You are on page 1of 3

Salah satu alat analisis dalam penelitian ini dengan menggunakan metode ARIMA dengan menggunakan faktor independent

pemakaian listrik pada periode sebelumnya. Syarat peramalan menggunakan metode ARIMA data harus stasioner. Data yang sudah stasioner dapat diestimasi dan diuji dengan syarat yang telah ditentukan kemudian dipilih model ARIMA yang terbaik. Langkah terakhir adalah membandingkan dan memilih hasil ramalan yang terbaik. Analisis metode ARIMA melalui beberapa tahap sebagai berikut: 1. Ujis stasioneritas data Data stasioner adalah memiliki nilai rata-rata dan varian time series tersebut tidak mengalami perubahan secara sistematik sepanjang waktu (konstan). Jika data yang diolah tidak stasioner maka hasil estimator linear tidak bias yang terbaik, sehingga estimator yang dihasilkan tidak konsisten. Proses menstasionerkan data dapat dilakukan dengan proses differencing. Uji stasioneritas data dilakukan dengan cara berikut: a. Melihat grafik dari data, jika data tersebut stasioner maka nilai mean dan varian relatif konstan tiap periode. b. Korelogram, yaitu dengan melihat nilai ACF dan PACF. Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu. Data stasioner ditandai dengan nilai autokorelasi dan autokorelasi parsial menurun secara time lag. Nilai autokorelasi (rk) Untuk melihat nilai ACF dan PACF yang signifikan dapat dilakukan dengan menggunakan uji Bartlett sebagai berikut: ( ) ( ) Jika rk berada dalam batas uji maka koefisien autokorelasi tidak berbedanyata dengan nol yang berarti model tidak mengandung unsur autokorelasi. c. Uji plot korelogram residual, jika sebaran data mendekati no dapat diartikan data stasioner dalam varian. d. Uji unit root dengan metode ADF (Dickey-Fuller test) adalah uji stasioneritas dalam mean dengan | ADF test statistics| > | semua  critical value|, critical value mulai dari 1%, 10%, dan 5%. Jika nilai ADF test statistics > dari semua nilai mutlak critical value dapat diartikan data sudah stasioner, tetapi jika ADF test statistics < dari semua nilai mutlak critical value maka dapat diartikan data belum stasioner. a. estimasi Parameter (p,d,q) Pada tahap ini menentukan orde p dan q untuk mengestimasi parameter AR dan MA. Perlu dilakukan trial and error untukmodel mendapatkan ARIMA yang baik. Koefisien ARIMA (p, d,q) yang memenuhi syarat model dilakukan beberapa uji sebagai berikut:

begitu juga sebaliknya.05 maka terima Ho yang berarti tidak signifikan dan tidak masuk dalam model. adalah parameter ke-j yang dihipotesis.05. 2.05: artinya variabel dependen tidak dipengaruhi variabel secara signifikan Ho ditolak dan H1 diterima jika t hitung > t tabel. dan adalah kesalahan standar bj Tingkat signifikan 0.05 maka tolak Ho.96 b. Jika n banyak sekali maka t tabel pada tingkat 5% menggunakan nilai 1. Uji hipotesis MA(q) sebagai berikut: Ho: Parameter MA(q) sama dengan nol atau tidak signifikan H1: Parameter MA (q) tidak sama dengan nol atau signifikan Tingkat signifikansi signifikansi  = 0. jika probability t hitung < 0. Uji Diagnosis ARIMA .05 artinya variabel dependen dipengaruhi variabel independen secara signifikan.05. Jika probability AR (p) > 0. Berarti jika nilai probability AR (p) < 0. Uji hipotesis AR (p) sebagai berikut: Ho: Parameter AR(p) sama dengan nol atau tidak signifikan H1: Parameter AR(p) tidak sama dengan nol atau signifikan Tingkat signifinsi pada  = 0. dan dapat disimpulkan AR(p) masuk dalam model.05 statistik uji probability (p). Jika probability MA(q) > 0.05 pengujian hipotesis Ho diterima dan H1 ditolak jika t hitung < t tabel.05 statistik uji probability MA(q) daerah kritik Ho ditolak jika probability MA(q) < 0. daerah kritik Ho ditolak jika probability AR (p) < 0. atau jika probabilitas t hitung > 0. Parameter AR dan MA ditentukan dengan uji hipotesis probability.05 maka terima Ho yang berarti parameter AR (p) sama dengan nol dan tidak signifikan dan dapat disimpulkan AR (p) tidak masuk dalam model. Parameter AR dan MA ditentukan dengan uji t yang diformulasikan dengan rumus berikut: Lambang bj adalah koefisien ke-j yang ditaksir.05 maka Ho ditolak dan dapat disimpulkan MA(q) signifikan dan masuk dalam model. Berarti jika nilai probability MA (q) lebih kecil dari 0.1.

Nila Mean Square Error kecil. Jika koefisien autokorelasi data bersifat acak maka sebagian besar akan berada di sekitar rentang confident limit 0  Z (1/ n). maka residual berupa white noise berarti model telah baik. Prediksi ARIMA Setelah didapatkan model ARIMA terbaik langkah selanjutnya adalah melakukan prediksi. . c. Mode sudah benar jika ACF residual dan PACF residual sudah berupa white noise. Hasil prediksi yang baik jika prediksinya mendekati nilai aktual. Jika ACF dan PACF residual tidak signifikan atau lebih kecil dari nilai interval uji Bartlett dan secara statistik signifikan pada tingkat kepercayaan yang ditentukan (95%). Jika residual tidak white noise maka model tidak baik dan perlu dicari spesifikasi model yang baik. Uji ini dilakukan untuk meyakinkan model sudah benar.Uji diagnostik setelah model ARIMA ditentukan dan parameternya telah diestimasi.