Upload
hanhu
View
242
Download
7
Embed Size (px)
Citation preview
Pemodelan ARIMA Non-MusimamMusimam
ARIMA
• ARIMA(Auto Regresif Integrated Moving Average) merupakan suatumetode analisis runtun waktu(time series)
ARIMA(p,d,q)
Dengan
AR : p =orde dari proses autoreggresifAR : p =orde dari proses autoreggresif
I : d = tingkat perbedaan (stasioneritas)
MA : q = orde dari proses rata-rata bergerak
• Analisis model ARIMA (non musiman) dengan metodelogi Box-Jenkins
Metodelogi Pemodelan Box-Jenkins
Prepocessing
Identifikasi Model
Estimasi Model
Diagnostik Chek
Peramalan dan Simulasi
Ya
Tidak
Studi Kasus
• Indeks saham S&P100 (^OEX):
banyak obseervasi: 250
• File csv: oex.csv
Plot Data dan Correlogram1. Preprocessing dan Identifikasi Model
• Berdasarkan plot data, data IXIC masih mengandung tren
• Berdasarkan plot ACF yang meluruh secara perlahan, diduga data tidakstasioner dalam mean
• Hipotesis
(terdapat unit root)
• Menggunakan criticalvalue 5%:
Uji Stasioneritas Data
0 : 0H
value 5%:
2.521 > -3.9987
• Hipotesis nol tidakditolak, sehinggadisimpulkan datamengandung unit root(tidak stasioner)
• Menggunakan criticalvalue 5%:
-5.1689 < -1.9409
• Hipotesis nol ditolak,dengan kata lain datadengan kata lain datadiferensi (orde satu)sudah stasioner
• Kesimpulannya:Diferensi orde satudapat menstasionerkandata
Transformasi Awal dan Identifikasi Model
• Hasil plot data hasil diferensi orde satu, terlihat variansi masih belum stasioner
• Dilakukan transformasi
• Hasil plot data hasil transformasi kemudian didiferensidengan orde satu
• Plot PACF meluruh secaraeksponensial dan plot ACFsignifikan sampai lag 2. Modelutama:
– MA(2)
• Plot ACF dan PACF signifikan
2. Estimasi ModelCorrelogram data diferensi orde satu
• Plot ACF dan PACF signifikansampai lag 2. Model:
– ARIMA(2,1,2)
• Overfitting:
– MA(1)
– ARIMA(2,1,1)
Note: perlu juga overfitting setiapmodel di atas dengan penambahankonstanta
• Estimasi parameter MA(1)
Model 1: MA(1)
1 1t t tz a a
10.2701 t t tz a a
Persamaannya:
• Hasil uji t, koefisien dari model signifikan pada tingkatsignifikasi 5%
1t t t
• Estimasi parameter MA(1)
Model 2: MA(2)
1 1 2 2t t t tz a a a
1 20.2765 0.2743 t t t tz a a a
Persamaannya:
• Hasil uji t, koefisien dari model signifikan pada tingkat signifikasi 5%
• Estimasi parameter
Model 3: ARIMA(2,1,1)
1 1 2 2 1 1t t t t tz z z a a
• Hasil uji t, koefisien AR(2) tidak signifikan sehingga dapat dikeluarkan darimodel, menjadikan model ARIMA(1,1,1)
• Persamaannya menjadi 1 10.9567 0.83 t t t tz z a a
• Estimasi parameter
Model 4: ARIMA(2,1,2)
1 1 2 2 1 1 2 2t t t t t tz z z a a a
• Hasil uji t, koefisien signifikan pada tingkat signifikasi 5%
• Persamaan:
1 2 1 20.714 0.206 0.587 0.652 t t t t t tz z z a a a
• Diagnostik check yang dilakukan:1. No autocorrelation
2. Homoscedascity
3. Normal
3. Diagnostic Checking
Nomor (1) dan (2) harus terpenuhi.
Residual test: Q-Ljung Box:
• H0: tidak ada autocorrelationsampai lag k
• ACF dan PACF signifikanpada tingkat signifikasi 5%
• Sehingga, hipotesis nolditolak. Berarti terdapat
3. Diagnostic CheckingModel 1: MA(1)
ditolak. Berarti terdapatautocorrelation dalamresidual model 1
Model 3: ARIMA(1,1,1)
Residual test: Q-Ljung Box:
• Hipotesis nol: tidak adaautocorrelation sampai lag k
• ACF dan PACF tidak signifikanpada tingkat signifikasi 5%
• Sehingga, hipotesis nol tidakditolak. Berarti tidak terdapatditolak. Berarti tidak terdapatautocorrelation dalamresidual model 3
• Residual bersifat white noise
• Kesimpulan: model 3 sesuai
Uji homokesdasti: Correlogramresidual kuadrat
• Tidak ada lag yang signifikan
• Residual bersifathomoskesdatis
Uji normalitas: Jarque-Bera
• H0: error berdistribusinormal
• Nilai p-value 0.0000<0.05
• Hipotesis nol ditolak,sehingga residual tidakberdistribusi normal
Rangkuman Diagnostik Check
Diagnostik Check MA(1) MA(2) ARIMA (1,1,1) ARIMA (2,1,2)
NoAutocorrelation
Homoscedasticity Normal Normal Kesimpulan Tidak sesuai Tidak sesuai sesuai Tidak sesuai
Ukuran Kebaikan Model
AIC -9.770660 -9.835417 -10.05796 -10.35087
SC -9.756534 -9.807164 -10.02963 -10.29404
Note: apabila terdapat dua atau lebih model yang memenuhi uji diagnostik,pemilihan model terbaik adalah berdasarkan nilai AIC dan SC yang terkecil.
• Dari keempat model, digunakan model 3: ARIMA(1,1,1) untuk forecasting
4. ForecastingPeramalan statis
Hasil Forecasting
Data asli Data hasil forecasting
Peramalanuntuk
periode ke251
• Misalkan kita ingin melakukan peramalan 4 bulan ke depan,maka:– Ubah Forecast sample menjadi 251 254
Peramalan dinamis
Hasil forecasting
Terima Kasih