1. Autocorrelation function correlogram 2. Uji akar-akar unit
3. Derajat integrasi Suatu series dikatakan stasioner atau menunjukkan kesalahan random adalah jika
koefisien autocorrelation untuk semua lag secara statistic tidak berbeda dari nol hanya untuk beberapa lag yang di depan. Kata“secara statistik” menunjukkan bahwa kita
sedang berhubungan dengan koefisien suatu koefisien dikatakan tidak berbeda dari nol jika ia berada dalam interval 0±Zα21√n. Dimana,
Zα2 = nilai variabel normal standar dengan tingkat keyakinan1-α n
= banyaknya observasi, pada model ini biasanya digunakan n besar, paling tidak 50 data observasi.
2.1.3.6 Identifikasi Model
Setelah data runtut waktu telah stasioner, langkah berikutnya adalah menetapkan model ARIMA p,d,q yang sekiranya cocok tentatif, maksudnya menetapkan
berapa p, d, dan q. Jika tanpa proses differencing d diberinilai 0, jika menjadi stasioner setelah firstorder differencing d bernilai1 dan seterusnya. 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 Autokorelasi dan Autokorelasi Parsial
Autocorrelation Partialautocorrelation
ARIMAtentatif
23
Menuju nol setelah lag q Menurun secara
bertahapbergelombang ARIMA0,d,q
Menurun secara bertahapbergelombang
Menuju nol setelah lag q ARIMAp,d,0
Menurun secara bertahapbergelombang sampai
lag q masihberbedadarinol Menurun secara
bertahapbergelombang sampai lag p
ARIMAp,d,q
Sumber: Mulyono 2000
Dalam praktik pola autocorrelation dan partial autocorrelation seringkali tidak menyerupai salah satu dari pola yang ada pada tabel itu karena adanya variasi
sampling. Jika sudah terbiasa atau berpengalaman pemilihan p, dan q diharapkan dekat dengan yang benar. Perhatikan bahwa kesalahan memilih p dan q bukan merupakan
masalah, dan akan dimengerti setelah tahap diagnostic checking. Pada umumnya analis 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.
2.1.3.7 Pendugaan Parameter Model
Misalkan bentuk model tentatif telah ditetapkan, langkah berikutnya adalah menduga parameternya. Pendugaan parameter model ARIMA menjadi sulit karena
adanya unsur moving average yang menyebabkan ketidaklinieran parameter. Jadi disini tidak lagi digunakan Ordinary Least Squares OLS, sebagai gantinya digunakan metode
penduga non-linier. Seperti halnya dalam model regresi, criteria pendugaan adalah sum squared error minimum. Perhatikan bahwa model autoregressive murni dapat diduga
dengan OLS. 24
Proses pendugaan diawali dengan menetapkan nilai awal parameter koefisien model dilanjutkan dengan proses iterasi menuju parameter yang menghasilkan sum
squared error terkecil. Pemilihan nilai awal parameter berpengaruh terhadap banyaknya iterasi. Jika pilihan awal dekat dengan parameter yang sebenarnya, konvergensi
akan tercapai lebih cepat. Sebaliknya dugaan yang sial memungkinkan proses iterasi tidak konvergen.
2.1.3.8 Diagnostic Checking
