1.

Gunakan data trend

2,217 2,683 2,975 3,397 3,664
2,272 2,707 3,021 3,435 3,686
2,315 2,745 3,053 3,457 3,750
2,368 2,783 3,089 3,486 3,807
2,368 2,799 3,132 3,513 3,850
2,448 2,829 3,150 3,523 3,860
2,472 2,834 3,166 3,576 3,857
2,483 2,840 3,179 3,589 3,876
2,518 2,841 3,239 3,614 3,931
2,507 2,886 3,267 3,632 3,977
2,640 2,906 3,309 3,625 4,028
2,653 2,930 3,350 3,628 4,052

2. Lakukan men-stationerkan data trend difference cek dengan

time series plot nilai d = ...
y d
2217 2683 30 2975 45 3397 47 3664 36
2272 55 2707 24 3021 46 3435 38 3686 22
2315 43 2745 38 3053 32 3457 22 3750 64
2368 53 2783 38 3089 36 3486 29 3807 57
2368 0 2799 16 3132 43 3513 27 3850 43
2448 80 2829 30 3150 18 3523 10 3860 10
2472 24 2834 5 3166 16 3576 53 3857 -3
2483 11 2840 6 3179 13 3589 13 3876 19
2518 35 2841 1 3239 60 3614 25 3931 55
2507 -11 2886 45 3267 28 3632 18 3977 46
2640 133 2906 20 3309 42 3625 -7 4028 51
2653 13 2930 24 3350 41 3628 3 4052 24

3. Cek pola ACF dan PACF dari data stationer yang diperoleh di no-2
jika ACF berpola eksponensial atau sinusoidal dan PACF tidak
berpola maka modelnya adalah AR untuk menetukan nilai p cek
banyaknya garis tegak yang terpotong pertama dan berurutan
Untuk model MA kebalikan dari model AR, jika ACF dan PACF tidak
berpola atau keduanya berpola maka modelnya adalah ARIMA
 Autocorrelation Function for C2
(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

1
Lag

Partial Autocorrelation Function for C2

(with 5% significance limits for the partial autocorrelations)

1.0
0.8
0.6
Partial Autocorrelation

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

1
Lag

4. Gunakan MINITAB untuk mengetahui model yang sesuai ARIMA

dengan nilai d (no 2) dan p,q (no.3 atau p=1,2 dan q=1,2)
Autocorrelation Function: C2
Lag ACF T LBQ
1 -0.137484 -1.06 1.17
Autocorrelation for C2
Partial Autocorrelation Function: C2
Lag PACF T
1 -0.137484 -1.06
Partial Autocorrelation for C2
ARIMA Model: C1
Estimates at each iteration
Iteration SSE Parameters
0 31938.0 0.100 0.100 28.082
1 31419.8 0.040 0.161 29.875
2 31338.7 -0.110 0.015 34.528
3 31226.0 -0.260 -0.134 39.191
4 31123.3 -0.410 -0.284 43.824
5 31101.8 -0.560 -0.432 48.486
6 31095.0 -0.450 -0.300 45.071
7 31083.8 -0.537 -0.397 47.779
8 31083.0 -0.486 -0.338 46.192
9 31082.4 -0.532 -0.390 47.629
10 31082.0 -0.492 -0.344 46.363
11 31081.6 -0.528 -0.386 47.494
12 31081.3 -0.496 -0.349 46.491
13 31081.1 -0.525 -0.382 47.389
14 31080.9 -0.499 -0.353 46.591
15 31080.8 -0.522 -0.379 47.305
16 31080.6 -0.501 -0.356 46.669
17 31080.6 -0.520 -0.376 47.239
18 31080.5 -0.503 -0.358 46.731
19 31080.4 -0.518 -0.374 47.186
20 31080.4 -0.505 -0.360 46.779
21 31080.4 -0.517 -0.373 47.143
22 31080.3 -0.506 -0.361 46.818
23 31080.3 -0.516 -0.372 47.109
24 31080.3 -0.507 -0.362 46.849
25 31080.3 -0.515 -0.371 47.082

** Convergence criterion not met after 25 iterations **

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.5147 0.6488 -0.79 0.431
MA 1 -0.3705 0.7020 -0.53 0.600
Constant 47.082 4.203 11.20 0.000

Differencing: 1 regular difference

Number of observations: Original series 60, after differencing 59
Residuals: SS = 31065.7 (backforecasts excluded)
MS = 554.7 DF = 56

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

Lag 12 24 36 48
Chi-Square 7.7 14.5 20.7 36.8
DF 9 21 33 45
P-Value 0.560 0.848 0.953 0.802

5. Tuliskan rumus modelnya

yt (1 1 ) yt 1 1 yt 2 ut 1ut 1 0
yt=(1-0.5174)yt-1+0.5174yt-2+ut+0.3705ut-1 + 47.082
6. Lakukan forcast untuk 5 periode (sudah ada fasilitas di MINITAB)
Forecasts from period 60

95% Limits
Period Forecast Lower Upper Actual
61 4085.06 4038.88 4131.23
62 4115.12 4054.35 4175.90
63 4146.73 4072.31 4221.15
64 4177.54 4092.50 4262.59
65 4208.77 4113.87 4303.66