(ARIMA)
MAKALAH
Disusun oleh
PENDAHULUAN
A. Latar Belakang
Peramalan adalah perkiraan atau prediksi tentang sesuatu yang akan terjadi
pada waktu yang akan datang yang didasarkan pada data yang ada pada waktu
sekarang dan waktu lampau (historical data). Peramalan bertujuan untuk
memberikan informasi dasar yang diperlukan dalam menyusun suatu perencanaan.
Perencanaan merupakan suatu usaha untuk menentukan suatu tindakan di masa
yang akan datang dalam mencapai tujuan yang diinginkan. Perencanaan yang baik
harus didasarkan atas suatu ramalan yang baik. Sedangkan untuk mendapatkan
hasil ramalan yang baik maka diperlukan suatu metode peramalan yang baik pula.
Metode peramalan yang baik yaitu jika hasil ramalan tidak berbeda jauh dengan
kenyataannya, atau dengan kata lain metode tersebut menghasilkan penyimpangan
antara hasil peramalan dengan nilai kenyataan yang sekecil mungkin.
Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang
akan terjadi pada masa depan berdasarkan data yang relevan pada masa lalu. Pada
dasarnya terdapat dua jenis metode peramalan kuantitatif, yaitu:
a. Metode peramalan dengan menggunakan analisis pola hubungan antara
variabel yang diperkirakan dengan variabel lain yang mempengaruhinya, yang
disebut dengan metode korelasi atau sebab akibat (causal method). Metode ini
terdiri dari metode regresi dan korelasi, metode ekonometri, dan metode input-
output.
b. Metode peramalan dengan menggunakan analisis pola hubungan antara
variabel yang diperkirakan dengan variabel waktu (analisis time series/ deret
waktu). Metode ini terdiri dari metode smoothing, metode Box-Jenkins, dan
proyeksi trend dengan regresi.
Dalam makalah ini penulis lebih menitik beratkan pada analisis time series,
khususnya membahas tentang teknik peramalan dengan menggunakan metode
Box-Jenkins. Metode Box-Jenkins merupakan salah satu metode yang biasa
digunakan untuk melakukan peramalan jangka pendek. Untuk mendapatkan nilai
prediksi yang akan datang, metode Box Jenkins menggunakan nilai sebelumnya
dari suatu variabel dan atau nilai kesalahannya di masa lalu. Metode ini telah
banyak digunakan dalam peramalan, diantaranya untuk meramalkan Indeks Harga
Saham Gabungan, deviden BUMN, jumlah pemakaian energi listrik, banyaknya
hari hujan, jumlah sambungan telepon dan produksi pulsa, dan sebagainya.
Metode Box-Jenkins merupakan suatu metode yang dianggap paling
lengkap serta sistematis dalam hal pemilihan model peramalan. Ada beberapa
model peramalan yang biasa digunakan oleh para ahli ekonometrika, yaitu model
Autoregressive (AR), model Moving Average (MA), model Autoregressive
Moving Average (ARMA), dan model Autoregressive Integrated Moving Average
(ARIMA), dimana keempat model tersebut menggunakan asumsi bahwa data
yang digunakan untuk peramalan harus bersifat stasioner dan error/ residual yang
dihasilkan merupakan proses white noise.
B. Rumusan Masalah
C. Tujuan
1. 𝐸(𝑧𝑡 ) = 𝜇
2. 𝐶𝑜𝑣(𝑧𝑡 , 𝑧𝑡−𝑘 ) = 𝛾𝑘
Dimana 𝜇 adalah rata- rata dari proses runtun waktu dan 𝛾𝑘 disebut dengan
autokovarian lag ke-k.
Gambar 4. Plot ACF Time Series yang tidak stasioner dalam mean
Gambar 5. Plot ACF Time Series yang tidak stasioner dalam mean dan varian
Gambar 6. Plot ACF Time Series yang tidak stasioner dalam varian
Secara umum, ketidakstasioneran dalam suatu data time series meliputi
varians dan rata – rata. Proses stasioneritas data dalam varians dapat
dilakukan dengan transformasi Box-Cox, sedangkan proses stasioneritas data
dalam rata–rata dapat dilakukan dengan pembedaan (differencing).
1. Transformasi Box-Cox
𝑍 λ ;λ≠0
𝑡
𝑇(𝑍𝑡 ){𝑙𝑛𝑍𝑡 ;λ=0
2. Pembedaan (differencing)
𝐵𝑍𝑡 = 𝑍𝑡−1
Dan secara umum dapat ditulis,
𝐵 𝑑 𝑍𝑡 = 𝑍𝑡−𝑑
𝑍𝑡′ = 𝑍𝑡 − 𝑍𝑡−1
= 𝑍𝑡 − 𝐵𝑍𝑡
= (1 − 𝐵)𝑍𝑡
= 𝑍𝑡 − 2𝑍𝑡−1 + 𝑍𝑡−2
= (1 − 2𝐵 + 𝐵 2 )𝑍𝑡
= (1 − 𝐵)2 𝑍𝑡
𝑍𝑡𝑑 = (1 − 𝐵)𝑑 𝑍𝑡
Cov(zt , zt−k )
ρk =
√var(zt) √var(zt−k)
𝑁
1
𝛾
̂𝑘 = 𝐶𝑘 = ∑(𝑧𝑡 − 𝑧̅ )(𝑧𝑡−𝑘 − 𝑧̅)
𝑛
𝑡−1
𝛾̂𝑘 𝐶𝑘
sedangkan autokorelasi lag ke-k ditaksir oleh 𝜌
̂𝑘 = 𝑟𝑘 = ̂0
= .
𝛾 𝐶0
Untuk lag yang cukup besar, Bartlett menyatakan bahwa variansi dari 𝑟𝑘
1
dirumuskan sebagai 𝑣𝑎𝑟(𝑟𝑘 ) ≈ 𝑁 (1 + 2 ∑𝑘𝑡=1 𝑟12 ), 𝑁 ≥ 50.
Autokorelasi parsial lag ke-k dinotasikan oleh 𝜙𝑘𝑘 yang didefinisikan oleh:
|𝑃 ∗ |
𝜙𝑘𝑘 = |𝑃𝑘 |, di mana 𝑃𝑘∗ adalah 𝑃𝑘 dengan kolom terakhir diganti oleh
𝑘
𝜌1
𝜌2
[ ⋮ ].
𝜌𝑘
maka fakp tidak berbeda secara signifikan dengan nol (terputus setelah lag ke-
K).
𝑍𝑡 = 𝜙𝑍𝑡−1 + 𝑒𝑡
𝑍𝑡 = 𝜙1 𝑍𝑡−1 + 𝜙2 𝑍𝑡−2 + 𝑒𝑡
Untuk mengetahui apakah suatu data time series telah stasioner dapat dilihat
dari plot time series. Jika n buah nilai dari suatu data time series memiliki
mean dan varians yang konstan dan tidak berfluktuasi terhadap waktu
pengamatan maka deret data tersebut dapat dikatakan stasioner. Selain
menggunakan plot time series, kestasioneran data juga dapat dilihat dari plot
autokorelasi. Jika autokorelasi berangsur-angsur berkurang secara perlahan
atau tidak habis sama sekali maka diindikasikan bahwa data tidak stasioner
sehingga perlu dilakukan pembedaan (biasanya tidak lebih dari sekali atau
dua kali) sampai diperoleh data yang stasioner (Judge et al, 1982). Dari plot
autokorelasi juga dapat dilihat ada tidaknya pola musiman dalam data
(Iriawan & Astuti, 2006).
Apabila kestasioneran telah diperoleh, langkah selanjutnya adalah
menentukan nilai-nilai p, d, dan q berdasarkan plot fungsi autokorelasi
(ACF) dan fungsi autokorelasi parsial (PACF). Pada masing-masing plot
ACF dan PACF terdapat dua garis putus-putus dengan nilai ±1.96 x 1/√n.
Garis tersebut merupakan batas atas dan batas bawah pada selang
kepercayaan 95% untuk suatu deret acak. Orde dari proses Autoregressive
(AR) dan Moving Average (MA) dapat ditentukan dengan melihat
banyaknya nilai dari koefisien korelasi dan koefisien autokorelasi parsial
yang tidak berada dalam batas tersebut.
2. Tahap Estimasi
Uji Box-Pierce : 𝑄 = 𝑛 ∑𝐾 2
𝑖=1 𝜌𝑖
𝜌2
Uji Ljung-Box : 𝑄 = 𝑛(𝑛 + 2) ∑𝐾 𝑖
𝑖=1 𝑛−1
Dengan membuat plot ACF dan PACF residual kita juga dapat
menyimpulkan bahwa error/ residual yang dihasilkan merupakan proses
white noise yaitu jika semua nilai ACF dan PACF tidak signifikan (tidak
ada satu lag pun yang keluar batas).
4. Tahap Peramalan
Jika hasil pengujian menyimpulkan bahwa model tentatif layak dan telah
memenuhi asumsi yang dipersyaratkan, maka model tersebut dapat
digunakan untuk memprediksi nilai-nilai time-series untuk waktu yang akan
datang.
Untuk melihat tingkat ketepatan model dalam peramalan maka dapat
digunakan perhitungan nilai MAPE (Means Absolute Percentage Error)
berikut:
𝑥 − 𝑥̂𝑡
∑𝑛𝑡=1 | 𝑡
𝑥𝑡 |
𝑀𝐴𝑃𝐸 = × 100%
𝑛
Tingkat Singnifikansi :
α = 0,05
Daerah Kritis
b) Identifikasi model dengan melihat ACF dan PACF, kemudian selidiki dimana lag nya
terputus. Dari tahap ini akan dihasilkan beberapa calon model. Apabila tidak dapat
ditemukan calon model maka lakukan differencing.
c) Bandingkan model untuk memilih model terbaik:
1. Nilai Schwarz criterion yang kecil
2. Nilai Akaike info criterion (AIC) yang kecil
3. SSE yang kecil
4. Adjusted R squared yang besar
d) Setelah memperoleh calon model yg sudah lolos tahap c, makal lakukan Uji Diagnostik
dengan membuat plot ACF dan PACF residual kita juga dapat menyimpulkan bahwa
error/ residual yang dihasilkan merupakan proses white noise yaitu jika semua nilai
ACF dan PACF tidak signifikan (tidak ada satu lag pun yang keluar batas).
e) Apabila sudah lolos asumsi asumsi pada uji diagnostik, kemudian dapat dilanjutkan
pada tahap Forecast.
3.2 Identifikasi Model, Pemilihan Model dan Forecast dengan software EViews
Berikut adalah langkah-langkah mencari model, memilih model dan forecast dengan
software EViews
1. Klik kanan file excel, lalu open with eviews.
2. Selanjutkan akan muncul tampilan seperti di bawah ini. Klik next sampai finish.
3. Lalu akan muncul tampilan seperti di bawah ini
4. Langkah pertama dalam masalah ini adalah menguji stasioneritas, yaitu double klik kurs
lalu klik View, pilih unit root test, kemudian pada dialog yang baru klik Ok. Kemudian
akan muncul output seperti pada gambar.
5. Apabila data belum stasioner maka harus dilakukan differencing dengan cara
mengulangi langkah sebelumnya namum pilih 1st difference untuk differencing
pertama dan 2nd difference untuk differencing kedua pada test for unit root in.
kemudian akan diperoleh output seperti pada gambar.
6. Kemudian apabila data sudah stasioner, identifikasi model dengan cara klik View lalu
Correlogram. Selanjutnya pilih level jika tidak terjadi differencing, apabila pada data
tersebut mengalami differencing pilih 1st difference atau 2nd difference. Lalu klik Ok,
kemudian akan muncul output seperti pada gambar.
7. Apabila model belum teridentifikasi lakukan differencing lagi kemudian ulangi uji
stasioneritas dan langkah ke 6.
8. Setelah model teridentifikasi, maka cek semua model yang diperoleh dengan cara Quick
lalu Estimate Equation. Kemudian isi dialog seperti pada gambar sesuai dengan model
yang akan diuji kemudian klik OK, lalu akan muncul output.
9. Setelah melakukan pengecekan bandingkan nilai Schwarz criterion yang kecil,
nilai Akaike info criterion (AIC) yang kecil, SSE yang kecil dan Adjusted R
squared yang besar.
10. Apabila sudah diperoleh model yang dikehendaki maka lanjutkan dengan uji Diagnostik
hanya pada model tersebut.
11. Uji Diagnostik dengan klik View lalu Residual Diagnostic pilih Correlogram Q-
Statistic, akan muncul tampilan seperti dibawah.
Apabila data sudah signifikan maka data tersebut sudah lulus uji.
12. Apabila model sudah lolos semua uji maka dapat dilanjutkan dengan Forecast. Pertama
klik dua kali pada range data yang terdapat pada kotak workfile dan ubah nilai end date
menjadi 61 atau sesuai slot data yang diinginkan.
Kemudian klik Forecast kemudian isi sesuai gambar berikut lalu klik OK
Kurs Tanggal
8508 5/2/2011
8511 5/3/2011
8516 5/4/2011
8523 5/5/2011
8534 5/6/2011
8505 5/9/2011
8510 5/10/2011
8503 5/11/2011
8493 5/12/2011
8512 5/13/2011
8510 5/18/2011
8501 5/19/2011
8492 5/20/2011
8518 5/23/2011
8525 5/24/2011
8541 5/25/2011
8533 5/26/2011
8522 5/27/2011
8505 5/30/2011
8494 5/31/2011
8497 6/1/2011
8494 6/3/2011
8463 6/6/2011
8486 6/7/2011
8478 6/8/2011
8480 6/9/2011
8475 6/10/2011
8488 6/13/2011
8495 6/14/2011
8492 6/15/2011
8541 6/16/2011
8552 6/17/2011
8535 6/20/2011
8560 6/21/2011
8557 6/22/2011
8558 6/23/2011
8559 6/24/2011
8576 6/27/2011
8580 6/28/2011
8554 6/30/2011
8520 7/1/2011
8479 7/4/2011
8497 7/5/2011
8489 7/6/2011
8492 7/7/2011
8481 7/8/2011
8479 7/11/2011
8506 7/12/2011
8519 7/13/2011
8495 7/14/2011
8494 7/15/2011
8512 7/18/2011
8515 7/19/2011
8497 7/20/2011
8496 7/21/2011
8484 7/22/2011
8485 7/25/2011
8478 7/26/2011
8447 7/27/2011
8466 7/28/2011
8465 7/29/2011
8439 8/1/2011
8418 8/2/2011
8445 8/3/2011
8441 8/4/2011
8495 8/5/2011
8490 8/8/2011
8512 8/9/2011
8487 8/10/2011
8502 8/11/2011
8498 8/12/2011
8498 8/15/2011
8483 8/16/2011
8490 8/18/2011
8515 8/19/2011
8509 8/22/2011
8501 8/23/2011
8503 8/24/2011
8534 8/25/2011
8535 8/26/2011
8496 9/5/2011
8530 9/6/2011
8531 9/7/2011
8528 9/8/2011
8528 9/9/2011
8560 9/12/2011
8579 9/13/2011
8686 9/14/2011
8715 9/15/2011
8728 9/16/2011
8761 9/19/2011
8935 9/20/2011
8831 9/21/2011
8943 9/22/2011
8691 9/23/2011
8930 9/26/2011
8870 9/27/2011
8930 9/28/2011
8880 9/29/2011
8779 9/30/2011
8880 10/3/2011
8915 10/4/2011
8895 10/5/2011
8880 10/6/2011
8923 10/7/2011
8910 10/10/2011
8895 10/11/2011
8900 10/12/2011
8865 10/13/2011
8849 10/14/2011
8801 10/17/2011
8816 10/18/2011
8811 10/19/2011
8796 10/20/2011
8824 10/21/2011
8839 10/24/2011
8821 10/25/2011
8826 10/26/2011
8846 10/27/2011
8784 10/28/2011
8791 10/31/2011
8849 11/1/2011
8930 11/2/2011
8938 11/3/2011
8917 11/4/2011
8895 11/7/2011
8888 11/8/2011
8851 11/9/2011
8930 11/10/2011
8960 11/11/2011
8910 11/14/2011
8950 11/15/2011
8985 11/16/2011
8995 11/17/2011
9010 11/18/2011
9025 11/21/2011
8990 11/22/2011
8990 11/23/2011
9053 11/24/2011
8960 11/25/2011
9054 11/28/2011
9139 11/29/2011
9124 11/30/2011
9040 12/1/2011
9057 12/2/2011
9020 12/5/2011
9038 12/6/2011
9038 12/7/2011
9040 12/8/2011
8995 12/9/2011
9040 12/12/2011
9045 12/13/2011
9045 12/14/2011
9089 12/15/2011
8990 12/16/2011
9043 12/19/2011
9069 12/20/2011
9059 12/21/2011
9028 12/22/2011
8970 12/23/2011
9045 12/27/2011
9119 12/28/2011
9114 12/29/2011
9023 12/30/2011
9079 1/2/2012
9114 1/3/2012
9134 1/4/2012
9117 1/5/2012
9114 1/6/2012
9142 1/9/2012
9144 1/10/2012
9154 1/11/2012
9164 1/12/2012
9134 1/13/2012
9129 1/16/2012
9162 1/17/2012
9114 1/18/2012
9030 1/19/2012
8910 1/20/2012
8940 1/24/2012
8973 1/25/2012
8950 1/26/2012
8935 1/27/2012
8940 1/30/2012
8955 1/31/2012
8977 2/1/2012
8848 2/2/2012
8950 2/3/2012
8943 2/6/2012
8953 2/7/2012
8943 2/8/2012
8865 2/9/2012
8948 2/10/2012
8978 2/13/2012
8992 2/14/2012
8995 2/15/2012
8950 2/16/2012
8983 2/17/2012
8990 2/20/2012
9000 2/21/2012
9014 2/22/2012
9025 2/23/2012
9025 2/24/2012
9064 2/27/2012
9112 2/28/2012
9040 2/29/2012
9053 3/1/2012
9062 3/2/2012
9084 3/5/2012
9117 3/6/2012
9144 3/7/2012
9117 3/8/2012
9087 3/9/2012
9114 3/12/2012
9119 3/13/2012
9147 3/14/2012
9147 3/15/2012
9132 3/16/2012
9122 3/19/2012
9114 3/20/2012
9134 3/21/2012
9127 3/22/2012
9135 3/26/2012
9142 3/27/2012
9134 3/28/2012
9142 3/29/2012
9134 3/30/2012
9117 4/2/2012
9099 4/3/2012
9112 4/4/2012
9113 4/5/2012
9122 4/9/2012
9119 4/10/2012
9124 4/11/2012
9127 4/12/2012
9128 4/13/2012
9127 4/16/2012
9132 4/17/2012
9131 4/18/2012
9136 4/19/2012
9138 4/20/2012
9138 4/23/2012
9147 4/24/2012
9148 4/25/2012
9144 4/26/2012
9144 4/27/2012
9144 4/30/2012
9147 5/1/2012
2. Identifikasi Model
Uji Stasioner
Berdasarkan nilai ADF diperoleh sebagai berikut.
t-Statistic Prob.*
HipotesisHH
H0 :Data runtun waktu kurs rupiah tidak stasioner.
Tingkat Singnifikansi :
α = 0,05
Daerah Kritis
Kesimpulan
Karena data tersebut tidak stasioner maka kita lakukan differencing sehingga data
tersebut stasioner.
t-Statistic Prob.*
Hipotesis
Tingkat Singnifikansi :
H0
α = 0,05:Data
Daerah Kritisruntun
waktu
kurs
rupiah
tidak
stasioner.
Jika |ADF|> |t-statistik| maka tolak H0
Kesimpulan
b) ARIMA (0,1,1)
c) ARIMA (1,1,1)
Hasil perbandingan
Akaike Adj - R
Schwarz
Model info SSE
criterion
criterion
ARIMA 0,971525
(1,1,0) 10,41297 10,45547 43,55820
ARIMA 0,652024
(0,1,1) 12,90603 12,94853 152,2704
Karena data diatas telah signifikan maka data tersebut sudah langsung
bisa dibawa ke proses forecasting.
B. Forecast
Setelah dilakukan identifikasi model dan model yang terpilih adalah ARIMA(1,1,1),
selanjutnya akan dilakukan proses forecast menggunakan software Eview. Berikut adalah
hasil dari forecast pada data runtun waktu kurs rupiah.
Dengan hasil peramalan rating untuk 10 periode kedapan adalah sebagai berikut pada
nomor 249 sampai dengan 258.
BAB V
KESIMPULAN
A. Kesimpulan
Berdasarkan penguraian pada bab-bab sebelumnya dapat disimpulkan bahwa dalam
proses peramalan data nilai tukar rupiah terhadap dolar US untuk sepuluh periode
kedepan harus dilakukan identifikasi model, pemilihan model kemudian yang
terakhir adalah forecast (peramalan). Adapun hal pertama yang harus dilakukan
adalah uji stasioneritas data melalui grafik ataupun nilai ADF. Kemudian apabila
sudah stasioner, dapat dilihat beberapa calon model yang dapat kita pilih, dengan
melihat lag terputus pada ACF atau PACF. Setelah itu bandingkan nilai dari Akaike
info criterion, Schwarz criterion, SSE, dan Adjusted R squared dari setiap model
kemudian pilih model yang memiliki nilai Akaike info criterion, Schwarz criterion,
SSE terkecil dan nilai Adjusted R square terbesar. Apabila sudah terpilih kembali
calon model linearnya, terakhir adalah uji diagnostik model tersebut yang terdiri dari
uji normalitas, autokorelasi dan heteroskedastisitas.