MAKALAH EKONOMETRIKA II

“UNIVARIATE DAN ARIMA DALAM MODEL ARMA”

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)

PRODI ILMU EKONOMI PEMBANGUNAN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS JAMBI
2021
 KATA PENGANTAR

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.

Jambi, Februari 2021

Kelompok 4 (empat)

i
 DAFTAR ISI

KATA PENGANTAR i

DAFTAR ISI ii

BAB I PENDAHULUAN

1.1 Latar Belakang………………………………………….……………... 1

1.2 Rumusan Masalah………………………………………………………2
1.3 Tujuan Makalah………………………………………………………... 2

BAB II PEMBAHASAN

2.1 Pengertian ARIMA ……...................................……………………….. 3

2.2 Model Matematis ARIMA………………………............…………….. 5
2.3 Pengertian ARMA…............................................................................... 12
2.4 Langkah – Langkan Pembentukan Model ARMA…………………….. 14
BAB III PENUTUP 16

DAFTAR PUSTAKA 17

ii
 BAB I

PENDAHULUAN
1.1 Latar Belakang

Runtun waktu merupakan serangkaian pengamatan terhadap suatu variabel yang

diamati dari waktu ke waktu dan dicatat secara berurutan menurut urutan kejadiannya dan
interval waktu yang tetap (Walpole, 1986).Menurut John (2005) runtun waktu merupakan
sekumpulan data hasil observasi secara teratur dari waktu ke waktu.Berdasarkan sejarah
nilai observasinya, runtun waktu dibagi menjadi dua yaitu runtun waktu deterministik dan
stokastik.Runtun waktu deterministik adalah runtun waktu yang keadaan dimasa datang
dapat diramalkan secara pasti dan tidak memerlukan penyelidikan lebih lanjut. Sedangkan
runtun waktu stokastik adalah runtun waktu dimana observasi yang lalu hanya dapat
menunjukkan struktur probabilistik keadaan yang akan datang suatu runtun waktu
(Soejoeti, 1987).

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

1.2.1 Apa Yang Dimaksud Dengan ARIMA ?

1.2.2 Bagaimana Model Matematis ARIMA ?
1.2.3 Apa Yang Dimaksud Dengan ARMA ?
1.2.4 Apa Saja Langkah-Langkah Pembentukan Model ARMA ?

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

2.1 Pengertian ARIMA

Metode Autoregressive Integrated Moving Average atau sering disingkat ARIMA

yang biasa disebut dengan metode Box-Jenkins merupakan metode yang dikembangkan
oleh George Box dan Gwilym Jenkins pada tahun 1970. ARIMA adalah model
Autoregressive Moving Average (ARMA) yang tidak stasioner. Penggunaan metode
ARIMA dalam peramalan jangka pendek sangat tepat dan akurat. Sedangkan untuk
peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya nilai peramalan
akan cenderung konstan untuk periode yang cukup panjang.

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.

ARIMA sendiri adalah gabungan dari beberapa pemodelan univariate. ARIMA

menggabungkan model AR (Autoregressive), MA (Moving Average), ARMA (AR dan
MA), dan model I (Integrated).

Model AR (Autoregressive) adalah model matematika yang menghubungkan

variabel terikat di suatu saat t (Yt) dengan variabel bebas Y di saat t-1 sampai t-p ( Y t −1 ,
Y t −2,…,Y t − p). Secara umum, untuk proses Autoregressive sampai dengan p-lag, ditulis:

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:

Y t = m + α 1 Y t −1 + α 2 Y t −2+…+ Y t − p+ β 0 ε t + β 1 ε t−1+ β 1 ε t−2+…+ β q ε t −q

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.

SKEMA PENDEKATAN BOX JENKINS

Stasioneritas dan Nonstasioneritas

Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat
nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan
dengan deret berkala yang stasioner.
Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Data
secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi

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.

Klasifikasi model ARIMA

Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model

autoregressive (AR), moving average (MA), dan model campuran ARIMA (autoregresive
moving average) yang mempunyai karakteristik dari dua model pertama.

1) Autoregressive Model (AR)

Bentuk umum model autoregressive dengan ordo p (AR(p)) atau model
ARIMA (p,0,0) dinyatakan sebagai berikut:
X t  '1 X t 1  2 X t 2  ...   p X t  p  et [0]

dimana: ' = suatu konstanta

 p = parameter autoregresif ke-p

et = nilai kesalahan pada saat t
2) Moving Average Model (MA)
Bentuk umum model moving average ordo q (MA(q)) atau ARIMA (0,0,q)
dinyatakan sebagai berikut:

X t  'et  1et 1   2 et 2  ...   q et k

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

Musiman dan Model ARIMA

Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam selang

waktu yang tetap. Untuk data yang stasioner, faktor musiman dapat ditentukan
dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga time-lag yang
berbeda nyata dari nol. Autokorelasi yang secara signifikan berbeda dari nol
menyatakan adanya suatu pola dalam data. Untuk mengenali adanya faktor musiman,
seseorang harus melihat pada autokorelasi yang tinggi.

Untuk menangani musiman, notasi umum yang singkat adalah:

7
 ARIMA (p,d,q) (P,D,Q)S

Dimana (p,d,q) = bagian yang tidak musiman dari model

(P,D,Q) = bagian musiman dari model
S = jumlah periode per musim

Identifikasi

Proses identifikasi dari model musiman tergantung pada alat-alat statistik

berupa autokorelasi dan parsial autokorelasi, serta pengetahuan terhadap sistem (atau
proses) yang dipelajari.

Penaksiran Parameter

Ada dua cara yang mendasar untuk mendapatkan parameter-parameter tersebut:

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).

b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian

membiarkan program komputer memperhalus penaksiran tersebut secara iterati

8
Pengujian Parameter Model

1. Pengujian masing-masing parameter model secara parsial (t-test)

2. Pengujian model secara keseluruhan (Overall F test)

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:

Menyebar secara Khi Kuadrat (  )

2

dengan derajat bebas

(db)=(k-p-q-P-Q) dimana: n’
= n-(d+SD)
d = ordo pembedaan bukan faktor musiman
D = ordo pembedaan faktor musiman
S = jumlah periode per
musim m = lag waktu
maksimum
rk = autokorelasi untuk time lag 1, 2, 3, 4,..., k
Kriteria pengujian:
Jika Q  
2
( ,db) , berarti: nilai error bersifat random (model dapat diterima).

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:

dimana: T = banyaknya periode peramalan/dugaan.

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:

(1  B)(1  B12 ) Xt  (1  1 B)(1  1 B12 )e

t

Tetapi untuk menggunakannya dalam peramalan mengharuskan dilakukan suatu

penjabaran dari persamaan tersebut dan menjadikannya sebuah persamaan regresi yang
lebih umum. untuk model diatas bentuknya adalah:

X X X
t t 1 t 12
 X t 13  et  1et 1  1et 12  11et 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  11et 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

value), bukan nilai-nilai masa lalu yang telah diketahui.

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.

2.3 Pengertian ARMA

Model Autoregressive Moving Average (ARMA) adalah salah satu model

yang sangat populer dan sering digunakan dalam pemodelan data runtun waktu.
Model ARMA merupakan campuran model Autoregressive yang mengasumsikan
data sekarang dipengaruhi oleh data sebelumnya dan Moving Average yang
mengasumsikan data sekarang dipengaruhi oleh nilai residual data sebelumnya.
Sedangkan runtun waktu adalah susunan observasi yang dicatat berurut berdasarkan
waktu. Model ARMA diperkenalkan oleh George Edward Pelham Box dan Gwilym
Meirion Jenkins (1976).Oleh karena itu pembentukan model ARMA juga sering
disebut metode runtun waktu Box-Jenkins. Pada data runtun waktu ekonomi
seringkali terjadi perubahan struktur yang diakibatkan oleh krisis keuangan, perang
dan perubahan kebijakan pemerintah. Perubahan struktur adalah perubahan pola yang

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).

Model TAR dan SETAR memungkinkan adanya pergeseran model seiring

terjadinya perubahan pola pada data runtun waktu. Namun model TAR dan SETAR
tidak mempertimbangkan peluang untuk bertahan dalam satu model atau berpindah
ke model lainnya. Hamilton (1989) memperkenalkan Markov Switching
Autoregressive, pada model Markov Switching Autoregressiveselain dapat
menjelaskan perubahan struktur, model ini juga mempertimbangkan peluang untuk
bertahan pada satu model atau berpindah ke model yang lain.Perubahan struktur pada
data ekonomi misalnya karena krisis keuangan dapat terulang kembali di masa depan
dan tidak diketahui kapan akan terjadi lagi. Berdasarkan data masa lalu dengan model
Markov Switching Autoregressive dapat diketahui berapa peluang dari keadaan
normal berubah ke keadaan krisis ataupun sebaliknya, yang sangat berguna salah
satunya untuk sistem peringatan dini.

Perubahan pola pada data dalam Markov Switching Autoregressive dianggap

dipengaruhi oleh peubah acak diskrit tak teramati St yang biasa disebut state atau
regime, dimana peubah acak diskrit St diasumsikan mengikuti rantai Markov orde
pertama. Markov Switching Autoregressive merupakan penggabungan model
Autoregressive dengan rantai Markov. Rantai Markov adalah suatu metode yang
mempelajari sifat-sifat suatu variabel pada masa sekarang yang didasarkan pada sifat-
sifatnya di masa lalu dalam usaha menaksir sifat-sifat variabel tersebut di masa yang
akan datang (Siagian, 2006). Suatu rantai Markov dikatakan berorde satu jika nilai
suatu state pada periode tertentu hanya bergantung pada state satu periode
sebelumnya. Penerapan model Markov Switching Autoregressive telah dilakukan
pada beberapa data ekonomi seperti Groos National Product oleh Hamilton (1989),
Composite index oleh Leslie (2001), Exchange rate oleh Masoud (2012).

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.

2.4 Langkah-Langkah Pembentukan Model ARMA

Pembentukan model ARMA Pada pembentukan model ARMA dilakukan dengan

langkah-langkah sebagai berikut:

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

Runtun waktu (time series) pada dasarnya merupakan data pengukuran

yang diambil secara kronologis dalam kurun waktu tertentu (Lutkepol, 2005).
Salah satu Model runtun waktu yang sering digunakan adalah ARIMA
(Autoregressive Integrated Moving Average). Model runtun waktu ARIMA
merupakan alat bantu dalam melakukan peramalan yang menggunakan teknik
korelasi pada suatu deret waktu. Dasar pemikiran dari model ARIMA adalah
pengamatan waktu sekarang tergantung pada satu atau beberapa pengamatan
sebelumnya.

Model ARIMA terdiri dari tiga proses yaitu autoregressive, integrated

dan moving average dengan masing-masing memiliki order (p,d,q). Pada
prakteknya, perhitungan ARMA sering kali diperlakukan sebagai model
ARIMA dengan tidak diperlukannya proses pembedaan (differencing) karena
data sudah stasioner, sehingga model ARMA sering dituliskan sebagai model
ARIMA (p,0,q) atau ARMA(p,q).

16
 DAFTAR PUSTAKA

Pemodelan Data Penjualan Mobil Menggunakan Model Autoregressive Moving

Average Berdasarkan Metode Bayesian Jurnal Sains dan Edukasi Sains Vol.2,
No.1, Februari 2019: 26-35 https://doi.org/10.24246/juses.v2i1p26-35

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