LAPORAN PRAKTIKUM
Analisis Runtun Waktu (ARW)*
Modul 6 : ARIMA
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi
i
Daftar Tabel
Daftar Gambar
ii
1 Pendahuluan
2. Identifikasi Model
c
4. Cek Diagnostik residual
Ya
5. Peramalan
1
Estimasi parameter dapat dilakukan dengan metode Maximum Likelihood
Estimator (MLE), Least Square, dan lainnya. Dalam melakukan estimasi
parameter, apabila terdapat parameter yang idak signifikan setelah adanya
uji-t, maka dapat dilakukan proses overfitting. Proses overfitting adalah
proses mengkaji model lain disekitar model utama.
4. Diagnostic Checking
Langkah selanjutnya adalah uji diagnostik dari model yang telah
didapatakan, meliputi uji autokorelasi dan uji normalitas residual
(walaupun dapat diabaikan untuk kenormalan dari galat). Statsitik uji yang
digunakan adalah Box-Pierce atau L-Jung Box.
5. Peramalan (forecasting)
Setelah diperoleh model AIC (Akaike Information Criteria) atau SBC
(Schwarzt Bayesian Information Criteria) .
…
2
2 Deskripsi Kerja
3
5. Lakukan uji ADF untuk menguji stasioneritas data minyak.menggunakan
perintah: adf.test(minyak).
6. Selain dari uji ADF, ketidakstasioneran juga dapat dibuktikan
menggunakan grafik ACF dan PACF yang meluruh secara lambat. Untuk
perintahnya dapat dilihat pada Gambar 2.3.
4
Gambar 2.7. Estimasi Model
12. Untuk melihat signifikansi dari koefisien model, perlu ditambahkan fungsi
printsarima seperti pada Gambar 2.8 berikut.
5
15. Lakukan peramalan 5 periode ke depan menggunakan model ARIMA
terbaik yaitu ARIMA(0,1,2) dengan perintah seperti pada Gambar 2.10.
6
3 Pembahasan
Pada bagian ini akan dijelaskan hasil analisis data minyak bumi (crude oil)
dari bulan Januari 2017 hingga Agustus 2017 menggunakan metode ARIMA.
Untuk hasil konversi data menjadi objek time series dan grafik data aktual dari
minyak bumi, dapat dilihat pada Gambar 3.1 dan Gambar 3.2.
7
H0: Data tidak stasioner
H1: Data stasioner
2) Tingkat signifikansi: 5%
3) Daerah kritis:
Tolak H0, jika p-value <
4) Statistik Uji:
Hasil uji ADF menunjukkan bahwa data tidak stasioner. Sedangkan grafik
ACF dan PACF juga menunjukkan bahwa data tidak stasioner. Hal ini dilihat dari
grafik ACF yang hampir semua lag signifikan atau cenderung naik. Sedangkan
8
pada grafik ACF menunjukkan hanya satu lag yang signifikan jauh disbanding lag
lainnya. Oleh karena data tidak stasioner, maka perlu dilakukan diferensi untuk
menghilangkan komponen trend pada data sehingga data menjadi stasioner. Hasil
diferensi data minyak bumi dapat dilihat pada Gambar 3.5.
9
Gambar 3.6. Uji ADF Data Hasil Diferensi
11) Keputusan
Diperoleh p-value = 0.01 < α = 0,05, sehingga tolak H0
12) kesimpulan:
Dengan menggunakan tingkat kepercayaan 95%, data yang ada
mendukung hipotesis yang menyatakan bahwa data stasioner.
Berdasarkan grafik ACF dan PACF pada Gambar 3.7, diperoleh model
ARIMA(p,d,q) = ARIMA(1,0,2) dilihat dari 1 lag yang melewati garis selang
kepercayaan pada grafik PACF sehingga p = 1, d = 1 artinya bahwa data stasioner
pada diferensi order 1, dan pada grafik ACF terdapat 2 lag yang melewati garis
selang kepercayaan sehigga q = 2, kemudian dilakukan over fitting untuk
menguji model lain sebagai berikut ARIMA (1,1,0) dan ARIMA (0,1,2).
Berdasarkan model yang lebih pas dilakukan pengujian parameter.
10
3.3 Estimasi Parameter Model
Pada Gambar 3.8 dapat dilihat hasil estimasi parameter dari ketiga model
ARIMA. Hasil estimasi model menampilkan koefisien, standar error, variansi,
nilai AIC dan BIC masing-masing orde AR(p) dan MA(q) dari ketiga model.
11
koefisien dari setiap orde dengan p-value-nya yaitu AR(1) = 0.9179, MA(1) =
0.3157, dan MA(2) = 0.0676 semuanya < α = 0,05 sehingga dapat dikatakan
bahwa koefisien model 1 tidak signifikan. Pada model 2 koefisien dari orde AR(1)
signifikan karena p-value = 0 < α = 0,05. Kemudian pada model 3 koefsien orde
MA(1) dengan p-value = 0 < α = 0,05 dan MA(2) dengan p-value = 0.0004 < α =
0,05 yang artinya bahwa koefsien model 3 juga signifikan. Dari hasil uji
signifikansi tersebut diperoleh dua model dengan koefisien yang signifikan yaitu
model 2 ARIMA (1,1,0) dan model 3 ARIMA (0,12).
12
Gambar 3.11 Grafik Uji Diagnostik Model 3 ARIMA (0,1,2)
13
Berdasarkan hasil rangkuman diperoleh bahwa model terbaik adalah
model ARIMA(0,1,2) karena memiliki nilai AIC yaitu sebesar 816.61 yang lebih
kecil dari nilai AIC model ARIMA(1,1,0) sebesar 818.27. model ARIMA(0,1,2)
ini kemudian dapat digunakan untuk memprediksi harga minyak bumi 5 periode
kedepan.
14
4 Penutup
4.1 Kesimpulan
Berdasarkan hasil analisis data harga minyak bumi dari bulan Januari 2017
hingga bulan Agustus 2017 menggunakan metode ARIMA, maka dapat
disimpulkan bahwa:
1. Data harga minyak bumi stasioner pada diferensi orde 1 dengan overfitting
model yang diperoleh adalah ARIMA(1,1,2), ARIMA(1,10) dan
ARIMA(0,1,2)
2. Diantara ketiga model ARIMA, model yang paling baik adalah model
ARIMA(0,1,2) karena memiliki nilai AIC yang paling kecil yaitu sebesar
816.61.
3. Hasil prediksi minyak bumi untuk 5 periode ke depan adalah harga
minyak bumi akan meningkat dengan harga paling tinggi dan kosntan
pada bulan Oktober 2017 hingga Januari 2018.
4.
15
5 Daftar Pustaka
16