Metode ARIMA

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

The Power of PowerPoint - thepopp.com

 Metode ARIMA
SLIDE 3

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

The Power of PowerPoint - thepopp.com

 Metode ARIMA
SLIDE 4

Ciri-ciri ACF dan PACF model ARIMA (p,d,q)

Model ACF PACF

MA (1) Beda nyata pada lag 1
MA (2) Beda nyata pada lag 1 dan 2
MA (q) Beda nyata pada lag 1 – q
AR (1) Turun secara eksponensial
(gelombang sinus)
AR (2) Turun secara eksponensial
(gelombang sinus)
AR (p) Turun secara eksponensial
(gelombang sinus)
ARMA (1,1) Turun secara eksponensial
Turun secara eksponensial
Turun secara eksponensial
(gelombang sinus)
Turun secara eksponensial
Beda nyata pada lag 1
Beda nyata pada lag 1 dan 2
Beda nyata pada lag 1 – p
Turun secara eksponensial

The Power of PowerPoint - thepopp.com

 Latihan Soal
SLIDE 5

Dengan menggunakan data pada praktikum 4:

1. Tentukan model ARIMA terbaik untuk data tersebut!
2. Tuliskan secara lengkap model ARIMA untuk data tersebut!
3. Ujilah apakah taksiran parameter model yang diperoleh tersebut signifikan berbeda
dari nol dengan tingkat keyakinan 95%! Apa kesimpulan anda?
4. Lakukan pemeriksaan diagnostik (diagnostic checking) untuk menguji apakah sisa
sudah memenuhi syarat cuku (residual white noise)! Jelaskan kesimpulan anda

The Power of PowerPoint - thepopp.com

 Langkah Kerja
SLIDE 6
1. Masukkan data ke dalam minitab.
2. Buat plot data. Ikuti langkah kerja pada praktikum 4 untuk menstasionerkan data
3. Jika data sudah stasioner, langkah selanjutnya adalah membuat plot ACF dan PACF
4. Untuk membuat plot ACF, klik menu Stat > Time Series > Autocorrelation sehingga akan muncul tampilan seperti
gambar berikut:

The Power of PowerPoint - thepopp.com

 Langkah Kerja
SLIDE 7
5. Pada kotak Series masukkan data. Plih Default number of lags (atau kalau ingin menampilkan ACF sesuai
dengan jumlah lag yang diinginkan, pilih Number of lags kemudian tuliskan jumlah lag yang diinginkan).
6. Untuk Store ACF, Store t statistics, Store Ljung_Box Q Statistics boleh dicentang boleh tidak (opsional), karena
sudah ada pada output minitab.
7. Untuk membuat plot PACF, klik menu Stat > Time Series > Partial Autocorrelation sehingga akan muncul
tampilan seperti gambar berikut:

The Power of PowerPoint - thepopp.com

 Langkah Kerja
SLIDE 8
8. Langkah selanjutnya sama dengan membuat plot ACF.
9. Untuk menentukan model ARIMA dari data, amati plot ACF dan plot PACFnya. Jika cut off (beda nyata) pada lag 1
di ACF dan dies down (turun secara eksponensial) pada PACF maka model tersebut adalah model MA (1), dst.
10. Apabila model ARIMA sudah didapatkan (misal: ARIMA (1,1,1), klik menu Stat > Time Series > ARIMA sehingga
akan muncul tampilan seperti gambar berikut:

The Power of PowerPoint - thepopp.com

 Langkah Kerja
SLIDE 9
11. Pada kotak Series masukkan data.
12. Dibawah Nonseasonal di kanan Autoregressive masukkan jumlah lag yang cut off pada PACF, di kanan
Difference masukkan jumlah ordo differencing, dan dikanan Moving Average jumlah lag yang cut off pada ACF.
13. Karena data telah diselisihkan, klik off kotak Include constant term in model.
14. Klik Forecasts, untuk meramalkan dua periode ke depan tempatkan 2 di kanan Lead: Klik OK.
15. Klik Storage, berikan centang pada Residual. Klik OK.
16. Untuk menghitung autokorelasi residual, ulangi langkah 4 dengan menggunakan RES1 sebagai series.
17. Lakukan analisis pada output yang dihasilkan!

The Power of PowerPoint - thepopp.com

Thank You!