Professional Documents
Culture Documents
1. Box-Cox Transformation
Digunakan untuk stasioner data terhadap ragam dimana nilai Rounded Value harus 1 (data
harus ditransformasi).
2000
1500
1000 Limit
Transformasi 1 (TRANS1)
Box-Cox Plot of TRANS1
0,01680 λ
(using 95,0% confidence)
Estimate -0,80
0,01675
Lower CL *
Upper CL *
0,01670 Rounded Value -0,80
StDev
0,01665
0,01660
0,01655
0,01650
-5,0 -2,5 0,0 2,5 5,0
λ
Transformasi 2 (TRANS2)
Box-Cox Plot of TRANS2
λ
0,0001790 (using 95,0% confidence)
Estimate 1,00
Lower CL *
Upper CL *
0,0001785
Rounded Value 1,00
StDev
0,0001780
0,0001775
0,0001770
-5,0 -2,5 0,0 2,5 5,0
λ
Rounded value telah bernilai 1, maka data sudah stasioner terhadap ragam.
2. Autocorrelation
Digunakan untuk stasioner data terhadap rata-rata, dimana lag yang keluar dari confidence
interval tidak boleh lebih dari 3.
Grafik Autocorrelation
HARGA LADA
1,0
0,8
0,6
0,4
Autocorrelation
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Lag yang keluar dari garis merah (confidence interval) masih lebih dari 3, sehingga data
dikatakan tidak stasioner terhadap rata-rata dan perlu dilakukan differencing (pembedaan).
0,8
0,6
0,4
Autocorrelation
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Pada hasil grafik, sudah dapat dilihat bahwa data sudah stasioner terhadap rata-rata (lag tidak
lebih dari 3).
0,8
0,6
Partial Autocorrelation
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
ARIMA (1,1,0)
Model ini tidak signifikan terhadap parameter autoregressive (AR), dapat dilihat dari nilai P.
ARIMA (0,1,1)
Model ini tidak signifikan terhadap parameter moving average (MA), dapat dilihat dari nilai
P.
ARIMA (1,1,1)
Signifikan terhadap parameter autoregressive (AR) dan moving average (MA), dapat dilihat
pada nilai P (probabilitas), sehingga model terbaik adalah ARIMA (1,1,1)
ARIMA (SPSS)
Grafik menunjukkan bahwa data belum stasioner, sehingga perlu dilakukan differencing.
Grafik ACF dan PACF menunjukkan bahwa data sudah stasioner sehingga dapat dilakukan
estimasi menggunakan model ARIMA (1,1,0), ARIMA (0,1,1) dan ARIMA (1,1,1).
Estimasi Model ARIMA
Dapat dilihat pada hasil estimasi bahwa ARIMA 1,1,0 tidak signifikan terhadap parameter AR (0,818), sehingga model ini tidak dapat digunakan
untuk peramalan.
Dapat dilihat pada hasil estimasi bahwa ARIMA 0,1,1 tidak signifikan terhadap parameter MA (0,811), sehingga model ini tidak dapat digunakan
untuk peramalan.
Dapat dilihat pada hasil estimasi bahwa ARIMA 1,1,1 signifikan terhadap parameter AR (0,000) dan MA (0,017), sehingga model ini dapat
digunakan untuk peramalan.
Catatan : ARIMA dengan SPSS dilakukan untuk mendapatkan nilai MAPE, MAD dan MSD atau MSE.