Berdasarkan hasil plot di atas dapat dilihat adanya trend naik pada data sehingga perlu dilakukan stasioneritas pada data. Untuk melihat stasioneritas data dapat dilihat dari plot ACF dan PACF Jika dilihat dari plot di atas, plot ACF meluruh secara lambat menuju 0 sehingga data tidak stasioner. Untuk menstasioneritaskan data diperlukan transformasi. Pada data asli dilakukan differencing 1 sehingga menghasilkan plot di atas. Secara visual, plot di atas belum stasioner dalam mean dan varian. Jika dilihat dari plot di atas, plot ACF differencing 1 masih meluruh secara lambat menuju 0 sehingga data tidak stasioner. Untuk menstasioneritaskan data diperlukan transformasi. Setelah dilakukan transformasi differencing 1 dan log didaptkan plot di atas. Secara visual, plot di atas sudah stasioner dalam varian tetapi belum dalam mean. Jika dilihat dari plot ACF di atas data sudah stasioner tetapi plot PACF belum stasioner karena tidak ada lag yang keluar dari interval. Setelah dilakukan transformasi differencing 2 dan log didaptkan plot di atas. Secara visual, plot di atas sudah stasioner dalam varian dan mean. Jika dilihat dari plot di atas, plot ACF keluar pada lag 1 sedangkan plot PACF keluar pada lag 1 dan 2 sehingga beberapa model yang cocok adalah ARIMA(1,2,0), ARIMA(1,2,1), ARIMA(1,2,2), ARIMA(0,2,1) dan ARIMA(0,2,2) ARIMA(1,2,0) ARIMA(1,2,1) ARIMA(1,2,2) -0.5905 -0.3564 0.1035 s.e.=0.1021 s.e.=0.1293 s.e.=0.2536 b1 -0.7110 -1.2907 s.e.= 0.0754 s.e.= 0.2118 b2 0.5255 s.e.= 0.1677 RMSE 26652.05 21693.14 20693.06 AIC 1399.54 1377.7 1374.39 SBC/BIC 1403.73 1383.98 1382.77 ARIMA(0,2,1) ARIMA(0,2,2) a1 -0.7950 s.e.=0.0555 22975.16 1382.3 1386.49 -1.2142 s.e. =0.1157 0.4675 s.e.= 0.1084 20721.89 1372.56 1378.84 Berdasarkan rangkuman di atas dapat dilihat nilai AIC terkecil pada model ARIMA(0,2,2) sehingga model ini merupakan model terbaik. Plot di atas menunjukan hasil prediksi dalam 10 tahun ke depan.