UAS Forecasting 2025

Singkatan dari ARIMA dalam metodologi Box-Jenkins adalah:

• Average, Ratio, Index, Moving, Analysis

• Auto Regression Integrated Moving Average

• Autocorrelation Ratio with Iterative MA

• Autoregressive Integrated Median Adjustment

• Autoregression with Internal Mean Approximation

Dalam model ARIMA(p,d,q), angka q merujuk pada:

• Banyaknya diferensiasi untuk membuat data stasioner

• Orde dari komponen autoregresif

• Orde dari komponen moving average

• Jumlah observasi dalam satu periode

• Nilai prediksi jangka panjang

Tujuan utama dari proses differencing dalam metodologi ARIMA adalah untuk:

• Menambah varians data

• Menghilangkan komponen musiman

• Menjadikan data stasioner

• Meningkatkan korelasi antar variabel

• Mendeteksi outlier dalam data

Manakah dari berikut ini yang bukan merupakan langkah dalam metodologi Box-Jenkins?

• Identifikasi model

• Estimasi parameter

• Pengujian hipotesis regresi

• Diagnostik model

• Peramalan

Jika plot ACF menunjukkan cut-off setelah lag ke-2 dan PACF menunjukkan pola yang menurun secara bertahap, maka kemungkinan model ARIMA yang tepat adalah:

• ARIMA(2,0,0)

• ARIMA(0,1,2)

• ARIMA(0,0,2)

• ARIMA(2,1,0)

• ARIMA(0,0,1)

Jika plot PACF menunjukkan cut-off setelah lag ke-1 dan ACF menunjukkan pola menurun secara bertahap, maka kemungkinan model ARIMA yang tepat adalah:

• ARIMA(1,0,0)

• ARIMA(0,0,1)

• ARIMA(1,1,1)

• ARIMA(0,0,2)

• ARIMA(2,0,0)

Jika plot ACF dan PACF keduanya menunjukkan pola menurun secara bertahap dan tidak jelas cut-off, maka kemungkinan langkah yang harus dilakukan adalah:

• Mengganti metode estimasi parameter

• Menggunakan ARIMA dengan p= 0 dan q= 0

• Melakukan diferensiasi karena data kemungkinan belum stasioner

• Meningkatkan orde hingga 2 atau lebih tanpa pengecekan

• Memilih model secara acak dan bandingkan AIC-nya

Dalam tahap identifikasi model pada metodologi Box-Jenkins, langkah yang paling utama adalah:

• Menghitung nilai AIC dari berbagai model

• Menentukan interval kepercayaan prediksi

• Menguji kestasioneran dan mengamati plot ACF serta PACF

• Menentukan jumlah data pelatihan dan data uji

• Menggunakan residual untuk memvalidasi model

Tujuan utama dari pengujian stasioneritas dalam tahap identifikasi model adalah untuk:

• Menentukan model regresi terbaik

• Menentukan panjang lag untuk forecasting

• Menilai apakah data perlu dilakukan differencing

• Menyesuaikan parameter AR dan MA

• Menilai distribusi normal dari data

Jika data tidak stasioner, langkah yang dapat dilakukan untuk membuatnya stasioner adalah:

• Mengubah data menjadi bentuk persentase

• Melakukan transformasi logaritmik

• Melakukan differencing terhadap data

• Menghapus outlier dari data

• Menambah variabel independen baru