peramalan arima
DESCRIPTION
Statistics, EconomicsTRANSCRIPT
ARIMAAuto Regressive Integrated Moving
Average
Reza Imam Malik (12584)
Valendra Granitha (12367)
Dian Saraswati (12400)
Nisa Nungnurfathma
(12671)Camelia Falisa (12869)
By :
Abdurrahman, S.Si, M.Si
Dosen Pembimbing
MODEL ARIMAARIMA digunakan untuk prediksi data time series dan tidak mengandung efek musiman
ORDE pada ARIMA :AR p : orde proses AR (dilihat dari plot PACF) I d : tingkat perbedaan (differencing)MA q : orde proses MA (dilihat dari plot ACF)
Yt = µ + et
Model Acak ARIMA (0,0,0)Model Acak ARIMA (0,1,0)
Yt = Yt -1+ et
Contoh Kasus :Periode Data
1 230,82 159,43 205,34 91,45 331,36 400,77 386,28 404,29 403,1
10 378,811 621,612 317,013 437,814 341,615 556,4
Periode Data
16 233,517 171,118 155,619 145,020 320,621 371,822 123,323 286,824 231,625 235,926 232,527 329,628 276,329 416,330 160,9
Periode Data31 251,832 129,733 185,334 205,735 161,236 127,037 355,138 286,339 203,740 122,341 159,542 383,743 104,644 378,445 205,0
PEMBAHASAN ARIMA
PROSES ARIMA
STASIONER
Diagnostic
CheckingFORECASTING
IDENTIFIKASI
PLOTOVERFITTI
NG
PLOT of DATA
TIDAK STASION
ER
Dalam Mean
Dalam Variansi
STASIONER dalam VARIANSI
Genr > dtransf : log(data)
TransformingCEK STASIONER
ADF < Critical ValueSTASIONER
STASIONER dalam MEAN
Genre Enter equation ddif = d(log(data), n)
Differencing (n =1)CEK STASIONER
ADF < Critical ValueSTASIONER
IDENTIFIKASI ARIMA (p, d, q)
Data yang sudah stasioner : View > Correlogram > OK
p : orde untuk AR PACF (partial correlation) = 1 d : orde differencing n = 1 q : orde untuk MA ACF (autocorrelation) = 1
Lihat jumlah LAG yang KELUAR
pada LIMA(5) lag
pertama
OVERFITTING
Model ARIMA (1, 1, 1)(1, 1, 1) C(1, 1, 0)(1, 1, 0) C(0, 1, 1)(0, 1, 1) CUntuk model ARIMA (1, 1, 1) tanpa CQuick > Estimate Equation >Equation specification d(log(data)) ar(1) ma(1)
Untuk model ARIMA (1, 1, 1) CQuick > Estimate Equation >Equation specification d(log(data))C ar(1) ma(1)
Parameter signifikan dimasukkan dalam model,jika PROB < α
Model Sign
(1,1,1) x
(1,1,1) C x
(1,1,0) √
(1,1,0) C x
(0,1,1) √
(0,1,1) C √
Norm
(prob > α)
DIAGNOSTIC CHECKINGModel ARIMA yang Signifikan
Model Norm Homos No Auto SSR AIC BIC LL
(1,1,0) √ √ x 10,49265 1,473864 1,514822 -30,6881
(0,1,1) √ x √ 9,492746 1,349607 1,390220 -28,6928
(0,1,1)C √ x √ 8,803694 1,319768 1,400867 -27,0344
Model Terbaik>normal>homoskedastisitas>no autocorrelation>SSR terkecil>AIC terkecil>BIC terkecil>LL terbesar
Homoskedastisitas(Tdk ada lag keluar)
No Auto(Tdk ada lag keluar)
FORECAST
Forecast diambil dari model terbaik yaitu arima (0,1,1) c
SEKIANdan
TERIMA KASIH