Arima box jenkins
•Transferir como DOCX, PDF•
4 gostaram•11,345 visualizações
Laporan ini membahas analisis time series data IHSG menggunakan metode Box Jenkins. Langkah-langkahnya meliputi identifikasi stasioneritas data, transformasi data, identifikasi orde AR dan MA, pemodelan ARIMA, overfitting, dan pemilihan model terbaik berdasarkan nilai MSE terkecil. Model terbaik dipilih adalah ARIMA(2,1,3) yang kemudian digunakan untuk melakukan forecasting 1 periode ke depan.
![KelasALAPORAN PRAKTIKUM<br />ANALISIS RUNTUN WAKTU<br />Laporan VI<br />ARIMA<br />Analisis Runtun Waktu Model Box Jenkins<br />219075048895<br />NoNama PraktikanNomor MahasiswaTanggal PengumpulanTanda TanganPraktikanLaboran129 Desember 2010<br />NoNama PenilaiTanggal KoreksiNilaiTanda Tangan1Abdurakhman, S.Si, M.Si2Dianopa<br />JURUSAN STATISTIKA<br />FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM<br />UNIVERSITAS ISLAM INDONESIA<br />YOGYAKARTA<br />2010<br />BAB I<br />PENDAHULUAN<br />A. ARIMA (Autoregressive Integrated Moving Average) <br />ARIMA disebut juga sebagai metode analisis 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). <br />Tujuan model ini adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan model tersebut. <br />ARIMA hanya menggunakan suatu variabel (univariate) deret waktu. Misalnya: variabel IHSG. Program komputer yang dapat digunakan adalah EViews, Minitab, SPSS, dll.<br />Model ARIMA terdiri dari tiga langkah dasar, yaitu tahap identifikasi, tahap penaksiran dan pengujian, dan pemeriksaan diagnostic check. Selanjutnya model ARIMA dapat digunakan untuk melakukan peramalan jika model yang diperoleh memadai.<br /> Stasioneritas dan Nonstasioneritas <br />Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat <br /> nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret berkala yang stasioner. Stasioneritas 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 harus diubah menjadi data stasioner dengan melakukan differencing. Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner, maka dilakukan transformasi logaritma. <br /> <br />Klasifikasi model ARIMA <br />Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model utoregressive (AR), moving average (MA), dan model campuran ARIMA (autoregressive moving average) yang mempunyai karakteristik dari dua model pertama. <br />1) Autoregressive Model (AR) <br />Bentuk umum model autoregressive dengan ordo p (AR(p)) atau model <br />ARIMA (p,0,0) <br />2) Moving Average Model (MA) <br /> Bentuk umum model moving average ordo q(MA(q)) atau ARIMA (0,0,q) <br />3) Model campuran <br />a. Proses ARMA <br />Model umum untuk campuran proses AR(1) murni dan MA(1) murni, misal <br />ARIMA (1,0,1) dinyatakan sebagai berikut: <br />b. Proses ARIMA <br />Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka <br />model umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus sederhana <br />ARIMA (1,1,1) adalah sebagai berikut: <br /> <br />Musiman dan Model ARIMA Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam selang waktu yang tetap. Untuk data yang stasioner, faktor musiman dapat ditentukan dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga time-lag yang berbeda nyata dari nol. Autokorelasi yang secara signifikan berbeda dari nol menyatakan adanya suatu pola dalam data. Untuk mengenali adanya faktor musiman, seseorang harus melihat pada autokorelasi yang tinggi. <br />Identifikasi <br />Proses identifikasi dari model musiman tergantung pada alat-alat statistik berupa <br />autokorelasi dan parsial autokorelasi, serta pengetahuan terhadap sistem (atau proses) yang dipelajari. <br /> Penaksiran Parameter <br />Ada dua cara yang mendasar untuk mendapatkan parameter-parameter tersebut: <br />a. Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of squared residual). <br />b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan program komputer memperhalus penaksiran tersebut secara iteratif. <br /> <br />Pengujian Parameter Model <br />1. Pengujian masing-masing parameter model secara parsial (t-test) <br />2. Pengujian model secara keseluruhan (Overall F test) <br /> <br />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: <br />1) Uji Q Box dan Pierce: <br />2) Uji Ljung-Box<br /> <br />KASUS<br />,[object Object]](https://image.slidesharecdn.com/arimaboxjenkins-110123054530-phpapp01/85/Arima-box-jenkins-1-320.jpg)
![Berdasarkan langkah – langkah yang ada pada nomor1, lakukan forecasting 1 periode kedepan untuk data di bawah ini dengan runtut dan tepat berdasarkan model ARIMA yang terpilih!!Data berikut merupakan data IHSG per oktober-desember 2005 (daily)<br />383.735425.653378.362432.567384.328429.847387.822445.477390.435443.601385.961443.806391.785448.69391.76442.232387.854441.163385.165432.772381.369435.552378.88434.318378.598437.841370.589440.94368.297441.307369.797441.219367.073439.69381.588441.978381.241437.197371.488437.869377.232435.319338.675436.406392.479441.897395.044441.181401.018435.674409.087430.693410.394442.526414.427432.936422.346430.81422.45453.15413.833436.46407.25443.194<br />BAB II<br />DESKRIPSI KERJA<br />,[object Object],Plot data awal, guna memastikan data tidak mengandung pola efek musiman<br />MINITAB : Stat > Time Series > Time Series Plot > ok (y=data)<br />Cek Stationeritas<br />stasioner dalam variansi ataukah tidak, jika tidak maka ditransformasi<br />Jika tidak stationer dalam variansi maka ditransformasi dengan melihat nilai estimasi lamda.<br />λ (lamda)transformasi-11/xt-0.51/sqrt(xt)0Ln(xt)0.5Sqrt(xt)1Tidak ditransformasi<br />Transformasi Box Cox– MINITAB : Stat > control Chat > Box Cox Transformation. (single column : data, subgroup:1,store single column :trans-OK); pada option pilih use optimal (lamda)<br />Kemudian data yang telah ditransformasi diplot, apakah sudah stationer ataukah belum, jika belum maka dilakuakan differencing.<br />Jika tidak stationer dalam mean maka dilakukan differencing.<br />MINITAB : Stat > Time Series > differens > data yang telah ditransformasi (leg : diff 1 X) lalu diplot kembali untuk melihat grafik apakah telah stationer atau belum.<br />Jika sudah stationer maka tetapkan data yang dipakai untuk analisis.<br />Lakukan proses identifikasi orde AR dengan melihat plot PACF dan orde MA dengan melihat plot ACF.<br />Lihat Plot ACF - MINITAB : Stat > time series > autocorrelation – series = data dan checklist graphical ACF – OK.<br />Lihat plot PACF – MINITAB : Stat > time series > partial autocorrelation – series = data dan checklist graphical PACF – OK.<br />Kemudian didapat model awalnya.<br />Langkah selanjutnya adalah overfitting<br />Lakukan Uji asumsi model dari output MINITAB : no autokorelasi residual (plot ACF dan PACF), homoskedastisitas residual, normalitas residual (histogram)<br />Forecasting<br />Dari model terbaik yang terpilih yakni yang memuat nilai MSE yang terkecil. Lalu lakukan forecasting – MINITAB : stat > time series > ARIMA > series datanya >lead (berapa periode yang ingin diforecast )> origin data (jumlah data asli) > storage forecast (kolom untuk data yang diforecast)<br />(jangan lupa mengembalikannya seperti sebelum ditransformasi)<br />BAB III<br />PEMBAHASAN<br />,[object Object]](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a Arima box jenkins
Semelhante a Arima box jenkins (20)
Último
Último (20)
Arima box jenkins
- 3. Berikut hasil entri data ke dalam MINITAB. Kemudian data di plot untuk mengetahui apakah data stasioner ataukah tidak. Dari visual grafik, ternyata data tidak stationer. Dan perlu dilakukan transformasi.
- 6. Dari gambar di bawah ini:
- 7. Diketahui bahwa plot ACF menurun secara eksponensial. Pada PACF terdapat 2 ordo atau 2 lag yang signifikan sehingga ordo AR(2).
- 8. Pada plot PACF terlihat menurun secara eksponensial, dan pada plot ACF terdapat 5 lag yang signifikan. Ordo MA(5).
- 9. Didapat model awalnya ARIMA(p,d,q) = ARIMA (2,1,5)
- 10. PLOT PACF
- 12. ARIMA (2,1,4)
- 13. ARIMA (2,1,3)
- 14. ARIMA (2,1,2)
- 15. ARIMA (2,1,1)
- 16. ARIMA (2,1,0)
- 17. ARIMA (1,1,5)
- 18. ARIMA (1,1,4)
- 19. ARIMA (1,1,3)
- 20. ARIMA (1,1,2)
- 21. ARIMA (1,1,1)
- 22. ARIMA (1,1,0)
- 23. ARIMA (0,1,1)
- 24. ARIMA (0,1,2)
- 25. ARIMA (0,1,3)
- 26. ARIMA (0,1,4)
- 28. ARIMA (0,1,2) – tidak signifikan
- 29. ARIMA (0,1,3) – tidak signifikan
- 30. ARIMA (0,1,4) – tidak signifikan
- 31. ARIMA (0,1,5) – tidak signifikan
- 32. UJI ASUMSI
- 33. Untuk menentukan apakah asumsi normalitas terpenuhi ataukah tidak atau apakah error berdistribusi normal ataukah tidak, dengan melihat plot normalitas dan histogram dari residualnya jika simetris maka mendekati normal. Untuk melihat apakah terdapat autokorelasi ataukah tidak dengan melihat plot ACF dan PACF residual data, jika tidak terdapat lag yang melebihi batas signifikansi artinya bahwa tidak terdapat autokorelasi pada residual.NormalitasAutokorelasiARIMA (2,1,1) tanpa konstan MS = 102.16 Mendekati normalTerpenuhiARIMA (1,1,0) tanpa konstan MS = 98.85 Mendekati normalTerpenuhiARIMA (0,1,1) tanpa konstanMS = 99.73 Mendekati normalterpenuhi<br />Model yang terpilih adalah model ARIMA (1,1,0) tanpa konstan karena memiliki MSE yang terkecil diantara model yang lain.<br />FORECASTING<br />Lead (barapa periode data yang ingin di forecast), Origin (jumlah data awal) dan forecast (kolom penempatan forecast)<br />Forecast 1 periode mendatang440.507<br />BAB IV<br />PENUTUP<br />Kesimpulan<br />langkah-Langkah Analisis data time series dengan metode Box Jenkins dapat dilihat di BAB II Deskripsi Kerja. Langkah yang cukup rumit sehingga membutuhkan ketelitian yang tinggi.<br />Model ARIMA yang terpilih adalah ARIMA (1,1,0) tanpa konstan dengan hasil forecast 1 periode mendatang adalah 440.507.<br />DAFTAR PUSTAKA<br />Abdurakhman,S.Si,M,Si.Modul Praktikum Analisis Runtun Waktu.UII<br />http://adeita46.blogspot.com/2010/09/belajar-analisis-arima-arima-sering.html<br />