26
benar stasioner. Dengan kata lain, Proses Diferensi adalah suatu proses mencari perbedaan antara data satu periode dengan periode yang
lainnya secara berurutan. Data yang dihasilkan disebut data diferensi tingkat pertama, jika kita kemudian melakukan diferensi data tingkat
pertama maka akan menghasilkan data diferensi tingkat kedua, dan seterusnya sampai pada tingkat deferensi keberapa data sudah
stasioner.
Gambar 2.1 SkemaPendekatan Model ARIMA Rumuskan kelompok model yang umum
1. Tahap Identifikasi
Identifikasi Model
3. Tahap Chek Diagnostik
Verifikasi apakah model sesuai
2. Tahap Estimasi
Estimasi Parameter Model
Ya Tidak
4. Tahap Forecasting
Gunakan Model yang sesuai untuk peramalan
Universitas Sumatera Utara
27
Ada beberapa tahapan-tahapan dalam
melakukan peramalan menggunakan model ARIMA p,d,q yaitu :
1. Identifikasi model Pada tahap ini kita akan memilih model yang tepat yang bisa
mewakili deret pengamatan dengan membuat plot time series kita dapat mengetahui pola data trend deret pengamatan serta
menentukan p, d, dan q. Penentuan p dan q dengan bantuan autokorelasi ACF dan autokorelasi parsial PACF sedangkan d
ditentukan dari tingkat stasioneritasnya. Apabila data yang digunakan
tidak stasioner
maka dilakukan
differencing pembedaan agar data tersebut menjadi stasioner. Pedoman umum
untuk melihat apakah orde dari model deret waktu stasioner sudah cukup baik berdasarkan ACF dan PACF sebagai berikut
Model ACF
PACF
AR p Berpola
eksponensial atau seperti gelombang
sinus yang melemah Perbedaan nilai antara
selisih waktu pertama lag-1 dengan nilai
sesudah selisih waktu ke-p
lag-p cukup
besar MA q
Perbedaan nilai antara selisih waktu pertama
lag-1 dengan
nilai sesudah selisih waktu ke-
plag-q cukup besar Berpola
eksponensial atau seperti gelombang
sinus yang melemah
ARMA p,q Berpola menurun secara cepat sesudah lag q,p
Berpola menurun
secara cepat sesudah lag p,q
Universitas Sumatera Utara
28
2. Pendugaan parameter Estimasi parameter Setelah berhasil menetapkan identifikasi model, dipilih model yang
baik menggunakan metode kuadrat terkecil dengan memperhatikan konstanta parameter AR dan parameter MA, sehingga parameter
model dapat meminimumkan nilai residual. Model AR dan MA orde pertama :
� dan � harus terletak diantara -1 dan +1 untuk AR1 -1
� +1 dan MA 1 -1� +1 sedangkan untuk AR 2 - 2
� +2 dan -1� +1, MA 2 -2� +2 dan -1� +1. 3. Diagnostik cheking pemeriksaan model estimasi
Diagnostik cheking dilakukan untuk memeriksa apakah model yang diestimasi cukup sesuai dengan data yang ada. Untuk
memeriksa apakah residual dengan memeriksa indepedensi antara lag ditunjukkan oleh grafik autokorelasi residual. Apabila grafik
fungsi autokorelasi menunjukkan tidak ada satu lag yang keluar batas selang kepercayaan maka residual independen.
4. Peramalan forecasting Setelah diperoleh model yang memadai, peramalan pada satu atau
lebih periode ke depan dapat dilakukan.
Universitas Sumatera Utara
29
2.5 Kerangka Operasional
