Soal

1.

Berikut data konsumsi Bahan Bakar Minyak (BBM) pada selang 1975-1980:
No
Tahun
Bulan
.
1
Januari
2
Februari
3
Maret
4
April
5
Mei
6
Juni
1975
7
Juli
8
Agustus
9
September
10
Oktober
11
November
12
Desember
13
Januari
14
Februari
15
Maret
16
April
17
Mei
18
Juni
1976
19
Juli
20
Agustus
21
September
22
Oktober
23
November
24
Desember
25
Januari
26
Februari
27
Maret
28
April
29
Mei
30
Juni
1977
31
Juli
32
Agustus
33
September
34
Oktober
35
November
36
Desember
a. Uji kestasioneran data.

Data (x
1.000 ton)
43,1
36,1
32,8
39,4
36,1
19,9
19,4
20,2
19,2
20,5
20,5
25,1
20,5
19,4
20,6
20,8
18,6
18,1
19,2
17,7
18,1
17,5
30
27,5
27,2
30,9
21,1
23,2
23,8
23,9
20,3
17
21,6
16,2
31,5
29,5

No
.
37
38
39
40
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
69
70
71
72

Tahun

1978

1979

1980

Bulan
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember

Data (x
1.000 ton)
21,5
19,8
22,3
20,2
20,6
17
17,6
16,5
18,2
16,9
15,5
19,2
18,5
31,9
34,1
35,7
27,4
25,4
23
27,2
23,9
34,2
34,5
31,8
37,3
28,4
28,8
26,8
33,5
41,5
38,1
32,1
37,2
28
26,4
24,3

b. Tuliskan secara lengkap model ARIMA Box-Jenkins untuk data penjualan

tersebut.
c. Ujilah apakah taksiran parameter model yang diperoleh tersebut signifikan
berbeda dari nol dengan tingkat keyakinan 95%! Apa kesimpulan anda?
Jawab
a. Uji kestasioneran data

Berdasarkan Output Time Series Plot di atas menggambarkan pola data

penjualan Bahan Bakar Minyak (BBM) pada selang 1975-1980 tidak
berfluktuasi disekitar nilai rata-rata yang konstan dengan keragaman yang
berbeda-beda sehingga dapat dikatakan data tidak stasioner dalam rata-rata
maupun variansi.
b. Pembentukan model ARIMA

Berdasarkan diagram FAK diatas menunjukkan bahwa lag-lag yang

terbentuk tidak membentuk pola gelombang dengan nilai-nilai autokorelasi
yang bergerak secara eksponensial menuju titik nol.
Untuk mengatasi ketidakstasioneran data maka dilakukan differencing
satu non-musiman dan differencing satu musiman 12.

Berdasarkan Output Time Series Plot differencing 1 non-musiman di

atas menggambarkan pola data yang berfluktuasi disekitar nilai rata-rata yang
konstan dengan keragaman yang relatif sama sehingga dapat dikatakan data
telah stasioner dalam rata-rata maupun variansi, akan tetapi perlu dilihat
kembali nilai autokorelasinya dengan membuat plot FAK-nya.

Berdasarkan diagram FAK

hasil differencing 1 non-musiman data

Penjualan BBM terlihat bahwa cut off lag 1, 2, 4, 6, 7, 12, 18, dan 20
signifikan berbeda dari nol.

Berdasarkan diagram FAKP diatas, hasil differencing 1 non-musiman

data penjualan BBM terlihat bahwa cut off lag 1, 2, 6,11, 16, 18 dan 22 juga
signifikan berbeda dari nol. Untuk orde ke-p dan orde ke-q dapat di
identifikasi dengan model AR(1) dan (2) dan model MA (1) dan (2).

Berdasarkan Output Time Series Plot differencing 1 musiman 12 di

atas menggambarkan pola data yang berfluktuasi disekitar nilai rata-rata yang
konstan dengan keragaman yang relatif sama sehingga dapat dikatakan data
telah stasioner dalam rata-rata maupun variansi.

Berdasarkan diagram FAK diatas, hasil differencing 1 musiman 12

data penjualan BBM terlihat bahwa cut off lag 1, 2, 3, 4, 8, 12, 13, 14 dan 20
signifikan berbeda dari nol.

Berdasarkan diagram FAKP diatas, hasil differencing 1 musiman 12

data penjualan BBM terlihat bahwa cut off lag 1, 3, 6, 9, 12, 13, 16, 20 dan 23
juga signifikan berbeda dari nol. Untuk orde ke-P dan orde ke-Q untuk
musiman dapat di identifikasi dengan model AR(1) dan (2) dan model MA (1)
dan (2) .
Sehingga dari hasil tersebut diperoleh beberapa model sementara yaitu:

ARIMA(0,1,1)(0,1,1)12
ARIMA(0,1,1)(1,1,1)12
ARIMA(1,1,0)(1,1,1)12
ARIMA(1,1,1)(0,1,1)12
ARIMA(1,1,1)(1,1,0)12
ARIMA (1,1,1)(1,1,1)12

ARIMA (0,1,2)(0,1,2)12
ARIMA(2,1,2)(2,1,2)12
ARIMA(0,1,2)(0,1,1)12
ARIMA(2,1,0)(2,1,2)12
ARIMA(2,1,1)(0,1,2)12
ARIMA(2,1,2)(0,1,2)12

c. Penaksiran parameter
Hipotesis yang digunakan yaitu:
H0 : Parameter (AR/MA/SAR/SMA) tidak cukup signifikan dalam model
H1 : Parameter (AR/MA/SAR/SMA) cukup signifikan dalam model
Kriteria Uji:
Pvalue maka terima H0

ARIMA (0,1,1)(0,1,1)12
ARIMA Model: Data Penjualan BBM
Estimates at each iteration
Iteration
0
1
2
3
4
5
6

SSE
3154,02
2825,42
2542,11
2305,51
2131,84
2106,71
2098,55

Parameters
0,100 0,356
0,250 0,354
0,400 0,339
0,550 0,319
0,700 0,284
0,786 0,202
0,755 0,205

0,100
0,129
0,153
0,172
0,189
0,226
0,243

7
8
9
10
11

2098,31
2098,28
2098,28
2098,28
2098,28

0,250
0,252
0,254
0,254
0,254

0,759
0,758
0,758
0,758
0,758

0,198
0,198
0,198
0,198
0,198

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type
MA
1
SMA 12
Constant

Coef
0,2542
0,7578
0,1980

SE Coef
0,1323
0,1609
0,2042

T
1,92
4,71
0,97

P
0,060
0,000
0,336

Differencing: 1 regular, 1 seasonal of order 12

Number of observations: Original series 72, after differencing 59
Residuals:
SS = 1842,91 (backforecasts excluded)
MS = 32,91 DF = 56

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag
Chi-Square
DF
P-Value

12
9,8
9
0,369

24
23,7
21
0,306

36
33,5
33
0,442

48
43,3
45
0,545

Berdasarkan tabel di atas menunjukkan hasil estimasi tiap parameter

yang diuji. Dengan menggunakan nilai /2 (0,025), untuk tiap parameter yaitu
parameter MA(1) dengan nilai koefisien (0,2542) diperoleh Pvalue (0,060) >
nilai , parameter SMA(12) dengan nilai koefisien (0,7578) diperoleh Pvalue
(0,000) < . Sehingga dapat disimpulkan bahwa 1 dari 2 parameter yang diuji
yaitu MA(1) tidak cukup signifikan dalam model, maka ARIMA(0,1,1)
(0,1,1)12 tidak dapat digunakan untuk peramalan.
ARIMA (p,d,q)
(P,D,Q)S

Parameter

ARIMA (0,1,1)
0,2542
12
(0,1,1)
0,7578
ARIMA (1,1,1)(0,1,1)12

t(/2;(n-np)

Statisti
k (t)

P-value

P-value
untuk uji
KS

1,99

1,92
4,71

0,060
0,000

0,150

ARIMA Model: Data Penjualan BBM

Estimates at each iteration
Iteration
0
1

SSE
3259,03
2876,56

0,100
0,070

Parameters
0,100 0,100
0,130 0,250

0,320
0,327

2
3
4
5
6
7
8
9
10
11
12
13

2672,64
2532,36
2405,76
2241,27
2069,05
2047,90
2044,53
2044,11
2044,04
2044,03
2044,03
2044,03

0,192
0,324
0,458
0,583
0,523
0,426
0,461
0,454
0,457
0,457
0,458
0,458

0,280
0,430
0,580
0,730
0,726
0,698
0,745
0,747
0,752
0,754
0,755
0,755

0,343
0,409
0,471
0,560
0,710
0,744
0,728
0,728
0,727
0,727
0,727
0,727

0,277
0,227
0,179
0,135
0,133
0,127
0,128
0,125
0,124
0,124
0,124
0,124

Relative change in each estimate less than 0,0010

Final Estimates of Parameters
Type
AR
1
MA
1
SMA 12
Constant

Coef
0,4576
0,7548
0,7267
0,12389

SE Coef
0,2846
0,2433
0,1719
0,06754

T
1,61
3,10
4,23
1,83

P
0,114
0,003
0,000
0,072

Differencing: 1 regular, 1 seasonal of order 12

Number of observations: Original series 72, after differencing 59
Residuals:
SS = 1777,05 (backforecasts excluded)
MS = 32,31 DF = 55

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag
Chi-Square
DF
P-Value

12
8,2
8
0,412

24
22,3
20
0,322

36
32,7
32
0,433

48
42,5
44
0,538

Berdasarkan tabel di atas menunjukkan hasil estimasi tiap parameter

yang diuji. Dengan menggunakan nilai /2 (0,025), untuk tiap parameter yaitu
parameter AR(1) dengan nilai koefisien (0,4576) diperoleh Pvalue (0,114) >
nilai , parameter MA(1) dengan nilai koefisien (0,7548) diperoleh Pvalue
(0,003) < nilai , dan parameter SMA(12) dengan nilai koefisien (0,7267)
diperoleh Pvalue (0,000) < . Sehingga dapat disimpulkan bahwa 1 dari 3
parameter yang diuji yaitu AR(1) tidak cukup signifikan dalam model, maka
ARIMA (1,1,1)(0,1,1)12 tidak dapat digunakan untuk peramalan.

ARIMA (p,d,q)
(P,D,Q)S

Parameter

ARIMA (1,1,1)

0,4576

t(/2;(n-np)

Statisti
k (t)

P-value

1,99

1,61

0,114

P-value
untuk uji
KS
0,150

0,7548
0,7267

(0,1,1)12

3,10
4,23

0,003
0,000

ARIMA (0,1,2)(0,1,2)12
ARIMA Model: Data Penjualan BBM
Estimates at each iteration
Iteration
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

SSE
3106,76
2764,38
2500,54
2299,07
2124,14
1986,06
1858,61
1778,26
1757,56
1753,26
1751,10
1749,76
1748,83
1748,14
1747,57
1747,08
1746,63
1746,19
1745,74
1745,25
1744,70
1744,04
1743,20
1742,08
1740,49
1738,08

0,100
0,132
0,160
0,187
0,216
0,243
0,271
0,298
0,317
0,330
0,341
0,350
0,356
0,362
0,367
0,371
0,375
0,379
0,383
0,387
0,391
0,396
0,401
0,406
0,413
0,421

Parameters
0,100
0,100
0,250
0,148
0,400
0,162
0,550
0,120
0,700
0,001
0,809 -0,149
0,944 -0,299
1,058 -0,449
1,109 -0,525
1,116 -0,539
1,118 -0,542
1,119 -0,544
1,120 -0,545
1,121 -0,545
1,122 -0,546
1,123 -0,547
1,124 -0,548
1,125 -0,548
1,125 -0,549
1,126 -0,550
1,127 -0,551
1,128 -0,551
1,129 -0,552
1,130 -0,553
1,131 -0,554
1,132 -0,555

0,100
0,089
0,086
0,091
0,106
0,124
0,154
0,193
0,233
0,260
0,277
0,290
0,300
0,309
0,316
0,323
0,329
0,336
0,342
0,348
0,354
0,361
0,369
0,377
0,387
0,399

0,356
0,361
0,346
0,312
0,271
0,245
0,239
0,231
0,226
0,224
0,225
0,225
0,226
0,226
0,227
0,227
0,228
0,228
0,229
0,230
0,230
0,231
0,232
0,233
0,234
0,236

** Convergence criterion not met after 25 iterations **

Final Estimates of Parameters

Type
MA
1
MA
2
SMA 12
SMA 24
Constant

Coef
0,4210
0,3986
1,1324
-0,5553
0,23607

SE Coef
0,1312
0,1322
0,1624
0,2532
0,04546

T
3,21
3,01
6,97
-2,19
5,19

P
0,002
0,004
0,000
0,033
0,000

Differencing: 1 regular, 1 seasonal of order 12

Number of observations: Original series 72, after differencing 59
Residuals:
SS = 1375,49 (backforecasts excluded)
MS = 25,47 DF = 54

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag
Chi-Square
DF
P-Value

12
5,1
7
0,652

24
20,7
19
0,352

36
30,4
31
0,495

48
35,8
43
0,776

Berdasarkan tabel di atas menunjukkan hasil estimasi tiap parameter

yang diuji. Dengan menggunakan nilai /2 (0,025), untuk tiap parameter yaitu
parameter MA(1) dengan nilai koefisien (0,4210) diperoleh Pvalue (0,002) <
nilai , parameter MA(2) dengan nilai koefisien (0,3986) diperoleh Pvalue
(0,004) < nilai , parameter SMA(12) dengan nilai koefisien (1,1324)
diperoleh Pvalue (0,000) < , dan parameter SMA(24) dengan nilai koefisien (0,5553) diperoleh Pvalue (0,033) > . Sehingga dapat disimpulkan bahwa 1 dari
4 parameter yang diuji yaitu SMA(24) tidak cukup signifikan dalam model,
maka ARIMA (0,1,2)(0,1,2)12 tidak dapat digunakan untuk peramalan.
ARIMA (p,d,q)
(P,D,Q)S

Parameter

ARIMA (0,1,2)
(0,1,2)12

0,4210
0,3986
1,1324
-0,5553

t(/2;(n-np)

Statisti
k (t)

P-value

P-value
untuk uji
KS

1,99

3,21
3,01
6,97
-2,19

0,002
0,004
0,000
0,033

0,047

ARIMA (2,1,2)(0,1,2)12
ARIMA Model: Data Penjualan BBM
Estimates at each iteration
Iteration
0

SSE
3205,56

2819,54

2739,49

2581,83

2338,44

2141,06

1960,61

1827,90

1730,15

0,100
0,285
0,109
0,303
0,167
0,226
0,144
0,179
0,051
0,218
0,080
0,129
-0,002
0,190
0,010
0,187
0,008
0,182

0,100

Parameters
0,100 0,100

0,100

0,100

0,050

0,164

0,057

0,250

0,157

0,200

0,233

0,207

0,282

0,160

0,338

0,239

0,357

0,354

0,164

0,229

0,214

0,279

0,504

0,142

0,222

0,292

0,260

0,654

-0,000

0,279

0,255

0,384

0,804

-0,140

0,247

0,301

0,388

0,926

-0,290

0,251

0,329

0,439

1,042

-0,440

1684,25

10

1640,23

11

1579,44

12

1552,50

13

1545,26

14

1532,39

15

1515,30

16

1487,09

17

1485,45

18

1485,41

19

1485,39

-0,038
0,179
-0,092
0,185
-0,141
0,202
-0,140
0,203
-0,140
0,203
-0,141
0,205
-0,144
0,211
-0,145
0,213
-0,145
0,213
-0,145
0,213
-0,145
0,213

0,293

0,310

0,540

1,093

-0,510

0,312

0,306

0,624

1,093

-0,522

0,280

0,337

0,671

1,093

-0,531

0,283

0,349

0,682

1,093

-0,529

0,282

0,353

0,685

1,094

-0,528

0,281

0,361

0,690

1,094

-0,525

0,277

0,379

0,698

1,090

-0,520

0,274

0,391

0,701

1,091

-0,520

0,274

0,391

0,701

1,091

-0,519

0,274

0,391

0,701

1,092

-0,519

0,274

0,391

0,701

1,092

-0,519

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type
AR
1
AR
2
MA
1
MA
2
SMA 12
SMA 24
Constant

Coef
-0,1455
0,2741
0,3915
0,7008
1,0921
-0,5188
0,21315

SE Coef
0,2172
0,1473
0,2214
0,0786
0,1639
0,2544
0,01043

T
-0,67
1,86
1,77
8,92
6,66
-2,04
20,45

P
0,506
0,068
0,083
0,000
0,000
0,047
0,000

Differencing: 1 regular, 1 seasonal of order 12

Number of observations: Original series 72, after differencing 59
Residuals:
SS = 1176,18 (backforecasts excluded)
MS = 22,62 DF = 52

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag
Chi-Square
DF
P-Value

12
3,5
5
0,617

24
17,5
17
0,420

36
27,2
29
0,561

48
33,3
41
0,799

Berdasarkan tabel di atas menunjukkan hasil estimasi tiap parameter

yang diuji. Dengan menggunakan nilai /2 (0,025), untuk tiap parameter yaitu
parameter AR(1) dengan nilai koefisien (-0,1455) diperoleh Pvalue (0,506) >
nilai , parameter AR(2) dengan nilai koefisien (0,2741) diperoleh Pvalue

(0,068) > nilai , parameter MA(1) dengan nilai koefisien (0,3915) diperoleh
Pvalue (0,083) > nilai , parameter MA(2) dengan nilai koefisien (0,7008)
diperoleh Pvalue (0,000) < nilai , parameter SMA(12) dengan nilai koefisien
(1,0921) diperoleh Pvalue (0,000) < , dan parameter SMA(24) dengan nilai
koefisien (-0,5188) diperoleh Pvalue (0,47) > . Sehingga dapat disimpulkan
bahwa 1 dari 6 parameter yang diuji yaitu AR(1), AR(2), MA(1) dan
SMA(12) tidak cukup signifikan dalam model, maka ARIMA (2,1,2)(0,1,2) 12
tidak dapat digunakan untuk peramalan.
ARIMA (p,d,q)
(P,D,Q)S

Parameter

ARIMA (2,1,2)
(0,1,2)12

-0,1455
0,2741
0,3915
0,7008
1,0921
-0,5188

t(/2;(n-np)

Statisti
k (t)

P-value

P-value
untuk uji
KS

1,99

-0,67
1,86
1,77
8,92
6,66
-2,04

0,506
0,068
0,083
0,000
0,000
0,047

0,077