Disusun Oleh :
Novia Kusuma Wardani (17333002)
Ibnu Adam Irawan (17333006)
EKONOMI PEMBANGUNAN
Universitas Gunung Kidul
Jl. K.H. Agus Salim No. 170, Wonosari, Gunungkidul, Yogyakarta
2019
1
HASIL RESUME
Materi akan membahas salah satu model yang digunakan untuk memprediksi suatu
variabel yang hanya didasarkan pada perilaku data variabel itu sendiri tanpa
memasukkan variabel independen di dalam model. Resume ini membahas metodologi
yang dikembangkan oleh Box-Jenkin yang dikenal dengan model Autoregressive
Integrated Moving Average (ARIMA).
2
Notasi Box Jenkins (ARIMA) = (p,d,q)
Orde dari model AR ditentukan oleh jumlah periode variabel independen yang masuk
dalam model. Residual dalam persamaan ini sebagaimana pada model OLS, mempunyai
karakteristik nilai rata-rata nol, varian konstan dan tidak saling berhubungan. Model AR
dengan demikian menunjukkan bahwa nilai prediksi variabel dependen Yt hanya
merupakan fungsi linier dari sejumlah Yt actual sebelumnya.
3
Ɛt-1 , ….Ɛt-q = nilai residual sebelumnya (lag)
W1,....., Wq = koefisien model MA
Ɛt = residual
• Orde model MA (yang di beri notasi q) ditentukan oleh jumlah periode variabel
independen yang masuk dalam model
• Yt = w0 + Ɛt - w1Ɛt-1 → model MA orde 1 dengan notasi arima (0,0,1)
• Yt = w0 + Ɛt - w1Ɛt-1 - w2Ɛt-2 → model MA orde 2 dengan notasi ARIMA (0,0,2)
4
SKEMA PENDEKATAN BOX JENKINS
5
II. Dasar-dasar analisis Box Jenkins
1. Koefisien Autokorelasi
Koefisien korelasi perlu diuji utk menentukan apakah sec statistik nilainya
berbeda secara signifika dari nol atau tidak. Caranya :
6
Identifikasi
Proses identifikasi dari model musiman tergantung pada alat-alat statistik berupa
autokorelasi dan parsial autokorelasi, serta pengetahuan terhadap sistem (atau
proses) yang dipelajari.
Penaksiran Parameter
Model dikatakan baik jika nilai error bersifat random, artinya sudah tidak
mempunyai pola tertentu lagi. Dengan kata lain model yang diperoleh dapat
menangkap dengan baik pola data yang ada. Untuk melihat kerandoman nilai
error dilakukan pengujian terhadap nilai koefisien autokorelasi dari error, dengan
menggunakan salah satu dari dua statistik berikut:
7
Menyebar secara Khi Kuadrat ( 2 ) dengan derajat bebas (db)=(k-p-q-P-Q) dimana:
n’ = n-(d+SD)
d = ordo pembedaan bukan faktor musiman
D = ordo pembedaan faktor musiman
S = jumlah periode per musim
m = lag waktu maksimum
rk = autokorelasi untuk time lag 1, 2, 3, 4,..., k
Kriteria pengujian:
o Jika Q 2 ( ,db) , berarti: nilai error bersifat random (model dapat diterima).
o Jika Q 2 ( ,db) , berarti: nilai error tidak bersifat random (model tidak dapat
diterima).
Untuk menentukan model yang terbaik dapat digunakan standard error estimate
berikut:
dimana:
Yt = nilai sebenarnya pada waktu ke-t
Yˆ = nilai tdugaan pada waktu ke-t
Model terbaik adalah model yang memiliki nilai standard error estimate (S)
yang paling kecil.
8
dimana:
Nilai et+1 tidak akan diketahui, karena nilai yang diharapkan untuk kesalahan random
pada masa yang akan datang harus ditetapkan sama dengan nol. Akan tetapi dari model
yang disesuaikan (fitted model) kita boleh mengganti nilai et, et-11 dan et-12 dengan nilai
nilai mereka yang ditetapkan secara empiris (seperti yang diperoleh setelah iterasi
terakhir algoritma Marquardt). Tentu saja bila kita meramalkan jauh ke depan, tidak akan
kita peroleh nilai empiris untuk “e” sesudah beberapa waktu, dan oleh sebab itu nilai
harapan mereka akan seluruhnya nol.
Untuk nilai X, pada awal proses peramalan, kita akan mengetahui nilai Xt, Xt-11, Xt-12.
Akan tetapi sesudah beberapa saat, nilai X akan berupa nilai ramalan (forecasted
value), bukan nilai-nilai masa lalu yang telah diketahui.
9
stasioner. Jika belum stasioner maka data harus distasionerkan
terlebih dahulu.
b. Tentukan kombinasi model ARIMA yang mungkin. Dari plot
autokorelasi tentukan ordo MA (q), dari plot autokorelasi parsial
tentukan orde AR (p).
2. Estimasi dan pengujian model ARIMA yang mungkin serta pemilihan model
terbaik.
10
REFERENSI
11