80
70
60
50
C1
40
30
20
10
1 6 12 18 24 30 36 42 48 54
Index
Gambar 1 menunjukkan titik titik bergerak naik membentuk tren, maka dapat dikatakan pola data
tidak stasioner dalam mean dan varians. Dilakukan differencing pertama sebagai berikut :
Gambar 2. Time Series Plot Setelah Satu Kali Differencing
2
C2
-1
-2
1 6 12 18 24 30 36 42 48 54
Index
Gambar 2 menunjukkan titik titik bergerak di sekitar rata – rata, maka dapat dikatakan pola data telah
stasioner dalam mean ataupun varians.
b. Menentukan plot ACF dan PACF
Gambar 3. Plot ACF
1,0
0,8
0,6
0,4
Autocorrelation 0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Lag
1,0
0,8
0,6
Partial Autocorrelation
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Lag
Gambar 3 dan Gambar 4 menunjukkan bahwa plot ACF terdapat cut off pada lag ke-3 dan pada plot
PACF terdapat cut off pada lag ke-3. Maka model yang dapat terbentuk adalah :
• ARIMA (3,1,3)
• ARIMA (0,1,3)
• ARIMA (3,1,0)
Lag 12 24 36 48
Chi-Square 3,5 12,0 22,9 41,2
DF 6 18 30 42
P-Value 0,741 0,849 0,821 0,506
Nilai p-value berikut lebih dari nilai α, maka dapat diputuskan untuk gagal tolak H0. Maka dapat
disimpulkan bahwa model telah memenuhi asumsi white noise.
Gambar 5. Plot Distribusi Normal Model ARIMA (3,1,3)
95
90
80
70
Percent
60
50
40
30
20
10
1
-4 -3 -2 -1 0 1 2 3 4
Residual
Gambar 5 menunjukkan bahwa titik titik plot berada di sekitar garis normal. Maka dapat
disimpulkan bahwa model ARIMA (3,1,3) telah memenuhi asumsi distribusi normal.
Lag d. 12 24 36 48
Chi-Square 6,0 15,1 25,1 36,9
DF e. 9 21 33 45
P-Value 0,736 0,817 0,835 0,800
f.
Nilai p-value berikut lebih dari nilai α, maka dapat diputuskan untuk gagal tolak H0. Maka
dapat disimpulkan bahwa model telah memenuhi asumsi white noise.
Gambar 6. Plot Distribusi Normal Model ARIMA (0,1,3)
95
90
80
70
Percent
60
50
40
30
20
10
1
-4 -3 -2 -1 0 1 2 3 4
Residual
Gambar 6 menunjukkan bahwa titik titik plot berada di sekitar garis normal. Maka dapat disimpulkan
bahwa model ARIMA (0,1,3) telah memenuhi asumsi distribusi normal.
Lag b. 12 24 36 48
Chi-Square 5,6 13,4 25,4 41,0
DF c. 9 21 33 45
P-Value 0,780 0,896 0,827 0,641
d.
Nilai p-value berikut lebih dari nilai α, maka dapat diputuskan untuk gagal tolak H0. Maka
dapat disimpulkan bahwa model telah memenuhi asumsi white noise.
Gambar 8. Plot Distribusi Normal Model ARIMA (0,1,3)
95
90
80
70
Percent
60
50
40
30
20
10
1
-4 -3 -2 -1 0 1 2 3 4
Residual
Gambar 6 menunjukkan bahwa titik titik plot berada di sekitar garis normal. Maka dapat disimpulkan
bahwa model ARIMA (3,0,1) telah memenuhi asumsi distribusi normal.
Untuk menentukan model terbaik, dapat dilihat pada nilai MS (Mean Square) terkecil. Diantara ketiga
model ARIMA, pada model ARIMA (3,1,0) memiliki nilai MS paling kecil. Maka model terbaik
yang dapat dipilih adalah ARIMA (3,1,0).