TUGAS TIME SERIES

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

 Data yang digunakan adalah data Indeks

Harga Konsumen (IHK) Sumatera Utara
 Series Januari 1999 – Desember 2009

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

IHK Kota Batam tahun 1999 sampai dengan Desember 2009

memiliki pola yang mengikuti trend kenaikan. Selisih kenaikan
terbesar terjadi September sampai oktober 2005. Dimana pada
bulan ini terjadi kenaikan harga BBM.
4
 Identifikasi Model
Uji Stationer dalam Varians (Box Cox)
Box-Cox Plot of IHK
Lower CL Upper CL
1.7 Lambda
(using 95.0% confidence)
1.6 Estimate 0.81

Lower CL 0.05
1.5 Upper CL 1.67

Rounded Value 1.00

1.4
StDev

1.3

1.2

1.1

Limit
1.0
-5.0 -2.5 0.0 2.5 5.0
Lambda

Nilai lambda pada transformasi box telah menunjukkan

lambda=1 untuk selang kepercayaan 95% , sehingga tidak
perlu ditransformasi dan dapat dikatakan bahwa data telah
stasioner dalam varians. 5
 Identifikasi Model
Uji Stationer dalam Mean (Plot ACF dan PACF)
Autocorrelation Function for IHK Partial Autocorrelation Function for IHK
(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 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

Type Coef SE Coef T P

AR 1 0.2041 0.0929 2.20 0.030
MA 1 1.0027 0.0018 555.53 0.000
Constant 0.010180 0.002817 3.61 0.000

Differencing: 1 regular difference

Number of observations: Original series 119, after differencing 118
Residuals: SS = 229.372 (backforecasts excluded)
MS = 1.995 DF = 115

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

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)

Plot series untuk melihat stasioneritas

Time Series Plot of INFLASI
12

6
INFLASI

Month Jan Jan Jan Jan Jan Jan Jan

Year 2000 2002 2004 2006 2008 2010 2012

Terdapat outlier pada Oktober 2005. Dimana pada bulan

ini terjadi kenaikan harga BBM.

13
IDENTIFIKASI MODEL
Uji Stationer dalam Varians (Box Cox)

Data tidak stasioner dalam varians. Sehingga dilakukan

transformasi.

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

 Plot ACF dan PACF menunjukkan -0.4

-0.6
bahwa ACF dan PACF cut off pada -0.8

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…………..