Dosen Pengampu :
Dr. Syaparuddin, S.E, M,Si
Syafi’i, S.E., M.E.
Disusun Oleh :
Hanuken Asnifero J.P (C1A018034)
Sulistia Rini (C1A018046)
Faris Fauzan (C1A018048)
Ayu Dwi Cahyani (C1A018112)
Ano Permana (C1A018140)
Ubaydillah Almahdhar (C1A018192)
Puji syukur kehadirat Tuhan Yang Maha Esa yang telah melimpahkan rahmat dan
hidayah-Nya sehingga kami bisa menyelesaikan mkalah ini yang berjudul “Univariate dan
ARIMA Dalam Model ARMA” dengan tepat waktu , guna memenuhi tugas mata
kuliah sejarah pemikiran ekonomi.
Tak lupa kami mengucapkan terima kasih kepada Pak. Dr. Syaparuddin, S.E, M,Si
dan Pak Syafi’i, S.E., M.E. selaku guru pembimbing yang telah memberikan arahan serta
masukan baik dalam pembuatan makalah ini ataupun dalam bidang lainnya. Kami juga
mengucapkan terima kasih kepada semua pihak yang telah berkontribusi dalam pembuatan
makalah ini
Kami berharap dengan pembuatan makalah ini, dapat memperluas pengetahuan dan
menambah pengalaman bagi kami . Selain itu, kami berharap makalah ini dapat
memberi manfaat bagi para pembaca serta dunia pengetahuan pada umumnya. Kami selaku
penulis menyadari sepenuhnya bahwa masih ada kekurangan baik dari segi susunan
kalimat maupun tata bahasanya.Oleh karena itu kami mengharapkan kritik dan saran
yang membangun, sehingga dapat menjadikan makalah ini jauh lebih baik.
Kelompok 4 (empat)
i
DAFTAR ISI
KATA PENGANTAR i
DAFTAR ISI ii
BAB I PENDAHULUAN
BAB II PEMBAHASAN
DAFTAR PUSTAKA 17
ii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Metode runtun waktu adalah metode peramalan dengan menganalisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel waktu. Pada analisis runtun waktu,
data yang akan datang dipengaruhi oleh data masa lalu. Tujuan analisis runtun waktu antara
lain memahami dan menjelaskan mekanisme tertentu, meramalkan suatu nilai di masa
depan, dan mengoptimalkan sistem kendali (Makridakis & Wheelwright, 1999).Pemodelan
runtun waktu dikaitkan dengan proses peramalan suatu karakteristik tertentu pada periode
yang akan datang. Peramalan merupakan suatu pendugaan keadaan di masa yang akan
datang berdasarkan keadaan di masa lalu. Peramalan data runtun waktu dapat dilakukan
untuk model runtun waktu univariat dan multivariat.
Model runtun waktu univariata dalah model yang hanya melibatkan satu variabel
amatan, sedangkan model runtun waktu multivariat adalah model yang melibatkan lebih
dari satu variabel amatan secara bersama-sama. Model dasar runtun waktu univariat yang
biasa dikenal model autoregressive (AR).Model AR merupakan model regresi terhadap
dirinya sendiri (Cryer, 1986). Model AR adalah salah satu model linear khusus proses
stasioner dari metode Box-Jenkins. Selain model AR, model moving average (MA) juga
merupakan model linear khusus proses stasioner dari metode BoxJenkins.Metode Box-
Jenkins digunakan untuk data univariat yang didalamnya diperlukan konsep kestasioneran
data.Box-Jenkins (1970) memperkenalkan model runtun waktu yang biasa digunakan untuk
memodelkan yang disebut model autoregressive moving average (ARMA).Model ARMA
merupakan gabungan dari model AR dan model MA.
1
1.2 Rumusan Masalah
1.3 Tujuan
1.3.1 Untuk Mengetahui Yang Dimaksud Dengan ARIMA
1.3.2 Untuk Mengetahui Model Matematis ARIMA
1.3.3 Untuk Mengetahui Yang Dimaksud Dengan ARMA
1.3.4 Untuk Mengetahui Langkah Langkah Pembentukan ARMA
2
BAB II
PEMBAHASAN
Model ARIMA terdiri dari tiga proses yaitu autoregressive, integrates, dan moving
average dengan order (p,d,q) dinotasikan ARIMA (p,d,q). ARIMA mempunyai syarat
asumsi stasioner dalam variasi. Dalam mengatasi ketidakstasioneran data ini dilakukan
proses differencing agar data menjadi stasioner, banyaknya differencing dinotasikan dengan
d.
Y t = m + α 1 Y t −1 + α 2 Y t −2+…+ α p Y t − p+ ε t
Model ini disebut dengan AR(p) karena Yt dimodelkan dengan p lag. Y t adalah
variable terikat pada waktu t, m adalah konstanta intersep, ε t adalah error term dengan
white noise process. Nilai Y pada periode t dihitung berdasarkan nilai Y di periode
sebelumnya ditambah dengan error term.
3
Model MA (Moving Average) adalah model matematika yang menghubungkan
variabel terikat di suatu saat t (Y t ) dengan error term di saat t sampai t-q ( ε t , ε t−1 , ε t−2, … ,
ε t−q). Secara umum, untuk proses Moving Average sampai dengan q-lag, ditulis:
Y t = m + β 0 ε t + β 1 ε t−1+ β 1 ε t−2+…+ β q ε t −q
Model ini disebut dengan MA(q) Karena Y t dimodelkan dengan q lag dari error-
errornya. Y t adalah variabel terikat pada waktu t, m adalah konstanta intersep, ε t adalah
error term dengan white noise process pada saat t, ε t−qadalah error term dengan white noise
process pada saat t-q. Nilai Y pada periode t dihitung berdasarkan nilai-nilaierrordi periode
sebelumnya. Menggabungkan proses AR dan MA akan menghasilkan model ARMA.
Secara umum proses stokastik ARMA order p dan q, ditulis sebagai ARMA(p,q). Secara
matematis proses stokastik ARMA dapat ditulis sbb:
Apabila data time seriesadalah data yang tidak stasioner maka tafsiran dari hasil
regresi bisa jadi salah. Hal tersebut diakibatkan terjadinya spurious regression pada
datatime seriesyang tidak stasioner. Untuk model univariat, ARMA hanya dapat digunakan
untuk variabel time series yang stasioner (Nachrowi & Usman, 2006). Apabila datanya
tidak stasioner diperlukan pendekatan lain. Terdapat beberapa pendekatan untuk membuat
data stasioner menjadi stasioner. Salah satu cara agar data tidak stasioner menjadi stasioner
yaitu dengan mentransformasi menjadi bentuk perbedaan. Contohnya, jika yt adalah
variabel time series yang tidak stasioner nilai tersebut ditransformasi menjadi wt= Δ(yt)
dimana Δ(yt) = yt-yt-1. Apabila perbedaan tersebut belum menghasilkan variabel yang
stasioner maka prosesnya dapat dilakukan sampai orde ke-d atau dituliskan dengan wt= Δd
yt. Konsep mengubah variabel yang tidak stasioner yt menjadi stasioner wt dapat
digunakan untuk melengkapi kekurangan ARMA dalam hal stasioneritas. ARIMA
merupakan proses ARMA(p,q) dari variabel wt yang telah stasioner dari perubahan orde d
variabel yt dan ditulis dalam bentuk model ARIMA(p,d,q).
4
2.2 Model Matematis 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.
5
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.
dimana: '
= suatu konstanta
1 sampai
adalah parameter-parameter moving average
q
6
et-k = nilai kesalahan pada saat t – k
3) Model campuran
a. Proses ARMA
Model umum untuk campuran proses AR(1) murni dan MA(1) murni, misal
ARIMA (1,0,1) dinyatakan sebagai berikut:
X t '1 X t 1 et 1et 1
(1 1 B) X t '(1 1
B)et
AR(1) MA(1)
\\
b. Proses ARIMA
Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka model umum ARIMA
(p,d,q) terpenuhi. Persamaan untuk kasus sederhana ARIMA (1,1,1) adalah sebagai berikut:
pembedaan pertama
7
ARIMA (p,d,q) (P,D,Q)S
Identifikasi
Penaksiran Parameter
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).
8
Pengujian Parameter Model
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:
Jika Q
2
( ,db) , berarti: nilai error tidak bersifat random (model tidak dapat
diterima
9
Pemilihan Model Terbaik
Untuk menentukan model yang terbaik dapat digunakan standard error estimate
berikut:
dimana: Yt = nilai sebenarnya pada waktu ke-t Yt ˆ = nilai dugaan 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:
10
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:
X X X
t t 1 t 12
X t 13 et 1et 1 1et 12 11et 13
Untuk meramalkan satu periode ke depan, yaitu Xt+1 maka seperti pada persamaan
berikut:
X
t 1
X t X t 11 X t 12 et 1 1et 1et 11 11et 12
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-
. Akan tetapi sesudah beberapa saat, nilai X akan berupa nilai ramalan (forecasted
12
11
Struktur Informasi Pokok Hasil Analisis (Cara Interpretasi)
1. Identifikasi.
a. Berdasarkan plot data aktual dapat diketahui apakah data sudah
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.
12
terjadi pada data runtun waktu. Model ARMA belum mampu untuk menjelaskan
perubahan struktur yang terjadi pada data runtun waktu.Terdapat beberapa model
untuk mengatasi masalah tersebut diantaranya Threshold Autoregressive (TAR), Self
Exciting Threshold Autoregressive (SETAR) dan Markov Switching Autoregressive
(MSAR).
13
Kurs atau exchange rate adalah perbandingan nilai mata uang suatu negara
dengan negara lain. Krisis ekonomi pada periode 1997-1998 ditandai dengan
menurunnya nilai tukar rupiah terhadap dollar secara dramatis. Penurunan nilai tukar
rupiah ini berdampak besar pada perekonomian Indonesia, beberapa pengaruh dengan
adanya penurunan tersebut adalah membengkaknya utang luar negeri serta naiknya
harga barang-barang impor dan berkembang dengan lumpuhnya sendi-sendi ekonomi
di Indonesia. Perilaku perubahan pola dari exchange rate yang menurun tajam dapat
terulang kembali di masa depan dan tidak diketahui kapan akan terjadi lagi.
Perubahan perilaku tersebut dapat dianggap dipengaruhi oleh suatu variable acak takt
eramati St.
1. Data dibagi menjadi dua, yaitu data in sample dan data out sample.
2. Melakukan identifikasi Model ARMA dengan langkah sebagai berikut:
a. Membuat time series plot untuk melihat kestationeran data, jika data
belum stationer dalam varian maka dilakukan transformasi.
b. Membuat plot Autocorrelation Function (ACF) dan Partial
Autocorrelation Function (PACF) dari data yang sudah stasioner.
3. Melakukan estimasi dan uji signifikansi parameter model ARMA(p, q)(P,Q)s .
4. Melakukan diagnostic checking, yang meliputi uji residual white noise dan uji
kenormalan residual.
5. Melakukan overfitting yaitu mencoba beberapa model yang lain.
6. Melakukan estimasi parameter model ARMA menggunakan goal
programming sebagai pengoptimalan dari hasil estimasi parameter model
yang telah dilakukan sebelumnya.
7. Melakukan seleksi model untuk menentukan model terbaik dengan
menghitung nilai AIC, SBC, RMSE, MAPE dari seluruh model yang
14
mungkin. Peramalan Peramalan debit sungai dilakukan dengan memanfaatkan
model yang telah diperoleh.
Penarikan Kesimpulan :
a. Diperoleh model yang sesuai dan terbaik untuk memprediksi debit air sungai.
b. Penggunaan model yang telah diperoleh untuk memprediksi debit air sungai
pada periode mendatang. Program yang digunakan dalam penelitian ini adalah
Minitab dan LINDO.
15
BAB III
KESIMPULAN
3.1 Kesimpulan
16
DAFTAR PUSTAKA
https://daps.bps.go.id/file_artikel/77/arima.pdf
https://fiskal.kemenkeu.go.id/ejournal/index.php/kek/article/view/282
https://www.scribd.com/doc/84239509/Arma-Dan-Arima
17