Teknik Peramalan

Box-Jenkins (ARIMA)
 2

Pengantar
 Autoregressive integrated moving-average (ARIMA) merupakan
metode peramalan berdasarkan sintesa terhadap pola data
historis.
 Metode Box-Jenkins (ARIMA) tidak mengasumsikan adanya pola
data historis tertentu sebagaimana halnya metode-metode
peramalan yang lain.
 Sebuah model matematis dikatakan mirip (fit well) data time-
series apabila kondisi ini terpenuhi:
 Residu antara model peramalan data historis kecil,
 residu terdistribusi secara acak (distribusi normal),
 Residu bersifat independen.
 3

Box-Jenkins
 Model yang dikemukakan oleh Box-Jenkins yang banyak
digunakan adalah ARIMA.
 ARIMA merupakan metode permalan untuk data yang
bersifat stasioner: nilai rata-rata tidak bergeser terhadap
waktu.
 Metode ARIMA merupakan gabungan antara metode
autoregressive dan moving average.
 Metode ini bersifat rekursif dalam hal menentukan model
yang paling sesuai untuk sebuah data time series dengan cara
membandingkan distribusi autokorelasi antara data dengan model
teoritis.
 4

Rumusan Box-Jenkins
Perumusan Model
secara umum

Identifikasi model
sementara

Estimasi parameter dari

model sementara

Apakah model
memadai?
No
yes
Gunakan Model untuk
peramalan
Langkah 1: Identifikasi model
 6

1. Langkah pertama pada model identifikasi adalah menentukan

apakah sebuah data time-series bersifat stasioner (nilai rata-rata tidak
bergeser sepanjang waktu).
Apabila data tidak bersifat stasioner, maka konversi data harus dilakukan (agar
menjadi stasioner) dengan menggunakan metoda diferensiasi.
2. Setelah data time-series merupakan data stationer, langkah
selanjutnya adalah menentukan model yang akan digunakan.
Penentuan model dilakukan dengan cara membandingkan koefisien autokorelasi
(ACF) dan autokorelasi parsial (PACF) dari data dengan model ARIMA untuk
menentukan model yang paling sesuai.
 7

Stasioner dan Non-Stasioner

Stationer

Nonstationer
 8

Metoda Diferensiasi

 9

Metoda Diferensiasi (2)

Nonstationer

Differences

Stationer
 10

Contoh Metoda Diferensiasi

Berikut ini adalah tabel berisi transportation index selama 5 hari
dari keseluruhan data sebanyak 55 hari.

Periode Rata-rata Diferensiasi

Penutupan
10 219,32 -
11 218,25 -1,07
12 220,30 2,05
13 222,54 2,24
14 223,56 1,02
 11

Koefisien Autokorelasi
 Autokorelasi dapat digunakan untuk mengetahui hubungan linier
sebuah deret waktu tunggal dengan dirinya sendiri setelah
mengalami pergeseran waktu tertentu. Tujuannya adalah untuk
mengetahui pola yang berkaitan dengan waktu di dalam sebuah
data deret waktu.

 (Yt Y ) (Yt k  Y )
t k 1
rk  n

 (Yt  Y ) 2

t 1
 12

Latihan Time Month Yt

1January 123
Berikut data hasil permintaan 2February 130
barang Vermon’s Music Store 3March 125
tahun 2014. 4April 138
 Hitung R1 dan R2 untuk kasus
5May 145
6June 142
tersebut 7July 141
 Apakah data tersebut stationer? 8August 146
 Jika tidak, hitung deferensiasinya 9September 147
10October 157
11November 150
12December 160

12
 13

Correlogram Data Stasioner

 14

Stasioner dan Non-Stasioner

Stasioner Non-stasioner
(Correlogram menurun dengan cepat) (Correlogram menurun secara lambat)
 15

Autokorelasi Parsial
 16

Autokorelasi Parsial lag=1,2,3

 17

MINITAB: data Stationer

ACF PACF

Dying down fairly quickly Cuts off after lag 2

 18

MINITAB: data Non-Stationer

ACF PACF

Dying down extremely slowly Cuts off after lag 2

 19

Penjelasan Tentang Correlogram

+  +


 t/2 . se(rk)  t/2 . se(rk)

 20

Distribusi Sampling dari ACF


 21

Distribusi Sampling dari ACF


 22

General Theoretical ACF and PACF of ARIMA Models

Model ACF PACF

MA(q): moving average of order q Cuts off Dies down

after lag q

AR(p): autoregressive of order p Dies down Cuts off

after lag p

ARMA(p,q): mixed autoregressive- Dies down Dies down

moving average of order (p,q)

AR(p) or MA(q) Cuts off Cuts off

after lag q after lag p

No order AR or MA No spike No spike

(White Noise or Random process)
 23

Contoh
Revenue dari perusahaan estman Year Real (X)
1975 9,3
kodak mulai tahun 1975 sampai 1976 9,5
tahun 1985 ditunjukkan dalam 1977 9,9
tabel berikut ini. Dengan tingkat 1978 10,7
keyakinan 95%, tentukan apakah 1979 11,0
1980 11,8
data ini bersifat stationer? Lakukan 1981 11,3
perhitungan ACF sampai lag-1 saja. 1982 11,2
1983 10,2
1984 10,2
 24

Contoh
 25

Contoh: Autokorelasi Data

Terlihat bahwa data time-series tidak stationer, selain memiliki tren juga
memiliki pola musiman. Karena itu perlu dilakukan diferensiasi untuk
mengkonversi data tersebut menjadi data stasioner.
 26

Contoh: Autokorelasi setelah

Diferensiasi Orde 1

Setelah dilakukan diferensiasi orde-1, terlihat sekarang bahwa data

merupakan data stasioner.
 27

Contoh: Autokorelasi Partial

Autokorelasi parsial (Partial Autocorrelation/PACF) akan digunakan

sebagai pembanding dengan PACF dari model-model ARIMA untuk
menentukan model ARIMA yang paling sesuai.
 28

Model Auto-Regresive (AR)


 29

Model Auto-Regresive (AR) (2)


 30

Model Auto-Regresive (AR) (3)

 Untuk model AR(1), perhitungan koefisien dilakukan
sebagaimana halnya melakukan perhitungan koefisien regresi
linier.
 Sedangkan untuk model AR(2), karena model ini merupakan
model regresi multiple, maka dibutuhkan perangkat lunak
pembantu seperti SPSS, Minitab, PHStat.
 Year Coded Real (Y) lag 1 (x1) lag 2 (x2) 31
1975 0 9,3
1976 1 9,5 9,3
Contoh 1977
1978
2
3
9,9
10,7
9,5
9,9
9,3
9,5
1979 4 11,0 10,7 9,9
1980 5 11,8 11,0 10,7
Pada contoh ini digunakan 1981 6 11,3 11,8 11,0
data revenue dari Eastman 1982 7 11,2 11,3 11,8
1983 8 10,2 11,2 11,3
Kodak sebagai berikut: 1984 9 10,2 10,2 11,2
1985 10 9,9 10,2 10,2
1986 11 10,5 9,9 10,2
1987 12 11,7 10,5 9,9
1988 13 14,4 11,7 10,5
1989 14 14,8 14,4 11,7
1990 15 14,5 14,8 14,4
1991 16 14,2 14,5 14,8
1992 17 14,4 14,2 14,5
1993 18 11,3 14,4 14,2
1994 19 9,2 11,3 14,4
1995 20 10,0 9,2 11,3
1996 21 10,3 10,0 9,2
1997 22 9,0 10,3 10,0
1998 23 8,2 9,0 10,3
1999 24 8,5 8,2 9,0
 

0.0
2.0
4.0
6.0
8.0
10.0
12.0
14.0
16.0
1977
1978
Contoh

1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
Real
Y pre lag2
32
 33

Waktu Rata-rata
Latihan 1 222,34
2 222,24
 Berikut ini adalah data 3 221,17
Transportation Index selama 4 218,88
periode waktu 15 hari. Tentukan 5 220,05
model autoregressive data 6 219,61
tersebut dengan menggunakan 7 216,40
AR(1). 8 217,33
9 219,69
10 219,32
11 218,25
12 220,30
13 222,54
14 223,56
15 223,07
 34

Model Moving-Average (MA)


 35

ARIMA

 36

ARIMA(p,d,q)

 37

ARIMA (0,0,0)

 38

ARIMA (0,1,0)

 39

ARIMA (1,0,0)


Dimana : a0 = µ(1- a1- a2- ….- ap)

 40

ARIMA (0,0,1)

 41

ARIMA (1,0,1)

 42

Contoh


Yestimasi ± 2s
 43

Contoh


I II III IV
Series 23 20 24 22
Residual 2 3 2 3
 44

ACF dan PACF model AR(1)

 45

ACF dan PACF model AR(2)

 46

ACF dan PACF model MA(1)

 47

ACF dan PACF model MA(2)

 48

ACF dan PACF model ARMA(1,1)

 49

ACF dan PACF model ARMA(1,1)

 Langkah 2:
Estimasi MODel
 51


 Langkah 3:
Cek kelayakan model
 53


 Langkah 4:
Peramalan dengan model
 55

1. Setelah model yang layak telah ditentukan maka selanjutnya

peramalan untuk satu atau beberapa periode ke depan dapat
dilakukan dengan menggunakan metode ARIMA yang telah
dipilih.
2. Apabila pola dari time-series berubah, data yang baru dapat
digunakan untuk melakukan estimasi ulang terhadap parameter
model ARIMA atau membangun model yang betul-betul baru.
 56

Contoh Kasus 1.
Pembacaan yang dilakukan pada proses industri pada Atron
Corporation adalah seperti dalam Tabel di bawah ini. Tentukan
model ARIMA untuk kebutuhan peramalan dari data tersebut:
Pembacaan proses Industi pada Atron
60,0 99,0 75,0 79,5 61,5 88,5 72,0 90,0
81,0 25,5 78,0 64,5 81,0 51,0 66,0 78,0
72,0 93,0 66,0 99,0 76,5 85,5 73,5 87,0
78,0 75,0 97,5 72,0 84,0 58,5 66,0 99,0
61,5 57,0 60,0 78,0 57,0 90,0 73,5 72,0
78,0 88,5 97,5 63,0 84,0 60,0 103,5
57,0 76,5 61,5 66,0 73,5 78,0 60,0
84,0 82,5 96,0 84,0 78,0 66,0 81,0
72,0 72,0 79,5 66,0 49,5 97,5 87,0
67,8 76,5 72,0 87,0 78,0 73,5 73,5
 57

Grafik time series dari Acron Corporation

 58

Langkah 1
a) Melakukan identifikasi apakah data tersebut merupakan data
stasioner.
b) Melihat grafik time-series dari proses industri pada Atron
Corporation terlihat bahwa grafik naik turun di sekitar titik
80, karena itu kemungkinan data ini dapat diindikasikan
sebagai data stasioner.
c) Lakukan cek terhadap ACF dan PACF dari data time series.
 59

Lag ACF T LBQ

1 -0,529044 -4,58 21,84
2 0,281589 1,95 28,12
3 -0,039007 -0,26 28,24
4 0,008051 0,05 28,24
5 0,144142 0,95 29,96
6 -0,137129 -0,89 31,53
7 0,146390 0,94 33,35
8 -0,034918 -0,22 33,46
9 0,066584 0,42 33,84
10 -0,149461 -0,95 35,83
 60

Lag PACF T
1 -0,529044 -4,58
2 0,002362 0,02
3 0,153953 1,33
4 0,064507 0,56
5 0,189551 1,64
6 0,002969 0,03
7 0,026100 0,23
8 0,061667 0,53
9 0,084006 0,73
10 -0,184466 -1,60

Pengamatan terhadap PACF juga menunjukkan bahwa hanya

koefisien lag pertama saja yang berbeda secara sifnifikan dari 0.
Karena dapat itu berdasarkan pengamatan terhadap ACF dan PACF
dapat disimpulkan bahwa data merupakan data stasioner.
 61

 Berdasarkan pengamatan terhadap ACF dan PACF dari Atron

Corporation dan membandingkannya dengan pola standar dari
model-model ARIMA, terlihat bahwa kemungkinan pola ACF dan
PACF dari Atron Corporation mirip dengan pola AR(1).
 Namun untuk membandingkannya dengan pola yang lain, pola
ACF dan PACF dari Atron Corporation kemungkinan juga mirip
dengan pola MA(2).
 Karena itu diperlukan pengujian dengan menggunakan kedua
pola yaitu AR(1) dan MA(2). Pengujian dengan minitab terlihat
seperti berikut:
 62

Langkah 2
 63

Keluaran Minitab Final Estimates of Parameters

ARIMA(1,0,0) Type Coef SE Coef T

AR 1 -0,5385 0,0985 -5,46 0,000
P

Constant 115,904 1,355 85,54 0,000

Mean 75,3378 0,8807

Number of observations: 75
Residuals: SS = 10050,9 (backforecasts excluded)
MS = 137,7 DF = 73

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 9,3 29,9 37,3 58,4
DF 10 22 34 46
P-Value 0,505 0,121 0,321 0,104

Forecasts from period 75

95% Limits
Period Forecast Lower Upper Actual
76 77,135 54,132 100,138
77 74,370 48,244 100,496
78 75,859 48,895 102,823
 64

ACF dan PACF residu ARIMA(1,0,0)

 65

Final Estimates of Parameters

Keluaran Minitab Type Coef SE Coef T P

ARIMA (0,0,2) MA 1 0,5671 0,1108 5,12 0,000

MA 2 -0,3552 0,1147 -3,10 0,003
Constant 75,421 1,059 71,24 0,000
Mean 75,421 1,059

Number of observations: 75
Residuals: SS = 9715,76 (backforecasts excluded)
MS = 134,94 DF = 72

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 7,0 23,8 31,8 47,0
DF 9 21 33 45
P-Value 0,637 0,302 0,527 0,392

Forecasts from period 75

95% Limits
Period Forecast Lower Upper Actual
76 80,627 57,854 103,400
 66

ACF dan PACF residu ARIMA(0,0,2)

 67

Langkah 3
 Pengamatan terhadap ACF dan PACF residu dari model ARIMA (1,0,0)
dan ARIMA (0,0,2) dengan pengujian sampai lag 20 menunjukkan
bahwa semua koefisien ACF dan PACF berada di dalam interval
kepercayaan dengan keyakinan 95%. Hal ini berarti bahwa residu
merupakan nilai acak/stasioner (lihat slide 2 tentang syarat-syarat
model matematis).
 Tes terhadap Ljung-Box Q Statistic untuk lag 12, 24, 36 dan 48
menunjukkan bahwa pada kedua model memiliki nilai p-value cukup
besar (p-value>0,05), kedua model dapat dianggap sebagai model yang
layak karena nilai error tidak siknifikan.
 Kedua model merupakan model yang layak, tetapi ARIMA (0,0,2)
membutuhkan 3 parameter, sedangkan ARIMA (1,0,0) hanya
menggunakan 2 parameter. Karena itu model ARIMA(1,0,0) dipilih.
 68

Langkah 4

 69

Contoh Kasus 2 (Tugas).

Nilai penutupan saham untuk perusahaan DEF Corporation selama
50 hari ditunjukkan dalam Tabel berikut. Tentukan model ARIMA
yang sesuai dan lakukan peramalan sampai 3 periode ke depan!
Prd DEF Prd DEF Prd DEF Prd DEF Prd DEF
1 136,0 11 133,6 21 136,8 31 140,0 41 140,8
2 132,8 12 139,2 22 139,2 32 144,8 42 140,0
3 130,4 13 137,6 23 139,2 33 140,0 43 132,0
4 128,8 14 139,2 24 140,0 34 139,2 44 142,4
5 136,8 15 139,2 25 139,2 35 139,2 45 138,4
6 135,2 16 136,0 26 140,8 36 136,8 46 138,4
7 134,4 17 138,4 27 139,2 37 140,8 47 136,8
8 139,2 18 137,6 28 138,4 38 141,6 48 139,2
9 136,8 19 139,2 29 136,0 39 139,2 49 135,2
10 136,0 20 134,3 30 142,4 40 142,4 50 138,4
 70

Contoh Kasus 3
 Sebuah perusahaan bernama Cameron Consulting
Corporation memiliki keahlian dalam perencanaan investasi
surat berharga. Perusahaan ini membutuhkan model
peramalan data Dow Jones Transportation Index. Tentukan
model peramalan tersebut dengan menggunakan model
ARIMA
 71

Data Dow Jones

Transportation
Index
 72

 Pengamatan terhadap grafik rata-rata penutupan Dow Jones

Transportation Index jelas menunjukkan adanya tren. Untuk
meyakinkan perlu dilakukan pengujian terhadap ACF dan PACF
dari data tersebut.
 73

Lag ACF T LBQ

1 0,942362 7,60 60,43
2 0,883114 4,27 114,34
3 0,820332 3,18 161,61
4 0,757865 2,56 202,61
5 0,697494 2,15 237,93
6 0,639447 1,85 268,11
7 0,579613 1,59 293,33
8 0,517374 1,37 313,78
9 0,462762 1,19 330,44
10 0,412806 1,04 343,93

Terlihat bahwa koefisien ACF menurun dengan lambat seiring dengan

bertambahnya lag. Karena itu dapat disimpulkan bahwa data
Transportation Index ini merupakan data yang memiliki tren. Langkah
berikutnya tentu saja melakukan proses diferensiasi.
 74

ACF dari Diferensiasi orde 1 terhadap data Transportation Index

ditunjukkan dalam Gambar berikut. Terlihat bahwa nilai koefisien lag 1
saja yang berbeda secara siknifikan terhadap 0. Karena itu, diferensiasi
orde 1 dapat dianggap cukup untuk mentransformasi data permintaan
dari data yang mengadung tren menjadi data stasioner.
 75

PACF data diferensiasi orde 1 ditunjukkan dalam gambar berikut.

Pengamatan terhadap grafik ACF dan PACF mengindikasikan adanya

kemiripan dengan MA(1) dan AR (1) . Karena itu kita perlu dilakukan
pengujian terhadap keduanya.
 76


 77
ARIMA (1,1,0)
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 0,2958 0,1217 2,43 0,018
Constant 0,7291 0,2319 3,14 0,003

Differencing: 1 regular difference

Number of observations: Original series 65, after differencing 64
Residuals: SS = 213,431 (backforecasts excluded)
MS = 3,442 DF = 62

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 11,3 28,8 36,5 47,1
DF 10 22 34 46
P-Value 0,334 0,152 0,355 0,427
Forecasts from period 65
95% Limits
Period Forecast Lower Upper Actual
66 289,962 286,324 293,599
67 291,102 285,149 297,056
68 292,169 284,374 299,964
 78

ACF residual untuk data Transportation Index dengan model

ARIMA (1,1,0).
ARIMA(0,1,1) 79
Final Estimates of Parameters
Type Coef SE Coef T P
MA 1 -0,3102 0,1220 -2,54 0,014
Constant 1,0385 0,3037 3,42 0,001
Differencing: 1 regular difference
Number of observations: Original series 65, after differencing 64
Residuals: SS = 213,281 (backforecasts excluded)
MS = 3,440 DF = 62
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 10,8 31,7 40,1 50,5
DF 10 22 34 46
P-Value 0,371 0,082 0,219 0,300
Forecasts from period 6
95% Limits
Period Forecast Lower Upper Actual
66 290,092 286,456 293,728
67 291,131 285,138 297,124
 80

 ACF residual untuk data Transportation Index dengan model

ARIMA (0,1,1).
 81

Analisis Contoh Kasus 3

 Pengamatan terhadap mean square error dari kedua model terlihat bahwa
keduanya fit dengan data Transportation Index.
MSE untuk ARIMA(1,1,0) = 3,442
MSE untuk ARIMA(1,1,0) = 3,444
 Pengamatan terhadap nilai p-value dari masing-masing koefisien yang
menunjukkan nilai yang cukup siknifikan karena nilai p-value cukup
kecil (mendekati 0).
 Pengamatan terhadap Ljung-Box Q Statistics pada lag 12,24,36 dan 48
menunjukkan nilai p-value yang sangat besar.
 Pengamatan terhadap ACF residual dari keduanya juga menunjukkan
bahwa data residual merupakan data stasioner. Karena itu keduanya
telah memenuhi kriteria peramalan (lihat slide 2).
 Dengan demikian kedua model ARIMA kemungkinan besar dapat
digunakan untuk peramalan data Transportation Index.
 82

Analisis Contoh Kasus 3


 83

Contoh Kasus 4
Berikut ini adalah grafik penjualan dari Keytron Corporation. Terlihat
dalam grafik adanya pola musiman di dalam data time series.
 84

 Terlihat bahwa data time series dari Keytron Corporation tersebut

merupakan data non-stasioner. Langkah identifikasi pertama
adalah melihat ACF dari data tersebut. ACF menunjukkan nilai
siknifikan pada lag 1, 12 dan 24. Karena itu ACF mengindikasikan
bahwa data ini merupakan data musiman.
 85


 86

 Hasil proses diferensiasi ditunjukkan dalam Gambar di bawah ini:

 87

Perhitungan ACF dari data hasil diferensiasi adalah sebagai berikut:

Lag ACF T LBQ
1 0,082290 0,84 0,72
2 0,164373 1,66 3,61
3 0,206938 2,03 8,24
4 0,128010 1,21 10,03
5 0,018390 0,17 10,07
6 0,117004 1,09 11,60
7 0,156824 1,44 14,37
8 0,064878 0,59 14,85
9 0,074454 0,67 15,48
10 0,028748 0,26 15,58
11 0,023747 0,21 15,65
12 -0,379941 -3,40 32,80
13 -0,009173 -0,07 32,81
14 -0,111889 -0,90 34,33
15 -0,159221 -1,28 37,45
 88

Perhitungan PACF dari data hasil diferensiasi adalah sebagai berikut:

Lag PACF T
1 0,082290 0,84
2 0,158675 1,61
3 0,188491 1,91
4 0,086124 0,87
5 -0,053533 -0,54
6 0,052428 0,53
7 0,125409 1,27
8 0,033422 0,34
9 0,007631 0,08
10 -0,056774 -0,58
11 -0,024356 -0,25
12 -0,436449 -4,43
13 -0,022329 -0,23
14 -0,036679 -0,37
15 -0,036390 -0,37
 89

Analisis
 Analisis terhadap data hasil diferensiasi menunjukkan bahwa data
mungkin merupakan data stasioner yang berfluktuasi di sekitar nilai
100.
 Correlogram dari ACF menguatkan prakiraan awal bahwa data
merupakan data stasioner, kecuali sebuah nilai koefisien ACF yang
berbeda siknifikan dari nilai 0 pada lag ke-12.
 Correlogram dari PACF menunjukkan nilai koefisien yang berbeda
siknifikan dari nilai 0 pada lag ke-12 dan lag ke-24 dengan
amplitudo yang semakin mengecil.
 Analisis terhadap PACF menunjukkan bahwa model MA(1) dengan
pola musiman pada lag ke-12 merupakan model yang sesuai.
 90

Analisis (2)

 91

Analisis (3)

 92

Final Estimates of Parameters

Type Coef SE Coef T P

SMA 12 0,8180 0,0881 9,28 0,000
Constant 85,457 2,910 29,36 0,000

Differencing: 0 regular, 1 seasonal of order 12

Number of observations: Original series 115, after differencing 103
Residuals: SS = 1172652 (backforecasts excluded)
MS = 11610 DF = 101

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Forecasts from period 115
Lag 12 24 36 48
95% Limits
Chi-Square 12,5 27,1 34,6 46,4 Period Forecast Lower Upper Actual
DF 10 22 34 46 116 2419,69 2208,46 2630,93
P-Value 0,250 0,209 0,439 0,456 117 2504,31 2293,07 2715,54
118 2639,09 2427,86 2850,33
119 2475,01 2263,77 2686,24
120 2386,77 2175,53 2598,00
 93

 Hasil perhitungan model ARIMA memberikan nilai p-value yang kecil

untuk koefisien SMA (seasonal MA). Ini berarti bahwa estimasi
terhadap koefisien SMA sangat siknifikan.
 Hasil pengujian terhadap Ljung-Box statistik untuk lag 12, 24, 36 dan
48 memberikan nilai p-value besar, berarti nilai error tidak siknifikan.
 ACF dari residual menunjukkan bahwa residual merupakan data
stasioner.
 94

 Grafik yang menunjukkan hasil keluaran dari model beserta hasil

prediksinya selama 12 bulan ke depan ditunjukkan dalam gambar
berikut:
 95