1. Identifikasi
Menduga order p,d,q pada ARIMA (dengan plot times series,
ACF dan PACF). Mengidentifikasi data
dilakukan statisioner dalam varians dan statisioner dalam means. Untuk melakukan identifikasi statisioner dalam varians dilakukan transformasi box
cox. Data
dikatakan telah stasioner dalam varians jika nilai Rounded Value (lambda) sama dengan
1. Jika data tidak stasioner dalam varians maka menggunakan transformasi
box-cox yang sesuai dengan nilai rounded value pada pengujian yang pertama.
Identifikasi selanjutnya yaitu statisioner dalam means yang dapat di lihat pada
gambar time series plot. Data dikatakan telah stasioner dalam means jika time
series plot dapat ditarik garis tengah secara lurus. Jika data belum stasioner
dalam means maka dilakukan differencing.
2. Estimasi
Setelah p dan q ditentukan, mengestimasi parameter AR dan MA yang ada pada
model. Estimasi ini bisa menggunakan teknik kuadrat terkecil sederhana maupun
dengan metode estimasi tidak linier. Menentukan model awal dengan ACF dan
PACF. pendugaan
parameter dengan Conditional Least Square (CLS).
3. Tes Hipotesis
Setelah
model ARIMA nya ditentukan, parameternya telah diestimasi, kemudian kita akan
cek apakah model ARIMA lain yang lebih cocok atau sama cocoknya dengan model
terpilih. Syarat
asumsi yang digunakan sebagai berikut.
a. White noise
Pada pengujian ini digunakan pengujian
L-jung Box, dengan hipotesis sebagai berikut.
Hipotesis:
H0
: Data telah white noise
H1
: Data tidak white noise
b. Residual
Normal
Pada pengujian ini digunakan hasil
output pengujian residual kolmogorov smirnov,dengan hipotesis sebagai berikut.
Hipotesis:
H0
: Residual telah berdistribusi normal
H1
: Residual tidak berdistribusi normal
c.
Signifikansi parameter
Hipotesis:
H0
: Data tidak signifikan
H1
: Data telah signifikan
Pengujian
residual model. dengan cara uji asumsi white
noise (Ljung-Box Test) dan uji asumsi distribusi normal (Kolmogorov
Smirnov, Anderson-Darling, QQ plot). Sebaliknya, bila tidak memenuhi salah satu asumsi maka harus melakukan pilihan ulang dari awal lagi. Oleh sebab itu, metodologi
Box-Jenkins disebut juga suatu proses iterasi.
4. Tes
Diagnostik
Pada tahap ini, akan dipilih model yang terbaik dengan kriteria kebaikan model
yaitu dengan memilih berdasarkan nilai MSE, MA, AIC, SBC dan lain-lain. Jika residualnya tidak
berdistribusi normal dan white noise maka diidentifikasi atau
ditransformasi lalu dilakukan pemilihan model terbaik.
5. Ramalan
Secara umum dan pada banyak hal, ramalan yang diperoleh dengan
menggunakan model ARIMA lebih reliabel bila dibandingkan dengan ramalan yang
menggunakan model ekonometri yang biasa.
 |
| Gambar 1. Flow Chart Metode Box-Jenkins |
1 komentar:
semoga referensi metode peramalan dapat bermanfaat bagi kita, terutama yang mahasiswa yang mau Tugas Akhir ^_^
Posting Komentar