I.

MODEL PERSAMAAN
SIMULTAN
 Pengertian Persamaan Simultan

• Suatu himpunan persamaan dimana variabel

dependen dalam satu atau lebih persamaan
juga merupakan variabel independen dalam
beberapa persamaan yang lain.
• Suatu model yang mempunyai hubungan
sebab akibat antara variabel dependen dan
variabel independennya, sehingga suatu
variabel dapat dinyatakan sebagai variabel
dependen maupun independen dalam
persamaan yang lain.
 2. Sifat dasar Model Persamaan Simultan:
• Ada hubungan dua arah atau simultan antara X
dan (beberapa dari) X, yang membuat
perbedaan antara variabel tak bebas dan
variabel yang menjelaskan menjadi meragukan.
• ada lebih dari satu persamaan , satu untuk
variabel tidak bebas atau bersifat endogen atau
gabungan atau bersama .
• dalam model persamaan simultan orang
mungkin tidak menaksir parameter dari satu
persamaan tunggal tanpa memperhitungkan
informasi yang diberikan oleh persamaan lain
dalam sistem
contoh model persamaan simultan
• fungsi permintaan
Qt = α0 + α1Pt + µ1t α< 0 (1.3)
• fungsi penawaran
Qt = α0 + β1Pt + µ2t β> 0 (1.4)
• kondisi keseimbangan Qt = Qt
Qd = kuantitas yang diminta
Qs = kuantitas yang ditawarkan
t = waktu
α dan β adalah parameter
Secara apriori α diharapkan untuk
negatif (kurva permintaan yang
miring ke bawah) dan β
diharapkan positif (kurva
penawaran yang mengarah ke
atas).

P dan Q adalah variabel tak

bebas bergabung. Jika misalnya
µi dalam (1.3) berubah karena
perubahan dalam variabel lain
yang mempengaruhi Qdt (seperti
pendapatan, kekayaan dan
selera), kurva kurva permintaan
akan bergeser ke atas.
• dalam gambar , suatu pergeseran dalam kurva
permintaan merubah baik P dan Q. Serupa
dengan itu suatu perubahan dalam µ2t (karena
pemogokan, cuaca, pembatasan import atau
ekspor dsb). Akan menggeser kurva
penawaran. mempengaruhi P dan Q, karena
ketergantungan simultan antara Q dan P, µ 1t Pt
dalam (2.3) dan µ2t dan Pt (dalam 2.4) tidak
mungkin bebas. Oleh karena itu regresi Q atas
P (2.3) akan melanggar asumsi penting dari
model regresi linear klasik, yaitu asumsi tidak
adanya korelasi antara variabel yang
menjelaskan dan unsur gangguan.
 3. Variabel dalam persamaan
simultan
• Variabel endogen/ endogenous variable : variabel
dependen (tidak bebas) pada persamaan simultan
(jumlahnya sama dengan jumlah persamaan dalam
model simultan) .Variabel endogen bersifat stokastik
• Variabel yang sudah diketahui nilainya/ predetermined
variable : variabel ini diperlakukan sebagai variabel
yang non stokastik yang nilai-nilainya sudah tertentu
atau sudah ditentukan
– Variabel eksogen : - Variabel eksogen sekarang : Xt , Pt
– Variabel eksogen waktu lampau : Xt-1, Pt-1
– Variabel endogen waktu lampau (lagged endogenous
variabel) : Yt-1, Qt-1
 Dapatkah OLS digunakan untuk menaksir
koefisien dalam persamaan simultan?
• Tidak dapat, jika OLS tersebut digunakan
untuk meregres masing-masing persamaan
secara sendiri-sendiri. Karena asumsi dari OLS
adalah nir-stokastik atau jika stokastik, dianggap
tidak tergantung pada variabel residual yang
stokastik. Jika hanya dilakukan regresi pada
salah satu model regresi, maka persamaan
tunggal tersebut tidak dapat diperlakukan
sebagai sebuah model yang lengkap.
• Dapat diterapkan, jika model persamaan
tersebut sudah diubah dalam bentuk reduce
form, yaitu dengan memasukkan salah satu
persamaan pada persamaan yang lain.
 4. Persamaan Bentuk Turunan
(reduce form).
• adalah satu persamaan yang menyatakan
suatu variabel endogen semata mata
dalam variabel yang ditetapkan lebih
dahulu dan gangguan stokastik
• Dua persamaan struktural harus dapat
diselesaikan untuk menjelaskan variabel
endogen sebagai fungsi dari variabel
eksogen
• Reformulasi dari model tersebut disebut dengan
bentuk turunan (reduce form) dari sistem
persamaan struktural. Untuk menemukan
persamaan turunan atau reduce form maka
kedua persamaan harus diselesaikan secara
simultan untuk menemukan nilai (mis Y dan C).
• Sebagai aturan main untuk menemukan
persamaan bentuk turunan jumlah persamaan
struktural harus sebanyak variabel endogen.
5. Masalah Identifikasi (Problems Identification)

• Jika dalam suatu sistem , dari persamaan simultan yang berisi dua
atau lebih persamaan tidaklah mungkin untuk mendapatkan nilai
angka dari tiap parameter dalam tiap persamaan karena
persamaan persamaan tadi tidak bisa dibedakan secara observasi,
atau nampaknya sangat serupa satu dengan yang lain

• Jadi dalam regresi kuantitatif Q atas harga P yang dihasilkan

merupakan fungsi permintaan ataukah fungsi penawaran? Karena
Q dan P masuk ke dalam dua fungsi.
• Oleh karena itu jika kita mempunyai data mengenai Q dan P saja
dan tidak ada informasi lain, akan sulit atau tak mungkin untuk
mengidentifikasi regresi tadi sebagai fungsi permintaan atau
penawaran

• Adalah penting untuk memecahkan masalah identifkasi sebelum

beralih ke langkah penaksiran karena jika kita tidak tahu apa yang
kita taksir, penaksiran semata mata tidak berarti
• Masalah identifikasi timbul karena kumpulan
koefisien struktural yang berbeda mungkin
cocok dengan sekumpulan data yang sama.
• Masalah identifikasi sering dijumpai pada model
ekonometrik yang lebih dari satu persamaan.
Untuk memecahkan masalah ini harus dilakukan
pengujian atau persyaratan agar diketahui
koefisien persamaan mana yang ditaksir.
Persyaratan ini disebut Kondisi (condition)
 5.1. Identifikasi (condition of identification).

• Ada dua macam dalil pengujian

identifikasi, yaitu Order condition dan
Rank condition. Notasi yang dipergunakan
adalah:
– M = jumlah variabel endogen dalam model
– m = jumlah variabel endogen dalam
persamaan
– K = Jumlah variabel predetermined dalam
model
 1. Order Conditions
• Syarat identifikasi suatu persamaan struktural:
– Pada persamaan simultan sejumlah M persamaan
(yang tidak mempunyai predetermined variable)
M-1≥1
Jika M-1 = 1, maka persamaan tersebut
identified.
Jika M-1 > 1, maka persamaan tersebut
overidentified.
Jika M-1 < 1, maka persamaan tersebut
unidentified.
Contoh:
Fungsi Demand Qt = 0 + 1Pt + u1t ......... ..(1.5)
Fungsi Supply Qt = 0 + 1Pt + u2t ............(1.6)
• Pada model ini Pt dan Qt merupakan variable
endogen tanpa predetermined variable, agar
identified maka M-1 = 1, jika tidak maka tidak
identified.
• Pada kasus ini (M = 2) dan 2 – 1 = 1 
identified
Pada persamaan yang memiliki predetermined
variable berlaku aturan:
K – k ≥ m –1
Jika K – k = m –1, identified .
Jika K – k > m –1, overidentified .
Jika K – k < m –1, unidentified
•Contoh:
Fung Demand
Qt = 0 + 1Pt + 2 It + u1t­…………………….………..1.7)
Fungsi Supply
Qt = 0 + 1Pt + u2t………………………………….….. (1.8)
Pada model ini Pt dan Qt merupakan variable endogen dan
It adalah predetermined variable.

Persamaan (1.7) : K – k < m – 1 atau 1 – 1 < 2 – 1 

Unidentified
Persamaan (1.8) : M – 1 = 1 atau 2 – 1 = 1 
Indentified

Persamaan yang dapat diselesaikan dengan sistem

persamaan simultan adalah persamaan yang identified dan
over identified
 5.2.Rank Conditions.
• Identifikasi melalui order condition hanya
merupakan prasyarat dasar tetapi belum
merupakan prasyarat cukup (sufficient
condition). Melalui metode rank condition bisa
memenuhi kedua prasyarat identifikasi
persamaan simultan
• Istilah rank berasal dari terminology di dalam
matrik. Rank dari matrik merujuk kepada square
submatrix order paling besar yang mempunyai
determinan tidak sama dengan nol. Square
matrix adalah matrik yang mempunyai jumlah
kolom dan baris yang sama.
 • Sebagai ilustrasi identifikasi melalui rank
condition, misalnya ada persamaan simultan
sebagai berikut

Yt1t = 10 +12Y2t+13Y3t+β11X1t +e1t (1.9)

Yt2 = 20 +23Y3t+β21X1t+β22X2t +e2t (1.10)

Yt3t = 30 + 31Y1t +β31X1t+ β21X2t +e3t (1.11)

Yt3t = 40+41Y1t +42Y2t + β43X2t + e4te1t (1.12

Dimana Y adalah variabel eksogen dan X adalah variabel

endogen.
Jika persamaan (1.9) – (1.12) dimanipulasi dengan cara
memindahkan semua variabel di sisi kanan persamaan kecuali
variabel gangguan e ke sebelah kiri maka akan menghasilkan
 Tabel 1:sistem persamaan simultan
koefisien
persamaa 1 Y1 Y2 Y3 Y4 X1 X2 X3
n

1.9 - 10 1 -12 -13 0 -β11 0 0

1.10 -20 0 1 -23 0 -β21 β22 0
1.11 -30 -31 0 1 0 -β31 Β32 0
1.12 -40 -41 -42 0 1 0 0 -Β43

Misalnya untuk persamaan 1.9. Persamaan 1.9 tidak

memasukan variabel Y4,X2 dan X3 yang ditunjukan dengan
angka 0 didalam baris pertama persamaan 1
• untuk mengetahui apakah persamaan persamaan tersebut
teridentifikasi atau tidak maka harus mencari matrks order 3x3 dari
koefisien yang tidak ada dalam persamaan 1 tetapi ada di
persamaan yang lain dan kemudian dicari determinannya.matriks
tersebut adalah sebagai berikut:

0 -β21 0
A= 0 - β31 0
1 0 - β41

• Determinan matriks A ini mempunyai determinan 0, yang artinya

tidak memenuhi rank condition sehingga persamaan ini tidak
teridentifikasi
• Suatu persamaan yang mempunyai M persamaan dikatakan
identified, sekurang-kurangnya mempunyai satu determinan
berdimensi (M-1) yang tidak sama dengan nol.
 6.Estimasi persamaan Simultan
Indirect Least Squares (ILS)
Metode ILS dilakukan dengan cara menerapkan
metode OLS pada persamaan reduced form.

Asumsi yang harus dipenuhi dalam penggunaan

prosedur ILS:
Persamaan strukturalnya harus exactly identified.
Variabel residual dari persamaan reduced form-nya
harus memenuhi semua asumsi stokastik dari teknik
OLS. Jika asumsi ini tidak terpenuhi, maka akan
menyebabkan bias pada penaksiran koefisiennya.
Contoh:
Diketahui suatu model persamaan simultan adalah sebagai berikut :
Qd= 0 + 1 P+ 2 X +
v ...........................................................................................(1.13)
Qs= 0 + 1 P + 2 Pl + u .....................................................(1.14)
Dimana:
Qd = Jumlah barang yang diminta
Qs = Jumlah barang yang ditawarkan
P = harga barang
X = Income
Pl = harga Input

• Persamaan reduce form-nya adalah sebagai berikut :

• P= 0 + 1 X +  2 Pl +Ω1 ...........................................(1.15)
• Q=  3 +  4 X +  5 Pl +2 ........................................(1.16)
Persamaan Reduce Form dapat dicari dengan
langkah sebagai berikut:
Selesaikan persamaan
Qd = Qs …....................................................(1.17)
0 + 1 P+ 2 X + v = 0 + 1 P + 2 Pl + u
1 P - 1 P = 0 - 0 - 2 X + 2 Pl + u – v

   0   2   2   uv 
P =  0   X    Pl   

         
 1 1   1 1  1  1   1  1 

P =  0   1 X   3 Pl  
• Kemudian substitusikan persamaan P diatas
dengan salah satu persamaan Q, misalnya
dengan Qd
• Qd = 0 + 1 P+ 2 X + v

Qd = 0 + 1   0   0    2    2   u  v 
          X       Pl       + 2 X + v
 1 1   1 1  1 1  1 1
Qd = 0 +  1 0  1 0   1 2   1 2   1u  1v 
          X       Pl      
  + 2 X + v
 1 1   1 1  1 1  1 

Qd = 0 +  1 0  1 0   1 2 

   
     u  1v 
 X   1 2  Pl   1  + 2 X + v
 1  1   1  1   1   1   1  1 
 • Lalu samakan semua penyebutnya
dengan 1  
Qd =   01   0 1   1 0  1 0   1 2   1 2   1u  1v 
        X    Pl   
 1  1   1  1   1  1   1  1   1  1 
+   1 2   1 2    v   1v 
  X   1 
 1  1   1  1 

 1 0   0 1    2 1       u  1v 
Qd =      X   1 2  Pl   1 
+
1  1   1  1   1  1   1  1 

Qd =  3   4 X   5 Pl  
• Dari persamaan reduce form-nya
diperoleh 6 koefisien reduksi yaitu: 0 1
2 3 4 dan 5 yang akan digunakan
untuk menaksir 6 koefisien structural yaitu
0, 1, 2, 0, 1 dan 2
 6.2. Two Stage Least Squares (TSLS)
• Metode TSLS sering digunakan dengan alasan:
• Untuk persamaan yang overidentified, penerapan TSLS
menghasilkan taksiran tunggal (sedangkan ILS
menghasilkan taksiran ganda).

• Metode ini dapat diterapkan pada kasus exactly

identified. Pada kasus ini taksiran TSLS = ILS.

• Dengan TSLS tidak ada kesulitan untuk menaksir

standar error, karena koefisien struktural ditaksir secara
langsung dari regresi OLS pada langkah kedua
(sedangkan pada ILS mengalami kesulitan dalam
menaksir standar error).
II. A R I M A (METODE BOX JENKINS)
 2.1. Pengertian
• ARIMA (autoregresive integrated moving average) dapat
diartikan sebagai gabungan dua model, yaitu Model
Autoregresi (AR) dan Moving Average (MA). Model ini
tidak mempunyai suatu variabel yang berbeda sebagai
variabel bebas, tetapi menggunakan informasi dalam
series yang sama dalam membentuk model, yang pada
akhirnya sangat bermanfaat untuk peramalan.
•
• Model AR berbentuk hubungan antara variabel terikat Y
dengan variabel bebas yang merupakan nilai Y pada
waktu sebelumnya.

• <odel MA menunjukkan ketergantungan variabel terikat Y

terhadap nilai nilai residual pada waktu sebelumnya
secara berurutan. Gabungan kedua model inilah
yangsangat berguna dalam menganalisis time series,
dengan sebutan ARIMA.
• Analisa ini berbeda dengan model struktural baik model kausal
maupun simultan dimana persamaan model tersebut menunjukkan
hubungan antara variabel variabel ekonomi. Alasan utama
menggunakan teknik Box-Jenkin karena gerakan variabel variabel
ekonomi yang diteliti sperti pergerakan nilai tukar, harga saham,
inflasi seringkali sulit dijelaskan oleh teori teori ekonomi

• Di dalam model ini tidak ada asumsi khusus tentang data historis
dari time series (runtut waktu), tetapi menggunakan metode iteratif
untuk menentukan model yang terbaik. Model yang terpilih
kemudian akan dicek ulang dengan data historis apakah telah
menggambarkan data dengan tepat. Model terbaik akan diperoleh
jika residual antara model peramalan dan data historis kecil,
didistribusikan secara random dan independen.

• Model ARIMA umumnya dituliskan dengan notasi ARIMA (p,d,q). P

adalah derajat proses AR, d adalah orde pembedaan, dan q adalah
derajat proses MA. Adanya nilai pembedaan (d) pada model ARIMA
disebabkan aspek aspek AR dan MA hanya dapat diterapkan pada
data time series yang stasioner.
 2.1. Model Dan Sifat Sifatnya
• Model model yang dapat menjelaskan
pergerakan suatu data time series dengan cara
menghubungkan data tersebut dengan : (i) data
masa lalu(AR) dan/atau (ii) deviasi random saat
ini dan masa lalu (MA). Secara spesifik yang
akan dianalisis :
(a). Model MA sederhana untuk proses stasioner
(b). Model AR sederhana untuk proses stasioner
(c). Model model campuran antara AR dan MA untuk
proses stasioner
(d). Model integrasi antara AR dan MA untuk proses
tidak stasioner
 2.1.1. Model model moving avarage
• Model MA mempunyai ordo (q), sehingga model tersebut biasanya
dituliskan sebagai MA(q). Model MA ini menyatakan bahwa nilai
prediksi variabel dependen Yt hanya dipengaruhi oleh nilai residual
sebelumnya atau tiap tiap observasi dibentuk dari rata rata
tertimbang deviasi (disturbance) q periode sebelumnya atau model
MA tingkat pertama atau disingkat MA(1). Model MA(1) dapat ditulis
dalam persamaan sebagai berikut :
Yt = α0 + α1et + α2et-1 ................................................................
(2.1)
Dimana ;
et = residual
et-1 = lag tingkat pertama residual
secara umum model MA dapat dinyatakan dalam bentuk persamaan
sebagai berikut :
Yt= α0 + α1et – α 2et-1 – α 3et-2 - ......+ α qe1-q ...........................(2.2)

α1α2αq = parameter yang dapat bersifat positif dan negatif

et-1 et-2, et-q = lag dari residual
q = tingkat/orde MA
 2.2.2. Model auto regressive (AR)
• Model AR menunjukkan nilai prediksi variabel dependen
Yt hanya merupakan fungsi linear dari sejumlah Yt aktual
sebelumnya. Misalnya nilai variabel dipenden Yt hanya
dipengaruhi oleh nilai variabel tersebut satu periode
sebeumnya maka model ini disebut model
autoregresivve tingkat pertama: model ini dapat ditulis
sebagai berikut :
Yt = β0+ β1Yt-1+e t .................................................(2.3)
Dimana :
Y = variabel dependen
Yt-1 = periode sebelumnya(Lag) dari Y
•Secara umum bentuk umum model Autoregresivve (AR)
dapat dinyatakan dalam persamaan sebagai berikut :
Yt= β0+ β1Yt-1 + β2Yt-2 + ... βpYt-p +et .....(2.4
Dimana :
Y = variabel dependen
Yt-1 Yt-2 Yt-p = lag dari Y
et = residual
p = tingkat AR

Residual dalam persamaan tersebut sebagaimana model OLS

mempunyai karakteristik nilai rata rata 0, varian konstant dan tidak
saling berhubungan. Model AR menunjukkan bahwa nilai prediksi
variabel Yt hanya merupakan fungsi linear dari sejumlah Yt aktual
sebelumnya.
2.2.3. Model autoregressive – moving avarega (ARMA)

• Seringkali perilaku suatu data time series dapat

dijelaskan dengan baik melalui penggambungan
antara model AR dan MA.
• Model gabungan ini disebut autoregrssive –
moving avarage (ARIMA). Misalnya nilai variabel
dependen Yt dipengaruhi oleh lag pertama Yt
dan lag pertama residual maka modelnya
disebut dengan model ARMA (1,1). Model
ARMA (1,1) dapat ditulis dalam bentuk
persamaan sebagai berikut :
Yt = β0 + β1Yt-1 + β2Yt-2 + α0et + α1et-1 +
α2et-2 + ..+ αqet-q
 2.2.4. Model Autoregressive integrated moving
avarage (ARIMA)
• Model AR, MA dan ARMA sebelumnya mensyaratkan bahwa data
time series yang diamati mempunyai sifat stasioner. Data time
series dikatakan stasioner jika memenuhi 3 kriteria yaitu :jika data
time series mempunyai rata rata, varian dan kovarian yang
konstant. Namun dalam kenyataannya data time series seringkali
tidak stasioner namun stasioner pada proses diferensi (difference).
• Proses diferensi adalah suatu proses mencari perbedaan antara
data satu periode dengan periode yang lainnya secara berurutan.
Data yang dihasilkan disebut data diferensi tingkat pertama. Jika
kita kemudia melakukan diferensi data tingkat pertama maka akan
menghasilkan data diferensi tingkat kedua, dan seterusnya
• Seandainya data time series tidak stasioner dalam leve ,
maka data tersebut kemungkinan menjadi stasioner
melalui proses diferensi atau jika data tidak stasioner
pada level maka perlu dibuat stasioner pada tingkat
diferensi. Model dengan data yang stasioner melalui
proses diffrencing ini disebut model ARIMA. Dengan
demikian jika data stasioner pada proses differencing d
kali dan mengaplikasikan arima (p,q), maka modelnya
ARIMA (p,d,q) dimana p adalah tingkat AR, d tingkat
proses membuat data menjadi stasioner dan q
merupakan tingkat MA. ARIMA (2,1,2) berarti
menunjukkan AR(2), proses differencing 1 untuk
membuat data stasioner dan tingkat MA pada level 2.
Model AR (2) oleh karena itu tidak lain merupakan model
ARIMA (2,0,0)
2.3. Metodologi Box Jenkin
1. Identifikasi Model. Dalam langkah ini kita mencari nilai p,d dan
q dengan menggunakan correlogram.
2. Etimasi parameter. Setelah mendapatkan nilai p dan q, maka
selanjutnya kita mengamati parameter model ARIMA yang kita
pilih pada l,ngkah pertama.estimasi parameter dapat
dilakukan melalui metode kuadrat terkecil atau metode
estimasi yang lain seperti maximum likelihood.
3. uji diagnosis. Setelah mendapatkan estimator model ARIMA,
akan dipilih model yang mampu menjelaskan data dengan
baik. Caranya dengan melihat apakah residual bersifat
random sehingga merupakan residual yang relatif kecil. Jika
tidak maka kita harus kembali ke langkah pertama amemilih
model yang lain.
4. Prediksi. Setelah mendapatkan model yang baik , maka
selanjutnya model dapat digunakan untukmemprediksi.
 2.4. Identifikasi model ARIMA
Uji stasioner melalui Correlogram.
Metode sederhana yang dapat digunakan untuk menguji
apakah data stasioner atau tidak adalah dengan melihat
correlogram melalui autocorrelation function ( ACF). ACF
menjelaskan seberapa besar korelasi data yang
berurutan dalam runtut waktu. ACF dengan demikian
merupakan perbandingan antara kovarian pada lag k
dengan variannya. ACF lag k (pk) dapat ditulis sebagai
berikut:
Pk = γk / γ0 .....................................................................................(2.6)
∑ (Yt-Ỹ)(Yt+k – Ỹ)
Dimana γk = ------------------- ................................................(2.6.1)
n
∑ (Yt – Ỹ)2
Dimana γ0 = ------------------- ........................................................(2.6.2)
n
• n adalah jumlah observasi dan Ỹ adalah rata
rata. Nilai ACF ini akan terletak pada -1 dan 1.
persamaan pada MA merupakan ACF untuk
populasi sehingga kita perlu melakukan estimasi
ACF melalui sample autocorrelation function
(SACF).SACF pada lag k dengan demikian
dapat ditulis
γk
pk = ------- .....................................................(2.7)
γ0
bagaimana dari SACF kita bisa amengetahui
apakah suatu data time series stasioner atau
tidak? Cara yang paling mudah dan cepat
adalah melihat besarnya nilai SACF. Jika nilai
SACF pada setiap lag sama dengan nol maka
data adalah stasioner
2.4.2. Identifikasi model
Secara grafis pemilihan model ARIMA dengan ACF dan PACF (partial
autocorrelation function) dapat dilihat dalam gambar berikut :
Gambar 2.1. : koefisien ACF dan PACF untuk model AR(1) dan AR(2)
Model AR(1) : Yt = b0+b1Yt-1+ et ....(2.8)
• Model AR (2): Yt = b0+b1Yt-1+ b2Yt-2 +
et.(2.9)
Gambar2.2. : koefisien ACF dan PACF untuk model MA(1) dan MA(2)
Model MA(1) : Yt = c0 + c1et+c2et-1..............(2.10)
Model MA (2) : Yt = c0 + c1et+c2et-1 + c3et-2 ..............................(2.11)
 Gambar 2.3. :
Koefisien ACF dan PACF untuk model ARMA (1,1)
Model ARMA (1,1) b0+b1Yt-1+et+c1et-1 ..............(2.12)
 Tabel 1: Pola ACF dan PACF

Pola ACF Pola PACF

model

AR (p) Menurun secara exponential Menurun drastis pada lag

tertentu
MA (q) Menurun drastis pada lag tertentu Menurun secara exponential
ARMA (p,q) Menurun secara exponential Menurun secara exponential
 2.4.3. Estimasi model ARIMA
•Berdasarkan identifikasi model, model tentatif differensiai
1(DI) model ARIMA (1,1,0) ARIMA(0,1,1) maupun
ARIMA(1,1,1). Sehingga model tentatif ARIMA dapat
dibetuk persamaan sebagai berikut:
D1t = β0+β1AR(1)+et
D1t = β0+β1MA(1)+et
D1t = β0+β1AR(1) + MA(1) + et
D1 merupakan perbedaan (diferensiasi) pertama

Setelah kita mempunyai model tentatif ARIMA maka kita estimasi

model tentatif persamaan tersebut. Pada tahap estimasi ini akan diuji
kelayakan model dengan cara mencari model terbaik. Model terbaik
didasarkan pada goodness of fit yaitu tingkat signifikansi variabel
independen termasuk konstanta melalui uji t, uji F maupun nilai
koefisien determinasi (R2)
2.4.4 Uji diagnosa model ARIMA
• Pada tingkat identifikasi setelah menemukan bahwa model tentatif
adalah ARIMA (0,1,1). Stelah mendapatkan estimator model ARIMA
(0,1,1)maka perlu untuk mmelakukan uji diagnosa (model yang
dipilih mampu menjelaskan data dengan baik) dengan melihat
aapakah residual yang diperoleh relatif kecil karena bersifat random
(white noise).
• Cara untuk melihat apakah residualnya bersifat random
adalah dengan cara menganalisis residual dengan
correlogram baik melalui ACF maupun PACF. Jika
koefisien ACF maupun PACF secara individual tidak
signifikan maka residual yang kita dapatkan bersifat
random.dengan demikian tidak perlu mencarilagi model
Alternatif ARIMA. Jika residual tidak bersifat white noise
maka kita harus kembali ke langkah pertama untuk
memilih model yang lain.
• Signifikansi tidaknya koefisien ACF dan PACF bisa
dilihatmelalui uji dariBarlet, Box dan Pierce maupun
Ljung-Box.
 2.4.5 Prediksi

• Setelah kita memperoleh model yang

tepatmelalui langkah 1 – 3 dari metodologi
Box-jenkin maka tahap terakhir adalah
prediksi. Hasil estimasi yang telah
diperoleh akan digunakan untuk
memprediksi perilaku .