X-12 ARIMA
Vanessa Supit 20194920014
ARIMA adalah model analisis statistik
yang menggunakan data Time series
untuk lebih memahami kumpulan data
atau untuk memprediksi tren masa
depan.
ARIMA
Misalnya, model ARIMA mungkin
berusaha untuk memprediksi harga
saham di masa depan berdasarkan
kinerjanya di masa lalu atau
memperkirakan pendapatan
perusahaan berdasarkan periode yang
lalu.
Seasonal adjustment
Seasonal adjustment adalah data yang dikumpulkan dari waktu ke waktu membentuk time series
atau deret waktu. Dalam seasonal adjustment kita memiliki 2 model namun hanya perlu memilih 1
saja.
• Additive model
:Y=C+S+I
• Multiplicative model
:Y=CxSxI
Y = original series
C = trend-cycle
S = Seasonal Component
I = Irregular component
X-12-ARIMA
• X-12 Arima merupakan software package yang dapat mengestimasi time series dan seasonally
adjustment. X-12-ARIMA melakukan seasonal adjustment menggunakan metode X-11. Metode X-11
melibatkan penerapan rata-rata bergerak simetris ke deret waktu untuk memperkirakan tren,
komponen musiman dan tidak teratur.
• Beberapa seri tidak akan berjalan melalui X-12. X-12 membutuhkan setidaknya empat tahun data
untuk dijalankan. Seri dengan terlalu banyak nilai nol berturut-turut juga akan menyebabkan
masalah estimasi untuk X-12 dan tidak dapat disesuaikan secara musiman.
Regression-ARIMA models
model regresi-ARIMA mampu mendeteksi dan menyesuaikan outlier dan efek distorsi lainnya untuk
meningkatkan prakiraan dan penyesuaian musiman. Bentuk regression-ARIMA :
𝑌𝑡
log
= 𝛽′ 𝑋𝑡 + 𝑍𝑡
𝐷𝑡
log
𝑌𝑡
𝐷𝑡
adalah bentuk tranformasi opsional untuk data asli.
Contoh X-12
ARIMA
Data Jumlah Penumpang yang Berangkat
pada Penerbangan Domestik di Bandara
Hasanudin 2006-2012
Index
Tanggal
Penumpang
1
Jan-06
109646
2
Feb-06
93528
3
Mar-06
105850
4
Apr-06
108381
5
May-06
111989
6
Jun-06
119449
…
…
81
Sep-12
262702
82
Oct-12
251176
83
Nov-12
231024
84
Dec-12
189955
…
сен.12
май.12
янв.12
сен.11
май.11
янв.11
сен.10
май.10
янв.10
сен.09
май.09
янв.09
сен.08
май.08
янв.08
сен.07
май.07
янв.07
сен.06
май.06
янв.06
Plot
Penumpang
350000
300000
250000
200000
150000
100000
50000
0