MODUL 8

MODEL-MODEL ARW MUSIMAN

Secara umum model ARW Musiman dinyatakan sebagai model : ARIMA(p,d,q)(P,D,Q)S yang mempunyai bentuk umum sbb :
t = q ( B )Q ( B S ) at p ( B ) P ( B S )(1 B ) d (1 B ) D Z

dengan : p,d,q P,D,Q = orde AR, diff, MA non musiman (NS) = orde AR, diff, MA musiman (S) 3,4,6,12

p ( B) = (1 1B 2 B 2 .... p B p ) Polynomial AR(p)NS q ( B ) = (1 1B 2 B 2 .... q B q ) Polynomial MA(q)NS

P ( B S ) = (1 1B S .... P B S ) - Polynomial AR(P)S Q ( B S ) = (1 1B S ......Q B S ) - Polynomial MA(Q)S

Macam-Macamnya :
1). MODEL ARIMA(P,D,Q)s MUSIMAN NON MULTIPLIKATIF STASIONER 2). MODEL ARIMA(P,D,Q)s MUSIMAN NON MULTIPLIKATIF NON STASIONER 3). MODEL ARIMA(p,d,q)(P,D,Q)s MUSIMAN MULTIPLIKATIF STASIONER 4). MODEL ARIMA(p,d,q)(P,D,Q)s MUSIMAN NON STASIONER DLM MEAN NON MUSIMAN 5). MODEL ARIMA(p,d,q)(P,D,Q)s MUSIMAN NON STASIONER DLM MEAN MUSIMAN 6). MODEL ARIMA(p,d,q)(P,D,Q)s MUSIMAN NON STASIONER DLM MEAN NON MUSIMAN DAN MEAN MUSIMAN 1. MODEL ARIMA(P,D,Q)s MUSIMAN NON MULTIPLIKATIF STASIONER Bentuk Umum Model ini adalah : Jenis-Jenis Model ini antara lain :
A) MODEL SAR - ARIMA(1,0,0)12 ATAU ARIMA(0,0,0)(1,0,0)12 2 Z t = 1Z t 12 + at dengan at ~ N (0, a )

t = Q ( B S )at P ( B S )Z

Secara teoritis dapat ditunjukkan bahwa mean, varian, Autokovariansi, ACF dan PACF dari model SAR ini adalah :

t ) = 0 = t ) = 0 dan Var ( Z E (Z

2 a 2 (1 1 )

DARI AUTOKOVARIANSI TSB MAKA ACF DAN PACF MODEL SAR DAPAT DITURUNKAN SEBAGAI BERIKUT :

2 a , k =0 2 (1 1 ) k 12 k = 1 o , k = 12, 0, k yang lain

1, k = 0 k 12 k = 1 , k = 12, 0, k yang lain

DAN

kk

. k = 12 = 0. k = 0

B. MODEL SMA MODEL ARIMA(0,0,0)(0,0,1)12

2 Z t = at 1at 12 dengan at ~ N (0, a )

Secara teoritis dapat ditunjukkan bahwa mean, varian, Autocovariansi, ACF dan PACF model SMA adalah :

t ) = 0 = t ) = 0 dan Var ( Z E (Z

2 2 (1 + 1 ) a

2 2 (1 + 1 ) a , k =0 2 k = 1 a , k = 12, 0, k yang lain

DARI AUTOKOVARIANSI TSB MAKA ACF DAN PACF MODEL SMA DAPAT DITURUNKAN SEBAGAI BERIKUT :

1, k = 0 1 k = , k = 12, 2 1 1 0, k yang lain

DAN

. k = 12,24,.. kk = 0. k = 0

C. MODEL SARMA MODEL ARIMA(0,0,0)(1,0,1)12

Z t = 1Z t 12 + at 1at 12
Secara teoritis dapat ditunjukkan bahwa mean, varian, Autocovariansi, ACF dan PACF model SARMA adalah :

t 1Z t 12 = at 1at 12 Z t = Z
(1 B12 ) (1 B
12

Jika disederhanakan diperoleh :

2 24 t = 0) at = (1 + 1B12 + 1 B + ...)(1 1B12 )at > E ( Z

Sedang variansinya adalah :

2 24 t = (1 + 1B12 + 1 t = 0) Z B + ...)(1 1B12 ) at > E ( Z

Jika disedserhanakan maka diperoleh :

2 t = at + (1 + 1 )[at 12 + 1at 24 + 1 Z at 36 + ....

Selanjutnya dengan menggunakan sifat-sifat variansi, maka diperoleh :

2 2 2 2 4 2 t ) = a Var ( Z + (1 1 ) 2 [ a + 1 a + 1 a + .... atau 2 2 t ) = (1 + ( 1 1 ) ) a t ) = ( (1+ 1 211 ) a Var ( Z ==> Var ( Z 2 2 (1 1 ) (1 1 )
2 2

Sedang untuk Autokovariansinya dapat diturunkan sebagai berikut :

t , Z t 12 ) 1 = 2 = 3 = .... = 10 = 11 = 0 = = = > 12 = E ( Z
Dengan melihat model-model sebelumnya, maka dapat disederhanakan

Jika disederhanakan lebih lanjut maka diperoleh :

12 = E ( at + (1 + 1 )[at 12 + ..])(at 12 + (1 + 1 )[at 24 + 1at 36 + ..]) 12 = [

( 1 1 )(1 11
2 (1 1 )

2 ) a ==> 13 = 14 = 15 = 16 = 17 = .. = 23 = 0

Jika proses ini diteruskan, maka diperoleh Autokovariansi model SARMA sebagai berikut :

bentuk

umum

2 2 11 ) 2 (1+ 1 a ,k = 0 2 (1 1 ) ( )(1 ) 2 k = 1 1 2 1 1 a , k = 12 (1 1 ) 1 k 12, k = 24,36,48

Sehingga ACF untuk model SARMA adalah :

1 ,k = 0 ( )(1 11 ) k = 1 21 , k = 12 (1+ 1 2 11 ) 1 k 12, k = 24,36,48

Dengan menggunakan Rumus Darbin (1960) maka PACF untuk model SARMA adalah :

kk

k , k = 12 k 1 k k 1, j k j j =1 = k , k = 24,36,.. 1 1 k 1, j k j j =1 k = yang lain 0,

2). MODEL ARIMA(P,D,Q)s MUSIMAN NON MULTIPLIKATIF NON STASIONER

Bentuk Umum ARW jenis ini adalah

t = Q ( B S )at P ( B S )(1 B ) D Z
Jenis-Jenis Model yang termasuk kelompok ini, antara lain : a). Model SARI (0,0,0)(1,1,0)12 (1 1B b). Model SIMA (0,0,0)(0,1,1)12 (1 B ( Model SARIMA ) Differencing dalam model ini D = 3,4,6,12. (1 B Biasanya disimbulkan dengan Wt
4 D 12

t = at )(1 B D ) Z

t = (1 1B12 )at )Z 12 D 12 c). Model (0,0,0)(1,1,1)12 (1 1B )(1 B ) Z t = (1 1B ) at t = Z t Z t 4 )Z

t = Z t Z t 4 = (1 B 4 ) Z

Dalam praktek, jika data asli belum di defferncing, maka nilai ACF mendekati satu dan turun secara lambat pada lag-lag 12,24,36,48,.. dan turun seperti garis lurus, sehingga untuk menstasionerkan dilakukan operator differencing musiman Jika data setelah didefferencing musiman, maka nilai ACF dan PACFnya akan mengikuti nilai-nilai ACF dan PACF model ARIMA musiman yang stasioner, sesuai dengan orde SAR dan SMA atau ARIMA (P,0,Q)12 = SARMA(P,Q) = ARMA(P,Q)12

3). MODEL ARIMA(p,d,q)(P,D,Q)s MUSIMAN MULTIPLIKATIF

STASIONER Beberapa Model yang termasuk dalam kelompok ini, antara lain : a). Model ARIMA(0,0,1)(0,0,1)12 MASMA b). Model ARIMA(1,0,0)(1,0,0)12 ARSAR c). Model ARIMA(0,0,1)(1,0,0)12 MASAR d). Model ARIMA(1,0,0)(0,0,1)12 ARSMA a). Bentuk Umum Model MASMA :

t = (1 1B )(1 1B12 )at Z

Sebagaimana model-model di atas, maka rata-rata, variansi , ACF dan PACF dari model MASMA dapat dinyatakan sebagai berikut :

t ) = 0 , = (1 + 2 )(1 + 2 ) 2 E (Z 0 1 1 a
2 2 (1 + 1 )(1 + 12 ) a ,k = 0 2 2 (1 + 1 )(1 ) a , k = 1 k = 2 k = 11,13 ( ) a , 2 2 ( )(1 + 1 ) a , k = 12

Dengan demikian ACF Model MASMA adalah

1, k =0 1 , k =1 2 ( 1 + ) 1 k = 11 , k = 11,13 (orde S 1, S + 1) 2 ) (1+12 )(1+ 1 1 , k = 12 (orde S ) 2 ( 1 + ) 1

kk =

k k 1, j k j
1 k 1, j j
j =1 j =1 k 1

k 1

b). Bentuk Umum Model ARSAR :

t = at (1 1B )(1 1B12 ) Z

Sebagaimana model sebelumnya, secara teoritis ACF dari model ARTSAR ini adalah :

k = 1 k 1 + 112 k 1113 k , k = 1,2,... dan nilai

PACFnya tidak nol pada lag 1, 12 dan lag 13. c). Bentuk Umum Model MASAR :

t = (1 1B )at (1 1B12 ) Z

Secara teoritis bentuk MASAR ini mempunyai ACF tidak sama dengan nol pada lag 1, 11, 12, 13, 23, 24, 25 , ... atau secara umum pada lag 1, S1, S, S+1, 2S-1, 2S, 2S+1,...
k 12 k = 1 , k = 1,2,.. 1 k 12 k 1 = 1+ 2 1 , k = 0,1,2,.. 1 12 k = 0, k = lain

Sedang PACFnya menggunakan Durbin (1960) adalah sebagai berikut : adanya dua lag peak PACF pada lag 1 dan lag 12, dimana setelah lag 1 PACF turun eksponensial dan peak lagi pada lag 12 kemudian turun eksponensial seiring bertambahnya lag k

d). Bentuk Umum Model ARSMA :

t = (1 1B12 )at (1 1B ) Z

Secara teoritis bentuk ARSMA ini mempunyai ACF akan menyerupai PACF dari model ARIMA(0,0,1)(1,0,0)12, yakni adanya dua lag peak ACF pada lag 1 dan lag 12, dimana setelah lag 1 nilai ACF akan turun eksponensial, peak lagi pada lag 12dan kemudian turun eksponensial menuju nol seiring bertambahnya lag k. Namun demikian PACF dari model ini akan menyerupai PACF model ARIMA(0,0,1)(1,0,0)12, yakni bernilai sama dengan nol hanya pada lag 1, 11, 12,13, 23, 24, 25 atau secara umum pada lag 1, S-1, S, S+1, 2S-1, 2S, 2S+1,... 4). MODEL ARIMA(p,d,q)(P,D,Q)s MUSIMAN NON STASIONER DLM MEAN NON MUSIMAN Bentuk Umum Model ini adalah :

p ( B ) P ( B S )(1 B ) d (1 B ) D Z t = q ( B )Q ( B S ) at

Dimana orde d berbeda dengan nol, hal ini menunjukkan bahwa model adalah non stasioner dalam rata-rata non musiman. Contoh : Model ARIMA(1,1,0)(1,0,0)12 d=1 non stasioner mean dalam non musiman ( model biasa ). Jika model ini disederhanakan diperoleh :
t = at (1 1B )( B (1 1B12 )(1 B)1 Z

Dalam model ini nilai ACF dan PACFnya dapat dijelaskan sebagai berikut :

1.

Data asli sebelum didefferencing : Nilai ACF mendekati satu dan turun secara lambat (garis lurus). Untuk menstasionerkan dilakukan differencing non musiman (d=1, d=2).==> Wt Data setelah didefferncing, nilai ACF dan PACFnya akan mengikuti nilai ACF dan PACF dari model ARIMA yang stasioner, sesuai dengan orde AR dan orde MA yakni ARIMA(p,0,q) (P,0,Q)12 dalam contoh ini modelnya menjadi ARIMA(1,0,0)(1,0,0)12

2.

5). MODEL ARIMA(p,d,q)(P,D,Q)s MUSIMAN NON STASIONER DLM MEAN MUSIMAN

Bentuk Umum Model ini adalah :

p ( B ) P ( B S )(1 B ) d (1 B ) D Z t = q ( B )Q ( B S ) at

Dimana orde D berbeda dengan nol, hal ini menunjukkan bahwa model adalah non stasioner dalam rata-rata musiman. Contoh : Model ARIMA(1,0,0)(1,1,0)12 D=1 non stasioner mean dalam musiman. Jika model ini disederhanakan diperoleh : t = at (1 1B )(1 1B12 )(1 B12 )1 Z

Dalam model ini nilai ACF dan PACFnya dapat dijelaskan sebagai berikut :
1.

Data asli sebelum didefferencing : Nilai ACF mendekati satu dan turun secara lambat (garis lurus) pada lag kelipatan musimannya (12,24,36,..). Untuk menstasionerkan dilakukan differencing musiman, biasanya (D=1, D=2).==>.Wt Data setelah didefferncing, nilai ACF dan PACFnya akan mengikuti nilai ACF dan PACF dari model ARIMA musiman yang stasioner, sesuai dengan orde AR dan orde MA yakni ARIMA(p,0,q)(P,0,Q)12 dalam contoh ini modelnya menjadi ARIMA(1,0,0)(1,0,0)12

2.

6). MODEL ARIMA(p,d,q)(P,D,Q)s MUSIMAN NON STASIONER DLM MEAN NON MUSIMAN DAN MEAN MUSIMAN Bentuk Umum Model ini adalah :

p ( B ) P ( B S )(1 B ) d (1 B ) D Z t = q ( B )Q ( B S ) at

Dimana orde d dan D berbeda dengan nol, hal ini menunjukkan bahwa model adalah non stasioner dalam rata-rata non musiman maupun musiman.

Contoh : Model ARIMA(0,1,1)(0,1,1)12 d=1, D=1 non stasioner mean dalam non musiman dan musiman. Jika model ini disederhanakan diperoleh :
t = (1 1B )(1 1B12 )at (1 B12 )1 (1 B )1 Z

Dalam model ini nilai ACF dan PACFnya dapat dijelaskan sebagai berikut :
1.

Data asli sebelum didefferencing : Nilai ACF mendekati satu dan turun secara lambat (garis lurus). Sedang nilai PACFnya terpotong setelah lag 1 atau lag 1 dan lag 2. Untuk menstasionerkan dilakukan differencing non musiman (d=1, d=2).==> Data hasil differencing satu non musiman t dinyatakan sebagai Yt = (1 B ) Z Data setelah didefferncing non musiman, nilai ACF mendekati satu dan turun secara lambat pada laglag kelipatan periode musimannya (12,24,36,) dan penurunannya garis lurus. Misalnya dalam contoh di atas, setelah didif d=1 nilai ACF dan PACF seperti pada model ARIMA(0,0,q) (0,D,Q)12 dalam kasus ini modelnya menjadi ARIMA(0,0,1)(0,1,1)12

2.

3.

Hasil diff non musiman kemudian diff lagi musiman yakni (D=1 atau D=2). Data hasil diff musiman ( setelah terlebih dahulu didiff non musiman) dinotasikan sebagai :
t Wt = (1 B12 )Yt = (1 B )1 (1 B12 )1 Z

4.

Data setelah didefferncing non musiman dan differencing musiman, nilai ACF dan PACFnya akan mengikuti nilai ACF dan PACF dari model ARIMA musiman yang stasioner, sesuai dengan orde AR dan orde MA yakni ARIMA(p,0,q) (P,0,Q)12 Misalnya dalam kasus ini modelnya menjadi ARIMA(0,0,1)(0,0,1)12

BERIKUT AKAN DIBERIKAN CONTOH MODEL-MODEL YANG TERMASUK DALAM JENIS ARW MUSIMAN, PERLU DIKETAHUI BAHWA MUSIMANNYA DAPAT BERUPA TRIWULANAN (3 BLN), KUARTALAN (4 BLN ), SEMESTERAN (6 BLN) MAUPUN TAHUNAN (12 BLN ). MODEL ANALISISNYA SAMA SEPERTI MODEL ARIMA BIASA ( NON MUSIMAN ), DENGAN MENGGUNAKAN 4 PRINSIP PEMODELAN STATISTIKA ( STATISTICAL MODELLING) : PARSIMONY SIGNIFIKANSI PARAMETER WHITE NOISE BERDISTRIBUSI NORMAL MEMPUNYAI MSE, AIC,SBC, VARIAN YANG RELATIF KECIL

Contoh : Data Penerbangan Internasional TSPLOT :

Ti me S er i es P l ot of C1
600

500

400 C1 300 200 100 1 14 28 42 56 70 84 Index 98 112 126 140

ACF PLOT :

ACF For Inter nati onal Ai r l i ne

1,0 0,8 0,6 A ut ocor r elat ion 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 Lag 20 25 30 35

PACF PLOT
P ACF Inter nati onal Ai r l i ne
1,0 0,8 Pa r t ial A ut ocor r elat ion 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 Lag 20 25 30 35

KARENA DARI HASIL PLOT DI ATAS MENUNJUKKAN BAHWA MODEL BELUM STASIONER BAIK DALAM VARIAN MAUPUN DALAM MEAN, MAKA PERLU DILAKUKAN TRANSFORMASI BOX-COX DAN DIFFERENCING NON MUSIMAN ( d=1) KEMUDIAN PLOT ACF DAN PACF . LAGI HASILNYA SEBAGAI BERIKUT

UJI TRANSFORMASI BOX-COX :

Box -Cox P l ot of C1
160 140 120 100 80 60 40 20 -5,0 -2,5 0,0 Lambda 2,5 5,0 Limit
Lower C L Upper C L Lambda (using 95,0% confidence) Estimate Lower CL Upper CL Best Value -0,072921 -0,394060 0,284010 0,000000

St Dev

HAS IL TR AN S FOR MAS I LOGAR ITMA

6,5

6,0

C2

5,5

5,0

4,5 1 14 28 42 56 70 84 Index 98 112 126 140

HAS IL DIFFER EN CIN G

0,2

0,1

C3

0,0

-0,1

-0,2 1 14 28 42 56 70 84 Index 98 112 126 140

ACF (S TAS ION ER ) For Inter nati onal Ai r l i ne

1,0 0,8 0,6 A ut ocorr elat ion 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 Lag 20 25 30 35

P ACF (S TAS ION ER )Inter nati onal Ai r l i ne

1,0 0,8 Pa r t ial A ut ocor r elat ion 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 Lag 20 25 30 35

KARENA MASIH BELUM STASIONER MAKA PERLU DILAKUKAN DIFFERENCING MUSIMAN (D=1)12 HASILNYA SEBAGAI BERIKUT :

HAS IL DIFFER EN CIN G MUS IM AN (D=1 )1 2

0,15 0,10 0,05 C4 0,00 -0,05 -0,10 -0,15 1 14 28 42 56 70 84 Index 98 112 126 140

ACF (S TAS ION ER )1 2 For Inter nati onal Ai r l i ne

1,0 0,8 0,6 A ut ocorr elat ion 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 Lag 20 25 30

P ACF (S TAS IO N ER )1 2 Inter nati onal Ai r l i ne

1,0 0,8 Pa r t ial A ut ocor r elat ion 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 Lag 20 25 30

DARI PLOT TERAKHIR TERLIHAT BAHWA MODEL SUDAH STASIONER BAIK DALAM MEAN ATAU VARIAN SEHINGGA PERLU DIDUGA MODEL SEMENTARA . TERLIHAT BAHWA PLOT ACF MENUNJUKKAN BAHWA MODEL TSB SIGNIFIKAN PADA LAG 1,3 DAN 12 SEDANG PACF SIGNIFIKAN PADA LAG 1,3,9,12. SEHINGGA MODEL SEMENTARANYA ADALAH MODEL ARIMA(0,1,1)(0,1,1)12 ATAU ARIMA (1,1,0)(1,1,0)12. SELANJUTNYA DILAKUKAN UJI SIGNIFIKANSI PARAMETER DAN UJI DIAGNOSTIK MODEL TERMASUK WHITE NOISE BERDISTRIBUSI NORMAL ATAU TIDAK. HASILNYA SEBAGAI BERIKUT :
ARIMA Model: C1 ( DATA ASLI )
Estimates at each iteration Iteration 0 1 2 3 4 5 6 SSE 18412,3 17713,7 17661,0 17660,0 17660,0 17660,0 17660,0 Parameters 0,100 0,100 0,250 0,124 0,299 0,116 0,305 0,113 0,306 0,113 0,307 0,113 0,307 0,113

Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type MA 1 SMA 12 Coef 0,3066 0,1132 SE Coef 0,0844 0,1018 T 3,63 1,11 P 0,000 0,268

Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 144, after differencing 131 Residuals: SS = 17647,6 (backforecasts excluded) MS = 136,8 DF = 129 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 11,0 10 0,355 24 40,5 22 0,009 36 50,1 34 0,037 48 68,0 46 0,019

ARIMA Model: C2 ( HASIL TRANFORMASI BOX-COX LOG (C1))

Estimates at each iteration Iteration 0 1 2 3 4 5 6 SSE 0,238530 0,208416 0,189208 0,179205 0,175569 0,175565 0,175565 Parameters 0,100 0,100 0,196 0,250 0,274 0,400 0,345 0,550 0,396 0,621 0,393 0,618 0,393 0,618

Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type MA 1 SMA 12 Coef 0,3932 0,6175 SE Coef 0,0810 0,0754 T 4,85 8,19 P 0,000 0,000

Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 144, after differencing 131 Residuals: SS = 0,171589 (backforecasts excluded) MS = 0,001330 DF = 129 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 9,3 10 0,508 24 24,8 22 0,306 36 34,2 34 0,459 48 42,5 46 0,621

UJI NORMALITAS RESIDUAL

MTB > NormTest C2; SUBC> KSTest; SUBC> Title "UJI NORMALITAS WHITE NOISE".

UJ I N OR MAL ITAS WHITE N OIS E

Normal
99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean StDev N KS P-Value 5,542 0,4415 144 0,080 0,032

Per cent

4,0

4,5

5,0

5,5 C2

6,0

6,5

7,0

BERIKUT UJI ALTERNATIF YANG LAIN YAKNI MODEL ARIMA(1,1,0)(1,1,0)12 HASILNYA SEBAGAI BERIKUT :
ARIMA Model: C2 ( HASIL TRANFORMASI BOX-COX LOG (C1))
Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 SSE 0,317780 0,258128 0,219524 0,198525 0,193489 0,193442 0,193441 0,193441 Parameters 0,100 0,100 -0,024 -0,050 -0,149 -0,200 -0,278 -0,350 -0,369 -0,460 -0,373 -0,473 -0,373 -0,474 -0,373 -0,474

Relative change in each estimate less than 0,0010

Final Estimates of Parameters Type AR 1 SAR 12 Coef -0,3733 -0,4744 SE Coef 0,0815 0,0823 T -4,58 -5,76 P 0,000 0,000

Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 144, after differencing 131 Residuals: SS = 0,189647 (backforecasts excluded) MS = 0,001470 DF = 129 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 13,7 10 0,185 24 33,4 22 0,056 36 47,6 34 0,061 48 54,2 46 0,189

KESIMPULAN : DARI KEDUA HASIL TERSEBUT KEDUANYA SAMA-SAMA VALID AKAN TETAPI MSE YANG PALING KECIL ADALAH ALTERNATIF PERTAMA SEHINGGA DAPAT DIPASTIKAN BAHWA MODEL YANG SESUAI DAN VALID ADALAH MODEL I : YAKNI MODEL ARIMA(0,1,1)(0,1,1)12. DARI MODEL INI KEMUDIAN DILAKUKAN UNTUK PROSES PERAMALAN. DENGAN DEMIKIAN MODEL DINYATAKAN SEBAGAI : YANG VALID DAPAT

t ) = (1 0.3932 B )(1 0.6175B12 )at (1 B )1 (1 B12 )(ln Z

PROSES PERAMALAN : DALAM PROSES INI DIGUNAKAN MODEL YANG SUDAH MEMENUHI 4 PRINSIP UTAMA DI ATAS, DAN AKAN MENGGUNAKAN DATA ASLI ( 144 PENGAMATAN ), KEMUDIAN AKAN DIFORECAST 7 PENGAMATAN KEDEPAN ( AHEAD = 7 ) HASILNYA SEBAGAI BERIKUT :

Hi stogr am of the R esi dual s

(response is C2) 30 25 20 Fr equency 15 10 5 0

-0,12

-0,08

-0,04

0,00 Residual

0,04

0,08

N or mal P r obabi l i ty P l ot of the R esi dual s

(response is C2)
99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1

Per cent

-0,15

-0,10

-0,05

0,00 Residua l

0,05

0,10

P ACF of R esi dual s for C2

(with 5% significance limits for the partial autocorrelations) 1,0 0,8 Par t ial A ut ocor r elat ion 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 3 6 9 12 15 18 Lag 21 24 27 30 33

Forecasts from period 144 95 Percent Limits Lower Upper 6,03831 6,18131 5,97405 6,14131 6,08438 6,27282 6,09523 6,30268 6,11859 6,34346 6,24832 6,48935 6,37635 6,63253

Period 145 146 147 148 149 150 151

Forecast 6,10981 6,05768 6,17860 6,19895 6,23103 6,36884 6,50444

Actual

Moto : Keberhasilan seseorang selalu didasari dengan DUIT yang maksimal, yakni Berdoa, Berusaha, Beriman dan Bertawakal (taqwa) kepada ALLAH Tuhan Yang Maha Sempurna. Amin Ya Robbal Alamin. -----primabiner---