ARIMA (MINITAB)

1. Box-Cox Transformation

Digunakan untuk stasioner data terhadap ragam dimana nilai Rounded Value harus 1 (data
harus ditransformasi).

Box-Cox Plot of Harga Lada

Lower CL Upper CL
λ
3500
(using 95,0% confidence)
Estimate -0,16

3000 Lower CL -0,68

Upper CL 0,33

Rounded Value 0,00

2500
StDev

2000

1500

1000 Limit

-5,0 -2,5 0,0 2,5 5,0

λ

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.

Autocorrelation Function: TRANS2

Autocorrelations
Lag ACF T LBQ
1 0,975932 10,69 117,17
2 0,953607 6,13 230,00
3 0,930180 4,69 338,26
4 0,907080 3,91 442,11
5 0,883131 3,40 541,39
6 0,859639 3,03 636,29
7 0,835696 2,74 726,77
8 0,809932 2,51 812,52
9 0,783463 2,31 893,48
10 0,756370 2,13 969,62
11 0,727887 1,98 1040,78
12 0,705885 1,86 1108,32
13 0,686043 1,76 1172,72
14 0,666926 1,67 1234,15
15 0,646052 1,58 1292,35
16 0,625058 1,50 1347,35
17 0,603948 1,42 1399,19
18 0,581855 1,35 1447,78
19 0,560338 1,28 1493,29
20 0,538165 1,21 1535,70
21 0,516606 1,15 1575,16
22 0,494119 1,09 1611,63
23 0,471009 1,02 1645,12
24 0,448196 0,97 1675,75
25 0,420095 0,90 1702,95
26 0,391891 0,83 1726,87
27 0,363379 0,77 1747,65
28 0,334250 0,70 1765,43
29 0,305220 0,64 1780,42
30 0,276086 0,58 1792,82

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).

Autocorrelation Function: DIFF1

Autocorrelations
Lag ACF T LBQ
1 -0,186490 -2,03 4,24
2 0,055470 0,59 4,62
3 -0,086944 -0,91 5,56
4 0,000953 0,01 5,56
5 -0,007141 -0,07 5,57
6 0,014232 0,15 5,59
7 0,046708 0,49 5,87
8 -0,054881 -0,57 6,26
9 0,000847 0,01 6,26
10 -0,012294 -0,13 6,28
11 -0,030411 -0,32 6,41
12 0,056972 0,59 6,84
13 -0,046421 -0,48 7,14
14 -0,024818 -0,26 7,22
15 0,004440 0,05 7,22
16 -0,059576 -0,62 7,72
17 0,023746 0,24 7,80
18 -0,017173 -0,18 7,84
19 0,028716 0,30 7,96
20 -0,080588 -0,83 8,91
21 -0,028083 -0,29 9,02
22 -0,020762 -0,21 9,09
23 -0,041980 -0,43 9,35
24 0,223074 2,27 16,89
25 -0,010501 -0,10 16,91
26 0,002747 0,03 16,91
27 -0,025928 -0,25 17,02
28 -0,006910 -0,07 17,02
29 -0,015500 -0,15 17,06
30 0,018139 0,18 17,11

Grafik Differencing (DIFF1)

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

Pada hasil grafik, sudah dapat dilihat bahwa data sudah stasioner terhadap rata-rata (lag tidak
lebih dari 3).

Partial Autocorrelation Function: DIFF1

Partial Autocorrelations
Lag PACF T
1 -0,186490 -2,03
2 0,021437 0,23
3 -0,075482 -0,82
4 -0,030517 -0,33
5 -0,007803 -0,09
6 0,006465 0,07
7 0,050338 0,55
8 -0,040842 -0,45
9 -0,018012 -0,20
10 -0,005033 -0,05
11 -0,041004 -0,45
12 0,044240 0,48
13 -0,031612 -0,34
14 -0,050344 -0,55
15 0,005302 0,06
16 -0,066265 -0,72
17 -0,003981 -0,04
18 -0,011573 -0,13
19 0,005764 0,06
20 -0,068025 -0,74
21 -0,063440 -0,69
22 -0,035838 -0,39
23 -0,059171 -0,65
24 0,197552 2,16
25 0,067897 0,74
26 -0,007615 -0,08
27 0,005763 0,06
28 -0,003887 -0,04
29 -0,022519 -0,25
30 0,001759 0,02

Grafik Partial Autocorrelation

 HARGA LADA
1,0

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

3. Hasil Estimasi Model ARIMA

 ARIMA (1,1,0)

ARIMA Model: Harga Lada

Estimates at Each Iteration
Iteration SSE Parameters
0 777456552 0,100 478,678
1 766210373 -0,015 540,442
2 766180984 -0,021 543,292
3 766180909 -0,021 543,425
4 766180909 -0,021 543,431
Relative change in each estimate less than 0,001

Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value
AR 1 -0,0215 0,0926 -0,23 0,817
Constant 543 235 2,32 0,022
Differencing: 1 regular difference
Number of observations: Original series 120, after differencing 119

Residual Sums of Squares

DF SS MS
117 766180880 6548555
Back forecasts excluded

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 1,24 19,51 22,48 28,15
DF 10 22 34 46
P-Value 1,000 0,614 0,935 0,982

Model ini tidak signifikan terhadap parameter autoregressive (AR), dapat dilihat dari nilai P.

 ARIMA (0,1,1)

ARIMA Model: Harga Lada

Estimates at Each Iteration
Iteration SSE Parameters
0 770556032 0,100 531,865
1 766222031 0,031 531,768
2 766165492 0,023 531,995
3 766164981 0,023 532,021
4 766164977 0,022 532,023
5 766164977 0,022 532,024
Relative change in each estimate less than 0,001

Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value
MA 1 0,0225 0,0926 0,24 0,809
Constant 532 229 2,32 0,022
Differencing: 1 regular difference
Number of observations: Original series 120, after differencing 119

Residual Sums of Squares

DF SS MS
117 766164945 6548418
Back forecasts excluded

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 1,24 19,50 22,48 28,15
DF 10 22 34 46
P-Value 1,000 0,614 0,935 0,982

Model ini tidak signifikan terhadap parameter moving average (MA), dapat dilihat dari nilai
P.

 ARIMA (1,1,1)

ARIMA Model: Harga Lada

Estimates at Each Iteration
Iteration SSE Parameters
0 800183728 0,100 0,100
1 799717130 0,111 0,088
2 799577661 0,261 0,238
3 799400247 0,411 0,388
4 799103930 0,560 0,538
5 798472454 0,709 0,688
6 796641073 0,856 0,838
7 780247673 1,000 0,988
8 779170048 1,000 0,987
Relative change in each estimate less than 0,001

* WARNING * Back forecasts not dying out rapidly

Back Forecasts (After Differencing)
Lag (-98; -91) 142,385 142,332 142,280 142,228 142,175 142,123 142,071 142,019
Lag (-90; -83) 141,967 141,914 141,862 141,810 141,758 141,706 141,654 141,602
Lag (-82; -75) 141,550 141,498 141,446 141,394 141,342 141,290 141,238 141,186
Lag (-74; -67) 141,134 141,082 141,031 140,979 140,927 140,875 140,823 140,772
Lag (-66; -59) 140,720 140,668 140,617 140,565 140,513 140,462 140,410 140,359
Lag (-58; -51) 140,307 140,255 140,204 140,152 140,101 140,049 139,998 139,946
Lag (-50; -43) 139,895 139,844 139,792 139,741 139,690 139,638 139,587 139,536
Lag (-42; -35) 139,484 139,433 139,382 139,331 139,280 139,228 139,177 139,126
Lag (-34; -27) 139,075 139,024 138,973 138,922 138,871 138,820 138,769 138,718
Lag (-26; -19) 138,667 138,616 138,565 138,514 138,463 138,412 138,361 138,310
Lag (-18; -11) 138,260 138,209 138,158 138,107 138,057 138,006 137,955 137,904
Lag (-10; -3) 137,854 137,803 137,752 137,702 137,651 137,601 137,550 137,500
Lag (-2; 0) 137,449 137,399 137,348

Back Forecast Residuals

Lag (-98; -91) -0,105 -0,208 -0,310 -0,411 -0,510 -0,608 -0,705 -0,801
Lag (-90; -83) -0,895 -0,988 -1,080 -1,171 -1,260 -1,349 -1,436 -1,522
Lag (-82; -75) -1,607 -1,691 -1,774 -1,856 -1,937 -2,016 -2,095 -2,172
Lag (-74; -67) -2,249 -2,325 -2,399 -2,473 -2,546 -2,617 -2,688 -2,758
Lag (-66; -59) -2,827 -2,895 -2,962 -3,028 -3,094 -3,158 -3,222 -3,285
Lag (-58; -51) -3,347 -3,408 -3,469 -3,528 -3,587 -3,645 -3,703 -3,759
Lag (-50; -43) -3,815 -3,870 -3,925 -3,978 -4,031 -4,083 -4,135 -4,186
Lag (-42; -35) -4,236 -4,286 -4,334 -4,383 -4,430 -4,477 -4,524 -4,569
Lag (-34; -27) -4,614 -4,659 -4,703 -4,746 -4,789 -4,831 -4,873 -4,914
Lag (-26; -19) -4,954 -4,994 -5,033 -5,072 -5,111 -5,148 -5,186 -5,223
Lag (-18; -11) -5,259 -5,295 -5,330 -5,365 -5,399 -5,433 -5,467 -5,500
Lag (-10; -3) -5,532 -5,564 -5,596 -5,627 -5,658 -5,689 -5,719 -5,748
Lag (-2; 0) -5,777 -5,806 -5,834

Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value
AR 1 1,0004 0,0205 48,75 0,000
MA 1 0,9875 0,0159 62,13 0,000
Differencing: 1 regular difference
Number of observations: Original series 120, after differencing 119

Residual Sums of Squares

DF SS MS
117 779168518 6659560
Back forecasts excluded

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 1,62 19,96 23,10 28,84
DF 10 22 34 46
P-Value 0,999 0,586 0,921 0,978

Signifikan terhadap parameter autoregressive (AR) dan moving average (MA), dapat dilihat
pada nilai P (probabilitas), sehingga model terbaik adalah ARIMA (1,1,1)

4. Peramalan Harga Periode Berikutnya (ARIMA (1,1,1))

Forecasts from period 120

95% Limits
Period Forecast Lower Upper Actual
121 99084,4 94025,3 104143
122 99569,9 92369,2 106771

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.