ARIMA (Autoregressive Integrated Moving Average)
… biasakan mencopy dengan menyertakan sumber/referensi …
Autoregressive Integrated Moving Average (ARIMA) atau biasa disebut dengan metode Box-Jenkins sangat baik ketepatannya untuk peramalan jangka pendek, yang tidak membentuk suatu model struktural baik itu persamaan tunggal atau simultan yang bebasis kepada teori ekonomi atau logika, namun dengan menganalisis probabilistik atau stokastik dari data deret waktu (time series) dengan menggunakan nilai masa lalu dan sekarang untuk menghasilkan peramalan jangka pendek yang akurat. Hal ini terjelaskan dengan prinsip dari metode ini yaitu “let the data speak for themselves” (Gujarati, 2004).
Metode ARIMA dibagi kedalam tiga kelompok model deret waktu linier, yaitu: autoregressive model (AR), moving average model (MA) dan model campuran yang memiliki karakteristik kedua model di atas yaitu autoregressive moving average (ARMA) dan autoregressive integrated moving average (ARIMA).
Sebuah model deret waktu digunakan berdasarkan asumsi bahwa data deret waktu yang digunakan harus stasioner yang artinya variasi data deret waktu bernilai konstan atau data berada di sekitar nilai rata-ratanya. Tapi hal ini tidak banyak ditemui dalam banyak data deret waktu, mayoritas merupakan data yang tidak stasioner.
Seringkali sebuah data deret waktu tidak memenuhi sifat stasioner, hal ini memerlukan proses lanjutan agar data stasioner. Jika data tidak stasioner pada variannya, maka dapat dilakukan transformasi stabilisasi varians, seperti transformasi kuasa Box-Coc (Box-Cocs power transformation) atau transformasi logaritmis. Akan tetapi jika data tidak stasioner pada nilai rata-ratanya, maka dapat dilakukan proses differencing. Model dengan data yang stasioner melalui proses differencing ini disebut sebagai model ARIMA. Dengan demikian, jika data stasioner pada proses differencing d kali, dan mengaplikasikan ARMA(p,q), maka model yang terbentuk adalah model ARIMA(p,d,q) dimana p adalah menunjukkan ordo/derajat autoregressive (AR) atau tingkat AR, d adalah tingkat proses differencing dan q adalah menunjukkan ordo/derajat moving average atau tingkat MA.
sumber:
Wijaya, Adi. (2012). Peramalan Inflasi di Indonesia dengan Pendekatan ARIMA dan Fuzzy Time Series. Makalah. Surabaya: ITS-BPS
when adiw talks, it's fun 