1 BAB I PENDAHLUAN 1.1 Latar belakang Inflasi adalah suatu proses meningkatnya harga-harga secara umum dan terus-menerus (kontinu) berkaitan dengan mekanisme pasar yang dapat disebabkan oleh berbagai faktor, antara lain, konsumsi masyarakat yang meningkat, berlebihnya likuiditas di pasar yang memicu konsumsi atau bahkan spekulasi, sampai termasuk juga akibat adanya ketidak lancaran distribusi barang. Dengan kata lain, inflansi juga merupakan proses menurunnya nilai mata uang secara kontinu. Inflasi adalah proses dari suatu peristiwa, bukan tinggi-rendahnya tingkat harga. Artinya, tingkat harga yang dianggap tinggi belum tentu menunjukan inflasi. Inflasi adalah indikator untuk melihat tingkat perubahan, dan dianggap terjadi jika proses kenaikan harga berlangsung secara terus-menerus dan saling pengaruh-mempengaruhi. Istilah inflasi juga digunakan untuk mengartikan peningkatan persediaan uang yang kadangkala dilihat sebagai penyebab meningkatnya harga. Ada banyak cara untuk mengukur tingkat inflasi, dua yang paling sering digunakan adalah IHK(Indeks Harga Konsumen) dan GDP Deflator. Inflasi dapat digolongkan menjadi empat golongan, yaitu inflasi ringan, sedang, berat, dan hiperinflasi. Inflasi ringan terjadi apabila kenaikan harga berada di bawah angka 10% setahun; inflasi sedang antara 10%—30% setahun; berat antara 30%—100% setahun; dan hiperinflasi atau inflasi tak terkendali terjadi apabila kenaikan harga berada di atas 100% setahun. Inflasi dapat disebabkan oleh dua hal, yaitu tarikan permintaan atau desakan biaya produksi. Inflasi tarikan permintaan (demand pull inflation) terjadi akibat adanya permintaan total yang berlebihan sehingga terjadi perubahan pada tingkat harga. Bertambahnya permintaan terhadap barang dan jasa mengakibatkan bertambahnya permintaan terhadap faktor-faktor produksi. Meningkatnya permintaan terhadap faktor produksi itu kemudian menyebabkan harga faktor
52
Embed
Metode Box-Jenkins dalam pemodelan Inflansi di Indonesia
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
BAB I
PENDAHLUAN 1.1 Latar belakang
Inflasi adalah suatu proses meningkatnya harga-harga secara umum dan
terus-menerus (kontinu) berkaitan dengan mekanisme pasar yang dapat
disebabkan oleh berbagai faktor, antara lain, konsumsi masyarakat yang
meningkat, berlebihnya likuiditas di pasar yang memicu konsumsi atau bahkan
spekulasi, sampai termasuk juga akibat adanya ketidak lancaran distribusi barang.
Dengan kata lain, inflansi juga merupakan proses menurunnya nilai mata uang
secara kontinu. Inflasi adalah proses dari suatu peristiwa, bukan tinggi-rendahnya
tingkat harga. Artinya, tingkat harga yang dianggap tinggi belum tentu
menunjukan inflasi. Inflasi adalah indikator untuk melihat tingkat perubahan, dan
dianggap terjadi jika proses kenaikan harga berlangsung secara terus-menerus dan
saling pengaruh-mempengaruhi. Istilah inflasi juga digunakan untuk mengartikan
peningkatan persediaan uang yang kadangkala dilihat sebagai penyebab
meningkatnya harga. Ada banyak cara untuk mengukur tingkat inflasi, dua yang
paling sering digunakan adalah IHK(Indeks Harga Konsumen) dan GDP Deflator.
Inflasi dapat digolongkan menjadi empat golongan, yaitu inflasi ringan,
sedang, berat, dan hiperinflasi. Inflasi ringan terjadi apabila kenaikan harga
berada di bawah angka 10% setahun; inflasi sedang antara 10%—30% setahun;
berat antara 30%—100% setahun; dan hiperinflasi atau inflasi tak terkendali
terjadi apabila kenaikan harga berada di atas 100% setahun.
Inflasi dapat disebabkan oleh dua hal, yaitu tarikan permintaan atau
desakan biaya produksi. Inflasi tarikan permintaan (demand pull inflation) terjadi
akibat adanya permintaan total yang berlebihan sehingga terjadi perubahan pada
tingkat harga. Bertambahnya permintaan terhadap barang dan jasa mengakibatkan
bertambahnya permintaan terhadap faktor-faktor produksi. Meningkatnya
permintaan terhadap faktor produksi itu kemudian menyebabkan harga faktor
2
produksi meningkat. Jadi, inflasi ini terjadi karena suatu kenaikan dalam
permintaan total sewaktu perekonomian yang bersangkutan dalam situasi full
employment. Sedangkan inflasi desakan biaya (cost push inflation) terjadi akibat
meningkatnya biaya produksi (input) sehingga mengakibatkan harga produk-
produk (output) yang dihasilkan ikut naik.
Inflasi memiliki dampak positif dan dampak negatif tergantung parah atau
tidaknya inflasi. Apabila inflasi itu ringan, justru mempunyai pengaruh yang
positif dalam arti dapat mendorong perekonomian lebih baik, yaitu meningkatkan
pendapatan nasional dan membuat orang bergairah untuk bekerja, menabung dan
mengadakan investasi. Sebaliknya, dalam masa inflasi yang parah, yaitu pada saat
terjadi inflasi tak terkendali (hiperinflasi), keadaan perekonomian menjadi kacau
dan perekonomian dirasakan lesu. Orang menjadi tidak bersemangat kerja,
menabung, atau mengadakan investasi dan produksi karena harga meningkat
dengan cepat. Para penerima pendapatan tetap seperti pegawai negeri atau
karyawan swasta serta kaum buruh juga akan kewalahan menanggung dan
mengimbangi harga sehingga hidup mereka menjadi semakin merosot dan
terpuruk dari waktu ke waktu.
Bagi produsen, inflasi dapat menguntungkan bila pendapatan yang
diperoleh lebih tinggi daripada kenaikan biaya produksi. Bila hal ini terjadi,
produsen akan terdorong untuk melipatgandakan produksinya (biasanya terjadi
pada pengusaha besar). Namun, bila inflasi menyebabkan naiknya biaya produksi
hingga pada akhirnya merugikan produsen, maka produsen enggan untuk
meneruskan produksinya. Produsen bisa menghentikan produksinya untuk
sementara waktu. Bahkan, bila tidak sanggup mengikuti laju inflasi, usaha
produsen tersebut mungkin akan bangkrut (biasanya terjadi pada Pengusaha
kecil).
Secara umum, inflasi dapat mengakibatkan berkurangnya investasi di
suatu negara, mendorong kenaikan suku bunga, mendorong penanaman modal
yang bersifat spekulatif, kegagalan pelaksanaan pembangunan, ketidakstabilan
3
ekonomi, defisit neraca pembayaran, dan merosotnya tingkat kehidupan dan
kesejahteraan masyarakat.
Dalam hal ini penulis akan mengkaji data tingkat inflansi bulanan
Indonesia terhitung dari bulan januari 2005 s.d. bulan November 2012.
Ketertarikan penulis mengkaji data tingkat inflansi bulanan Indonesia karena
ingin mengetahui berapa rata-rata tingkat inflansi tiap bulan nya serta
meramalkan data tingkat inflansi tersebut untuk beberapa periode kedepan.
Dengan itu dapat diketahui seberapa tinggi tingkat inflansi di Indonesia untuk
beberapa bulan ke depan.
1.2 Rumusan masalah Ketertarikan penulis mengkaji data tingkat inflansi bulanan di Indonesia terdapat
beberapa masalah masalah yang harus di kaji lebih lanjut diantaranya:
a. Bagaimana model umum dari metode runtun waktu Box-Jenkins dari data
tingkat inflansi bulanan di Indonesia?
b. Apakah pemodelan yang cocok dari data tingkat inflansi bulanan di
Indonesia?
c. Bagaimana peramalan data untuk 10 bulan berikutnya?
1.3 Batasan masalah Dalam makalah ini, masalah yang dibahas akan dibatasi untuk metode
peramalan univariat Box Jenkins.
1.4 Tujuan penelitian Secara umum, penelitian ini bertujuan untuk mempelajari tahap-tahap
peramalan dari data runtun waktu yang telah diperoleh, yaitu :
1. Mampu mengidentifikasi model dari data runtun waktu.
2. Mampu mengestimasi parameter yang ada dalam model.
4
3. Mampu memverifikasi model.
4. Mampu meramalkan data runtun waktu untuk beberapa periode waktu yang
akan datang.
1.5 Manfaat penelitian Makalah ini tentunya akan memberikan banyak manfaat, baik bagi
mahasiswa maupun bagi kalangan lainnya. Bagi mahasiswa, makalah ini
merupakan media untuk menambah pengetahuan baru. Sedangkan untuk
kalangan lainnya, makalah penelitian ini merupakan sumber bacaan untuk
meningkatkan kemampuan diri dalam menggali dan mengembangkan ilmu, serta
memberikan motivasi untuk melakukan penelitian, khususnya di bidang
statistika.
1.6 Metode penelitian Dalam pengerjaan tulisan ini, penulis mengolah data dengan mengunakan
MINITAB VER.16 dengan data sekunder dari website Badan Pusat Statistik
(BPS) Indonesia tentang tingkat inflansi di Indonesia. Pengerjaan tulisan ini
ditelaah dengan kajian pustaka dari beberapa sumber buku yang dapat membantu
dalam merefrensikan dan menginterpretasi hasil pengolahan.
5
BAB II
Kajian Pustaka 2.1 Metode Runtun Waktu
Runtun waktu adalah susunan observasi berurut menurut waktu. Runtun
waktu tersebut dituliskan sebagai 푧 = 푧 , 푧 , … , 푧 di mana zi adalah data ke-i
dari runtun waktu tersebut, i = 1, 2 , ... , n. Jika dari sejarah data masa lalu
keadaan yang akan datang dari suatu runtun waktu dapat ditentukan dengan pasti,
maka runtun waktu tersebut disebut deterministik. Sedangkan jika dari sejarah
data masa lalu keadaan yang akan datang suatu runtun waktu hanya dapat
menentukan struktur probabilistik keadaan yang akan datang, maka runtun waktu
tersebut disebut stokastik (statistik). Runtun waktu statistik dapat dianggap
sebagai realisasi dari suatu proses stokastik, yaitu proses di mana seseorang tidak
bisa memperoleh hasil seperti yang sudah diperolehnya.
Observasi zt dapat dianggap sebagai realisasi dari variabel zt dengan fungsi
kepadatan peluang f(zt). Artinya, 푧 ,푧 , … ,푧 dianggap mempunyai fkp
gabungan 푓(푧 ,푧 , … , 푧 ). Jika 푓(푧 ,푧 , … , 푧 ) tidak dipengaruhi oleh perubahan
waktu maka runtun waktu 푧 ,푧 , … , 푧 disebut stasioner. Dalam runtun waktu
stasioner berlaku :
1) 퐸(푧 ) = 휇
2) 퐶표푣(푧 , 푧 ) = 훾
di mana adalah rata-rata dari proses runtun waktu dan k adalah autokovarian
lag ke-k.
6
2.2 Fungsi Autokorelasi dan fungsi Autokorelasi Parsial 2.2.1 Fungsi Autokorelasi
Autokorelasi lag ke-k didefinisikan oleh
휌 = ( , ) ( ) ( )
. Fungsi autokorelasi (fak) adalah himpunan
semua autokorelasi untuk berbagai lag, ditulis {휌 ,푘 = 1, 2, … }
dengan 휌 = 1. Pada umumnya, 휇 dan 훾 ditaksir oleh 휇̂ = 푧̅ =
∑ 푧 dan 훾 = 퐶 = ∑ (푧 − 푧̅)(푧 − 푧̅), sedangkan
autokorelasi lag ke-k ditaksir oleh 휌 = 푟 = = . Untuk runtun
waktu stasioner yang normal, Bartlett menyatakan bahwa variansi dari
Matriks autokorelasi berukuran N didefinisikan oleh
푃 =
⎣⎢⎢⎢⎢⎡
1휌 휌1
휌휌
휌휌
……
휌휌
휌휌
휌휌 1
휌 휌1 ……
휌휌
⋮ 휌 ⋮
휌 ⋮휌 ⋮
휌 ⋱… ⋮1 ⎦⎥⎥⎥⎥⎤
.
Autokorelasi parsial lag ke-k dinotasikan oleh 휙 yang didefinisikan
oleh
휙 =∗
| |, di mana 푃∗ adalah 푃 dengan kolom terakhir diganti oleh
휌휌⋮휌
. Fungsi autokorelasi parsial (fakp) adalah himpunan autokorelasi
parsial untuk berbagai lag, ditulis {휙 ,푘 = 1, 2, … }. Untuk lag yang
7
cukup besar, Quinouille menyatakan bahwa 푣푎푟(휙 ) ≈ . Jika
|푟 | < 2푆퐸(푟 ) untuk k>K, maka fakp tidak berbeda secara signifikan
dengan nol (terputus setelah lag ke-K).
2.3 Model Runtun Waktu Box-Jenkins Metode ini telah dipelajari secara mendalam dan dikembangkan oleh George
Box dan Gwilyn Jenkins (1976). Model Autoregresif (AR) pertama kali
dikembangkan oleh Yule (1926) dan kemudian dikembangkan oleh Walker
(1931), sedangkan model Moving Average (MA) pertama kali digunakan oleh
Slutzky (1937) (Makridakis ; Wheelwright ; McGee, 1999) . Model
AutoRegressive Integrated Moving Average (ARIMA) atau model gabungan auto-
regresi dengan rata-rata bergerak, adalah jenis model linier yang mampu mewakili
deret waktu yang stasioner maupun non-stasioner. Pada metode peramalan
dengan menggunakan Box-Jenkins (ARIMA – Autoregressive Integrated Moving
Average) , di mana sangat baik ketepatannya untuk peramalan jangka pendek,
sedangkan untuk peramalan jangka panjang ketepatan pera2malannya kurang
baik. Biasanya akan cenderung flat (mendatar/konstan) untuk periode jangka
panjang. Model ARIMA adalah model yang secara penuh mengabaikan
independen variabel dalam membuat peramalan. ARIMA menggunakan data
masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan
jangka pendek. Model ARIMA (Autoregressive Integrated Moving Average) yang
dikembangkan oleh George Box dan Gwilyn Jenkins (1976) merupakan yang
tidak mengasumsikan pada pola tertentu pada data historis yang diramalkan dan
tidak mengikutkan variabel bebas pada pembentukannya. Model ARIMA
merupakan model gabungan antara autoregressive (AR) dan moving average
(MA) dimana model ini mampu mewakili deret waktu yang stasioner dan non-
stasioner (John E Hanke ; Arthur G. Reitch ; Dean W. Wichren, 2000).
Notasi umum dari model ARIMA adalah : ARIMA (p,d,q), p merupakan
model auto-regresif rder-p yang mempunyai bentuk : 푧 = 휙 푧 + 휙 푧 +
8
⋯+휙 푧 + 푎 Di mana : Zt = Variabel respon (terikat) pada waktu t Zt-1,Zt-
2,...,Zt-p=Variabel respon pada masingmasing selang waktu t - 1, t - 2,…, t – p.
Nilai Y berperan sebagai variabel bebas. 휙 휙 휙 2 . . ., 휙p = Koefisien yang
diestimasi αt = Galat pada saat t yang mewakili dampak variabel- variabel yang
tidak dijelaskan oleh model. Asumsi mengenai galat adalah sama dengan asumsi
model regresi standar. D merupakan banyak banyaknya selisih yang didapat dari
proses penyisihan (differencing) dari deret waktu yang non-stasioner menjadi
deret waktu stasioner. Jika deret aslinya stasioner, d=0 model ARIMA berubah
menjadi model ARMA. Persamaan dari proses penyisihan (differencing d) : ΔZt
= Zt – Zt-1. q merupakan model rata-rata bergerak orde k q yang mempunyai
bentuk : 푧 = 푎 + 휃 푎 + 휃 푎 + ⋯+ 휃 푎 di mana : Zt = Variabel
respon (terikat) pada saat t μ = Mean konstanta proses 휃1, 휃 2,..., 휃q=Koefisien
yang diestimasi tak terjelaskan oleh model. Asumsi mengenai bentuk galat
adalah sama dengan asumsi model regresi standar. αt-1,αt-2,...,αt-q=Galat pada
periode waktu sebelumnya yang pada saat t, nilainya menyatu dengan nilai
respon Zt .
2.3.1 Model data stasioner
1. Model Auto regresive (AR)
Bentuk umum dari proses AR tingkat p, ditulis AR (p) adalah
푧 = 휙 푧 +휙 푧 + ⋯+ 휙 푧 + 푎 atau 휋(퐵)푧 = 푎 , di mana
푎 ~푁(0,휎 ).
a. AR (1)
Bentuk umum dari proses AR (1) adalah 푧 = 휙푧 + 푎 .
Variansi dari 푧 adalah 휎 = , sehingga daerah
9
stasioneritas untuk proses AR (1) harus memenuhi −1 < 휙 <
1. Adapun ciri dari proses AR (1) terdiri dari :
a) Fak untuk AR (1) adalah 휌 = 휙 . Pada selang
0 < 휙 < 1, fak turun secara eksponensial menuju nol
sedangkan pada selang −1 < 휙 < 0, fak turun secara
eksponensial menuju nol sambil bergantian tanda.
b) Fakp terputus setelah lag ke-1 (휙 = 휌 = 휙,휙 =
0,푘 ≥ 2).
b. AR(2)
Bentuk umum dari proses AR (2) adalah 푧 = 휙 푧 +
휙 푧 + 푎 . Variansi dari tz adalah
휎 = ( )( )( )( )
, sehingga daerah
stasioneritas untuk proses AR (2) harus memenuhi −1 < 휙 ,
휙 + 휙 < 1, dan −휙 +휙 < 1. Adapun ciri dari proses AR
(2) terdiri dari :
a) Fak untuk proses AR (2) adalah 휌 = 휙 휌 +
휙 휌 , turun secara eksponensial menuju nol.
b) Fakp terputus setelah lag ke-2 휙 = ,휙 =
휙 ,휙 = 0,푘 ≥ 3
c. AR (p)
Secara umum, ciri teoretik proses AR (p) terdiri dari :
o Fak turun secara eksponensial menuju nol.
o Fakp terputus setelah lag ke-p.
10
2. Moving average (MA)
Bentuk umum dari proses MA tingkat q, ditulis MA (q) adalah
푧 = 푎 + 휃 푎 + 휃 푎 + ⋯+ 휃 푎 atau 푧 = 휃(퐵)푎 , di mana
푎 ~푁(0,휎 ). Jika q berhingga, maka runtun waktu tersebut selalu
stasioner. Bentuk 푧 = 휃(퐵)푎 dapat ditulis sebagai 휃(퐵) 푧 = 푎
atau (1 − 휋 퐵 − 휋 퐵 − ⋯ )푧 = 푎 . Jika 휋 ,휋 , … merupakan deret
yang konvergen, maka proses MA (q) tersebut dikatakan invertibel
(dapat dibalik).
Dengan kata lain, proses MA ekivalen dengan proses AR, yaitu
:
o MA (q) dengan model 푧 = 휃(퐵)푎 ekivalen dengan
proses AR 휋(퐵)푧 = 푎 dengan orde .
o AR (p) dengan model ekivalen dengan
proses MA dengan orde .
a. MA (1)
Bentuk umum dari proses MA (1) adalah 푧 = 푎 +
휃푎 . Adapun ciri dari proses MA (1) terdiri dari :
a) Fak terputus setelah lag ke-1 휌 = ,휌 =
0,푘 ≥ 2 .
b) Fakp untuk proses MA (1) adalah 휙 =( )
( ) , turun secara geometris menuju
nol.
c) Daerah invertibel memenuhi −1 < 휃 < 1.
11
b. MA (2)
Bentuk umum dari proses MA (2) adalah 푧 = 푎 +
휃 푎 + 휃 푎 . Adapun ciri dari proses MA (2) terdiri dari :
a) Fak terputus setelah lag ke-2 휌 =
, 휌 = , 휌 = 0,푘 ≥ 3 .
b) Fakp turun secara geometris menuju nol.
c) Daerah invertibel memenuhi −1 < −휃 ,
−휃 − 휃 < 1, dan 휃 − 휃 < 1.
c. MA (q)
Secara umum, ciri teoretik proses MA (q) terdiri dari :
o Fakp turun secara eksponensial menuju nol.
o Fak teputus setelah lag ke-q.
3. Auto regresif moving average (ARMA)
Bentuk umum dari proses ARMA (p, q) adalah 푧 =
휙 푧 +⋯+ 휙 푧 + 푎 +휃 푎 + ⋯+ 휃 푎 atau 휙(퐵)푧 =
휃(퐵)푎 . Model ARMA dapat ditulis sebagai model MA, yaitu
푧 = 휓(퐵)푎 atau model AR, yaitu 휋(퐵)푧 = 푎 , di mana 휓(퐵) =
휙 (퐵)휃(퐵) dan 휋(퐵) = 휃 휙(퐵). Adapun ciri teoretik dari proses
ARMA (p, q) adalah grafik dari fak dan fakpnya turun secara
eksponensial menuju nol.
12
2.3.2 Model data Tak Stasioner
Model ARIMA merupakan bentuk model untuk runtun waktu
nonstasioner. Biasanya, runtun waktu nonstasioner disebabkan karena
runtun waktu mempunyai rata-rata yang tidak tetap. Adapun runtun
waktu nonstasioner homogen adalah runtun waktu yang walaupun
bergerak bebas pada suatu lokasi tetapi gerakannya pada lokasi lain
pada dasarnya sama. Runtun waktu ini ditandai oleh suatu runtun
waktu di mana selisih data yang berurutannya adalah stasioner.
Misalkan runtun waktu stasioner wt ARMA (p, q) 푤 =
휙 푤 + ⋯+ 휙 푤 + 푎 +휃 푎 + ⋯+ 휃 푎 dan misalkan
data para wt diperoleh dari selisih data para zt yang tidak stasioner
(data mentah). Karena 푤 = 푧 − 푧 , maka persamaan 푤 =
휙 푤 + ⋯+ 휙 푤 + 푎 +휃 푎 + ⋯+ 휃 푎 dapat ditulis
sebagai 푧 = (1 + 휙 )푧 + (휙 − 휙 )푧 + ⋯− 휙 푧 +
푎 +휃 푎 + ⋯+ 휃 푎 . Persamaan terakhir inilah yang disebut
dengan persamaan differensi.
Dari bentuk 푤 = 푧 − 푧 , diperoleh 푧 = 푤 + 푧 , 푧 =
푤 + 푧 , 푧 = 푤 + 푧 , ... sehingga 푧 = 푤 + 푤 +
푤 +⋯. Ini berarti bahwa zt dapat dinyatakan sebagai jumlah
(integrasi) para wt. Akibatnya, persamaan differensi disebut auto
regresive integrated moving average (ARIMA (p, 1, q)). Jika d
menyatakan banyaknya penyelisihan yang dilakukan sampai runtun
waktu menjadi stasioner, maka runtun waktu nonstasioner dinyatakan
dengan ARIMA (p, d, q). Artinya, runtun waktu tersebut akan
stasioner menjadi ARMA (p, q) setelah diselisihkan d kali.
13
Runtun waktu nonstasioner dapat dinyatakan dalam bentuk
푧 = 푎 + 휓 푎 +휓 푎 + ⋯ yang diperoleh dari persamaan
differensi dengan mensubstitusi 푧 ,푧 , … atau dalam bentuk
terbalik 푧 = 휋 푧 + 휋 푧 +⋯+ 푎 yang diperoleh dari
persamaan differensi dengan mensubstitusi 푎 ,푎 , …. Adapun ciri
untuk runtun waktu nonstasiner terdiri dari :
a. Plot data tidak berpluktuasi (memiliki trend untuk selang yang
cukup lebar).
b. Fak turun secara lambat dan linear.
c. Pada grafik fakp, hanya 휙 yang nilainya mendekati satu,
sedangkan yang lainnya tidak berbeda secara signifikan
dengan nol.
2.4 Sistematika Pemodelan
Langkah-langkah dalam pembentukan model secara iteratif adalah sebagai
berikut.
2.4.1 Identifikasi Model
Identifikasi model bertujuan untuk menentukan
(mengidentifikasi) model yang merupakan representasi data runtun
waktu 푧 , 푧 , … , 푧 . Adapun langkah-langkah yang dilakukan adalah
sebagai berikut.
o Menentukan mean dan variansi data runtun waktu.
o Menentukan fak beserta 2푆퐸(휌 ) dari data runtun waktu.
o Menentukan fakp beserta 2푆퐸(휙 ) dari data runtun waktu.
o Membandingkan fak dan fakp data runtun waktu dengan fak
dan fakp teoretik.
14
Berikut ini adalah tabel pendekatan {푟 } dan {휙 } untuk berbagai
model.
Pendekatan model
휙 ~푁 0,1푁 ,푘 > 푝
AR (p)
푟 ~푁 0,1푁
1 + 2 푟 , 푘 > 푞
MA (q)
Sebelum pemodelan dilakukan, hal berikut adalah mutlak
diperlukan.
o Plot data untuk melihat kestasioneran data.
o Grafik dari distribusi frekuensi untuk melihat asumsi
normalitas.
o Informasi lain (kemiringan, keruncingan, dll).
Jika 퐸(푧̅ ) = 푧̅ ≠ 0, maka model dituliskan sebagai 푧̂ = 푧 −
푧̅ sehingga perlu diuji apakah 푧̅ = 0. Hipotesis yang harus diuji adalah
퐻 ∶ 푧̅ = 0
퐻 ∶ 푧̅ = 0
Jika |푧̅| < 2푆퐸(푧̅), maka H0 diterima (푧̅ tidak berbeda secara
signifikan dengan nol).
Nilai pendekatan 푣푎푟(푧̅) untuk proses ARMA (p, q), dengan
2p q adalah sebagai berikut.
15
model Pendekatan
AR (1) 퐶 (1 + 푟 )푁(1 − 푟 )
MA (1)
퐶 (1 + 2푟 )푁
AR (2) 퐶 (1 + 푟 )(1− 2푟 + 푟 )푁(1 − 푟 )(1− 푟 )
MA (2)
퐶 (1 + 2푟 + 2푟 )푁
ARMA (1, 1)
퐶푁 1 +
2푟푟 − 푟
2.4.2 Estimasi parameter
Setelah beberapa model diidentifikasi, langkah selanjutnya
adalah mengestimasi parameter yang ada pada model. Estimasi yang
efisien yaitu estimasi yang meminimumkan kuadrat selisih antara nilai
estimasi dengan nilai parameter sebenarnya. Untuk data yang cukup
banyak, estimasi yang efisien adalah estimasi yang memaksimumkan
fungsi Likelihood.
Diperlukan taksiran interval untuk estimasi parameter. Di sini
perlu diuji apakah 휃 atau 휙 berbeda secara signifikan dengan nol atau
tidak. Jika 휃 < 2푆퐸 휃 , maka 휃 tidak berbeda secara signifikan
dengan nol. Begitu pula jika 휙 < 2푆퐸 휙 , maka 휙 tidak berbeda
secara signifikan dengan nol.
Variansi pendekatan untuk estimasi parameter berbagai model
sederhana dapat pula diperoleh dari rumus berikut.
16
2.4.3 Verifikasi model
Verifikasi adalah pemeriksaan apakah model yang diestimasi
cukup cocok dengan data yang ada. Jika terjadi penyimpangan yang
cukup serius, maka model yang baru harus dirumuskan kembali.
Langkah-langkah yang harus dilakukan pada tahap verifikasi ini adalah
sebagai berikut.
model Pendekatan
AR (1) 푣푎푟 휙 ≈
1 − 휙푁
MA (1) 푣푎푟 휃 ≈
1 − 휃푁
AR (2) 푣푎푟 휙 ,푣푎푟 휙
≈1−휙푁
MA (2)
푣푎푟 휃 ,푣푎푟 휃
≈1−휃푁
ARMA (1, 1)
푣푎푟(휙)
≈(1 −휙 )(1 + 휃휙)
푁(휙 + 휃)
푣푎푟(휃)
≈(1− 휃 )(1 + 휃휙)
푁(휙 + 휃)
17
1. Uji Keberartian Koefisien (휃 atau 휙)
Hipotesis yang harus diuji adalah
H0 : koefisien tidak berbeda secara signifikan dengan
nol.
H1 : koefisien berbeda secara signifikan dengan nol.
Adapun kriteria untuk uji keberartian koefisien adalah sebagai
berikut.
Tolak H0 jika |푘표푒푓| > 2푆퐸(푘표푒푓) atau
Tolak H0 jika 푃.푉푎푙푢푒 <∝= 5%.
2. Nilai Variansi Sesatan
Pilih model yang mempunyai variansi sesatan terkecil.
Nilai variansi sesatan bisa langsung dilihat dari output Minitab
14 atau dihitung dengan menggunakan rumus 휎 = , di
mana
SS : Kuadrat jumlah (Sum Square)
MS : Kuadrat Rata-rata (Mean Square)
DF : Derajat Kebebasan (Degree Free)
3. Uji Kecocokan (lack of fit)
Hipotesis yang harus diuji adalah
H0 : model sesuai
H1 : model tidak sesuai
Adapun kriteria untuk uji kecocokan adalah sebagai berikut.
Tolak H0 jika 휒 > 휒 atau
18
Tolak H0 jika 푃.푉푎푙푢푒 <∝= 5%.
Hal yang harus diperhatikan dalam tahap verifikasi adalah
penggunaan prinsip parsimony terhadap model yang sedang
diuji.
2.4.4 Forecast
Langkah terakhir dalam pembentukan model adalah melakukan
peramalan beberapa periode ke depan. Artinya, berdasarkan model
yang paling sesuai, ingin ditentukan distribusi bersyarat observasi
yang akan datang berdasarkan pola data di masa lalu. Model yang
diturunkan dari data runtun waktu bukan merupakan model yang
sebenarnya tetapi hanya merupakan pendekatan saja. Ide dari
permasalahan tersebut adalah bahwa harapan bersyarat merupakan
sebuah bilangan dengan sifat ”baik”, artinya merupakan ramalan
dengan sesatan kuadrat rata-rata minimum.
2.5 Sofware Mini Tab sebagai Alat Bantu Peramalan
Perkembangan ilmu pengetahuan dan teknologi memungkinkan manusia untuk menemukan sesuatu yang baru. Saat ini komputer bukanlah barang yang langka dan bahkan bagi sebagian kalangan sudah menjadi kebutuhan primer. Komputer menawarkan program-program yang semakin canggih untuk memenuhi kebutuhan manusia yang semakin komplek dan menuntut untuk serba cepat.
Dalam melakukan peramalan kuantitatif ada beberapa software komputer yang dapat digunakan untuk membantu dalam melakukan peramalan secara cepat dan akurat, Software tersebut antara lain Microsoft Excel, SPSS, Mininitab. Khusus untuk melakukan peramalan dengan metode analisis runtun waktu lebih tepat menggunakan software minitab karena cukup lengkap untuk menyelesaikan permasalahan tersebut. Software minitab sebagai media pengolahan data terutama proses peramalan menyediakan berbagai perintah yang memungkinkan proses pemasukan data, pembuatan grafik, peringkasan numerik, analisis statistik, dan forecasting atau peramalan.
19
Adapun langkah-langkah dalam melakukan peramalan dengan bantuan software minitab dapat dijelaskan sebagai berikut :
2.5.1. Pemasukan data ke dalam program Minitab
Langkah – langkahnya yaitu :
a. Jalankan Program Minitab dengan cara klik Start Minitab 11 for windows minitab. Akan muncul tampilan seperti di bawah ini :
Gb.1 Tampilan worksheet Minitab
b. Untuk memasukkan data runtun waktu yang akan kita olah, terlebih dahulu kita klik pada Cell baris 1 kolom C1. Kemudian ketik data pertama dan seterusnya secara menurun. Format kolom tersebut harus numerik atau angka.
2.5.2. Menggambar grafik Data Runtun Waktu
Langkah-langkahnya yaitu:
a. Pilih menu Stat pada toolbar, kemudian pilih submenu Time Series setelah itu pilih submenu Time Series Plot …. Setelah itu akan muncul tampilan seperti di bawah ini:
20
Gb.2. Menggambar Grafik Data Runtun Waktu
b. Klik data yang akan digambar grafiknya,misalnya kolom C1 kemudian klik tombol Select, maka pada kolom Y baris pertama akan muncul tulisan. Jika data yang akan digambar grafiknya lebih dari satu, maka letakkan kursor pada kolom Y pada baris 2 dan seterusnya kemudian pilih kolom data yang ingin digambar grafiknya.
c. Untuk memberi judul pada grafik, klik pada tombol panah/ segitiga ke bawah disamping Annotation kemudian klik Title…setelah itu muncul kotak dialog baru. Kemudian ketiklah judul yang akan ditampilkan pada baris-baris dibawah title. Kemudian klik OK setelah kembali ke tampilan sebelumnya klik OK.
2.5.3. Menggambar Grafik Trend
Trend analisis digunakan untuk menentukan garis trend dari data tersebut.
Langkah-langkahnya yaitu:
a. Pilih menu Stat, kemudian pilih submenu Time Series , kemudian pilih submenu Trend Analysis. Selanjutnya akan muncul tampilan seperti ini:
21
Gb.3.Menggambar Grafik Trend
b. Klik data yang akan dianalisis garis trendnya kemudian klik tombol Select maka nama kolom dari data tersebut akan tampildalam kotak di samping Variable. Setelah itu pilihlah model yang dianggap sesuai dengan data tersebut apakah Linear, Quadratik atau lainnya. Selanjutnya ketiklah judul dari grafik trend pada kotak di sebelah Title tersebut lalu klik tombol OK. Tombol Option berisi tentang pilihan pengaturan dari Trend Analysis yaitu apakah grafik trendnya akan ditampilkan atau tidak dan pengaturan Outputnya.
2.5.4. Menggambar grafik fungsi Auto Korelasi (FAK) dan Fungsi Auto Korelasi Parsial (FAKP)
Grafik Fungsi Auto Korelasi (FAK) dan Fungsi Auto Korelasi Parsial (FAKP) digunakan untuk menentukan kestasioneran data runtun waktu dan model dari data tersebut. Langkah-langkahnya sebagai berikut:
a. Pilih menu Stat, kemudian pilih submenu Time Series kemudian submenu Autocorrelation… untuk menggambar grafik Fungsi Auto Korelasi (FAK) atau pilih submenu Partial Autocorrelation… untuk menggambar grafik Fungsi Auto Korelasi Parsial (FAKP). Setelah itu akan muncul tampilan seperti di bawah ini:
22
Gb.4.Menggambar Grafik FAK
Gb.5.Menggambar Grafik FAKP
b. Klik data yang ingin dicari grafik Fungsi Auto Korelasi (FAK) dan grafik Auto korelasi (FAKP) kemudian klik tombol Select maka nama kolom dari data tersebut akan tampil dalam kotak di samping Series. Setelah itu ketiklah judul grafik pada kotak di sebelah Title, kemudian klik tombol OK.
23
2.5.5. Menghitung Data Selisih
Data selisih digunakan untuk menentukan kestasioneran data runtun waktu jika data aslinya tidakl stasioner. Langkah-langkahnya yaitu:
a. Pilih menu Stat, Kemudian pilih submenu Time Series kemudian pilih submenu Differences… setelah itu akan muncul
Gb.6.Mencari Data Selisih
b. Klik data yang ingin dicarai selisihnya kemudian klik trombol Select maka nama kolom dari data tersebut akan tampil dalam kotak disamping Series. Setelah itu isi kolom mana yang akan ditempati hasil selisih tadi. Untuk lag selalu isi dengan angka 1, jika kita ingin mencari data selisih ke-n maka data yang dipilih dalam Series adalah data ke-n untuk kotak di sebelah lagh selalu diisi dengan 1.
2.5.6. Melakukan Peramalan
Langkah-langkahnya yaitu:
a. Pilih menu Stat, kemudian pilih submenu Time Series kemudian pilih submenu ARIMA… Setelah itu akan muncul :
24
Gb.7.Peramalan
b. Klik data yang ingin diramal, data tersebut merupakan data asli dan bukan data selisih kemudian klik tombol Select maka nama kolom dari data tersebut akan tampil dalam kotak di samping Series. Setelah itu isilah kotak disamping Autoregressive, Difference, dan Moving average sesuai model yang cocok. Misalnya jika model yang cocok adalah AR (2) maka kotak disamping Autoregressive diisi dengan 2 dan kotak lainnya 0. Kotak disamping Difference diisi sesuai dengan data selesih keberapa data tersebut stasioner artinya jika data tersebut stasioner pada selisih ke-2 maka diisi dengan 2.
c. Klik tombol Forecast… kemudian isilah kotak disamping Lead dengan jumlah periode waktu peramalan (misalnya bulan) ke depan yang akan diramalkan. Misalnya jika periode waktu yang digunakan adalah bulanan dan kita ingin meramalkan 2 tahun mendatang maka kita isi dengan 24.
25
BAB III
METODE PENELITIAN 3.1 Data Runtun Waktu Data sekunder yang penulis ambil berasal dari website www.bps.go.id yang berisikan
tentang data tingkat inflansi bulanan Indonesia dari bulan Januari 2005 s.d.
November 2012 dengan jumlah data 95 sebagai berikut:
Inflansi Bulanan Indonesia 2005-2012
Bulan 2005 2006 2007 2008 2009 2010 2011 2012
Januari 1,43 1,36 1,04 1,77 -0,07 0,84 0,89 0,76
Februari -0,17 0,58 0,62 0,65 0,21 0,3 0,13 0,05
Maret 1,91 0,03 0,24 0,95 0,22 -0,14 -0,32 0,07
April 0,34 0,05 -0,16 0,57 -0,31 0,15 -0,31 0,21
Mei 0,21 0,37 0,1 1,41 0,04 0,29 0,12 0,07
Juni 0,5 0,45 0,23 2,46 0,11 0,97 0,55 0,62
Juli 0,78 0,45 0,72 1,37 0,45 1,57 0,67 0,7
Agustus 0,55 0,33 0,75 0,51 0,56 0,76 0,93 0,95
September 0,69 0,38 0,8 0,97 1,05 0,44 0,27 0,01
Oktober 8,7 0,86 0,79 0,45 0,19 0,06 -0,12 0,16
November 1,31 0,34 0,18 0,12 -0,03 0,6 0,34 0,07
Desember -0,04 1,21 1,1 -0,04 0,33 0,92 0,57
Data tersebut akan diolah dengan menggunakan software MINI.TAB VER.16 untuk
mendapatkan ramalan data 10 bulan kedepan guna memprediksi tingkat inflansi di
Indonesia yang dapat mengantisipasi melonjaknya tingkat inflansi yang dapat
merugikan dan menguntungkan perekonomian negara sehingga data harus diolah
dengan tahap-tahapan sebagai berikut:
26
1. Tahap identifikasi model
Untuk mengidentifikasi model dapat dilihat dengan menggunakan software
MINI.TAB VER.16, yaitu sebagai berikut:
o Plot sebaran data
o Fungsi auto korelasi
o Fungsi auto Korelasi Parsial
2. Tahap estimasi model
Pada tahap estimasi ini model – model yang lulus tahap identifikasi akan di
check keberartian koefisiennya yaitu dengan melihat :
o Untuk AR (p), jika 휙 < 2푆퐸 휙 , maka 휙 tidak berbeda secara
signifikan dengan nol.
o Untuk MA(q) , Jika 휃 < 2푆퐸 휃 , maka 휃 tidak berbeda secara
signifikan dengan nol.
o Dengan melihat P.value, jika P.value < 0.,05 maka koefisien berbeda
secara signifikan dengan nol yang artinya data sesuai dengan model.\
3. Tahap Verifikasi model
Didalam tahap verifikasi didapat beberapa model yang telah diujji keberartian
koefisiennya, selanjutnya akan ditaksir model yang paling cocok untuk
mendapatkan hasil peramalan yang terbaik. Adapun keriteria model yang
opaling cocok harus memenuhi syarat-syarat sebagai berikut:
o Uji Keberartian koefisien
Dapat dilihat dari proses estimasi model
o Variansi sesatan
Dari model-model yang didapat pilihlah variansi sesatan yang
paling kecil menggunakan rumus 휎 = , di mana
27
SS : Kuadrat jumlah (Sum Square)
MS : Kuadrat Rata-rata (Mean Square)
DF : Derajat Kebebasan (Degree Free)
Atau dengan meggunakan data residu yang di olah dalam menu calc –
colum statistic pilih standar deviation.
o Uji kecocokan (lack of fit)
Untuk melihat model yang telah didapat cocok atau tidak,
dapat memperhatikan :
휒 < 휒 , atau
푃.푉푎푙푢푒 > ∝= 5%.
4. Tahap peramalan
Setelah melewati ketiga tahap diatas, didapat model data yang paling cocok
yang akan digunakan untuk memprediksi data selanjutnya.
28
BAB IV
HASIL DAN PEMBAHASAN
Data tingkat inflansi di Indonesia pada tabel BAB III metode penelitian
dengan menggunakan MINI.TAB 16 memberikan output –output uang berguna
dalam proses peramalan data. Telah diketahui bahwa untuk meramalkan data harus
melewati tahapan- tahapan Sebagai berikut:
4.1 Identifikasi model Untuk mengidentifikasi model dapat dilihat dari plot data, fak dan fakp.
Perhatikan grafik output dibawah ini:
a. Tanpa differensing
90817263544536271891
9
8
7
6
5
4
3
2
1
0
Index
Infla
nsi
Runtun Waktu Inflansi Bulanan Indonesia
Grafik 1
29
90817263544536271891
9
8
7
6
5
4
3
2
1
0
Index
Infla
nsi
MAPE 271.634MAD 0.490MSD 0.897
Accuracy Measures
ActualFits
Variable
Plot Analisis Trend untuk InflansiLinear Trend Model
Yt = 0.975 - 0.007936*t
a. Dapat dilihat dari plot data Grafik 1 dan Grafik 2 menunjukan bahwa
kisaran data runtun waktu berpluktuasi (tidak ada trend dengan kisaran
data yang cukup lebar) tetapi belum stasioner.
24222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
okor
elas
i
Fungsi Autokorelasi untuk Inflansi(with 5% significance limits for the autocorrelations)
Grafik 8 menggambarkan Fakp runtun waktu diferensing 1 untuk data inflansi bulanan Indonesia diatas menggambarkan bahwa Fakp turun secara eksponensial atau Fakp terputus setelah lag ke-2.
Grafik 8
34
c. Differensing 2
90817263544536271891
10
5
0
-5
-10
Index
Diff
eren
sias
i 2Runtun Waktu Differensiasi 2 untuk Inflansi
90817263544536271891
10
5
0
-5
-10
Index
Diff
eren
sia
si 2
MAPE 100.389MAD 0.685MSD 1.948
Accuracy Measures
ActualFits
Variable
Plot analisis Trend Differensiasi 2 untuk InflansiLinear Trend Model
Yt = 0.019 - 0.000616*t
c. Grafik 9 dan 10 menggambarkan data runtun waktu dengan kisaran data yang
berpluktuasi (tidak ada trend dengan kisaran data yang cukup lebar).
dengan tidak mengalami kenaikan apabila diambil garis lurus diantara kisaran
data tersebut. Ini menunjukan bahwa plot data ini stasioner .
Grafik 10
Grafik 9
35
222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
okor
elas
i
Fungsi Autokorelasi Differensiasi 2 untuk Inflansi (with 5% significance limits for the autocorrelations)
Grafik Fakp diatas menggambarkan bahwa fakp data terputus di lag ke-1 dan sulit untuk di tentukan model.
Dari gambaran grafik-grafik diatas dapat ditentukan bahwa data runtun
waktu jumlah barang yang didifferensing 1 lebih baik dibandingkan dengan
grafik-grafik dari data runtun waktu tanpa diffrensing dan data runtun waktu
diffrensing 2 karena plot data yang lebih stasioner , fak dan fakp data yang
jelas tidak terdapat data dari lag ke 1 yang telah berada dibawah standar eror.
Karena yang terpilih adalah data yang didifferensing 1 maka model yang
memenuhi syarat antara lain AR(2), MA(1), ARMA(2,1).
Grafik 12
37
4.2 Estimasi parameter Dari identifikasi model di dapat model-model data yang ditaksir baik, selanjutkan akan di estimasi keberartian koefisien dari model-model tersebut antara lain sebagai berikut:
a. Model AR (2) Berikut adalah output untuk data runtun waktu tingkat inflansi differensing 1 dengan menggunakan MINI Tab 16 :
ARIMA model data runtun waktu tingkat inflansi differensing 1
Estimates at each iteration Iteration SSE Parameters 0 166.402 0.100 0.100 0.068 1 141.265 -0.050 -0.017 0.029 2 123.111 -0.200 -0.134 0.005 3 111.737 -0.350 -0.252 -0.010 4 107.125 -0.500 -0.370 -0.020 5 106.994 -0.525 -0.392 -0.018 Unable to reduce sum of squares any further Final Estimates of Parameters Type Coef SE Coef T P AR 1 -0.5254 0.0963 -5.45 0.000 AR 2 -0.3919 0.0963 -4.07 0.000 Constant -0.0181 0.1117 -0.16 0.871 Mean -0.00945 0.05824
model AR(2) yang mungkin adalah 푤 = 휙 푤 +휙 푤 + 푎 atau (푤 −푤) = 휙 (푤 − 푤) + 휙 (푤 − 푤) + 푎
Dengan 푤 = 푧 − 푧
Dari output didapat bahwa:
Karena |휙 = - 0,5254| > |2SE=0,1926| maka 휙 berbeda secara
signifikan dengan nol artinya 휙 diperhitungkan dalam model
Karena |휙 = - 0,3919| > |2SE=0,1926| maka 휙 berbeda secara
signifikan dengan nol artinya 휙 diperhitungkan dalam model
Karena |cons = -0,0181| < |2SE=0,2234| maka cons tidak berbeda
secara signifikan dengan nol artinya cons tidak perlu diperhitungkan
38
Karena |푤 = −0,00945| < |2SE=0,05824| maka 푤 tidak berbeda
secara signifikan dengan nol artinya 푤 tidak perlu diperhitungkan
Karena P value = 0,0000 < sig 5%=0,05 maka data sesuai dengan
9 126.920 -1.158 -0.216 -0.973 -0.025 10 120.281 -1.308 -0.364 -0.996 -0.032 11 118.674 -1.345 -0.422 -0.995 -0.010 12 118.488 -1.351 -0.436 -0.994 0.007 Unable to reduce sum of squares any further Final Estimates of Parameters Type Coef SE Coef T P AR 1 -1.3513 0.0946 -14.28 0.000 AR 2 -0.4364 0.0940 -4.64 0.000 MA 1 -0.9944 0.0041 -240.67 0.000 Constant 0.0066 0.2087 0.03 0.975 Mean 0.00237 0.07487
4.3 Verifikasi model untuk verifikasi model , model harus memenuhi syarat-syarat sebagai berikut:
a. Uji keberartian koefisien Dari tahap estimasi parameter didapat tiga model yang memiliki keberartian
koefisien antara lain:
Model AR(2) Final Estimates of Parameters Type Coef SE Coef T P AR 1 -0.5254 0.0963 -5.45 0.000 AR 2 -0.3919 0.0963 -4.07 0.000 Constant -0.0181 0.1117 -0.16 0.871 Mean -0.00945 0.05824
Hipotesis yang harus diuji :
H : koe isien tidak berbeda secara signi ikan dengan nol
H : koe isien berbeda secara signi ikan dengan nol
Karena 휙 = −0,5254 > 2SE ϕ = 0,1926 artinya ϕ berbeda
secara signifikan dengan nol dan 휙 = −0,3919 > 2SE ϕ =
0,2234 artinya ϕ berbeda secara signifikan dengan nol, maka H
ditolak. Sehingga model AR (2) dapat dituliskan sebagai
Model MA(1) Final Estimates of Parameters Type Coef SE Coef T P MA 1 0.9963 0.0288 34.61 0.000 Constant -0.008683 0.003824 -2.27 0.026 Mean -0.008683 0.003824 Hipotesis yang harus diuji :
H :koe isien tidak berbeda secara signi ikan dengan nol
H :koe isien berbeda secara signi ikan dengan nol
Karena 휃 = 0,9963 > 2SE θ = 0,0576 artinya θ berbeda
secara signifikan dengan nol,maka H ditolak. Sehingga model
Model ARMA(2,1) Final Estimates of Parameters Type Coef SE Coef T P AR 1 -1.3513 0.0946 -14.28 0.000 AR 2 -0.4364 0.0940 -4.64 0.000 MA 1 -0.9944 0.0041 -240.67 0.000 Constant 0.0066 0.2087 0.03 0.975 Mean 0.00237 0.07487 Hipotesis yang harus diuji :
H : koe isien tidak berbeda secara signi ikan dengan nol
H :koe isien berbeda secara signi ikan dengan nol
Karena 휃 = −0,9944 > 2SE θ = 0,0082 artinya θ berbeda
secara signifikan dengan nol,maka H ditolak. Selanjutnya
휙 = −1,3513 > 2SE ϕ = 0,1892 artinya ϕ berbeda secara
signifikan dengan nol dan 휙 = −0,4364 > 2SE ϕ = 0,1880
43
artinya ϕ berbeda secara signifikan dengan nol, maka H
ditolak.Sehingga model ARMA (2,1) dapat dituliskan sebagai