62 nol terjadi pada lag 1, 2, 3, 4 dan 6. Pada lag-lag selanjutnya nilai
autokorelasinya sama dengan nol, hal ini menunjukkan data impor oranges dari China belum stasioner dan perlu dilakukan pembedaan. Melihat dari plot ACF
dan PACF sesudah dilakukan pembedaan, ACF memiliki pola damped exponential-oscilation sedangkan PACF memiliki pola damped exponential.
2. Estimasi
Setelah data distasionerkan, hasil analisis dari perilaku atau pola ACF dan PACF model tentatif yang mungkin adalah model AR 1,1 dan MA 1,1.
Data yang menunjukkan adanya unsur musiman maka perlu dilakukan pembedaan pada lag musimannya dengan D=1. selain kemungkinan dari model
tersebut, tidak menutup kemungkinan untuk model tentatif yang lain. Menentukan model terbaik diantara model-model yang ditentukan adalah memilih model yang
memiliki nilai MSE terkecil. Walaupun pada plot non musiman tidak menunjukkan adanya unsur trend, juga diuji dengan pembedaan. Model SARIMA terbaik yang
terpilih adalah SARIMA 0,0,1 0,1,2
12
.
3. Evaluasi Model Uji Diagnostik
Setelah dilakukan estimasi koefisien model, selanjutnya dilakukan evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau
belum. Kreiteria dalam evaluasi metode SARIMA antara lain: - Proses iterasi harus convergence
Hasil pengolahan Model SARIMA menunjukkan bahwa proses iterasi telah convergence antara dua model sudah tidak ada beda yang nyata. Proses
iterasi terlah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010.
63 - Residual
random Residual dari hasil peramalan dari model juga menunjukkan bahwa residual
forcast error sudah random. Sebagai indikator residual hasil ramalan telah random indikator yang digunakan adalah modifeid Box-Pierce statistik. Hal ini
ditunjukkan bahwa nilai P-value untuk uji staitistik dari residual lebih besar dari 0,05. Selain itu grafik ACF dan PACF dari residual yang memiliki pola cut off
menunjukkan bahwa residual telah acak. - Kondisi invertibilitas ataupun stasioneritas harus terpenuhi
Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam
output model terlihat jumlah koefisien untuk MA = - 0, 9673 , SMA 1,1 = - 0,9985 dan SMA 1,2 = - 0,9759.
- Parameter yang diestimasi berbeda nyata dari nol Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari
nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa P- value parameter untuk MA 1 = 0,000, untuk SMA 1,1 = 0,000 dan SMA
1,2 = 0,000. - Model harus parsimonius
Keseluruhan model yang telah memenuhi sayarat di atas, model SARIMA 0,01 0,1,2
12
adalah model yang relatif sudah dalam bentuk paling sederhana
- Model harus memiliki nilai MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba.
Model ini meiliki nilai MSE sebesar 2,77E+11.
4. Peramalan