Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. Kelebihan ini bisa mencakup variabel yang digunakan dan jenis Daten Zeit seriesnya. Nah, dalam penentuan peramalan terbaik ini cukup sulit. Tapi salah satu tehnik peramalan paling sering digunakan adalah ARIMA (autoregresif integreted gleitenden Durchschnitt). ARIMA ini sering juga krankheit metode runtun waktu box-jenkins. Dalam pembahasan kali ini kita akan sedikit membahas ARIMA. Modell ARIMA adalah Modell yang secara penuh mengabaikan independen varibel dalam pembuatan peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. Namun untuk peramalan jangka panjang ketepatan peramalannya kurnag baik Tujuan ARIMA adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan model tersebut. ARIMA digunakan untunk suatu variabel (univariate) deret waktu Untuk mempermudah dalam menghitung Modell ARIMA dapat digunakan berbagai aplikasi diantaranya EViews, Minitab, SPSS, dll. dalam pembahasan kali ini menggunakan aplikai EViews 6.0. Klasifikasi Modell ARIMA: Modell ARIMA dibagi dalam 3 unsur, yaitu: Modell autoregresif (AR), gleitender Durchschnitt (MA), Dan Integreted (I). Ketiga unsur ini bisa dimodifikasi sehingga membentuk modell baru Misalnya Modell autoregresif dan gleitenden Durchschnitt (ARMA). Namun, apabila mau dibuat dalam bentuk umumnya menjadi ARIMA (p, d, q). P menyatakan ordo AR, d menyatakan ordo Integreted dan q menyatakan ordo bewegende avirage. Apabila modelnya menjadi AR maka Modell umumnya menjadi ARIMA (1,0,0). Untuk lebih jelasnya berikut dijelaskan untuk masing-masing unsur Autoregresif Bentuk Umum dari Modell autoregresif dengan ordo p (AR (p)) atau Modell ARIMA (P, 0,0) dinyatakan sebagai beikut: maksud dari autoregresif yaitu nilai X dipengaruhi oleh nilai x periode sebelumnya hingga periode ke-p. Jadi yang berpengaruh disini adalah variabel itu sendiri. (0,0, q) dinyatakan sebagai beriku: maksud dari gleitender Durchschnitt yaitu nilai variabel x dipengaruhi oleh Fehler dari varibel x tersebut. Integreted bentuk umum dari model integreted dengan ordo d (I (d)) atau Modell ARIMA (0, d, 0). Integreted disini adalah menyatakan Unterschied dari Daten. Maksudnya bahwa dalam membuuat Modell ARIMA syarat keharusan yang harus dipenuhi adalah stasioneritas Daten. Apabila daten stasioner pada level maka ordonya sama dengan 0, namun apabila stasioner pada verschiedene pertama maka ordonya 1, dst. Modell ARIMA dibagi dalam 2 bentuk Yaitu Modell ARIMA tanpa musiman dan Modell ARIMA musiman. Modell ARIMA tanpa musiman merupakan Modell ARIMA Yang tidak dipengaruhi oleh faktor waktu musim. Bentuk umum dapat dinyatakan dalam persamaan berikut Sedangkan ARIMA musiman merupakan Modell ARIMA Yang dipengaruhi oleh faktor waktu musim. Model ini biasa disebut Saison ARIMA (SARIMA). Bentuk umum dinyatakan sebagai berikut Adapun tahap - tahapan pembuatan Modell ARIMA: 1. identifikasi Modell tentatif (sementara) 2. Pendugaan Parameter 3. cek Diagnose 1. Identifikasi Pada tahap ini kita akan mencari atau menetukan p, d, dan q. Penentuan p dan q dengan bantuan korelogram autokorelasi (ACF) dan korelogram autokorelasi parsial (PACF). Sedangkan 8216d8217 ditentukan dari tingkat stasioneritasnya. ACF disini mengukur korelasi antara pengamatan dengan lag ke-k sedangkan PACF merupakan pengukuran korelasi antara pengamatan dengan lag ke-k dan dengan mengontrol korelasi anttara dua pengamatan dengan lag kurang dari k. Atau dengan kata lain, pACF adalah korelasi antara yt dan yt-k setelah menghilangkan efek yt yang terletak diatara kedua pengamatan tersebut. 2. Pendugaan Parameter Pada tahap ini tidak akan dijelaskan secara teori bagaimana langkah-langkah menduga Parameter. Mungkin teman-teman bisa mencari di referensi Dalam menduga Parameter ini sangatlah susah kalau dikerjakan secara Handbuch. Sehingga diperlukanlah bantuan Software-Software. Sekarang ini banyak sekali software yang digunakan untuk melakukan analisis ARIMA seperti SPSS, EViews dan Minitab. 3. Cek Diagnostik Setelah menduga Parameter, langkah selajutnya adalah menguji Modell apakah modelnya sudah baik untuk digunakan. Untuk melihat Modell yang baik bisa dilihat dari residualnya. Jika residualnya weißen Lärm, Maka modelnya dapat dikatakan baik dan sebaliknya. Salah satu cara untuk melihat weißes Geräusch dapat diuji melalui korelogram ACF dan PACF dari residual. Bila ACF als PACF tidak signifikan, ini mengindikasikan restlichen weißen Lärm artinya modelnya sudah cocok. Selain itu dapat dilakukan dengan test Ljung-Box untuk mengetahui weiß noisenya. Apabila Hipoteis Awalnya Diterima Maka Rest Memenuhi Syarat weißen Lärm. Sebaliknya Jika Hipoteis Awalnya Ditolak Maka Rest Tidak weißen Lärm. Statistik uji Ljung-Box sebagai berikut: Dari hasi tersebut mungkin saja ada beberapa Modell yang baik digunakan. Sehingga langkah selanjutnya dengan memilih modell terbaik dengan melihat beberapa indikator lain, seperti AIC, SIC, R2adjusted 4. Vorhersage Setelah ketiga tahap itu dilewati maka dapat dilakukan peramalan. Peramlan ini sesungguhnya merupakan penjabaran dari persamaan berdasarkan koefisien-koefisien yang didapat, sehingga kita dapat menetukan kondisi di masa yang akan datang. Refrensi: Nachrowi Djalal Nachrowi dan Hardius Usman. Ekonometrika untuk analisis ekonomi dan keuangan 2006. Lembaga Penelitian dan Pemberdayaan Masyarakat. IPB Model Box jenkins ARIMA 2006. Geschrieben von: Nasrul Setiawan Terima kasih sudah membaca artikel Zeitreihe dengan judul Metode Box - Jenkins (ARIMA). Anda bisa Lesezeichen Halaman Ini Dengan URL statistikceria. blogspot. co. id201212metode-box-jenkins-arima. html. Apabila ada yang kurang jelas silahkan tinggalkan komentar atau pesan. Portal - Statistik Bertemu lagi dengan postingan kali ini, setelah sekian lama offline dari dunia blogger, tidak pernah lagi mengurusi blog, nah pada kesempatan kali ini saya mau berbagi kembali kepada semua sahabat yang membutuhkan tutorial Atau pengetahuan tentang prognose peramalan, mungkin beberapa hari kedepan saya akan banyak memposting tulisan tentang prognose. Semoga tulisan ini dapat berguna bagi kita semua Pada postingan pertama tentang analisis runtun waktu kali ini, saya akan berbagi tentang analisis runtun waktu yang paling sederhana yaitu metode Moving Average. Analisis runtun waktu merupakan suatu metode kuantitatif untuk menentukan pola Daten masa lalu yang telah dikumpulkan secara teratur. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi dari variabel zufällige berdistribusi bersama. Gerakan musiman adalah gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang sama yang selalu menunjukkan pola yang identik. Contohnya: harga saham, inflasi Gerakan zufällige adalah gerakan naik turun waktu yang tidak dapat diduga sebelumnya dan terjadi secara acak contohnya: gempa bumi, kematian dan sebagainya. Asumsi yang penting yang harus dipenuhi dalam memodelkan runtun waktu adalah asumsi kestasioneran artinya sifat-sifat yang mendasari proses tidak dipengaruhi oleh waktu atau proses dalam keseimbangan. Apabila asumsi stasioner belum dipenuhi maka deret belum dapat dimodelkan Namun, deret yang nonstasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Data Runtun Waktu Salah Satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk daten runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola daten. Ada empat tipe umum Horizontal, trend, saisonal, dan zyklisch. Ketika-Daten Beobachtungs-Berubah-ubah di sekitar tingkatan atau rata-rata yang konstan disebut pola horizontal. Seutelai contoh penjualan tiap bulan suatu produkt tidak meningkat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal. Ketika Daten Beobachtungen naik atau menurun pada perluasan periode suatu waktu disebut pola trend Pola zyklisch ditandai dengan adanya fluktuasi bergelombang Daten yang terjadi di sekitar Garis Trend. Ketika observasi dipengaruhi oleh faktor musiman krankheit pola saisonale yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen saisonale runtun tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Single Moving Average Rata-rata bergerak tunggal (Gleitender Durchschnitt) untuk periode t adalah nilai rata-rata untuk n jumlah data terbaru. Dengan miaulnya Daten Baru, Maka Nilai Rata-Rata Yang Baru Dapat Dihitung Dengan Menghilangkan Daten Yang Terlama Dan Menambahkan Daten Yang Terbaru. Umzug durchschnittlich ini digunakan untuk memprediksi nilai pada periode berikutnya. Modell ini sangat cocok digunakan pada Daten yang stasioner atau Daten yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan daten yang mengandung unsur trend atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan Daten terachhir (Ft), dan menggunakannya untuk memprediksi Daten pada periode selanjutnya. Metode ini sering digunakan pada daten kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (Glättung). Dibanding dengan rata-rata sederhana (dari satu daten masa lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari Daten yang diketahui. Jumlah Titik Daten dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah Metode ini memerlukan penyimpanan yang lebih banyak karena semua T pengamatan terakhir harus disimpan, tidak hanya nilai rata-rata. Metode ini tidak dapat menanggulangi dengan baik adanya trend atau musiman, walaupun metode ini lebih baik dibanding rata-rata insgesamt. Diberikan N Titik Daten dan diputuskan untuk menggunakan T pengamatan pada setiap rata-rata (yang disebut dengan rata-rata bergerak orde (T) atau MA (T), sehingga keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2013 sampai dengan April 2014 menghasilkan Daten penjualan sebagai berikut: Manajemen ingin meramalkan hasil penjualan menggunakan metode peramalan yang cocok dengan Daten tersebut Bandingkan metode MA tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA ganda ordo 3x5 dengan aplikasi Excel, manakah metode yang paling tepat untuk Damen, dämmerung, dämmerung, dämmerung, dämmerung, dämmerung, dämmerung, dämmerung, dämmerung, dämmerung, dämmerung, dusche, dusche, dusche, Digunakan, buat nama variabel Bulan dan Daten kemudian masukkan Daten sesuai studi kasus Sebelum memulai untuk melakukan prognose, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran daten runtun waktunya, klik menu Graph 8211 Zeitreihe Plot 8211 Einfache, masukkan variabel Daten ke kotak Serie , Sehingga didapatkan Ausgang seperti gambar. Selanjutnya untuk melakukan prognostiziert dengan metode Moving Average single orde 3, klik menu Stat 8211 Zeitreihe 8211 Moving Average. . Seaha muncul tampilan seperti gambar dibawag, pada kotak Variable: masukkan variabel Daten, pada kotak MA Länge: masukkan angka 3, selanjutnya berikan centang pada Generationen prognosen dan isi kotak Anzahl der prognosen: dengan 1. Klik button Option dan berikan judul dengan MA3 dan klik OK. Selanjutnya klik button Speicherung als berikan centang pada Gleitende Durchschnitte, passt (Ein-Periode-voraus Prognosen), Residuals, Dan Prognosen, klik OK. Kemudian klik Graphs dan Pilih Plot vorhergesagt vs tatsächlichen Dan OK. Sehingga muncul Ausgabe seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari prognose Daten tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Double Moving Durchschnittlicher dapat dilihat DISINI. Ganti saja langsung angka-angkanya dengan daten sobat, hehhe. Maaf yaa saya tidak jelaskan, lagi laperr soalnya: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Dec 23, 2009 Uji weiß dilakukan dengan meregresikan residual kuadrat sebagai variabel dependen dengan variabel dependen ditambah dengan kuadrat variabel independen, kemudian ditambahkan lagi dengan perkalian dua variabel independen. Prosedur pengujian dilakukan dengan hipotesis sebagai berikut: H 0. Tidak ada heterokedastisitas H 1 Ada heterekodastisitas Jika 5, Maka tolak H 0 jika obsR-Quadrat gt X 2 atau P-Wert lt. Untuk melakukan uji weiß kita akan gunakan contoh Daten pada bahasan uji heteroskedastisitas dengan metode grafik. Anda dapat melihatnya disinigtgtgt 1. Jalankan langkah-langkah yang sama persis pada bahasan Regresi dengan Eau pada bahasan sebelumnya (jika belum mengerti anda bisa melihatnya langkahnya disini gtgt) 2. Setelah didapatkan hasil analisis regresilinier. Anda dapat memilih ANSICHT 8211 RESIDUAL TEST 8211 WEISSE HETEROSCEDASTIZITÄT (cross term). Seperti berikut ini: 3. Setela itu akan dikeluarkan OUTPUT sebagai berikut: Hasil Ausgabe menunjukkan nilai ObsR-squared adalah sebesar 5,68 sedangkan nilai probabilitas (chi-square) adalah 0,68 (lebih besar daripada 0,05), dengan demikian kita Dapat menerima hipotesis nol bahwa Daten tidak mengandung masalah heteroskedastisitas. Download materi ini versi pdf dibawah gtgtgt Teori amp Konsep Statistik Konsep Variabel Kualitatif dan Kuantitatif Tip Daten Statistik Deskriptif Konsep Parametrik Dan Nicht Parametrik Statistika Inferensia Penyusunan Hipoteis Teknik Pengukuran Statistik Teknik Sampling Sebaran Probabilitas Diskret Sebaran Normal Sebaran Binomial Sebaran Poisson Transformasi Daten Korelasi Bivariat Pemaparan Daten Kualitatif Dengan Tabulasi Silang neue IBM SPSS Ver.23
No comments:
Post a Comment