Secara aplikatif pada 3 (dua) artikel sebelumnya dengan menggunakan data deret waktu yang

sama, hasil AR (1) dan MA (1) serta ARMA (1,1) menghasikan model dengan kebagusan
yang sama yaitu tidak bagus jika digunakan untuk ramalan. Pada kesempatan kali ini dengan
data deret waktu yang sama, kita akan coba ujikan dengan model ARIMA-Autoregressive-
Integrated-Moving Average.
Adapun untuk memodelkan data deret waktu yang kita miliki, dengan model ARIMA (1,1,1)
dengan menggunakan SPSS tahapannya adalah sebagai berikut :

1 Siapkan data deret waktu yang akan dianalisis, data yang dimiliki bisa disiapkan dalam file
excel untuk memudahkan kita dalam melakukan editing atau perapian data.

2 Buka file software SPSS dan entrykan data deret waktu yang kita miliki, yang sudah
disiapkan dalam file excel tadi kedalam file SPSS. Entrykan pada jendela Data View
dan definisikan data tadi pada jendela Variables View. Seperti tampak pada gambar
berikut.

3 Setelah data dimasukan ke dalam software SPSS, lalu klik Analyse dan pilih menu Time
 Series dan klik pada Create Models. Seperti Tampak seperti gambar berikut.

4 Setelah di klik menu Create Models, kita akan masuk pada menu dimana terdapat menu-
menu yang digunakan untuk mendefinisikan model yang akan kita terapkan pada data
yang kita miliki. Untuk pembahasan pada kesempatan kali ini, Autoregressive (AR1)
– Intergrated (D1) – Moving Average (MA1), pada menu Method ubah dari Expert
Modeler menjadi ARIMA. Lalu klik Criteria dan isikan 1 (satu) pada kolom
Autoregressive, Deference dan Moving Average (Non Seasonal) seperti tampak
gambar berikut. Lalu klik Continue.

5 Setelahnya akan tampak pada jendela utama analisis pada Model Type akan tertuliskan (1,
1, 1). Lalu pindahkan variabel atau data deret waktu yang kita miliki dari kolom
Variables ke kolom Dependent Variables. Seperti tampak pada gambar berikut.
6 Untuk mendapatkann hasil output SPSS dan untuk menguji kebagusan model data deret
waktu yang dihasilkan maka kita akan definisikan kebutuhan output SPSS dalam
analisis data deret waktu pada menu Statistics, Plot, Ouput Filter, Save dan Options.
Sekali lagi kebutuhan Output model data deret waktu harus dibangun atas dasar
kepahaman teori yang mendasarinya.

Menu Statistics Untuk Menghasilkan Statistik Uji Model

Menu Plots Untuk Menghasilkan Aspek Gambar Statistik Uji Model

Menu Output Filter Untuk Menghasilkan Model Berdasarkan Kriteria Peneliti

Menu Save Untuk Melakukan Penyimpanan Data Hasil Olahan Model

Menu Options Untuk Mengatur Operasionalisasi Analisis ARIMA (1,1,1)

7 Setelah kita pastikan semua kelengkapan analisis dan hasil analisis yang kita perlukan, lalu
klik OK maka SPSS akan memproses data untuk mengasilkan model ARIMA (1,1,1).
Dan akan dihasilkan output SPSS seperti nampak pada gambar berikut.
Model ARIMA (1,1,1) dan Uji Kebagusan Model ARIMA (1,1,1)

Grafik Data dan Grafik Model Fit

8 Dari output SPSS model ARIMA (1,1,1) di atas sekiranya secara sederhana diperoleh
informasi,
▪ Nilai koefisien untuk AR(1) dan MA (1) masing-masing sebesar 0.009 dan 0.995.
Jika melihat nilai mutlak T-Ratio (t-hitung) regresi untuk AR(1) sebesar 0.074
dan MA(1) sebesar 2.12, yang jika dibandingkan dengan nilai kritisnya untuk
taraf signifikansi alpha 5%, derajat bebas, DF sebesar 81, nilainya antara 1.29
dengan 1.30, maka hanya T-Ratio untuk AR (1) yang lebih kecil dari T-Tabel,
yang berarti model ARIMA (1,1,1) tidak cukup signifikan untuk digunakan
sebagai model ramalan, disamping kekeliruan residunya masih cukup besar
yaitu sama dengan 8.041. Untuk lebih jelas dapat ditelaah dari gambar peta
data nilai aktual dengan nilai ramalan dengan model ARIMA (1,1,1).
▪ Dari Grafik data terlihat perbedaan yang mencolok antara peta nilai aktual yang
berupa gambar spektrum dengan peta nilai ramalan yang hampir mendatar
(model fit). Ketidakberartian model ARIMA (1,1,1) dengan konstanta
(koefisien regresinya), kemungkinan karena data tidak stasioner dalam
varians, seperti telah dikemukakan, analisis regresi deret waktu dilakukan jika
data statsioner, sehingga transformasi stabilitas varians harus dilakukan
terlebih dahulu sebelum membangun model regresi deret waktu.
▪
Hasil ARIMA (1,1,1) tidak jauh berbeda dengan hasil ARIMA (1,0,0), ARIMA (0,0,1) dan
ARIMA (1,0,1). Dari hasil tersebut dapat disimpulkan bahwa stabilitas varians diperlukan
untuk memperkecil bias dan kekeliruan baku model, sehingga model regresi deret waktu akan
menjadi lebih baik dan berarti untuk dijadikan model ramalan.

Hasilnya: