Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins Dengan Eviews LENGKAP - Portal Statistik

Langkah-lan Langkah-langkah gkah Peramalan Peramalan Dengan Metode ARIMA Box-Jenkins Box-Jenkins deng...

About

Contact Us

Artikel

Privacy Policy

Disclaimer

http://www http://www.portal.portal-statist statistik.com ik.com/2014/1 /2014/10/lank 0/lankah-lan ah-langkah-p gkah-perama eramalan-de lan-deng... ng...

Sitemaps

Analisis Statistik

Teknik Sampling

Forecasting

R

Wisata

Beranda » Eviews » forecasting » Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins dengan Eviews LENGKAP

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins dengan Eviews LENGKAP OLEH M NASHIHUN ULWAN

Bagikan :

Suka

SATURDAY, 25 OCTOBER 2014

Tweet

6

Portal Statistik Blog Belajar Analisis Data

Start Download - View PDF

Join Join This This Site Site OneszAccess Corpora… 810 suka Ikuti

184 pengikut

Portal-Statistik Portal-Statistik | Selamat pagi, selamat tahun baru 1 Muharram 1436 H. D it it ah ah un un tutori tutorial al

b ar ar u

H ij ij ri ria h

Penerap Penerapan an

d an an

Metode Metode

di

p ag ag i

ARIMA ARIMA

y an an g

c er er ah ah

in i, i,

(Autore (Autoregress gressive ive

s ay ay a

a ka ka n

b er er ba ba gi gi

Integrat Integrated ed

Moving Moving

Average) Dalam Peramalan Data Runtun Waktu , seperti yang kita semua sudah tahu metode ARIMA ini memang cukup ampuh dalam meramalkan beberapa atau

Popular Minggu Ini

banyak data dimasa yang akan datang, untuk itu silahkan teman-teman teman-teman perhatikan

Teknik pengambilan sampel

dan pahami sendiri, saya buatkan cara semudah mungkin agar cepat untuk dipahami.

dengan metode purposive sampling

Autoregresif Integrated Moving Average (ARIMA) ARIMA sering juga disebut metode runtun waktu Box-Jenkins. Box-Jenkins. Model Autoregresif Autoregresif

1

Contoh kasus teknik pengambilan

independent variabel dalam membuat peramalan. ARIMA menggunakan nilai masa

sampel dengan metode purposive sampling 2

lalu dan sekarang dari variabel dependent untuk menghasilkan peramalan jangka

Analisis Deskriptif dengan Minitab 3

Integrated Integrated Moving Average Average (ARIMA) adalah model yang secara penuh mengabaikan mengabaikan

pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain (dependent).

Analisis Regresi Linear Berganda dan Variabel Dummy dengan SPSS 4

Klasifikasi model ARIMA

Cara Membaca atau Melihat Tabel

dibagi kedalam 3 kelompok, yaitu: model autoregressive Model Box-Jenkins (ARIMA) (ARIMA) dibagi

Normal Z

(AR), moving average (MA), dan model campuran campuran ARIMA (autoregressive (autoregressive moving average) yang mempunyai karakteristik dari dua model pertama. 1. Autoregressive Model (AR) Bentuk umum model autoregressive dengan ordo p (AR(p)) atau model ARIMA (p,0,0) dinyatakan sebagai berikut:

5

Uji ANOVA (Analisys Of Variance) dan Uji Perbandingan Ganda dengen SPSS

6

Uji Normalitas dengan menggunakan SPSS (Normality Test)

CATEGORY

7



Artikel Artikel Statistik Statistik (24) DataMin DataMining ing (6) forecasting forecasting (4)

R (10) 10) RANC OB OB (4) S AS AS (7 )

Statistik Statistik SPSS (24) Teknik Sampling (4)



Artikel Artikel Statistik Statistik (24) DataMin DataMining ing (6) forecasting forecasting (4)

R (10) 10) RANC OB OB (4) S AS AS (7 )

Statistik Statistik SPSS (24) Teknik Sampling (4)



2. Moving Average Model (MA) Bentuk umum model moving average ordo q (MA(q)) atau ARIMA (0,0,q) dinyatakan sebagai berikut:

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins deng...

http://www.portal-statistik.com/2014/10/lankah-langkah-peramalan-deng...

3. Model campuran a)

Proses ARMA

Model umum untuk campuran proses AR(1) murni dan MA(1) murni, misal ARIMA (1,0,1) dinyatakan sebagai berikut:


b)


Proses ARIMA

Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka model umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus sederhana ARIMA (1,1,1) adalah sebagai berikut:



Studi Kasus. Studi kasus nilai tukar rupiah terhadap dolar US. Data yang diamati selama satu tahun, mulai tanggal 1 Mei 2011 sampai dengan 1 Mei 2012. Data diperoleh dari http://www.bi.go.id. untuk datanya bisa anda download disini. Silahkan dicoba menggunakan data diatas terlebih dahulu untuk memudahkan pemahaman :) Akan dilakukan forcasting terhadap data yang tersedia dari periode 1 sampai dengan 248. Adapun langkah-langkah melakukan forcasting terhadap data tersebut dengan menggunakan aplikasi Eviews metode ARIMA adalah. 1. Membuka aplikasi Eviews dengan melakukan double click pada icon desktop atau bagaimanalah caranya terserah. 2. Setelah aplikasi Eviews terbuka dan siap digunakan, klik menu File – New -

Workfile .



3. Selanjutnya pilih menu Object – New Object , kemudian pilih Series dan isikan nama data pada kotak Name for object.



4. Selanjutnya double klik pada nama data yang telah dibuat, klik button Edit , dan

paste data pada studi kasus pada kolom.



5. Kemudian lihat model data dari studi kasus, pada data ulwan, klik menu View –

Graph - OK, kemudian akan muncul seperti diabwah ini.



6. Agar data tersebut stasioner terhadap variansi, maka dilakukan transformasi kedalam bentuk Logaritma Natural (ln). Pada menu utama, klik menu Quick –

Generate Series, pada Enter equation isi dengan kode lnulwan=log(ulwan) , ini dimaksudkan untuk melakukan transformasi pada data dengan nama ulwan.



7. Selanjutnya adalah menguji apakah data tersebut stasioner terhadap mean, pada data yang telah ditransformasi, klik menu View – Unit Root Test , kemudian isi sesuai gambar dibawah.



8. Karena data tersebut belum stasioner, maka dilakukan differencing , kemudian diuji lagi kestasionerannya, klik menu View – Unit Root Test, kemudian isi sesuai dengan gambar dibawah.



9. Selanjutnya adalah identifikasi model awal, klik menu View – Correlogram, kemudian pilih 1st difference da n Ok . Sehingga muncul grafik ACF dan PAC seperti gambar dibawah.


10. Dari

model

grafik

diatas,

dapat

diduga

data

tersebut


mengikuti

model

ARIMA(1,1,1) atau ARIMA(0,1,1) tanpa konstanta. Pada halaman utama Eviews masukkan perintah seperti gambar dibawah untuk melakukan overviting, lakukan sampai mendaatkan model yang signifikan dan terbaik .





11. Karen yang signifikan adalah model ARIMA(0,1,1) tanpa konstanta , maka yang digunakan adalah model tersebut, langkah selanjutnya adalah diagnostic check. Yang pertama adalah uji normalitas residu , klik menu View – Residual Test –

Hostogram Normality Test. 12. Selanjutnya adalah uji asumsi autokorelasi, klik menu View – Residual Test –

Correlogram Q Statistics. 13. Selanjutnya adalah uji asumsi heteroskedastisitas, k lik m enu

View

–

Residual Test – Correlogram Squared Residuals . 14. Selanjutnya adalah melakukan forecast atau peramalan, doubleklik pada range

data dan ubah nilai End date dengan 249.


15. Klik menu Forecast dan isi sesuai dengan gambar dibawah ini




16. Selanjutnya adalah, mengembalikan hasil forecast kedalam bentuk atau data asil dengan mengeksponensialkan data yang berbentuk ln.



Oke, sudah selesai semua langkah-langkah peramalan dengan metode ARIMA, Mari kita bahas output dari aplikasi Eviews ini satu persatu.



Hipotesis Ho : Data tidak stasioner H1 : Data stasioner Tingkat Signifikansi: α=0.05 Daerah Kritis: |ADF| >|t-Statistic| : Tolak H0 Statistika Uji: ADF = -0.93

t-Statistic = -2.87

Keputusan Uji Karena nilai |ADF| < |t-Statistic| maka keputusannya adalah gagal tolak H0 Kesimpulan : Jadi dengan tingkat signifikansi 5% didapatkan kesimpulan bahwa data tersebut tidak stasioner.



Berdasarkan gambar diatas, karena nilai |ADF| > |t-Statistic| maka keputusannya adalah tolak H0 yang berarti data sudah stasioner. Setelah

dilakukan

overfitting terhadap

2

model

yaitu

ARIMA(0,1,1) tanpa konstanta maka didapatkan hasil yaitu:

ARIMA(1,1,1)

dan



Berdasarkan gambar diatas, dapat dilakukan pemilihan model terbaik, dilihat dari signifikan nilai probabilitasnya atau melihat nilai Akaike Info Criterion (AIC) atau

Schwarz Criterion (SC) dengan melihat nilai terkecil.



Berdasarkan tabel diatas maka model terbaik yang dapat digunakan adalah model

ARIMA (0,1,1) , hasil diagnostic check dapat dilihat pada gambar dibawah ini:



Berdasarkan gambar, terlihat bahwa nilai Prob. < alpha = 0.000 < 0.05 maka tolak H0 yang berarti data residual tidak berdistribusi normal .



Berdasarkan gambar terlihat pada nilai prob. terdapat beberapa nilai yang tidak signifikan, oleh karena itu dapat disimpulkan bahwa terdapat gejala autokorelasi terhadap data residual.



Berdasarkan gambar terlihat pada nilai prob. semua nilai tidak signifikan, oleh karena itu dapat disimpulkan bahwa terdapat gejala heteroskedastisitas terhadap data residual. Pada kasus ini, semua asumsi yang kita harapkan tidak memenuhi, oleh karena itu data tersebut bisa didekati dengan metode lain seperti menghilangkan efek heteroskedastisitasnya terlebih dahulu dengan metode ARCH-GARCH atau yang lainnya. Karena yang saya bahas disini adalah metode ARIMA, saya akan melanjutkan contoh ini sampai selesai forecast atau peramalan.





Gambar diatas merupakan hasil forecast data kurs Rupiah terhadap Dolar satu periode kedepan, pada gambar pertama dapat dilihat informasi MSE dan MAE yang masih dalam bentuk Ln yaitu 0.0045 dan 0.0029, dan pada gambar kedua dapat dilihat hasil forecast untuk periode 249 adalah Rp 9145.952. Demikian, tutorial tentang langkah-langkah peramalan dengan metode ARIMA dengan Eviews. Tambahan sedikit, sebelum melakukan analisis runtun waktu silahkan perhatikan plot data terlebih dahulu, jika terdapat faktor musiman silahkan bisa di analisis dengan metode SARIMA (Seasonal Autoregressive Integrated Moving Average) untuk menganalisis data musiman.

Terimakasih atas kunjungan anda. Jika ada yang kurang jelas, silahkan ditanyakan, dan mudah-mudahan saya bisa membantu : Semoga Bermanfaat. HAVE FUN.

Tag : Eviews, forecasting

PREVIOUS

NEXT

Peramalan Data Runtun Waktu Metode

Spesial Post Untuk Hari Statistik Nasional

SARIMA dengan Eviews

Related Post: Cara Peramalan dengan Metode Single Moving Average dan Double Moving Average Peramalan Data Runtun Waktu Metode SARIMA dengan Eviews Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins dengan Eviews LENGKAP Penerapan Model ARCH GARCH Dalam Peramalan Data Runtun Waktu Dengan Eviews

19 Komentar untuk "Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins dengan Eviews LENGKAP" Double Aces 28 OCTOBER 2014 AT 22:00

Balas

Terima kasih mas atas artikel yang sangat bermanfaat ini, tapi bila mas bersedia meluangkan waktu mohon juga dibahas artikel ini dengan memakai software SPSS. Berhubung saya saat ini sedang belajar statistika dengan software ini. Terima kasih sebelumnya mas. :)

Double Aces 28 OCTOBER 2014 AT 22:37

Balas

Ada tambahan... mohon info password untuk file "studi kasus arima.zip" ya mas Nashihun.



M Nashihun Ulwan 29 OCTOBER 2014 AT 03:05 Ya, sama-sama, semoga bermanfaat, untuk peramalan time series menurut saya lebih enak jika menggunakan eviews mass :D, tapi itu tergantung orangnya juga sih he... passwordnya sudah ada di keterangan samping winrarnya: "portal-statistik"

Double Aces 31 OCTOBER 2014 AT 16:27

Balas

Terima kasih mas... saya akan coba praktekkan. :)

Tony Dharmapala 11 NOVEMBER 2014 AT 09:14

Balas

Assalamualaikum Mas saya punya data rencana dan realisasi belanja barang tahun anggaran 2006-2014 dari data itu saya ingin meramalkan realisasi belanja barang tahun 2015-2017, apakah data yang saya punya terlalu sedikit sehingga metode ARIMA/Fungsi Transfer/metode lainnya tidak bisa digunakan untuk melakukan peramalan? lalu pertanyaanselanjutnya apakah metode yang paling tepat dan sesuai untuk meramalkannya? trims sebelumnya

M Nashihun Ulwan 11 NOVEMBER 2014 AT 09:40

Balas

Waalaikumsalam, Wr.Wb saya rasa data yang dimiliki sudah cukup untuk melakukan peramalan. Semua metode pada dasarnya sama, memiliki keunggulan dan kelemahan masing2, untuk ukuran kebaikannya nanti bisa dilihat ukuran error atau MSE hasil peramalannya, coba bandingkan saja dgn metode lainnya, selanjutnya pilih metode yg errornya terkecil untuk dijadikan metode peramalan yg dianggap paling baik. :)

Tony Dharmapala 11 NOVEMBER 2014 AT 11:19

Balas

Balas

Cukup ya Mas, soalnya lihat data studi kasus punya Mas datanya harian dan mencapai 134 data. sedangkan saya hanya data 8 tahun saja.. apa harus dibuat data perbulan biar banyak ya Mas? maaf banyak tanya hehehe Trims Mas



M Nashihun Ulwan 11 NOVEMBER 2014 AT 13:04 ya sebenarnya bisa saja diramalkan meskipun datanya hanya 8. tapi jika itu bisa dibuat dalam bulanan itu malah lebih baik lagi, semakin banyak data semakin baik hasil peramalannya, selain itu kita juga bisa melihat plot data lebih detail lagi, apakah ada faktor musiman juga atau tidak.

Aryadzouber.blogspot.com 20 FEBRUARY 2015 AT 00:27

Balas

aplikasi eviews didapat dimana ya mas? bisa Email ke [email protected] ga? terima kasih sebelumnya.

M Nashihun Ulwan 20 FEBRUARY 2015 AT 10:16

Balas

Cari di google aja mas, banyak kok yang posting.

Gege Safetyanto Raharjo 18 JUNE 2015 AT 00:57

Balas

menggunakan mode Expert Modeler di SPSS dan Automatic Forcasting ARIMA di EViews apakah benar2 mendapatkan model terbaik ya mas?

M Nashihun Ulwan 18 JUNE 2015 AT 18:59

Balas

Kalau dari saya sendiri, belum tentu yang dihasilkan oleh autoarima error yang dihasilkan bisa lebih baik, kebetulan sudah saya coba jg. baiknya sih dilakukan overvitting lebih banyak lagi guna mendapatkan model yang terbaik.

Gege Safetyanto Raharjo 22 JUNE 2015 AT 17:45

Balas

Oh gitu ya mas, wahhh makasih banyak mas infonya, bermanfaat banget blognya :)

This comment has been removed by the author. - Hapus

andy 5 DECEMBER 2015 AT 00:15

Balas

ujung2nya kagak jelas, bgmn forecastnya ga dijelasin apa yg harus di klik, "doubke klik pada range data", yg mana yg harus di klik, pemula mana tau

anggitama putrasiagian 19 DECEMBER 2015 AT 20:19

Langkah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins Dengan Eviews LENGKAP - Portal Statistik

Recommend Documents