Kuliah 9 ARIMA NON MUSIMAN Contoh 1 Dan 2
Kuliah 9 ARIMA NON MUSIMAN Contoh 1 Dan 2
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 :
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 2
53
52
initialization
51
50
49
Index 10 20 30 40
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 3
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
3. Tekan OK
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 4
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
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
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)
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 5
Perintah MINITAB
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.
ARIMA Model
Number of observations: 46
Residuals: SS = 32.0150 (backforecasts excluded)
MS = 0.7276 DF = 44
Perintah MINITAB :
1. Menu Stat, lalu pilih Normality Test
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
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 9
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
Zt 1Zt 1 at
dimana adalah konstanta, dan adalah koefisien AR(1)
Pengujian Konstanta
Hipotesis yang digunakan
H0 : = 0
H1 : 0
Kriteria penolakan adalah : Tolak H0 bila p-value < 0.05. Dari output
MINITAB dapat dilihat bahwa p-value (0.000) bernilai kurang dari 0.05.
sehingga H0 ditolak.
Pengujian Koefisien AR(1)
Hipotesis yang digunakan
H0 : = 0
H1 : 0
Kriteria penolakan adalah : Tolak H0 bila p-value < 0.05. Dari output
MINITAB dapat dilihat bahwa p-value (0.000) bernilai kurang dari 0.05.
sehingga H0 ditolak.
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
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 10
Hasilnya adalah :
Data Display
K1 -12.6282
y
t 1
t yˆ t
2
MSD
n
dimana n adalah banyaknya data yang akan dihitung kesalahannya. Ketikkan
perintah berikut pada Session Window.
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
4. Prediksi akan dilakukan sebanyak 7 periode ke depan. Klik Forecast, lalu masukkan
angka 3. Hasil ramalan akan disimpan pada kolom C3. Masukkan C3 pada kotak
Forecast. Klik OK.
ARIMA Model
Number of observations: 46
Residuals: SS = 31.9856 (backforecasts excluded)
MS = 0.7439 DF = 43
3. Klik OK
.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
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 16
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 distribusi normal
Zt 1Zt 1 at 1 at 1
dimana adalah konstanta, adalah koefisien AR(1), dan adalah koefisien
MA(1)
Pengujian Konstanta
Hipotesis yang digunakan
H0 : = 0
H1 : 0
Kroteria penolakan adalah : Tolak H0 bila p-value < 0.05. Dari output
MINITAB dapat dilihat bahwa p-value (0.000) bernilai kurang dari 0.05.
sehingga H0 ditolak.
Pengujian Koefisien AR(1)
Hipotesis yang digunakan
H0 : = 0
H1 : 0
Kroteria penolakan adalah : Tolak H0 bila p-value < 0.05. Dari output
MINITAB dapat dilihat bahwa p-value (0.011) bernilai kurang dari 0.05.
sehingga H0 ditolak.
Pengujian Koefisien MA(1)
Hipotesis yang digunakan
H0 : = 0
H1 : 0
Kroteria penolakan adalah : Tolak H0 bila p-value < 0.05. Dari output
MINITAB dapat dilihat bahwa p-value (0.891) bernilai lebih dari 0.05.
sehingga H0 gagal ditolak.
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 17
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 :
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
Number of observations: 49
Residuals: SS = 35.2742 (backforecasts excluded)
MS = 0.7505 DF = 47
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.
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
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 19
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.
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 20
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 :
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
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 22
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
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 23
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
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
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
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
10. 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.
11. Klik Storage, pilih Residual untuk mengeluarkan Error dari model
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 27
ARIMA Model
Perintah MINITAB :
4. Menu Stat, lalu pilih Normality Test
6. Klik OK
Normal Probability Plot
.999
.99
.95
Probability
.80
.50
.20
.05
.01
.001
-50 0 50
RESI1
Average: 0.0762333 Kolmogorov-Smirnov Normality Test
StDev: 30.0909 D+: 0.064 D-: 0.052 D : 0.064
N: 56 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
Kriteria penolakan adalah : Tolak H0 bila p-value < 0.05. Dari output
MINITAB dapat dilihat bahwa p-value (0.005) bernilai kurang dari 0.05.
sehingga H0 ditolak.
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.
Hasilnya adalah :
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 31
Data Display
K1 391.125
y
t 1
t yˆ t
2
MSD
n
dimana n adalah banyaknya data yang akan dihitung kesalahannya. Ketikkan
perintah berikut pada Session Window.
Data Display
K1 1.42302
Ini adalah nilai MSD untuk test set berdasarkan model ARIMA(1,1,0)
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
a. Pengujian Asumsi
Terdapat dua buah pengujian asumsi, yaitu apakah error mengikuti proses White
Noise, dan apakah error berdistirbusi normal.
White Noise Error
Berdasarkan nilai Ljung-Box, dapat disimpulkan bahwa error yang terjadi telah
mengikuti proses white noise
Error berdistribusi Normal
Berdasarkan uji Komogorov Smirnov dapat disimpulkan bahwa error yang
terjadi telah mengikuti distribusi normal
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 33
.999
.99
.95
Probability
.80
.50
.20
.05
.01
.001
-50 0 50
RESI1
Average: 0.105837 Kolmogorov-Smirnov Normality Test
StDev: 28.1854 D+: 0.053 D-: 0.050 D : 0.053
N: 56 Approximate P-Value > 0.15
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.
AIC = n Ln (MSE) + 2M
Dimana dari output MINITAB telah memberikan nilai MSE yaitu 809.1. Pada model
ARIMA(0,1,1), banyak parameter yang diestimasi (selain konstanta) hanya satu
parameter, sehingga nilai M adalah 1. Jumlah sampel dalam Initialization set
sebanyak 57 data (n).
Hasilnya adalah :
Data Display
K1 383.668
y
t 1
t yˆ t
2
MSD
n
dimana n adalah banyaknya data yang akan dihitung kesalahannya. Ketikkan
perintah berikut pada Session Window.
Data Display
K1 1.97563
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 35
Ini adalah nilai MSD untuk test set berdasarkan model ARIMA(0,1,1)
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 :
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.
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 36
Output MINITAB
ARIMA Model
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.
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 37
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
AGUSTINI TRIPENA ARIMA non-musiman : contoh 1 38
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