Menentukan model sarima dari suatu data

Data baru seasonal yang didapat

Overnight
stays
Guests from
No Date
abroad - Of
which
Japan
1
2016-08-31 60,635
2
2016-07-31 86,54
3
2016-06-30 49,773
4
2016-05-31 22,308
5
2016-04-30 14,177
6
2016-03-31 18,078
7
2016-02-29 13,3
8
2016-01-31 11,385
9
2015-12-31 10,183
10 2015-11-30 13,001
11 2015-10-31 23,168
12 2015-09-30 44,63
13 2015-08-31 65,548
14 2015-07-31 97,778
15 2015-06-30 54,058
16 2015-05-31 27,814
17 2015-04-30 13,291
18 2015-03-31 18,698
19 2015-02-28 14,481
20 2015-01-31 12,134
21 2014-12-31 12,182
22 2014-11-30 13,683
23 2014-10-31 29,9
24 2014-09-30 45,421
25 2014-08-31 73,978
26 2014-07-31 111,235
27 2014-06-30 62,52
28 2014-05-31 26,582
29 2014-04-30 14,444
30 2014-03-31 22,571
31 2014-02-28 13,475
32 2014-01-31 13,903
33 2013-12-31 11,94
34 2013-11-30 13,168
35 2013-10-31 24,685
36 2013-09-30 47,305
37 2013-08-31 84,146
38 2013-07-31 133,829
39 2013-06-30 75,948
40 2013-05-31 29,519

41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68

2013-04-30
2013-03-31
2013-02-28
2013-01-31
2012-12-31
2012-11-30
2012-10-31
2012-09-30
2012-08-31
2012-07-31
2012-06-30
2012-05-31
2012-04-30
2012-03-31
2012-02-29
2012-01-31
2011-12-31
2011-11-30
2011-10-31
2011-09-30
2011-08-31
2011-07-31
2011-06-30
2011-05-31
2011-04-30
2011-03-31
2011-02-28
2011-01-31

21,096
19,976
14,906
15,133
12,895
14,874
29,384
50,749
87,997
132,709
75,311
32,87
16,89
23,628
16,22
16,23
13,423
15,574
28,074
51,886
81,405
122,269
70,075
28,972
15,981
20,934
17,049
14,101

Dalam menentukan model dari suatu model, hal pertama yang harus dilakukan adalah mengecek
apakah data tersebut stationer ataupun tidak. Untuk melihat kestationeran data tersebut bisa menggunakan
grafik korelogram maupun uji unit root data tersebut. Berikut ini merupakan grafik korelogram dan uji unit
root dari data diatas

Dilihat dari hasil pengecekan kestationeran, data tersebut tidak stationer, menurut grafik korelogram
terlihat pola dies down yang periodik. Hal pertama yang dilakukan adalah melakukan seasonal differencing,
berikut merupakan kestasioneran data hasil dari seasonal differencing

Dilihat dari hasil unit root test diatas data sudah stationer sehingga data tersebut tidak perlu di
differencing unseasonal lagi. Dari output korelogram
seasonal differencing menghasil beberapa
kemungkinan model, antara lain :
1. SARIMA (1,0,0)(1,1,0)12

Nilai AIC : 6,004170

Nilai SIC : 6,127044
Nilai probability F : 0,009521
Nilai adj r2 : 0,168001
2. SARIMA (1,0,0)(4,1,0)12

Nilai AIC : 4,212038

Nilai SIC : 4,188856
Nilai Probability F : 0,014167
Adj R2 : 0,821465
3. SARIMA (1,0,0)(0,1,1)12

Nilai AIC : 6,004170

Nilai SIC : 6,127044
Nilai Probability F : 0,009521
Nilai adj r2 : 0,168001
4. SARIMA (1,0,0)(0,1,2)12

Nilai AIC : 5,453334

Nilai SIC : 5,562825
Nilai Probability F : 0,000000

Nilai adj r2: 0,549587

5. SARIMA (0,0,1)(1,1,0)12

Nilai AIC : 6,002323

Nilai SIC : 6,123972
Nilai probability F : 0,012802
Nilai adj R2 : 0,152075
6. SARIMA (0,0,1)(4,1,0)12

Nilai AIC : 1,162598

Nilai SIC : 1,192388
Nilai probability F : 0,000004
Nilai adj r2: 0,990739
7. SARIMA (0,0,1)(0,1,1)12

Nilai AIC : 5,988633

Nilai SIC : 6,097134

Nilai probability F : 0,000445
Nilai adj R2 : 0,224449
8. SARIMA (0,0,1)(0,1,2)12

Nilai AIC : 5,902827

Nilai SIC : 6,011328
Nilai Probabilty F : 0,000046
Nilai adj r2 : 0,288221
9. SARIMA (0,0,2)(1,1,0)12

Nilai SIC : 6,005588

Nilai AIC : 6,167787
Nilai Probability F : 0,016073
Nilai adj r2: 0,166782
10. SARIMA (0,0,2)(4,1,0)12

Nilai AIC : 5,9346421

Nilai SIC : 6,077562
Nilai probability F : 0,000163
Nilai adj r2 : 0,278619

11. SARIMA (0,0,2)(0,1,1)12

Nilai AIC : 5,932894

Nilai SIC : 6,077562
Nilai probability F : 0,000163
Nilai adj r2: 0,278619
12. SARIMA (0,0,2)(0,1,2)12

Nilai AIC : 5,457258

Nilai SIC : 5,601927
Nilai probability F : 0,0000000
Nilai adj r2 : 0,551668
12

SARIMA (1,0,0)(1,1,0)
SARIMA (1,0,0)(4,1,0)12
SARIMA (1,0,0)(0,1,1)12
SARIMA (1,0,0)(0,1,2)12
SARIMA (0,0,1)(1,1,0)12
SARIMA (0,0,1)(4,1,0)12
SARIMA (0,0,1)(0,1,1)12
SARIMA (0,0,1)(0,1,2)12
SARIMA (0,0,2)(1,1,0)12
SARIMA (0,0,2)(4,1,0)12
SARIMA (0,0,2)(0,1,1)12
SARIMA (0,0,2)(0,1,2)12

AIC
6,004170
4,212038
6,004170
5,453334
6,002323
1,162598
5,988633
5,902827
6,005588
5,9346421
5,932894
5,457258

SIC
6,127044
4,188856
6,127044
5,562825
6,123972
1,192388
6,097134
6,011328
6,167787
6,077562
6,077562
5,601927

F probability
0,009521
0,014167
0,009521
0,000000
0,012802
0,000004
0,000445
0,000046
0,016073
0,000163
0,000163
0,0000000

Adj R2
0,168001
0,821465
0,168001
0,549587
0,152075
0,990739
0,224449
0,288221
0,166782
0,278619
0,278619
0,551668

Dari perbandingan nilai AIC, SIC, Probability F, dan adj R2 model terbaik merupakan model
SARIMA (0,0,1)(4,1,0)12, persamaan model yang dapat dibentuk antara lain

AR=MA
(14 B12 ) ( 1B12 ) Y t =+ ( 11 B ) e i