Automatic Arima dengan Seasonal Adjustment


Ilustrasi
Kita kembali lagi ke data visit Bali yang dirilis oleh Disparda Bali, yang belum punya bisa download datanya disini; data terdiri atas 92 pengamatan.
Saat ini kita akan lakukan pemodelan time series dengan ARIMA, software yang kita gunakan adalah eviews 8.1,
1. Tahap input data,
Buka software eviews, file > import > import from file,

input_1

di dalam windows/lainnya, pilih file kamu > open,

input_2

Nah tampilan di bawah ini artinya data sudah terbaca, mainkan start cell hingga variabel month hilang, kita akan gunakan variabel time series default versi eviews aja,

input_4

Lihat, yang tersisa hanya variabel visit saja, kita akan mengatur variabel time seriesnanti, sama halnya jika variabel continyu kamu  > next,

input_5

Berikutnya dapat kamu ikuti seperti berikut ini, default eviews akan menentukan variabel time series sesuai jumlah baris, kita cukup mengatur waktu mulai dari kolomfrequency dan start date > finish,

input_6

tampilan data setelah masuk dalam record eviews, untuk menampilkan datanya cukup klik 2x pada variabel,

input_7

2. Tahap Analisis,
Kali ini kita akan lakukan pemodelan ARIMA dengan automatic ARIMA denganseasonal adjusment. Eviews akan otomatis melakukan pemilihan model yang terbaik untuk peramalan. Kita akan mencoba dua pendekatan seasonally adjustment dalam eviews, yaitu model ARIMA dengan pendekatan US.Cencus Bureaue X-11, dan modelautomatic ARIMA SEATS/TRAMO.
Klik 2x pada data visit, maka akan ditampilkan datanya,

analisis_1

Klik Proc > seasonal adjusment > Census X-13,

analisis_2 (1)

Karena dalam pemodelan ini kita mengabaikan variabel eksogenous, outlier, transformasi dan lain-lain, maka opsi variables kita abaikan saja (none),

analisis_3

Kemudian pilih ARIMA > Model, checklist X-11,

analisis_4

Kemudian pilih Seasonal Adjustment > Method, checklist X-11,

 

analisis_5

Terakhir pilih Output,  checklist semua kategori dalam FInal Series Output > ok,

analisis_6

Output:

output X-11

Dari output grafik dapat kita lihat bahwa model visit_D12 tidak mengandung komponen musiman tinggi, cenderung mengandung trend jangka panjang, sedangkan visit_D11 hampir mengikuti pola musiman visit dengan seasonal adjusment.

Mari kita lihat perbandingan antara visit_D11 dan visit setelah dilakukan seasonal adjusment oleh eviews.

output X-11_2

Nah disini dapat terlihat kemampuan model visit_D11 memprediksi visit denganseasonal adjusment, dengan jumlah komponen musiman yang hampir berimbang.
Berikutnya kita akan lakukan pendekatan seasonal adjusment denganSEATS/TRAMO yang menggunakan deteksi outliers secara otomatis,
Klik 2x pada data > Proc > Seasonal Adjustment > Census X-13,

analisis_2 (1)

Pada pilihan variables, automatic outliers checklist semua outliers type,

tramo_1

Buka ARIMA > model, checklist TRAMO auto,

Lihat di bagian differencing dan AR MA, TRAMO menentukan secara otomatis tingkat diferensiasi, autoregresif, dan moving average dengan maksimal order ke-2, untuk mengetahui cara penentuan order dalam ARIMA secara manual *stata 12, kamu bisa baca disini >>>

tramo_3

Kemudian pada bagian output, checklist seperti berikut ini,

tramo_4

Klik OK, maka outputnya ditampilkan sebagai berikut, langsung saya ambil perbandingan variabel visit, visit_D11 dengan pendekatan seasonally adjusment X-11, dan visit_S11 dengan pendekatan TRAMO/SEATS,

output tramo_2

Dari Grafik dapat kita lihat bahwa visit_S11 dengan tepat mendeteksi pola musiman visit_D11, tanpa trend jangka panjang. Lihat gari berwarna merah dan hijau. (yoso)

beli buku referensi terkait peramalan ekonometrika dan contoh penerapannya:

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s