Estimasi Parameter Model Autoregressive Integrated Moving Average ARIMA

58 Dari Gambar 3.8 plot autokorelasi ACF dan Gambar 3.9 plot autokorelasi parsial PACF menunjukkan bahwa pola ACF cenderung terpotong cut off pada lag 1 dan 2 sementara pola PACF cenderung perlahan-lahan menghilang dies down sehingga estimasi yang diperoleh adalah model ARIMA 1,3,10,3,0 12 , ARIMA 1,3,11,3,0 12 , ARIMA 1,3,10,3,1 12 , ARIMA 1,3,11,3,1 12 , ARIMA 1,3,20,3,0 12 , ARIMA 1,3,21,3,0 12 , ARIMA 1,3,20,3,1 12 , ARIMA 1,3,21,3,1 12 , ARIMA 2,3,10,3,0 12 , ARIMA 2,3,1 1,3,0 12 , ARIMA 2,3,10,3,1 12 , ARIMA 2,3,11,3,1 12 , ARIMA 2,3,20,3,0 12 , ARIMA 2,3,21,3,0 12 , ARIMA 2,3,20,3,1 12 , ARIMA 2,3,21,3,1 12 .

3.2.3 Estimasi Parameter Model

Dalam penelitian ini Model ARIMA dapat diterima hanya dengan Model ARIMA yang ditetapkan ada enam belas yaitu model ARIMA 1,3,10,3,0 12 , ARIMA 1,3,11,3,0 12 , ARIMA 1,3,10,3,1 12 , ARIMA 1,3,11,3,1 12 , ARIMA 1,3,20,3,0 12 , ARIMA 1,3,21,3,0 12 , ARIMA 1,3,20,3,1 12 , ARIMA 1,3,21,3,1 12 , ARIMA 2,3,10,3,0 12 , ARIMA 2,3,11,3,0 12 , ARIMA 2,3,10,3,1 12 , ARIMA 2,3,11,3,1 12 , ARIMA 2,3,20,3,0 12 , ARIMA 2,3,2 1,3,0 12 , ARIMA 2,3,20,3,1 12 , ARIMA 2,3,21,3,1 12 maka tahap selanjutnya adalah melakukan estimasi terhadap parameter ke enam belas model. Dalam mencari nilai estimasi parameter model ARIMA ini sangat rumit sehingga digunakan bantuan program komputer yaitu software Minitab 17,0. Berikut adalah estimasi parameter- parameter untuk keseluruhan model ARIMA: Tabel 3.10 Final Estimates of Parameters ARIMA Model Parameter Koefisien SE Koefisien T P ARIMA 1,3,1,0,3,0 12 AR1 0,4627 0,1653 2,80 0,008 MA1 0,9171 0,0734 12,49 0,000 ARIMA 1,3,1,1,3,0 12 AR1 0,3052 0,2329 1,31 0,197 SAR12 -0,6861 0,1245 -5,51 0,000 MA1 0,7745 0,1541 5,03 0,000 ARIMA 1,3,1,0,3,1 12 AR1 0,2465 0,2743 0,90 0,374 MA1 0,6775 0,2113 3,21 0,003 SMA12 0,7169 0,1607 4,46 0,000 59 Lanjutan Tabel Final Estimates of Parameters ARIMA Model Parameter Koefisien SE Koefisien T P ARIMA 1,3,1,1,3,1 12 AR1 0,3136 0,2723 1,15 0,256 SAR12 -0,2353 0,2080 -1,13 0,264 MA1 0,7143 0,2055 3,48 0,001 SMA12 0,6918 0,2371 2,92 0,006 ARIMA 1,3,2,0,3,0 12 AR1 -0,3416 1,0479 -0,33 0,746 MA1 0,1209 1,0164 0,12 0,906 MA2 02957 0,5099 0,58 0,565 ARIMA 1,3,2,1,3,0 12 AR1 0,7975 0,1285 6,21 0,000 SAR12 -0,6105 0,1304 -4,68 0,000 MA1 1,3341 0,0508 26,26 0,000 MA2 -0,3887 0,0591 -6,58 0,000 ARIMA 1,3,2,0,3,1 12 AR1 0,3732 0,5395 0,69 0,493 MA1 0,8276 0,5681 1,46 0,152 MA2 -0,0048 0,3952 -0,01 0,990 SMA12 0,7421 0,1649 4,50 0,000 ARIMA 1,3,21,3,1 12 AR1 0,3806 0,5379 0,71 0,483 SAR12 -0,2442 0,2032 -1,20 0,236 MA1 0,8023 0,5675 1,41 0,165 MA2 0,0124 0,3843 0,03 0,974 SMA12 0,7355 0,2234 3,29 0,002 ARIMA 2,3,1,0,3,0 12 AR1 -0,3296 0,4990 -0,66 0,512 AR2 -0,2503 0,2298 -1,09 0,282 MA1 0,1200 0,5146 0,23 0,817 ARIMA 2,3,1,1,3,0 12 AR1 0,3409 0,2473 1,38 0,175 AR2 0,1676 0,2017 0,83 0,410 SAR12 -0,7108 0,1255 -5,66 0,000 MA1 0,8484 0,1792 4,74 0,000 ARIMA 2,3,1,0,3,1 12 AR1 0,2744 0,3216 0,85 0,398 AR2 0,0385 0,2261 0,17 0,866 MA1 0,7146 0,2967 2,41 0,020 SMA12 0,7122 0,1638 4,35 0,000 ARIMA 2,3,1,1,3,1 12 AR1 0,3807 0,2267 1,68 0,101 AR2 0,0669 0,1986 0,34 0,738 SAR12 -0,2407 02070 -1,16 0,252 MA1 0,8352 0,1668 5,01 0,000 SMA12 0,7283 0,2312 3,15 0,003 ARIMA 2,3,20,3,0 12 AR1 -0,3456 1,2071 -0,29 0,776 AR2 -0,1296 0,3750 -0,35 0,731 MA1 0,1138 1,2101 0,09 0,926 MA2 0,1495 0,8102 0,18 0,854 60 Lanjutan Tabel Final Estimates of Parameters ARIMA Model Parameter Koefisien SE Koefisien T P ARIMA 2,3,21,3,0 12 AR1 0,3420 0,9740 0,35 0,727 AR2 0,1740 0,4060 0,43 0,670 SAR12 -0,7084 0,1283 -5,52 0,000 MA1 0,8494 0,9644 0,88 0,384 MA2 0,0042 0,7866 0,01 0,996 ARIMA 2,3,20,3,1 12 AR1 0,1977 1,8192 0,11 0,914 AR2 0,1786 0,7933 0,23 0,823 MA1 0,6598 1,8296 0,36 0,720 MA2 0,1903 1,5725 0,12 0,904 SMA12 0,7480 0,1687 4,43 0,000 ARIMA 2,3,21,3,1 12 AR1 0,1218 1,6570 0,07 0,942 AR2 0,2590 0,7746 0,33 0,740 SAR12 -0,2660 0,1931 -1,38 0,176 MA1 0,5455 1,6782 0,33 0,747 MA2 0,2980 1,4335 0,21 0,836 SMA12 0,7431 0,2133 3,48 0,001 3.2.4 Verifikasi Parameter Model Setelah mendapatkan nilai-nilai parameter dari kedua model ARIMA maka langkah selanjutnya adalah melakukan verifikasi terhadap parameter-parameter kedua model ARIMA tersebut dengan menggunakan uji distribusi t. Adapun verifikasi yang dilakukan terhadap parameter-parameter model ARIMA 1,3,1 0,3,0 12 yaitu: � : ∅ 1 = 0 nilai parameter ∅ 1 tidak signifikan � 1 : ∅ 1 ≠ 0 nilai parameter ∅ 1 signifikan Selanjutnya adalah menghitung nilai � ℎ����� dengan rumus sebagai berikut: � ℎ����� = ∅ 1 � ��∅ 1 3.8 � ℎ����� = 0,4627 0,9171 = 0,505 61 Keterangan: ∅ 1 � = Koefisien parameter ∅ 1 ��∅ 1 = Standard Error koefisien parameter ∅ 1 Nilai parameter dikatakan signifikan apabila nilai �� ℎ����� � � ����� . Artinya, � ditolak dan � 1 diterima. Sebaliknya, jika nilai �� ℎ����� � ≤ � ����� maka � diterima dan � 1 ditolak. Ketika nilai � = 1 dan jumlah data produksi kernel PT. Eka Dura Indonesia sebanyak 60 � = 60 maka diperoleh nilai � ����� =1;�−1 = 2,0010 lampiran 7 sehingga dapat ditarik kesimpulan bahwa nilai �� ℎ����� � = 5,18 � ����� =5;�−1 = 2,0010 , dengan kata lain, � ditolak dan � 1 diterima atau parameter ∅ 1 signifikan. Untuk menguji parameter model ARIMA selanjutnya dapat dilakukan dengan cara yang sama. Berikut adalah Uji signifikansi nilai parameter model ARIMA yang disajikan dalam bentuk tabel 3.11. Tabel 3.11 Uji Signifikansi Nilai-Nilai Parameter Model ARIMA 1,3,10,3,0 12 dan ARIMA 1,3,2 1,3,0 12 Model Parameter Koefisien SE Koefisien T P Keputusan ARIMA 1,3,1,0,3,0 12 AR1 0,4627 0,1653 2,80 0,008 Signifikan MA1 0,9171 0,0734 12,49 0,000 Signifikan ARIMA 1,3,2,1,3,0 12 AR1 0,7975 0,1285 6,21 0,000 Signifikan SAR12 -0,6105 0,1304 -4,68 0,000 Signifikan MA1 1,3341 0,0508 26,26 0,000 Signifikan MA2 -0,3887 0,0591 -6,58 0,000 Signifikan Dari Tabel 3.11 dapat dilihat bahwa hanya ada dua model yang parameternya signifikan yaitu ARIMA 1,3,10,3,0 12 dan ARIMA 1,3,2 1,3,0 12 . Selanjutnya adalah melakukan pemilihan kedua model ARIMA.

3.2.5 Pemilihan Model ARIMA

Dokumen yang terkait

Metode Pemulusan (Smoothing) Eksponensial Ganda (Linier Satu Parameter dari Brown) dan Metode Box-Jenkins dalam Meramalkan Curah Hujan di Kota Medan

6 78 78

Metode Pemulusan Eksponensial Ganda Satu Parameter Terhadap Peramalan Jumlah Guru & Jumlah Murid Sekolah Menengah Atas Tahun 2012-2015 Di Kecamatan Galang

2 29 71

Aplikasi Metode Pemulusan Eksponensial Ganda Dari Brown Untuk Kelapa Sawit Pada PT. Perkebunan Nusantara III Tahun 2010 Dan 2011

0 23 65

Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode Box-Jenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.

2 15 141

Cover Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode BoxJenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.

0 1 12

Abstract Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode BoxJenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.

0 0 2

Chapter I Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode BoxJenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.

0 0 9

Chapter II Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode BoxJenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.

0 0 22

Reference Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode BoxJenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.

0 1 1

Appendix Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode BoxJenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.

0 0 60