|
|
|
**USER MANUAL**
|
|
|
|
-------------
|
|
|
|
**Modul ARIMA**
|
|
|
|
|
|
|
|
Berikut ini adalah tampilan utama aplikasi DELTA.
|
|
|
|
Aplikasi DELTA modul ARIMA menyediakan fungsi peramalan dengan beberapa model, yaitu:
|
|
|
|
1. ARIMA, merupakan fungsi untuk membuat model AR, MA, ARMA, dan ARIMA.
|
|
|
|
2. SARIMA, merupakan fungsi untuk membuat model SARIMA.
|
|
|
|
3. Auto ARIMA, merupakan fungsi pemilihan model terbaik berdasarkan nilai AIC terkecil.
|
|
|
|
|
|
|
|
|
|
|
|
**Panduan Penggunaan**
|
|
|
|
Untuk end user, installer aplikasi DELTA dapat diunduh [di sini]. Panduan penggunaan modul ARIMA dapat dilihat [di sini] (https://git.stis.ac.id/kusumahartati/DELTA-modul-arima/wikis/user-manual). Data yang digunakan dalam studi kasus adalah data [jumlah wisawatawan mancanegara] (https://git.stis.ac.id/kusumahartati/DELTA-modul-arima/raw/master/data%20wisman.xlsx) dan data [air passangers] (https://git.stis.ac.id/kusumahartati/DELTA-modul-arima/raw/master/Air_Passengers.xlsx).
|
|
|
|
|
|
|
|
**Input data**
|
|
|
|
|
|
|
|
Ada dua cara yang dapat dilakukan untuk memasukkan data pada aplikasi DELTA
|
|
|
|
* Memasukkan data melalui import dari file yang ada di komputer dengan ekstensi .csv
|
|
|
|
atau .xls
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
* Memasukkan data secara langsung melalui spreadsheet table yang ada di halaman utama.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
**Identifikasi**
|
|
|
|
Setelah data dimasukkan, dilakukan identifikasi dengan melihat deskriptif statistik, plot data, dekomposisi, dan stasioneritas.
|
|
|
|
|
|
|
|
1. Deskriptif Statistik
|
|
|
|
Analisis deskriptif dapat dilakukan dengan membuka menu Analysis --> Descriptive
|
|
|
|
Analysis.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Hasil dari analisis deskriptif:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1. Dekomposisi
|
|
|
|
Analisis dekomposisi dapat dilakukan dengan membuka menu Analysis --> Decomposition. Analisis dekomposisi dilakukan untuk memisahkan komposisi dari data. Data terdiri dari empat komponen utama, antara lain:
|
|
|
|
* Trend
|
|
|
|
* Seasonal
|
|
|
|
* Cyclic
|
|
|
|
* Irregular
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Hasil dari proses dekomposisi:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Hasil dari dekomposisi menentukan model apa yang akan dibuat. Apabila data memiliki
|
|
|
|
komponen seasonal, analisis yang tepat dilakukan adalah analisis SARIMA.
|
|
|
|
|
|
|
|
|
|
|
|
1. Stasioneritas
|
|
|
|
Asumsi yang harus dipenuhi dalam melakukan analisis ARIMA adalah data bersifat stasioner. Data
|
|
|
|
stasioner adalah data yang berfluktuasi di sekitar rata-rata yang konstan. Apabila data tidak
|
|
|
|
bersifat stasioner, harus dilakukan proses differencing (pembedaan) atau transformasi. Pada
|
|
|
|
aplikasi DELTA, differencing dapat dilakukan pada tingkat level, pertama, dan kedua. Apabila
|
|
|
|
data tidak stasioner pada ragam, dapat dilakukan transformasi pada data. Stasioneritas dapat
|
|
|
|
dilakukan dengan membuka menu Analysis --> Stationarity.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Hasil dari proses stasioneritas:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1. Estimasi Parameter
|
|
|
|
Setelah dilakukan dekomposisi dan stasioneritas, dilakukan pemodelan metode ARIMA. Jendela ARIMA dapat dibuka dengan memilih menu Analysis --> ARIMA.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Saat pertama kali membuka jendela ARIMA, parameter autoregressive, moving average, dan differencing otomatis terisi berdasarkan hasil uji stasioneritas yang telah dilakukan. Pemodelan ARIMA pada aplikasi DELTA dapat dilakukan melalui cara manual dan otomatis. Pemodelan secara manual dapat dilakukan dengan mengisikan nilai-nilai parameter pada kolom ARIMA Specification. Terdapat beberapa model yang dapat dibentuk, yaitu:
|
|
|
|
* Model Autoregressive (AR)
|
|
|
|
Model Autoregressive dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox Autoregressive.
|
|
|
|
* Model Moving Average (MA)
|
|
|
|
Model Moving Average dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox Moving Average.
|
|
|
|
* Model Autoregressive Moving Average (ARMA)
|
|
|
|
Model Autoregressive Moving Average dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox Autoregressive dan Moving Average .
|
|
|
|
* Model Autoregressive Integrated Moving Average (ARIMA)
|
|
|
|
Model Autoregressive Integrated Moving Average dapat dibentuk dengan mengisi nilai
|
|
|
|
parameter yang ada di dalam combobox Autoregressive, Differencing dan Moving Average.
|
|
|
|
* Model Sesonal Autoregressive Integrated Moving Average (SARIMA)
|
|
|
|
Model Seasonal Autoregressive Integrated Moving Average dapat dibentuk dengan
|
|
|
|
mencentang checkbox Seasonal dan mengisi semua nilai parameter yang ada di dalam grup Arima Specification
|
|
|
|
|
|
|
|
1. Pemilihan Model Terbaik
|
|
|
|
Pemilihan model terbaik dapat dilakukan secara iteratif dengan melihat nilai AIC dan SIC yang dilakukan. Semakin kecil nilai yang dihasilkan, semakin bagus model yang telah dibuat. Pemodelan dapat dilakukan secara otomatis dengan mencenteng checkbox Auto ARIMA. Model terbaik dipilih oleh program dengan melihat nilai AIC terkecil yang dihasilkan dari kombinasi model-model.
|
|
|
|
|
|
|
|
1. Peramalan
|
|
|
|
Setelah didapatkan model ARIMA yang layak dan signifikan terhadap data, dilakukan peramalan. Peramalan dilakukan dengan mencentang checbox Generate Forecast lalu mengisi Step(s), yaitu seberapa jauh peramalan ingin dilakukan. Checkbox Forecasting Graph dan Save predicted value dapat dicentang apabila pengguna ingin menampilkan grafik dan menyimpan nilai prediksi ke spreadsheet table.
|
|
|
|
|
|
|
|
Hasil dari analisis ARIMA:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
\ No newline at end of file |
|
|
|
Untuk advanced user, source code dapat diunduh pada project ini. Untuk informasi lebih jelas dapat dilihat pada [developer manual](https://git.stis.ac.id/kusumahartati/DELTA-modul-arima/wikis/developer-manual) |
|
|
\ No newline at end of file |
