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)
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.
Penyusun
BAB I
PENDAHULUAN
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
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
Angkah untuk membuat plot ACF adalah klik Stat – Time Series – Autocorelasi
Klik Ok akan muncul gambar seperti berikut:
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:
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)
ARIMA (0,0,1)
Uji signifikan parameter model ARIMA (0,0,1) dapat dilakukan dengan klik Stat
– Time Series – ARIMA
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).
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:
60
50
40
30
20
10
5
0,1
-5,0 -2,5 0,0 2,5 5,0 7,5
RESI1
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:
Percent
60
50
40
30
20
10
5
0,1
-5,0 -2,5 0,0 2,5 5,0 7,5
RESI2
ARIMA (0,0,1)
Nilai MSE untuk model ARIMA(0,0,1) dapat dilakukan dengan klik Stat – Time
Series – ARIMA
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 :