arima
DESCRIPTION
ArimaTRANSCRIPT
![Page 1: Arima](https://reader036.vdocuments.mx/reader036/viewer/2022082820/55cf8fbd550346703b9f4d7d/html5/thumbnails/1.jpg)
1. ARIMA Autoregressive Integrated Moving Average (ARIMA) atau biasa disebut dengan metode
Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek, yang tidak
membentuk suatu model struktural baik itu persamaan tunggal atau simultan yang bebasis
kepada teori ekonomi atau logika, namun dengan menganalisis probabilistik atau stokastik dari
data deret waktu (time series) dengan menggunakan nilai masa lalu dan sekarang dari variabel
dependen untuk menghasilkan peramalan jangka pendek yang akurat dengan mengabaikan
variabel independennya. Hal ini terjelaskan dengan prinsip dari metode ini yaitu “let the data
speak for themselves”.
read more
Metode peramalan dengan menggunakan ARIMA dapat kita jumpai dalam peramalan
ekonomi, analisis anggaran, kontrol terhadap proses dan kualitas, analisis sensus, perubahan
struktur harga industri, inflasi, indeks harga saham, perkembangan nilai tukar terhadap mata
uang asing dsb.
Beberapa keuntungan yang dapat diperoleh dengan menggunakan ARIMA:
1) Merupakan model tanpa teori karena variabel yang digunakan adalah nilai-nilai lampau dan
kesalahan yang mengikutinya.
2) Memiliki tingkat akurasi peramalan yang cukup tinggi karena setelah mengalami
pengukuran kesalahan peramalan mean absolute error, nilainya mendekati nol.
3) Cocok digunakan untuk meramal sejumlah variabel dengan cepat, sederhana, akurat dan
murah karena hanya membutuhkan data variabel yang akan diramal.
Model ARIMA menggunakan pendekatan iteratif dalam indentifikasi terhadap suatu
model yang ada. Model yang dipilih diuji lagi dengan data masa lampau untuk melihat apakah
model tersebut menggambarkan keadaan data secara akurat atau tidak. Suatu model dikatakan
sesuai (tepat) jika residual antara model dengan titik-titik data historis bernilai kecil, terdistribusi
secara acak dan bebas satu sama lainnya.
Pemilihan model terbaik dapat dilakukan dengan membandingkan distribusi koefisien-
koefisien autocorrelation (otokorelasi) dari data time series tersebut dengan distribusi teoritis
dari berbagai macam model.
![Page 2: Arima](https://reader036.vdocuments.mx/reader036/viewer/2022082820/55cf8fbd550346703b9f4d7d/html5/thumbnails/2.jpg)
2. KLASIFIKASI MODEL ARIMA
Metode ARIMA dibagi kedalam tiga kelompok model time series linier, yaitu
autoregressive model (AR), moving average model (MA) dan model campuran yang memiliki
karakteristik kedua model di atas yaitu autoregressive integrated moving average (ARIMA).
1) Autoregressive Model (AR)
Suatu persamaan linier dikatakan sebagai autoregressive model jika model tersebut menunjukkan
���� sebagai fungsi linier dari sejumlah ���� actual kurun waktu sebelumnya
bersama dengan kesalahan sekarang. Bentuk model ini dengan ordo p atau AR (p) atau model
ARIMA (p,d,0) secara umum adalah:
2) Moving Average Model (MA)
Berbeda dengan moving average model yang menunjukkan ���� sebagai
fungsi linier dari sejumlah ���� aktual kurun waktu sebelumnya, moving average
model menunjukkan nilai ���� berdasarkan kombinasi kesalahan linier masa lalu
(lag). Bentuk model ini dengan ordo q atau MA (q) atau model ARIMA (0,d,q)
secara umum adalah:
Terlihat dari model bahwa ���� merupakan rata-rata tertimbang kesalahan sebanyak q
periode lalu yang digunakan untuk moving average model. Jika pada suatu model digunakan dua
kesalahan masa lalu maka dinamakan moving average model tingkat 2 atau MA (2).
3) Autoregressive Integrated Moving Average (ARIMA)
![Page 3: Arima](https://reader036.vdocuments.mx/reader036/viewer/2022082820/55cf8fbd550346703b9f4d7d/html5/thumbnails/3.jpg)
Sebuah model time series digunakan berdasarkan asumsi bahwa data time series yang
digunakan harus stasioner yang artinya rata-rata variasi dari data yang dimaksud konstan. Tapi
hal ini tidak banyak ditemui dalam banyak data time series yang ada, mayoritas merupakan data
yang tidak stasioner melainkan integrated. Data yang integrated ini harus mengalami proses
random stasioner yang seringkali tak dapat dijelaskan dengan baik oleh autoregressive model
saja atau moving average model saja dikarenakan proses tersebut mengandung keduanya. Oleh
karena itu campuran kedua model yang disebut autoregressive integrated moving average
(ARIMA) menjadi lebih efektif menjelaskan proses itu. Pada model campuran ini series stasioner
merupakan fungsi linier dari nilai lampau beserta nilai sekarang dan kesalahan lampaunya.
Bentuk umum model ini adalah:
Proses autoregressive integrated moving average secara umum dilambangkan dengan ARIMA
(p,d,q), dimana:
p menunjukkan ordo/derajat autoregressive (AR)
d adalah tingkat proses differencing
q menunjukkan ordo/derajat moving average (MA).
3. TAHAPAN ARIMA (Box-Jenkins)
Langkah-langkah penerapan metode ARIMA secara berturut-turut adalah identifikasi model,
pendugaan parameter model, pemeriksaan diagnosa dan penerapan model untuk peramalan.
Secara lengkap dapat dilihat pada bagan di bawah ini:
![Page 4: Arima](https://reader036.vdocuments.mx/reader036/viewer/2022082820/55cf8fbd550346703b9f4d7d/html5/thumbnails/4.jpg)
1) Model umum dan uji stasioneritas
Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Data secara
kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di
sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi
tersebut atau tetap konstan setiap waktu. Untuk mengetahui stasioner tidaknya data dapat diamati
dari time. Penggunaan model untuk peramalan. Pemeriksaan (uji) diagnosa estimasi parameter
model indentifikasi model tentatif (sementara) dengan memilih (p,d,q). Rumuskan model umum
dan uji stasioneritas data ya atau tidak. Series plot data tersebut, autocorrelation function data
atau model trend linier data terhadap waktu.
Suatu data time series yang tidak stasioner harus diubah menjadi data stasioner, karena
aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan data time series yang
stasioner. Salah satu cara yang paling sering dipakai adalah metode pembedaan (differencing)
yaitu menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi
apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi.
![Page 5: Arima](https://reader036.vdocuments.mx/reader036/viewer/2022082820/55cf8fbd550346703b9f4d7d/html5/thumbnails/5.jpg)
2) Identifikasi model
Setelah data time series yang akan diolah langkah berikutnya adalah penetapan model
ARIMA (p,d,q) yang sekiranya cocok. Jika data tidak mengalami differencing, maka d bernilai 0,
jika data menjadi stasioner setelah differencing ke- 1 maka d bernilai 1 dan seterusnya. Dalam
memilih dan menetapkan p dan qdapat dibantu dengan mengamati pola Autocorrelation
Function (ACF) dan Partial Autocorrelation Function (PACF) dengan acuan sebagai berikut:
Kesalahan yang sering terjadi dalam penentuan p dan q bukan merupakan masalah besar
pada tahap ini, karena hal ini akan diketahui pada tahap pemeriksaan diagnosa selanjutnya.
3) Pendugaan parameter model
Ada dua cara yang mendasar untuk mendapatkan parameter-parameter
tersebut:
Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan
memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu parameter
yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of squared
residual).
Perbaikan secara iteratif, memilih taksiran awal dan kemudian penghitungan dilakukan Box-
Jenkins Computer Program untuk memperhalus penaksiran tersebut secara iteratif.
![Page 6: Arima](https://reader036.vdocuments.mx/reader036/viewer/2022082820/55cf8fbd550346703b9f4d7d/html5/thumbnails/6.jpg)
4) Pemeriksaan diagnosa
Dalam pemeriksaan terhadap model ada beberapa metode yang bisa
dilakukan, antara lain adalah:
a. Pengujian model secara keseluruhan (Overall F test) dan pengujian masing masing
parameter model secara parsial (t-test), untuk menguji apakah koefisien model signifikan
secara statistik atau tidak baik secara keseluruhan maupun parsial
b.Model dikatakan baik jika nilai error bersifat random, artinya sudah tidak mempunyai pola
tertentu lagi. Dengan kata lain model yang diperoleh dapat menangkap dengan baik pola
data yang ada. Untuk melihat kerandoman nilai error dilakukan pengujian terhadap nilai
koefisien autokorelasi dari error, dengan menggunakan salah satu dari dua statistik berikut:
dengan:
n’ = n-(d+SD)
d = ordo pembedaan bukan faktor musiman
D = ordo pembedaan faktor musiman
S = jumlah periode per musim
m = lag waktu maksimum
![Page 7: Arima](https://reader036.vdocuments.mx/reader036/viewer/2022082820/55cf8fbd550346703b9f4d7d/html5/thumbnails/7.jpg)
5) Pemilihan model terbaik
Untuk menentukan model yang terbaik dapat digunakan standard error estimate berikut:
dengan:
Zt = nilai sebenarnya pada waktu ke-t
�� �� = nilai dugaan pada waktu ke-t
Model terbaik adalah model yang memiliki nilai standard error estimate (S) yang paling
kecil. Selain nilai standard error estimate, nilai rata-rata persentase kesalahan peramalan
(MAPE) dapat juga digunakan sebagai bahan pertimbangan dalam menentukan model yang
terbaik yaitu:
dengan:
T = banyaknya periode peramalan/dugaan
6) Penggunaan model untuk peramalan
Jika model terbaik telah ditetapkan, maka model siap digunakan untuk peramalan. Untuk
data yang mengalami differencing, bentuk selisih harus dikembalikan pada bentuk awal dengan
melakukan proses integral karena yang diperlukan adalah ramalan time series asli. Notasi yang
digunakan dalam ARIMA adalah notasi yang mudah dan umum. Misalkan model ARIMA
(0,1,1)(0,1,1)9 dijabarkan menjadi sebuah persamaan regresi yang lebih umum:
Nilai et+1 tidak akan diketahui, karena nilai yang diharapkan untuk kesalahan random pada masa
yang akan datang harus ditetapkan sama dengan nol. Akan tetapi dari model yang disesuaikan
(fitted model) kita boleh mengganti nilai et et-8 dan et-9 dengan nilai nilai mereka yang ditetapkan
![Page 8: Arima](https://reader036.vdocuments.mx/reader036/viewer/2022082820/55cf8fbd550346703b9f4d7d/html5/thumbnails/8.jpg)
secara empiris (seperti yang diperoleh setelah iterasi terakhir algoritma Marquardt). Tentu saja
bila kita meramalkan jauh ke depan, tidak akan kita peroleh nilai empiris untuk “e” sesudah
beberapa waktu, dan oleh sebab itu nilai harapan mereka akan seluruhnya nol. Untuk nilai Z pada
awal proses peramalan, kita akan mengetahui nilai Zt, Zt-8, Zt-9. Akan tetapi sesudah beberapa
saat, nilai Z akan berupa nilai ramalan (forecasted value), bukan nilai-nilai masa lalu yang telah
diketahui. Teknik peramalan dengan menggunakan ARIMA juga memberikan confidence
interval. Jika peramalan dilakukan jauh ke depan, maka confidence interval umumnya juga akan
makin melebar. Namun tidak demikian untuk confidence interval moving average model murni.
Peramalan merupakan never ending process yang berarti jika data terbaru muncul, model perlu
diduga dan diperiksa kembali.