Tutorial : Tahapan-tahapan Analisis Deret Waktu ARIMA


Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu metode dalam Analisis Deret Waktu atau Time Series. Pada dasarnya, ARIMA memiliki beberapa tahapan dalam analisisnya yaitu:

Identifikasi Model

Identifikasi model bertujuan untuk mengetahui model apa yang terbentuk. Dengan model umumnya ARIMA (p,d,q). Dengan p adalah orde dari Autoregressive, q adalah orde dari Moving Average dan d adalah orde dari Differences. Jika data dari awal sudah stasioner, maka orde d diisikan dengan (0). Jika dari awal data tidak stasioner dan butuh Differences misalkan sebanyak 1 kali, maka orde d diisi dengan (1) dan lain sebagainya. Untuk tutorial pengujian stasioneritas mean, dapat mengunjungi link berikut:
Tutorial : Uji Stasioneritas Mean menggunakan R


Estimasi dan Uji Parameter

Setelah diketahui model yang mungkin terbentuk, selanjutnya dilakukan estimasi parameter yang dihasilkan dan melakukan uji parameter. Model akhir yang diharapkan adalah model dengan parameter yang signifikan.

Kecukupan Model

Ketika model telah diuji dan signifikan, selanjutnya adalah melakukan uji kecukupan model. Apakah model yang signifikan tersebut sehat atau tidak.

Peramalan

Setelah semua terpenuhi, selanjutnya model dapat digunakan pada tahap selanjutnya. Sebagai contoh adalah melakukan peramalan.

Artikel ini akan membahas tentang Tutorial Analisis Deret Waktu ARIMA dengan MINITAB. Data pada tutorial ini dapat didownload pada link berikut :
Data Contoh ARIMA
Atau mengunjungi Menu Data Contoh pada website ini.
Berikut adalah tahapan-tahapan Analisis Deret Waktu ARIMA dengan MINITAB :

1. Buka Lembar Kerja

Buka lembar kerja MINITAB dan copy data yang telah didownload pada worksheet serta berikan nama variabel misalkan Zt.
Gambar 1


2. Identifikasi Data

- Time Series Plot

Setelah data diinputkan pada worksheet, selanjutnya cek pola deret waktunya dengan cara
Klik Stat – Time Series – Time Series Plot – Pilih Simple – Masukan Data (misalkan Zt) – Klik OK
Gambar 2
Gambar 3
Gambar 4
Gambar 5


- Autocorrelation Function (ACF)

Tahap selanjutnya adalah memunculkan correlogram dari ACF dengan cara
Klik Stat – Time Series – Autorrelation – Masukan Data (misalkan Zt) – Klik OK
Gambar 6
Gambar 7
Gambar 8


- Partial Autocorrelation Function (PACF)

Tahap selanjutnya adalah memunculkan correlogram dari ACF dengan cara
Klik Stat – Time Series – Partial Autorrelation – Masukan Data (misalkan Zt) – Klik OK
Gambar 9
Gambar 10
Gambar 11
Pada artikel ini, diketahui bahwa data yang digunakan stasioner. Jadi tidak perlu melakukan tahapan differences.

Untuk tutorial pengujian stasioneritas mean, dapat mengunjungi link berikut:
Tutorial : Uji Stasioneritas Mean menggunakan R

Berdasarkan gambar 8 dan gambar 11, gunakan kriteria berikut untuk menentukan orde ARIMA yang mungkin terjadi.
Gambar 12
Berdasarkan gambar 12, diduga bahwa model yang mungkin terjadi adalah :

AR (1)

MA (1)

ARIMA (1,0,1)

3. Estimasi dan Uji Parameter

Setelah menentukan model yang mungkin terjadi, tahap selanjutnya adalah melakuakan estimasi dan uji parameter dengan tahapan-tahapan sebagai berikut :

- AR (1)

Untuk model AR (1) dapat dilakukan dengan 
Klik Stat – Time Series – ARIMA – (ikuti petunjuk sesuai gambar) – Klik OK
Gambar 13
Gambar 14
Kemudian akan muncul hasil berikut:
Gambar 15

- MA (1)

Sama halnya untuk model AR (1), untuk model MA (1) dapat dilakukan dengan 
Klik Stat – Time Series – ARIMA – (ikuti petunjuk sesuai gambar) – Klik OK
Gambar 16
Gambar 17
Kemudian akan muncul hasil berikut:
Gambar 18

- ARIMA (1,0,1)

Yang terakhir adalah mengestimasi parameter model ARIMA (1,0,1). Untuk model ARIMA (1,0,1) dapat dilakukan dengan 
Klik Stat – Time Series – ARIMA – (ikuti petunjuk sesuai gambar) – Klik OK
Gambar 19
Gambar 20
Kemudian akan muncul hasil berikut:
Gambar 21

Setelah proses estimasi selesai, selanjutnya buatlah rekap hasil sebagai berikut dengan keputusan yang telah disesuaikan terlebih dahulu dengan ketentuan :
Parameter Signifikan jika P-Value < Alpha (0,05).
Gambar 22
Berdasarkan Rekap Hasil yang diperoleh, dipilih model yang memenuhi :
Parameter Signifikan
MSE terkecil

Dari Rekap Hasil tersebut, diketahui bahwa model yang dipilih adalah AR (1) karena memenuhi kriteri yang harus dipenuhi.

4. Uji Kecukupan Model

Untuk melakukan Uji Kecukupan Model, dapat merujuk pada buku Time Series Analysis Univariate and Multivariate Methods dari William W.S. Wei dengan menggunakan Ljung-Box test. 
Model ARIMA baik dan dapat digunakan jika Nilai P-Value pada Ljung-Box Test > Alpha (0,05)
Berdasarkan gambar 15, 18 dan 21, diperoleh nilai P-Value semua lag yang muncul lebih besar dari nilai Alpha jika misalkan kita gunakan 5%.

Jadi, semua model baik dan dapat digunakan tetapi hanya model AR (1) yang digunakan karena hanya model AR (1) yang signifikan dan memiliki nilai MSE paling kecil.

Penjelasan lebih lengkap dapat ditemukan pada buku-buku Time Series seperti buku :
Time Series Analysis Univariate and Multivariate Methods dari William W.S. Wei
Demikian Tutorial tentang Analisis Deret Waktu ARIMA dengan MINITAB. Untuk proses forecasting atau peramalan akan dijelaskan pada artikel selanjutnya.

16 Responses to "Tutorial : Tahapan-tahapan Analisis Deret Waktu ARIMA"

  1. Maaf mas saya ingin bertanya, saya sedang melakukan penelitian tugas akhir tentang peramalan penjualan menggunakan metode Single Exponential Smoothing yang memiliki kriteria data yang tidak mengandung trend dan berfluktuasi di sekitar nilai mean tetap.
    Yang ingin saya tanyakan,bagaimana cara menganalisis adanya unsur trend ataupun musiman pada suatu data deret waktu melalui perhitungan manual dan bukan hasil analisis dari perangkat lunak statistik untuk melihat tingkat kecocokan data dengan kritetia data yang dimiliki metode Single Exponential Smoothing? mohon maaf jika pertanyaan ini sedikit menyimpang dari pembahasan mas mengenai analisis deret waktu ARIMA, sebelumnya terima kasih dan mohon berkenan untuk menjelaskannya.

    ReplyDelete
    Replies
    1. cukup banyak cara yang dapat dilakuan.
      untuk cara sederhana, pengecekan tren maupun musiman dapat dilihat dari plot deret waktu (plot data terhadap waktu).
      untuk cara formal, salah satu cara pengecekan tren dapat dilakukan dengan melakukan uji unit root (uji stasioneritas). sedangkan untuk pengecekan musiman, salah satunya dapat melihat dari plot ACF dan PACF nya.

      Delete
    2. Sebelumnya saya sangat berterima kasih karena Mas sudah berkenan menjawab, saya akan mencoba cara yg Mas sarankan, Terima kasih banyak Mas..

      Delete
    3. jangan sungkan untuk bertanya disini...

      Delete
  2. Mohon izin bertanya mas.
    Sedikit keluar dari topik, saya ingin bertanya soal residuals plot yang ada pada graph arima . Bagaimana cara menjelaskan dari tiap grafik tersebut (normal probability plot menunjukan apa? Histogram menunjukan apa? Versus fits menunjukan apa? Dan versus order menunjukan apa?) Pada hasil peramalan Arima.
    Terimakasih banyak

    ReplyDelete
    Replies
    1. normal probability plot menunjukan tingkat kenormalan residual model (asumsi yang harus terpenuhi)

      histogram juga menunjukan tingkat kenormalan residual model berdasarkan kesimpulan visual

      versus order menunjukan karakteristik dari residual model yg dihasilkan (berkaitan dengan syarat asumsi)

      Delete
  3. Isi bertanya mas
    Untuk pengujian ACF, ahar kita tau hasilnya stasioner apa tidak itu dari mana yaa? Selain di liat dari lag yang nelewatin garis merah

    Apa aja syarat" agar di katakan stasioner?

    ReplyDelete
    Replies
    1. akan sangat terjawab jika menggunakan uji stasioneritas. dapat dicek di link berikut :

      https://www.danialmahkya.com/2019/01/tutorial-uji-stasioneritas-rata-rata.html

      untuk syarat2 stasioneritas dan pengertiannya bisa dibaca salah satu buku rujukan seperti :

      Time Series Analysis: Univariate and Multivariate Methods
      William W. S. Wei

      Delete
  4. permisi min mau nanya, jika pas uji parameter arima itu ada tulisan "error model cannot be estimated with these data" itu yg salahnya dimana ya? makasih sebelumnya

    ReplyDelete
    Replies
    1. Kemungkinan terjadi karena data tidak memenuhi untuk model yang sedang diestimasi. Sebagai contoh model musiman sepanjang 7, namun n tidak sampai 7.

      Delete
  5. Mas ijin bertanya, saya kan mempunyai data daftar harga selama 2 bulan untuk memprediksi harga dua bulan berikutnya, itu bukan data musiman kan? lalu uji stasionernya bagaimana caranya?

    ReplyDelete
    Replies
    1. Uji stasioner dapat dilakukan dengan ADF test. Bisa dicek di artikel lainnya disini, sudah dibahas secara lengkap.

      Delete
  6. Maaf mas izin bertanya, apabila plot ACF cuts off pada lag ke 10, 19, 27, 30 dan 32, lalu plot PACF cuts off pada lag ke 10, 19, 27, 30, 32. Bagaimana ya Mas bentuk pemodelan ARIMA nya? Terima kasih sebelumnya.

    ReplyDelete
    Replies
    1. Jika data sudah dipastikan stasioner dalam rataan dan varians, maka dapat "dicoba" dimodelkan dengan model "subset" jika perlu ditambah dengan deteksi "outlier".

      Delete
    2. terima kasih banyak mas. Izin tanya, apakah mas ada materinya? Kalau ada boleh dibagi kah?

      Delete
  7. terima kasih banyak mas. Izin tanya, apakah untuk tutorial forecast metode ARIMA menggunakan minitab ada

    ReplyDelete