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.
121. Analysis of Autocorrelation at Model of ARIMA
ABSTRAK
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.
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.
