Apa Yang Harus Diketahui Sebelum Menggunakan Prediksi ARIMA

Prasyarat Prediksi ARIMA

Assalamualaikum wr.wb,

Hai bagaimana sobat kabarnya ?

Di era digital ini, kehadiran sebuah data sangat melimpah dan data tersebut seringkali mempunyai sebuah makna yang berarti jika kita bisa menggalinya lebih dalam. Untuk itulah saya akan membagikan sebuah pengetahuan mengenai bagaimana mengubah data yang mentah menjadi sebuah data yang mampu prediksi output di masa mendatang dengan memanfaatkan bahasa pemrograman Python, salah satunya dengan memanfaatkan model ARIMA.

Sebelum melangkah lebih lanjut, marilah mengenai apa itu prediksi ARIMA.

ARIMA merupakan kumpulan dari 3 komponen berikut ini :

• AR: Autoregresi. Sebuah model yang menggunakan hubungan dependen antara observasi dan sejumlah observasi lagged.
• I: Terintegrasi. Penggunaan perbedaan pengamatan mentah (mis., Mengurangi pengamatan dari pengamatan pada langkah waktu sebelumnya) untuk menjadikan deret waktu stasioner.
• MA: Rata-Rata Bergerak. Model yang menggunakan ketergantungan antara pengamatan dan kesalahan residual dari model rata-rata bergerak yang diterapkan untuk pengamatan yang tertinggal.

Kesalahan Pemula dalam Prediksi ARIMA

Ingat, tidak semua data bisa diprediksi dengan menggunakan ARIMA. Hal yang harus diketahui dalam sebuah data yaitu mengenai stationeritas dan korelasinya.

Simak pengertian berikut ini : 

Apa itu stationeritas ?

Rangkaian waktu stasioner adalah rangkaian yang sifatnya tidak bergantung pada waktu di mana rangkaian tersebut diamati. Dengan demikian, data yang memiliki tren, atau dengan musiman dikategorikan sebagai data non-stasioner.

Bagaimana cara mengecek data tersebut stationer ?

Metode yang umum digunakan untuk mengecek stationer adalah dengan menggunakan Augmented Dicky Fuller Test (ADF Test). Augmented Dickey Fuller Test (ADF) adalah tes unit root untuk stasioneritas. Akar unit dapat menyebabkan hasil yang tidak terduga dalam analisis deret waktu Anda.

Kode program dengan python :

Hipotesis untuk tes ini:

• Hipotesis nol untuk tes ini adalah bahwa ada unit root.
• Hipotesis alternatif sedikit berbeda menurut persamaan yang Anda gunakan. Alternatif dasar adalah bahwa deret waktu stasioner (atau tren stasioner).

Apa itu korelasi dalam time series dan cara mengeceknya?

Simplenya yaitu hubungan antar data dalam sebuah series itu sendiri. Apabila data yang diuji di masaa mendatang mempunyai sedikit korelasi dengan data di masa lalu maka bisa dipastikan data tersebut ialah white noise  (Sinyal Acak). Auto Correlation Plot Function (ACF Plot) ialah sebuah tools yang dapat mengecek auto korelasi dalam time series.

Jika ia mempunyai korelasi rendah terhadap semua observasi yang diamati, maka kemungkinan data tersebut ialah white noise.


Jika data kalian stationer dan ada korelasi, berarti data anda siap digunakan untuk dijadikan model ARIMA sebagai bahan prediksi.

Bagaimana, mudah kan ? Kalau ada pertanyaan silahkan ditanyakan yaa. Thank youu