Model Seasonal ARIMA (Autoregressive integrated moving average)

Pemodelan ARIMA merupakan metode yang fleksibel untuk
berbagai macam data deret waktu, termasuk untuk menghadapi
fluktuasi data musiman. Secara umum, model seasonal ARIMA
dituliskan dengan notasi ARIMA (p,d,q)(P,D,Q) s
, yaitu dengan (p,d,q) bagian tidak musiman dari model, (P,D,Q) bagian musiman
dari model dan s merupakan jumlah periode per musim.
Penerapan metode ARIMA adalah dengan menggunakan
pendekatan metode Box-Jenkins, yaitu tahapan-tahapan yang
diperlukan dalam menentukan parameter ARIMA serta pengujiannya
sebelum akhirnya digunakan sebagai model prakiraan selama
beberapa waktu ke depan. Tahapan dalam pnegolahan diuraikan sebagai berikut:

1. Tahap Identifikasi
   Tahap identifikasi merupakan suatu tahapan yang digunakan
   untuk mencari atau menentukan nilai p,d dan q dengan bantuan
   autocorrelation function (ACF) atau fungsi autokorelasi dan partial
   autocorrelation function (PACF) atau fungsi autokorelai parsial.
   2. Tahap Estimasi
   Tahap berikutnya setelah p dan q ditentukan adalah dengan
   mengestimasi parameter AR dan MA yang ada pada model. Estimasi ini
   bisa menggunakan teknik kuadrat terkecil sederhana maupun dengan
   metode estimasi tidak linier. Pada tahap estimasi ini, teknik perhitungan
   secara matematis relatif kompleks, sehingga pada umumnya para peneliti
   menggunakan bantuan software yang menyediakan fasilitas
   perhitungannya seperti Minitab, SPSS dan EViews .
   3. Tahap Tes Diagnostik
   Model yang telah melewati uji signifikasi parameter dalam tahapn
   estimasi, kemudian akan dilakukan uji diagnostik untuk meyakinkan
   apakah spesifikasi modelnya telah benar. Jika residualnya ternyata white
   noise , maka modelnya sudah baik. Bila residualnya tidak white noise
   maka modelnya dapat dikatakan tidak tepat dan perlu dicari spesifikasi
   yang lebih baik. Untuk melakukan uji diagnostik, tahapannya adalah:
   a. Estimasi model ARIMA (p,d,q)
   b. Hitung residual dari model tersebut
   c. Hitung ACF dan PACF dari residual
   d. Uji apakah ACF dan PACF signifikan. Bila ACF dan PACF tidak
   signifikan, ini merupakan indikasi bahwa residual merupakam white
   noise yang artinya model telah cocok.
   4. Tahap Prakiraan
   Tahap prakiraan ini dilakukan setelah modelnya lolos tes
   diagnostik. Prakiraan ini sesungguhnya merupakan penjabaran dari
   persamaan berdasarkan koefisien-koefisien yang didapat, sehingga kita
   dapat menentukan kondisi di masa yang akan datang.