Anda di halaman 1dari 2

Langkah dalam Analisis Time Series dengan Metode BOX Jenkins 1.

Plot data awal, guna memastikan data tidak mengandung pola efek musiman MINITAB : Stat > Time Series > Time Series Plot > ok (y=data) 2. Cek Stationeritas stasioner dalam variansi ataukah tidak, jika tidak maka ditransformasi Jika tidak stationer dalam variansi maka ditransformasi dengan melihat nilai estimasi lamda. (lamda) transformasi -1 1/xt -0.5 1/sqrt(xt) 0 Ln(xt) 0.5 Sqrt(xt) 1 Tidak ditransformasi Transformasi Box Cox MINITAB : Stat > control Chat > Box Cox Transformation. (single column : data, subgroup:1,store single column :trans-OK); pada option pilih use optimal (lamda) Kemudian data yang telah ditransformasi diplot, apakah sudah stationer ataukah belum, jika belum maka dilakuakan differencing.

Jika tidak stationer dalam mean maka dilakukan differencing. MINITAB : Stat > Time Series > differens > data yang telah ditransformasi (leg : diff 1 X) lalu diplot kembali untuk melihat grafik apakah telah stationer atau belum.

3. Jika sudah stationer maka tetapkan data yang dipakai untuk analisis. 4. Lakukan proses identifikasi orde AR dengan melihat plot PACF dan orde MA dengan melihat plot ACF. Lihat Plot ACF - MINITAB : Stat > time series > autocorrelation series = data dan checklist graphical ACF OK. Lihat plot PACF MINITAB : Stat > time series > partial autocorrelation series = data dan checklist graphical PACF OK.

5. Kemudian didapat model awalnya. 6. Langkah selanjutnya adalah overfitting 7. Lakukan Uji asumsi model dari output MINITAB : no autokorelasi residual (plot ACF dan PACF), homoskedastisitas residual, normalitas residual (histogram) 8. Forecasting Dari model terbaik yang terpilih yakni yang memuat nilai MSE yang terkecil. Lalu lakukan forecasting MINITAB : stat > time series > ARIMA > series datanya >lead (berapa periode yang ingin diforecast )> origin data (jumlah data asli) > storage forecast (kolom untuk data yang diforecast) (jangan lupa mengembalikannya seperti sebelum ditransformasi)