PEMODELAN ARIMA
Disusun Oleh :
Reny Ari Noviyanti (1313201715)
Fatmasari Damayanti(1313201717)
Tahapan Pemodelan
Langkah-langkah melakukan analisis data dengan model ARIMA adalah sebagai berikut :
1.IDENTIFIKASI MODEL
Plotkan series untuk melihat pola dari data
Pengecekan stasioner dalam varians dengan menggunakan box-cox transformation
Pengecekan stasioner dalam rata-rata dengan menggunakan grafik ACF dan PACF
Jika series belum stasioner dalam rata-rata maka perlu didifferensing, dan kembali lakukan differencing sampai data
telah stasioner dalam rata-rata (maksimal differensing d=3, jika lebih mungkin ada indikasi lain seperti pola seasonal,
intervensi dll.
2. ESTIMASI PARAMETER
Identifikasi parameter model ARIMA dengan plot ACF dan PACF dan model dugaan mengikuti pada tabel identifikasi
model.
Modelkan sesuai dengan dengan model dugaan seperti pada langkah nomor 5 kemudian lakukan uji signifikansi
model, uji white noise dan tidak ada outlier pada residual.
Jika model belum memenuhi semua asumsi pada langkah 6 lakukan langkah 5 kembali sampai semua asumsi telah
terpenuhi.
3. FORECASTING
2
Struktur Data
3
Identifikasi Model
Plot series untuk melihat stasioneritas
Time Series Plot of IHK
120
110
100
90
IHK
80
70
60
50
Month Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan
Year 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Lower CL 0.05
1.5 Upper CL 1.67
1.3
1.2
1.1
Limit
1.0
-5.0 -2.5 0.0 2.5 5.0
Lambda
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag Lag
Plot ACF dan PACF pada menunjukkan bahwa series tidak stasioner
karena pada grafik ACF tidak
dalam rata-rata
dies down meskipun pada PACF terdapat 1
lag yang cut off sehingga series perlu didifference. 6
Identifikasi Model
Plot ACF dan PACF Setelah Didifference Pada Lag 1
Autocorrelation Function for diff Partial Autocorrelation Function for diff
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag Lag
Plot ACF dan PACF menunjukkan bahwa ACF dan PACF cut off pada lag
1 sehingga bisa digunakan untuk menduga parameter ARIMA
Berdasarkan plot ACF dan PACF dapat diduga series IHK mengikuti
model ARIMA (1,1,1) karena didifference pada lag 1 dan ACF serta PACF
cut off pada lag 1 .
7
Estimasi Parameter
Diagnostic Check Model ARIMA (1,1,1) White Noise
Plot ACF residual, tidak ada yang keluar dari lag = White Noise
8
Estimasi Parameter
Diagnostic Check Model ARIMA (1,1,1) White Noise
Final Estimates of Parameters
Lag 12 24 36 48
Chi-Square 7.9 16.3 26.9 38.5
DF 9 21 33 45
P-Value 0.546 0.754 0.766 0.744
9
Estimasi Parameter
Diagnostic Check Model ARIMA (1,1,1)
Estimasi dari model ARIMA (1,1,1) telah signifikan pada selang kepercayaan 95%
(p-value = 0.000).
Sedangkan untuk pengujian residual telah white noise dapat dilihat bahwa
residual memang telah white noise karena p value pada Ljung Box menunjukkan
angka yang lebih dari 0.05.
10
Estimasi Parameter
Diagnostic Check Model ARIMA (1,1,1) Normality
Probability Plot of RESI1
Normal
99.9
Mean -0.02132
StDev 1.400
99
N 118
KS 0.096
95 P-Value <0.010
90
80
70
Percent
60
50
40
30
20
10
5
0.1
-5.0 -2.5 0.0 2.5 5.0
RESI1
11
Forecasting
Sudah memenuhi asumsi, residual telah White Noise dan berdistribusi
normal.
Hasil forecast adalah sebagai berikut :
Forecast Lower Limit Upper Limit
0.66 -2.11 3.43
1.09 -1.73 3.92
1.19 -1.63 4.02
1.22 -1.60 4.05
1.24 -1.59 4.07
1.25 -1.57 4.08
12
DATA INFLASI
(SUMUT JAN 2000 – DES 2013)
6
INFLASI
13
IDENTIFIKASI MODEL
Uji Stationer dalam Varians (Box Cox)
14
IDENTIFIKASI MODEL
Setelah dilakukan transformasi hasil ACF dan PACF
sebagai berikut:
Autocorrelation Function for TRF
(with 5% significance limits for the autocorrelations)
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2 Partial Autocorrelation Function for TRF
(with 5% significance limits for the partial autocorrelations)
-0.4
-0.6 1.0
-0.8 0.8
-1.0 0.6
Partial Autocorrelation
1 5 10 15 20 25 30 35 40 0.4
Lag
0.2
0.0
-0.2
lag 1 -1.0
1 5 10 15 20 25 30 35 40
Dugaan model ARMA (1,0,1) Lag
15
IDENTIFIKASI MODEL
Setelah dilakukan transformasi hasil ACF dan PACF
sebagai berikut:
16
ESTIMASI PARAMETER
Berdasarkan hasil plot ACF dan PACF dugaan model
adalah sebagai berikut:
17
KESIMPULAN
Karena ada outlier menyebabkan
pendugaan model dan estimasi parameter
tidak sesuai.
Seharusnya model yang dibentuk
mempertimbangkan adanya outlier yaitu
dengan menggunakan “Model Intervensi
Pulse” karena outlier hanya terjadi pada
satu waktu tertentu dan…………..