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
Apakah model
memadai?
No
yes
Gunakan Model untuk
peramalan
Langkah 1: Identifikasi model
6
Nonstationer
8
Metoda Diferensiasi
9
Differences
Stationer
10
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
12
13
Stasioner Non-stasioner
(Correlogram menurun dengan cepat) (Correlogram menurun secara lambat)
15
Autokorelasi Parsial
16
ACF PACF
ACF PACF
+ +
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
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
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
ARIMA
36
ARIMA(p,d,q)
37
ARIMA (0,0,0)
38
ARIMA (0,1,0)
39
ARIMA (1,0,0)
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
Langkah 3:
Cek kelayakan model
53
Langkah 4:
Peramalan dengan model
55
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
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 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
Langkah 2
63
Number of observations: 75
Residuals: SS = 10050,9 (backforecasts excluded)
MS = 137,7 DF = 73
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
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
Number of observations: 75
Residuals: SS = 9715,76 (backforecasts excluded)
MS = 134,94 DF = 72
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 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
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
Contoh Kasus 4
Berikut ini adalah grafik penjualan dari Keytron Corporation. Terlihat
dalam grafik adanya pola musiman di dalam data time series.
84
86
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