3.5.1 Identifikasi Model
Pada analisa data sebelumnya, telah dihasilkan koefisien autokorelasi beserta plot datanya yang ditunjukkan pada gambar 3.1 dan gambar 3.2. Dari plot data dapat
dilihat data deret berkala tidak stasioner.
Untuk itu, sebelum diproses lebih jauh dengan ARIMA, maka perlu dilakukan proses pembedaan
differencing
. Langkah awal yang harus dilakukan adalah dengan menentukan nilai d
differencing
atau pembeda mulai dari angka terkecil, yakni 1. Hal ini sesuai dengan prinsip parsimoni yang selalu berusaha untuk memilih model
yang sederhana. Dengan demikian angka d pada model ARIMA
p,d,q
menjadi 1, sehingga dapat diidentifikasikan bahwa pada data dapat digunakan model ARIMA
p,1,q
. tahap ini akan dilakukan pada saat proses estimasi dan diagnostik.
3.5.2 Tahap estimasi penaksiran parameter dan diagnostik
Proses estimasi dan diagnostik dalam minitab dapat dilakukan secara bersamaan sekaligus. Secara teoritis, proses estimasi dilakukan dengan memasukkan berbagai
model, namun mengacu pada prinsip parsimoni yakni menggunakan model yang paling sederhana. Misalnya mulai dari ARIMA 1,1,0, ARIMA 0,1,1 dan
seterusnya.
Proses estimasi dan diagnostik untuk ARIMA 1,1,1 : 1.
Tetap pada file Yt, klik menu STAT TIME SERIES ARIMA
Sehingga muncul kotak dialog yang harus diisi beberapa hal. 2.
Pengisian : a.
Masukan variabel Yt pada kotak SERIES. b.
Abaikan kotak FIT SEASONAL MODEL, karena data tidak seasonal.
Universitas Sumatera Utara
c. Pada kolom NONSEASONAL, isi : AUTOREGRESIVE = 1,
DIFFERENCE = 1 dan MOVING AVERAGE = 1 d.
Biarkan kotak INCLUDE CONSTANT TERM IN MODEL tetap aktif, karena output nanti akan menampilkan konstanta untuk
persamaan ARIMA. 3.
Buka kotak FORECASTS dan kemudian isi kotak LEAD dengan angka 20 karena data yang akan diramalkan selama 20 periode, selanjutnya tekan
OK untuk kembali ke kotak dialog utama. 4.
Buka kotak GRAPHS, pada bagian RESIDUAL PLOTS, aktifkan pilihan ACF OF RESIDUALS dan PACF OF RESIDUALS. Kemudian tekan OK
untuk kembali ke kotak dialog dan tekan OK dari kotak dialog utama untuk proses data.
Output diagnostiknya:
Lag
A u
to c
o rr
e la
ti o
n
13 12
11 10
9 8
7 6
5 4
3 2
1 1.0
0.8 0.6
0.4 0.2
0.0 -0.2
-0.4 -0.6
-0.8 -1.0
ACF of Residuals for Yt
with 5 significance limits for the autocorrelations
Gambar 3.10 Output ACF model ARIMA 1,1,1
Universitas Sumatera Utara
Lag
P a
rt ia
l A
u to
c o
rr e
la ti
o n
13 12
11 10
9 8
7 6
5 4
3 2
1 1.0
0.8 0.6
0.4 0.2
0.0 -0.2
-0.4 -0.6
-0.8 -1.0
PACF of Residuals for Yt
with 5 significance limits for the partial autocorrelations
Gambar 3.11 Output PACF model ARIMA 1,1,1
Kedua grafik pada Gambar 3.10 dan Gambar 3.11 menunjukkan data sudah stasioner karena grafiknya tidak turun lambat dan linier. Hal ini menunjukkan bahwa
dengan melakukan pembedaan dengan lag 1, terbukti sudah tidak ada autokorelasi lagi. Dengan demikian model ARIMA 1,1,1 sudah dapat digunakan untuk prediksi,
namun tetap perlu dibandingkan dengan model lain yang kemungkinan juga layak untuk digunakan
Output nilai estimasi model ARIMA 1,1,1 :
Estimates at each iteration Iteration SSE Parameters
0 181.137 0.100 0.100 0.643 1 176.125 0.169 0.030 0.534
2 175.043 0.027 -0.120 0.619 3 173.830 -0.117 -0.270 0.705
4 172.598 -0.259 -0.420 0.788 5 171.413 -0.397 -0.570 0.867
6 170.623 -0.516 -0.720 0.926 7 170.545 -0.447 -0.667 0.880
8 170.541 -0.462 -0.680 0.888 9 170.541 -0.459 -0.677 0.886
10 170.540 -0.459 -0.678 0.886 Unable to reduce sum of squares any further
Final Estimates of Parameters Type Coef SE Coef T P
AR 1 -0.4595 0.4357 -1.05 0.297 MA 1 -0.6778 0.3652 -1.86 0.070
Constant 0.8865 0.4427 2.00 0.051 Differencing: 1 regular difference
Universitas Sumatera Utara
Number of observations: Original series 52, after differencing 51 Residuals: SS = 170.279 backforecasts excluded
MS = 3.547 DF = 48 Modified Box-Pierce Ljung-Box Chi-Square statistic
Lag 12 24 36 48 Chi-Square 5.5 19.0 24.5 38.6
DF 9 21 33 45 P-Value 0.787 0.587 0.857 0.737
Nilai MS pada residual model ARIMA 1,1,1 adalah 3,547. Nilai ini nantinya akan dibandingkan dengan nilai MS pada model-model ARIMA yang lain.
Perbandingan angka MS ini adalah bagian dari kegiatan diagnostik, khususnya untuk mencari model dengan MS terkecil namun lolos uji grafik ACF dan PACF. Jika model
ARIMA 1,1,1 ini nantinya dipakai untuk peramalan, maka persamaan estimasinya dengan menggunakan rumus AR yang terdiferensiasi adalah sebagai berikut :
Y
t
= µ
+
1
Y
t-1
+
1
Y
t-1
+ e
t
Dengan demikian, prediksi data ke 53 sampai 72 20 periode ke depan menjadi :
Y
t
= 0,8865 - 0,4595 Y
t-1
- 0,6778 Y
t-1
+ e
t
Hasil peramalan dengan model ARIMA 1,1,1 sebagai berikut :
Forecasts from period 52 95 Percent
Limits Period Forecast Lower Upper Actual
53 255.159 251.467 258.852 54 255.821 250.001 261.641
55 256.403 249.268 263.539 56 257.022 248.692 265.352
57 257.624 248.286 266.962 58 258.234 247.972 268.496
59 258.840 247.737 269.944 60 259.448 247.560 271.336
61 260.056 247.433 272.678 62 260.663 247.346 273.980
63 261.270 247.293 275.248 64 261.878 247.270 276.486
65 262.485 247.273 277.697 66 263.093 247.299 278.886
67 263.700 247.346 280.054 68 264.307 247.412 281.203
69 264.915 247.494 282.335 70 265.522 247.592 283.453
71 266.130 247.704 284.555 72 266.737 247.829 285.646
Selanjutnya akan dilakukan proses estimasi dan diagnostik untuk model ARIMA 0,1,1, ARIMA 1,1,0, ARIMA 2,1,0, ARIMA 0,1,2, ARIMA 1,1,2,
ARIMA 2,1,1 dan ARIMA 2,1,2.
Universitas Sumatera Utara
Dari delapan model yang telah ditentukan, maka akan diambil satu model terbaik yang nantinya akan digunakan peramalan. Pemilihan model terbaik ini
ditentukan oleh beberapa hal, yakni :
1. Model yang terpilih harus memiliki nilai probabilitas p pada persamaan
estimasinya dibawah 0,05. 2.
Model yang terpilih harus memiliki nilai MS mean of square yang terkecil.
3. Model terpilih harus lulus uji grafik ACF dan PACF.
Dengan mempertimbangkan 3 hal diatas maka hanya model ARIMA 2,1,2 yang memiliki nilai probabilitas p 0,05. Model ARIMA 2,1,2 memiliki nilai p
pada AR2 = 0,000 dan MA2 = 0,000. Sehingga model ini sudah dipilih sebagai model yang terbaik. Selanjutnya model ARIMA 2,1,1 akan diuji apakah terdapat
autokorelasi atau tidak dengan uji garfik ACF dan PACF. Berikut adalah gambar ACF dan PACF dari model ARIMA 2, 1, 2:
Lag A
u to
c o
rr e
la ti
o n
13 12
11 10
9 8
7 6
5 4
3 2
1 1.0
0.8 0.6
0.4 0.2
0.0 -0.2
-0.4 -0.6
-0.8 -1.0
ACF of Residuals for Yt
with 5 significance limits for the autocorrelations
Gambar 3.10 Grafik ACF model ARIMA 2,1,2
Universitas Sumatera Utara
Lag
P a
rt ia
l A u
to co
rr e
la ti
o n
13 12
11 10
9 8
7 6
5 4
3 2
1 1.0
0.8 0.6
0.4 0.2
0.0 -0.2
-0.4 -0.6
-0.8 -1.0
PACF of Residuals for Yt
with 5 significance limits for the partial autocorrelations
Gambar 3.11 Grafik PACF model ARIMA 2,1,2
Dari Gambar 3.10 dan Gambar 3.11 dapat diketahui bahwa kedua garfik tersebut tidak turun lambat dan linier. Sehingga tidak menunjukkan adanya
autokorelasi. Sehingga model ARIMA 2,1,2 sudah layak digunakan untuk peramalan data IHSG untuk periode berikutnya. Persamaan estimasi dengan menggunakan rumus
ARIMA 2,1,2 adalah :
X
t
= 1+
1
X
t-1
-
2
X
t-2
+ µ
-
2
e
t-1
-
2
e
t-2
+ e
t
X
t
= 1-0,6668 X
t-1
- -0,8582 X
t-2
+ 1,5584+ 0,9233 e
t-1
+ 0,9149 e
t-2
+ e
t
X
t
= 0,3332 X
t-1
+ 0,8582X
t-2
+ 1,5584 + 0,9233 e
t-1
+ 0,9149 e
t-2
+ e
t
X
t
= 1,5584 + 0,3332 X
t-1
+ 0,8582 X
t-2
+ 0,9233 e
t-1
+ 0,9149 e
t-2
+ e
t
Final Estimates of Parameters Type Coef SE Coef T P
AR 1 -0.6668 0.1578 -4.23 0.000 AR 2 -0.8582 0.1343 -6.39 0.000
MA 1 -0.9233 0.1552 -5.95 0.000 MA 2 -0.9149 0.1292 -7.08 0.000
Constant 1.5584 0.7207 2.16 0.036 Differencing: 1 regular difference
Number of observations: Original series 52, after differencing 51 Residuals: SS = 156.534 backforecasts excluded
MS = 3.403 DF = 46 Modified Box-Pierce Ljung-Box Chi-Square statistic
Lag 12 24 36 48 Chi-Square 4.1 18.3 23.1 37.6
DF 7 19 31 43 P-Value 0.767 0.501 0.844 0.704
Sehingga diperoleh hasil peramalan lampiran B kolom ramalan.
Universitas Sumatera Utara
3.6 Perbandingan Metode Pemulusan