KASUS ARIMA

A. Input data
1. Buka workfile baru dengan cara File > New > Workfile. Maka akan muncul tampilan
seperti berikut yang digunakan untuk menentukan deskripsi data.

1. Workfile structure type: digunakan untuk menetukan struktur data. Karena kita
sudah mengetahui periode data yang digunakan maka kita memilih Dated
2. Date specification: karena data pendapatan yang digunakan bulanan maka kita
memilih monthly
3. Start date: diisi dengan periode awal dari data yaitu November 2002
4. End date: diisi dengan periode akhir dari data yaitu Desember 2006
2. Kemudian masukkan/import data series dalam Workfile di EViews. Caranya
pilih File > Import > Import from file. kemudian pilih data maka muncul jendela
seperti berikut.
B. Uji stasioneritas data

Berdasarkan gambar diatas, pada pola autokorelasi terlihat adanya indikasi data tidak
stasioner, maka dilakukan uji unit root test menggunakan metode Phillip-Peron (PP).
 Berdasarkan output PP diatas ternyata p-value=0.3448>alpha=0.05 maka Terima H0 yang
artinya data mempunyai unit root (data tidak stationer). Karena data tidak stationer maka
dilakukan differencing 1 kali.

Berdasarkan output PP diatas ternyata p-value=0.0112<alpha=0.05 maka Tolak H0 yang

artinya data tidak mempunyai unit root (data stationer). Karena data sudah stationer pada
differencing 1 kali ( d = 1) maka kita sudah bisa melanjutkan analisis.
C. Uji L-Jung-Box-Pierce
Pengujian ini dilakukan untuk menentukan apakah model ARIMA tepat digunakan atau
tidak.

Berdasarkan hasil korelogram first difference diatas, menunjukkan nilai probabilita Q

statistik pada tiap time lag telah signifikan(lebih kecil daripada 0.05), sehingga penggunaan
model ARIMA adalah tepat.
D. Penentuan ordo (p,q)
 1. Untuk menentukan ordo maksimal AR(p) yang perlu diamati adalah bagian PACF nya.
Pada plot PACF diatas terlihat bahwa pada lag 1 dan 2 signifikan kemudian cutoff pada
lag 3 dan seterusnya.
2. Sedangkan untuk menentukan ordo maksimal MA(q) yang perlu diamati adalah bagian
ACF nya. Pada plot ACF diatas juga terlihat bahwa pada lag 1,2 dan 3 signifikan
kemudian cutoff pada lag 4 dan seterusnya.

Maka terdapat 6 kemungkinan model ARIMA yang sesuai untuk studi kasus ini yaitu
ARIMA(1,1,1), ARIMA(1,1,2), ARIMA(2,1,1), ARIMA (2,1,2), ARIMA(1,1,3) dan
ARIMA(2,1,3).

E. Pendugaan parameter terbaik

1. ARIMA(1,1,1)
 Pada output diatas, terlihat bahwa semua parameter signifikan (p-value<alpha=0.05)
dan AIC nya sebesar 7.805943
2. ARIMA(1,1,2)

Pada output diatas, terlihat bahwa semua parameter signifikan (p-value<alpha=0.05)

dan AIC nya sebesar 7.745059
3. ARIMA(2,1,1)

Pada output diatas, terlihat bahwa semua parameter tidak signifikan (p-
value>alpha=0.05) dan AIC nya sebesar 7.7813299
4. ARIMA(2,1,2)
 Pada output diatas, terlihat bahwa terdapat parameter yang tidak signifikan (p-
value>alpha=0.05) yaitu MA(1) dan MA(2) dan AIC nya sebesar 7.648302
5. ARIMA(1,1,3)

Pada output diatas, terlihat bahwa terdapat parameter yang tidak signifikan (p-
value>alpha=0.05) yaitu MA(2) dan MA(3) dan AIC nya sebesar 7.739358
6. ARIMA(2,1,3)
 Pada output diatas, terlihat bahwa terdapat parameter yang tidak signifikan (p-
value>alpha=0.05) yaitu AR(1), MA(1), MA(2) dan MA(3) dan AIC nya sebesar
7.689539

Rangkuman dari hasil regresi ke enam model diatas dapat dilihat pada tabel dibawah ini:

Model Parameter Koefisien p-value Signifikan/Tidak AIC

ARIMA Parameter signifikan
(1,1,1) Constant 16.06702 7.805943
AR(1) 0.862895 0.0000 S
MA(1) -0.473017 0.0455 S
(1,1,2) Constant 16.25776 7.745069
AR(1) 0.808452 0.0000 S
MA(1) -0.681224 0.0002 S
MA(2) 0.443385 0.0129 S
(2,1,1) Constant 16.00623 7.813299
AR(1) 0.556596 0.1110 TS
AR(2) 0.259754 0.2693 TS
MA(1) -0.265236 0.4507 TS
(2,1,2) Constant 18.34739 7.648302
AR(1) 1.490755 0.0000 S
AR(2) -0.687938 0.0001 S
 MA(1) -1.415182 0.9971 TS
MA(2) 0.999992 0.9985 TS
(1,1,3) Constant 16.79336 7.739368
AR(1) 0.733151 0.0004 S
MA(1) -0.510312 0.0447 S
MA(2) 0.246783 0.1633 TS
MA(3) 0.245261 0.3134 TS
(2,1,3) Constant 16.54562 7.689539
AR(1) 0.112421 0.6336 TS
AR(2) 0.497752 0.0324 S
MA(1) 0.240358 0.9699 TS
MA(2) -0.213004 0.9651 TS
MA(3) 0.545007 0.8736 TS

Dari tabel diatas model yang semua parameternya signifikan yaitu model ARIMA(1,1,1)
dan ARIMA(1,1,2), kemudian untuk menentukan model terbaik dari beberapa kandidat
model kita bisa menggunakan MAPE dan MSE. Namun dikarenakan eviews tidak
memiliki nilai MAPE dan MSE, oleh karena itu kita bisa menggunakan nilai lain yaitu AIC
(akaike info criterion). Model terbaik adalah model dengan nilai AIC yang terkecil, dimana
pada kasus ini yaitu model ARIMA(1,1,2)

F. Pemeriksaan diagnostic
Salah satu cara untuk melihat white noise dapat diuji melalui korelogram ACF dan
PACF dari residual. Bila ACF dan PACF tidak signifikan, ini mengindikasikan residual
white noise artinya modelnya sudah cocok, sebaliknya maka model tidak cocok.
 Berdasarkan output hasil uji residual diatas, terlihat bahwa dari lag 1 sampai ke lag 20
tidak ada lag yang signifikan. Artinya tidak ada korelasi antar residual, residual sudah
homogen dan tidak ada pola pada residual. Hal ini menandakan bahwa residual sudah white
noise sehingga bisa dikatakan model yang dipilih sudah cocok.

Berdasarkan grafik diatas menunjukkan bahwa residual sudah normal yang ditunjukkan
dengan bentuk seragam yang simetris dan berbentuk lonceng serta diperkuat dengan hasil
uji Jarque-Bera dimana p-value=0.503716> alpha=0.05 (maka terima H) yang artinya
residual sudah berdistribusi normal.
G. Forecasting
Setelah memperoleh model yang sudah baik atau sesuai yaitu ARIMA(1,1,2), langkah
selanjutnya yaitu melakukan peramalan (forecasting). Dari tabel hasil koefisien, maka
model ARIMA(1,1,2) dapat dirubah sebagai berikut:
 ∆𝑋𝑡 = 𝑐 + 𝛼1 ∆𝑋𝑡−1 + 𝜀𝑡 + 𝛽1 𝜀𝑡−1 + 𝛽2 𝜀𝑡−2
∆𝑋𝑡 = 16.25776 + 0.808452∆𝑋𝑡−1 + 𝜀𝑡 − 0.681224𝜀𝑡−1 + 0.443385𝜀𝑡−2
Hasil dari peramalan untuk 5 bulan kedepan yaitu:
Period Forecasting
Januari 2007 823.3518
Februari 2007 839.6091
Maret 2007 855.8665
April 2007 872.1239
Mei 2007 888.3814