Model Arima
Model Arima
Box-Jenkins (ARIMA)
KELOMPOK 9
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
Langkah 2:
Estimasi MODel
6
Langkah 3:
Cek kelayakan model
8
Langkah 4:
Peramalan dengan model
10
Contoh Kasus
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
12
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.
14
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
18
ARIMA(1,0,0) Type
AR 1
Coef SE Coef T
-0,5385 0,0985 -5,46 0,000
Constant 115,904
P
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
19
ACF dan PACF residu
ARIMA(1,0,0)
20
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
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.
23
Langkah 4