yang sama (t) dapat dianalisis melalui :

1. Error Total (ET)

2. Mean Error (ME)
3. Mean Absolute Error (MAE)
4. Percentage Error (PE)
5. Mean Percentage Error (MPE)
6. Mean Absolute Percentage Error (MAPE)
7. Mean Squared Error (MSE)
8. Root Mean Squared Error (RMSE)
@Ruminta 2009
 Error Total (ET)
• Jumlah semua error :

n n
ET = ∑ (Yt − Yˆt ) = ∑ et
t =1 t =1

• Menggunakan error asli (positif atau

negatif)
• Total error (ET) dapat positif atau
negatif
• Mengukur bias dalam peramalan
• Peramalan yang baik ET mendekati nol.
@Ruminta 2009
 Mean Error (ME)
• Rataan dari semua error :

n
1
ME = ∑ et
n t =1
• Menggunakan error asli (positif atau
negatif)
• ME dapat positif atau negatif
• Mengukur bias dalam peramalan
• Peramalan yang baik ME mendekati
nol.
@Ruminta 2009
 Mean Absolute Error (MAE)
• Rataan dari semua error :

1 n
MAE = ∑ et
n t =1
• Menggunakan error asli (positif atau
negatif)
• MAE bernilai positif
• Mengukur bias dalam peramalan
• Peramalan yang baik MAE mendekati
nol.
@Ruminta 2009
 Percentage Error (PE)
• Persetase error :

⎛ Yt − Yˆt ⎞
PEt = ⎜⎜ ⎟ ×100
⎟
⎝ Yt ⎠

• Bernilai positif atau negatif

• Mengukur bias, model yang baik PE
mendekati nol
@Ruminta 2009
 Mean Percentage Error (MPE)
• Rataan dari persetase error :

n
1
MPE = ∑ PEt
n t =1

• Bernilai positif atau negatif

• Mengukur bias, model yang baik MPE
mendekati nol
@Ruminta 2009
 Mean Absolute Percentage Error
(MAPE)
• Rataan dari persentase error absolut :

n
MAPE = ∑[PEt ]
1
n t =1
• Selalu bernilai positif
• Mengukur besarnya (magnitude) error
• Satuan : %
@Ruminta 2009
 Mean Squared Error (MSE)

• Rataan dari error kuadrat :

n
1
MSE = ∑ et 2

n t =1

• Selalu bernilai positif

• Mengukur besarnya error
@Ruminta 2009
Root Mean Squared Error (RMSE)
• Akar kuadrat dari MSE :

n
1
RMSE = ∑
n t =1
2
et

• Selalu bernilai positif

• Mengukur besarnya error
• Standar deviasi dari error peramalan.
@Ruminta 2009
 Uji U Theil
yt + s − f t , s 2
T
( )
xt + s
u= ∑
t =T1
yt + s − fbt , s
( )
xt + s
fbt , s = nilai peramalan dari model ARIMA hasil identifikasi
yt + s = data observasi pada waktu t + s
s = waktu peramalan
U = 1 → baik model ARIMA hasil identifikasi maupun
hasil peramalan model adalah sama akuratnya
U < 1 → hanya hasil peramalan model yang terbaik
U > 1 → hanya model ARIMA hasil identifikasi yang terbaik
@Ruminta 2009
 Teladan 1
Tentukan Model ARIMA yang paling
cocok untuk menggambarkan model
data :
1. Produksi BBM,
2. Impor beras
3. Penjualan CPO,
4. Jumlah sunspot,
seperti ditunjukkan pada gambar dan
tabel berikut.

@Ruminta 2009
 Tahun Produksi BBM Waktu
Y t

1. Data Produksi BBM 1960

1961
1962
1963
6.577
6.855
6.939
7.557
1
2
3
4
1964 8.065 5
1965 8.314 6
Produksi BBM (100 Ribu Ton)
1966 8.009 7
19
1967 8.357 8
18 1968 9.404 9
1969 9.447 10
17 1970 9.388 11
1971 9.831 12
16
1972 10.409 13
15 1973 11.551 14
1974 11.301 15
14 1975 12.168 16
13 1976 12.852 17
1977 12.426 18
12 1978 13.346 19
1979 14.657 20
11
1980 14.561 21
10 1981 15.144 22
1982 15.254 23
9 1983 16.224 24
8 1984 16.118 25
1985 17.389 26
7 1986 17.94 27
1987 18.483 28
6
1988 18.398 29
5 1989 19.233 30
Tahun 1990 19.16 31
1964 1968 1972 1976 1980 1984 1988 1992 1991 19.334 32
1992 19.854 33
@Ruminta 2009
 ACF dan PACF Produksi BBM
Produksi BBM Produksi BBM

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0

-0.2 -0.2
-0.4 -0.4

-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Lag Lag

Dari ACF tidak meluruh menunjukkan data tidak

stasioner, data perlu dideferensiasi, untuk d=1 :

@Ruminta 2009
 ACF dan PACF Produksi BBM (d=1)

Produksi BBM Produksi BBM

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0

-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Lag Lag

ACF dan PACF menunjukkan meluruh

secara osilasi dimulai pada lag 1. Jadi
model yang cocok adalah ARIMA (1,1,1)
@Ruminta 2009
 Time Series Plot for Produksi BBM
(with forecasts and their 95% confidence limits)
25

20
Produksi BBM

15

10

5
1 5 10 15 20 25 30 35
Time

@Ruminta 2009
 Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 0.0379 0.3680 0.10 0.919
MA 1 0.5418 0.3140 1.73 0.095
Constant 0.40619 0.03589 11.32 0.000

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8.8 15.0 * *
DF 9 21 * *
P-Value 0.456 0.824 * *

∆Yt=0.406 + 0.038 ∆Yt-1+ et + 0.542et-1

Yt – Yt-1 =0.406 + 0.038 (Yt-1 –Yt-2) + et + 0.542et-1

Yt =Yt-1 + 0.406 + 0.038 (Yt-1 –Yt-2) + et + 0.542et-1

@Ruminta 2009
2. Data Impor Beras 3
4
3
4
50
200
1 5 250
2 6 150
3 7 200
883 Impor Beras (Ribu Ton) 4 8 300
834 1 9 350
785 2 10 200
3 11 150
736
4 12 400
687 1 13 550
638 2 14 350
589 3 15 250
4 16 550
540
1 17 550
491 2 18 400
442 3 19 350
393 4 20 600
1 21 750
344
2 22 500
295 3 23 400
246 4 24 650
197 1 25 850
2 26 600
148
3 27 450
99 4 28 700
50
Quorter
4 8 12 16 20 24 28

@Ruminta 2009
 ACF dan PACF Impor Beras
Impor Beras Impor Beras

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0

-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 1 2 3 4 5 6 7
Lag Lag

Dari ACF dan PACF tidak meluruh menunjukkan

data tidak stasioner, data perlu dideferensiasi,
untuk d=1 :
@Ruminta 2009
 ACF dan PACF Impor Beras (d=1)
Impor Beras Impor Beras

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0

-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 1 2 3 4 5 6 7
Lag Lag

ACF dan PACF menunjukkan meluruh

secara osilasi dimulai pada lag 1. Jadi
model yang cocok adalah ARIMA (2,1,2)
@Ruminta 2009
 Time Series Plot for Impor Beras
(with forecasts and their 95% confidence limits)
1400

1200

1000
Impor Beras

800

600

400

200

0
1 5 10 15 20 25 30 35 40
Time

@Ruminta 2009
 Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 0.0615 0.0794 0.77 0.447
AR 2 -0.9988 0.0808 -12.36 0.000
MA 1 1.0130 0.2339 4.33 0.000
MA 2 -0.0672 0.2467 -0.27 0.788
Constant 42.7707 0.6239 68.56 0.000

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 11.3 16.4 * *
DF 7 19 * *
P-Value 0.126 0.632 * *

∆Yt=42.771 + 0.062 ∆Yt-1-0.999 ∆ Yt-2 + et + 1.013et-1 -0.067et-2

Yt – Yt-1 = 42.771 + 0.062 (Yt-1 –Yt-2) -0.999(Yt-2 –Yt-3) + et + 1.013et-1 -0.067et-2

Yt = Yt-1 + 42.771 + 0.062 (Yt-1 –Yt-2) -0.999(Yt-2 –Yt-3) + et + 1.013et-1 -0.067et-2

@Ruminta 2009
 3. Data Penjualan CPO Minggu Penjual an
1
2
CPO
275
291
3 307
Penjualan CPO (Ribu Ton)
4 281
5 295
6 268
7 252
05 8 279
9 264
10 288
11 302
12 287
13 290
85 14 311
15 277
16 245
17 282
18 277
19 298
65
20 303
21 310
22 299
23 285
24 250
45 25 260
26 245
27 271
28 282
29 302
Minggu 30 285
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32

@Ruminta 2009
 ACF dan PACF Penjualan CPO
Penjualan CPO Penjualan CPO

1.0 1.0

0.8 0.8

0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2

0.0 0.0

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Lag Lag

ACF dan PACF menunjukkan meluruh

secara osilasi dimulai pada lag 1. Jadi
model yang cocok adalah ARIMA (1,0,1)

@Ruminta 2009
 Time Series Plot for Penjualan CPO
(with forecasts and their 95% confidence limits)
340

320

300
Penjualan CPO

280

260

240

220
1 5 10 15 20 25 30 35 40
Time

@Ruminta 2009
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 0.5539 1.1559 0.48 0.636
SAR 4 -0.9887 0.1177 -8.40 0.000
MA 1 0.4073 1.2088 0.34 0.739
SMA 4 -0.5709 0.2209 -2.58 0.016
Constant 249.124 2.797 89.08 0.000
Mean 280.783 3.152

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 4.0 8.6 * *
DF 7 19 * *
P-Value 0.784 0.980 * *

@Ruminta 2009
 4. Data Sunspot
Bulan 1994 1995 1996 1997 1998 1999
Januari - 1.208 1.202 1.272 1.411 1.431
Februari - 0.700 0.599 0.938 1.089 0.903
Maret - 0.524 0.564 0.785 0.800 0.613
April - 0.444 0.433 0.480 0.552 0.697
Mai - 0.424 0.365 0.488 0.503 0.396
Juni - 0.490 0.459 0.461 0.465 0.528
Juli 0.639 0.904 0.598 0.681 0.603 0.662
Augustus 1.115 0.913 0.889 0.799 0.830 0.830
September 1.371 1.560 1.346 1.272 1.128 1.395
Oktober 1.792 1.863 1.796 1.574 1.638 1.771
November 1.884 2.012 1.867 1.697 1.695 1.846
Desember 1.519 1.088 1.224 1.282 1.445 -

@Ruminta 2009
 2.5

2
Bilangan Sunspot

1.5

0.5

0
1 6 11 16 21 26 31 36 41 46 51 56 61

Waktu (Bulan)

@Ruminta 2009
 ACF dan PACF Jumlah Sunspot
Jumlah Sunspot Jumlah Sunspot

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0

-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Lag

Dari ACF tidak meluruh menunjukkan data tidak

stasioner, data perlu dideferensiasi, untuk d=1 :

@Ruminta 2009
 ACF dan PACF Jumlah Sunspot (d=1)
Jumlah Sunspot Jumlah Sunspot

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0

-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Lag

ACF dan PACF menunjukkan meluruh

secara osilasi dimulai pada lag 2. Jadi
model yang cocok adalah ARIMA (2,1,2)
@Ruminta 2009
 Time Series Plot for Jumlah Sunspot
(with forecasts and their 95% confidence limits)

2.0

1.5
Jumlah Sunspot

1.0

0.5

0.0
1 6 12 18 24 30 36 42 48 54 60 66 72 78 84
Time

@Ruminta 2009
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 -0.2944 0.3092 -0.95 0.346
AR 2 0.4651 0.1823 2.55 0.014
SAR 12 -0.1621 0.2525 -0.64 0.524
MA 1 0.3053 0.3537 0.86 0.393
MA 2 0.5876 0.2942 2.00 0.052
SMA 12 0.7230 0.2392 3.02 0.004
Constant 0.001014 0.001294 0.78 0.437

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 19.6 32.0 42.3 54.2
DF 5 17 29 41
P-Value 0.001 0.015 0.053 0.082

@Ruminta 2009
 MODEL ARIMA LEADING
INDIKATOR
• Memadukan analisis regresi dan deret waktu. Model
ini menggunakan prediktor dari variabel lain yang
hubungan kausalitasnya tinggi.
• Jika variabel prediktor X1, X2, …, Xn dan variabel
respon (data deret waktu) Yi, maka model ARIMA
Leading Indikator dapat dinyatakan sebagai :

ω ( L) ω ( L) ω ( L) θ ( L)
Yt = X 1,t + X 2,t + ... X n ,t + et
δ ( L) δ ( L) δ ( L) φ ( L)

Regresi ARIMA
@Ruminta 2009
dimana

X 1,t , X 2,t ,.... X n ,t = leading indikator

et = Yt − Yˆt

ω (L ) = (1 + ω1 L + ω2 L2 + ...... + ω p Lp )

δ (L ) = (1 + δ1 L + δ 2 L2 + ...... + δ p Lp )

θ (L ) = (1 + θ1 L + θ 2 L2 + ...... + θ p Lp )

φ (L ) = (1 + φ1 L + φ2 L2 + ...... + φ p Lp )
@Ruminta 2009