Bayu Hermawan

143210136
EP-C

Interpretasi ARIMA

Gambar grafik diatas merupakan grafik producer price index dari yang diamati runtun
waktu. Karakteristik pada data menunjukkan bahwa producer price index cenderung
mengalami tren kenaikan setiap periode dengan penurunan yang tidak signifikan. Dapat
diperoleh perhitungan bahwa nilai variansi atau sebaran grafik tersebut tinggi, nilai variansi
yang tinggi ekuivalen dengan risiko yang besar. Sehingga melakukan prediksi producer price
index di masa mendatang menjadi hal yang signfikan untuk mengantisipasi kebutuhan dan
risiko pasar

Mendukung hal tersebut Winarno (2009:7.8) mengemukakan bahwa apabila hasilnya

cenderung tidak mendatar maka data tidak stasioner. Sehingga dapat disimpulkan bahwa grafik
garis data producer price index cenderung tidak mendatar yang mengindikasikan data belum
stasioner. Grapigh diatas garis horizontal menjelaskan variable waktu dalam bentuk kuartal dan
garis vertical menjelaskan variable ppi. Jika dilihat dari grapigh kedua variable tersebut tidak
stasioner karena memiliki trend yang kuat.
 Jika dilihat dari grafik difference maka terdapat perbedaan dengan grafik sebelumnya,
grafik difference tidak terdapat trend tapi memiliki varian yang meningkat. Dapat digunakan
sebagai variable pilihan untuk sisa program

Dari table diatas terdapat test statistiknya tidak signifikan dan hipotesisi 0 nya berarti
H0 ditolak artinya tidak stasioner
 Melihat dari d1 yang belum stasioner, maka menggunakan second difference variable.
Dengan hasil koefisien dan t-statistic -6,86 yang memilki makna sudah stasioner. Kesimpulan
dari dickey fuller test adalah kita harus menggunakan difference variable untuk mendapatkan
hasil yang stasioner.
 Cologram diatas menjelaskan variable AC dan PAC yang mengalami penurunan nilai
yang lambat dan dimana artinya tidak stasioner, penurunan lambat tersebut terjadi pada
variable yang asli atau original dan first lags sangat kuat.

Dari grapigh diatas dapat ditarik kesimpulan bahwa terdapat autokorelasi yang
digambarkan dalam garis vertical. Oleh karena itu, Kesimpulan karena AC tidak boleh
menggunakan variable asli karena tidak stasioner. Dikarenakan tidak stasioner maka Langkah
selanjutnya harus menggunakan difference variable
Gambar diatas ditampilkan correlogram dan uji stasioneritas Dari gambar tersebut dapat kita
simpulkan sebagai berikut:

a. Winarno (2009:7.7) mengemukakan bahwa garis Bartlett adalah garis yang ditandai
dengan garis terputus-putus di kanan kiri garis tengah baik dengan grafik autokorelasi
maupun autokorelasi parsial. Grafik autokorelasi dan autokorelasi parsial menunjukkan
bahwa belum semua batang berada di dalam garis terputus-putus (garis Bartlett). Hal
ini menunjukkan bahwa data belum bersifat stasioner sehingga data perlu
ditransformasikan dengan mendiferen 1 lag.
b. Nilai statistik Q hingga lag ke-40 adalah 125,49 jauh lebih besar dari nilai kritis 𝑋 pada
α=5%.
c. Nilai probabilitas yang semuanya lebih kecil dari nilai α=5%.

Hasil dari AC yang baru diperoleh bahwasannya angka yang dihasilikan lebih kecil dari
collogram sebelumnya atau mengecil dengan baik dan PAC sangat kuat pada lags pertama,

Hasil dari table lag1 sangat signifikan. Variabel non difference tidak stasioner karena
koefisiennya mendekati 1
Lag 2 signifikan

Variabel dependen difference dan first lag dari variable nya signifikan

Lag pertama pada AR dan lag pertama di MA sudah cukup MA koefisien

 Dari nilai probabilitas AR(p) dan MA(q) yang lebih kecil dari α=5% dapat diketahui
bahwa model ARIMA (1,1,0), ARIMA (1,1,1), ARIMA (1,1,3), ARIMA (2,1,3) sudah
signifikan. Berdasarkan hasil model ARIMA (1,1,0) diketahui bahwa itu adalah model yang
cukup bagus karena dilihat dari probabilitas beserta memiliki Panjang iterasi paling pendek
yaitu hanya sampai iterasi 4. Dan pada model ARIMA lain yang di (2,1,3) di sini memiliki dua
kaki di AR dan tiga kaki di MA dan di bawah ini kita memiliki signifikasi yang cukup baik
pada yang pertama dan ketiga dan ini keduanya sangat signifikasinya sehingga berdasarkan
model ini di sini kita memiliki sehingga jika itu tergantung pada ARIMA (1 1 1) atau (2 1 3) .