Analisis autokorelasi pada model arima (Autoregressive Integrated Moving Average)

INDONESIA:

Salah satu metode yang digunakan dalam peramalan adalah model ARIMA (Autoregressive Integrated Moving Average). Model ARIMA yang dimaksud dalam penelitian ini adalah model ARIMA(1,1,1) yang merupakan gabungan dari model Autoregressive/AR(1) dan model Moving Average/MA(1) yang melalui proses differencing sebanyak satu kali agar menjadi stasioner. Cara yang bisa digunakan untuk menganalisis model ARIMA(1,1,1) adalah dengan mempelajari autokorelasi dari model tersebut. Suatu model peramalan yang dalam penelitian ini adalah model ARIMA(1,1,1) dikatakan model terbaik atau model yang sesuai, jika memiliki sebaran galat yang bebas dari autokorelasi. Pada penelitian ini diperoleh langkah-langkah bagaimana cara mendeteksi adanya autokorelasi pada galat disertai dengan contoh data dengan model ARIMA(1,1,1) yang mengalami autokorelasi dan yang tidak mengalami autokorelasi sehingga dari kedua contoh data tersebut bisa dibandingkan dan bisa diperoleh beberapa indikasi adanya autokorelasi pada nilai sisa model ARIMA. Dari indikasi autokorelasi yang diperoleh, jika terbukti model mengalami autokorelasi pada galat, maka untuk menghilangkannya dilakukan transformasi pada model agar memiliki galat yang bebas dari autokorelasi. Transformasi ini bisa dilakukan dengan asumsi bahwa galat dari model ARIMA(1,1,1) yang mengalami autokorelasi membentuk model autoregressive (AR) orde 1 dan memiliki galat yang memenuhi asumsi OLS. Jika asumsi yang diberikan tidak dipenuhi, maka yang harus dilakukan jika model mengalami autokorelasi adalah dengan mengganti model yang diperoleh dengan model yang lebih sesuai salah satunya yaitu terbebas dari autokorelasi.

ENGLISH:

One of the methods which used in forecasting is model of ARIMA (Autoregressive Integrated Moving Average). Model ARIMA in this research is model of ARIMA(1,1,1) representing aliance of model of Autoregressive / AR(1) and model of Moving Average / MA(1) which passing process of first differencing in order to become stasioner. The way can be used to analyse model of ARIMA(1,1,1) is by studying autocorrelation of the model. Forecasting model in this research is model of ARIMA(1,1,1) told as the best model or appropriate model, if owning errors swampy forest which free from autocorrelation. At this research was obtained the stages to detect the existence of autocorrelation at errors accompanied with example data of model of ARIMA(1,1,1) with autocorrelation and no autocorrelation so that from both the example data can be compared and obtained some indication of existence of autocorrelation at errors model ARIMA. For the indication of autocorrelation obtained, if is proven of model with autocorrelation at errors, hence for escade done by transformation at the model to be owning errors which free from autocorrelation. This transformation can be done with assumption that errors of model of ARIMA(1,1,1) with autocorrelation form model of autoregressive (AR) order 1 and fulfill assumption of OLS. If given assumption do not fulfill, but fulfill with autocorrelation then must be done by changing obtained model with more model according to one of them that is freing from autocorrelation.