ESTIMASI PARAMETER MODEL TIME SERIES DENGAN

METODE ARIMA(p,d,q)

Merlisa, Dwi, Nadya

Dosen Pembimbing: Jose Rizal, S.Si, M.Si.

Nadyarusda29@gmail.com

Program Studi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Bengkulu

ABSTRAK

Penelitian ini menerapkan metode Autoregressive Integreted Moving average

ARIMA untuk meramalkan debit air DAM PLTA MUSI. Dengan menggunakan
sepuluh kemungkinan model ARIMA, sehingga akan didapatkan model terbaik.
Model ARIMA yang dimaksud dalam penelitian ini adalah model ARIMA(0,1,1)
yang merupakan model Moving Average/MA(1) yang melalui proses differencing
sebanyak satu kali agar menjadi stasioner. Cara yang bisa digunakan untuk
menganalisis model ARIMA(0,1,1) adalah dengan mempelajari autokorelasi dari
model tersebut. Suatu model peramalan dalam penelitian ini adalah model
ARIMA(0,1,1) dikatakan model terbaik atau model yang sesuai, jika memiliki
sebaran galat yang bebas dari autokorelasi. Pada penelitian ini diperoleh langkah-
langkah bagaimana cara mendeteksi adanya autokorelasi pada galat disertai dengan
contoh data dengan model ARIMA(0,1,1).

1. PENDAHULUAN
1.1 Latar Belakang

PT. PLN (persero) Pembangkitan Sumbagsel Sektor Pembangkitan Bengkulu

merupakan salah satu BUMN yang sahamnya saat ini dimiliki pemerintah
Indonesia. Perusahaan ini berdiri sejak 12 April 2006 dan bergerak dibidang
ketenaga kelistrikan (Pembangkit, jaringan dan gardu induk). Daya listrik yang
dibangkitkan PLTA MUSI untuk memenuhi dan mensuplai kebutuhan listrik
seluruh wilayah Sumatera melalui interkoneksi jaringan transmisi 150 KV/ 275 KV
untuk bagian Selatan maupun Utara. PLTA sungai Musi yang berada didaerah Ujan
Mas memiliki pusat kerja dikedalaman tanah ini menghasilkan daya listrik 210
mega watt.

Mengkaji kembali pelaksanaan proyek-proyek pemerintah dan swasta yang

dibiayai kredit eksport akibat adanya krisis ekonomi di Indonesia, termasuk PLTA
Musi. Pendanaan tersebut meliputi pekerjaan elektro mekanikal pekerjaan turbin,
pekerjaan generator, dan pekerjaan Main Transformer dan Switchyard. Dalam
pelaksanaan untuk memproduksi listrik diperlukan debit air yang bersumber dari
sungai Musi. Debit pasti yang dihasilkan PLTA Musi sebesar 15,5 m3/detik atau
sebesar 95% dari jumlah debit keseluruhan. Debit pembangkitan dari PLTA Musi
sebesar 62,03 m3/detik untuk operasi tiga unit. Sedangkan debit rata-rata pembankit
sebesar 35,7 m3/detik dan debit tetap yang dilepas ke hilir dam Musi sebesar 1,1
m3/detik.

1.2 Tujuan
1. Mengetahui model data Outflow PT. PLN (persero) Pembangkitan
Sumbagsel Sektor Pembangkitan Bengkulu dari tanggal 1 desember 2011
sampai 18 Juni 2012.
2. Melakukan peramalan jumlah Outflow PT. PLN (persero) Pembangkitan
Sumbagsel Sektor Pembangkitan Bengkulu untuk 10 tahun kedepan dengan
bantuan software minitab, eviews dan bahasa pemprograman R.

2 TINJAUAN PUSTAKA
2.1 ARIMA
Model ini merupakan Varian Box-Jenkins dari model ARMA yang digunakan
untuk aplikasi time series yang tidak stationer, dimana time series yang tidak
stationer diubah terlebih dahulu menjadi stationer setelah dilakukan proses
differencing.
 Secara umum model ARIMA(p,d,q) terdiri dari tiga bagian, yaitu : komponen
proses differencing sehingga time series tidak stationer menjadi stationer setelah d
proses differencing, komponen autoregressive AR(p), dan komponen moving
average MA(q) (Sutrisno, 2009).

2.2 Runtun Waktu

Dasar pemikiran time series adalah pengamatan sekarang tergantung pada satu
atau beberapa pengamatan sebelumnya.
Model-Model Runtun Waktu
1. Model Autoregresif (AR(p))
Bentuk umum suatu proses autoregresif tingkat (AR(p)) adalah

𝑍𝑡 = 𝛽1 𝑍𝑡−1 + 𝛽2 𝑍𝑡−2 + ⋯ + 𝛽𝑝 𝑍𝑡−𝑝 + 𝑒𝑡 (1)

2. Model Moving Average (MA(q))

Bentuk umum suatu proses autoregresif tingkat (MA(q)) adalah

𝑍𝑡 = 𝑎𝑜 + 𝑒𝑡 − 𝑎1 𝑒𝑡−1 − ⋯ − 𝑎𝑞 𝑒𝑡−𝑞 (2)

3. Model Autoregresive Moving Average (ARMA(p,q))
Suatu perluasan yang dapat diperoleh dari model AR dan MA adalah model
campuran yang berbentuk
𝑍𝑡 = 𝛽𝑜 + 𝛽1 𝑍𝑡−1 + ⋯ + 𝛽𝑝 𝑍𝑡−𝑝 + 𝑒𝑡 − 𝑎1 𝑒𝑡−1 + ⋯ + 𝑎𝑞 𝑒𝑡−𝑞 (3)
4. Model Autoregresive Integrated Moving Average (ARIMA(p,d,q))
Bentuk umum suatu proses autoregresif tingkat (ARMA) adalah

𝑍t = 𝛽1 𝑍t-1 + ⋯ + 𝛽𝑝 𝑍t-p + 𝑒t + 𝑎1𝑒t-1 + ⋯ + 𝑎q𝑒t-q (4)

3 METODE PENELITIAN
3.1 Jenis dan Sumber Data
Data yang diunakan untuk penelitian ini adalah data sekunder dari 1 Desember
2011 sampai dengan 18 Juni 2012 (data harian). Data berupa jumlah debit air Dam
PLTA Musi dari PT. PLN (persero) Pembangkitan Sumbagsel Sektor
Pembangkitan Bengkulu.

3.2 Teknik Analisis Data

Suatu model time series dikatakan baik apabila telah sesuai dengan kenyataan.
Dengan kata lain, apabila kesalahan (error) model semakin kecil, maka model bisa
dikatakan baik (Iriawan, 2006).
Analisis Data dilakukan menggunakan metode ARIMA dengan bantuan software
statistika yaitu Minitab 15, Eviews 7 dan R.
Langkah–langkah penerapan metode ARIMA secara berturut-turut adalah:
1. Pemeriksaan Kestasioneran Data
2. Identifikasi model dalam ARIMA. Melalui plot ACF dan PACF kita dapat
menentukan model ARIMA yang bisa digunakan dalam prediksi.
3. Penentuan Parameter p, d dan q dalam ARIMA.
4. Penentuan persamaan model ARIMA. Koefisien-koefisien yang digunakan
dihasilkan dari hasil analisis parameter model ARIMA dengan MSE yang
terkecil.
5. Validasi Prediksi.
6. Prediksi. Langkah selanjutnya adalah dengan menggunakan model terbaik untuk
prediksi. Jika model terbaik telah ditetapkan, model itu siap digunakan untuk
prediksi debit air.

3.3 Variabel Penelitian

Variabel dalam penelitian ini adalah data debit air Dam PLTA Musi dalam
meter kubik per detik selama 201 hari terhitung 1 Desember 2011 sampai dengan
18 Juni 2012 .

3.4 Software yang digunakan

Software yang digunakan dalam penelitian ini adalah Minitab 15, Eviews 7 dan
R.
3.5 Algoritma Metode ARIMA
Langkah-langkah penerapan metode ARIMA secara berturut-turut akan
diterangkan dalam bentuk flowchat sebagai berikut:

Data Univariat

correlogram

ACF dan PACF

Differensi
Stationer ?

identifikasi Cek Korrelasi Residual:

PACF dan ACF

Signifikan ?

Estimasi Parameter

AR dan MA

Uji Korelasi
Diagnosa Model

Uji Kenormalan
Model Terbaik

Peramalan

Gambar 1 Flowchat langkah-langkah penerapan metode ARIMA

4 HASIL DAN PEMBAHASAN
4.1 Deskriptif

Data yang digunakan adalah data harian debit air Dam PLTA Musi pada hari
pertama bulan Desember 2011 sampai dengan hari ke delapan belas Juni 2013. Data
tersebut merupakan data time series.

4.2 Analisis Runtun Waktu

Dari data Outflow Dam PLTA Musi didapatkan grafik uji stasioneritas:

Plot Data Out Flow Dam PLTA Musi

40

35

30
Out Flow

25

20

1 20 40 60 80 100 120 140 160 180 200

Hari

Gambar 2 Grafik Stasioneritas Data Debit Air

Dari Gambar 2 dapat dilihat data Debit Air belum stasioner sehingga perlu
dilakukan differensi. Setelah differensi satu kali didapatkan grafik uji stasioneritas:

Time Series Plot of Diff

10

0
Diff

-5

-10

-15
1 20 40 60 80 100 120 140 160 180 200
Index

Gambar 3 Grafik Stasioneritas Data Debit Air dengan Differensi satu Kali
 Dapat dilihat dari gambar 3 setelah proses differensi pertama data sudah stationer
pada rata-rata dan diperoleh model awal ARIMA(1,1,1), ARIMA(0,1,1),
ARIMA(0,1,2), ARIMA(0,1,3), ARIMA(1,1,2), ARIMA(1,1,3), ARIMA(4,1,2),
ARIMA(4,1,3), ARIMA(1,1,0), ARIMA(4,1,0) .

4.3. Analisis Model dengan Program Minitab

Dengan menggunakan program minitab, diperoleh tabel berikut ini:
Tabel 2 Pemilihan Model Terbaik dengan minitab

Model Koef T-value Ρ-value MSE

ARIMA(1,1,1) 0.177 1.69 0.093 14.17
0.7536 10.77 0.000
ARIMA(0,1,1) 0.6651 12.54 0.000 14.29
ARIMA(0,1,2) 0.1362 1.93 0.055 14.12
ARIMA(0,1,3) -0.024 -0.34 0.738 14.18
ARIMA(1,1,2) -0.039 -0.07 0.941 14.19
0.1593 0.47 0.64
ARIMA(1,1,3) -0.6096 -1.91 0.058 14.12
0.219 2.99 0.003
ARIMA(4,1,2) -0.3833 -3.93 0.000 13.42
-0.4572 -3.05 0.003
ARIMA(4,1,3) -0.2573 -2.44 0.016 13.05
0.4491 3.66 0.000
ARIMA(1,1,0) -0.3447 -5.18 0.000 16.71
ARIMA(4,1,0) -0.0191 -0.26 0.792 13.58

Dari beberapa model tersebut akan dipilih model terbaik yang memiliki
parameter signifikan yan memenuhi beberapa kriteria diantaranya memiliki nilai ρ-
value yang lebih kecil dari 0,05 sedangkan untuk T-valuenya lebih besar dari nilai
Z0,05 = 1,96, serta memiliki mean square error (MSE) terkecil. Sehingga model
ARIMA sementara yang memenuhi kriteria model terbaik adalah ARIMA (0,1,1).

4.4. Analisis Model dengan Program Eviews

Dengan menggunakan program eviews, diperoleh tabel berikut ini:
 Tabel 3 Pemilihan Model Terbaik dengan EVIEWS

Model Koefisien p-value |IRM|

0.526121 0.0000 0.53
ARIMA(1,1,1)
-0.989569 0.0000 0.99
ARIMA(0,1,1) -0.665252 0.0000 0.67
ARIMA(0,1,2) 0.093800 0.1867 0.31
ARIMA(0,1,3) -0.273262 0.0001 0.65
-0.601404 0.0000 0.60
ARIMA(1,1,2)
-0.452836 0.0000 0.67
-0.334058 0.0000 0.33
ARIMA(1,1,3)
-0.260318 0.0004 0.64
0.177959 0.0136 0.65
ARIMA(4,1,2)
-0.675166 0.0000 0.68
0.205911 0.0065 0.67
ARIMA(4,1,3)
-0.216420 0.0047 0.60
ARIMA(1,1,0) -0.334601 0.0000 0.33
ARIMA(4,1,0) 0.243199 0.0006 0.70

Dari tabel 3 dengan α=0.01 dapat terlihat bahwa model yang memililiki nilai
probabilitas yang signifikan dan nilai |IRM|<1 adalah ARIMA(1,1,1),
ARIMA(0,1,1), ARIMA(0,1,3), ARIMA(1,1,2), ARIMA(1,1,3),), ARIMA(4,1,3),
ARIMA(1,1,0), dan ARIMA(4,1,0). Langkah selanjutnya akan dilakukan dengan
uji asumsi residual. Denan menunakan software eviews di peroleh hasil penujian
non-autokorelasi, homoskedasitas, dan normalitas residual ditampilkan pada tabel
dibawah ini:

Tabel 4 Perbandingan model berdasarkan asumsi

Uji Asumsi Residual

Model
non – autokorelasi homoskedasitas normalitas residual
ARIMA (1,1,1)   
ARIMA (0,1,1)   
ARIMA (0,1,3) X X 
ARIMA (1,1,2)   X
ARIMA (1,1,3) X X 
ARIMA (4,1,3) X X 
ARIMA (1,1,0) X X 
ARIMA (4,1,0) X X 
 Dari tabel diatas model yang dapat dibandingkan adalah model ARIMA (1,1,1)
dan ARIMA (0,1,1) . Untuk memilih model terbaik digunakan kriteria BIC dan
AIC . Diperoleh nilai BIC dan AIC model ARIMA(1,1,1) berturut turut adalah
5.555587 dan 5.505939, sedangkan untuk ARIMA(0,1,1) berturut turut adalah
5.514044 dan 5.497553. sehingga model ARIMA (0,1,1) mempunyai nilai BIC dan
AIC minimum dibandingkan model ARIMA (1,1,1). Oleh karena itu, dapat
disimpulkan bahwa model ARIMA (0,1,1) adalah model yang terbaik.

4.4. Analisis Model dengan Program R

Denan menggunakan proram R diperoleh tabel dibawah ini:

Tabel 5 Pemilihan Model Terbaik dengan proram R

Model koefisien S.E Like Lihood AIC

ARIMA(1,1,1) 0.1787 0.1017
-547.96 1101.91
-0.7507 0.0658
ARIMA(0,1,1) -0.6608 0.0564 -549.54 1103.09
ARIMA(0,1,2) -0.137 0.0676 -547.63 1101.25
ARIMA(0,1,3) 0.0237 0.0789 -547.58 1103.16
ARIMA(1,1,2) -0.0394 0.769
-547.62 1103.23
-0.1603 0.1729
ARIMA(1,1,3) -0.607 0.1907
-546.57 1103.14
-0.2137 0.0968
ARIMA(4,1,2) 0.3162 0.0731
-539.69 1093.38
-0.0667 0.193
ARIMA(4,1,3) -0.2501 0.1109
-538.75 1093.35
-0.4431 0.1325
ARIMA(1,1,0) -0.3411 0.0674 -564.7 1133.39
ARIMA(4,1,0) -0.019 0.0723 -543.09 1096.18

Dari tabel 5 diperoleh model ARIMA(0,1,1) merupakan model terbaik, hal ini
dikarenakan model ARIMA(0,1,1) memiliki nilai standar error minimum.

4.5. Peramalan Data Debit Air Harian di PT. PLN (persero) Pembangkitan
Sumbagsel Sektor Pembangkitan Bengkulu
 Langkah terakhir dalam analisis runtun waktu adalah menentukan peramalan
atau prediksi periode selanjutnya. Dalam pembahasan ini akan diramalkan jumlah
debit air PLTA Musi dengan menggunakan software minitab 15, eviews 7 dan R.

Tabel 6 peramalan data debit air dengan software minitab 15 dari 19 Juni
2012 sampai denan 15 November 2012
No. Tanggal/Bulan/Tahun Forecast
1. 19/Juni/2012 23,3427
2. 20/Juni/2012 23,3389
3. 21/Juni/2012 23,3351
4. 22/Juni/2012 23,3312
5. 23/Juni/2012 23,3274
6. 24/Juni/2012 23,3236
7. 25/Juni/2012 23,3198
8. 26/Juni/2012 23,3160
9. 27/Juni/2012 23,3122
10. 28/Juni/2012 23,3083
11. 29/Juni/2012 23,3045
12. 30/Juni/2012 23,3007
13. 01/Juli/2012 23,2969
14. 02/Juli/2012 23,2931
15. 03/Juli/2012 23,2893
16. 04/Juli/2012 23,2854
17. 05/Juli/2012 23,2816
18. 06/Juli/2012 23,2778
19. 07/Juli/2012 23,2740
20. 08/Juli/2012 23,2702
21. 09/Juli/2012 23,2664
22. 10/Juli/2012 23,2625
23. 11/Juli/2012 23,2587
24. 12/Juli/2012 23,2549
25. 13/Juli/2012 23,2511
26. 14/Juli/2012 23,2473
27. 15/Juli/2012 23,2435
28. 16/Juli/2012 23,2396
29. 17/Juli/2012 23,2358
30. 18/Juli/2012 23,2320
31. 19/Juli/2012 23,2282
32. 20/Juli/2012 23,2244
33. 21/Juli/2012 23,2206
34. 22/Juli/2012 23,2167
35. 23/Juli/2012 23,2129
36. 24/Juli/2012 23,2091
37. 25/Juli/2012 23,2053
38. 26/Juli/2012 23,2015
39 27/Juli/2012 23,1977
40. 28/Juli/2012 23,1938
41. 29/Juli/2012 23,1900
42. 30/Juli/2012 23,1862
43. 31/Juli/2012 23,1824
44. 01/Agustus/2012 23,1786
45. 02/Agustus/2012 23,1748
46. 03/Agustus/2012 23,1709
47. 04/Agustus/2012 23,1671
48. 05/Agustus/2012 23,1633
49. 06/Agustus/2012 23,1595
50. 07/Agustus/2012 23,1557
51. 08/Agustus/2012 23,1519
52. 09/Agustus/2012 23,1480
53. 10/Agustus/2012 23,1442
54. 11/Agustus/2012 23,1404
55. 12/Agustus/2012 23,1366
56. 13/Agustus/2012 23,1328
57. 14/Agustus/2012 23,1290
58. 15/Agustus/2012 23,1252
59. 16/Agustus/2012 23,1213
60. 17/Agustus/2012 23,1175
61. 18/Agustus/2012 23,1137
62. 19/Agustus/2012 23,1099
63. 20/Agustus/2012 23,1061
64. 21/Agustus/2012 23,1023
65. 22/Agustus/2012 23,0984
66. 23/Agustus/2012 23,0946
67. 24/Agustus/2012 23,0908
68. 25/Agustus/2012 23,0870
69. 26/Agustus/2012 23,0832
70. 27/Agustus/2012 23,0794
71. 28/Agustus/2012 23,0755
72. 29/Agustus/2012 23,0717
73. 30/Agustus/2012 23,0679
74. 31/Agustus/2012 23,0641
75. 01/September/2012 23,0603
76. 02/September/2012 23,0565
77. 03/September/2012 23,0526
78. 04/September/2012 23,0488
79. 05/September/2012 23,0450
80. 06/September/2012 23,0412
81. 07/September/2012 23,0374
82. 08/September/2012 23,0336
83. 09/September/2012 23,0297
84. 10/September/2012 23,0259
85. 11/September/2012 23,0221
86. 12/September/2012 23,0183
87. 13/September/2012 23,0145
88. 14/September/2012 23,0107
89. 15/September/2012 23,0068
90. 16/September/2012 23,0030
91 17/September/2012 22,9992
92. 18/September/2012 22,9954
93. 19/September/2012 22,9916
94 20/September/2012 2,9878
95. 21/September/2012 22,9839
96. 22/September/2012 22,9801
97. 23/September/2012 22,9763
98. 24/September/2012 22,9725
99. 25/September/2012 22,9687
100. 26/September/2012 22,9649
101. 27/September/2012 22,9610
102. 28/September/2012 22,9572
103. 29/September/2012 22,9534
104. 30/September/2012 22,9496
105. 01/Oktober/2012 22,9458
106. 02/Oktoberber/2012 22,9420
107. 03/Oktoberber/2012 22,9381
108. 04/Oktoberber/2012 22,9343
109. 05/Oktoberber/2012 22,9305
110. 06/Oktoberber/2012 22,9267
111. 07/Oktoberber/2012 22,9229
112. 08/Oktoberber/2012 22,9191
113. 09/Oktoberber/2012 22,9152
114. 10/Oktoberber/2012 22,9114
115. 11/Oktoberber/2012 22,9076
116. 12/Oktoberber/2012 22,9038
117. 13/Oktoberber/2012 22,9000
118. 14/Oktoberber/2012 22,8962
119. 15/Oktoberber/2012 22,8923
120. 16/Oktoberber/2012 22,8885
121. 17/Oktoberber/2012 22,8847
122. 18/Oktoberber/2012 22,8809
123. 19/Oktoberber/2012 22,8771
124. 20/Oktoberber/2012 22,8733
125. 21/Oktoberber/2012 22,8694
126. 22/Oktoberber/2012 22,8656
127. 23/Oktoberber/2012 22,8618
128. 24/Oktoberber/2012 22,8580
129. 25/Oktoberber/2012 22,8542
130. 26/Oktoberber/2012 22,8504
131. 27/Oktoberber/2012 22,8466
132. 28/Oktoberber/2012 22,8427
133. 29/Oktoberber/2012 22,8389
134. 30/Oktoberber/2012 22,8351
135. 31/Oktoberber/2012 22,8313
136. 01/November/2012 22,8275
137. 02/November/2012 22,8237
138. 03/November/2012 22,8198
139. 04/November/2012 22,8160
140. 05/November/2012 22,8122
141. 06/November/2012 22,8084
142. 07/November/2012 22,8046
143. 08/November/2012 22,8008
144. 09/November/2012 22,7969
145. 10/November/2012 22,7931
146. 11/November/2012 22,7893
147. 12/November/2012 22,7855
148. 13/November/2012 22,7817
 149. 14/November/2012 22,7779
150. 15/November/2012 22,7740

Plot Peramalan Data Out Flow DAM PLTA Musi Kepahiang

(with forecasts and their 95% confidence limits)
60

50

40
Data Out Flow

30

20

10

-10
1 50 100 150 200 250 300 350
Time

Gambar 4 Grafik Peramalan Data Debit Air dengan Minitab

Pada gambar 4 terlihat jumlah debit air diawali dengan 23,3427 pada
tanggal 19 Juni 2012 dan untuk peramalan kedepannya data mengalami penurunan,
sampai dengan hari ke 351 jumlah debit air sebesar 22,7740. Dari gambar 4 juga
terlihat bahwa data sudah stasioner hal ini karena data mengalami penurunan yang
tidak terlalu signifikan.

Gambar 4 Grafik Peramalan Data Debit Air dengan Eviews

5. Kesimpulan
Model untuk jumlah debit air adalah ARIMA (0,1,1) menggunakan software
minitab 15, Eviews 7, dan R berturut-turut diberikan pada persamaan sebagai
berikut :

Zt = -0,00382 – 0,6651 et-1 + et

Zt = 0,000844 + 0,665252 et-1 + et

Zt = C+0,6608 et-1 + et