Pemodelan ARIMAX (Autoregressive Integrated Moving Average with Exogenous Variable)
Abstract
Abstract. Time series data are analyzed to obtain a measure that can be used for forecasting. Forecasting is the prediction of the values of a variable based on the values obtained in the past. One of the time series models that can be used to forecast is ARIMA (Autoregressive Integrated Moving Average). In forecasting, there are variables that affect the model which can cause some observation values to increase or decrease drastically and occur repeatedly with different time ranges, so a special model is needed to forecast with these criteria, the model is ARIMAX (Autoregressive Integrated Moving Average with Exogenous Variable). The ARIMAX model is an extension of the ARIMA model with additional variables or exogenous variables that are considered to have a significant effect on the data to increase forecasting accuracy.
Keywords: Exogenous Variable, ARIMAX Model, Forecasting.
Abstrak. Data deret waktu dianalisis untuk mendapatkan ukuran yang dapat digunakan untuk peramalan. Peramalan merupakan prediksi nilai-nilai sebuah variabel berdasarkan nilai yang diperoleh pada masa lampau. Salah satu model deret waktu yang dapat digunakan untuk melakukan peramalan adalah ARIMA (Autoregressive Integrated Moving Average). Dalam melakukan peramalan terdapat variabel lain yang diduga mempengaruhi model yang dapat menyebabkan beberapa nilai observasi mengalami kenaikan atau penurunan secara drastis dan terjadi secara berulang dengan rentang waktu yang berbeda, sehingga dibutuhkan model khusus untuk melakukan peramalan dengan kriteria tersebut yaitu model ARIMAX (Autoregressive Integrated Moving Average with Exogenous Variable). Model ARIMAX merupakan perluasan dari model ARIMA dengan variabel tambahan atau variabel eksogen yang dianggap memiliki pengaruh yang signifikan terhadap data untuk memperoleh model yang lebih baik dan menambah akurasi peramalan.
Kata Kunci: Exogenous Variable, Model ARIMAX, Peramalan.Keywords
Full Text:
PDFReferences
Anggraeni, W., & dkk. (2017). The Performance of ARIMAX Method in Forecasting Number of Tuberculosis Patients in Malang Regency, Indonesia. International Journal of Applied Engineering Research, 6806-6813.
Baser, U., Bozoglu, M., Eroglu, N. A., & Topuz, B. K. (2018). Forecasting Chestnut Production and Export of Turkey Using ARIMA Model. Turkish Journal of Forecasting, 27-33.
Box, G., & Jenkins, G. (1976). Time Series Analysis, Forecasting, and Control. San Fransisco.
Cools, M., Elke, & Wets. (2009). Investigating The Variability in Daily Traffic Counts using ARIMAX dan SARIMA(X) Models: Assessing Impact of Holidays on Two Divergent Site Locations.
Cryer, J. D., & Chan, K. (2008). Time Series Analysis with Application in R. New York: Springer.
Hanke, John, & dkk. (2003). Peramalan Bisnis. Jakarta: Pearson Education Asia Ptc. Ltd dan PT. Pren hallindo.
Laga, A., Wahyuningsih, S., & Hayati, M. N. (2018). Forecasting Clothing Sales with Autoregressive Integrated Moving Average with Exogenous Variable (ARIMAX). Jurnal Eksponensial , 111-117.
Lemke, C., & Gabrys, B. (2008). Forecasting and Forecast Combination in Airline Revenue Management Applications.
Makridakis, S., Wheelwright, S. C., & McGee, V. E. (2003). Metode dan Aplikasi Peramalan. Jilid 1. Edisi Revisi. Jakarta: Binarupa Aksara.
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to Time Series Analysis and Forecasting: Second Edition. New Jersey: John Wiley & Sons, Inc.
Paul, R. K. (2015). ARIMAX-GARCH-WAVELET Model for Forecasting Volatile Data. Model Assisted Statistics and Applications , 243-252.
Rosadi, D. (2011). Analisis Ekonometrika dan Runtun Waktu Terapan dengan R. Yogyakarta: ANDI.
Wei, W. W. (2006). Time Series Analysis. New York: Addison Wesley.
Yanti, T. S. (2010). Analisis Deret Waktu. Jakarta-Bandung.
Yanti, T. S. (2009). Model Pengganda Uang untuk Menentukan Jumlah Uang Beredar di Indonesia Menggunakan Model ARIMA Komponen. Jurnal Statistika, 9, 25-32.
DOI: http://dx.doi.org/10.29313/.v6i2.23057
