Tujuan Pemodelan ARIMA :
Untuk
memahami dan menjelaskan mekanisme tertentu dengan variabel independen itu
sendiri,
sekaligus meramalkan suatu nilai di masa depan, mengoptimalkan sistem
kendali .
Tahap-tahap dalam pemodelan ARIMA :
1. Uji Stationeritas Data.
2. Mendeteksi model dengan plot
correlogram.
3. Memilih model terbaik yang
sesuai dengan beberapa asumsi-asumsi, yang akan saya jelaskan setelah ini.
Model-Model ARIMA:
1. Model AR(p)
Adalah
model yang melihat pengaruh data sekarang (Yt) dengan data
sebelumnya (Yt-1)
.
1. Model
AR(p)
Model AR(p)
menjadi yang terbaik jika plot ACF mengalami dice down, dan PACF cut off
setelah lag p.
Ilustrasi :
Plot ACF dice down
Plot PACF cut off di lag 1.
|
2. Model Moving Average -
MA(q)
Adalah
metode membuat model time series dan memperhalus data yang dibuat data-data
secara berurutan dari sekelompok data.
Model MA(q) menjadi pilihan yang terbaik, jika plot ACF cut off, sementara plot PACF dice down.
Ilustrasi:
Plot ACF cut off pada lag 1.
Plot PACF dice down
|
3. Model
ARMA(p,q)
Model
ARMA(p,q) menjadi pilihan yang terbaik, jika plot ACF dan PACF cut off.
Plot ACF
cut off pada lag 1.
Plot PACF cut off pada lag 1.
|
Trivia :
ARIMA(1,1,2) adalah model ARMA (1,2) yang
dilakukan pada data First Difference.
Kriteria
model Arima Terbaik :
1. Pilih model yang paling
sederhana (parsimoni)
2. Pilih model dengan koefisien
yang signifikan.
3. Nilai Schwarz criteria terkecil
4. Nilai standard error of
regression terkecil.
5. Nilai Sum Squered residual
terkecil
6. Nilai adj-R2
terbesar.
7. Residual (error) bersifat white
noise (random/acak)
Langkah
pertama adalah mengecek stationeritas data.
Setelah
memasukkan data, kita uji Stationeritas dengan “Unit Root”
Pada grub data individual, KLIK View > Unit Root Test.... |
Akan muncul Tab "Unit Root Test" Uji dilakukan pada tingkat Level, dengan menggunakan pilihan "Intercept" |
Dari Hasil
uji ADF, diketahui bahwa variabel CURAHHUJAN
pada taraf nyata 5% telah
stationer pada tingkat level.
|
Maka, kita
dapat langsung menuju pemodelan metode Box Jenkins,
dengan melihat plot korelogram data
CURAHHUJAN.
KLIK View > Correlogram... |
Kita lihat plot Correlogram pada tingkat level, karena data stationer pada tingkat level |
Dari Plot
korrelogram, diketahui bahwa...
Plot ACF
mengalami cut off pada lag 2.
Plot PACF
mengalami cut off pada lag 1.
|
Maka
kemungkinan model ARIMA yang akan kita coba adalah...
AR(1) , nama lain model ini adalah
ARIMA (1,0,0)
MA(2) , nama lain model ini adalah
ARIMA (0,0,2)
ARMA(1,2) , nama lain model ini adalah ARIMA
(1,0,2)
Kita lakukan pemodelan.
KLIK Quick > Estimate Equation... |
Pemilihan Model yang terbaik.
Model yang terbaik adalah model AR(1)
Sekarang dilakukan peramalan pada model AR(1)
Pada tab hasil pemodelan AR(1) KLIK Forecast akan muncul tampilan ini, dan klik OK |
Hasil peramalan |
Untuk Pembahasan lebih lanjut, silahkan datang ke kantor Statistic Centre Bogor.
(Ditulis oleh Ivan Setiadi Tanujaya)
(Ditulis oleh Ivan Setiadi Tanujaya)
assalamu'alaikum mba boleh minta alamat emailnya untuk diskusi mengenai teknik arima?
ReplyDeleteapakah teknik arima cocok untuk rencana judul skripsi sya mengenai analisa perkembangan pengaruh sistem office channeling pada perkembangan aset perbankan syariah di Indonesia?
ReplyDeleteboleh minta referensi nya??
ReplyDeleteBisa minta alamat email?
ReplyDelete