CONTOH PENERAPAN ARIMA DAN SARIMA

MAKALAH
UNTUK MEMENUHI TUGAS MATA KULIAH
Analisis Deret Waktu
yang dibina oleh Trianingsih Eni Lestari, S.Si, M.Si

Oleh :
Marshalina Ria Jayanti Centeno (180312613028)

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
MEI 2021
 KATA PENGANTAR

Puji syukur kehadirat Allah Subhanallahu Wa Ta’ala tuhan semesta alam atas limpahan rahmat
dan hidayahnya, beserta ridhonya sehingga makalah berjudul “CONTOH PENERAPAN ARIMA
DAN SARIMA” ini dapat selesai pada waktunya. Sholawat dan salam semoga selalu tercurahkan
kepada Nabi Muhammad Sallahu ‘Alaihi Wasallam beserta para keluarganya dan sahabatnya. Makalah
ini dimaksudkan untuk memenuhi tugas mata kuliah Pengendalian Kualitas Statistik. Keberhasilan
makalah ini tidak lepas dari arahan dan bimbingan dari dosen yang bersangkutan pada mata kuliah
pengendalian kualitas statistik.
Penulis menyadari masih terdapat banyak kesalahan dan kekurangan dalam penulisan makalah
ini, untuk itu sangat diharapkan kritik dan saran yang bersifat membangun demi kesempurnaan
makalah ini. Namun demikian, penulis tetap berharap semoga makalah ini bermanfaat bagi pembaca.
A. Pengertian Metode Box-Jenkins
Metode Box Jenkins, yang dikenal dengan Model Autoregressive Intregrated Moving
Average (ARIMA), dikembangkan oleh George Box Jenkins. Metode ARIMA merupakan
metode proyeksi yang merupakan gabungan antara metode pemulusan, metode regresi dan
metode dekomposisi.
Metode ARIMA hanya menggunakan satu variabel sebagai dasar untuk melakukan
proyeksi sehingga dalam model ini tidak ada istilah variabel bebas yang digunakan untuk
memprediksi nilai variabel tergantung. Model ini hanya sepenuhnya menggunakan nilai-nilai
sekarang dan nilai masa lampau sebagai dasar untuk menyusun proyeksi. Oleh karena itu
metode ini akan sangat tepat digunakan untuk menyusun proyeksi jika :
 Data runtut waktu yang diamati bersifat dependen atau berhubungan satu sama lain
secara statistik .
 Hanya sedikit diketahui informasi mengenai variabel independen (bebas) yang dapat
digunakan untuk memproyeksikan nilai variabel dependen (tergantung) .
 Jika mempunyai data runtut waktu yang cukup besar sehingga membentuk runtut
waktu yang cukup panjang .
Dalam bidang keuangan, model ARIMA banyak digunakan untuk memproyeksikan harga
saham, proyeksi harga setahun yang didasarkan pada pola perubahan harga pada masa
lampau.

B. Asumsi Metode Box-Jenkins

Asumsi dari Box-Jenkins adalah bahwa data yang dianalisis bersifat stasioner. Data
dikatakan stasioner jika data tersebut memiliki rata-rata dan variannya relatif konstan dari
waktu ke waktu.
Untuk mengidentifikasi apakah data tersebut termasuk dalam kategori stasioner, acak,
tren dan musiman maka dapat digunakan analisis autokorelasi dan analisis autokorelasi
parsial. Dengan mengamati distribusi koefisien autokorelasi maka pola data dapat
diidentifikasi sebagai berikut .
 nilai autokorelasi pada lag 1 berbeda dengan nol (signifikan) akan tetapi pada time lag
ke 2 dan ke 3tidak berbeda dengan nol (tidak signifikan) maka data tersebut adalah
stasioner .
 Apabila koefisien autokorelasi pada beberapa time lag pertama berbeda dengan nol
(signifikan) maka data tersebut menunjukkan pola tren .
  Apabila koefisien autokorelasi pada beberapa time lag pertama tidak berbeda dengan
nol (tidak signifikan) maka data tersebut menunjukkan pola acak .
 Apabila koefisien korelasi pada beberapa time lag yang mempunyai jarak secara
sistematis berbeda dengan nol (signifikan) maka data tersebut menunjukkan pola
musiman .

C. Analisis Autokorelasi dan Autokorelasi Parsial

Untuk melakukan proyeksi dengan menggunakan analisis Box Jenkins, analisis
autokorelasi dan analisis autokorelasi parsial harus dipahami terlebih dahulu karena kedua
alat analisis tersebut diperlukan untuk mengidentifikasi pola data apakah data stasioner atau
tidak. Auto korelasi parsial digunakan untuk mempermudah identifikasi model ARIMA yang
paling tepat. Autokorelasi parsial digunakan untuk mengukur derajat hubungan antara nilai-
nilai sekarang dengan nilai-nilai sebelumnya pada time lag tertentu, sedangkan time lag yang
lain dianggap konstan.

D. Klasifikasi ARIMA
Model ARIMA dibagi dalam 3 unsur, yaitu: model autoregresif(AR), moving
average(MA), dan Integreted(I). ketiga unsur ini bisa dimodifikasi sehingga membentuk
model baru. misalnya model autoregresif dan moving average (ARMA). namun, apabila mau
dibuat dalam bentuk umumnya menjadi ARIMA(p,d,q). p menyatakan ordo AR, d
menyatakan ordo Integreted dan q menyatakan ordo moving avirage. apabila modelnya
menjadi AR maka model umumnya menjadi ARIMA(1,0,0). untuk lebih jelasnya berikut
dijelaskan untuk masing-masing unsur.

Autoregresif
Bentuk umum dari model autoregresif dengan ordo p (AR(p)) atau model ARIMA(P,0,0)
dinyatakan sebagai berikut:

Maksud dari autoregresif yaitu nilai X dipengaruhi oleh nilai x periode sebelumnya hingga
periode ke-p. jadi yang berpengaruh disini adalah variabel itu sendiri.
Moving average
Bentuk umum dari model moving average dengan ordo q (MA(q)) atau model ARIMA(0,0,q)
dinyatakan sebagai berikut:

Maksud dari moving average yaitu nilai variabel x dipengaruhi oleh error dari varibel x
tersebut.

Integreted
Bentuk umum dari model integreted dengan ordo d (I(d)) atau model ARIMA(0,d,0).
integreted disini adalah menyatakan difference dari data. maksudnya bahwa dalam
membuuat model ARIMA syarat keharusan yang harus dipenuhi adalah stasioneritas data.
apabila data stasioner pada level maka ordonya sama dengan 0, namun apabila stasioner pada
different pertama maka ordonya 1, dst. Model ARIMA dibagi dalam 2 bentuk, yaitu model
ARIMA tanpa musiman dan model ARIMA musiman. model ARIMA tanpa musiman
merupakan model ARIMA yang tidak dipengaruhi oleh faktor waktu musim. bentuk umum
dapat dinyatakan dalam persamaan berikut.

Sedangkan ARIMA musiman merupakan model ARIMA yang dipengaruhi oleh faktor waktu
musim. model ini biasa disebut Season ARIMA(SARIMA). bentuk umum dinyatakan sebagai
berikut.

Model ARIMA dibagi dalam 2 bentuk, yaitu model ARIMA tanpa musiman dan model
ARIMA musiman. model ARIMA tanpa musiman merupakan model ARIMA yang tidak
dipengaruhi oleh faktor waktu musim. bentuk umum dapat dinyatakan dalam persamaan
berikut. Sedangkan ARIMA musiman merupakan model ARIMA yang dipengaruhi oleh
faktor waktu musim. model ini biasa disebut Season ARIMA(SARIMA). bentuk umum
dinyatakan sebagai berikut.

E. Kelebihan dan Kekurangan metode ARIMA

Beberapa kelebihan yang dapat diperoleh dengan menggunakan ARIMA:
1. Merupakan model tanpa teori karena variabel yang digunakan adalah nilai-
nilai lampau dan kesalahan yang mengikutinya.
2. Memiliki tingkat akurasi peramalan yang cukup tinggi karena setelah
mengalami pengukuran kesalahan peramalan mean absolute error, nilainya
mendekati nol.
3. Cocok digunakan untuk meramal sejumlah variabel dengancepat,
sederhana, akurat dan murah karena hanya membutuhkan data variabel
yang akan diramal.
Kekurangan ARIMA adalah :
1. Model arima sudah tidak dapat menampung terjadinya lonjakan atau
penurunan harga yang tajam.
2. Secara teori dan keadaan lapang jarang ada data yang dapat meramalkan
dirinya sendiri. Data deret waktu yang ada saat ini biasanya dipengaruhi
oleh faktor-faktor lain dan isu-isu yang beredar. Misalnya harga minyak
dunia dipengaruhi oleh permintaan dan penawaran akan minyak itu sendiri.
3. Jika digunakan untuk waktu yang lama maka hasil dari peramalannya akan
bersifat konstan
 CONTOH KASUS

A. SARIMA
https://digensia.wordpress.com/2012/08/24/analisa-time-series/

 Time Series Plot

Dari Time series plot menunjukkan bahwa data bersifat musiman
 Uji Kestasioneran dalam rata-rata

Dapat dilihat data grafik trend analysis lebih cenderung turun atau terjadi trend turun, untuk
menstasionerkan dalam rata-rata (mean) maka data harus melalui proses differencing lebih
dahulu
Setelah data melakukan proses differencing satu kali menunjukkan data sudah stasioner
dalam rata-rata. Karena data telah stasioner dalam rata-rata, maka data kemudian diuji
kestasionerannya dalam varian. Pengujian kestasioneran dalam varian dilakukan melalui
transformasi (box-cox).
 Uji Kestasioner an dalam varian

Dari hasil memperlihatkan hasil proses transformasi data dengan Box-Cox Transformation.
Data berstatus sudah stasioner terhadap varian karena nilai Rounded Value pada Box-Cox
plot sudah bernilai 1,00.
 ACF
Jika kita lihat nilai |T | dominasinya sudah < 2, namun pada lag 24,36,48 memiliki nilai > 2.
Inilah tandanya kita harus melakukan differencing musiman dengan cara memasukkan nilai
lag 12. Nilai 12 ini disesuaikan siklus musiman yang terjadi, bisa bernilai triwulan atau
sebagainya. Pada saat melakukan differencing musiman, variable yang digunakan adalah
variabel data diff1. Hasilnya adalah :
Jikaa dilihat dari ciri-ciri yang diperoleh, maka pola ACF adalah cut off
 PCF
  Identifikasi Model
Dari identifikasi model yang telah didapat dari pengolahan data tersebut, praduga yang
diperoleh untuk model peramalan diantaranya yaitu (0, 1, 1)(1, 1, 1)12 , (0, 1, 1)(0, 1, 1)12 , (0,
1, 2)(0, 1, 1)12 , (1, 1, 1)(0, 1, 1)12 , (1, 1, 2)(0, 1, 1)12 , (1, 1, 2)(1, 1, 1)12. Praduga model
sementara ini diperolah dari pengamatan pada plot ACF dan PACF. Selanjutnya akan
dilakukan uji signifikan terhadap pendugaan parameter, pengujian signifikan ini ukur dari p −
value yang didapat, apabila p − value < 0,05 maka dinyatakan signifikan dan apabila p −
value > 0,05 maka dinyatakan tidak signifikan.
Model Parameter p−value Keterangan
SAR 12 0,00 S
(0, 1, 1)(1, 1, 1)12 MA 1 0,00 S
SMA 12 0,00 S
MA 1 0,00 S
(0, 1, 1)(0, 1, 1)12
SMA 12 0,00 S
MA 1 0,00 S
(0, 1, 2)(0, 1, 1)12 MA 2 0,351 TS
SMA 12 0,00 S
AR 1 0,971 TS
(1, 1, 1)(0, 1, 1)12 MA 1 0,00 S
SMA 12 0,00 S
AR1 0,002 S
MA1 0,00 S
(1, 1, 2)(0, 1, 1)12
MA2 0,00 S
SMA12 0,00 S
(1, 1, 2)(1, 1, 1)12 AR 1 0,145 TS
SAR 12 0,977 TS
 MA 1 0,00 S
MA 2 0,001 S
SMA 12 0,00 S
Diperoleh bahwasannya dari semua model yang diuji, terdapat 3 model yang semua
parameternya signifikan atau semua parameter dalam satu model mempunyai p − value < 0,
05 yaitu pada model (0, 1, 1)(1, 1, 1)12 , model (0, 1, 1)(0, 1, 1)12 dan model (1, 1, 2)(0, 1, 1)12
 Uji Asumsi Residual
Pada model yang telah terpilih, selanjutnya akan dilakukan pengujian asumsi residual yaitu
dengan uji white noise. Salah satu uji asumsi residual adalah white noise, uji white noise
dilakukan dengan melihat hasil perhitungan dari uji Ljung-Box, uji asumsi residual white
noise adalah sebagai berikut. Hipotesis, H0 = menenuhi white noise H1 = tidak memenuhi
white noise Nilai signifikan adalah 0,05 dan p − value harus lebih dari dari α yang artinya H0
diterima dan secara otomatis asumsi residual bersifat white noise. Berikut ini adalah hasil dari
uji white noise.
Model Lag p−value Keterangan MSE
12 0,514 S
24 0,982 S
(0, 1, 1)(1, 1, 1)12 0,0256
36 0,080 S
48 0,154 S
12 0,370 S
24 0,553 S
(0, 1, 1)(0, 1, 1)12 0,0311
36 0,389 S
48 0,616 S
12 0,359 S
24 0,623 S
(1, 1, 2)(0, 1, 1)12 0,0314
36 0,491 S
48 0,591 S
Dapat dilihat bahwa pada model model (0, 1, 1)(1, 1, 1) , model (0, 1, 1)(0, 1, 1)12 dan model
12

(1, 1, 2)(0, 1, 1)12 yang telah lolos dalam uji estimasi parameter. Setelah dilakukan uji
lanjutan yaitu uji Ljung-Box, kedua model tersebut dinyatakan signifikan. Kriteria signifikan
didapat apabila nilai p-value pada setiap parameter > 0,05. Namun karena model (0, 1, 1)(1,
1, 1)12 memiliki nilai eror paling kecil, maka model (0, 1, 1)(1, 1, 1)12 adalah model paling
terbaik
 Peramalan
Setelah diperoleh model terbaik yaitu model SARIMA(0,1,1)(1,1,1)12. Persamaan dari
model SARIMA(0,1,1)(1,1,1)12 untuk data Tahun 2000-2010 sebagai berikut :
𝜙𝑝(𝐵)Φ𝑃(𝐵𝑠)(1 − 𝐵)𝑑(1 − 𝐵𝑠)𝐷𝑧𝑡 = 𝜃𝑞(𝐵)Θ𝑄(𝐵𝑠)𝑒𝑡
dimana diperoleh nilai order 𝑝 = 0, 𝑑 = 1, 𝑞 = 1, 𝑃 = 1, 𝐷 = 1, 𝑄 = 1, 𝑆 = 12. Sehingga
diperoleh bentuk umum model ARIMA(0,1,1)(1,1,1)12 sebagai berikut:
𝜙0(𝐵)Φ1(𝐵12)(1 − 𝐵)1(1 − 𝐵12)1𝑧𝑡 = 𝜃1(𝐵)Θ1(𝐵12)𝑒𝑡
(1)Φ1(𝐵12) (1 − 𝐵)(1 − 𝐵12)𝑧𝑡 = 𝜃1(𝐵)Θ1(𝐵12)𝑒𝑡
(1 − Φ1𝐵12)(1 − 𝐵)(1 − 𝐵12)𝑧𝑡 = (1 − 𝜃1 𝐵)(1 − Θ1𝐵12)𝑒𝑡
(1 − Φ1𝐵12 − 𝐵 − 𝐵12+ Φ1𝐵13+ 𝐵13+2 Φ1𝐵12 − 2Φ1𝐵13)𝑧𝑡 = (1 − 𝜃1 𝐵 − Θ1𝐵12 + 𝜃1 Θ1
𝐵13) 𝑒𝑡
𝑧𝑡 − Φ1𝑧𝑡−12 − 𝑧𝑡−1 − 𝑧𝑡−12 + Φ1𝑧𝑡−13 + 𝑧𝑡−13 + 2 Φ1𝑧𝑡−12 – 2 Φ1𝑧𝑡−13 = 𝑒𝑡 −
𝜃1𝑒𝑡−1− Θ1𝑒𝑡−12 + 𝜃1 Θ1𝑒𝑡−13
𝑧𝑡 + Φ1𝑧𝑡−12 − 𝑧𝑡−1 − 𝑧𝑡−12 − Φ1𝑧𝑡−13 + 𝑧𝑡−13= 𝑒𝑡 − 𝜃1𝑒𝑡−1− Θ1𝑒𝑡−12 + 𝜃1 Θ1𝑒𝑡−13

𝑧𝑡 = − Φ1𝑧𝑡−12 + 𝑧𝑡−1 + 𝑧𝑡−12 + Φ1𝑧𝑡−13 − 𝑧𝑡−13− 𝜃1𝑒𝑡−1− Θ1𝑒𝑡−12 + 𝜃1 Θ1𝑒𝑡−13 + 𝑒𝑡

Dari hasil uji signifikansi parameter, diperoleh nilai koefisien M𝐴 1 = 1,009, 𝑆𝐴𝑅 12 =
0,3980 dan 𝑆𝑀𝐴 12 = 0,8847. Nilai koefisien di atas selanjutnya akan disubstitusikan
dalam model SARIMA(0,1,1)(1,1,1)12 untuk memperoleh model peramalan. Setelah
dilakukan substitusi terhadap nilai koefisien ke dalam model, diperoleh hasil sebagai
berikut:
𝑧𝑡 = − 0,3980 𝑧𝑡−12 + 𝑧𝑡−1 + 𝑧𝑡−12 + 0,3980 𝑧𝑡−13 − 𝑧𝑡−13− 1,009𝑒𝑡−1− 0,8847 𝑒𝑡−12 +
(1,009) (0,8847) 𝑒𝑡−13 + 𝑒𝑡
𝑧𝑡 = − 0,3980 𝑧𝑡−12 + 𝑧𝑡−1 + 𝑧𝑡−12 + 0,3980 𝑧𝑡−13 − 𝑧𝑡−13− 1,009𝑒𝑡−1− 0,8847 𝑒𝑡−12 +
(0,8926) 𝑒𝑡−13 + 𝑒𝑡
dimana,
𝑧𝑡 : data hasil peramalan pada periode ke 𝑡
𝑧𝑡−𝑖 : data hasil peramalan pada periode ke 𝑡 − 𝑖, dengan 𝑖=1,2,3,4, … , 𝑖
𝑒𝑡 : nilai error hasil peramalan pada periode ke 𝑡.
𝑒𝑡−1 : nilai error hasil peramalan pada periode ke 𝑡 − 𝑖, dengan 𝑖= 1,2,3,4, … , 𝑖.
Langkah selanjutnya adalah perhitungan untuk memperoleh data ramalan 12 bulan yang
akan datang. Berikut adalah hasil peramalan dari model SARIMA(0,1,1)(1,1,1)12 :
 95% Limits
Period Forecast Lower Upper Actual
133 2,61027 2,36342 2,85713  
134 2,77754 2,44546 3,10961  
135 2,69481 2,29530 3,09432  
136 2,77475 2,31764 3,23186  
137 2,89553 2,38731 3,40374  
138 2,95274 2,39810 3,50737  
139 2,99185 2,39439 3,58930  
140 3,08863 2,45122 3,72604  
141 3,10013 2,42513 3,77513  
142 3,11672 2,40611 3,82732  
143 3,10257 2,35806 3,84708  
144 2,83125 2,05432 3,60819  

Dilihat dari peramalan menggunakan model (0, 1, 1)(1, 1, 1)12 didapatkan 12 bulan
selanjutnya pada tahun 2011 adalah

Bulan Peramalan
Januari 2,61027
Februari 2,77754
Maret 2,69481
April 2,77475
Mei 2,89553
Juni 2,95274
Juli 2,99185
Agustus 3,08863
September 3,10013
Oktober 3,11672
November 3,10257
Desember 2,83125
ARIMA
Non Musiman
http://digilib.uinsby.ac.id/42263/2/Pramesthi%20Utomo_H72216040.pdf
Mar Apri
Jan Feb Mei Juni Juli Agt Sept Okt Nov Des
et l
201 1689 1489 1697 1644 1752 1726 1813 1484 1692 1646 1617 1681
1 1 0 8 1 2 5 2 6 1 1 9 1
201 1628 1549 1709 1674 1777 1806 1830 1705 1636 1712 1577 1610
2 3 0 0 6 1 2 9 6 8 7 3 4
201 1490 1459 1582 1600 1611 1730 2024 1942 1973 2053 1991 2141
3 0 4 6 0 3 1 5 3 8 4 9 7
201 2109 1999 2283 2190 2298 2384 2250 2319 2359 2492 2435 2627
4 2 8 6 8 8 0 0 9 3 3 6 5
201 2467 2279 2726 2656 2791 2756 2761 2779 2754 2871 2766 2983
5 6 0 7 5 0 2 2 6 9 8 9 1
201 2835 2651 2861 2843 3070 2915 2883 2958 2951 3026 2969 3215
6 8 0 7 5 3 9 1 8 6 3 0 0
201 3094 2734 3217 3150 3374 3072 3431 3379 3249 3507 3436 3680
7 9 2 0 2 5 3 0 1 8 0 1 7
201 3471 3127 3587 3575 3548 3303 3680 3519 3450 3623 3529 3796
8 7 8 5 4 2 0 0 0 4 6 8 5
201 3512 3189 3575 3580 3510 3509 3790 3518 3522 3644 3587 3746
9 2 9 1 9 2 0 6 9 1 8 7 3

 Time Series Plot

 Uji Kestasioner an dalam varian

Jika dilihat nilai Rounded Value atau λ bernilai 0, yang artinya data belum stasioner dalam
variansi, jadi langkah yang harus dilakukan adalah mentransformasikan data tersebut, berikut
adalah plot Box-Cox pada data jumlah penumpang kereta api yang telah ditransformasi :

Karena nilai rounded value atau λ pada plot Box-Cox adalah sama dengan 1. Maka, data
sudah stasioner terhadap variansi setelah dilakukan transformasi.
 Uji Kestasioner an dalam rata-rata
Dapat dilihat data grafik trend analysis lebih cenderung naik atau terjadi trend anik, untuk
menstasionerkan dalam rata-rata (mean) maka data harus melalui proses differencing lebih
dahulu

Setelah data melakukan proses differencing satu kali menunjukkan data sudah stasioner
dalam rata-rata. Karena data telah stasioner dalam rata-rata, maka kita lanjutkan ke ACF dan
PCF.
  ACF & PCF

Jika dilihat dari ciri-ciri yang diperoleh, maka pola ACF adalah cut off karena cut off di lag
ketiga.

Jika dilihat dari ciri-ciri yang diperoleh, maka pola PCF adalah dying down karena cut off di
lag kelima.
  Identifikasi model
Jika ACF menunjukkan pola cut off, dan PACF menunjukkan dying down, maka dapat
dikatakan model ARIMA berupa MA murni. Model ARIMA (p,d,q) karena model pada data
adalah MA murni. Selanjutnya akan dilakukan uji signifikan terhadap pendugaan parameter,
pengujian signifikan ini ukur dari p − value yang didapat, apabila p − value < 0,05 maka
dinyatakan signifikan dan apabila p − value > 0,05 maka dinyatakan tidak signifikan.
Model Parameter p−value Keterangan MSE
(0,1,1) MA 1 0,000 S 436,907
MA 1 0,000 S
(0, 1, 2) 386,856
MA 2 0,020 S
AR 1 0,000 S
(1, 1, 1) 327,390
MA 1 0,000 S
AR 1 0,000 S
(1,1,2) MA 1 0,089 TS 409,589
MA 2 0,000 S
Dapat disimpulkan bahwa ARIMA (0,1,1) , (0,1,2), dan (1,1,1) memenuhi signifikan, dan
karena ARIMA (1,1,1) memiliki nilai MSE lebih kecil maka praduga model untuk data diatas
menggunakan ARIMA (1,1,1)
 Uji Normalitas Residual

Karena P-Value > 0,05, maka hasil residual ARIMA (1,1,1) berdistribusi normal
 Peramalan
Pesamaan model peramalan dari ARIMA (1,1,1) adalah sebagai berikut :
Y t =( 1+ϕ1 ) Y t −1+ et −θ1 et −1

Dari hasil uji signifikansi parameter, diperoleh nilai koefisien 𝐴𝑅 1 = -0,497, dan 𝑀𝐴 1 =
1,0196. Nilai koefisien di atas selanjutnya akan disubstitusikan dalam model ARIMA
(1,1,1) untuk memperoleh model peramalan. Setelah dilakukan substitusi terhadap nilai
koefisien AR dan MA ke dalam model, diperoleh hasil sebagai berikut:
Y t =( 1−0,497 ) Y t −1+ et −1,0196 e t−1

dengan
Y𝑡 : hasil ramalan data ke 𝑡
e𝑡 : nilai kesalahan atau sisaan pada saat 𝑡
e𝑡−1 : nilai kesalahan atau sisaan pada saat 𝑡 − 1
Y𝑡−1 : data asli (belum mengalami transformasi) pada saat ke 𝑡 − 1
Langkah selanjutnya adalah perhitungan untuk memperoleh data ramalan 12 bulan yang
akan datang. Berikut adalah hasil peramalan dari model ARIMA (1,1,1) :

95% Limits
Period Forecast Lower Upper Actual
109 36880,3 34039,2 39721,5  
110 37168,6 34224,7 40112,4  
111 37350,4 34233,7 40467,2  
112 37545,2 34274,2 40816,3  
113 37738,5 34319,0 41158,0  
114 37931,9 34370,3 41493,6  
115 38125,4 34427,0 41823,7  
 116 38318,8 34488,6 42148,9  
117 38512,2 34554,6 42469,7  
118 38705,6 34624,6 42786,6  
119 38899,0 34698,2 43099,9  
120 39092,5 34775,1 43409,8  

Dilihat dari peramalan menggunakan model (1,1,1) didapatkan 12 bulan

selanjutnya pada tahun 2019 adalah

Bulan Peramalan
Januari 36880
Februari 37168
Maret 37350
April 37545
Mei 37738
Juni 37931
Juli 38125
Agustus 38318
September 38512
Oktober 38705
November 38899
Desember 39092