15 14
13 12
11 10
9 8
7 6
5 4
3 2
1 1.0
0.8 0.6
0.4 0.2
0.0 -0.2
-0.4 -0.6
-0.8 -1.0
Lag P
a rt
ia l
A u
to c
o rr
e la
ti o
n
Partial Autocorrelation Function for Data Penjualan Antalgin Setelah Pembedaan 1
w ith 5 significance limits for the partial autocorrelations
Gambar 5.13. Grafik Autokorelasi Parsial Data Penjualan Antalgin Setelah Pembedaan 1
Grafik autokorelasi pada Gambar 5.12 menunjukkan bahwa grafik berbentuk cuts off sedangkan grafik autokorelasi pada Gambar 5.13, menunjukkan
bahwa grafik berbenuk dies down. Dengan demikian, data penjualan antalgin telah stasioner dalam mean karena grafik autokorelasi dan grafik autokorelasi
parsialnya berbentuk cuts off dan dies down.
5.2.2.2. Pengidentifikasian Model Antalgin
Langkah pertama metode peramalam Box Jenkins menunjukkan bahwa data telah stasioner baik dalam variansi maupun dalam mean. Langkah kedua,
pengidentifikasian model, dapat dilakukan apabila langkah pertama telah menyatakan bahwa data telah stasioner.
Universitas Sumatera Utara
Penentuan model peramalan Box Jenkins bergantung pada hasil pengidentifikasian terhadap sifat atau bentuk grafik dari autokorelasi dan
autokorelasi parsial. Untuk mempermudah penentuan model peramalan yang dihasilkan dari grafik autokorelasi dan autokorelasi parsial, dapat dilihat pada
Tabel 5.24.
Tabel 5.24. Pengidentifikasian Model Data Penjualan Antalgin
Pengidentifikasian model peramalan Box-Jenkins dapat dilakukan dengan tepat apabila tidak terjadi salah pemahaman terhadap bentuk grafik autokorelasi
dan autokorelasi parsial. Pengidentifikasian model peramalan menjadi lebih mudah dengan adanya bantuan dari Tabel 5.24. Adapun ketentuan
pengidentifikasian adalah sebagai berikut: 1. Grafik autokorelasi dan grafik autokorelasi parsial dapat berbentuk dies down
maupun cuts off . Kombinasi dari masing-masing bentuk autokorelasi dan autokorelasi parsial akan memberikan model yang terdapat pada kolom 3 dan
Grafik Autokorelasi
Grafik Autokorelasi
Parsial Model yang
terbentuk jika tidak ada I
differencing Model yang
terbentuk jika ada I
differencing
Dies down menurun
cepat secara sinusoidal
Cuts off terputus
setelah lag ke sekian
ARp ARIp,d
Cuts off terputus
setelah lag ke sekian
Dies down menurun cepat
secara sinusoidal
MAq IMAd,q
Dies down menurun
cepat secara sinusoidal
Dies down menurun cepat
secara sinusoidal
ARMAp,q ARIMAp,d,q
Universitas Sumatera Utara
kolom 4. Pada data penjualan Antalgin, grafik autokorelasi berbentuk cuts off dan autokorelasi parsial berbentuk dies down, oleh karena itu, model yang
mungkin terbentuk adalah model MA atau IMA 2. Setelah ditentukan model yang mungkin terbentuk, diteliti apakah data
historis mengalami proses differencing atau tidak. Jika data historis mengalami proses differencing maka model yang terbentuk memiliki unsur I.
Data penjualan Antalgin menunjukkan bahwa data telah stasioner dalam mean setelah dilakukan differencing sebanyak 1 kali , maka model yang
terbentuk adalah IMAd,q Model yang terbentuk adalah model IMAd,q. Jumlah differencing
dinyatakan dalam d. Jadi, nilai d yang diperoleh adalah 1 karena dilakukan differencing sebanyak 1 kali. Nilai q dapat diperoleh dari pengamatan terhadap
grafik autokorelasi dan autokorelasi parsial. Pada grafik autokorelasi penjualan antalgin, dapat dilihat bahwa data terputus setelah lag 1. Hal yang sama juga dapat
dilihat pada grafik autokorelasi parsial yang menurun secara cepat setelah lag 1. Hal ini berarti bahwa model yang terbentuk adalah IMA1,1.
5.2.2.3. Pengestimasian Parameter Model Antalgin
