CONTOH KASUS SARIMA MENGGUNAKAN EVIEWS · dilakukan proses transformasi logaritma natural untuk...
Transcript of CONTOH KASUS SARIMA MENGGUNAKAN EVIEWS · dilakukan proses transformasi logaritma natural untuk...
CONTOH KASUS SARIMA MENGGUNAKAN EVIEWS
Kementerian pariwisata Ingin meramalkan jumlah kedatangan wisatawan
mancanegara ke Bali selama 6 bulan kedepan dengan menggunakan Data
Jumlah Kedatangan Wisatawan Mancanegara per Bulan ke Indonesia Menurut
Pintu Masuk Pelabuhan Ngurah Rai, Tahun 2008-2016. Data tersedia di
Lampiran excel 2 dengan nama “pariwisata”.
Import data
Lakukan import data seperti langkah ARIMA sebelumnya
Identifikasi Model
1. Untuk menentukan model SARIMA terlebih dahulu kita menentukan nilai
d dan D dengan uji stasioneritas terlebih dulu. Langkah-langkahnya
sebagai berikut :
a. menggunakan Grafik
Pilih view, kemudian graph lalu tekan OK. Maka akan muncul grafik
data pariwisata sebagai berikut :
Dari plot diatas, terlihat adanya pola tren naik dan berulang dalam
kurun waktu tertentu menunjukkan adanya unsur musiman. Tren
naik ini menunjukkan bahwa data tidak stasioner pada rataan dan
terlihat perbedaan ragam maka data juga tidak stationer pada ragam.
Jika kita perhatikan, puncak data berada pada periode bulan ke-7 tiap
tahunnya. Hal ini mengindikasikan bahwa panjang periode
musimannya adalah 12. Sebelum mengidentifikasi model SARIMA,
dilakukan proses transformasi logaritma natural untuk menyeragam
ragam. Langkah – langkah transformasi dengan pilih quick>generate
series sehingga akan muncul tampilan sebagai berikut
Pada box enter equation isilah lnjumlah=log(jumlah) lalu tekan oke.
Selanjutnya klik peubha lnjumlah dan tampilkan grafiknya sehingga
akan muncul tampilan sebagai berikut
Dari plot diatas, secara eksploratif terlihat bahwa ragam sudah mulai
seragam. Sehingga data sudah stationer pada ragam namun beum
pada rataan.
2. Menggunakan uji ADF
Tekan view lalu pilih unit root. Lalu pilih level pada test for unit root in
dan pilih intercept pada include in test equation. Lalu tekan ok. Hasil uji
ADF adalah sebagai berikut:
Berdasarkan output ADF ternyata p-value=0.99>alpha=0.05 maka
Terima H0 yang artinya data mempunyai unit root (data tidak
stationer).karena data tidak stationer pada rataan maka dilakukan
differencing 1 kali. Oleh karena itu kita ulang kembali pengujian.
Berdasarkan output ADF ternyata p-value=0.0278<alpha=0.05 maka
Tolak H0 yang artinya data tidak mempunyai unit root (data stationer).
Karena data sudah stationer pada differencing 1 kali maka kita sudah
bisa melanjutkan analisis.
3. Langkah berikutnya adalah menentukan ordo untuk parameter
SARIMA dengan cara melihat pola
fungsi autokorelasi(ACF) dan autokorelasi parsial(PACF) dari data.
Untuk itu dari pengujian ADF tadi jangan di close dulu. Pilih view
> Correlogram sehingga tampil kotak dialog seperti pada Gambar di
bawah.
Karena data kita stationer pada differencing 1 kali, maka kita pilih 1st
difference lalu tekan ok. Selanjutnya akan muncul tampilan sebagai
berikut.
dari plot autokorelasi(ACF) dan plot autokorelasi parsial(PACF),
terlihat bahwa pada ACF tails off slowly pad lag musiman (lag 12, 24
dan36 signifikan). Hal ini menandakan data belum stationer pada
rataan dibagian musiman. Oleh karena itu akan dilakukan
differencing 12 kali pada data hasil differencing 1 kali. Langkah-
langkahnya adalah pilih quick>generate series sehingga akan muncul
tampilan sebagai berikut
Pada box enter equation isilah dlnjumlah=d(lnjumlah,1,12) lalu tekan
oke. Selanjutnya klik variabel dlnjumlah dan lakukan uji ADF pada
level sehingga muncul tampilan sebagai berikut
Dari output diatas dapat kita simpulkan data sudah stationer di
bagaian musiman dan nonmusimannya.
2. Langkah berikutnya adalah menentukan p dan q untuk parameter
ARIMA dengan cara melihat pola
fungsi autokorelasi(ACF) dan autokorelasi parsial(PACF) dari data.
Untuk itu dari pengujian ADF tadi jangan di close dulu. Pilih view
> Correlogram pilih level lalu tekan ok. Selanjutnya akan muncul
tampilan sebagai berikut.
dari plot autokorelasi(ACF) dan plot autokorelasi parsial(PACF),
terlihat bahwa kedua gambar mengalami cut off(turun drastis) seperti
ditunjukkan pada kotak orange. Pada plot ACF terlihat bahwa pada lag
1 signifikan dan cutoff pada lag 2 sampai lag 11 lalu signifikan kembali
pada lag ke 12. Sedangkan pada plot PACF terlihat bahwa pada lag 1,2
signifikan dan cutoff pada lag 3 dan seterusnya. Maka akan kita lakukan
pendugaan untuk studi kasus ini yaitu SARIMA (2,1,1) (0,1,1)12
Pendugaan parameter
3. langkah selanjutnya adalah pilih Quick > estimate equation. sehingga
akan muncul tampilan sebagai berikut.
pada equation specification untuk diisi dengan urutan seperti gambar
diatas berikut penjelas:
jumlah : sebagai nama data yang digunakan. Karena pada kasus
ini dilakukan differencing 1 kali pada bagian nonmusiman dan
differencing 12 kali pada bagian musiman serta dilakukan
transformasi Logaritma natural maka ditulis dlog(jumlah,1,12).
c : sebagai konstanta, setelah nama data harus diisi c sebagi
konstanta,
ar() : Karena kita ingin menduga parameter model SARIMA
(2,1,1) (0,1,1)12 maka ar=2 sehingga ditulis ar(1 to 2)
ma() : Karena kita ingin menduga parameter model SARIMA
(2,1,1) (0,1,1)12 maka ma=1 sehingga ditulis ma(1)
sma() : Karena kita ingin menduga parameter model SARIMA
(2,1,1) (0,1,1)12 maka sma=1 sehingga ditulis sma(1)
4. Setelah itu klik ok, maka akan muncul hasil seperti berikut.
Output diatas merupakan kandidat model SARIMA (2,1,1) (0,1,1)12
terlihat bahwa dugaan parameter MA tidak signifikan. Oleh karena itu
dilakukan kembali pendugaan parameter dengan membuang ordo MA
nonmusiman. Lakukan langkah seperti sebelumnya sehingga akan
muncul tampilan sebagai berikut
5. Setelah itu klik ok, maka akan muncul hasil seperti berikut.
Output diatas merupakan kandidat model SARIMA (2,1,0) (0,1,1)12
terlihat bahwa semua dugaan parameter signifikan.
Penentuan model terbaik
Model terbaik diantara adalah model SARIMA (2,1,1) (0,1,1)12 dengan
SARIMA (2,1,0) (0,1,1)12 adalah model SARIMA (2,1,0) (0,1,1)12 yang
diperlihatkan dengan nilai AICyang paling kecil.
Model SARIMA AIC
(2,1,1) (0,1,1)12 -2.426
(2,1,0) (0,1,1)12 -2.432
Pemeriksaan diagnostik
Setelah menduga parameter, langkah selajutnya dilakukan
Pemeriksaan diagnostic yang dibagi menjadi dua bagian yaitu Uji
signifikansi parameter dan uji asumsi residual.
Pada uji signifikansi parameter, tenyata semua dugaan parameter
pada model SARIMA(2,1,0) (0,1,1)12 sudah signifikan, sehingga
signifikansi parameter terpenuhi. Salah satu cara untuk melihat white
noise dapat diuji melalui korelogram ACF dan PACF dari residual. Bila
ACF dan PACF tidak signifikan, ini mengindikasikan residual white
noise artinya modelnya sudah cocok, sebaliknya maka model tidak
cocok.
Caranya dengan pilih View > Residual tests > Correlogram-Q-
Statistic. maka akan muncul output seperti berikut.
Dari output diatas terlihat bahwa dari lag 1 sampai ke 32 tidak ada lag
yang signifikan. Artinya tidak ada korelasi antar residual, residual
sudah homogen dan tidak ada pola pada residual. Hal ini menandakan
bahwa residual sudah white noise sehingga bisa dikatakan model
sudah cocok.
Berdasarkan grafik diatas menunjukkan bahwa residual sudah normal
yang ditunjukkan dengan bentuk seragam yang simetrisdan
berbentuk lonceng serta diperkuat dengan hasil uji Jarque-Bera
dimana p-value=0.15> alpha-0.05 maka terima H) yangartinya
residual sudah berdistribusi normal.
Forcesting
Setelah memperoleh model yang sudah baik atau sesuai, langkah selanjutnya
yaitu melakukan peramalan (forecasting). Jangan close window untuk model
SARIMA(2,1,0) (0,1,1)12 . Pilih proc > forecast lalu akan muncul tampilan
sebagai berikut
Lalu tekan OK. Maka di workfile akan muncul 1 variabel yaitu jumlahf. Maka
ramalan jumlah wisatawan yang datang ke Bali untuk 6 bulan kedepan
adalah sebagai berikut (klik variabel jumlahf)