Kuliah 9 ARIMA NON MUSIMAN Contoh 1 Dan 2

AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 1
Contoh :
Berikut ini adalah data harian tentang jumlah koran yang terjual di suatu toko selama 49 hari
pengamatan. Lakukan peramalan untuk 3 hari ke depan.
Minggu
1 2 3 4 5 6 7
Senin 50 53 50 51 50 50 50
Selasa 49 53 50 51 50 52 51
Rabu 51 52 49 52 51 52 50
Kamis 50 52 49 51 50 51 51
Jumat 51 51 50 51 51 51 52
Sabtu 52 51 51 51 52 50 53
Minggu 53 51 51 51 49 50 52
Tahap 1
Data dibagi menjadi dua bagian yaitu initialization set dan test set. Karena prediksi akan
dilakukan untuk 3 hari ke depan (3 periode data), maka test set juga akan melibatkan 3 periode
data. Jadi, initialization set terdiri dari 46 data awal, dan test set terdiri dari 3 data terakhir.
Perintah MINITAB :
1. Masukkan data pada kolom C1 mulai dari periode 1 sampai periode 46 (minggu ke-1
sampai mimggu ke-7 hari Kamis). Kolom ini memuat data Initialization set.
2. Masukkan data sisanya di kolom C2 (periode 47 sampai 49). Kolom ini memuat test set.
Tahap 2
Untuk dapat menentukan metode peramalan mana yang sesuai dengan kondisi data, maka
langkah awal adalah melakukan identifikasi terhadap kestasioneran data.
Perintah MINITAB :
1. Buka menu Graph, lalu klik Time Series Plot
2. Masukkan C1 pada kotak Graph Variables
3. Tekan OK, dan MINITAB akan mengeluarkan gambar berikut :
53
52
initialization
51
50
49
Index 10 20 30 40
Dari gambar plot time series diatas, dapat dilihat bahwa pada data penjualan ini tidak terdapat
efek tren, terlihat dari fluktuasi data yang cenderung stasioner waktu ke waktu. Dengan
demikian, model ARIMA dapat diterapkan pada data ini.
Setelah kestasioneran data dipenuhi, identifikasi selanjutnya adalah melihat pada ACF dan
PACF dari data. Bantuk ACF dan PACF berguna dalam menentukan orde dari model ARIMA.
Perintah MINITAB :
1. Buka menu stat, lalu Time Series, lalui Autocorrelations
2. Masukkan C1 pada kotak Series.
3. Tekan OK
4. Lakukan langkah yang sama untuk menampilkan Partial Autocorrelation
Autocorrelation Function for initializati

1.0
0.8
Autocorrelation
0.6
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
Lag Corr T LBQ Lag Corr T LBQ
1 0.56 3.65 14.28 8 -0.46 -1.94 43.99

2 0.28 1.44 18.00 9 -0.38 -1.48 52.10
3 0.19 0.94 19.80 10 -0.23 -0.85 55.13
4 -0.05 -0.22 19.90
5 -0.23 -1.07 22.48
6 -0.23 -1.08 25.28
7 -0.37 -1.66 32.52
Partial Autocorrelation Function for initializati

Partial Autocorrelation
1.0
0.8
0.6
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
Lag PAC T Lag PAC T
1 0.56 3.65 8 -0.18 -1.15

2 -0.05 -0.31 9 -0.10 -0.66
3 0.08 0.52 10 0.06 0.36
4 -0.27 -1.72
5 -0.15 -0.96
6 -0.03 -0.18
7 -0.26 -1.68
Dari ACF dan PACF diatas terlihat bahwa nilai ACF menurun secara eksponensial, dan nilai
PACF terjadi cut off setelah lag 1. Dengan demikian, model yang diduga sesuai adalah
ARIMA(1,0,0). Namun demikian, bentuk ACF yang menurun eksponensial juga
mengindikasikan kemungkinan model ARIMA (1,0,1) juga berlaku. Untuk itu, dalam langkah
selanjutnya, dua buah model ARIMA akan ditampilkan, yaitu ARIMA (1,0,0) dan
ARIMA(1,0,1), dan akan dicari model yang terbaik.
Tahap 3 dan 4
Melakukan pemodelan pada initialization set dan menerapkannya pada test set menggunakan
model yang telah teridentifikasi pada tahap sebelumnya.
a. ARIMA (1,0,0)
Perintah MINITAB
1. Panggil menu Stat, pilih Time Series, pilih ARIMA
2. Masukkan C1 pada kotak Variable

3. Model yang akan dibuat adalah ARIMA (1,0,0). Masukkan angka 1 pada kotak
Autoregressive. Pilih Include constant term in model
4. Prediksi akan dilakukan sebanyak 3 periode ke depan. Klik Forecast, lalu masukkan
angka 3. Hasil ramalan akan disimpan pada kolom C3. Masukkan C3 pada kotak
Forecast. Klik OK.
5. Klik Storage, pilih Residual untuk mengeluarkan Error dari model
Hasil output MINITAB adalah sebagai berikut :
ARIMA Model
ARIMA model for initialization
Estimates at each iteration

Iteration SSE Parameters
0 42.3033 0.100 45.833
1 36.8018 0.250 38.182
2 33.4235 0.400 30.530
3 32.1736 0.547 23.050
4 32.1565 0.559 22.384
5 32.1562 0.561 22.305
6 32.1562 0.561 22.296
Relative change in each estimate less than 0.0010
Final Estimates of Parameters

Type Coef StDev T P
AR 1 0.5612 0.1247 4.50 0.000
Constant 22.2959 0.1258 177.28 0.000
Mean 50.8089 0.2866
Number of observations: 46
Residuals: SS = 32.0150 (backforecasts excluded)
MS = 0.7276 DF = 44
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 12.2 21.4 36.9 *
DF 10 22 34 *
P-Value 0.270 0.496 0.335 *
Forecasts from period 46

95 Percent Limits
Period Forecast Lower Upper Actual
47 50.9162 49.2439 52.5884
48 50.8691 48.9516 52.7867
49 50.8427 48.8542 52.8312
Kolom C3 menyimpan hasil ramalan sebanyak 3 periode ke depan, dan C4 menyimpan

error dari model ARIMA yang telah diestimasi. Dalam tahap ini, akan dilihat hasil
beberapa pengujian.
a. Pengujian Asumsi
Terdapat dua buah pengujian asumsi, yaitu apakah error mengikuti proses White
Noise, dan apakah error berdistribusi normal.
 White Noise Error
Pengujian ini dapat mengacu pada output MINITAB diata, pada hasil Modified
Box-Pierce (Ljung-Box). Hipotesis yang digunakan :
H0 : error memenuhi proses white noise
H1 : Error tidak white noise
Kroteria penolakan adalah : Tolak H0 bila p-value < 0.05. Dari output
MINITAB dapat dilihat bahwa untuk setiap lag (lag 12, 24, 36) dimana
pengujian ini dilakukan, semua p-value (0.270, 0.496, dan 0.335) bernilai
diatas 0.05. Dengan demikian dapat disimpulkan bahwa error yang terjadi telah
mengikuti proses white noise
 Error berdistribusi Normal

Pengujian distribusi Normal dapat menggunakan pengujian Normality Test
Kolmogorov-Smirnov yang telah disediakan oleh MINITAB. Hipotesis yang
digunakan adalah :
H0 : error mengikuti distribusi normal

H1 : error tidak mengikuti distribusi normal
Perintah MINITAB :
1. Menu Stat, lalu pilih Normality Test
2. Masukkan C4 (error) ke dalam kotak Variable. Pilih prosedur

Kolmogorov-Smirnov untuk menguji kenormalan data.
3. Klik OK
Normal Probability Plot
.999
.99
.95
Probability
.80
.50
.20
.05
.01
.001
-2 -1 0 1
RESI1
Average: 0.0153926 Kolmogorov-Smirnov Normality Test
StDev: 0.843329 D+: 0.052 D-: 0.083 D : 0.083
N: 46 Approximate P-Value > 0.15
Kriteria penolakan adalah : Tolak H0 bila p-value < 0.05. Dari output
MINITAB dapat dilihat bahwa p-value (> 0.15) bernilai diatas 0.05 sehingga
H0 gagal ditolak. Dengan demikian dapat disimpulkan bahwa error yang terjadi
telah mengikuti distirbusi normal
b. Pengujian Signifikansi parameter

Pada model ARIMA(1,0,0) ini, terdapat dua parameter yang akan diuji
kesignifikanannya, yaitu konstanta dan Koefisien AR(1). Sehingga bentuk
matematisnya adalah :
Zt    1Zt 1  at
dimana  adalah konstanta, dan  adalah koefisien AR(1)
 Pengujian Konstanta
Hipotesis yang digunakan
H0 :  = 0
H1 :   0
MINITAB dapat dilihat bahwa p-value (0.000) bernilai kurang dari 0.05.
sehingga H0 ditolak.
 Pengujian Koefisien AR(1)
H0 :  = 0
H1 :   0
Hasil pengujian Asumsi dan pengujian parameter menunjukkan bahwa model

ARIMA(1,0,0) layak digunakan untuk memodelkan data penjualan ini.
6. Menghitung informasi AIC untuk model ARIMA(1,0,0) yang akan digunakan sebagai
kriteria dalam menentukan model terbaik. MINITAB tidak memberikan output
perhitungan AIC, sehingga harus dihitung secara manual dengan cara mengetikkan
perintah pada session window. Terlebih dahulu, command language pada session
window harus diaktifkan. Cara mengaktifkan command language MINITAB adalah

dengan memanggil menu editor lalu pilih Enable Command.
Rumus AIC adalah :

AIC = n Ln (MSE) + 2M
Dimana dari output MINITAB telah memberikan nilai MSE yaitu 0.7276. Pada model
ARIMA(1,0,0), banyak parameter yang diestimasi (selain konstanta) hanya satu
parameter, sehingga nilai M adalah 1. Jumlah sampel dalam Initialization set sebanyak
46 data (n).
MTB > let k1=46*loge(0.7276)+2*1

MTB > prin k1
Hasilnya adalah :
Data Display
K1 -12.6282
Maka AIC untuk ARIMA(1,0,0) ini = -12. 6282
Menghitung MSD untuk test set

Kolom C2 berisi test set, dan kolom C3 berisi hasil ramalan. Rumus MSD adalah
sebagai berikut :
 y
t 1
t  yˆ t 
2
MSD 
n
dimana n adalah banyaknya data yang akan dihitung kesalahannya. Ketikkan
perintah berikut pada Session Window.
MTB > let c5=(c2-c3)**2

MTB > let k1=sum(c4)/ 3
MTB > prin k1
Hasil MINITAB adalah :
Data Display
K1 0.236020
Ini adalah nilai MSD untuk test set berdasarkan model ARIMA(1,0,0)
b. ARIMA(1,0,1)
Sebelum memodelkan ARIMA(1,0,1), terlebih dahulu kolom C3, C4, dan C5 dihapus untuk
lebih memudahkan dalam menggunakan MINITAB
Perintah MINITAB


Autoregressive. Pilih Include constant term in model
Forecast. Klik OK.
ARIMA Model

0 47.0687 0.100 0.100 45.833
1 35.6485 0.250 -0.050 38.175
2 33.1102 0.400 -0.029 30.525
3 32.1696 0.550 0.004 22.876
4 32.1451 0.578 0.027 21.434
5 32.1437 0.585 0.035 21.065
6 32.1436 0.587 0.037 20.973
7 32.1436 0.588 0.038 20.951
8 32.1436 0.588 0.038 20.946
9 32.1436 0.588 0.038 20.945

Type Coef StDev T P

AR 1 0.5877 0.2205 2.67 0.011
MA 1 0.0378 0.2736 0.14 0.891
Constant 20.9447 0.1224 171.16 0.000
Mean 50.8055 0.2968
MS = 0.7439 DF = 43

Lag 12 24 36 48
Chi-Square 12.1 21.5 36.8 *
DF 9 21 33 *
P-Value 0.208 0.432 0.298 *

95 Percent Limits
47 50.8958 49.2051 52.5866
48 50.8586 48.9290 52.7882
49 50.8367 48.8313 52.8422
Kolom C3 menyimpan hasil ramalan sebanayk 3 periode ke depan, dan C4 menyimpan

beberapa pengujian.
a. Pengujian Asumsi
Noise, dan apakah error berdistirbusi normal.
Pengujian ini dapat menacu pada output MINITAB diata, pada hasil Modified
pengujian ini dilakukan, semua p-value (0.208, 0.432, dan 0.298) bernilai

Pengujian distirbusi Normal dapat menggunakan pengujian Normality Test
digunakan adalah :

Perintah MINITAB :

3. Klik OK
.999
.99
.95
Probability
.80
.50
.20
.05
.01
.001
-2 -1 0 1
RESI1
StDev: 0.843329 D+: 0.052 D-: 0.083 D : 0.083
telah mengikuti distribusi normal

Pada model ARIMA(1,0,1) ini, terdapat tiga parameter yang akan diuji
Zt  1Zt 1  at  1 at 1
dimana  adalah konstanta,  adalah koefisien AR(1), dan  adalah koefisien
MA(1)
H0 :  = 0
H1 :   0
H0 :  = 0
H1 :   0
 Pengujian Koefisien MA(1)
H0 :  = 0
H1 :   0
MINITAB dapat dilihat bahwa p-value (0.891) bernilai lebih dari 0.05.
sehingga H0 gagal ditolak.

ARIMA(1,0,1) tidak layak digunakan untuk memodelkan data penjualan ini karena
salah satu parameternya tidak signifikan. Langkah untuk mengatasinya adalah dengan
mengeluarkan koefisien MA(1) dari model. Bila koefisien MA(1) dikeluarkan, maka
model ARIMA(1,0,1) akan menjadi model ARIMA(1,0,0) sebagimana yang telah
dilakukan analisanya diatas.
Tahap 5
Dari hasil tahap 3 dan 4, diperoleh hasil bahwa dianta kedua model yakni ARIMA(1,0,0) dan
ARIMA(1,0,1), ternyata hanya ARIMA(1,0,0) yang layak dipakai untuk memodelkan data
penjualan ini. Dengan demikian, dalam tahap ke-5 ini tidak ada pembandingan antara kedua
model tersebut.
Tahap 6
Prediksi ke depan sebanyak 3 periode, dilakukan dengan menggunakan metode terbaik yang
diperoleh pada tahap 5, dan melibatkan seluruh pengamatan. Dengan demikian, data time series
yang sebelumnya telah dibagi menjadi dua bagian, akan digabungkan kembali untuk kemudian
dibuat prediksi ke depannya.
Perintah MINITAB
1. Data di kolom C1 adalah Initialization Set, dan di kolom 2 adalah test set. Cara
penggabungan data adalah dengan menggunakan perintah berikut :
MTB > stack c1 c2 c5
Perintah ini digunakan untuk menggabungkan data dari C1 dan C2, yang diletakkan pada
kolom C5.
2. Melakukan pemodelan ARIMA(1,0,0) untuk keseluruhan data (kolom C5), dan melakukan
prediksi sebanyak 3 periode ke depan.
Output MINITAB
ARIMA Model
ARIMA model for C5

0 48.4525 0.100 45.917
1 41.7837 0.250 38.255

2 37.4934 0.400 30.594
3 35.5814 0.550 22.932
4 35.4704 0.589 20.932
5 35.4687 0.593 20.723
6 35.4687 0.594 20.697

Type Coef StDev T P
AR 1 0.5936 0.1193 4.98 0.000
Constant 20.6968 0.1238 167.12 0.000
Mean 50.9231 0.3047
MS = 0.7505 DF = 47

Lag 12 24 36 48
Chi-Square 12.4 20.8 35.0 54.7
DF 10 22 34 46
P-Value 0.260 0.536 0.420 0.179

95 Percent Limits
50 51.5623 49.8640 53.2606
51 51.3025 49.3275 53.2775
52 51.1483 49.0846 53.2119
Menggunakan prosedur yang sama seperti sebelumnya, model akhir ini juga harus diuji
beberapa asumsi dan kesignifikanan parameternya, dan secara umum semua asumsi
terpenuhi dan semua parameter signifikan.
Hasil ramalah ke depan adalah (minggu ke-8):
Minggu
1 2 3 4 5 6 7 8
Senin 50 53 50 51 50 50 50 51.5623
Selasa 49 53 50 51 50 52 51 51.3025
Rabu 51 52 49 52 51 52 50 51.1483
Kamis 50 52 49 51 50 51 51
Jumat 51 51 50 51 51 51 52
Sabtu 52 51 51 51 52 50 53
Minggu 53 51 51 51 49 50 52
Sehingga bila data ramalan digabungkan dengan data asli, maka plot time series yang diperoleh
adalah sebagai berikut :
53
52
C5
51
50
49
Index 10 20 30 40 50
Contoh :
Berikut ini adalah data harian tentang jumlah penumpang yang menggunakan jasa pelayaran
selama 60 hari pengamatan. Lakukan peramalan untuk 3 hari ke depan.
1 2 3 4 5 6 7 8 9
Senin 466 511 573 645 678 808 871 893 916
Selasa 491 571 609 595 696 797 824 900 957
Rabu 524 501 605 684 712 830 871 975 972
Kamis 488 517 642 671 746 838 902 945 993
Jumat 498 525 604 650 806 831 859 910
Sabtu 466 564 595 679 785 843 913 925
Minggu 535 547 622 698 766 834 870 905
Tahap 1
Data dibagi menjadi dua bagian yaitu initialization set dan test set. Karena prediksi akan
dilakukan untuk 3 hari ke depan (3 periode data), maka test set juga akan melibatkan 3 periode
data. Jadi, initialization set terdiri dari 57 data awal, dan test set terdiri dari 3 data terakhir.
Perintah MINITAB :
3. Masukkan data pada kolom C1 mulai dari periode 1 sampai periode 57 (minggu ke-1
sampai mimggu ke-9 hari Senin). Kolom ini memuat data Initialization set.
4. Masukkan data sisanya di kolom C2 (periode 58 sampai 60). Kolom ini memuat test set.
Tahap 2
Untuk dapat menentukan metode peramalan mana yang sesuai dengan kondisi data, maka
langkah awal adalah melakukan identifikasi terhadap kestasioneran data.
Perintah MINITAB :
4. Buka menu Graph, lalu klik Time Series Plot
5. Masukkan C1 pada kotak Graph Variables

6. Tekan OK, dan MINITAB akan mengeluarkan gambar berikut :
1000
900
initialization
800
700
600
500
Index 10 20 30 40 50
Dari gambar plot time series diatas, dapat dilihat bahwa pada data penjualan ini terdapat efek
tren, terlihat dari fluktuasi data yang cenderung naik dari waktu ke waktu (tidak stasioner dalam
mean). Langkah awal dalam menangani adanya ketidakstasioneran dalam mean pada data
adalah melakukan differencing. Differencing dilakukan pada lag 1 lebih dahulu, kemudian
dilihat lagi apakah telah stasioner, bila stasioneritas terpenuhi maka tidak perlu ada lagi
differencing untuk lag yang lebih tinggi.
Perintah MINITAB
1. Menu Stat, lalu Time Series, lalu pilih Differences
2. Masukkan C1 pada kotak Series, dan letakkan hasil differencing pada kolom C3. Lag yang
dipilh adalah lag ke-1.
3. Klik OK
4. Buat Time Series Plot untuk data yang telah di-differencing, yaitu data yang telah disimpan
pada kolom C3
100
50
C3
0
-50
Index 10 20 30 40 50
Dari plot time series diatas, terlihat bahwa dengan differencing pada lag ke-1, data telah manjadi
stasioner dalam mean. Dengan demikian, model ARIMA yang akan dibangun pada data ini,
akan melibatkan orde differencing pada lag ke-1 (Orde d=1)
Setelah kestasioneran data dipenuhi, identifikasi selanjutnya adalah melihat pada ACF dan
PACF dari data yang telah distasionerkan, yaitu data pada kolom C3. Bantuk ACF dan PACF
berguna dalam menentukan orde dari model ARIMA.
Perintah MINITAB :
5. Buka menu stat, lalu Time Series, lalu Autocorrelations
6. Masukkan C3 pada kotak Series.

7. Tekan OK
8. Lakukan langkah yang sama untuk menampilkan Partial Autocorrelation
Autocorrelation Function for C3
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
4 9 14
Lag Corr T LBQ Lag Corr T LBQ
1 -0.51 -3.79 15.14 8 -0.20 -1.18 20.77

2 0.10 0.63 15.78 9 0.26 1.48 25.33
3 -0.09 -0.56 16.29 10 -0.11 -0.60 26.15
4 0.03 0.17 16.35 11 -0.09 -0.48 26.69
5 -0.09 -0.52 16.82 12 0.08 0.43 27.14
6 0.14 0.81 18.02 13 -0.02 -0.12 27.18
7 0.02 0.13 18.05 14 -0.10 -0.54 27.92
Partial Autocorrelation Function for C3

Partial Autocorrelation
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
4 9 14
Lag PAC T Lag PAC T
1 -0.51 -3.79 8 -0.18 -1.37

2 -0.21 -1.54 9 0.11 0.80
3 -0.19 -1.40 10 0.13 0.96
4 -0.14 -1.01 11 -0.10 -0.78
5 -0.21 -1.56 12 -0.02 -0.17
6 -0.03 -0.25 13 -0.04 -0.27
7 0.11 0.83 14 -0.16 -1.17
Dari gambar diatas terlihat bahwa nilai ACF dan PACF terjadi cut off setelah lag 1. Dengan
demikian, berdasarkan bantuk ACF model yang diduga sesuai dengan data asli adalah
ARIMA(0,1,1). Namun demikian, bentuk PACF yang cut off pada lag-1 juga mengindikasikan
kemungkinan model ARIMA (1,1,0) juga berlaku. Untuk itu, dalam langkah selanjutnya, dua
buah model ARIMA akan ditampilkan, yaitu ARIMA (1,1,0) dan ARIMA(0,1,1), dan akan
dicari model yang terbaik. Adanya orde differencing disini (d=1) mengacu pada identifikasi
yang telah dilakukan sebelumnya dimana data membutuhkan differencing orde ke-1 agar
menjadi stasioner
Tahap 3 dan 4
Melakukan pemodelan pada initialization set dan menerapkannya pada test set menggunakan
model yang telah teridentifikasi pada tahap sebelumnya.
c. ARIMA (1,1,0)
Perintah MINITAB

Autoregressive dan Difference, Pilih Include constant term in model
Forecast. Klik OK.
ARIMA Model

0 74611.0 0.100 7.322
1 63912.2 -0.050 8.506
2 56221.1 -0.200 9.666
3 51537.5 -0.350 10.801
4 49862.7 -0.499 11.895
5 49856.7 -0.508 11.938
6 49856.7 -0.509 11.939
7 49856.7 -0.509 11.939

Type Coef StDev T P
AR 1 -0.5086 0.1171 -4.34 0.000
Constant 11.939 4.058 2.94 0.005
Differencing: 1 regular difference

Number of observations: Original series 57, after differencing
56
MS = 922.2 DF = 54

Lag 12 24 36 48
Chi-Square 14.4 30.3 42.3 61.7
DF 10 22 34 46
P-Value 0.157 0.110 0.156 0.060

95 Percent Limits
58 922.35 862.81 981.88
59 931.06 864.72 997.39
60 938.57 858.60 1018.53
Kolom C3 menyimpan hasil ramalan sebanyak 3 periode ke depan, dan C4 menyimpan

beberapa pengujian.
c. Pengujian Asumsi
Noise, dan apakah error berdistribusi normal.
Pengujian ini dapat mengacu pada output MINITAB diata, pada hasil Modified

pengujian ini dilakukan, semua p-value (0.157, 0.110, 0.156, dan 0.06) bernilai

Pengujian distribusi Normal dapat menggunakan pengujian Normality Test
digunakan adalah :
Perintah MINITAB :

6. Klik OK
.999
.99
.95
Probability
.80
.50
.20
.05
.01
.001
-50 0 50
RESI1
StDev: 30.0909 D+: 0.064 D-: 0.052 D : 0.064
telah mengikuti distirbusi normal
d. Pengujian Signifikansi parameter

Wt    1Wt 1  at dimana Wt = Zt – Zt-1 karena adanya d = 1
dimana  adalah konstanta, dan  adalah koefisien AR(1)
H0 :  = 0
H1 :   0
H0 :  = 0
H1 :   0

ARIMA(1,1,0) layak digunakan untuk memodelkan data penjualan ini.
12. Menghitung informasi AIC untuk model ARIMA(1,0,0) yang akan digunakan sebagai
kriteria dalam menentukan model terbaik. MINITAB tidak memberikan output
perhitungan AIC, sehingga harus dihitung secara manual dengan cara mengetikkan
perintah pada session window. Terlebih dahulu, command language pada session
window harus diaktifkan. Cara mengaktifkan command language MINITAB adalah
dengan memanggil menu editor lalu pilih Enable Command.
Rumus AIC adalah :

parameter, sehingga nilai M adalah 1. Jumlah sampel dalam Initialization set sebanyak
57 data (n).
MTB > let k1=57*loge(922.2)+2*1

MTB > prin k1
Hasilnya adalah :
Data Display
K1 391.125
Maka AIC untuk ARIMA(1,1,0) ini = 391.125

sebagai berikut :
n
 y
t 1
t  yˆ t 
2
MSD 
n
MTB > let c5=(c2-c3)**2

MTB > prin k1
Data Display
K1 1.42302
d. ARIMA(0,1,1)
Sebelum memodelkan ARIMA(1,0,1), terlebih dahulu kolom C3, C4, dan C5 dihapus untuk
lebih memudahkan dalam menggunakan MINITAB. Dengan menerapkan urutan yang
sama sebagaimana model ARIMA(1,1,0) diatas, diperoleh output pemodelan
ARIMA(0,1,1) sebagai berikut :
ARIMA Model

0 61080.2 0.100 8.136

1 54188.7 0.250 8.078
2 49222.5 0.400 8.048
3 45758.5 0.550 8.066
4 43868.1 0.700 8.183
5 43729.1 0.741 8.313
6 43727.3 0.745 8.338
7 43727.2 0.746 8.342

Type Coef StDev T P
MA 1 0.7456 0.0997 7.48 0.000
Constant 8.342 1.006 8.30 0.000

Number of observations: Original series 57, after differencing 56
MS = 809.1 DF = 54

Lag 12 24 36 48
Chi-Square 6.9 19.1 28.0 45.4
DF 10 22 34 46
P-Value 0.730 0.639 0.754 0.495

95 Percent Limits
58 947.35 891.58 1003.11
59 955.69 898.15 1013.23
60 964.03 904.77 1023.30
Kolom C3 menyimpan hasil ramalan sebanayk 3 periode ke depan, dan C4 menyimpan

beberapa pengujian.
a. Pengujian Asumsi
Noise, dan apakah error berdistirbusi normal.
Berdasarkan nilai Ljung-Box, dapat disimpulkan bahwa error yang terjadi telah
Berdasarkan uji Komogorov Smirnov dapat disimpulkan bahwa error yang
terjadi telah mengikuti distribusi normal
.999
.99
.95
Probability
.80
.50
.20
.05
.01
.001
-50 0 50
RESI1
StDev: 28.1854 D+: 0.053 D-: 0.050 D : 0.053

kesignifikanannya, yaitu konstanta dan Koefisien MA(1). Sehingga bentuk
Wt  at  1 at 1 dimana Wt = Zt – Zt-1 karena adanya d = 1
dimana  adalah konstanta,  adalah koefisien MA(1)

H0 :  = 0
H1 :   0
 Pengujian Koefisien MA(1)
H0 :  = 0
H1 :   0

ARIMA(0,1,1) layak digunakan untuk memodelkan data penjualan
informasi AIC untuk model ARIMA(1,0,0) digunakan sebagai kriteria dalam menentukan
model terbaik. MINITAB tidak memberikan output perhitungan AIC, sehingga harus
dihitung secara manual dengan cara mengetikkan perintah pada session window.
parameter, sehingga nilai M adalah 1. Jumlah sampel dalam Initialization set
sebanyak 57 data (n).
MTB > let k1=57*loge(809.1)+2*1

MTB > prin k1
Hasilnya adalah :
Data Display
K1 383.668
Maka AIC untuk ARIMA(1,1,0) ini = 383.668

sebagai berikut :
n
 y
t 1
t  yˆ t 
2
MSD 
n
MTB > let c5=(c2-c3)**2

MTB > prin k1
Data Display
K1 1.97563
Tahap 5
Berikut ini adalah tabel perbandingan antara kedua model ARIMA yang telah dilakukan
diatas.
Ukuran kesalahan ARIMA(1,1,0) ARIMA(0,1,1)
In-sample MSE 922.2 809.1
AIC 391.125 383.668
Out-of-sample MSD 1.42303 1.97563
Bila kriteria kesalahan in-sample digunakan, maka ARIMA(0,1,1) akan memberikan hasil lebih
baik, namun bila kriteria kesalahan out-of sample digunakan, maka ARIMA(1,1,0) akan
memberikan hasil yang lebih bagus. Subyektifitas pemakai sangat berperan di dalam
mengambil keputusan, baik berdasarkan kriteria in-sample maupun out-of-sample. Kali ini,
pedoman yang lebih sesuai adalah MSD, karena prediksi yang dilakukan hanya 3 periode
(jangka pendek). Demikian model ARIMA terbaik adalah ARIMA(1,1,0)
Tahap 6
Prediksi ke depan sebanyak 3 periode, dilakukan dengan menggunakan metode terbaik yang
diperoleh pada tahap 5, dan melibatkan seluruh pengamatan. Dengan demikian, data time series
yang sebelumnya telah dibagi menjadi dua bagian, akan digabungkan kembali untuk kemudian
dibuat prediksi ke depannya.
Perintah MINITAB
3. Data di kolom C1 adalah Initialization Set, dan di kolom 2 adalah test set. Cara
penggabungan data adalah dengan menggunakan perintah berikut :
MTB > stack c1 c2 c5
Perintah ini digunakan untuk menggabungkan data dari C1 dan C2, yang diletakkan pada
kolom C5.
4. Melakukan pemodelan ARIMA(1,1,0) untuk keseluruhan data (kolom C5), dan melakukan
prediksi sebanyak 3 periode ke depan.
Output MINITAB
ARIMA Model
ARIMA model for C5

0 75798.9 0.100 8.129
1 65210.3 -0.050 9.424
2 57680.9 -0.200 10.699
3 53210.5 -0.350 11.952
4 51801.7 -0.486 13.059
5 51796.9 -0.494 13.106
6 51796.8 -0.494 13.108

Type Coef StDev T P
AR 1 -0.4942 0.1153 -4.29 0.000
Constant 13.108 3.923 3.34 0.001

Number of observations: Original series 60, after differencing 59
MS = 907.9 DF = 57

Lag 12 24 36 48
Chi-Square 15.5 30.7 42.9 60.6
DF 10 22 34 46
P-Value 0.114 0.103 0.140 0.073

95 Percent Limits
61 995.73 936.66 1054.80
62 1007.49 941.29 1073.68
63 1014.79 935.13 1094.44
Menggunakan prosedur yang sama seperti sebelumnya, model akhir ini juga harus diuji
beberapa asumsi dan kesignifikanan parameternya, dan secara umum semua asumsi
terpenuhi dan semua parameter signifikan.
Hasil ramalah 3 periode ke depan adalah :
1 2 3 4 5 6 7 8 9
Senin 466 511 573 645 678 808 871 893 916
Selasa 491 571 609 595 696 797 824 900 957
Rabu 524 501 605 684 712 830 871 975 972
Kamis 488 517 642 671 746 838 902 945 993
Jumat 498 525 604 650 806 831 859 910 995.73
Sabtu 466 564 595 679 785 843 913 925 1007.49
Minggu 535 547 622 698 766 834 870 905 1014.79
Sehingga bila data ramalan digabungkan dengan data asli, maka plot time series yang diperoleh
adalah sebagai berikut :
1050
950
850
C5
750
650
550
450
Index 10 20 30 40 50 60
Latihan :
Berikut ini adalah data oenjualan produk elektronik “X” selama 9 minggu mulai dibukanaya
Toko. Buatlah ramalan untuk 4 hari ke depan menggunakan ARIMA
1 2 3 4 5 6 7 8 9
Senin 9 37 129 134 182 186 235 208 321
Selasa 29 59 118 159 228 172 232 202 325
Rabu 47 53 91 153 159 222 222 169 352
Kamis 65 59 152 153 210 191 169 280 326
Jumat 21 68 155 185 199 226 227 230 247
Sabtu 112 83 115 194 136 172 264 231 304
Minggu 33 73 138 166 189 252 253 285 287

Kuliah 9 ARIMA NON MUSIMAN Contoh 1 Dan 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kuliah 9 ARIMA NON MUSIMAN Contoh 1 Dan 2

Diunggah oleh

Hak Cipta:

Format Tersedia

AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 1

1. Buka menu Graph, lalu klik Time Series Plot

2. Masukkan C1 pada kotak Graph Variables

3. Tekan OK, dan MINITAB akan mengeluarkan gambar berikut :

2. Masukkan C1 pada kotak Series.

4. Lakukan langkah yang sama untuk menampilkan Partial Autocorrelation

Autocorrelation Function for initializati

Lag Corr T LBQ Lag Corr T LBQ

1 0.56 3.65 14.28 8 -0.46 -1.94 43.99

Partial Autocorrelation Function for initializati

Lag PAC T Lag PAC T

1 0.56 3.65 8 -0.18 -1.15

1. Panggil menu Stat, pilih Time Series, pilih ARIMA

2. Masukkan C1 pada kotak Variable

5. Klik Storage, pilih Residual untuk mengeluarkan Error dari model

Hasil output MINITAB adalah sebagai berikut :

ARIMA model for initialization

Estimates at each iteration

Final Estimates of Parameters

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

Forecasts from period 46

Kolom C3 menyimpan hasil ramalan sebanyak 3 periode ke depan, dan C4 menyimpan

 Error berdistribusi Normal

H0 : error mengikuti distribusi normal

2. Masukkan C4 (error) ke dalam kotak Variable. Pilih prosedur

b. Pengujian Signifikansi parameter

Hasil pengujian Asumsi dan pengujian parameter menunjukkan bahwa model

window harus diaktifkan. Cara mengaktifkan command language MINITAB adalah

Rumus AIC adalah :

MTB > let k1=46*loge(0.7276)+2*1

Maka AIC untuk ARIMA(1,0,0) ini = -12. 6282

Menghitung MSD untuk test set

MTB > let c5=(c2-c3)**2

Hasil MINITAB adalah :

1. Panggil menu Stat, pilih Time Series, pilih ARIMA

2. Masukkan C1 pada kotak Variable

5. Klik Storage, pilih Residual untuk mengeluarkan Error dari model

Hasil output MINITAB adalah sebagai berikut :

ARIMA model for initialization

Estimates at each iteration

Final Estimates of Parameters

Type Coef StDev T P

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

Forecasts from period 46

Kolom C3 menyimpan hasil ramalan sebanayk 3 periode ke depan, dan C4 menyimpan

 Error berdistribusi Normal

H0 : error mengikuti distribusi normal

2. Masukkan C4 (error) ke dalam kotak Variable. Pilih prosedur

Normal Probability Plot

b. Pengujian Signifikansi parameter

Hasil pengujian Asumsi dan pengujian parameter menunjukkan bahwa model

MTB > stack c1 c2 c5

ARIMA model for C5

Estimates at each iteration

1 41.7837 0.250 38.255

Final Estimates of Parameters

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

Forecasts from period 49

Hasil ramalah ke depan adalah (minggu ke-8):

4. Buka menu Graph, lalu klik Time Series Plot

5. Masukkan C1 pada kotak Graph Variables

6. Tekan OK, dan MINITAB akan mengeluarkan gambar berikut :

6. Masukkan C3 pada kotak Series.

MTB > let k1=46loge(0.7276)+21

MTB > let k1=57loge(922.2)+21

MTB > let k1=57loge(809.1)+21