untuk kertas cetak dan kertas tulis antara tahun 1963 sampai 1972
Gambar 1 Plot data penjualan industry kertas cetak dan kertas tulis
Gambar 2 Grafik Trend data penjualan industry kertas cetak dan kertas tulis
Berdasarkan plot data dan garfik trend analisis data di atas dapat diketahui bahwa
penjualan industry kertas cetak dan kertas tulis mengalami kenaikan seiring
bertambahnya waktu dan nilai aktualnya masih jauh dari garis linear serta adanya pola
musiman, sehingga trend ini termasuk time series yang tidak stasioner dalam rata-rata
nonmusiman maupun dalam rata-rata musiman.
Autocorrelations
Partial Autocorrelations
Lag PACF T
1 -0,257421 -2,81
2 -0,430591 -4,70
3 -0,059551 -0,65
4 -0,095811 -1,05
5 -0,130983 -1,43
6 -0,086092 -0,94
7 -0,282337 -3,08
8 -0,173630 -1,89
9 -0,039503 -0,43
10 -0,423426 -4,62
11 -0,785573 -8,57
12 0,207123 2,26
13 0,052632 0,57
14 0,179948 1,96
15 -0,037767 -0,41
16 -0,075981 -0,83
17 -0,008349 -0,09
18 0,100438 1,10
19 0,070159 0,77
20 0,040923 0,45
21 -0,057672 -0,63
22 0,034079 0,37
23 -0,101643 -1,11
24 0,058630 0,64
25 -0,032901 -0,36
26 -0,008600 -0,09
27 -0,024285 -0,26
28 0,078060 0,85
29 -0,012505 -0,14
30 -0,043895 -0,48
Di lihat dari kedua grafik pada gambar 3, 4, 5 dan 6 terlihat bahwa data sudah
stasioner dalam rata-rata non musiman tetapi belum stationer terhadap rata-rata
musiman. Oleh karena itu dilakukan proses differencing satu musiman 12 dari data
differencing satu non musiman.
Differencing satu non musiman dan musiman 12
Berikut hasil proses differencing satu musiman 12 dari data differencing satu non
musiman.
Autocorrelations
Partial Autocorrelations
Lag PACF T
1 -0,551891 -5,71
2 -0,369527 -3,82
3 -0,203150 -2,10
4 -0,052790 -0,55
5 -0,125799 -1,30
6 -0,154636 -1,60
7 -0,047397 -0,49
8 -0,056755 -0,59
9 -0,014236 -0,15
10 -0,064863 -0,67
11 0,353981 3,66
12 -0,134293 -1,39
13 -0,084752 -0,88
14 -0,055071 -0,57
15 -0,015141 -0,16
16 -0,124201 -1,28
17 -0,054781 -0,57
18 -0,094154 -0,97
19 0,025771 0,27
20 -0,090314 -0,93
21 -0,144584 -1,50
22 -0,061275 -0,63
23 0,188866 1,95
24 -0,022873 -0,24
25 -0,127713 -1,32
26 0,031889 0,33
27 0,154698 1,60
Berdasarkan diagram dereat waktu, diagram ACF hasil differencing satu non musiman
dan differencing satu musiman 12 terlihat bahwa data sudah stationer dalam rata-rata.
2. Penentuan Model ARIMA
Dari diagram ACF dimana lag 1 signifikan berbeda dari nol (cut off setelah lag 1), dan
diagram PACF dimana lag awal yaitu lag 1, lag 2 dan lag 3 signifikan berbeda dari nol (turun
secara exponensial pada lag awal) dapat menguatkan bahwa proses tersebut adalah proses
MA(1) yang tidak musiman (p=0 dan q=1). Selanjutnya, berdasarkan diagram ACF, terlihat
pada lag musiman lag 12 signifikan berbeda dari nol, lag 11, dan lag 13 juga signifikan
berbeda dari nol (efek multiplikatif), yang dapat dikatakan terpotong setelah lag 12,
sedangkan pada diagram PACF tidak terdapat pola tertentu. Andaikan pada diagram PACF,
lag 12, lag 24, lag 36 dan seterusnya turun secara eksponensial, dapat menguatkan kita bahwa
proses tersebut adalah MA(1) musiman 12. Berdasarkan bentuk ACF dan PACFnya , dapat
dicoba beberapa model untuk data penjualan industri bulanan tersebut yaitu :
ARIMA (0,1,1)(0,1,1)12
ARIMA (0,1,1)(1,1,1)12
ARIMA (0,1,1)(1,1,0)12
ARIMA Model: Zt
Estimates at Each Iteration
DF SS MS
Lag 12 24 36 48
DF 10 22 34 46
ARIMA (0,1,1)(1,1,1)12
ARIMA Model: Zt
Estimates at Each Iteration
DF SS MS
Lag 12 24 36 48
DF 9 21 33 45
ARIMA Model: Zt
Estimates at Each Iteration
DF SS MS
Lag 12 24 36 48
DF 10 22 34 46
MA 1
ARIMA (0,1,1)(0,1,1)12 Model layak digunakan
SMA 12
SAR 12
12 Model tidak layak
ARIMA (0,1,1)(1,1,1) MA 1
digunakan
SMA 12
SAR 12
ARIMA (0,1,1)(1,1,0)12 Model layak digunakan
MA 1
Berdasarkan dapat diketahui bahwa untuk ARIMA (0,1,1) (1,1,0)12 dan ARIMA
(0,1,1) (0,1,1)12 model signifikan, sedangkan untuk model ARIMA (0,1,1) (1,1,1)12
parameter SAR 12 tidak signifikan. Dengan demikian dapat diambil kesimpulan bahwa model
ARIMA (0,1,1) (1,1,0)12 dan ARIMA (0,1,1) (0,1,1)12 akan digunakan sebagai model
sementara.
5. Uji Proses Ljung-Box-Pierce
Uji independensi dilakukan dengan membandingkan nilai P-value pada output proses Ljung-
Box Pierce dengan level toleransi (). Berikut akan disajikan Output Uji Proses Ljung-Box-
Pierce
P-Value
Berdasarkan Tabel 4.4 untuk model ARIMA (0,1,1)(0,1,1)12 pada lag 12 residual model
memenuhi proses random karena nilai P-value (0,761 > 0,05). Begitu pula pada lag 24, 36 dan
48 nilai P-value > (0,05). Pada model ARIMA (0,1,1)(1,1,0)12 untuk lag 12 residual model
juga memenuhi proses random karena nilai P-value (0,868> 0,05). Begitu juga pada lag 24,
36 dan 48 nilai P-value > (0,05). Dan pada model ARIMA (0,1,1)(1,1,1)12 untuk lag 12
residual model juga memenuhi proses random karena nilai P-value (0,673 > 0,05). Begitu
juga pada lag 24, 36 dan 48 nilai P-value > (0,05). Sehingga dapat disimpulkan bahwa
seluruh model telah memenuhi proses random (Independen).
7. Kesimpulan
Jadi dapat disimpulkan bahwa model yang sesuai adalah ARIMA (0,1,1)(0,1,1)12