Thursday, February 7, 2013

ARIMA - PEMODELAN PERAMALAN BERKALA

OLAH DATA STATISTIK
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)

Contoh Praktek pemodelan ARIMA

Download File Latihan (Eviews)

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...













Muncul tab baru "Equation Estimation"
Untuk Model AR(1) ketik “CURAHHUJAN c ar(1)” , tanpa tanda “”
Untuk Model MA(2) ketik “CURAHHUJAN c ma(1) ma(2)” , tanpa tanda “”
Untuk Model ARMA(1,2) ketik “CURAHHUJAN c ar(1) ma(1) ma(2)” , tanpa tanda “”


















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)






4 comments:

  1. assalamu'alaikum mba boleh minta alamat emailnya untuk diskusi mengenai teknik arima?

    ReplyDelete
  2. apakah teknik arima cocok untuk rencana judul skripsi sya mengenai analisa perkembangan pengaruh sistem office channeling pada perkembangan aset perbankan syariah di Indonesia?

    ReplyDelete