AR / ARIMA( p , 0,0)

DENGAN BANTUAN SOFTWERE MINITAB 16

MAKALAH
Disusun untuk memenuhi tugas mata kuliah Analisis Deret Waktu yang dibina oleh Bapak
Dr. Swasono Rahardjo, S.Pd, M.Si dan Ibu Azizah, S.Pd, M.Si

Oleh :
Kelompok 9
Fynny Cyntia Anggraini (170312612038)
Nadia Aprinia berlianti (170312612046)

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
2020
 KATA PENGANTAR

Puji syukur kami panjatkan kepada kehadirat Tuhan Yang Maha Esa, yang telah
mencurahkan segala nikmat dan karunia-Nya sehingga berkat rahmat dan ridho-Nya kami
dapat menyelesaikan makalah ini. Suatu kebahagiaan yang tidak ternilai bagi kami, yang
telah menyelesaikan makalah ini, dengan judul “AR / ARIMA(p,0,0) DENGAN
BANTUAN SOFTWERE MINITAB 16”, untuk memenuhi salah tugas yang diajukan
dalam mata kuliah Analisis Deret Waktu.
Kami sangat menyadari keterbatasan pengalaman, pengetahuan, kemampuan dalam
penyusunan makalah ini. Oleh karena itu, saran dan kritik yang bersifat membangun sangat
diharapkan demi kesempurnaan penulisan di dalam karya-karya kami selanjutnya. Akhirnya
kami berharap semoga makalah ini bermanfaat bagi kami dan bagi para pembaca khususnya.

Malang, 28 April 2020

Penyusun
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa
mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan
kualitatif yang dilakukan secara sistematis. Selama ini banyak peramalan dilakukan
secara intuitif menggunakan metode-metode statistika seperti metode pemulusan.
ARIMA, ekonometri, regresi dan sebagainya. Pemilihan metode tersebut tergantung
pada berbagai aspek yaitu aspek waktu, pola data, tipe model, system yang diamati,
tingkat keakuratan ramalan yang diinginkan dan sebagainya
ARIMA sering juga disebut metode Box-Jenkins adalah Teknik mencari pola
yang paling cocok dari sekelompok data yang dilakukan dengan membandingkan
sebuah kurba (yang meruoajan representasi dari data runtutan waktu) dengan
kelompok data lain atau pola-pola yangs ecara teoritis teruji keakuratannya. ARIMA
sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untyk
peramalan jangka Panjang ketepatan peramalannya cukup baik. Model ini secara
penuh mengabaikan variabel dalam membuat peramalan.

1.2 Rumusan Masalah

1) Bagaimanakah tahap-tahap memodelkan ARIMA(p,0,0) dengan bantuan Minitab
16?

1.3 Tujuan
1) Mengetahui tahap-tahap memodelkan ARIMA(p,0,0) dengan bantuan Minitab 16
 PENERAPAN METODE ARIMA BOX-JENKINS
Berikut adalah data pengiriman barang ke luar negeri tahun 2017 – 2021.
Asumsikan data berikut sudah stationer, maka ramalkan jumlah pengiriman barang ke luar
negeri selama 5 periode berikutnya yaitu pada bulan Januari – Mei 2022. Gunakan metode
ARIMA BOX-JENKINS untuk melakukan peramalannya.
Tahun Bulan Jumlah Barang (Ribu)
Januari 57,66
Februari 59,04
Maret 56,61
April 56,69
Mei 59,43
Juni 58,75
2017
Juli 59,28
Agustus 58,35
September 57,07
Oktober 56,41
November 58,97
Desember 58,96
Januari 60,31
Februari 59,20
Maret 57,93
April 61,22
Mei 57,62
Juni 60,11
2018
Juli 60,25
Agustus 61,52
September 58,12
Oktober 60,57
November 59,31
Desember 59,58
Januari 58,34
Februari 57,02
Maret 56,52
April 56,11
Mei 60,46
Juni 58,24
2019
Juli 56,17
Agustus 58,13
September 59,84
Oktober 61,48
November 61,25
Desember 59,53
2020 Januari 61,72
Februari 57,09
Maret 60,02
April 58,85
Mei 55,50
Juni 57,64
 Juli 53,72
Agustus 51,00
September 53,31
Oktober 56,30
November 60,06
Desember 60,04
Januari 53,86
Februari 57,40
Maret 55,48
April 54,26
Mei 58,81
Juni 55,79
2021
Juli 54,22
Agustus 58,93
September 58,80
Oktober 60,10
November 58,95
Desember 57,71

Tahap Identifikasi Model Untuk memperoleh hasil peramalan dengan metode ARIMA Box
Jenkins ada beberapa tahapan proses yaitu:
1. Plot Data
Langkah pertama dalam mengidentifikasi model deret waktu (deret waktu) adalah
dengan melakukan plot data. Sebelum melakukan plot data, entri data pada worksheet
sebagai berikut:
 Selanjutnya yaitu klik Stat – Time Series – Time Series Plot – Simple – Ok

Klik Ok maka akan muncul grafik sebagai berikut:

Jumlah Pengiriman Barang Tahun 2017-2021

62

60

58
Banyak Barang

56

54

52

50
Month Jan Jul Jan Jul Jan Jul Jan Jul Jan Jul
Year 2017 2018 2019 2020 2021

2. Penentuan Model ARIMA (p, d, q)

Karena data sudah diasumsikan stasioner dalam rata-rata dan varian maka asumsi
ARIMA telah terpenuhi. Langkah selanjutnya adalah membuat plot ACF (fungsi
autokorelasi) dan plot PACF (fungsi autokorelasi parsial) untuk memperoleh model
ARIMA yang cocok atau dimungkinkan untuk digunakan.

Angkah untuk membuat plot ACF adalah klik Stat – Time Series – Autocorelasi
Klik Ok akan muncul gambar seperti berikut:

Autocorrelation Function for Banyak Barang

(with 5% significance limits for the autocorrelations)

1,0
0,8
0,6
0,4
Autocorrelation

0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Lag

Berdasarkan gambar di atas nilai koefisien yang mungkin adalah ARIMA (0,0,1).
Selanjutnya adalah menentukan koefisien PACF dengan cara klik Stat – Time Series –
Partial Autocorrelation Function
 Klik Ok akan muncul gambar seperti berikut:

Partial Autocorrelation Function for Banyak Barang

(with 5% significance limits for the partial autocorrelations)

1,0
0,8
0,6

Partial Autocorrelation
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Lag

Berdasarkan gambar di atas nilai koefisien yang mungkin adalah ARIMA (1,0,0).
Dengan demikian dari Gambar ACF dan Gambar PACF diperoleh 3 model ARIMA
yang tersedia yaitu:
 ARIMA (1,0,0)
 ARIMA (0,0,1)
 ARIMA (1,0,1)

3. Uji Signifikansi Parameter

Setelah diperoleh model ARIMA yang dimungkinkan, maka hal selanjutnya yang
dilakukan adalah uji signifikansi parameter.
 ARIMA (1,0,0)
Uji signifikan parameter model ARIMA (1,0,0) dapat dilakukan dengan klik Stat
– Time Series – ARIMA
 Pilih Storage – centang (√) residual – Ok
Maka didapatkan

 ARIMA (0,0,1)
Uji signifikan parameter model ARIMA (0,0,1) dapat dilakukan dengan klik Stat
– Time Series – ARIMA

Pilih Storage – centang (√) residual – Ok

Maka didapatkan
  ARIMA (1,0,1)
Uji signifikan parameter model ARIMA (1,0,1) dapat dilakukan dengan klik Stat
– Time Series – ARIMA

Pilih Storage – centang (√) residual – Ok

Maka didapatkan

Setelah proses estimasi selesai, hasil rekap dapat diringkas sebagai berikut:
Model Parameter P-Value Keputusan
AR(1) AR(1) 0,001 Signifikan
MA(1) MA(1) 0,002 Signifikan
AR(1) 0,016 Signifikan
ARIMA(1,0,1)
MA(1) 0,477 Tidak Signifikan
Dari tabel di atas, model yang signifikan adalah model AR(1) dan MA(1).

4. Uji Diagnostik (Uji Residual)

Setelah diperoleh model ARIMA yang signifikan terhadap parameter, maka
hal yang selanjutnya dilakukan adalah uji Diangnostik (Uji Residual). Uji
 diagnostik meliputi uji asumsi white noise (independensi) dan uji normalitas
residual.
 ARIMA (1,0,0)
Hasil uji asumsi white noise untuk model ARIMA(1,0,0) dapat dilakukan dengan
klik Stat – Time Series – ARIMA

Pilih Storage – centang (√) residual – Ok

Maka didapatkan

Berdasarkan tabel di atas dapat diketahui bahwa P-Value dari masing-masing lag
12, lag 24, lag 36, dan lag 48 bernilai lebih dari 0,05. Karena P-Value bernilai
lebih dari α =0,05 untuk masing-masing lag, maka dapat disimpulkan H 0 gagal
ditolak ( H 0 diterima) yang artinya residual memenuhi syarat white nose untuk
model ARIMA (1,0,0).
Syarat terakhir suatu model ARIMA dikatakan layak adalah memenuhi uji
normalitas residual. Uji normalitas residual terpenuhi jika nilai P-Value lebih
besar dari α =0,05. Cara uji normalitas residual adalah klik Stat – Basic Statistic –
Normality Test
Klik Ok akan muncul gambar seperti berikut:

Probability Plot of RESI1

Normal
99,9
Mean 0,004295
StDev 2,038
99
N 60
AD 0,401
95 P-Value 0,351
90
80
70
Percent

60
50
40
30
20
10
5

0,1
-5,0 -2,5 0,0 2,5 5,0 7,5
RESI1

Berdasarkan Plot Normality Test Residual model ARIMA(1,0,0) yang

ditunjukkan pada gambar di atas, dapat diketahui bahwa P-Value lebih besar dari
α =0,05, maka gagal menolak H 0 yang artinya sisaan (residual) mengikuti
Distribusi Normal untuk model ARIMA(1,0,0).
 ARIMA (0,0,1)
Hasil uji asumsi white noise untuk model ARIMA(0,0,1) dapat dilakukan dengan
klik Stat – Time Series – ARIMA
Pilih Storage – centang (√) residual – Ok
Maka didapatkan

Berdasarkan tabel di atas dapat diketahui bahwa P-Value dari masing-masing lag
12, lag 24, lag 36, dan lag 48 bernilai lebih dari 0,05. Karena P-Value bernilai
lebih dari α =0,05 untuk masing-masing lag, maka dapat disimpulkan H 0 gagal
ditolak ( H 0 diterima) yang artinya residual memenuhi syarat white nose untuk
model ARIMA (0,0,1).
Syarat terakhir suatu model ARIMA dikatakan layak adalah memenuhi uji
normalitas residual. Uji normalitas residual terpenuhi jika nilai P-Value lebih
besar dari α =0,05. Cara uji normalitas residual adalah klik Stat – Basic Statistic –
Normality Test
 Klik Ok akan muncul gambar seperti berikut:

Probability Plot of RESI2

Normal
99,9
Mean 0,005826
StDev 2,075
99 N 60
AD 0,346
95 P-Value 0,470
90
80
70

Percent
60
50
40
30
20
10
5

0,1
-5,0 -2,5 0,0 2,5 5,0 7,5
RESI2

Berdasarkan Plot Normality Test Residual model ARIMA(0,0,1) yang

ditunjukkan pada gambar di atas, dapat diketahui bahwa P-Value lebih besar dari
α =0,05, maka gagal menolak H 0 yang artinya sisaan (residual) mengikuti
Distribusi Normal untuk model ARIMA(0,0,1).

5. Penentuan Model Terbaik

Setelah diperoleh model terbaik ARIMA yang layak, maka langkah selanjutnya
adalah mencari nilai MSE untuk memperoleh model terbaik. Model terbaik yaitu
model yang mempunyai nilai MSE paling kecil.
 ARIMA (1,0,0)
Nilai MSE untuk model ARIMA(1,0,0) dapat dilakukan dengan klik Stat – Time
Series – ARIMA

Pilih Storage – centang (√) residual – Ok

 Maka didapatkan

 ARIMA (0,0,1)
Nilai MSE untuk model ARIMA(0,0,1) dapat dilakukan dengan klik Stat – Time
Series – ARIMA

Pilih Storage – centang (√) residual – Ok

Maka didapatkan

Tabel berikut menunjukkan MSE untuk model ARIMA(1,0,0) dan model

ARIMA (0,0,1)
Model MSE
ARIMA (1,0,0) 4,226
ARIMA (0,0,1) 4,380
Berdasarkan Tabel di atas dapat diketahui bahwa nilai MSE terkecil pada model
ARIMA(1,0,0). Sehingga dapat disimpulkan model terbaik adalah model
ARIMA(1,0,0) atau AR(1).

6. Peramalan
Setelah diperoleh model terbaik maka tahap selanjutnya adalah melakukan paramalan
untuk periode selanjutnya berdasarkan model terbaik. Dalam hal ini model tebaik
adalah model ARIMA (1,0,0) atau AR(1).
Peramalan dapat dilakukan dengan cara klik Stat – Time Series – ARIMA

Pilih Forcasts – pad Lead diisi “5” dan Orgin diisi “60” – Ok
Maka didapatkan hasil peramalan untuk 5 periode mendatang adalah

KESIMPULAN:

Dari hasil perhitungan tersebut didapat bahwa model yang terbaik digunakan untuk
meramalkan data jumlah pengiriman barang ke luar negeri pada bulan Januari – Mei
2022 yaitu dengan model ARIMA (1,0,0) atau disebut juga AR(1). Sehingga hasil
ramalannya ditunjukkan sebagai berikut :

Waktu Hasil Ramalan (Ribu)

Januari 2022 57,9241

Februari 2022 58,0155
Maret 2022 58,0545
April 2022 58,0712
Mei 2022 58,0783