3. Pemeriksaan diagnostik, 4. Peramalan.
Tidak Ya
Gambar 2.4 Flowchart tahapan dalam model ARIMA Box-Jenkins:
2.2.3.1 Model Umum dan Uji Stasioner
Suatu data runtun waktu dikatakan stasioner jika nilai rata-ratanya tidak berubah. Langkah pertama yang dilakukan untuk menunjukkan kestasioneran yakni dengan
menghitung nilai-nilai autokorelasi dari deret data asli. Apabila nilai tersebut turun dengan cepat ke atau mendekati nol sesudah nilai kedua atau ketiga, maka ini
menandakan bahwa data stasioner di dalam bentuk aslinya. Sebaliknya, apabila nilai autokorelasinya tidak turun ke nol dan tetap positif menandakan data tidak stasioner.
Apabila data yang menjadi input dari model ARIMA tidak stasioner, perlu dilakukan modifikasi untuk menghasilkan data yang stasioner. Salah satu cara yang
umum dipakai adalah metode pembedaan differencing, yaitu mengurang nilai data pada suatu periode dengan nilai data periode sebelumnya. Metode Box-Jenkins hanya
dapat diterapkan, menjelaskan, atau mewakili data yang stasioner atau telah dijadikan stasioner melalui proses differencing Mulyono, 2000. Karena data stasioner tidak
Identifikasi model ARIMA
Estimasi parameter dari model yang dipilih
Uji diagnostik apakah model sudah tepat? Menentukan tingkat stasionaritas data
Gunakan model untuk peramalan
Universitas Sumatera Utara
mempunyai unsur trend, maka yang ingin dijelaskan dengan metode ini adalah unsur sisanya, yaitu error. Apabila tetap tidak stasioner dilakukan pembedaan pertama lagi.
Untuk kebanyakan tujuan praktis, suatu maksimum dari dua pembedaan akan mengubah data menjadi deret stasioner.
2.2.3.2 Identifikasi Model
Langkah selanjutnya setelah data runtut waktu stasioner adalah menetapkan model ARIMA p,d,q yang cocok tentatif, yakni menetapkan menetapkan berapa p, d, dan
q. Jika pada pengujian stasioneritas dilakukan tanpa proses pembedaan differencing d maka diberi nilai 0, dan jika melalui pembedaan pertama maka bernilai 1 dan
seterusnya. Menurut Mulyono, 2000 dalam memilih berapa p dan q dapat dibantu dengan mengamati pola fungsi autocorrelation dan partial autocorrelation
correlogram dari series yang dipelajari, dengan acuan sebagai berikut :
Tabel 2.1 Pola Autokolerasi dan Autokorelasi Parsial
Autocorrelation Partial autocorrelation
ARIMA tentatif Menuju nol setelah lag q
Menurun secara bertahap Bergelombang
ARIMA 0,d,q Menurun secara
bertahapbergelombang Menuju nol setelah lag q
ARIMA p,d,0 Menurun secara bertahap
bergelombang sampai lag q
masih berbeda dari nol Menurun secara bertahap
bergelombang sampai lag p
masih berbeda dari nol ARIMA p,d,q
Pada umumnya, peneliti harus mengindentifikasi autokorelasi yang secara eksponensial menjadi nol. Jika autokorelasi secara eksponensial melemah menjadi nol
berarti terjadi proses AR. Jika autokorelasi parsial melemah secara eksponensial berarti terjadi proses MA. Jika keduanya melemah berarti terjadi proses ARIMA
Arsyad, 1995.
Universitas Sumatera Utara
2.2.3.3 Penduga Parameter Model
Kategori