misalnya kita punya data spt tampak di gambar. di situ ada 2 kolom.

kolom 1 waktu (dlm bln), kolom 2 indeks. pd bln ke 65, nilai index 195. skrg kita mau forecast, nilai index bulan depan (bln ke-66) berapa? di sini kita bisa pake model ARIMA.

langkah pertama, harus dicek apakah data stasioner/tidak. setidaknya ada dua cara untuk mengecek stasioneritas data: Unit Root Test (URT) dan Korelogram. URT lebih bagus dari pada korelogram dalam kemampuannya memeriksa stasioneritas data. Tapi untuk kali ini kita menggunakan korelogram saja dulu, karena SPSS tidak menyediakan metode URT. URT adanya di program EVIEW yah, setiap program punya kelebihan dan kekurangan masing-masing. cara cek stasioneritas data dengan korelogram: klik Analyze, Time Series, ARIMA seperti tampak pd gambar di bawah.

stlh kluar output, pindahkan index sbg Dependent. nah, pertanyaannya? brp angka yg akan kt isi pada: p, d, q? kalo p, d, q (semua) diisi, maka modelnya adlh ARIMA. kl hanya p mk modelnya AR. kl hanya q, maka modelnya MA. kl p & q sj, modelnya ARMA.

krn data sdh dianggap stasioner, maka d dikosongkn. (nanti kita akan kasih contoh untuk pengolahan data yang tidak stasioner insya Allah) utk nentuin p dan q, bs lihat korelogram. korelogram bs ngasih sinyal brp nilai p dan q (walaupun tidak selalu tepat juga nilainya, tapi kan daripada blank sama sekali, lumayan ada ancer2 sinyal). cara buat korelogramnya: klik Graph, Time Series, Autocorrelations. nanti ada box Autocorrelations. Index pindah ke Variables>klik OK.

lihat ACF. ACF ngasih isyarat brp nilai q. ada berapa byk batang yg keluar garis? di situ ada 2, maka q = 2. lalu lihat Partial ACF. ini buat nentuin nilai p. brp batang yg keluar garis? itulah ancer2 nilai p. di sini p = 1

jadi nilai p = 1, d = 0, q = 2. skrg kita masukin angka ini ke box yg tadi. lihat gambar (ingat d dikosongkan karena data sudah dianggap stasioner dari awalnya)

stlh klik OK, akan keluar output. lihat Parameter Estimates. lihat kolom Approx Sig (lihat gambar)

model yg bagus adlh yg nilai Approx Sig di bwh 5% (0,05). kl model krg bagus (di atas 5%), hasil prediksi jd bs jd meleset jauh. (prediksinya akan kurang tepat). cara run ulang: balik lg ke box ARIMA, lalu kt coba ubah nilai q yg tadinya 2 jadi 0. nilai p tetep. lihat gambar

stlh kluar outputny. lihat Approx Sig. di sini nilai Approx Sig utk variabelny sdh signifikan. jd modelny sdh bgs.

kalo model sdh bagus, skrg bisa langsung dituliskan modelnya. berdasar gambar, modelnya jadi: Yt = 257,763 0,404 Yt-1. jd berapa prediksi nilai index bln depan (bln ke-66)? jawab:

Y66 = 257,763 0,404 Y65 Y66 = 257,763 0,404 (195) Y66 = 178,98 ini adalah model AR, karena nilai d dan q nya dikosongkan. kenapa nilai d dikosongkan? karena datanya sdh bagus (stasioner). kalo misalnya data krg bagus (tdk stasioner), maka nilai d harus diisi. utk memudahkan, saran kami nilai d tdk lebih dari 1. jika d dikosongkan (krn data sdh stasioner), mk modelnya msk rumpun ARMA. sdgkn kalo diisi, maka model masuk rumpun ARIMA. pengolahan data ARIMA hampir sama dengan ARMA. insya Allah akan kami berikan contohnya pd lain kesempatan. khalifah muhammad ali | khalifahma@gmail.com ekonometrika, islamic economics

Pengolahan data ARIMA (2)

Leave a Comment Posted by Khalifah Muhammad Ali on June 14, 2012 sekarang kita akan belajar ARIMA. Kapan kita memakai ARIMA? yaitu ketika data yang ada tidak STASIONER. sebagaimana yang telah disebutkan oleh para pakar, data stasioner jika pada 3 lag pertama barnya keluar garis, lalu lag ke-4 dan seterusnya tidak menyentuh garis. Jika kita melihat gambar di bawah, maka dapat diketahui bahwa data yang ada tidak stasioner.

Data yang tidak stasioner (seperti data yang ada di atas), harus ditransformasi dengan cara diturunkan differencing. Kali ini kita coba untuk menurunkan data di atas dengan diffrencing = 1. Hasilnya bisa dilihat di gambar berikut.

Berdasarkan gambar di atas, dapat kita ketahui bahwa data yang tadinya tidak stasioner, telah menjadi stasioner dengan menurunkannya sebanyak 1 kali. Jika data telah stasioner, maka kita bisa mengolahnya lebih lanjut. Sekarang kita mencoba mengolah data di atas dengan ARIMA. Caranya dapat dilihat di gambar berikut Kalau sudah klik OK, lalu akan keluar ouputnya

Jika dilihat parameter estimates di atas, didapati bahwa semua nilai koefisien untuk variabel telah signifikan. Ini berarti model yang ada telah baik. Tapi pertanyaannya, apakah ini model terbaik? belum tentu. Model terbaik adalah model yang tidak hanya semua koefisien variabelnya signifikan, tapi juga memiliki nilai LOG Likelihood yang lebih BESAR, dan nilai AIC dan BIC yang lebih kecil.

Sekarang, coba kita buat model ARIMA dengan p = 1, d = 1, dan q = 0. Outputnya lihat gambar di bawah

Lihat nilai-nilai koefisien variabel di Approx Sig-nya, semuanya signifikan. Jadi model ARIMA ini sama-sama signifikan dengan model ARIMA sebelumnya. Tapi coba bandingkan LOG Likelihood, AIC dan BICnya.

LOG likeliHOOD ARIma 111 ARIMA 110

AIC

BIC 265,4 246,6* 271,9 268,9*

-129,7* -130,3

Tabel di atas membandingkan nilai LOG Likelihood, AIC, dan BIC yang dimiliki model ARIMA 111 dan ARIMA 110. Sebagaimana yang telah disebutkan di atas, model yang lebih baik adalah yang memiliki LOG Likelihood lebih besar dan AIC dan BIC yang lebih kecil.

Model ARIMA 111 unggul dalam nilai LOG Likelihood, tapi kalah unggul dalam nilai AIC dan BIC-nya. Jadi, model mana yang kita pilih? kita pilih model 110, karena memiliki 2 keunggulan, yakni unggul di nilai AIC dan BIC. Lalu, langkah selanjutnya adalah menuliskan modelnya. Caranya, lihat output Parameter Estimates. Lalu tuliskan modelnya berdasarkan nilai-nilai koefisien yang ada. Ayt = 1,019 + 0,279 Ayt-1 Tapi modelnya tidak boleh begitu, tapi harus dikembalikan ke model asal, karena kita bukan mau forecast Ayt, tapi yt saja. Caranya mudah saja, Ayt tinggal diganti dengan (yt yt-1), dan Ayt-1 dengan (Ayt-1 Ayt-2) Maka modelnya jadi Yt= 1,019 + 0,279(Yt-1 yt-2) yt = 1,019 + yt-1 + 0,279Yt-1 0,279 yt-2 yt = 1,019 + 1,279Yt-1 0,279 yt-2

Itulah model akhirnya, sekarang kalau kita mau test model untuk forecast, misalnya berapa nilai y pada saat bulan ke 66? yt = 1,019 + 1,279Yt-1 0,279 yt-2 y66 = 1,019 + 1,279Y65 0,279 y64 y66 = 1,019 + 1,279(288,57) 0,279 (286,33) ; nilai y65 dan y64 dari data yang diolah

sehingga, prediksi y66 = 290,21

Demikian tutorial ARIMA praktis yang dapat disampaikan. Kritik dan Saran selalu ditunggu. Terima kasih. semoga manfaat.