RESUME MATERI KULIAH

MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

Disusun Untuk Memenuhi Tugas Mata Kuliah : Ekonometrika II
Dosen Pengampu : Dr.Ir. Utami Agus Yulianti,.M.P

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).

I. Model Box Jenkin

Model Box Jenkin merupakan salah satu teknik peramalan model time series yang
hanya berdasarkan perilaku variabel data yang diamati (let the data speak for
themselves). Model Box Jenkin secara teknis dikenal dengan model Autoregressive
Integrated Moving Average (ARIMA). Analisis ini berbeda dengan model struktural
baik model kausal maupun simultan dimana persamaan model tersebut menunjukkan
hubungan antara variabel-variabel ekonomi. Alasan utama penggunaan teknik Box
JEnkin karena gerakan variabel-variabel ekonomi yang diteliti seperti pergerakan
nialai tukar, harga saham, inflasi yang seringkali sulit dijelaskan oleh teori-teori
ekonomi.
Teknik Box Jenkin sebagai teknik peramalan berbeda dengan kebanyakan model
peramalan yang ada. Di dalam model ini tidak ada asumsi khusus tentang data
historis dari runtut waktu, tetapi menggunakan metode iterative untuk menentukan
model yang terbaik. Model yang terpilih kemudian akan dicek ulang dengan data
historis apakah telah menggambarkan data yang tepat. Model terbaik akan diperoleh
jika residual antara model peramalan dan data historis kecil, didistribusikan secara
random dan independen. Namun, jika model yang dipilih tidak mampu menjelaskan
dengan baik maka proses penentuan model perlu diulangi. Model Box Jenkin terdiri
dari beberapa model yaitu:
1. Autoregressive (AR)
2. Moving Average (MA)
3. Autoregressive-moving Average (ARMA)
4. Autoregressive Integrated Moving Average (ARIMA)

2
Notasi Box Jenkins (ARIMA) = (p,d,q)

 p = derajat Autoregresive (AR)

 d = derajat differencing (pembedaan)
 q = derajat Moving Average

1.1. Model Autoregressive (AR)

Model yang menggambarkan bahwa variabel dependen dipengaruhi oleh variabel
dependen itu sendiri pada periode sebelumnya.
Yt = Ø0 + Ø1 Yt-1+....+ Øp Yt-p + Ɛt
– Yt= nilai variabel dependen pada waktu
t = variabel independen yang merupakan lag dari variabel dependen periode
sebelumnya
– Ø = intersep
– Ø1 =koefisien autoregressive
– Ɛt = residual pada waktu t

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.

1.2. Model Moving Average (MA)

Model ini menyatakan bahwa nilai prediksi variabel dependen Yt hanya dipengaruhi
oleh nilai residual periode sebelumnya. Misalnya, jika variabel dependen Yt hanya
dipengaruhi oleh nilai residual satu periode sebelumnya maka disebut dengan model
MA tingkat pertama atau disingkat MA(1).
Yt = W0 + W1 Ꜫ t-1 +.....+ Wq Ꜫ t-p
Dimana:

 Yt = variabel dependen waktu t

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)

Model MA dalam persamaan seperti model AR pada persamaan sebelumnya kecuali

bahwa variabel dependen Y tergantung dari nilai residual sebelumnya, tidak tergantung
dari nilai variabel dependen sebelumnya. Model MA adalah prediksi variabel dependen
Y berdasarkan kombinasi linierdari residual sebelumnya sedangkan AR memprediksi
variabel Y didasarkan pada nilai Y sebelumnya.

1.3. Model Autoregressive-Moving Average (ARMA)

Seringkali perilaku data time series dapat dijelaskan dengan baik melalui model
penggabungan antara AR dan model MA. Model gabungan ini disebut Autoregressive-
Moving Average (ARMA). Misalnya nilai variabel Yt dipengaruhi oleh kelambanan
pertama Yt dan kelambanan tingkat pertama residual maka modelnya disebut dengan
model ARMA (1,1). Model ARMA (1,1) dapat ditulis dalam bentuk persamanaan
umum sebagai berikut:
Yt = Ø0 + Ø1 Yt-1+....+ Øp Yt-p + W0 + W1 Ꜫ t-1 +.....+ Wq Ꜫ t-p

1.4. Model Autoregressive Integrated Moving Average (ARIMA)

Model ARIMA terdiri dari tiga langkah dasar, yaitu tahap identifikasi, tahap penaksiran
dan pengujian, dan pemeriksaan diagnostik. Selanjutnya model ARIMA dapat
digunakan untuk melakukan peramalan jika model yang diperoleh memadai.

4
SKEMA PENDEKATAN BOX JENKINS

Stasioneritas dan Nonstasioneritas

Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat
nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan
dengan deret berkala yang stasioner. Stasioneritas berarti tidak terdapat pertumbuhan
atau penurunan pada data. Data secara kasarnya harus horizontal sepanjang sumbu
waktu. Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang
konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut pada pokoknya
tetap konstan setiap waktu. Suatu deret waktu yang tidak stasioner harus diubah menjadi
data stasioner dengan melakukan differencing.
Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih
nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika
belum stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner, maka
dilakukan transformasi logaritma.

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 :

2. Koefisien autokorelasi parsial

Mengukur derajat hubungan antara nilai-nilai sekarang dengan nilai-nilai
sebelumnya, sedangkan pengaruh nilai variabel time lag yang lain dianggap
konstan.

III. Musiman dan Model ARIMA

Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam

selang waktu yang tetap. Untuk data yang stasioner, faktor musiman dapat
ditentukan dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga
time-lag yang berbeda nyata dari nol. Autokorelasi yang secara signifikan
berbeda dari nol menyatakan adanya suatu pola dalam data. Untuk mengenali
adanya faktor musiman, seseorang harus melihat pada autokorelasi yang
tinggi.
Untuk menangani musiman, notasi umum yang singkat adalah:
ARIMA (p,d,q) (P,D,Q)S

Dimana (p,d,q) = bagian yang tidak musiman dari model

(P,D,Q) = bagian musimandari model

S = jumlah periode per musim

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

Ada dua cara yang mendasar untuk mendapatkan parameter-parameter tersebut:

a. Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang
berbeda dan memilih satu nilai tersebut (atau sekumpulan nilai, apabila
terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan
jumlah kuadrat nilai sisa (sum of squared residual).
b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan
program komputer memperhalus penaksiran tersebut secara iteratif.

Pengujian Parameter Model

1. Pengujian masing-masing parameter model secara parsial (t-test)

2. Pengujian model secara keseluruhan (Overall F test)

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).

Pemilihan Model Terbaik

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.

Selain nilai standard error estimate, nilai rata-rata persentase kesalahan

peramalan (MAPE) dapat juga digunakan sebagai bahan pertimbangan dalam
menentukan model yang terbaik yaitu:

8
 dimana:

T = banyaknya periode peramalan/dugaan.

Peramalan Dengan Model ARIMA

Notasi yang digunakan dalam ARIMA adalah notasi yang mudah dan umum.

Misalkan model ARIMA (0,1,1)(0,1,1)12 dijabarkan sebagai berikut:

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.

IV. Struktur Informasi Pokok Hasil Analisis (Cara Interpretasi)

1. Identifikasi.

a. Berdasarkan plot data aktual dapat diketahui apakah data sudah

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.

3. Tentukan persamaan dan nilai ramalan model ARIMA terbaik.

10
REFERENSI

 Agus Widarjono. 2017. Ekonometrika Pengantar dan Aplikasinya Disertai

Panduan Eviews. Yogyakarta: UPP STIM YKPN
 Afrilia Eki Pradita. Metode Box Jenkins. Jakarta: Universitas Gunadarma
diakses melalui afrilia_pradita.staff.gunadarma.ac.id
 ARIMA-BPS. File-artikel diupload oleh daps.bps.go.id

11