Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins Dengan Eviews LENGKAP - Portal Statistik

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins deng... http://www.portal-statistik.com/2014/10/lankah-langkah-peramalan-deng...
About Contact Us Privacy Policy Disclaimer Sitemaps
Artikel Analisis Statistik Teknik Sampling Forecasting R Wisata
Beranda » Eviews » forecasting » Langkah-langkah Peramalan Dengan Metode ARIMA

Box-Jenkins dengan Eviews LENGKAP
Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins

dengan Eviews LENGKAP
OLEH M NASHIHUN ULWAN SATURDAY, 25 OCTOBER 2014
Bagikan : Suka 6 Tweet
Portal Statistik
Blog Belajar Analisis Data
Start Download - View PDF
Join This Site
OneszAccess Corpora…
810 suka
Ikuti 184 pengikut
Portal-Statistik | Selamat pagi, selamat tahun baru 1 Muharram 1436 H.

Ditahun baru Hijriah dan di pagi yang cerah ini, saya akan berbagi
tutorial Penerapan Metode ARIMA (Autoregressive Integrated Moving
Average) Dalam Peramalan Data Runtun Waktu, seperti yang kita semua sudah
tahu metode ARIMA ini memang cukup ampuh dalam meramalkan beberapa atau
Popular Minggu Ini
banyak data dimasa yang akan datang, untuk itu silahkan teman-teman perhatikan Teknik pengambilan sampel
dan pahami sendiri, saya buatkan cara semudah mungkin agar cepat untuk dipahami. dengan metode purposive
sampling 1
Autoregresif Integrated Moving Average (ARIMA)
Contoh kasus teknik pengambilan
ARIMA sering juga disebut metode runtun waktu Box-Jenkins. Model Autoregresif
sampel dengan metode purposive
Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan
sampling 2
independent variabel dalam membuat peramalan. ARIMA menggunakan nilai masa
lalu dan sekarang dari variabel dependent untuk menghasilkan peramalan jangka Analisis Deskriptif dengan Minitab 3
pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series)
Analisis Regresi Linear Berganda
secara statistik berhubungan satu sama lain (dependent).
dan Variabel Dummy dengan SPSS 4
Klasifikasi model ARIMA Cara Membaca atau Melihat Tabel

Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model autoregressive Normal Z 5
(AR), moving average (MA), dan model campuran ARIMA (autoregressive moving
Uji ANOVA (Analisys Of Variance)
average) yang mempunyai karakteristik dari dua model pertama.
dan Uji Perbandingan Ganda
1. Autoregressive Model (AR) dengen SPSS 6
Bentuk umum model autoregressive dengan ordo p (AR(p)) atau model ARIMA
Uji Normalitas dengan
(p,0,0) dinyatakan sebagai berikut:
menggunakan SPSS (Normality
Test) 7
CATEGORY
1 dari 31 22/11/2017 15:26

Artikel Statistik (24)

DataMining (6)
forecasting (4)
R (10)
RANCOB (4) SAS (7)
Statistik SPSS (24)

Teknik Sampling (4)
2 dari 31 22/11/2017 15:26

2. Moving Average Model (MA)

Bentuk umum model moving average ordo q (MA(q)) atau ARIMA (0,0,q)
dinyatakan sebagai berikut:
3 dari 31 22/11/2017 15:26

3. Model campuran
a) Proses ARMA
Model umum untuk campuran proses AR(1) murni dan MA(1) murni, misal
ARIMA (1,0,1) dinyatakan sebagai berikut:
4 dari 31 22/11/2017 15:26

b) Proses ARIMA
Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka model
umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus sederhana ARIMA (1,1,1)
adalah sebagai berikut:
5 dari 31 22/11/2017 15:26

Studi Kasus.
Studi kasus nilai tukar rupiah terhadap dolar US. Data yang diamati selama satu
tahun, mulai tanggal 1 Mei 2011 sampai dengan 1 Mei 2012. Data diperoleh dari
http://www.bi.go.id.
untuk datanya bisa anda download disini.
Silahkan dicoba menggunakan data diatas terlebih dahulu untuk memudahkan
pemahaman :)
Akan dilakukan forcasting terhadap data yang tersedia dari periode 1 sampai dengan
248.
Adapun langkah-langkah melakukan forcasting terhadap data tersebut dengan
menggunakan aplikasi Eviews metode ARIMA adalah.
1. Membuka aplikasi Eviews dengan melakukan double click pada icon desktop atau
bagaimanalah caranya terserah.
2. Setelah aplikasi Eviews terbuka dan siap digunakan, klik menu File – New -
Workfile.
6 dari 31 22/11/2017 15:26

3. Selanjutnya pilih menu Object – New Object, kemudian pilih Series dan isikan
nama data pada kotak Name for object.
7 dari 31 22/11/2017 15:26

4. Selanjutnya double klik pada nama data yang telah dibuat, klik button Edit, dan
paste data pada studi kasus pada kolom.
8 dari 31 22/11/2017 15:26

5. Kemudian lihat model data dari studi kasus, pada data ulwan, klik menu View –
Graph - OK, kemudian akan muncul seperti diabwah ini.
9 dari 31 22/11/2017 15:26

6. Agar data tersebut stasioner terhadap variansi, maka dilakukan transformasi

kedalam bentuk Logaritma Natural (ln). Pada menu utama, klik menu Quick –
Generate Series, pada Enter equation isi dengan kode lnulwan=log(ulwan),
ini dimaksudkan untuk melakukan transformasi pada data dengan nama ulwan.
10 dari 31 22/11/2017 15:26

7. Selanjutnya adalah menguji apakah data tersebut stasioner terhadap mean, pada
data yang telah ditransformasi, klik menu View – Unit Root Test, kemudian isi
sesuai gambar dibawah.
11 dari 31 22/11/2017 15:26

8. Karena data tersebut belum stasioner, maka dilakukan differencing, kemudian

diuji lagi kestasionerannya, klik menu View – Unit Root Test, kemudian isi
sesuai dengan gambar dibawah.
12 dari 31 22/11/2017 15:26

9. Selanjutnya adalah identifikasi model awal, klik menu View – Correlogram,

kemudian pilih 1st difference dan Ok. Sehingga muncul grafik ACF dan PAC
seperti gambar dibawah.
13 dari 31 22/11/2017 15:26

10. Dari model grafik diatas, dapat diduga data tersebut mengikuti model
ARIMA(1,1,1) atau ARIMA(0,1,1) tanpa konstanta. Pada halaman utama
Eviews masukkan perintah seperti gambar dibawah untuk melakukan overviting,
lakukan sampai mendaatkan model yang signifikan dan terbaik .
14 dari 31 22/11/2017 15:26

15 dari 31 22/11/2017 15:26

11. Karen yang signifikan adalah model ARIMA(0,1,1) tanpa konstanta, maka yang
digunakan adalah model tersebut, langkah selanjutnya adalah diagnostic check.
Yang pertama adalah uji normalitas residu, klik menu View – Residual Test –
Hostogram Normality Test.
12. Selanjutnya adalah uji asumsi autokorelasi, klik menu View – Residual Test –
Correlogram Q Statistics.
13. Selanjutnya adalah uji asumsi heteroskedastisitas, klik menu View –

Residual Test – Correlogram Squared Residuals.
14. Selanjutnya adalah melakukan forecast atau peramalan, doubleklik pada range
data dan ubah nilai End date dengan 249.
16 dari 31 22/11/2017 15:26

15. Klik menu Forecast dan isi sesuai dengan gambar dibawah ini
17 dari 31 22/11/2017 15:26

16. Selanjutnya adalah, mengembalikan hasil forecast kedalam bentuk atau data asil
dengan mengeksponensialkan data yang berbentuk ln.
18 dari 31 22/11/2017 15:26

Oke, sudah selesai semua langkah-langkah peramalan dengan metode ARIMA,

Mari kita bahas output dari aplikasi Eviews ini satu persatu.
19 dari 31 22/11/2017 15:26

Hipotesis
Ho : Data tidak stasioner
H1 : Data stasioner
Tingkat Signifikansi:
α=0.05
Daerah Kritis:
|ADF| >|t-Statistic| : Tolak H0
Statistika Uji:
ADF = -0.93 t-Statistic = -2.87
Keputusan Uji
Karena nilai |ADF| < |t-Statistic| maka keputusannya adalah gagal tolak H0
Kesimpulan :
Jadi dengan tingkat signifikansi 5% didapatkan kesimpulan bahwa data tersebut
tidak stasioner.
20 dari 31 22/11/2017 15:26

Berdasarkan gambar diatas, karena nilai |ADF| > |t-Statistic| maka keputusannya
adalah tolak H0 yang berarti data sudah stasioner.
Setelah dilakukan overfitting terhadap 2 model yaitu ARIMA(1,1,1) dan
ARIMA(0,1,1) tanpa konstanta maka didapatkan hasil yaitu:
21 dari 31 22/11/2017 15:26

Berdasarkan gambar diatas, dapat dilakukan pemilihan model terbaik, dilihat dari
signifikan nilai probabilitasnya atau melihat nilai Akaike Info Criterion (AIC) atau
Schwarz Criterion (SC) dengan melihat nilai terkecil.
22 dari 31 22/11/2017 15:26

Berdasarkan tabel diatas maka model terbaik yang dapat digunakan adalah model
ARIMA (0,1,1), hasil diagnostic check dapat dilihat pada gambar dibawah ini:
23 dari 31 22/11/2017 15:26

Berdasarkan gambar, terlihat bahwa nilai Prob. < alpha = 0.000 < 0.05 maka
tolak H0 yang berarti data residual tidak berdistribusi normal.
24 dari 31 22/11/2017 15:26

Berdasarkan gambar terlihat pada nilai prob. terdapat beberapa nilai yang tidak
signifikan, oleh karena itu dapat disimpulkan bahwa terdapat gejala autokorelasi
terhadap data residual.
25 dari 31 22/11/2017 15:26

Berdasarkan gambar terlihat pada nilai prob. semua nilai tidak signifikan, oleh karena
itu dapat disimpulkan bahwa terdapat gejala heteroskedastisitas terhadap data
residual.
Pada kasus ini, semua asumsi yang kita harapkan tidak memenuhi, oleh karena itu
data tersebut bisa didekati dengan metode lain seperti menghilangkan efek
heteroskedastisitasnya terlebih dahulu dengan metode ARCH-GARCH atau yang
lainnya.
Karena yang saya bahas disini adalah metode ARIMA, saya akan melanjutkan contoh
ini sampai selesai forecast atau peramalan.
26 dari 31 22/11/2017 15:26

27 dari 31 22/11/2017 15:26

Gambar diatas merupakan hasil forecast data kurs Rupiah terhadap Dolar satu
periode kedepan, pada gambar pertama dapat dilihat informasi MSE dan MAE yang
masih dalam bentuk Ln yaitu 0.0045 dan 0.0029, dan pada gambar kedua dapat
dilihat hasil forecast untuk periode 249 adalah Rp 9145.952.
Demikian, tutorial tentang langkah-langkah peramalan dengan metode ARIMA

dengan Eviews.
Tambahan sedikit, sebelum melakukan analisis runtun waktu silahkan perhatikan plot
data terlebih dahulu, jika terdapat faktor musiman silahkan bisa di analisis dengan
metode SARIMA (Seasonal Autoregressive Integrated Moving Average) untuk menganalisis
data musiman.
Terimakasih atas kunjungan anda. Jika ada yang kurang jelas, silahkan ditanyakan,
dan mudah-mudahan saya bisa membantu :
Semoga Bermanfaat.
HAVE FUN.
Tag : Eviews, forecasting
PREVIOUS NEXT
Peramalan Data Runtun Waktu Metode Spesial Post Untuk Hari Statistik Nasional
SARIMA dengan Eviews
Related Post:
Cara Peramalan dengan Metode Single Moving Average dan Double Moving
Average
Peramalan Data Runtun Waktu Metode SARIMA dengan Eviews

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins dengan Eviews
LENGKAP
Penerapan Model ARCH GARCH Dalam Peramalan Data Runtun Waktu Dengan
Eviews
19 Komentar untuk "Langkah-langkah Peramalan Dengan

Metode ARIMA Box-Jenkins dengan Eviews LENGKAP"
Double Aces
28 OCTOBER 2014 AT 22:00
Balas Terima kasih mas atas artikel yang sangat bermanfaat ini, tapi bila mas
bersedia meluangkan waktu mohon juga dibahas artikel ini dengan
memakai software SPSS. Berhubung saya saat ini sedang belajar
statistika dengan software ini. Terima kasih sebelumnya mas. :)
Double Aces
28 OCTOBER 2014 AT 22:37
Balas Ada tambahan... mohon info password untuk file "studi

kasus arima.zip" ya mas Nashihun.
28 dari 31 22/11/2017 15:26

M Nashihun Ulwan
29 OCTOBER 2014 AT 03:05
Ya, sama-sama, semoga bermanfaat, untuk peramalan time

series menurut saya lebih enak jika menggunakan eviews
mass :D, tapi itu tergantung orangnya juga sih he...
passwordnya sudah ada di keterangan samping winrarnya:
"portal-statistik"
Double Aces
31 OCTOBER 2014 AT 16:27
Balas Terima kasih mas... saya akan coba praktekkan. :)
Tony Dharmapala
11 NOVEMBER 2014 AT 09:14
Balas Assalamualaikum Mas

saya punya data rencana dan realisasi belanja barang tahun
anggaran 2006-2014
dari data itu saya ingin meramalkan realisasi belanja barang
tahun 2015-2017,
apakah data yang saya punya terlalu sedikit sehingga
metode ARIMA/Fungsi Transfer/metode lainnya tidak bisa
digunakan untuk melakukan peramalan?
lalu pertanyaanselanjutnya apakah metode yang paling
tepat dan sesuai untuk meramalkannya?
trims sebelumnya
M Nashihun Ulwan
Balas Waalaikumsalam, Wr.Wb

saya rasa data yang dimiliki sudah cukup untuk melakukan
peramalan.
Semua metode pada dasarnya sama, memiliki keunggulan
dan kelemahan masing2, untuk ukuran kebaikannya nanti
bisa dilihat ukuran error atau MSE hasil peramalannya, coba
bandingkan saja dgn metode lainnya, selanjutnya pilih
metode yg errornya terkecil untuk dijadikan metode
peramalan yg dianggap paling baik. :)
Tony Dharmapala
Balas Cukup ya Mas, soalnya lihat data studi kasus punya Mas
datanya harian dan mencapai 134 data. sedangkan saya
hanya data 8 tahun saja..
apa harus dibuat data perbulan biar banyak ya Mas?
maaf banyak tanya hehehe
Trims Mas
Balas
29 dari 31 22/11/2017 15:26

M Nashihun Ulwan
ya sebenarnya bisa saja diramalkan meskipun datanya

hanya 8.
tapi jika itu bisa dibuat dalam bulanan itu malah lebih baik
lagi, semakin banyak data semakin baik hasil peramalannya,
selain itu kita juga bisa melihat plot data lebih detail lagi,
apakah ada faktor musiman juga atau tidak.
Aryadzouber.blogspot.com
20 FEBRUARY 2015 AT 00:27
Balas aplikasi eviews didapat dimana ya mas?

bisa Email ke zouber.nissan@gmail.com ga?
terima kasih sebelumnya.
M Nashihun Ulwan
Balas Cari di google aja mas, banyak kok yang posting.
Gege Safetyanto Raharjo

18 JUNE 2015 AT 00:57
Balas menggunakan mode Expert Modeler di SPSS dan Automatic Forcasting

ARIMA di EViews apakah benar2 mendapatkan model terbaik ya mas?
M Nashihun Ulwan
18 JUNE 2015 AT 18:59
Balas Kalau dari saya sendiri, belum tentu yang dihasilkan oleh
autoarima error yang dihasilkan bisa lebih baik, kebetulan
sudah saya coba jg.
baiknya sih dilakukan overvitting lebih banyak lagi guna
mendapatkan model yang terbaik.
Gege Safetyanto Raharjo

22 JUNE 2015 AT 17:45
Balas Oh gitu ya mas, wahhh makasih banyak mas

infonya, bermanfaat banget blognya :)
This comment has been removed by the author. - Hapus
andy
5 DECEMBER 2015 AT 00:15
Balas ujung2nya kagak jelas, bgmn forecastnya ga dijelasin apa yg harus di

klik, "doubke klik pada range data", yg mana yg harus di klik, pemula
mana tau
anggitama putrasiagian
19 DECEMBER 2015 AT 20:19
30 dari 31 22/11/2017 15:26

bang saya nggak paham tahap 10,11,12,13

Balas
tolong banget bantuanya buat jelasin yg lebih detail
Unknown
Balas maaf mas mau tanya. saya kurang mengerti dengan uji
heteroskedastisitas. dari tabel diketahui bahwa nilai prob. 0,000. tetapi
mas mengatakan bahwa nilai prob. tidak signifikan sehingga terdapat
efek hetero dan dapat dilanjutkan ke ARCH GARCH. bukannya jika nilai
prob < dari 0,005 itu signifikan mas?tetapi mengapa mas mengatakan
tidak signifikan? terimakasih
Cheeryna Granger
25 OCTOBER 2016 AT 20:34
Balas Selamat malam mas, penjelasan mas sangat membantu saya, terima
kasih. Namun saya ingin bertanya. Dalam penjelasan tersebut,
penentuan stasioner tidaknya data dengan pertimbangan ADF > t maka
tolak Ho. Dalam penjelasan mas, ADF yang sebesar -0,93 lebih kecil
dari t yang sebesar -2,87. Saya agak bingung dengan pernyataan
tersebut karena dalam pemahaman saya -0,93 lebih besar dari -2,87.
Apakah tanda minus tersebut tidak diperhitungkan sehingga dianggap
-0,93 lebih kecil? Maaf saya agak bingung. Terima kasih...
linda putran
18 MARCH 2017 AT 13:59
Balas mas saya mau tanya, bagaimana cara kita mengetahui klau data
tersebut tidak stasioner dalam varian?? klau stasioner dalam rataan
kan pakai uji ADF, klau dalam varians gmana mas? terimakasih
Silahkan tinggalkan komentar, kritik, maupun saran dari sobat blogger tentang
apa yang sobat rasakan setelah mengunjungi blog ini.
Comment as:
Publish Notify me
Copyright © 2015 : Portal Statistik - Template by Kang Mousir
31 dari 31 22/11/2017 15:26

Bahasa

Selamat datang di Scribd!

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins Dengan Eviews LENGKAP - Portal Statistik

Diunggah oleh

Informasi Dokumen

Deskripsi:

Data diunggah

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Deskripsi:

Hak Cipta:

Format Tersedia

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins Dengan Eviews LENGKAP - Portal Statistik

Diunggah oleh

Deskripsi:

Hak Cipta:

Format Tersedia

Judul terkait

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins deng... http://www.portal-statistik.com/2014/10/lankah-langkah-peramalan-deng...

About Contact Us Privacy Policy Disclaimer Sitemaps

Artikel Analisis Statistik Teknik Sampling Forecasting R Wisata

Beranda » Eviews » forecasting » Langkah-langkah Peramalan Dengan Metode ARIMA

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins

OLEH M NASHIHUN ULWAN SATURDAY, 25 OCTOBER 2014

Bagikan : Suka 6 Tweet

Ikuti 184 pengikut

Portal-Statistik | Selamat pagi, selamat tahun baru 1 Muharram 1436 H.

Klasifikasi model ARIMA Cara Membaca atau Melihat Tabel

1 dari 31 22/11/2017 15:26

Artikel Statistik (24)

Statistik SPSS (24)

2 dari 31 22/11/2017 15:26

2. Moving Average Model (MA)

3 dari 31 22/11/2017 15:26

4 dari 31 22/11/2017 15:26

5 dari 31 22/11/2017 15:26

6 dari 31 22/11/2017 15:26

7 dari 31 22/11/2017 15:26

8 dari 31 22/11/2017 15:26

9 dari 31 22/11/2017 15:26

6. Agar data tersebut stasioner terhadap variansi, maka dilakukan transformasi

10 dari 31 22/11/2017 15:26

11 dari 31 22/11/2017 15:26

8. Karena data tersebut belum stasioner, maka dilakukan differencing, kemudian

12 dari 31 22/11/2017 15:26

9. Selanjutnya adalah identifikasi model awal, klik menu View – Correlogram,

13 dari 31 22/11/2017 15:26

14 dari 31 22/11/2017 15:26

15 dari 31 22/11/2017 15:26

13. Selanjutnya adalah uji asumsi heteroskedastisitas, klik menu View –

16 dari 31 22/11/2017 15:26

17 dari 31 22/11/2017 15:26

18 dari 31 22/11/2017 15:26

Oke, sudah selesai semua langkah-langkah peramalan dengan metode ARIMA,

19 dari 31 22/11/2017 15:26

20 dari 31 22/11/2017 15:26

21 dari 31 22/11/2017 15:26

22 dari 31 22/11/2017 15:26

23 dari 31 22/11/2017 15:26

24 dari 31 22/11/2017 15:26

25 dari 31 22/11/2017 15:26

26 dari 31 22/11/2017 15:26

27 dari 31 22/11/2017 15:26

Demikian, tutorial tentang langkah-langkah peramalan dengan metode ARIMA

Tag : Eviews, forecasting

Peramalan Data Runtun Waktu Metode SARIMA dengan Eviews

19 Komentar untuk "Langkah-langkah Peramalan Dengan

Balas Ada tambahan... mohon info password untuk file "studi

28 dari 31 22/11/2017 15:26

Ya, sama-sama, semoga bermanfaat, untuk peramalan time

Balas Terima kasih mas... saya akan coba praktekkan. :)

Balas Assalamualaikum Mas

Balas Waalaikumsalam, Wr.Wb

29 dari 31 22/11/2017 15:26

ya sebenarnya bisa saja diramalkan meskipun datanya