MAKALAH

ANALISIS DATA TIME SERIES DALAM MENENTUKAN MODEL

TERBAIK DARI DATA PENJUALAN MOTOR KAWASAKI 20102014 MENGGUNAKAN METODE ARIMA
Makalah ini disusun untuk memenuhi tugas UAS mata kuliah Time Series)

Dosen Pengampu:
Fachrur Rozi, M.Si

Oleh:
Mukhamad Lukman
NIM. 12610036

JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGRI MAULANA MALIK IBRAHIM
MALANG

2015

BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan zaman yang sangat pesat menghasilkan teknologi yang
Dalam kegiatan perencanaan sering kali antara kesadaran akan terjadinya suatu
peristiwa dimasa depan dan kejadian nyata peristiwa itu dipisahkan oleh waktu
yang cukup lama. Beda waktu inilah yang merupakan alasan utama diperlukannya
satu perencanaan (planning) dan peramalan (forecasting). Jika beda waktu itu
besar dan kejadian peristiwa dimasa depan dipengaruhi oleh faktor-faktor yang
terkontrol, maka dalam hal ini suatu perencanaan akan sangat berperan penting.
Salah satu unsur yang sangat penting dalam pengambilan keputusan adalah
dengan peramalan. Peramalan akan sangat diperlukan untuk mengetahui kapan
suatu peristiwa akan terjadi sehingga tindakan yang tepat dapat dilakuka.
Banyak jenis metode peramalan yang digunakan, dari metode yang paling
klasik sampai metode yang paling rumit. Dengan pesatnya kemajuan teknologi
dan dengan adanya penggunaan komputer yang semakin meluas di dalam
berbagai organisasi, maka metode analisis runtun waktu lebih umum dan
berdasarkan ilmu statistik yang dikenal dengan Box-Jenkins atau ARIMA
(Autoregressive Integrated Moving Average) telah dikembangkan lebih lanjut dan
diterapkan untuk peramalan. Selain itu. Metode ini bertujuan untuk mencari pola
data yang paling cocok dari data. Alasan menggunakan metode ARIMA adalah
memanfaatkan sepenuhnya data masa lalu dan data sekarang untuk menghasilkan
pola yang hampir menyerupai data aslinya.
Berdasarkan uraian diatas, maka pada tugas akhir ini penulis memodelkan
pola ARIMA terbaik berdasarkan data perkembangan penjualan motor kawasaki
tahun 2010-2014.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, maka permasalahan yang diambil adalah
bagaimana menganalisis data time series dalam menentukan model ARIMA
terbaik untuk data perkembangan penjualan motor kawasaki tahun 2010-2014?

1.3 Tujuan
Tujuan dari makalah ini adalah untuk mengetahui menganalisis data runtun time
series dalam menentukan model ARIMA terbaik untuk data perkembangan
penjualan motor kawasaki tahun 2010-2014.

BAB II
KAJIAN PUSTAKA
2.1 Pola Data
Jenis Pola Dat Statistika adalah ilmu yang mempelajari tentang data,
berdasarkan waktu pengumpulannya data dapat dibedakan menjadi tiga jenis,
yaitu:
a) Data cross-section adalah jenis data yang dikumpulkan untuk jumlah
variabel pada suatu titik waktu tertentu. Model yang digunakan untuk
memodelkan tipe data ini adalah model regresi.
b) Data runtun waktu (time series) adalah jenis data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu. Model yang
digunakan untuk memodelkan tipe data ini adalah model-model timeseries.
c) Data panel adalah jenis data yang dikumpulkan menurut urutan waktu
yang akan dalam suatu tentang waktu tertentu pada sejumlah kategori.
Model yang digunakan untuk memodelkan tipe ini adalah model data
panel, model runtun waktu multivariat.
Makridakis et.al (1999) mengungkapkan bahwa langkah penting dalam memilih
suatu metode runtun waktu (time series) yang tepat adalah dengan
mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan
pola data tersebut dapat diuji. Pola data dapat dibedakan menjadi empat, yaitu:
1.

Pola horizontal terjadi pada saat nilai data berfluktuasi di sekitar nilai
rata-rata yang konstan. Deret seperti biasanya stasioner terhadap nilai
rata-ratanya. Suatu produk yang penjualannya tidak meningkat atau
menurun selama waktu tertentu. Pola khas data horizontal atau

2.

stasioner.
Pola musiman terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kurtal tahun tertentu, bulan, atau hari-hari pada
minggu tertentu). Misalnya pada penjualan minuman ringan, es krim,

3.

dan bahan bakar pemanas ruangan.

Pola siklis terjadi bilamana datanya dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus

bisnis. Misalnya pada penjualan produk seperti mobil, baja, dan

peralatan utama yang lainnya.
Pola trend terjadi pada saat terdapat kenaikan atau penurunan sekuler

4.

jangka panjang dalam data. Penjualan banyak pada perusahaan, produk

bruto nasional (GNP) dan berbagai indikator bisnis atau ekonomi
lainnya.

2.2 Runtun Waktu Stasioner dan Non-Stasioner

2.2.1 Stasioner dan Non-Stasioner dalam Mean
Suatu data runtun waktu dikatakan stasioner dalam mean adalah jika ratarata tetap pada keadaan waktu yang kondusif atau jika tidak ada unsur trend dalam
data dan apabila suatu diagram time series berfluktuasi secara lurus. Time series
plot dapat membantu secara visual yaitu dengan jalan membuat plot terhadap data
runtun waktu. Jika hasil plot tidak menunjukan gejala trend maka dapat diduga
bahwa data sudah stasioner.
Apabila data tidak stasioner dalam mean, maka untuk menghilangkan
ketidakstasioneran melalui metode pembedaan (differencing). Notasi yang sangat
bermanfaat adalah operator shift mundur (backward shift) B, yang penggunaannya
adalah sebagai berikut:
B X t= X t1
Dimana:

= pembeda

Xt

= nilai

pada orde ke t

X t 1 = nilai

pada orde ke t1

Notasi

yang dipasang pada

X t , mempunyai pengaruh menggeser

data 1 periode ke belakang. Dua penerapan B untuk

X t akan menggeser data

tersebut 2 periode kebelakang, sebagai berikut:

B ( B X t )=B2 X t =X t 2
Dengan:

X t 2 = nilai

pada orde ke t2

Apabila suatu runtun waktu tidak stasioner, maka data tersebut dapat
dibuat lebih stasioner dengan melakukan pembedaan (differencing) pertama.
Pembedaan pertama

X ' t =X t X t1
Dengan:

X ' t = pembedaan pertama

Menggunakan operator shift mundur, maka persamaan diatas dapat ditulis

kembali menjadi:
X t X t 1 X t B X t
=( 1B ) X t
Pembedaan pertama dinyatakan oleh (1-B) sama halnya apabila
pembedaan orde kedua (yaitu pembedaan pertama dari pembedaan pertama
seebelumnya) harus dihitung, maka pembedaan orde kedua adalah sebagai
berikut:
X ' ' t X 't X ' t 1
=( X t X t1 )( X t 1X t 2 )
=X t 2 X t1 + X t2
=( 12 B+ B2 ) X t
= ( 1B )( 1B ) X t
=( 1B )2 X t
Dengan

X 't ' merupakan pembedaan orde kedua

Tujuan menghitung pembedaan adalah untuk mencapai stasionaritas dan

secara umum apabila terdapat pembedaan orde ke-d untuk mencapai stasioneritas,
dapat detulis sebagai berikut
d

pembedaan orde ked =( 1B ) X t

Sebagai deret yang stasioner dan model umum ARIMA(0,d,0) akan menjadi:

( 1B )d X t =et
Dimana: e t = nilai kesalahan (error)
2.2.2 Stasioner dan Non-Stasioner dalam Variansi
Suatu data runtun waktu dikatakan stasioner dalam variansi jika struktur
data dari waktu ke waktu mempunyai fluktuasi data yang tetap atau konstan dan
tidak berubah-ubah, atau tidak ada perubahan variansi dalam besarnya fluktuasi
secara visual untuk melihat hal tersebut dapat dibantu dengan menggunakan time
series plot yaitu dengan melihat fluktuasi dari data.

Ketidakstasioneran dalam variansi dapat dihilangkan dengan melakukan

perubahan untuk menstabilkan variansi. Misalkan
trasformasi dari

Xt

T ( Xt)

adalah fungsi

dan untuk menstabilkan variansi, kita dapat menggunakan

transformasi kuasa:
X t 1
T ( X t )=

Dengan

merupakan nilai parameter transformasi. Nilai

yang umum

digunakan adalah transformasi logaritma dalam bentuk ln ( X t ) .

2.3 ARIMA (Autoregressive Integrated Moving average)
Metode ARIMA (Autoregressive Integrated Moving Average) merupakann
metode yang secara intensif dikembangkan dan dipelajari oleh George Box dan
Gwilym Jenkins, oleh karena itu nama mereka sering dikaitkan dengan proses
ARIMA yang diaplikasikan untuk analisis data dan peramalan data runtun waktu.
ARIMA sebenarnya merupakan usaha untuk mencari pola data yang paling cocok
dari sekelompok data, sehingga metode ARIMA memerlukan sepenuhnya data
historis dan data sekarang untuk menghasilkan ramalan jangka pendek (Sugiarto
dan Harijono, 2000: 176). Secara umum model ARIMA dirumuskan dengan notasi
ARIMA (, , ).
Dalam hal ini:
= Orde atau derajat AR (Autoregressive)
= Orde atau derajat pembeda (Differencing)
= Orde atau derajat MA (Moving Average)
Model ARIMA secara musiman umumnya dinotasikan: ARIMA (, , )
(, , )s
Dalam hal ini :
(, , ) = bagian yang tidak musiman dari model
(, , ) = bagian musiman dari model
= jumlah periode musiman
Hubungan antara metode ARIMA dengan model ARIMA adalah model
ARIMA merupakan bagian dari metode ARIMA (Sugiarto dan Harijono,

2000:177). Menurut model Box Jenkins secara umum model ARIMA terdiri
dari:
2.3.1

Proses AR (Autoregressive)
Autoregressive adalah nilai sekarang suatu proses dinyatakan sebagai

jumlah tertimbang nilai-nilai yang lalu ditambah satu sesatan (goncangan random)
saat ini. Jadi dapat dipandang

Xt

diregresikan pada

p nilai

yang lalu.

(Soejoeti,1987). Model AR adalah model yang menggambarkan bahwa variabel

dependent dipengaruhi oleh variabel dependent itu sendiri pada periode
sebelumnya.
Model umum runtun waktu autoregressive adalah:
X t =a1 X t 1+ a2 X t2 ++ a p X t p + et
Dimana:

X t = data periode ke-t

ap

= parameter autoregressive ke-p

X t 1 , , X t p= variabel

bebas

(nilai

masa

lalu

deret

waktu

yang

bersangkutan)
e t = nilai kesalahan pada saat t
Orde dari model AR diberi notasi p yang ditentukan oleh jumlah periode
variabel dependent yang masuk dalam model.
2.3.2

Proses MA (Moving Average)

Moving Average merupakan proses stokastik berupa model runtun waktu

dengan karakteristik data periode sekarang merupakan kombinasi linier dari white
noise periode-periode sebelumnya dengan suatu bobot tertentu.
Model umum proses moving average adalah
X t =e t b1 et 1b2 e t2b q et q
Dimana:

X t = data periode ke-t

bq = parameter moving average ke-q

e t1 , et 2 , , e tq=

variabel bebas (nilai masa lalu deret waktu yang

bersangkutan)
e t=

nilai kesalahan pada saat t

Perbedaan model AR dengan model MA terletak pada jenis variabel

independent. Bila variabel pada model MA yang menjadi variabel independet
adalah nilai residual pada periode sebelumnya, sedangkan variabel pada model
AR adalah nilai sebelumnya dari variabel indpendent..
2.3.3

Proses ARMA (Autoregressive)

Proses Autoregressive Moving average merupakan campuran proses dari

AR dan MA. Model umum untuk proses ARMA adalah:

X t =a1 X t 1+ a2 X t2 ++ a p X t p + et b1 e t1b 2 e t2bq e tq
Dimana:

X t = data periode ke-t

a p = parameter autoregressive ke-p
bq = parameter moving average ke-q
e t=

nilai kesalahan pada saat t

Dalam banyak kasus analisis data runtun waktu, proses ARMA

memberikan kesimpulan bahwa data mengikuti proses AR sekaligus MA atau
sebagian mengikuti proses AR dan sebagian lagi mengikuti proses MA.
2.3.4

Proses ARIMA (Autoregressive Integrated moving average)

Proses ARIMA berarti suatu runtun waktu non stasioner yang setelah

diambil selisih dari lag tertentu atau dilakukan pembedahan menjadi stasioner
yang mempunyai model AR derajat p dan MA derajat q. model ARIMA
dinyatakan dalam rumus sebagai berikut:
d

a p ( B )( 1B ) X t =b0 +b q ( B ) e t

Dimana:
a p ( B )=1a1 Ba2 B2 a p B p

merupakan operator AR yang stasioner

b p ( B )=1b1 Bb2 B2 b p B p

merupakan operator MA yang invertibel

Jika

p=0 , maka model ARIMA disebut juga integrated moving

average model tersebut dinotasika sebagai proses IMA(d,q), dan jika

q=0 ,

maka model ARIMA tersebut disebut autoregressive integrated model tersebut

dinotasikan sebagai proses ARI(p,d).

2.4 ACF dan PACF

2.4.1 ACF (Autocorrelation Function)
Koefisien autokorelasi runtun waktu dengan selisih waktu (lag) dengan
periode signifikan 0,1,2 atau lebih. Autokorelasi berfungsi untuk menghitung dan
membuat plot nilai autokorelasi dari suatu data time series. Dalam menghitung
koefisien korelasi antara dua variabel
r xy

dan

( X i , Y i)

untuk n pasangan observasi

yang dinotasikan sebagai

dimana

i=1,2,3, , n

digunakan rumus sebagai berikut:

Co v xy
Co v xx Co v yy
Co v xy
=
Var x Va r y
Co v xy
=
Sx S y

r xy

Autokorelasi adalah korelasi antara suatu variabel dengan variabel tersebut

dengan lag 1,2,3 periode atau lebih misalnya antara

Xt

dan

X t 1 . Menurut

Makridakis (1999) koefisien autokorelasi untuk lag 1,2,3,,k dengan banyaknya

pengamatan n, dapat dicari dengan menggunakan rumus
k . Data
X t k

Xt

dan dinotasikan

diasumsikan stasioner, jadi kedua nilai tengah

Xt

dan

dapat diasumsikan bernilai sama dan dua variansi dapat diukur satu kali

saja dengan menggunakan seluruh data

k Cov ( X t , X t k )
0 Var X t =Var X tk =S X S X
k
r k
0
t

Maka,

r xy

tk

Xt

yang diketahui, sebagai berikut:

r x x
t

t 1

Cov ( X t , X t1 )
SX S X
t

t 1

( X t X t )( X t 1 X t 1 )
=

t =2

2
( X t X t1 )
t=1

(
n

2
X t 1 X t 1 )

t =2

( X t X )( X t1 X )
t =2

( X t X )
t =2

Dengan menggunakan asumsi-asumsi di atas, maka persamaan tersebut

dapat disederhanakan menjadi:
n

( X t X )( X t 1 X )

t =2

( X t X )

t =2

Keterangan :
rk = Koefisien autokorelasi lag ke k, dimana k=0,1,2...,k
n = Jumlah data
Xt= nilai x orde ke t
X = nilai rata-rata mean
2.4.2

PACF (Partial Autocorrelation Function)

Fungsi Autokorelasi parsial (PACF) adalah himpunan autokorelasi parsial

untuk berbagai lag k yang ditulis dengan ( akk ; k=1,2,3, , k ) yakni himpunan
autokorelasi parsial untuk berbagai lag k. fungsi autokorelasi parsial digunakan
untuk mengukur tingkat keeratan antara

X t dan

X t k , apabila pengaruh dari

selisih waktu 1,2,3, ,k 1 dianggap terpisah. Didefinisikan

akk =

| k|

| k|

Dimana:

sehingga:

adalah marik autokorelasi k x k..

adalah

dengan kolom terakhir diganti dengan

[]
1
2

a11 =1

a22

| |
| |
1
1

1
2

1
1

1
1

221
121

akk

|
|

1
1

1
1

k1

k2

|
|

k2 1
k3 2

1 k

1
1 k2 k1
1
1
k3 k2

k1 k 2
1 1

akj a k1, jakk ak1, k j untuk j=1,2,3, , k 1

Nilai estimasi
ri

akk

dapat diperoleh dengan mengganti

dengan

untuk selisih waktu yang cukup besar, dimana fungsi autokorelasi parsial

menjadi sangat kecil (tidak signifikan). Quenouille menyatakan rumus variasi

akk

sebagai berikut:

Var ( akk )

1
N

Dimana untuk nilai N sangat besar,

akk

dapat dianggap mendekati distribusi

normal.
2.5 Langkah-langkah melakukan peramalan dengan metode ARIMA
1. Menghasilkan data yang stasioner
Data stasioner yaitu data yang memiliki nilai rata-rata dan varians
yang tetap sepanjang waktu. Oleh karena itu data stasioner adalah data
yang bersifat trend yaitu tidak mengalami penurunan maupun kenaikan.
Misalnya data yang bersifat trend adalah contoh data yang tidak stasioner
karena data mengalami penurunan dan kenaikan atau mengalami pasang
surut dan memiliki nilai ratarata berubah-ubah sepanjang waktu. Bila data
yang menjadi input dari model ARIMA tidak stasioner, maka perlu

dilagukan modifikasi data yaitu dengan prroses differencing atau pembeda

supaya menghasilkan data yang stasioner. Proses tersebutdilagukan dengan
cara mengurangi nilai data pada suatu periode dengan nilai periode
sebelumnya
2. Mengidentifikasi model sementara
Pada tahap ini dilagukan dengan cara membandingkan distribusi
koefisien autokorelasi dan koefisien autokorelasi parsial aktual dengan
distribusi teoritis (Sugiarto, 2000). Secara umum tahapan tersebut
memiliki prinsip sebagai berikut:
a) Bila koefisien korelasi menurun secara eksponensial menuju nol
pada umumnya terjadi proses autoregressive (AR). Estimasi ordo AR
dapat dilihat dari jumlah koefisien autokorelasi parsial yang berbeda
secara signifikan dari nol. Sebagai contoh apabila koefisien
autokorelasi menurun secara eksponensial menuju nol dan hanya
koefisien autokorelasi parsial orde satu yang signifikan model
sementara tersebut adalah AR(1).
b) Jika koefisien korelasi parsial menurun secara eksponensial menuju
nol, pada umumnya terjadi proses MA (Moving Average).
a) Jika baik koefisien autokorelasi maupun autokorelasi parsial
menurun secara eksponensial menuju nol berarti terjadi proses
ARIMA. Orde dari ARIMA dapat dilihat dari jumlah koefisien
autokorelasi dan koefisien autokorelasi parsial yang signifikan
berbeda dari nol.
3. Estimasi parameter dalam model.
Setelah

model

sementara

untuk

suatu

runtun

waktu

diidentifikasikan, langkah selanjutnya adalah mencari estimasi terbaik

untuk parameterparameter dalam model sementara tersebut. Untuk
melagukan hitungan dengan metode estimasi digunakan program
komputer dalam perhitungannya, dalam hal ini menggunakan program
Minitab. Uji hipotesis dilagukan untuk mengetahui apakah parameter yang
diperoleh signifikan atau tidak
4. Verifikasi model (diagnostic check)

Langkah selanjutnya adalah verifikasi yaitu memeriksa apakah

model yang kita estimasi cocok dengan data yang kita jumpai. Pengujian
kelayakan model dapat dilagukan dengan beberapa cara:
a. Overfitting Overfitting dilagukan apabila kita menyangka bahwa
mungkin diperlukan model yang lebih luas. Namun, dalam hal ini
perlu diperhatikan bahwa dalam metode ARIMA berlagu prinsip
PARSIMONY artinya model yang dipilih adalah model yang paling
sederhana yaitu yang jenjangnya paling rendah dan parameternya
paling sedikit.
b. Menguji residual (Error term) Secara sistematis residual dapat
dihitung dengan cara mengurangi data hasil ramalan dengan data
asli. Setelah nilai residual diketahui, dilagukan perhitungan nilai
koefisien autokorelasi dari nilai residual tersebut. Jika nilai-nilai
koefisien korelasi dari residual untuk berbagai time lag tidak berbeda
secara signifikan dari nol model dianggap memadai untuk dipakai
5.

sebagai model peramalan.

Menggunakan model untuk peramalan jika model memenuhi syarat.
Setelah diproses model memadai, peramalan pada satu atau lebih
periode ke depan dapat dilagukan. Pemilihan model dalam metode
ARIMA dilagukan dengan mengamati distribusi koefisien autokorelasi dan
koefisien autokorelasi parsial.

BAB III
HASIL KEGIATAN DAN PEMBAHASAN
3. Hasil Kegiatan
Pada makalah ini membahas perkembangan penjualan motor kawasaki
tahun 2010-2014 dengan menggunakan model ARIMA. Pemakalah mendapatkan
data pada Januari tahun 2010 sampai dengan Desember 2014 dari
http://triatmono.info/data-penjualan-tahun-2012/data-penjualan-motor-tahun2005/ dimana data yang diambil sebagai berikut
Data Penjualan Motor Kawasaki Tahun 2010-2014
Bulan
2010
2011
2012
2103
2014
Januari
5,9
5,3
8,6
10,6
8,2
Februari
6
7
10,7
10,9
12,2
Maret
7
7,5
12,2
9,7
10,1
April
5,8
7,4
9,7
15,4
16,2
Mei
5,9
7,4
13,1
14,8
15,8
Juni
4,2
9
12,1
8,4
15,8
Juli
4,1
9,6
11,2
14,7
12,7
Agustus
3,4
9,1
9,4
9
16,7
Septembe
r
4,0
9,1
10,7
10,6
16,1
Oktober
5,4
9,8
11,7
15
14,5
Nopember
6,3
5,7
11,8
15,4
11,2
Desember
7
6
10,4
18
10,7
Ket :
Sumber : http://triatmono.info/data-penjualan-tahun-2012/data-penjualan-motortahun-2005/

3.1 Plot data Penjualan Motor Kawasaki dengan data asli

a. Plot data time series

b.

Grafik Trend Analysis

c. Grafik Autocorrelation Function

d.

Grafik Partial Autocorrelation Function

3.2 Plot data Penjualan Motor Kawasaki dengan melakukan differencing

data
a. Plot data time series

b. Grafik Trend Analysis

c. Grafik Autocorrelation Function

d. Grafik Partial Autocorrelation Function

3.3 Pembahasan
1. Mengidentifikasi model
i. Data penjualan motor kawasaki dengan data asli
Grafik trend analysis dari penjualan motor kawasaki dengan data asli
menunjukkan tidak ada pola seasonal (musiman) karena tidak ada pola yang
teratur. Untuk menentukan bahwa data tersebut sudah stasioner atau tidak, bisa
dilihat dari grafik data tersebut. Terlihat bahwa data masih belum stasioner baik
dari mean maupun variasi karena masih terdapat unsur trend. Maka perlu
dilakukan proses transformasi data dengan melakukan differencing pada data
tersebut untuk melihat data telah stasioner
.
ii. Data Penjualan Motor Kawasaki dengan melakukan differencing data
Setelah dilakakukan transformasi differencing terlihat pada Grafik
Trend Analysis diperoleh data yang sudah stasioner, ini di tunjukkan pada
diagram time series yang berwarna merah berfluktuasi secara lurus. Maka

langkah selanjutnya akan dilakukan analisis time series dengan

menggunakan ACF dan PACF.
a.
Grafik ACF
Dari Grafik Autocorrelation Function terlihat bahwa grafik
terputus pada lag 1. Hal ini karena nilai lag 1 keluar dari garis batas
dan nilai lag 2 adalah mendekati nol, sehingga menunjukkan proses
MA(1).
b.
Grafik PACF
Grafik Partial Autocorrelation Function terlihat bahwa grafik
tersebut terputus pada lag 1, dan lag 4, sedangkan pada lag berikutnya
menuju nol dan tak melewati batas signifikan, sehingga menunjukkan
proses AR(1) dan AR(4).
2. Menentukan model ARIMA
Kemudian untuk menentukan model ARIMA yang cocok berdasarkan
Grafik ACF dan PACF, berdasarkan tingkat signifikan ACF terlihat bahwa
nilainya sangat signifikan pada lag 1 sehingga diduga di bangkitkan oleh MA(1).
Kemudian berdasarkan tingkat sifnifikan PACF nilainya signifikan pada lag 1 dan
lag 4 sehingga diduga data dibangkitkan oleh AR(1) dan AR(4). Oleh karena itu
didapatkan model-model ARIMA sebagai berikut;
Tabel Model-model ARIMA yang dapat terbentuk
ARIMA
AR(0)
AR(1)
AR(4)

MA(0)

MA(1)
ARIMA(0,
1,1)
ARIMA(1,1,0 ARIMA(1,
1,1)
)
ARIMA(4,1,0 ARIMA(4,
1,1)
)

Setelah didapatkan model-model ARIMA yang mungkin, langakah

selanjutnya yaitu mengestimasikan perameternya. Langkah estimasi parameter
dari model-model diatas adalah dengan melakukan uji hipotesis untuk setiap
parameter koefisien yang dimiliki untuk setiap model.
3. Estimasi Model
i.

Model ARIMA(4,1,1)
Final Estimates of Parameters

Type
Coef SE Coef
T P
AR 1 -1,4680 0,1413 -10,39 0,000
AR 2 -0,7921 0,2351 -3,37 0,001
AR 3 -0,6018 0,2402 -2,50 0,015
AR 4 -0,3955 0,1429 -2,77 0,008
MA 1 -0,9751 0,0770 -12,67 0,000
Constant 0,4564 0,6123 0,75 0,459
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals: SS = 303,181 (backforecasts excluded)
MS = 5,720 DF = 53
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
12 24 36 48
Chi-Square 9,4 17,0 24,4 27,4
DF
6 18 30 42
P-Value 0,154 0,526 0,754 0,960

o Nilai koefisien C sebesar 0,4564, nilai statistik T-nya tidak

signifikan dengan nilai probabilitas
0,459>0.05 .
o Nilai koefisien AR(1) sebesar

Pvalue> (5 )

atau

1,4680 , nilai statistik T-

nya signifikan dengan nilai probabilitas

Pvalue< (5 )

atau 0,000<0,05 .
o Nilai koefisien AR(2) sebesar -0,7921, nilai statistik T-nya
Pvalue< (5 )

signifikan dengan nilai probabilitas

atau

0,001<0,05 .
o Nilai koefisien AR(3) sebesar -0,6018, nilai statistik T-nya

signifikan dengan nilai probabilitas

Pvalue< 5%)

atau 0,015<0,05 .
o Nilai koefisien AR(4) sebesar -0,3955 , nilai statistik T-nya
signifikan dengan nilai probabilitas
0,008<0,05 .

Pvalue< (5%) atau

o Nilai koefisien MA (1) sebesar

0,9751 nilai statistik T-

nya signifikan dengan nilai probabilitas

Pvalue< (5%)

atau 0,000<0,05 .
Model ARIMA(4,1,1)
yt 0,4564 1,468 yt 1 0,7921 yt 2 0,6016 yt 3 0,3955 yt 4 0,9751e

Berdasarkan analisis di atas diketahui bahwa koefisien parameter ARIMA

(4,1,1) tidak dapat digunakan karena tidak memenuhi tingkat signifikan nilai T
karena Pvalue yang lebih dari (5 ) pada koefisien constant(C).
ii.

Model ARIMA(1,1,1)
Final Estimates of Parameters
Type
AR 1
MA 1
Constant

Coef SE Coef T P
0,0898 0,1529 0,59 0,559
0,9625 0,1107 8,69 0,000
0,12919 0,03164 4,08 0,000

Differencing: 1 regular difference

Number of observations: Original series 60, after differencing 59
Residuals: SS = 256,487 (backforecasts excluded)
MS = 4,580 DF = 56
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
12 24 36 48
Chi-Square 9,0 15,4 24,9 28,8
DF
9 21 33 45
P-Value 0,434 0,803 0,842 0,971
o Nilai koefisien C sebesar 0,12919, nilai statistik T-nya tidak
signifikan dengan nilai probabilitas
0,000<0.05 .
o Nilai koefisien AR(1) sebesar

Pvalue< (5 )

0,0898 , nilai statistik T-

nya signifikan dengan nilai probabilitas

atau 0,559>0,05 .
o Nilai koefisien MA (1) sebesar

Pvalue> (5 )

0,9625 nilai statistik T-

nya signifikan dengan nilai probabilitas

atau 0,000<0,05 .

atau

Pvalue< (5%)

Model ARIMA(1,1,1)
yt 0,12919 0,0898 yt 1 0,9625e

Berdasarkan analisis di atas diketahui bahwa koefisien parameter ARIMA

(1,1,1) tidak dapat digunakan karena tidak memenuhi tingkat signifikan nilai T
karena terdapa Pvalue yang lebih dari (5 ) pada AR(1).
iii.

Model ARIMA(0,1,1)
Final Estimates of Parameters
Type
Coef SE Coef T P
MA 1 0,9611 0,1000 9,61 0,000
Constant 0,14406 0,03048 4,73 0,000
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals: SS = 258,513 (backforecasts excluded)
MS = 4,535 DF = 57
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
12 24 36 48
Chi-Square 10,6 16,6 28,0 32,3
DF
10 22 34 46
P-Value 0,390 0,787 0,755 0,938

Nilai koefisien C sebesar 0,14406, nilai statistik T-nya

tidak signifikan dengan nilai probabilitas

atau 0,000<0.05 .
o Nilai koefisien MA (1) sebesar

Pvalue< (5 )

0,9611 nilai statistik T-

nya signifikan dengan nilai probabilitas

Pvalue< (5%)

atau 0,000<0,05 .
Model ARIMA(0,1,1)
yt 0,14406 0,9611e

Berdasarkan analisis di atas diketahui bahwa koefisien parameter ARIMA

(0,1,1) dapat digunakan karena memiliki nilai Pvalue yang kurang dari

(5 ) .

Dan nilai MS dari ARIMA(0,1,1) lebih kecil daripada ARIMA yang lain maka
dari itu ARIMA(0,1,1) dapat digunakan.
iv.

Model ARIMA(1,1,0)

Final Estimates of Parameters

Type
Coef SE Coef T P
AR 1 -0,4226 0,1201 -3,52 0,001
Constant 0,1198 0,3303 0,36 0,718
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals: SS = 366,820 (backforecasts excluded)
MS = 6,435 DF = 57
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
12 24 36 48
Chi-Square 10,1 15,4 23,0 26,9
DF
10 22 34 46
P-Value 0,433 0,846 0,925 0,989
o Nilai koefisien C sebesar 0,1198, nilai statistik T-nya tidak
signifikan dengan nilai probabilitas
0718>0.05 .
o Nilai koefisien AR(1) sebesar

Pvalue> (5 )

atau

0,4226 , nilai statistik T-

nya signifikan dengan nilai probabilitas

Pvalue< (5 )

atau 0,001<0,05 .
Model ARIMA(1,1,0)
y t 0,1198 0,4226 y t 1
Berdasarkan analisis di atas diketahui bahwa koefisien parameter ARIMA
(1,1,1) tidak dapat digunakan karena tidak memenuhi tingkat signifikan nilai T
karena terdapa Pvalue yang lebih dari (5 ) pada koefisien constant(C).
v.

Model ARIMA(4,1,0)

Final Estimates of Parameters

Type

Coef SE Coef

AR 1 -0,6039
AR 2 -0,3606
AR 3 -0,4695
AR 4 -0,3526
Constant 0,3480

0,1300 -4,64 0,000

0,1470 -2,45 0,017
0,1497 -3,14 0,003
0,1347 -2,62 0,011
0,3070 1,13 0,262

Differencing: 1 regular difference

Number of observations: Original series 60, after differencing 59
Residuals: SS = 299,517 (backforecasts excluded)
MS = 5,547 DF = 54
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
12 24 36 48
Chi-Square 6,4 12,4 24,2 29,2
DF
7 19 31 43
P-Value 0,491 0,866 0,804 0,946
o Nilai koefisien C sebesar 0,3480, nilai statistik T-nya tidak
signifikan dengan nilai probabilitas
0,262>0.05 .
o Nilai koefisien AR(1) sebesar

Pvalue> (5 )

atau

0,6039 , nilai statistik T-

nya signifikan dengan nilai probabilitas

Pvalue< (5 )

atau 0,000<0,05 .
o Nilai koefisien AR(2) sebesar -0,3606, nilai statistik T-nya
Pvalue< (5 )

signifikan dengan nilai probabilitas

atau

0,017<0,05 .
o Nilai koefisien AR(3) sebesar -0,4695, nilai statistik T-nya

signifikan dengan nilai probabilitas

Pvalue< 5%)

atau 0,003<0,05 .
o Nilai koefisien AR(4) sebesar -0,3526 , nilai statistik T-nya
signifikan dengan nilai probabilitas

Pvalue< (5%) atau

0,011<0,05 .

Model ARIMA(4,1,0)
yt 0,3480 0,6039 yt 1 0,3606 yt 2 0,4695 yt 3 0,3526 yt 4

Berdasarkan analisis di atas diketahui bahwa koefisien parameter ARIMA

(4,1,1) tidak dapat digunakan karena tidak memenuhi tingkat signifikan nilai T
karena Pvalue yang lebih dari (5 ) pada koefisien constant(C).
4. Uji Asumsi Residual (Diagnostic checking)
Setelah memperoleh model-model ARIMA yang telah diestimasi maka
langkah selanjutnya yaitu memilih model terbaik dengan cara melihat ukuranukuran standar ketepatan peramalan. Ukuran-ukuran tersebut dapat menjadi
perbandingan model peramalan terbaik dalam menggunakan ARIMA. Setelah
memperoleh model ARIMA yang layak digunakan yaitu ARIMA(0,1,1) maka
langkah selanjutnya menguji kelayakan model
o ARIMA(0,1,1)
a. Uji non-autokorelasi
Uji non-autokorelasi bertujuan untuk menguji apakah antara data
residual terdapat korelasi ataukah tidak. Suatu model yang baik
mempunyai nilai-nilai residual yang tidak saling berkorelasi satu dengan
yang lainnya. Uji autokorelasi yaitu dengan melihat grafik ACF dan PACF.

Berdasarkan plot ACF dan PACF diatas terlihat bahwa tidak

terdapat time lag yang melebihi batas signifikan. Sehingga dapat
disimpulkan bahwa pada ARIMA (01,1) tidak terdapat autokorelasi pada
residual artinya non-autokorelasi residual terpenuhi maka untuk sementara
model ARIMA (0,1,1) merupakan model yang terbaik. Selain itu model
MS

ARIMA(0,1,1) memiliki

yang terkecil diantara model yang lain

yaitu 4,535. Maka model ARIMA(0,1,1) dapat digunakan.Namun selain

melihat dari nilai

MS

perlu juga mengetahui nilai dari AIC dan BIC

dari masing-masing model.

b. Identifikasi Nilai AIC dan BIC

1. Model ARIMA(4,1,1)
Dimana; n=60 k=4+1 MSE=5,720
n+k
nk2
60+5
AIC=log5,720+
6052
AIC=1,9838
k log n
MSE+
n
BIC=log
5 log 60
5,720+
60
BIC=log
BIC=0,9055
Jadi untuk model ARIMA (4,1,1) diperoleh 1,9838 dan
AIC=log MSE +

BIC=0,9055 .

2. Model ARIMA(1,1,1)
Dimana; n=60 k=4+1 MSE=4,580
n+k
AIC=log MSE +
nk2
60+2
AIC=log 4,580+
6022
AIC=1,768

k log n
n
BIC=log
2 log 60
4,580+
60
BIC=log
MSE+

BIC=0,720
Jadi untuk model ARIMA (1,1,1) diperoleh
BIC=0,720

AIC=1,768

dan

3. Model ARIMA(0,1,1)
Dimana; n=60 k=0+1 MSE=4,535
n+k
AIC=log MSE +
nk2
60+1
AIC=log 4,535+
6012
AIC=1,74429

k log n
n
BIC=log
1 log60
4,535+
60
BIC=log
MSE+

BIC=0,68621
Jadi untuk model ARIMA (0,1,1) diperoleh

AIC=1,74429

dan

AIC=1,8787

dan

BIC=0,68621

4. Model ARIMA(1,1,0)
Dimana; n=60 k=1+0 MSE=6,435
n+k
AIC=log MSE +
nk2
60+1
AIC=log 6,435+
6012
AIC=1,8787
k log n
n
BIC=log

MSE+

1 log60
60
BIC=log

6,435+
BIC=0,838

Jadi untuk model ARIMA (1,1,0) diperoleh

BIC=0,838

5. Model ARIMA(4,1,0)
Dimana; n=60 k=4+0 MSE=5,547
n+k
AIC=log MSE +
nk2
60+4
AIC=log5,547 +
6042
AIC=1,929

k log n
n
BIC=log
4 log 60
5,547+
60
BIC=log
BIC=0,8626
Jadi untuk model ARIMA (4,1,0) diperoleh
MSE+

AIC=1,929

dan

BIC=0,8626
Dari perolehan AIC dan BIC untuk setiap model dari ARIMA, AIC
dan BIC terkecil merupakan model terbaik untuk ARIMA (p,d,q) dalam
hal ini adalah ARIMA (0,1,1) yang memiliki
AIC=1,74429 , dan
adalah model terbaik.

MSE=4,535 ,

BIC=0,720 . sehingga model ARIMA (0,1,1)