28
eksponensial berarti terjadi proses MA. Jika keduanya melemah berarti terjadi
proses ARIMA (Arsyad, 1995).
Data yang bersifat time series
cenderung memiliki hubungan antar periode.
Untuk mengetahui apakah data time series tersebut saling berhubungan satu sama
lain, kita dapat melakukan analisis autokorelasi. Idealnya, data yang bersifat time
series
harus bebas dari pengaruh autokorelasi. Komponen yang membentuk pola
tertentu pada data time series
diakibatkan oleh pengaruh tren, kecenderungan
musiman, serta ketidakajegan. Semuanya dapat dipelajari dengan menggunakan
analisis koefisien autokorelasi, baik bersifat natural logs maupun berbagai
senjang waktu yang berbeda (time lags). (Rangkuti, 2005, p. 29)
Dikemukakan There may be some ambiguity in determining an appropriate
ARIMA model from the pattern of the sample autocorrelation and partial
autocorrelation. With a little practice, the analys should become more adept at
identifying an adequate model. (Hanke & Wichern, 2003). Terdapat keambiguan
dalam menetukan model ARIMA yang tepat dari contoh autokorelasi dan
autokorelasi parsial. Dengan banyak latihan, analis dapat menjadi lebih mahir
dalam mengidentifikasi model yang memenuhi syarat.
1.6
Dalam (Santoso, 2009, p. 172)
penggunaan ARIMA dengan MINITAB
PEMILIHAN model terbaik adalah model degan tingkat kesalahn prediksi
terkecil. Acuannya adalah MS (means of square; Adalah rata-rata selisih kuadrat
 |