Pertemuan 10. ARIMA dengan SPSS22222.pptx

Statistika Dasar

1. MODEL ARIMA DENGAN SPSS UM Metro WARDHANI UTAMI DEWI Start Slide Statistika dan Probabilitas

2. Ingat ! Model ARIMA adalah salah satu metode populer dalam analisis deret waktu (time series) untuk memodelkan dan meramalkan data yang berurutan secara kronologis . Model ini menggabungkan tiga komponen utama yaitu : Statistika dan Probabilitas UM Metro AR (Autoregressive) — menggunakan nilai masa lalu sebagai prediktor I (Integrated) — melakukan diferensiasi data agar stasioner ( menghilangkan tren atau musim ) MA (Moving Average) — menggunakan error (residual) masa lalu sebagai prediktor

3. MODEL ARIMA Model ARIMA umumnya dilambangkan sebagai ARIMA(p, d, q), dimana : Statistika dan Probabilitas UM Metro p = orde komponen autoregressive ( jumlah lag pada variabel yang digunakan ) d = orde diferensiasi ( berapa kali data harus didiferensiasi agar stasioner ) q = orde komponen moving average ( jumlah lag error yang digunakan )

4. PROSEDUR PEMBUATAN MODEL Statistika dan Probabilitas UM Metro ARIMA Identifikasi : Periksa data deret waktu , lihat grafik dan statistik Uji stasioneritas dengan ADF (Augmented Dickey-Fuller) atau KPSS Jika tidak stasioner , lakukan diferensiasi sebanyak d kali 2. Penentuan Orde p dan q : Gunakan ACF (Autocorrelation Function) dan PACF (Partial ACF) untuk menentukan nilai p dan q 3. Estimasi Parameter : Estimasi koefisien AR dan MA dengan metode Maximum Likelihood atau Least Squares 4. Diagnostik Model : Uji residual model, pastikan residualnya seperti white noise ( tidak ada pola ) Gunakan Ljung-Box test untuk uji independensi residual 5. Peramalan (Forecasting) : Gunakan model ARIMA terbaik untuk memprediksi nilai masa depan

5. CONTOH Statistika dan Probabilitas UM Metro Data Kuat tekan beton (MPa) mingguan dengan tren perlahan naik karena proses curing dan perbaikan kualitas . Tujuan analisis data kuat tekan beton (MPa) mingguan dengan tren perlahan naik menggunakan metode seperti ARIMA adalah sebagai berikut : Mengidentifikasi pola dan tren perkembangan kekuatan beton selama periode pengamatan , sehingga dapat diketahui laju kenaikan kekuatan beton secara akurat . Memprediksi nilai kuat tekan beton pada minggu-minggu berikutnya berdasarkan data historis , untuk mendukung perencanaan dan pengendalian mutu di lapangan . Mendeteksi kemungkinan perubahan atau gangguan pada proses curing yang dapat mempengaruhi kekuatan beton , sehingga tindakan korektif dapat dilakukan lebih cepat . Mengevaluasi kestabilan dan karakteristik time series data kuat tekan beton , seperti apakah data memenuhi asumsi stasioneritas yang dibutuhkan untuk pemodelan yang tepat . Membantu pengambilan keputusan teknis yang berbasis data dengan menggunakan model peramalan , misalnya menentukan waktu optimal pengecoran atau pembebanan struktur . Meminimalkan risiko kegagalan struktur akibat beton yang belum mencapai kekuatan standar dengan melakukan monitoring dan prediksi yang sistematis .

6. LANGKAH-LANGKAH ARIMA Statistika dan Probabilitas UM Metro DENGAN SPSS Persiapan Awal Data deret waktu sudah terinput di SPSS Data harus berupa variabel waktu berurutan dalam satu kolom , misalnya data penjualan per bulan selama beberapa periode . Pastikan data sudah dalam format Time Series Jika ada variabel tanggal / waktu , pastikan urutan sudah benar dan SPSS mengenali variabel waktu tersebut .

7. LANGKAH-LANGKAH ARIMA Statistika dan Probabilitas UM Metro DENGAN SPSS Langkah 1: Definisikan Variabel Waktu (Define Date) Pastikan data kamu sudah diinput di SPSS, misalnya variabel " Penjualan " dan variabel waktu "Bulan" berupa angka (1,2,3,...). Definisikan variabel waktu sebagai variabel tanggal : Pilih menu: Data > Define Dates... Pada jendela "Define Date Properties": Pilih format tanggal sesuai data, misalnya : Custom : Jika waktu dalam bulan berturut-turut tanpa tanggal spesifik , pilih Ordinal dan masukkan variabel waktu ( misal "Bulan") Atau pilih format seperti Year-Month jika ada tanggal lengkap Klik OK

8. LANGKAH-LANGKAH ARIMA Statistika dan Probabilitas UM Metro DENGAN SPSS Langkah 2: Cek Stasioneritas Data a. Visualisasi Data Buat grafik time series: Graphs > Chart Builder... Pilih Line chart, masukkan variabel waktu di sumbu X dan variabel data ( misal Penjualan ) di sumbu Y. Lihat apakah data menunjukkan tren atau pola yang tidak stasioner ( misal tren naik/ turun ). b. Uji Stasioneritas dengan ADF (Augmented Dickey-Fuller) SPSS tidak menyediakan uji ADF secara default, tapi kamu bisa cek stasioneritas secara tidak langsung : Lihat Autocorrelation Function (ACF) dan Partial ACF (PACF) : Menu: Analyze > Forecasting > Autocorrelations... Masukkan variabel “Y" Klik OK, periksa apakah autokorelasi menurun secara cepat ( indikasi stasioner ) atau lambat ( indikasi non- stasioner ).

9. LANGKAH-LANGKAH ARIMA Statistika dan Probabilitas UM Metro DENGAN SPSS Langkah 2: Cek Stasioneritas Data a. Visualisasi Data Buat grafik time series: Graphs > Chart Builder... Pilih Line chart, masukkan variabel waktu di sumbu X dan variabel data ( misal Penjualan ) di sumbu Y. Lihat apakah data menunjukkan tren atau pola yang tidak stasioner ( misal tren naik/ turun ). b. Uji Stasioneritas dengan ADF (Augmented Dickey-Fuller) SPSS tidak menyediakan uji ADF secara default, tapi kamu bisa cek stasioneritas secara tidak langsung : Lihat Autocorrelation Function (ACF) dan Partial ACF (PACF) : Menu: Analyze > Forecasting > Autocorrelations... Masukkan variabel “Y" Klik OK, periksa apakah autokorelasi menurun secara cepat ( indikasi stasioner ) atau lambat ( indikasi non- stasioner ).

10. LANGKAH-LANGKAH ARIMA Statistika dan Probabilitas UM Metro DENGAN SPSS Langkah 3: Diferensiasi Data (Difference) untuk Membuat Stasioner Jika data tidak stasioner ( misal ada tren naik), lakukan diferensiasi . Menu: Transform > Create Time Series... Pada jendela : Masukkan variabel target ( misal “Y") ke Target Variable Pada bagian Function , pilih Difference Tentukan Lag ( biasanya 1 untuk differencing orde 1) Klik OK SPSS akan membuat variabel baru , misal "D1_Y" yang merupakan data hasil diferensiasi orde 1.

11. LANGKAH-LANGKAH ARIMA Statistika dan Probabilitas UM Metro DENGAN SPSS Langkah 4: Cek Ulang Stasioneritas pada Data Diferensiasi Ulangi langkah visualisasi dan cek ACF/PACF pada variabel diferensiasi baru ( misal "D1_Y"). Jika autokorelasi cepat turun dan grafik sudah “ stasioner ”, berarti diferensiasi sudah berhasil .

12. LANGKAH-LANGKAH ARIMA Statistika dan Probabilitas UM Metro DENGAN SPSS Langkah 5: Model ARIMA Setelah data sudah stasioner , lanjutkan ke pemodelan ARIMA: Menu: Analyze > Forecasting > Create Models... Masukkan variabel asli (SPSS akan otomatis memperhitungkan differencing berdasarkan nilai d yang kamu tentukan ). Atur parameter ARIMA (p, d, q) sesuai hasil analisis (d = 1 karena sudah melakukan differencing sekali ). Jalankan model dan analisis output.

13. TUGAS 1. Statistika dan Probabilitas UM Metro Lakukan analisis time series ( deret waktu ) dengan SPSS. Gunakan masing-masing data yang sudah dicari atau generate dari Ai. Buat Laporan hasil analisis data tersebut yang memuat komponen : Pendahuluan Tujuan Langkah-Langkah analisis Hasil dan Pembahasan berupa Output SPSS dan interpretasinya Tugas diketik dan dijadikan format PDF, dikumpulkan di SPADA dengan format nama file : Tugas 1_Nama_NPM Tugas 1. dikumpulkan paling lambat tanggal 09 Juni 2025, pukul 15.00 WIB

14. THANK YOU ALHAMDULILLAH End Slide UM METRO