ARIMA Adalah: Konsep Stasioneritas & Identifikasi Model (p,d,q)

ARIMA & Time Series Adalah

Time series (deret waktu) adalah data yang dikumpulkan berurutan dari waktu ke waktu (harian, bulanan, tahunan), dan ARIMA (Autoregressive Integrated Moving Average) adalah salah satu model paling umum untuk menganalisis dan meramalkan (forecasting) data time series. Artikel ini membahas ARIMA sebagai konsep dasar — lihat konteks jenis data time series lebih luas di Jenis Data Penelitian.

Konsep Stasioneritas

Data time series dikatakan stasioner kalau rata-rata, varians, dan struktur autokorelasinya konstan sepanjang waktu (tidak ada tren atau musiman yang sistematis). Kebanyakan data time series di dunia nyata (harga saham, penjualan, inflasi) tidak stasioner di data mentahnya — biasanya punya tren naik/turun. ARIMA mensyaratkan data stasioner sebelum model bisa diestimasi dengan valid, karena itu langkah differencing (lihat komponen "I" di bawah) diperlukan.

Identifikasi Model (p, d, q)

ARIMA dinotasikan sebagai ARIMA(p, d, q), tiga parameter yang harus diidentifikasi:

Identifikasi ketiga parameter ini biasanya dibantu dengan melihat plot ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function) dari data yang sudah stasioner.

Forecasting

Setelah model ARIMA(p,d,q) yang paling sesuai ditemukan (biasanya lewat perbandingan kriteria seperti AIC/BIC antar beberapa kandidat model), model dipakai untuk meramalkan nilai masa depan berdasarkan pola historis yang sudah ditangkap — dengan interval kepercayaan yang melebar seiring jarak peramalan semakin jauh ke depan (ketidakpastian meningkat).

Cakupan Artikel Ini

Artikel ini membahas ARIMA sebagai konsep — mengenalkan stasioneritas, identifikasi model, dan forecasting secara teoretis. Implementasi teknis langkah demi langkah di software tertentu (biasanya EViews atau Stata untuk data ekonomi/keuangan) membutuhkan pembahasan menu dan output software secara terpisah, karena identifikasi model ARIMA dalam praktik hampir selalu dilakukan lewat software, bukan manual.

Kesalahan Umum

1. Melewatkan uji stasioneritas dan langsung mengidentifikasi p, d, q dari data mentah yang masih punya tren — menghasilkan model yang tidak valid meski secara visual forecasting-nya terlihat masuk akal.
2. Memilih model hanya berdasarkan R² atau kecocokan visual, bukan kriteria yang tepat seperti AIC/BIC yang mempertimbangkan kompleksitas model.
3. Mengabaikan pelebaran interval kepercayaan pada forecasting jangka panjang — menyajikan prediksi jauh ke depan sebagai angka pasti tanpa mempertimbangkan ketidakpastian yang meningkat.