Belajar Statistika

ARIMA

ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung flat (mendatar/konstan) untuk periode yang cukup panjang.

Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain (dependent).

Baca selengkapnya »

Label: ARIMA

Stasioneritas

Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret berkala yang stasioner. Stasioner berarti tidak terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu.Suatu deret waktu yang tidak stasioner terhadap mean dan varians harus dirubah menjadi data stasioner dengan melakukan transformasi box-cox dan differencing. Tranformasi box-cox adalah transformasi yang dilakukan terhadap varians. Yang dimaksud differencing adalah menghitung perubahan atau selisih nilai observasi.

Label: ARIMA

Klasifikasi Model ARIMA

Metode ARIMA dibagi kedalam tiga kelompok model time series linier, yaitu: autoregressive model (AR), moving average model (MA) dan model campuran yang memiliki karakteristik kedua model di atas yaitu autoregressive integrated moving average (ARIMA).

1) Autoregressive Model (AR)

Suatu persamaan linier dikatakan sebagai autoregressive model jika model tersebut menunjukkan Zt sebagai fungsi linier dari sejumlah Zt actual kurun waktu sebelumnya bersama dengan kesalahan sekarang.

Baca selengkapnya »

Label: Klasifikasi Time Series

Uji Asumsi

Dalam pemeriksaan terhadap model ada beberapa metode yang bisa dilakukanp engujian model secara keseluruhan dan pengujian masing-masing parameter model secara parsial , untuk menguji apakah koefisien model signifikan secara statistik atau tidak baik secara keseluruhan maupun parsial.

Model dikatakan baik jika nilai error bersifat random, artinya sudah tidak mempunyai pola tertentu lagi. Dengan kata lain model yang diperoleh dapat menangkap dengan baik pola data yang ada. Untuk melihat kerandoman nilai error dilakukan pengujian terhadap nilai koefisien autokorelasi dari error, dengan menggunakan salah satu dari dua statistik berikut:

Baca selengkapnya »