Makalah Peramalan Bisnis ARIMA
Makalah Peramalan Bisnis ARIMA
Data stasioner?
1
Paper disampaikan dan didiskusikan pada “Pelatihan Structural Equation Modeling (SEM
dengan Program Amos), Workshop & Seminar Statistik Multivariat”, diselenggarakan oleh
Universitas Muhammadiyah Malang (UMM), di Malang, Jawa Timur, tanggal 1-30 September
2005.
2
Ketua Program Studi Agribisnis, Fakultas Pertanian, Universitas Udayana, Denpasar, Bali.
1
Identifikasi model sementara
Estimasi parameter
Uji diagnosis
Tidak Model memadai?
Ya
Model untuk peramalan
2
4. Klik Save, untuk memunculkan kotak dialog ARIMA:Save. Aktifkan Add to
file pada Create Variables agar variabel-variabel baru yang dihasilkan metodel
ini (seperti variabel prediksi FIT_1 dan ERR_1) langsung ditambahkan pada
file data. Aktifkan pula Predict through dan isi kotak Observation dengan 108
untuk memperoleh nilai prediksi selama 12 bulan (dari 96 data client).
Confidence intervals yang digunakan adalah 95%. Klik Continue, OK.
Parameter Estimate model ARIMA (1,1,1) ditampilkan pada Output1-SPSS
Viewer (Lampiran 2).
5. Tahapan terakhir adalah uji kesesuaian model (model fit), dengan memilih
Graphs pada menu utama, kemudian memilih Time Series dan
Autocorrelations. Pada kotak dialog Autocorrelations, aktifkan
Autocorrelations, tetapi non aktifkan Partial autocorrelations pada Display
serta non aktifkan Difference pada Transform, lalu masukkan Error for client
from ARIMA (ERR_1) ke dalam kotak Variables dan tekan OK. Model
dikatakan sesuai jika statistik Box-Ljung menunjukkan tidak signifikan
(sign.>5%) dan divisualisasinya ditunjukkan oleh ACF dari ERR_1.
3
4
Lampiran 1. Faktor-faktor yang Menjadi Pertimbangan dalam Memilih Metode
Peramalan Kuantitatif
3
Hanke, J.E. & A.G.Reitsch, Business Forecasting (7th Edition), Prentice Hall, New Jersey, 1998.
5
Lampiran 2. Hasil Olahan Model ARIMA dengan SPSS 13
Autocorrelations
Series: client
Box-Ljung Statistic
Autocorrelat
Lag ion Std.Error(a) Value df Sig.(b)
1 -.423 .101 17.501 1 .000
2 .037 .100 17.635 2 .000
3 -.020 .100 17.677 3 .001
4 -.001 .099 17.677 4 .001
5 .026 .099 17.744 5 .003
6 -.073 .098 18.289 6 .006
7 .028 .098 18.369 7 .010
8 .021 .097 18.417 8 .018
9 -.075 .097 19.027 9 .025
10 -.005 .096 19.030 10 .040
11 -.041 .095 19.210 11 .057
12 .176 .095 22.652 12 .031
13 -.122 .094 24.329 13 .028
14 .094 .094 25.330 14 .031
15 -.127 .093 27.202 15 .027
16 -.019 .093 27.242 16 .039
a The underlying process assumed is independence (white noise).
b Based on the asymptotic chi-square approximation.
Parameter Estimates
Correlation Matrix
Non-Seasonal Lags
AR1 MA1 Constant
Non-Seasonal AR1 1.000 .260 0(a)
Lags
MA1 .260 1.000 0(a)
Constant 0(a) 0(a) 1.000
Melard's algorithm was used for estimation.
a The ARMA parameter estimate and the regression parameter estimate are
asymptotically uncorrelated.
Covariance Matrix
Non-Seasonal Lags
AR1 MA1 Constant
Non-Seasonal AR1 .012 .008 0(a)
Lags
MA1 .008 .073 0(a)
Constant 0(a) 0(a) .015
Melard's algorithm was used for estimation.
6
a The ARMA parameter estimate and the regression parameter estimate are
asymptotically uncorrelated.
Autocorrelations
Box-Ljung Statistic
Autocorrelat
Lag ion Std.Error(a) Value df Sig.(b)
1 .045 .101 .202 1 .653
2 .197 .100 4.036 2 .133
3 .119 .100 5.458 3 .141
4 .092 .099 6.318 4 .177
5 .071 .099 6.836 5 .233
6 -.011 .098 6.849 6 .335
7 .037 .098 6.996 7 .429
8 .021 .097 7.045 8 .532
9 -.052 .097 7.335 9 .602
10 -.002 .096 7.335 10 .693
11 .000 .095 7.335 11 .771
12 .135 .095 9.369 12 .671
13 -.072 .094 9.952 13 .698
14 .020 .094 9.999 14 .762
15 -.127 .093 11.868 15 .689
16 -.050 .093 12.161 16 .733
a The underlying process assumed is independence (white noise).
b Based on the asymptotic chi-square approximation.