TUGAS 11

METODE STATISTIKA AKTUARIA

OLEH :
BERLIANA PERMATA FIRENZ
18030005
DOSEN PENGAMPU :
DINA AGUSTINA, S.Pd., M.Sc.

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI PADANG
2021
 METODE ARIMA

Metode Autoregressive Integrated Moving Average (ARIMA) yang biasa disebut dengan
metode Box-Jenkins merupakan metode yang dikembangkan oleh George Box dan Gwilym
Jenkins pada tahun 1970. Metode ARIMA (Autoregressive Integrated Moving Average) adalah
metode yang digunakan untuk peramalan jangka pendek. Penggunaan metode ARIMA dalam
peramalan jangka pendek sangat tepat digunakan karena metode ARIMA memiliki ketepatan
yang sangat akurat. Dan juga menentukan hubungan statistik yang baik antar variabel yang akan
diramal dengan nilai yang digunakan untuk peramalan. Sedangkan untuk peramalan jangka
panjang ketepatan peramalannya kurang baik. Biasanya nilai peramalan akan cenderung konstan
untuk periode yang cukup panjang.
Model Autoregresiive Integrated Moving Average (ARIMA) adalah model yang secara
penuh mengabaikan variable independen dalam membuat peramalan. Nilai yang digunakan oleh
ARIMA untuk peramalan yaitu menggunakan nilai masa lalu dan sekarang dari variable
dependen untuk menghasilkan peramalan jangka pendek yang akurat. Kelompok model yang
termasuk dalam metode Autoregressive Integrated Moving Average (ARIMA) yaitu :
• Autoregresive (AR)
Model Autoregresive (AR) diperkenalkan pertama kali oleh Yule padatahun 1926 dan
kemudian dikembangkan oleh Walker pada tahun 1931. Asumsi yang dimiliki oleh model ini
adalah data periode sekarang dipengaruhi oleh data pada periode sebelumnya. Disebut model
Autoregressive dikarenakan pada model ini diregresikan terhadap nilai-nilai sebelumnya dari
variable itu sendiri. Model Autoregressive dengan ordo p disingkat menjadi AR(p) atau
ARIMA (p,0,0) :
Yt = μ′ + ϕ1 Yt−1 + ϕ2 Yt−2 + ⋯ + ϕp Yt−p + et
Dengan :
μ′ = suatu konstanta
Yt−p= nilai pengamatan periode t-p
ϕp = parameter autoregresif ke-p
et = nilai kesalahan pada saat t
• Moving Average (MA)
Model Moving Average (MA) pertama kali diperkenalkan oleh Slutzky pada tahun 1973,
dengan orde q ditulis MA (q) atau ARIMA (0,0,q) dan dikembangkan oleh Wadsworth pada
tahun 1989.
Model :
Yt = μ′ + et − θ1 et−1 + θ2 et−2 + ⋯ + θp et−p

• Autoregresive Moving Average (ARMA)

Model Autoregressive Moving Average (ARMA) merupakan model gabungan dari
Autoregresive (AR) dan Moving Average (MA). Dan model ini memiliki asumsi bahwa data
periode sekarang dipengaruhi oleh data periode sebelumnya dan nilai sisaan dari period
sebelumnya.
Model :
Yt = μ′ + ϕ1 Yt−1 + ⋯ + ϕp Yt−p + et − θ1 et−1 + θ2 et−2 + ⋯ + θp et−p

• Autoregresive Integrated Moving Average (ARIMA)

Model Autoregressive Integrated Moving Average (ARIMA) digunakan berdasarkan asumsi
bahwa data deret waktu yang digunakan harus stasioner yang artinya rata-rata variasi dari
data yang dimaksud adalah konstan. Namun, ada beberapa hal yang terjadi ketika suatu data
tidak stasioner. Dalam mengatasi ketidakstasioneran data ini dilakukan proses differencing
agar data menjadi stasioner. Karena model Autoregressive (AR), Moving Average (MA),
Autoregressive Moving Average (ARMA) tidak mampu menjelaskan arti dari defferencing,
maka digunakan model campuran yang disebut Autoregressive Integrated Moving Average
(ARIMA) atau ARIMA (p,d,q) sehingga menjadi lebih efektif dalam menjelaskan proses
differencing. Pada model campuran ini series stasioner merupakan fungsi linier dari nilai
lampau beserta nilai sekarang dan kesalahan lampaunya.
Model :
(1 − ϕ1 B1 − ⋯ − ϕp Bp )Yt = μ′ + (1 − ϕ1 B1 − ⋯ − ϕp Bp )et
 Contoh Soal :
Disajikan Data Nilai Ekspor Komoditi di Propinsi Sumatera Utara Periode 2005 sampai
dengan 2012 dapat disajikan pada tabel 1.

Tabel 1. Data Nilai Ekspor Komoditi

Nilai Ekspor Komoditi

Bulan
2005 2006 2007 2008 2009 2010 2011 2012
Januari 625570 641535 538281 629613 585842 454044 611370 1018606
Febuari 692868 606586 555719 741002 469298 558330 497083 631097
Maret 692961 612706 627341 778312 761209 508188 489056 742003
April 543663 736091 653219 441717 624332 693121 609754 605108
Mei 672481 605266 675481 745387 774566 647774 686888 547155
Juni 552298 765425 566837 731816 483157 501197 725621 657403
Juli 782167 952847 579756 536506 612279 734939 596728 801475
Agustus 346835 826097 656695 709879 815697 961792 903992 786581
September 1100035 733527 734725 898237 495772 712470 690765 776335
Oktober 762081 765961 735227 664678 589033 890979 618725 685974
November 596764 678852 739266 819326 536034 738558 970921
Desember 807083 779931 779325 824419 1311758 590711 760100

Langkah pertama yang dilakukan adalah membuat plot time series untuk data nilai ekspor
komoditi yang dapat dilihat pada gambar 1.

Gambar 1. Plot Time Series Nilai Ekspor Komoditi

 Dari Tabel 1 dan Gambar 1 dapat dilihat bahwa data ekspor komoditi terendah terjadi
pada bulan Agustus tahun 2005 sebanyak 346835, sedangkan ekspor komoditi tertinggi terjadi
pada bulan desember tahun 2009 sebanyak 1311758. Diketahui juga dari plot data membentuk
trend karena data menyebar naik dan turun secara tidak konstan.
Dari plot data pada Gambar 1 dapat dilihat bahwa data sudah stasioner. Setelah memplot
data, selanjutnya dilakukan uji stasioneritas dengan perhitungan autokorelasi dan autokorelasi
parsial seperti pada gambar 2 dan 3.

Gambar 2. Autokorelasi Nilai Ekspor Komoditi

Gambar 3. Autorkorelasi Parsial Nilai Ekspor Komoditi

 Untuk melihat apakah data sudah stasioner atau tidak, dapat dilihat dari nilai koefisien
autokorelasi yang berbeda nyata dari nol yaitu nilai koefisien autokorelasi berada dalam interval
batas penerimaan. Maka dari seluruh nilai koefisien autokorelasi harus berada dalam interval:
n = 94
1
Seτk = = 0,103142
√94
α α
−Z 2 (Seτk) ≤ τk ≤ Z 2 (Seτk)
−1,96(0,103142) ≤ τk ≤ 1,96(0,103142)
−0,20215832 ≤ τk ≤ 0,20215832

Terlihat bahwa data sudah stasioner, hanya 1 data nilai koefisien autokorelasi yang tidak
berada dalam interval batas penerimaan yaitu: lag-6 dengan nilai koefisien (−0, 227829) dan
hanya 1 nilai koefisien autokorelasi parsial yang tidak berada dalam batas penerimaan yakni lag-
6 dengan nilai koefisien (−0, 265618). Oleh karena itu tidak perlu dilakukan differencing.
Dalam menentukan model ARIMA (p,d,q), nilai−nilai autokorelasi dan autokorelasi
parsial yang melebihi confidence limit bisa dijadikan panduan. Di sini nilai autokorelasi lag-6
berbeda secara signifikan sehingga ordo AR(1), untuk nilai koefisien autokorelasi parsial yang
melebihi confidence limit yaitu pada lag-6 sehingga ordo MA(1). Dengan pertimbangan tersebut
dipilih model sementara yaitu ARIMA(1, 0, 1).
Selanjutnya dilakukan pencarian nilai−nilai parameter dengan berbantuan software
minitab .Hasil diperoleh seperti padaTabel 2.

Tabel 2. Final Estimasi Parameter

Type Coef SE Coef T-Value P-Value
AR 1 1,00003 0,00006 16560,56 0,000
MA 1 1,01582 0,00008 13305,93 0,000

̂1 =
Nilai-nilai parameter yang diperoleh yakni dengan nilai ϕ1 = 1,0003 dan θ
1,01582. Selanjutnya dilakukan uji signifikansi terhadap nilai-nilai parameter model ARIMA(1,
0, 1) yang lain pada Tabel 3.
 Tabel 3. Final Estimasi Parameter
Model ARIMA Parameter P Value Keputusan
(1,0,1) 1,00003 0,000 Signifikan
1,01582 0,000 Signifikan

Dari tabel 3 diperoleh model dengan nilai parameter sebagai berikut:

𝐘𝐭 = 𝛍′ + 𝟏, 𝟎𝟎𝟎𝟎𝟑𝐘𝐭−𝟔 + 𝐞𝐭 − 𝟏, 𝟎𝟏𝟓𝟖𝟐𝐞𝐭−𝟔
Sebelum model sementara digunakan untuk peramalan selanjutnya perlu dilakukan
pemeriksaan ketepatan model dengan melihat kondisi nilai residual dan kecukupan model untuk
membuktikan bahwa model tersebut cukup memadai.
Nilai residual data nilai ekspor komoditi diperlihatkan dalam bentuk histogram seperti
pada Gambar 4.

Gambar 4. Histogram Nilai Residual Data Ekspor Komoditi

Diperoleh nilai-nilai koefisien autokorelasi residualnya untuk melihat tidak adanya nilai-
nilai autokorelasi yang signifikan seperti pada Gambar 5.
 Gambar 5.Autokorelasi Nilai Residual Data Ekspor Komoditi

Dari Gambar 5 dapat dilihat nilai-nilai autokorelasi residual dengan selang kepercayaan
95% berada pada interval. Dengan demikian nilai rk residual yang diperoleh tidak ada yang
berbeda secara signifikan sehingga member keyakinan bahwa residual tersebut adalah acak.
Untuk menentukan kecukupan model harus memenuhi dua asumsi yaitu residual bersifat
White Noise dan berdistribusi normal. Pengujian asumsi residual bersifat White Noise dapat
dilakukan menggunakan uji statistik Portmanteau. Pada pembahasan ini yang akan di lakukan
memperlihatkan model sudah berdistribusi normal.
Dengan menggunakan Minitab 19 diperoleh plot probabilitas dari residual model
ARIMA(1, 0, 1) seperti pada Gambar 6.

Gambar 6. Plot Nilai Residual

 Uji statistik Q Box-Pierce dilakukan untuk menunjukkan bahwa fungsi autokorelasi
residualnya bersifat White Noise atau tidak berbeda dari nol. Hasil perhitungan statistik Q Box-
Pierce dilakukan menggunakan Minitab. Hasil perhitungan seperti pada Tabel 4.

Tabel 4.Nilai Chi-Square

Lag 12 24 36 48
Chi-Square 10,02 20,52 40,70 51,36
DF 10 22 34 46
P-Value 0,438 0,550 0,199 0,272

Berdasarkan nilai Q yang didasari pada lag 12, 24, 36, dan 48 residual autokorelasinya
adalah 10,02 , 20,52 , 40,70 dan 51,36 dan tabelχ2 untuk derajat kebebasan χ20,05(10) = 18,307,
χ20,05 (22) = 33,924, χ20,05 (34) = 48,602, dan χ20,05 (46) = 61,656. Diperoleh bahwa Q < χ2 yang
berarti kumpulan nilaiτk tidak berbeda secara signifikan dari nol atau White Noise, sehingga
model memadai.
Dengan menggunakan Minitab 19 dapat diperoleh ramalan untuk 24 periode kedepan
dengan taraf kepercayaan 95%. Interval ramalan dapat dilihat pada Tabel 5.

Tabel. 5 Hasil Peramalan Nilai Ekspor Komoditi

Tahun Bulan Hasil Peramalan Batas Atas Batas Bawah

November 645291 350435 940147
2012
Desember 645308 350415 940200
Januari 645324 350395 940253
Febuari 645341 350374 940307
Maret 645357 350354 940360
April 645373 350334 940413
Mei 645390 350313 940466
2013
Juni 645406 350293 940520
Juli 645423 350273 940573
Agustus 645439 350252 940626
September 645456 350232 940679
Oktober 645472 350212 940732
 November 645489 350192 940786
Desember 645505 350171 940839
Januari 645522 350151 940892
Febuari 645538 350131 940945
Maret 645554 350110 940999
April 645571 350090 941052
Mei 645587 350070 941105
2014
Juni 645604 350050 941158
Juli 645620 350029 941211
Agustus 645637 350009 941265
September 645653 349989 941318
Oktober 645670 349969 941371

Kesimpulan yang diperoleh adalah :

Model peramalan yang digunakan untuk meramalkan nilai ekspor komoditi di Propinsi
Sumatera Utara untuk 24 periode kedepan adalah model ARIMA (1,0,1) dengan
persamaan :
𝐘𝐭 = 𝛍′ + 𝟏, 𝟎𝟎𝟎𝟎𝟑𝐘𝐭−𝟔 + 𝐞𝐭 − 𝟏, 𝟎𝟏𝟓𝟖𝟐𝐞𝐭−𝟔