Contoh kasus dalam tahap-tahap menentukan model ARIMA, digunakan data yang berasal dari PT. PLN APJ Surabaya Selatan dengan keterangan bahwa data merupakan data pengeluaran Daya (VA) dari bulan Januari 2004 - Desember 2010. Berikut struktur data Daya (VA).
Gambar hasil Normality Test Residual Data Daya (VA) Dengan Model ARIMA (1,3,1), diperoleh nilai P_value sebesar 0,096, dengan taraf signifikansi 5% maka diperoleh keputusan gagal tolak H0 sehingga dapat disimpulkan bahwa residual data berdistribusi normal.
Dari beberapa tahap pengecekan kstasioneran data hingga pendugaan model ARIMA, dan setelah dilakukan pengujian asumsi kesesuaian model, diperoleh kesimpulan bahwa model yang terbentuk adalah ARIMA (1,3,1)
Pengecekan Kestasioneran Data Terhadap Varians
Berikut pemeriksaan kestasioneran data terhadap varians dengan melalui Box-Cox plot dari data daya(VA).
Data dikatakan stasioner jika nilai lamda (λ) atau batas interval sudah bernilai atau melewati 1. Box-Cox plot data daya (VA) diperoleh nilai lamda (λ) sebesar -1,00 dengan nilai batas bawah interval adalah -3.15 dan batas atas interval adalah 1,42. Nilai batas interval dari batas atas dan bawah interval sudah melewati 1, sehingga dapat dikatakan bahwa data sudah stasioner terhadap varians.
Pengecekan Kestasioneran Data Terhadap Mean
Berikut pemeriksaan kestasioneran data terhadap mean dengan melalui plot ACF (Autocorrelation Function) dari data daya(VA).
Plot ACF (Autocorrelation Function) data daya(VA) yang turun secara melambat, menunjukkan bahwa data daya(VA) tidak stasioner terhadap mean. Berikut dilakukan difference terhadap data daya(VA).
Gambar ACF (Autocorrelation Function) data daya (VA) yang dilakukan difference sebanyak 3 kali. Dapat dilihat bahwa lag mengalami cut off yaitu pada lag ke-1, sehingga dapat dikatakan bahwa data daya (VA) sudah stasioner terhadap mean. Difference dilakukan 3 kali karena pada difference ke-1 dan ke-2, diperoleh lag yang tidak mengalami cut off dan parameter yang tidak signifikan, sehingga data daya (VA) belum stasioner terhadap mean. Gambar plot PACF (Partial Autocorrelation Function), dapat dilihat bahwa lag mengalami cut off pada lag ke-1 atau ke-2, sehingga dari plot ACF dan PACF diduga model ARIMA yang terbentuk adalah ARIMA (1,3,1), (2,3,1).
Model ARIMA
Dari hasil dugaan beberapa model ARIMA yang terbentuk, diperoleh model yang signifikan yaitu model ARIMA (1,3,1). Berikut hasil pengujian estimasi parameternya.
Dari hasil dugaan beberapa model ARIMA yang terbentuk, diperoleh model yang signifikan yaitu model ARIMA (1,3,1). Berikut hasil pengujian estimasi parameternya.
a. > Uji Signifikansi Parameter
H0 : parameter tidak signifikan
H1 : parameter signifikan
Nilai P_value AR1 adalah sebesar 0.000 dan MA1 adalah sebesar 0,000 dengan taraf signifikansi (α) sebesar 5% maka diperoleh keputusan tolak H0 sehingga dapat disimpulkan bahwa parameter AR1 dan MA1 signifikan.
b. > Uji Ljung-Box
H0 : residual white noise
H1 : residual tidak white noise
Nilai P_value dari lag 12, lag 24, lag 36, dan lag 48 adalah sebesar 0.132, 0.284, 0.207 dan 0.115 dengan taraf signifikansi (α) sebesar 5% maka diperoleh keputusan gagal tolak H0 sehingga dapat disimpulkan bahwa residual white noise.
c. > Uji Kenormalan
H0 : residual data berdistribusi normal
H1 : residual data tidak berdistribusi normal
Dari beberapa tahap pengecekan kstasioneran data hingga pendugaan model ARIMA, dan setelah dilakukan pengujian asumsi kesesuaian model, diperoleh kesimpulan bahwa model yang terbentuk adalah ARIMA (1,3,1)
Indonesian Rupiah Exchange Rate
0 comments: