10.3.

4 Rangkuman Hasil Pemodelan dan Pemilihan Model Terbaik

Harga estimasi dari koefisien, galat standar (standar error) koefisien, dan harga-harga
statistik untuk pengecekan diagnostik (beserta harga p-value untuk uji yang bersesuain di
dalam kurung) bagi model-model yang kita amati di atas dapat dirangkum dalam tabel
berikut.

Tabel 10.2 Rangkuman hasil estimasi

ARIMA (1,1,0) ARIMA ARIMA ARIMA ARIMA

(0,1,1) (1,1,1) (2,1,0) (0,1,2)
a1 0.2780 0.4419 0.2713
SE=0.0777 SE=0.3306 SE=0.0801
a2 0.0287
SE=0.0854
b1 0.2642 -0.1767 0.2666
SE=0.0762 SE=0.3592 SE=0.0795
b2 0.0536
SE=0.0851
RMSE 0.091641393 0.091903319 0.091578215 0.091607300 0.091787736
AIC -295.91 -295.04 -294.12 -294.03 -293.43
SBC/BI -289.83 -288.95 -284.99 -284.9 -284.3
C
Q (12) 11.0819 10.5136 11.78062946 1.150962e+01 10.998600
(0.521) (0.5709904) (0.463454) (0.4858213) (0.5290386)
Q (24) 26.918 (0.308) 27.15678994 26.81362388 2.689308e+01 26.88451271
(0.2971979) (0.3132154) (0.3094615) (0.3098651)
Q (36) 42.929 42.214722 43.21439506 4.312413e+01 42.64314171
(0.1985) (2.201574) (0.1903234) (0.1928927) (0.2069993)

Berdasarkan Rangkuman ini, kita dapat membuat analisis berikut.

1. Untuk Model ARIMA (1,1,1) , statistik uji t untuk koefisien kurang dari nilai statistik
tabel t (df=n-1=156-1; ∝=2,5 % ¿=1.97sehingga model ini dapat dikeluarkan dari
kemungkinan model.
2. Model overfitting ARIMA (2,1,0) dan ARIMA (0,1,2) memiliki koefisien a2 dan b2
yang tidak signifikan sehingga akan tereduksi menjadi model ARIMA (1,1,0) dan
ARIMA (0,1,1).
3. Model ARIMA (1,1,0)dan ARIMA (0,1,1) memiliki koefisien yang signifikan dan
memenuhi uji diagnostic tidak adanya korelasi serial pada residual. Dapat
disimpulkan berdasarkan RMSE dan AIC , model ARIMA (1,1,0) merupakan model
 terbaik untuk data log (Word_Oil_Prices). Uji lebih lanjut mungkin dilakukan dengan
mengamati keakuratan hasil peramalan dari model ini pda data out of sample.

10.3.5 Peramalan dengan Model Terbaik

Selanjutnya, kita akan melakukan peramalan dengan model in sample terbaik,
yakni model ARIMA (1,1,0) log (Word_Oil_Prices). Dari langkah anlisis di atas
diketahui hasil estimasi model ini disimpan dalam variabel Arima Model 1.1 .
prediksi dengan model ini beserta interval keyakinan hasil prediksi dapat dilakukan
dengan fungsi predict, seperti contoh berikut.

Untuk mendapatkan hasil prediksi bagi Word_Oil_Prices , kita dapat

menggunakan cara berikut.

Nilai hasil penyuaian untuk data in sample dengan model ARIMA (1,1,0) dapat
diperoleh dengan fungsi tersuai, seperti berikut.

Berikut adalah plot data Word_Oil_Prices, nilai penyuaian in sample , serta nilai
prediksi dan interval keyakinan dengan model ARIMA (1,1,0) di atas.
10.4 Pemilihan Model Terbaik dengan Fungsi auto.arima
Pemilihan model terbaik dengan kriteria AIC juga dapat dilakukan secara
otomatis dengan fungsi auto.arima(), seperti contoh berikut.

Meskipun hasil model terbaik berbeda dengan anaisis yang dilakukan di awal,
terlihat dari TABEL 10.2 nilai RMSE dari model ARIMA (0,1,1) dan ARIMA (1,1,0)
hamper sama (berbeda hanyabpada digit keempat). Dengan demikian, kita bisa
menyimpulkan bahwa hasil penyuaian dari kedua model ini secara umum tidak
berbeda secara signifikan.