KOMBINASI PROSEDUR PEMODELAN SUBSET ARIMA DAN DETEKSI OUTLIER UNTUK PREDIKSI DATA RUNTUN WAKTU

Abstract

Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu model paling popular yang biasa digunakan untuk prediksi data runtun waktu. Tahapan yang paling krusial dalam pemodelan ARIMA adalah identifikasi dan pemilihan model terbaik berdasarkan karakteristik data. Tahapan-tahapan tersebut membutuhkan pemahaman yang mendalam tentang karakteristik data berdasarkan pola fungsi autokorelasi (FAK) dan fungsi autokorelasi parsial (FAKP). Tujuan dari tahap identifikasi adalah mencocokkan pola FAK dan FAKP sampel dengan pola FAK dan FAKP teoritis untuk menentukan order ARIMA yang tepat, termasuk order dari Subset ARIMA. Berdasarkan order yang ditentukan melalui tahapan identifikasi tersebut akan digunakan untuk penentuan model ARIMA atau Subset ARIMA yang tepat. Namun demikian apabila pada tahapan identifikasi ini dapat diketahui terdapat observasi yang secara mencolok berbeda dengan observasi lainnya, maka dapat diindikasikan bahwa dalam populasi terdapat data pencilan atau outlier. Pada kasus data runtun waktu, outlier dapat mempengaruhi kesesuaian model. Dalam tulisan ini, diusulkan prosedur pemodelan Subset ARIMA yang dikombinasikan dengan pendeteksian outlier untuk prediksi data runtun waktu. Proses tersebut dimulai dengan model ARIMA yang melibatkan lag yang signifikan berdasarkan pola FAK dan FAKP. Penambahan order AR atau MA didasarkan pada konsep over-fitting, yaitu berdasarkan pola FAK dan FAKP dari residual. Untuk menganalisis kesesuaian model salah satunya dilakukan dengan cara pendeteksian pengamatan outlier. Apabila terdapat outlier dalam data, maka perlu diatasi dengan cara memasukkan pengamatan outlier tersebut ke dalam model. Outlier diklasifikasikan menjadi Additive Outlier (AO), Innovative Outlier (IO), Level Shift (LS) dan Transitory Change (TC). Kombinasi prosedur tersebut diterapkan untuk mengkonstruksikan model inflasi di Indonesia. Kata kunci: Runtun waktu; Subset ARIMA; FAK; FAKP; Outlier.