Kelebihan dan Kelemahan Metode

ARIMA (Box-Jenkins)
Kelebihan

Kekurangan

1. Baik untuk peramalan jangka pendek

1. Diperlukan data dalam jumlah yang

banyak

2. Fleksibel dan dapat mewakili rentang

yang lebar dari karakter deret waktu
yang terjadi dalam jangka pendek

2. Tidak ada cara memperbaharui model

apabila terjadi penambahan data

3. Terdapat prosedur yang formal dalam

pengujian kesesuaian model.

3. Pembentukan model yang baik

seringkali membutuhkan waktu dan
sumberdaya lain yang besar

4. Interval ramalan dan prediksi sudah

mengikuti modelnya.

4. Tidak dapat mengetahui pengaruh

variabel-variabel lain terhadap variabel
dependent yang diamati di masa yang
akan datang selain berdasarkan
informasi variabel dependent dari lag
sebelumnya.

Untuk time series analysis (ARIMA), mempunyai kelebihan sebagai berikut

(Hagen, 2006):
a) Mudah dalam pembentukan modelnya.
b) Lebih cepat dalam pembentukan model, tidak perlu pelatihan seperti
ANN.
c) Hasilnya mudah diinterpretasikan, karena koefisien-koefisien model
diketahui, sehingga dapat dilihat pengaruh masing-masing predictor
terhadap hasil keluaran model.
Selain memiliki kelebihan, time series analysis (ARIMA) juga memiliki
kekurangan sebagai berikut (Hagen, 2006):
a) Secara umum lebih tidak akurat dibandingkan model ANN.
b) Tidak dapat menangkap hubungan fungsional yang belum diketahui antara
variabel independen dengan variabel dependen / tidak dapat menangkap
hubungan antar variabel yang belum memiliki teori yang melandasinya.

Kelebihan :
-

Dalam memprediksi inflasi di Indonesia, Bank Indonesia menggunakan metode statistika

ARIMA. Metode tersebut sangat cocok untuk peramalan jangka pendek, dengan kata lain
hasil yang dicapai cukup akurat.

Metode ARIMA ini sangat fleksibel dan dapat mewakili rentang yang lebar dari karakter
deret waktu yang terjadi dalam jangka pendek. Fleksibel dalam hal ini berarti dapat
disesuaikan dengan kebutuhan.

Dalam metode ARIMA terdapat prosedur yang formal dalam pengujian kesesuaian
model. Jadi untuk menyelesaikan permasalahan, terdapat tahap-tahap atau langkahlangkah untuk menyelesaikan data permasalahan inflasi sehingga hasilnya lebih efektif
dan efisien.

Interval ramalan dan prediksi sudah mengikuti modelnya. Model ARIMA adalah
gabungan dari auto-regresi dengan rata-rata bergerak yang dapat mewakili deret data
yang stasioner maupun non-stasioner.

Lebih mudah dan cepat dalam pembentukan model serta tidak perlu pelatihan. Metode
ARIMA tidak mengikuti variabel bebas dalam pembentukan modelnya. Metode ini
mengandalkan perilaku masa lalu dari variabel yang diramal dengan menganggap bahwa
data antara deret waktu saling berkaitan dan mempengaruhi ramalan di masa depan
(Henke, et all, 2003).

Hasilnya mudah diinterpretasikan, karena koefisien-koefisien model diketahui, sehingga

dapat dilihat pengaruh masing-masing predictor terhadap hasil keluaran model.

Kekurangan :
-

Diperlukan data dalam jumlah yang banyak.

Metode ini kurang cocok dalam peramalan jangka panjang.

Tidak ada cara memperbaharui model apabila terjadi penambahan data.

Pembentukan model yang baik seringkali membutuhkan waktu dan sumber daya lain yang
besar.

Tidak dapat mengetahui pengaruh variabel-variabel lain terhadap variabel dependent

yang diamati di masa yang akan datang selain berdasarkan informasi variabel dependent
sebelumnya.

Tidak dapat menangkap hubungan fungsional yang belum diketahui antara variabel
independen dengan variabel dependen / tidak dapat menangkap hubungan antar variabel
yang belum memiliki teori yang melandasinya.