20
project the historical sales pattern to produce a forecast of next month’s sales.
ARIMA models rely heavily on autocorrelation patterns in the data.
Bab ini memperkenalkan model yang dapat menghasilkan peramalan
yang
akurat berdasarkan deskripsi pola data masa lalu
dalam data. Autoregressive
integrated moving average
(ARIMA) model adalah kelas model linier yang
mampu mengolah data stasioner maupun non-stasioner time series. Perlu diingat
bahwa proses stasioner bergantung dari level tetap dan non-stasioner proses tidak
memiliki tingkat rata-rata alami konstan. Model ARIMA tidak melibatkan
variabel independen dalam pengolahannya. Sebaliknya, mereka memanfaatkan
informasi dalam seri itu sendiri untuk menghasilkan perkiraan. Misalnya model
ARIMA untuk penjualan bulanan akan memproyeksikan pola penjualan sejarah
untuk menghasilkan perkiraan penjualan bulan depan. Model ARIMA sangat
bergantung pada pola autokorelasi dalam data. (Hanke & Wichern, 2003, p. 381)
Autoregressive Integrated Moving average
(ARIMA)
adalah metode ini
mengekplisitkan pemakain autokorelasi dalam time series, yaitu korelasi anatar
sebuah variabel, yang bersenjang satu periode lebih, dengan variabel itu sendiri.
(Kazmier, 2005)
ARIMA merupakan suatu metode yang menghasilkan ramalan-ramalan
berdasarkan sintesis dari pola data secara historis (Arsyad, 1995). ARIMA ini
sama sekali mengabaikan variabel independen karena model ini menggunakan
nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan
peramalan jangka pendek yang akurat. Untuk peramalan jangka panjang
 |