Rangkuman

Nama : RISMAWATI DUSA

NIM : 413419004
Kelas : B STATISTIKA 2019

MODEL ARIMA
(Metode Box-Jenkins)
Model Auto Regressive Integrated Moving Average (ARIMA) dikembangkan oleh George
E.P Box dan Gwilym M Jenkins (1976), sehingga ARIMA disebut juga metode deret waktu
Box-Jenkins
Model Box-Jenkins ini terdiri dari model Stasioner yaitu Autoregressive (AR), Moving Average
(MA), Autoregressive-Moving Average (ARMA). Dan
Model Nonstasioner yaitu Auto Regressive Integrated Moving Average (ARIMA) .
Proses regresi diri (autoregressive), AR: regresi deret Y t terhadap amatan waktu lampau dirinya
sendiri.
Yt-k untuk k = 1,2,…p.
Y t = β 1 Y t −1 + β 2 Y t −2 + ... + β P Y t −P + e t

1. Regresi diri ordo pertama :

Model regresi diri ordo pertama , AR(1), diberikan oleh:
Y t = β 1 Y t −1 + e t

Sifat- sifat AR (1) yang stasioner adalah :

E(Y t ) = 0

γ 0 = Var(Y t ¿ = σ 2 / (1 - β 2 ¿

γ k = β γ k−1 = β k σ 2(1 - β 2 ¿

ρk = γ k /γ 0

Syarat kestasioneran proses AR(1) ini adalah bahwa |β 1|<1 .

2. Regresi diri ordo kedua

Model regresi diri ordo kedua, AR(1), diberikan oleh:
Y t = β 1 Y t −1 + β 2 Y t −2+ e t
Sifat- sifat AR(2) yag stasioner adalah :
γ k = β 1 γ k−1+ β 2 γ k−1untuk k = 1,2,...

ρk = β 1 ρ k−1+ β 2 ρ k−2 untuk k = 1,2,...

Syarat kestasioner AR(2) : β 1+ β2 < 1, β 2−β 1< 1 dan |β 1|< 1

Proses rataan Bergerak ( Moving Average , MA )

Bentuk umum :
Y t = e t - β 1 et −1 - β 2 et −2 - ... β q et −q

Dengan e didefinisikan sebagai white noise ( innovation)

Proses campuran regresi diri dan rataan bergerak (ARMA(p,q))
Bentuk umum persamaan ARMA (p,q)
Y t = β 1 Y t −1- ...- β p +e t- α 1 e t −1 - ... α p et − p

Model Autoregressive Integrated Moving Avarange (ARIMA)

Persyaratan utama model ini adalah stasioneran data deret waktu jika tidak stasioner maka perlu
di buat stasioner melalui proses diferensi D.Y t = Y t - Y t −1 = Y t - L. Y t = (1-L) Y t jika belum
menghasilkan deret yang stasioner maka dilakukan diferensi tingkat berikut (d kali ) D2.Y t =¿D.
Y t - D. Y t −1

Prosedur Box-Jenkins
1. Identifikasi model
Deteksi masalah stasioner data jika tidak stasioner, lakukan proses diferensi untuk
mendapatkan data stasioner.
Identifikasi model ARIMA melalui autocorrelation function (ACF) dann partial
autocorrelation function (PACF)
2. Estimasi parameter model
Pengujian kelayakan model dengan mencari model terbaik. Model terbaik didasarkan
goodness if fit melauli uji t, F, R2 serta kriteria AIC
3. Evaluasi (diagnosic) model
Lakukan pengujian terhadap residual yang diperoleh. Analisis residual dengan
korelogram melalui ACF dan PACF
4. Prediksi dan peramalan
Melakukan prediksi atau peramalan berdasarkan model terpilih