Laporan Praktikum Analisis Deret Waktu II

Autoregresif Integrated Moving Average (ARIMA)

disusun untuk memenuhi

tugas mata kuliah Analisis Deret Waktu II

oleh :

Rini Safrina
1508108010016

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SYIAH KUALA
DARUSSALAM,BANDA ACEH
2018
1. Judul Praktikum
“Autoregresif Integrated Moving Average (ARIMA)”

2. Tujuan Praktikum
Tujuan praktikum ini adalah sebagai berikut:
a. Mahasiswa dapat mengetahui dan membuat model ARIMA dengan menggunakan data
real.
b. Mahasiswa dapat melihat apakah model ARIMA yang diuji merupakan model terbaik.

3. Metode dan Teori Praktikum

3.1. Data
Data yang digunakan pada praktikum ini adalah data pekerja di Austalia dari
Februari 1978 – April 1991.

3.2. Metode Praktikum

a. Membangkitkan Data Aktual
b. Membuat Plot Data Aktual
c. Membuat Plot ACF dan PACF
d. Menguji Stasioner terhadap Varians dan Mean
e. Membuat Model Tentatif
f. Membuat Model Residual
g. Membuat Plot ACF dan PACF Residual

3.3. Teori Praktikum

ARIMA (Auto Regressive Integrative Moving Average) merupakan suatu
pendekatan pemodelan persediaanastik yang dapat digunakan untuk menghitung
probabilitas dari nilai masa depan yang terletak di antara dua batas yang ditentukan.
Kelebihan ARIMA adalah memiliki sifat yang fleksibel (mengikuti pola data), memiliki
tingkat akurasi peramalan yang cukup tinggi dan cocok digunakan untuk meramal
sejumlah variabel dengan cepat, sederhana, akurat, dan murah karena hanya
membutuhkan data historis untuk melakukan peramalannya. ARIMA memadukan
unsur dalam model autoregressive dan moving average. Semua data dalam
analisis ARIMA diasumsikan "stasioner". Jika data tidak stasioner, data tersebut harus
disesuaikan untuk mengoreksi ketidakstasionerannya. Untuk memperbaiki
ketidakstasioneran tersebut, maka digunakan differencing. Model yang dihasilkan
 dikatakan menjadi model yang "terintegrasi" atau integrated (differenced). Inilah yang
menjadi sumber dari "I" dalam model ARIMA.
Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model
autoregressive (AR), moving average (MA), dan model campuran ARMA
(Autoregressive Moving Average) yang mempunyai karakteristik dari dua model
pertama.
Pada ARIMA (p, d, q), kita harus menentukan p  AR, d  I, q  MA dimana
p adalah nilai yang menunjukkan AR, d adalah nilai yang menunjukkan perbedaan
(differences) dan q adalah nilai yang menunjukkan MA.
Sebelum membuat model AR, MA, dan ARMA, hal yang terlebih dahulu harus
dilakukan adalah mengidentifikasi fungsi autokorelasi (ACF) dan fungsi autokorelasi
parsial (PACF).
Tabel pola ACF dan PACF adalah sebagai berikut:

Model Pola ACF Pola PACF

AR (p) Menurun secara Menurun drastis

eksponensial pada lag tertentu
MA (q) Menurun drastis Menurun secara
pada lag tertentu eksponensial

ARMA (p,q) Menurun secara Menurun secara

eksponensial eksponensial

3.3.1. Model AR (Autoregressive)

Bentuk umum model Autoregressive (AR) dengan order p atau model ARIMA (p,
0, 0) dinyatakan sebagai berikut :
Xt = µ’ + Ф1Xt-1 + Ф2Xt-2 +...........+ ФpXt-p +et
Keterangan :
µ’ = suatu konstanta
Фp = Parameter autoregresive ke-p et = nilai kesalahan pada saat t
3.3.2. Model MA (Moving Average)
Bentuk umum model Moving Average (MA) dengan order q atau model ARIMA
(0,0,q) dinyatakan sebagai berikut :
Xt = µ’ + et - θ1et-1 - θ2Xt-2 -.....- θqet-k
Keterangan :
µ’ = suatu konstanta
θ1 sampai θq = Parameter moving average
et-k = nilai kesalahan pada saat t.
3.3.3. Model Autoregressive Moving Average (ARMA)
Bentuk model umum untuk campuran proses AR (1) dan MA (1) misal ARMA
(1,0,1) dinyatakan sebagai berikut :
Xt = µ’ + Ф1Xt-1 +et - θ1et-1
 Keterangan :
µ’ = suatu konstanta
Фp = parameter autoregresive ke-p
et = nilai kesalahan pada saat t

4. Sumber Data
Sumber data laporan ini diambil dari website time series
https://datamarket.com/data/list/?q=provider%3Atsdl. Data tersebut merupakan data
pekerja di Austalia dari Februari 1978 – April 1991.

5. Hasil dan Pembahasan

- Membangkitkan Data Aktual
Berikut merupakan syntax yang digunakan untuk membangkitkan data dari software

- Plot Data Aktual

Interpretasi:
Berdasarkan plot diatas dapat dilihat bahwa data pekerja di Austalia dari Februari 1978 – April
1991 memiliki pola trend.
 - Plot ACF dan PACF

Interpretasi:
Berdasarkan plot ACF diatas dapat dilihat bahwa lag menurun secara ekponensial dan plot
PACF diatas dapat dilihat bahwa lag menurun secara eksponensial. Berdasarkan PACF &
ACF diatas dapat dilihat bahwa lag melewati garis barlett maka data tersebut dapat
disimpulkan tidak stasioner.

 Uji stasioner terhadap varians

Interpretasi
Berdasarkan output diatas dapat dilihat bahwa terdapat nilai lambda sebesar -
0.01581116 yang berarti bahwa data trend diatas belum stasioner terhadap varians
karena nilai lambdanya belum mendekati 1.

Karena lambda belum mendekati 1, maka dilakukan transformasi sebagai berikut:

- Transformasi 1 kali

Interpretasi:
Berdasarkan output diatas dapat dilihat bahwa terdapat nilai lambda sebesar
0.8474642 yang berarti bahwa data trend diatas stasioner terhadap varians karena
nilai lambdanya sudah mendekati 1. Maka dari hasil diatas bahwa data hanya di
transformasi sebanyak satu kali.
  Uji stasioner terhadap mean
- Hipotesis
H0 : data tidak stasioner
H1 : data stasioner
- Tingkat signifikan
α = 0.05
- Daerah penolakan
Pvalue < α
- Statistik uji :

- Keputusan
Karena P-value (0.8101) > α (0.05) maka Tidak dapat Tolak H0
- Kesimpulan
Data tidak stasioner terhadap mean

Karena data tidak stasioner terhadap mean, maka dilakukan differencing 1 kali:

- Keputusan
Karena P-value (0.01) < α (0.05) maka Tolak H0
- Kesimpulan
Data stasioner terhadap mean

- Model Tentatif
Berikut ini adalah model tentatif sesuai dengan plot ACF dan PACF dengan data
yang sudah differencing:
a. Model ARIMA (1,1,1)
 b. Model ARIMA (1,1,2)

c. Model ARIMA (2,1,1)

d. Model ARIMA (2,1,2)

- Tabel hasil AIC

Model Orde Nilai AIC

1,1,1 1808,21
1,1,2 1781,64
ARMA
2,1,1 1782,29
2,1,2 1784,18
Interpretasi
Berdasarkan tabel yang sudah dirangkum diatas, telah dilakukan pengujian model.
Sehingga dapat disimpulkan bahwa model terbaik yang dinilai dari nilai AIC terkecil adalah
model ARIMA (1,1,2) yaitu 1781,64. Hal ini menunjukkan bahwa model ARIMA (1,1,2)
merupakan model terbaik dan paling tepat untuk data tersebut.
 - Model Residual
Model residual digunakan untuk melihat seberapa tepat atau benar model terbaik yang
sudah didapatkan dari pengujian diatas. Berikut ini adalah syntax untuk residual:

- Plot ACF dan PACF Residual

Interpretasi:
Berdasarkan plot ACF dan PACF diatas dapat dilihat bahwa setelah lag 0 tampak lag masih
keluar garis barlett. Artinya bahwa error tidak saling bebas. Sehingga dapat disimpulkan
bahwa model ARIMA (1,1,2) merupakan bukan model terbaik.

6. Kesimpulan
Berikut ini adalah kesimpulan yang dapat diambil dari analisa diatas:
a. Data pekerja di Australia dari Februari 1978 – April 1991 yang sudah diuji memenuhi
syarat stasioneritas terhadap varians dan mean.
b. Model terbaik untuk data diatas adalah model ARIMA (1,1,2) didapatkan berdasarkan
nilai AIC terkecil dan bukan model terbaik melalui pengecekan residual.

7. Daftar Pustaka
- Ashari. 2013. Penerapan Metode Time Series Dalam Simulasi Forecasting
Perkembangan Akademik Mahasiwa. STMIK AKBA.
- Hutasuhut, Amira, Herwindyani., dkk. Pembuatan Aplikasi Pendukung Keputusan
Untuk Peramalan Persediaan Bahan Baku Produksi Plastik Blowing dan Inject
Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average) Di CV.
Asia. ITS. Surabaya.