BAB I
PENDAHULUAN
1.1 Definisi
ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA
sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk
peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan
cenderung flat (mendatar/konstan) untuk periode yang cukup panjang.
Model Autoregresif Integrated Moving Average (ARIMA) adalah model
yang secara penuh mengabaikan independen variabel dalam membuat peramalan.
ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika
observasi dari deret waktu (time series) secara statistik berhubungan satu sama
lain (dependent).
1.2 Model Matematis dan Algoritma Pokok Analisis
Model ARIMA terdiri dari tiga langkah dasar, yaitu tahap identifikasi, tahap
penaksiran dan pengujian, dan pemeriksaan diagnostik. Selanjutnya model
ARIMA dapat digunakan untuk melakukan peramalan jika model yang diperoleh
memadai.
BAB II
DESKRIPSI KERJA
1-48. Kemudian ganti angka pada End Date menjadi 50. Kemudian klik
OK. Untuk lebih jelasnya lihat gambar 2.16
16. Setelah muncul hasil dari langkah 15, klik Forecast sehingga muncul
tampilan seperti gambar 2.19. Jika ingin meramalkan satu periode kedepan
ganti forecast sample menjadi 1 49 dan pilih Static forecast pada method.
Kemudian klik OK. Hasil peramalan dapat dilihat pada workfile utama
dengan nama obyek series “laporan4f”.
BAB III
PEMBAHASAN
320
280
240
200
160
120
5 10 15 20 25 30 35 40 45
v. Keputusan
Karena p-value > α yaitu 0,4026 > 0,05 maka gagal tolak H0
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa data
berdistribusi normal artinya data stasioner dalam variansi.
3.4 Overfitting
3.4.1 ARMA (1,0) c
i. Hipotesis
H0 : Koefisien signifikan terhadap model
H1 : Koefisien tidak signifikan terhadap model
ii. Tingkat Signifikansi
α = 0,05
iii. Daerah Kritis
Tolak H0 jika p-value < α
iv. Statistika Uji
v. Keputusan
Karena p-value < α yaitu 0,000 < 0,05 maka tolak H0
vi. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
koefisien signifikan terhadap model.
Dari overfitting yang telah dilakukan maka dapat disimpulkan bahwa seluruh
model memiliki koefisien yang signifikan terhadap model.
viii. Kesimpulan
Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa
seluruh model tidak memiliki autokorelasi antar residual.
Berdasarkan matriks perbandingan pada tabel 3.1 maka model terbaik yang
digunakan adalah model ARMA (1,0) karena memiliki nilai ARS (Adjusted R-
Square), AIC (Aikake info criterion) dan SC (Schawartz criterion) yang kecil.
3.7 Peramalan
Dengan menggunakan model yang telah dipilih maka diperoleh hasil
peramalan sebagai berikut:
BAB IV
PENUTUP
Dari berbagai hal yang telah dilakukan dapat disimpulkan beberapa hal
sebagai berikut:
1. Data IHSG memiliki pola data stasioner atau horizontal
2. Data IHSG stasioner dalam mean dan variansi sehingga tidak diperlukan
difference
3. Estimasi model yang didapatkan adalah sebagai berikut: ARMA (1,0) c
; ARMA (1,0) ; ARMA (0,1) c ; ARMA (0,1)
4. Berdasarkan overfitting yang dilakukan model terbaik yang digunakan
adalah model ARMA (1,0) karena memiliki nilai ARS (Adjusted R-
Square), AIC (Aikake info criterion) dan SC (Schawartz criterion) yang
kecil
5. Diperoleh hasil peramalan untuk data IHSG pada hari ke 49 sebesar
264,3236
26
DAFTAR PUSTAKA