Menggunakan Minitab
Fadhilah Fitri, S.Si., M.Stat
Metode ARIMA
SLIDE 2
Metode ARIMA sangat baik digunakan untuk mengkombinasikan pola trend, faktor musim
dan faktor siklus dengan lebih komprehensif. Disamping itu model ini mampu meramalkan
data historis dengan kondisi yang sulit dimengerti pengaruhnya terhadap data secara
teknis. Salah satu kunci merumuskan model ARIMA adalah nilai autokorelasi dan
autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Disamping itu, data
yang dapat dimodelkan dengan model ARIMA haruslah stasioner nilai tengah dan
stasioner ragam.
Langkah yang dilakukan untuk identifikasi model awal dari ARIMA adalah:
1. Buat plot data berdasarkan periode pengamatan (series). Jika data berfluktuasi pada
garis lurus dengan tingkat fluktuasi yang relatif sama maka data tersebut sudah
stasioner. Jika tidak stasioner lakukan diferensiasi
2. Jika series telah stasioner, buat grafik autokorelasi (ACF) dan autokorelasi parsial
(PACF) dari data series. Lihat pola untuk menentukan model ARIMA awal.
3. Lakukan permodelan ARIMA (p,d,q) sesuai dengan model awal yang ditetapkan pada
langkah ke dua. Kemudian verifikasi kelayakan model yang dihasilkan.
4. Lakukan overfitting, yaitu duga model dengan nilai p, d, q lebih besar dari yang
ditentukan pada model awal.
5. Tetapkan model yang paling baik dengan melihat MSE. Peramalan dilakukan dengan
menggunakan model yang terbaik