(ARIMA)
MAKALAH
UNTUK MEMENUHI TUGAS MATAKULIAH
Ekonometri
yang dibina oleh Bapak Swasono Raharjo
oleh
Vivin Octiana
110312406323
JURUSAN MATEMATIKA
Mei 2014
DAFTAR ISI
Page 1 of 29
BAB I
PENDAHULUAN
Page 2 of 29
merupakan analisis intervensi dengan fungsi step. Sedangkan analisis
intervensi fungsi pulse yaitu dampak bom Bali I terhadap tingkat hunian hotel
berbintang lima di Bali (Suhartono, 2007).
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang, maka rumusan masalah yang akan dibahas
adalah,
a. Bagaimanakah cara menentukan model ARIMA ?
1.3 Tujuan
Tujuan dalam penulisan makalah ini adalah:
a. Mengetahui cara menentukan model ARIMA .
Page 3 of 29
BAB II
LANDASAN TEORI
Page 4 of 29
Gambar 3. Plot time series yang tidak stasioner dalam mean dan varian
Gambar 4. Plot ACF Time Series yang tidak stasioner dalam mean
Gambar 5. Plot ACF Time Series yang tidak stasioner dalam mean dan
varian
Gambar 6. Plot ACF Time Series yang tidak stasioner dalam varian
Secara umum, ketidakstasioneran dalam suatu data time series meliputi
varians dan rata rata. Proses stasioneritas data dalam varians dapat
Page 5 of 29
dilakukan dengan transformasi Box-Cox, sedangkan proses stasioneritas data
dalam ratarata dapat dilakukan dengan pembedaan (differencing).
1. Transformasi Box-Cox
Transformasi Box-Cox adalah salah satu metode untuk proses
stasioneritas data dalam varians yang dikenalkan oleh Box dan Tiao Cox.
Transformasi Box-Cox juga sering disebut dengan transformasi kuasa.
Secara matematis, transformasi Box-Cox dirumuskan sebagai berikut:
-0,5
0
0,5
1
2. Pembedaan (differencing)
Proses pembedaan (differencing) dilakukan setelah data stasioner
dalam varians. Proses pembedaan dilakukan jika data tidak stasioner
dalam rata- rata. Pembedaan dapat dilakukan untuk beberapa periode
sampai data stasioner. Proses pembedaan dilakukan dengan cara
mengurangkan suatu data dengan data sebelumnya. Notasi B (operator
backshift) digunakan dalam proses pembedaan. Penggunaan notasi B
dalam pembedaan adalah:
Page 6 of 29
dan secara umum dapat ditulis,
..................................................................................(2)
Pembedaan periode pertama adalah sebagai berikut:
................................................................................(3)
Pembedaan pada periode kedua adalah sebagai berikut:
.............................................................................(4)
Pembedaan untuk periode ke-d adalah sebagai berikut:
..............................................................................(5)
2.2 Fungsi Autokorelasi dan Autokorelasi Parsial
Page 7 of 29
Model Autoregressive orde 2 atau AR(2) secara matematis
didefinisikan sebagai :
Page 8 of 29
nonstasioner, proses pembedaan dilakukan agar stasioner. Setelah
model ARMA mengalami proses pembedaan sebanyak d kali hingga
stasioner, maka model ARMA(p, q) menjadi model ARIMA(p, d, q).
Model ARIMA(p, d, q) ditulis dalam persamaan berikut:
Page 9 of 29
Tabel 2. Identifikasi Model AR, MA, dan ARMA menggunakan
pola grafik ACF dan PACF
Model ACF PACF
AR (p) Dies down (turun cepat secara Cuts off after lag p
eksponensial / sinusoidal) (terputus setelah lag p)
MA(q) Cuts off after lag q (terputus Dies down (turun cepat
setelah lag q) secara eksponensial /
sinusoidal)
ARMA(p,q) Dies down after lag (q-p) Dies downafter lag (pq)
(turun cepat setelah lag (q-p)) (turun cepat setelah lag
(p-q))
2. Estimasi Parameter
Model sementara yang telah diperoleh, selanjutnya dilakukan
estimasi parameter. Metode yang digunakan untuk estimasi parameter
adalah least square. Metode least square dapat digunakan untuk
menduga parameter ARMA yaitu dan . Model ARMA dengan
persamaan :
Page 10 of 29
Sebagai contoh, akan dilakukan estimasi parameter untuk AR(1).
Model AR(1) dari persamaan :
10
Page 11 of 29
H0 : dimana i = 1, 2, , q(MA tidak signifikan dalam model)
H1 : (MA signifikan dalam model)
Fungsi autokorelasi
11
Page 12 of 29
Fungsi autokorelasi parsial
Pada proses white noise, ACF dan PACF menunjuk ke nol. Untuk
mendeteksi bahwa suatu proses {et} white noise, pada analisis residual
dilakukan uji independensi residual dan uji kenormalan residual.
a. Uji independensi residual
Uji independensi residual digunakan untuk mendeteksi ada
tidaknya korelasi residual antar lag. Langkah langkah dalam
melakukan uji independensi residual adalah:
i. Rumusan hipotesis
H0 : (residual independent)
H1 : minimal ada satu untuk (residual
dependent)
ii. Menentukan taraf signifikansi
Taraf signifikansi atau .
iii. Menentukan statistik uji
Statistik uji yang digunakan yaitu satistik uji Ljung-Box.
Rumus statistik uji Ljung-Box(Wei, 2006: 153) adalah:
dengan,
k : selisih lag
K : banyak lag yang diuji
: autokorelasi residual periode k
iv. Menentukan kriteria keputusan
Uji Ljung-Box mengikuti distribusi . H0 ditolak jika,
pvalue < atau Qhitung > dengan p adalah
banyak parameter AR dan q adalah banyak parameter MA,
artinya {et} merupakan suatu barisan yang dependent.
v. Melakukan perhitungan
Qhitung dihitung berdasarkan rumus pada persamaan
12
Page 13 of 29
vi. Menarik kesimpulan
Kesimpulan diperoleh berdasarkan kriteria pengujian
yaitu jika H0 ditolak maka {et} merupakan suatu barisan
yang dependent.
b. Uji normalitas residual
Uji kenormalan residual dugunakan untuk memeriksa
apakah suatu proses residual {et} mempunyai distribusi normal
atau tidak. Langkah langkah yang digunakan dalam
pengujian kenormalan residual adalah:
i. Rumusan hipotesis
H0 : residual {et} berdistribusi normal
H1 : residual {et} tidak berdistribusi normal
ii. Menentukan taraf signifikansi
Taraf signifikansi atau .
iii. Menentukan statistik uji
Statistik uji yang digunakan dalam uji normalitas
residual adalah uji Kolmogorov Smirnov. Uji Kolmogorov
Smirnov menggunakan rumus berikut:
dengan,
: suatu fungsi distribusi frekuensi kumulatif yang
terjadi di bawah distribusi normal
: suatu fungsi distribusi frekuensi kumulatif yang
diobservasi
iv. Menentukan kriteria keputusan
H0 ditolak jika pvalue (D) < atau Dhitung > D(,n), dengan
n banyaknya pengamatan dan taraf signifikansi yang
artinya residual {et} tidak berdistribusi normal.
13
Page 14 of 29
v. Melakukan perhitungan
Perhitungan dilakukan menggunakan rumus pada
persamaan
dengan :
: logaritma natural
: residual dari jumlah kuadrat dibagi n
: banyaknya pengamatan
: jumlah parameter pada model ARIMA
Berdasarkan keempat prosedur pemodelan ARIMA, maka
dapat digambarkan flowchart pemodelan ARIMA .
14
Page 15 of 29
FLOW CHART
Rumuskan
Tahap I Kalompok
Identifikasi model-model
yang umum
Penetapan Model
Untuk Sementara
Tahap II Penaksiran
Parameter pada
Penaksiran dan Pengujian
model sementara
Pemeriksaan
diagnosis
(Apakah model
memadai ?)
15
Page 16 of 29
BAB III
PEMBAHASAN
Pada bagian ini akan dibahas mengenai pembentukan model ARIMA, dan
forecast untuk periode 5 mendatang .
1 . Pemodelan ARIMA Data
Pemodelan ARIMA data dilakukan menggunakan bantuan software Minitab 14.
Langkah langkah pemodelan ARIMA data .
a. Identifikasi Model
Data I {Y0t} yang berukuran n = 66, dibentuk model ARIMA. Prosedur
pembentukan model ARIMA menggunakan prosedur BoxJenkins.
Sebelum membentuk model ARIMA, perlu dilakukan pembuatan plot data
I untuk melihat jenis data yang ada.
2200000
2000000
C3
1800000
1600000
1400000
1200000
1 7 14 21 28 35 42 49 56 63
Index
Gambar di atas. pola data berubah mengikuti perubahan waktu. Pola data seperti
ini mengindikasikan bahwa data mempunyai trend, maka data {Y0t} belum
stasioner.
16
Page 17 of 29
Stasioneritas data dalam varians akan diselidiki menggunakan Box-Cox
plot. Nilai lambda () yang diperoleh dalam Box-Cox plot mempengaruhi formula
transformasi yang digukanan untuk mengubah data asli menjadi data transformasi
agar nilai lambda () = 1. Transformasi agar data stasioneritas dilakukan sebelum
differencing terhadap data time series.
Box-Cox Plot of C3
Lower C L Upper C L
120000 Lambda
(using 95,0% confidence)
Estimate -0,48
115000
Lower C L -2,00
Upper C L 1,21
110000 Rounded Value -0,50
StDev
105000
100000
95000
Limit
90000
-5,0 -2,5 0,0 2,5 5,0
Lambda
17
Page 18 of 29
Box-Cox Plot of Zt
Lower C L Upper C L
Lambda
0,0000220 (using 95,0% confidence)
Estimate 0,97
Lower C L -2,06
Upper C L 4,13
0,0000215 Rounded Value 1,00
StDev
0,0000210
Limit
0,0000205
Gambar di atas. yaitu grafik transformasi Box Cox memperlihatkan bahwa nilai
lambda () adalah 1, maka data telah stasioner dalam varians.
Stasioneritas data dalam mean dapat diketahui dari plot ACF dan PACF
1,0
0,8
0,6
0,4
Autocorrelation
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16
Lag
1,0
0,8
0,6
Partial Autocorrelation
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16
Lag
18
Page 19 of 29
Grafik ACF pada gambar diatas mengindikasikan bahwa data belum stasioner
dalam mean. Hal ini disebabkan oleh beberapa lag yang keluar dari batas
signifikansi. Oleh karena itu perlu dilakukan differencing (pembedaan) pada data
yang telah ditransformasi agar menjadi stasioner.
1,0
0,8
0,6
0,4
Autocorrelation
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag
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 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag
Pola pada grafik ACF dan PACF, mengindikasikan bahwa model yang ada hanya
model MA(1) dengan diff(1), maka model untuk data tersebut adalah
ARIMA(0,1,1).
b. Estimasi Parameter
Estimasi parameter dilakukan dengan melihat pvalue dari output model
ARIMA. Hipotesis nol (H0) dari uji parameter adalah parameter tidak signifikan.
Hipotesis alternatif (H1) dari uji parameter adalah parameter cukup signifikan.
Pada model ARIMA(0,1,1), diperoleh output dari lampiran 4 adalah:
Estimates at each iteration
19
Page 20 of 29
6 4,69111E-08 0,557
Lag 12 24 36 48
Chi-Square 11,5 15,3 27,1 49,9
DF 11 23 35 47
P-Value 0,400 0,883 0,828 0,360
c. Pemeriksaan Diagnosis
Pemeriksaan diagnosis model dilakukan untuk memeriksa apakah {et}
mengikuti proses white noise dengan dilakukan uji independensi residual
dan uji normalitas residual.
1. Uji independensi residual
Hipotesis :
H0 : (residual independent)
H1 : minimal ada satu untuk i = 1,2,..., k (residual dependent)
20
Page 21 of 29
Taraf signifikansi : = 0,05
Statistik Uji : Ljung-Box
dengan ,
k : selisih lag
K : banyak lag yang diuji
autokorelasi residual periode k
Kriteria keputusan : H0 ditolak jika Qhitung > , dengan p
adalah banyak parameter AR dan q adalah banyak parameter MA atau
Pvalue < .
Perhitungan :
Hasil dari ARIMA (0,1,1)
Lag (K) Df Statistik P value
Ljung-Box
12 11 11,5 19,68 0,4
24 23 15,3 35,17 0,883
36 35 27,1 49,76 0,828
48 47 49,9 64,00 0,36
Nilai Ljung-Box pada lag ke 12, 24, 36, dan lag ke-48 tidak melebihi nilai
, maka dapat disimpulkan bahwa tidak ada korelasi residual antar lag
ke-t sehingga memenuhi asumsi independensi residual.
21
Page 22 of 29
ACF of Residuals for Zt
(with 5% significance limits for the autocorrelations)
1,0
0,8
0,6
Autocorrelation 0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag
22
Page 23 of 29
dapat dilihat dari plot residual. Gambar di bawah ini, memperlihatkan
bahwa residual berdistribusi normal karena plot data mengikuti garis
normal
60
50
40
30
20
10
5
0,1
-0,00010 -0,00005 0,00000 0,00005 0,00010
RESI2
23
Page 24 of 29
BAB IV
PENUTUP
Kesimpulan
24
Page 25 of 29
DAFTAR PUSTAKA
Suhartono & Nuvitasari. 2007. Evaluasi Dampak Krisis Moneter, Bom Bali I dan
II terhadap Jumlah Kunjungan Wisatawan ke Bali dengan Model
Intervensi Multi Input. Jurnal Ilmiah MatStat.
http://people.richland.edu/james/lecture/m170/tbl-chi-html
http://www.eridlc.com/onlinetextbook/appendix/table7.htm
25
Page 26 of 29
26
Page 27 of 29
Lampiran 1 : Data Besarnya Pemakaian Listrik (dalam Kwh) Kategori Rumah
Tangga 1.300VA
27
Page 28 of 29
Lampiran 2
28
Page 29 of 29