Tahap Identifikasi Metode Peramalan Box-Jenkins Model ARIMA
dan musiman yang terkandung dalam data digunakan bantuan i plot data, ii plot ACF, iii plot PACF.
Pada tahap berikutnya adalah identifikasi nilai banyaknya parameter AR non- musiman p dan banyaknya parameter MA non-musiman q. untuk menentukannya dibantu
oleh alat dalam plot Gambar ACF dan PACF yang secara ringkas disajikan pada Tabel 2.
Tabel 2. Penentuan Model ARIMA p,d,q
Model ACF
PACF Moving Average orde q Cut off setelah lag q q=1
atau 2 Eksponensial Dies down
dan atau sinusoidal Autoregressive orde p
Eksponensial dies down dan atau sinusoidal
Cut off setelah lag p p=1 atau 2
Mixed autoregressive- moving average orde
p,q Eksponensial Dies down
dan atau sinusoidal Eksponensial Dies down
dan atau sinusoidal
Sumber
: Gaynor dan Kirpartrik 1994 Dalam data deret waktu yang mengandung unsur musiman dan tidak stasioner maka
langkah untuk proses stasioneritas dilakukan dua tahap, yaitu i mendeteksi pola-pola stasioner, AR dan MA pada unsur musiman dan ii mendeteksi pola-pola stasioner, AR
dan MA pada unsur non-musiman. Untuk menentukannya dibantu oleh alat dalam plot Gambar ACF dan PACF yang secara ringkas disajikan pada Tabel 3.
Tabel 3. Penentuan Model ARIMA p,d,q P,D,Q
Model ACF
PACF Non seasonal-moving
average q=1 atau q=2 Cut off setelah lag q q=1
atau 2; koefisien korelasi tidak signifikan pada lag-
lag musiman Dies down
seasonal-moving average q=1
Cut off setelah lag L, koefisien korelasi tidak
signifikan pada lag-lag non-musiman
Dies down
Non seasonal-moving average q=1 atau q=2;
Q=1 Cut off setelah lag L,
terdapat koefisien korelasi yang signifikan
pada lag non-musiman ke-1 atau 2
Dies down
Non seasonal- autoregressive p=1 atau
2 Dies down
Cut off setelah lag q q=1 atau 2; koefisien korelasi
tidak signifikan pada lag- lag musiman
seasonal-autoregressive p=1
Dies down Cut off setelah lag L,
koefisien korelasi tidak signifikan pada lag-lag
non-musiman
Non seasonal- autoregressive p=1 atau
2; P=1 Dies down
Cut off setelah lag L, terdapat koefisien
korelasi yang signifikan pada lag non-musiman
ke-1 atau 2
Mixed autoregressive- moving average non-
seasonal; seasonal Dies down
Sumber :
Gaynor dan Kirpartrik 1994 Eliminasi unsur musiman dilakukan dengan melakukan pembedaan terhadap data
awal. Jika panjang musiman adalah S, maka pembedaan ke-S dirumuskan dengan : 1-Bs Xt
Sedangkan eliminasi unsur trend dilakukan dengan pembedaan ordo ke-d terhadap data hasil eliminasi unsur musiman.