3. Data Panel
Merupakan data yang dikumpulkan menurut
urutan waktu dalam suatu rentang waktu
tertentu pada sejumlah kategori.
Pola time series
Terjadi saat data berfluktuasi di sekitar nilai rata- Terjadi saat suatu deret mengalami
rata yang konstan. Deret seperti ini bersifat kenaikan atau penurunan pada suatu
stasioner ternhadap nilai rata-ratanya. periode waktu yang tidak tetap.
Terjadi saat suatu deret dipengaruhi oleh Terjadi saat terdapat kenaikan atau penurunan
factor musiman. Faktor musiman terjadi sekuler jangka panjang dalam data.
pada suatu periode tertentu yang bersifat
tetap.
ARIMA
• Arima merupakan suatu model “stochastic” yang dapat digunakan untuk
menghitung kemungkinan kejadian di waktu yang akan datang dari suatu nilai
yang berada diantara dua batas tertentu.
6
PENGENALAN
⬗ Historis ARIMA Box-Jenkins Model-model⬗ Wold membentuk model ARMA yang
Autoregressive Integrated Moving Average berkembang dalam tiga arah (untuk proses
(ARIMA) telah dipelajari secara mendalam oleh AR, MA, dan ARMA campuran). Box dan
George Box dan Gwilym Jenkins (1976). ARIMA Jenkins berhasil dalam menentukan informasi
diterapkan untuk proses deret berkala, prediksi relevan yang diperlukan untuk memahami
dan kontrol atau pengendalian. Model dan memakai model-model ARIMA untuk
Autoregresif (AR) pertama kali dikenalkan oleh deret berkala. Dasar dari tiga tahap dari
Yule (1926) dan kemudian dikembangkan oleh pendekatan hasil mereka dapat dilihat pada
Walker (1931), sedangkan model Moving Gambar 1. Skema Pendekatan yaitu
Average (MA) pertama kali digunakan oleh identifikasi, penaksiran dan pengujian, serta
Slutzky (1937). Akan tetapi Wold-lah (1938) penerapan.
yang menghasilkan dasar-dasar teoritis dari
proses kombinasi ARMA.
7
⬗ PENGERTIAN
⬗ Model ARIMA adalah model yang secara penuh
mengabaikan independen variabel dalam pembuatan
peramalan. ARIMA menggunakan nilai masa lalu dan
sekarang dari variabel dependen untuk menghasilkan
peramalan jangka pendek.
8
SKEMA PENDEKATAN
9
Gambar 1. Skema Pendekatan Arima
Stasioneritas Data
Data disebut stasioner jika nilai rata-rata tidak bergeser
sepanjang waktu
10
Stasioner dan Non-Stasioner
Stationer
Nonstationer
Diferensiasi
⬗Diferensiasi
Orde 1
Diferensiasi Orde 2
12
Nonstationer
Differences
Stationer
1. Autoregressive Model (AR)
Model AR memiliki konsep nilai saat ini AR(p) bergantung pada nilai p-
sebelumnya, dimana p adalah ordo dari AR. Bentuk umum model AR(p) atau
ARIMA (p,0,0) dinyatakan sebagai berikut :
dimana:
µ’ = konstanta
ϕp = parameter autoregresif ke-p
et = nilai kesalahan pada saat t
2. Moving Average Model (MA)
Model MA memliki konsep nilai saat ini MA(q) bergantung pada nilai q
sebelumnya, dimana q adalah orde dari MA Bentuk umum model MA(q) atau
ARIMA (0,0,q) dinyatakan sebagai berikut :
dimana:
µ’ = konstanta
θ1 sampai θq = parameter moving average
et-k = nilai kesalahan pada saat t-k
Atau
b. Proses ARIMA
• Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka model
umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus sederhana ARIMA (1,1,1)
adalah sebagai berikut :.
.
Untuk menggunakan model prakiraan ARIMA, kita perlu melakukan analisis deret waktu dan mengidentifikasi nilai
p,d,q. Tahapan analisis deret waktu dan proses prakiraan terdiri dari :
1. Stasioneritas
Data model harus bersifat stasioner. Data stasioner adalah data yang memiliki nilai rata-rata dan varians yang tetap
sepanjang deret waktu. Jika data sudah stasioner tanpa melalui proses differencing maka d bernilai 0. Dimana d
merupakan orde differencing.
2. Identifikasi
Menetukan nilai yang tepat untuk p (ordo AR) dan q (ordo MA) dengan menggunakan ACF, PACF, dan unit root tests.
3. Estimasi
Memperkirakan nilai p,d,q yang sesuai.
4. Diagnostic Checking
Memeriksa hasil perkiraan model ARIMA, apakah terdapat white noise. White Noise sendiri merupakan suatu series
atau deret angka random tidak berkorelasi yang tidak dapat diprakirakan dengan model.
5. Prakiraan
Berikut adalah skema model ARIMA (Box Jenkins)
ARIMA (Box Jenkins)
Prosedur Identifikasi Box
Jenkins dalam ARIMA
(p,d,q)
19
SKEMA PENDEKATAN
20
Prosedur Box Jenkins untuk
mengidentifikasi model ARIMA
(p,d,q) sebagai berikut:
21
3. 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. Penghitungan dan
pengujian sampel ACF dan sampel PACF untuk mengidentifikasi orde dari p (AR) dan q
(MA) menggunakan data asli yang sudah stasioner.
Pemeriksaan ACF dan PACF :
Non-musiman = periksa lag-lag awal (1, 2, 3, 4)
Musiman = periksa pola lag s (kelipatan).
22
4. Perlu dilakukan estimasi dalam pendugaan parameter model data time-series. Selanjutnya parameter model yang telah dihasilkan
diuji signifikansinya dalam model.
23
5. Pemeriksaan residual (diagnostic check) pada plot data time-series. Jika
tidak memenuhi diagnostic check, maka kembali ke langkah 3.
Untuk menguji apakah residual data berdistribusi normal
digunakan uji Kolmogorov-Smirnov. Hipotesisnya sebagai berikut:
Jika nilai p-value < 0,05 maka data tidak berasal dari populasi yang
berdistribusi normal.
Jika nilai p-value > 0,05 maka data berasal dari populasi yang
berdistribusi normal.
24
Koefisien Autokorelasi
25
Proses ACF PACF
AR(p) Turun cepat secara Terputus setelah lag p
eksponensial / sinusoidal
Turun cepat secara
MA(q) Terputus setelah lag q eksponensial / sinusoidal
26
1. STASTIONERITAS
Dickey-Fuller Test
• Dinamai setelah ahli statistik David Dickey dan Wayne Fuller, yang
mengembangkan tes pada tahun 1979.
• Dickey Fuller membangun garis regresi antara fraksi dari nilai saat ini
dan fraksi dari nilai sebelumnya.
• Dalam statistik, uji Dickey-Fuller menguji hipotesis nol bahwa unit
root hadir dalam model autoregressive
• Hipotesis:
H0 : ρ = 0.05 (Terdapat unit roots, variabel tidak
stasioner)
H1 : ρ < 0.05 (Tidak terdapat unit roots, variabel
stasioner)
• Kesimpulan hasil root test diperoleh dengan
membandingkan nilai t-hitung dengan t-tabel pada
tabelDickey-Fuller.
Dickey-Fuller Test
•Untuk
mengetahui adanya akar unit, maka dilakukan pengujian Dickey-
Fuller (DF-test) sebagai berikut:
• Jika variabel Yt sebagai variabel dependen, maka akan diubah
menjadi:
Yt = ρ Yt-1 + t
• Koefisien Yt-1 (ρ) adalah = 0.5 dalam arti hipotesis diterima.
• Koefisien ρ akan bernilai <0,5 dan hipotesis akan ditolak.
• Untuk mengubah trend yang bersifat non-stasioner menjadi stasioner
dilakukan uji orde pertama (first difference).
Differencing
bila nilai pada table Chi-Square lebih besar dari nilai Q dengan derajat kebebasan m-p-q
dimana p dan q menunjukkan orde dari AR dan MA, maka model sudah memadai,
sebaliknya bila nilai pada table Chi-Square lebih kecil dari nilai Q, maka model belum
memadai.
5. Forecasting
• (000)(111)12
• (000)(211)12
• (001)(111)12
• (101)(111)12
• (001)(211)12
• (101)(211)12
Diagnosis Check
Hasil Prediksi
Contoh Script Arima di R
Plot Time Series Data CH
Hasil Uji Dickey Fuller
Plot Grafik ACF dan PACF
Metode Arima yang mungkin
Uji Ljung Box
Hasil Prediksi CH Pontianak 2017
ACF dan PACF model AR(1)
ACF dan PACF model MA(1)
ACF dan PACF model ARMA(1,1)
Penjelasan SARIMA
⬗ Arima dan Sarima adalah 2 hal yang hampir mirip
⬗ Hal yang membedakan SARIMA dari ARIMA adalah
seasonalnya. Untuk itu, kita juga harus tau berapa pola
pengulangan dari seasonal yang kita miliki. Apakah tiap 3
bulan? Tiap tahun? Dan sebagainya. Karena ini akan
menentukan langkah yang kita gunakan nantinya.
70
Contoh Grafik SARIMA DAN ARIMA
71
Perbedaan ACF dan PACF Sarima dan Arima (1)
72
Perbedaan ACF dan PACF Sarima dan Arima (2)
73
Thanks!
Any questions?
74