PERAMALAN BISNIS DENGAN METODE BOX-JENKINS (ARIMA)1

Oleh: Dwi Putra Darmawan2

Peramalan bisnis dengan metode Box-Jenkins, yang sering disebut dengan model
ARIMA (Autoregressive Integrated Moving Average) dikembangkan oleh George
Box & Gwilym Jenkins. Model ARIMA sebenarnya merupakan curve fitting,
yakni sebuah metode untuk mencari pola yang paling cocok untuk data time
series. Dengan demikian, model ARIMA ini menggunakan data masa lalu dan
masa sekarang untuk membuat peramalan jangka pendek (short terms) secara
akurat. Hal seperti ini dikatakan sebagai: “let the data speak by themselves”.
Secara teoritis, metode Box-Jenkins ini merupakan metode yang sangat canggih
untuk melakukan peramalan jangka pendek. Hasil peramalan akurat yang
dihasilkan metode ini akan membantu manajer dalam membuat perencanaan
strategis.
Model ARIMA tidak mensyaratkan suatu pola data tertentu agar model dapat
bekerja dengan baik. Artinya, model ini dapat dipakai untuk semua tipe pola data
karena metode Box-Jenkins ini menggunakan asumsi bahwa data input adalah
data stasioner (bukan data asli). Bila data tidak stasioner, perlu ditransformasi
terlebih dahulu dengan metode pembedaan (differencing), yakni dengan cara
mengurangkan data suatu periode tertentu dengan data periode sebelumnya. Pada
umumnya, sebuah data bisnis akan menjadi stasioner setelah dilakukan proses
pembedaan pertama (difference =1). Model ini akan bekerja lebih baik jika data
time series yang digunakan bersifat dependen. Tatacara pemilihan metode
peramalan kuantitatif yang tepat, termasuk model ARIMA disajikan pada
Lampiran 1. Faktor-faktor yang dipertimbangkan dalam tabel itu adalah pola data
(stasioner, trend, musim, dam siklus), horizon waktu (jangka pendek, menengah
dan panjang), tipe model (time series dan causal), serta kebutuhan minimum data
(jumlah variabel dan panjang musim) (Lampiran 1).
Secara umum, model ini dirumuskan sebagai ARIMA (p,d,q). dalam hal ini, p =
derajat autoregressive (AR), d = derajat difference, dan q = derajat moving
average (MA). Model AR adalah model yang menggambarkan bahwa variabel
dependen dipengaruhi oleh variabel dependen pada periode-periode sebelumnya
(time lag dari variabel dependen sebagai variabel independen), sedangkan pada
model MA, yang merupakan variabel independen adalah nilai residu (error) pada
periode sebelumnya. Model AR dan model MA dapat dikombinasikan untuk
menghasilkan model ARIMA. Bentuk umum model ARIMA adalah sebagai
berikut: Yt = Ф0 + Ф1Yt-1 + Ф2Yt-2 + … + ФpYt-p - ω1εt-1 - ω2εt-2 -…- ω1εt-1 +ut.
Model ARIMA dianggap memadai untuk model peramalan jika koefisien
autocorrelations dari residu berbagai time lag tidak signifikan (sign.>5%).
Langkah-langkah metode Box-Jenkins digambarkan seperti skema berikut.

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

Langkah-langkah analisis metode Box-Jenkins (model ARIMA) dengan SPSS 13

sebagai berikut.

1. Buka file Arima.sav yang telah disiapkan sebelumnya dan lakukan

transformasi data agar menjadi stasioner dengan cara berikut: pilih menu
Graphs, Time series dan Autocorrelations, pada kotak dialog Transform,
aktifkan Difference dan ketik angka 1, pada kotak dialog Display, aktifkan
Autocorrelations dan Partial Autocorrelation. Kotak dialog Autocorrelations
akan tampak sebagai berikut. Kemudian klik OK.

2. Perhatikan signifikansi pada statistik Box-Ljung, ACF (Autocorrelations

Function) dan Partial ACF, jika sebagian besar nilai sign.>5% (menunjukkan
tidak signifikan), maka data sudah stasioner, sehingga dapat digunakan
sebagai input analisis model ARIMA.
3. Pada menu utama, pilih Analyze, Time Series, dan ARIMA, maka akan
muncul kotak dialog ARIMA. Masukkan variabel client ke dalam kotak
Dependent, lalu pada Model, aktifkan Include constant in model, dan isi kotak
p, d, q masing-masing dengan angka 1, sehingga tampak seperti pada kotak
dialog berikut.

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

Metode Pola Horizon Tipe Kebutuhan Minimal

Data Waktu Model Data
Non Musiman
Musiman
Box-Jenkins ST,T,S,C S TS 24 3*L
Naif ST,T,S S TS 1
Rerata Sederhana ST S TS 30
Rerata Bergerak ST S TS 4-20
Pemulusan Eksponensial ST S TS 2
Pemulusan Eksponensial T S TS 3
Linier
Pemulusan Eksponensial T S TS 4
Kuadratik
Pemulusan Eksponensial S S TS 2*L
Musiman
Adaptive Filtering S S TS 5*L
Regresi Sederhana T I C 10
Regresi Berganda C,S I C 10*V
Dekomposisi Klasik S,T S TS 5*L
Model Trend T I,L TS 10
Eksponensial
S-Curve Fitting T I,L TS 10
Gompertz Model T I,L TS 10
Growth Curve T I,L TS 10
Census II S,T S TS 6*L
Leading Indicators C S C 24
Model Ekonometrika C S C 30
Regresi Berganda Time S,T I,L C 6*L
Series
Sumber: Henke & Reitsch (1998)3
Keterangan:
a. Pola data : ST=stasioner, T=Trend, S=musiman, C=siklus
b. Horizon waktu: S=jangka pendek, I=jangka menengah, L=jangka panjang
c. Tipe model: TS=time series, C=causal
d. Kebutuhan minimal data: L=panjang musim, V=jumlah Variabel

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

Estimates Std Error t Approx Sig

Non-Seasonal AR1 .276 .110 2.503 .014
Lags
MA1 .996 .270 3.688 .000
Constant .559 .121 4.630 .000
Melard's algorithm was used for estimation.

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

Series: Error for client from ARIMA, MOD_11 CON

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.