Box-Jenkins (ARIMA)

Box-Jenkins (ARIMA)
 KELOMPOK 9

PUTRI PERMATA SARI (21037045)

BERLIAN RIZALDI (21037009
 3

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

1. Setelah model yang layak telah ditentukan maka

selanjutnya peramalan untuk satu atau beberapa periode
ke depan dapat dilakukan dengan menggunakan metode
ARIMA yang telah dipilih.
2. Apabila pola dari time-series berubah, data yang baru
dapat digunakan untuk melakukan estimasi ulang
terhadap parameter model ARIMA atau membangun
model yang betul-betul baru.
 11

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

Grafik time series dari Acron Corporation

 13

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 ACF T LBQ

1 -0,529044 -4,58 21,84
2 0,281589 1,95 28,12
3 -0,039007 -0,26 28,24
4 0,008051 0,05 28,24
5 0,144142 0,95 29,96
6 -0,137129 -0,89 31,53
7 0,146390 0,94 33,35
8 -0,034918 -0,22 33,46
9 0,066584 0,42 33,84
10 -0,149461 -0,95 35,83
 15

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

Pengamatan terhadap PACF juga menunjukkan bahwa hanya

koefisien lag pertama saja yang berbeda secara sifnifikan dari
0. Karena dapat itu berdasarkan pengamatan terhadap ACF
dan PACF dapat disimpulkan bahwa data merupakan data
stasioner.
 16

Berdasarkan pengamatan terhadap ACF dan PACF dari

Atron Corporation dan membandingkannya dengan pola
standar dari model-model ARIMA, terlihat bahwa
kemungkinan pola ACF dan PACF dari Atron Corporation
mirip dengan pola AR(1).
Namun untuk membandingkannya dengan pola yang lain,
pola ACF dan PACF dari Atron Corporation kemungkinan
juga mirip dengan pola MA(2).
Karena itu diperlukan pengujian dengan menggunakan
kedua pola yaitu AR(1) dan MA(2). Pengujian dengan
minitab terlihat seperti berikut:
 17

Langkah 2
 18

Keluaran Minitab Final Estimates of Parameters

ARIMA(1,0,0) Type
AR 1
Coef SE Coef T
-0,5385 0,0985 -5,46 0,000
Constant 115,904
P

1,355 85,54 0,000

Mean 75,3378 0,8807

Number of observations: 75
Residuals: SS = 10050,9 (backforecasts excluded)
MS = 137,7 DF = 73

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

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

Forecasts from period 75

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

Final Estimates of Parameters

Keluaran Minitab Type Coef SE Coef T P

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

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

Lag 12 24 36 48
Chi-Square 7,0 23,8 31,8 47,0
DF 9 21 33 45
P-Value 0,637 0,302 0,527 0,392

Forecasts from period 75

95% Limits
Period Forecast Lower Upper Actual
76 80,627 57,854 103,400
77 78,177 51,998 104,357
78 75,421 48,020 102,821
 21
ACF dan PACF residu
ARIMA(0,0,2)
 22

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