Model ARIMA Dijelaskan: Panduan Praktis untuk Peramalan

ARIMA adalah metode peramalan statistik yang menggabungkan autoregresi, differencing, dan moving average menjadi satu model yang ditulis ARIMA(p,d,q). Panduan ini menunjukkan cara kerja setiap komponen dan kapan harus menggunakannya.

Anda mungkin menghadapi pertanyaan bisnis yang familier: berapa banyak produk yang akan terjual bulan depan, berapa banyak stok yang harus dipesan ulang, atau apakah kas yang masuk akan mencukupi pengeluaran yang direncanakan? Garis tren pada spreadsheet dapat menunjukkan arah, tetapi sering kali tidak menangkap bagaimana hasil hari ini bergantung pada riwayat terkini, kesalahan yang tidak biasa, dan pola yang berubah.

Model ARIMA dijelaskan dengan bahasa sederhana dapat membantu Anda memahami apa yang terjadi di balik peramalan. Anda akan mempelajari bagaimana ketiga komponen tersebut saling terkait, bagaimana stasioneritas menentukan orde differencing, bagaimana plot ACF dan PACF memandu pemilihan model, dan mengapa pemeriksaan residual penting sebelum siapa pun mempercayai hasilnya. Anda juga akan melihat di mana ARIMA biasa mengalami kegagalan, terutama dengan musiman, perubahan struktural, data yang hilang, dan permintaan yang didorong oleh promosi.

Tidak diperlukan matematika tingkat lanjut. Tujuannya adalah penilaian praktis, sehingga Anda dapat mengetahui kapan ARIMA menjadi baseline yang berguna, kapan memerlukan ekstensi musiman, dan kapan pendekatan peramalan yang lebih kaya lebih masuk akal untuk UKM Anda.

Daftar Isi

• Mengapa ARIMA Masih Penting untuk Peramalan Bisnis
• • Mengapa kerangka kerja ini tetap praktis
• Tiga Blok Penyusun Model ARIMA
• • Autoregresi menangkap momentum
  • Integrasi menghilangkan drift
  • Moving average belajar dari kesalahan
• Membuat Data Anda Stasioner Melalui Differencing
• • Differencing dalam istilah sehari-hari
  • Menghindari transformasi yang mekanis
• Memilih p, d, dan q dengan ACF, PACF, dan Kriteria Informasi
• • Membaca kedua plot tersebut
  • Menggunakan AIC dan BIC sebagai penentu keputusan
• Mengestimasi Model dan Memeriksa Diagnostik Residual
• • Daftar periksa diagnostik praktis
  • Apa yang harus diubah ketika pemeriksaan gagal
• Peramalan dalam Praktik dengan Kasus Penggunaan Bisnis
• • Tiga keputusan yang dibentuk oleh peramalan
  • Implementasi ringan
• Ketika ARIMA Tidak Cukup dan Bagaimana ELECTE Mengotomatiskan Alur Kerja
• • Periksa kesiapan data sebelum pemilihan model
  • Poin-poin penting

Mengapa ARIMA Masih Penting untuk Peramalan Bisnis

Seorang manajer meminta peramalan penjualan untuk kuartal berikutnya. Tim membuka spreadsheet, memperpanjang tren terkini, dan menghasilkan sebuah angka. Hal ini mungkin dapat diterima ketika permintaan stabil, tetapi data deret waktu sering kali membawa autokorelasi, yang berarti observasi terkini terkait dengan observasi sebelumnya. Lonjakan penjualan dapat memengaruhi periode berikutnya, dan penurunan yang terus-menerus dapat berlanjut meskipun garis tren lurus menunjukkan sebaliknya.

ARIMA dirancang untuk jenis rangkaian data ini. Metode ini menggunakan riwayat deret data itu sendiri dan kesalahan peramalan sebelumnya untuk memodelkan bagaimana nilai berkembang seiring waktu. Hal ini membuatnya berguna untuk pertanyaan jangka pendek seperti perencanaan permintaan, pemantauan arus kas, dan tinjauan risiko operasional, asalkan data yang mendasarinya memiliki struktur yang sesuai.

Mengapa kerangka kerja ini tetap praktis

ARIMA tetap menjadi salah satu dari dua pendekatan yang paling banyak digunakan untuk peramalan deret waktu, bersama dengan exponential smoothing, menurut referensi peramalan Forecasting: Principles and Practice. Penggunaannya yang berkelanjutan berasal dari keseimbangan yang bermanfaat:

• Mudah diinterpretasikan: Anda dapat menjelaskan apakah model bergantung pada nilai terkini, differencing, atau kesalahan sebelumnya.
• Menghormati urutan waktu: Model tidak memperlakukan setiap observasi sebagai baris yang terisolasi.
• Mendukung alur kerja yang jelas: Anda memeriksa deret data, mentransformasikannya bila diperlukan, mengestimasi model kandidat, dan memvalidasi residual.
• Berfungsi sebagai baseline: Anda dapat membandingkan metode yang lebih kompleks dengan model statistik yang transparan.

Seorang analis ritel mungkin menggunakan ARIMA untuk mengestimasi penjualan jangka pendek sebelum memutuskan apakah suatu promosi memerlukan persediaan tambahan. Tim keuangan mungkin menggunakannya untuk memantau rangkaian pergerakan kas yang singkat dan mengidentifikasi kapan hasil aktual menyimpang dari perilaku yang diharapkan. Peramalan ini tidak menggantikan penilaian komersial. Peramalan ini memberikan titik awal yang terstruktur untuk penilaian tersebut.

Aturan praktis: Peramalan hanya berguna ketika asumsinya sesuai dengan cara data Anda berperilaku.

Di akhir panduan ini, Anda akan mengetahui apa arti AR, I, dan MA, bagaimana p, d, dan q menggambarkan model, bagaimana pola ACF dan PACF mendukung pemilihan orde, dan bagaimana diagnostik residual mengungkap kecocokan yang menyesatkan. Anda juga akan memiliki aturan keputusan untuk beralih dari ARIMA biasa ke SARIMA atau model yang lebih kaya.

Tiga Blok Penyusun Model ARIMA

Namanya terdengar teknis, tetapi ARIMA menjadi lebih mudah ketika Anda memisahkan komponennya. Setiap komponen menjawab pertanyaan yang berbeda tentang deret data tersebut.

Autoregresi menangkap momentum

Autoregression, atau AR, mempertanyakan apakah nilai saat ini mencerminkan nilai sebelumnya. Bayangkan momentum pada kendaraan yang bergerak. Jika permintaan terus meningkat pada periode-periode terakhir, observasi berikutnya mungkin masih mempertahankan sebagian arah tersebut. Model ini merepresentasikan persistensi ini melalui nilai lag, di mana lag adalah observasi sebelumnya dalam urutan data.

Huruf p pada ARIMA(p,d,q) adalah jumlah suku autoregresif. Nilai p yang lebih tinggi memungkinkan model mempertimbangkan lebih banyak nilai masa lalu, tetapi menambahkan suku tidak otomatis meningkatkan hasil peramalan. Riwayat tambahan bisa menambah noise atau kompleksitas yang tidak perlu.

Integrasi menghilangkan drift

Integration, atau I, mengacu pada differencing. Alih-alih memodelkan tingkat penjualan asli, Anda mengurangkan nilai sebelumnya dari nilai saat ini untuk mempelajari perubahan antar periode. Ini seperti meratakan bukit agar Anda bisa memeriksa medannya tanpa kemiringan keseluruhan mendominasi pandangan.

d adalah jumlah differencing nonmusiman yang diperlukan agar deret data menjadi stasioner. Deret yang stasioner memiliki perilaku statistik yang tetap cukup stabil dari waktu ke waktu. Jika deret asli mengalami drift, differencing dapat membuat pola-polanya lebih mudah dimodelkan.

Moving average belajar dari kesalahan

Moving average, atau MA, menggunakan kesalahan peramalan sebelumnya. Misalkan sebuah peramalan meleset karena permintaan tiba-tiba berubah. Komponen MA memungkinkan prediksi berikutnya memperhitungkan kesalahan-kesalahan terkini tersebut, mirip seperti termostat yang melakukan koreksi setelah melampaui atau kurang mencapai target.

q adalah jumlah kesalahan peramalan yang di-lag dan dimasukkan dalam persamaan prediksi. AR melihat nilai-nilai masa lalu. MA melihat kesalahan-kesalahan masa lalu. Bersama dengan differencing, keduanya membentuk model yang dapat merepresentasikan persistensi, penghilangan tren, dan koreksi jangka pendek.

George Box dan Gwilym Jenkins mempopulerkan ARIMA sebagai bagian dari metodologi Box-Jenkins pada tahun 1970, yang menetapkan alur kerja iteratif praktis berupa identifikasi, estimasi, dan validasi. Karena itu, ARIMA tidak diperkenalkan sebagai satu rumus yang berdiri sendiri. ARIMA berkembang sebagai sebuah sistem pemodelan untuk deret waktu dunia nyata, dengan differencing digunakan sebelum menyesuaikan suku autoregresif dan moving-average, sebagaimana dijelaskan dalam ikhtisar ARIMA dari IBM.

ARIMA(p,d,q) menggabungkan nilai masa lalu, selisih (differences), dan kesalahan peramalan masa lalu. Huruf-hurufnya menunjukkan apa yang digunakan model, dan angka-angkanya menunjukkan seberapa banyak masing-masing komponen tersebut digunakan.

Membuat Data Anda Stasioner Melalui Differencing

ARIMA mengharuskan deret data stasioner sebelum dimodelkan. Secara praktis, deret data tidak boleh terus berubah perilaku dasarnya akibat tren yang tidak terkendali. Tingkat rata-rata dan variasinya harus tetap cukup stabil agar hubungan antar observasi menjadi bermakna.

Mulailah dengan pemeriksaan visual. Garis penjualan yang terus meningkat, saldo keuangan yang menurun, atau variabilitas yang semakin melebar seiring naiknya tingkat data, dapat menjadi tanda non-stasioneritas. Anda tidak sedang mencoba membuktikan diagnosis hanya dari sebuah grafik. Anda sedang mencari bukti bahwa skala aslinya mungkin menyembunyikan pola jangka pendek yang perlu Anda ramalkan.

Differencing dalam istilah sehari-hari

Ambil contoh penjualan bulanan yang tumbuh sekitar 5% per bulan. Tingkat penjualan yang sebenarnya terus meningkat, sehingga model mungkin lebih banyak mendeteksi pertumbuhan daripada hubungan antar perubahan yang berdekatan. Differencing pertama menggantikan setiap tingkat dengan perubahannya dari bulan sebelumnya. Setelah tren dihilangkan, deret data yang dihasilkan mungkin terlihat lebih datar dan pergerakan jangka pendeknya mungkin menjadi lebih mudah dianalisis.

Orde differencing d adalah sebuah keputusan pemodelan, bukan tebakan. Box dan Jenkins merekomendasikan melakukan differencing pada deret data non-stasioner satu kali atau lebih hingga stasioneritas tercapai, sebuah aturan yang dirangkum dalam NIST Engineering Statistics Handbook.

Alur kerja yang berguna adalah:

1. Plot deret data asli: Cari tren, perubahan sebaran, celah data, dan pergeseran tingkat yang mendadak.
2. Terapkan differencing pertama bila diperlukan: Bandingkan setiap observasi dengan observasi tepat sebelumnya.
3. Periksa deret data yang telah ditransformasi: Periksa apakah perilaku rata-rata dan variasinya kini terlihat lebih stabil.
4. Berhenti ketika deret data sudah cukup stasioner: Differencing lebih lanjut dapat menghilangkan struktur yang bermakna dan mempersulit interpretasi.

Menghindari transformasi yang mekanis

Differencing yang berlebihan dapat membuat deret data menjadi tidak perlu berisik (noisy). Hal ini juga dapat menciptakan ketergantungan artifisial antar perubahan yang berdekatan, yang mempersulit analisis ACF dan PACF selanjutnya. Tujuannya bukanlah melakukan differencing sebanyak mungkin. Tujuannya adalah menghilangkan perilaku non-stasioner sambil tetap mempertahankan sinyal yang berguna.

Data operasional sering kali perlu dipersiapkan terlebih dahulu sebelum melakukan differencing. Tanggal yang hilang, kehabisan stok, pelaporan yang terputus, dan jadwal pengumpulan data yang tidak teratur dapat mendistorsi perubahan dari satu periode ke periode berikutnya. Jika deret data Anda mengandung celah, baca panduan imputasi data yang hilang sebelum menganggap differencing sebagai solusi utama.

Memilih p, d, dan q dengan ACF, PACF, dan Kriteria Informasi

Setelah differencing menghasilkan deret stasioner yang bisa digunakan, Anda memerlukan nilai kandidat untuk p dan q. Dua plot membantu Anda menganalisis pilihan tersebut: fungsi autokorelasi, atau ACF, dan fungsi autokorelasi parsial, atau PACF.

ACF mengukur bagaimana deret data berhubungan dengan nilai-nilai sebelumnya pada lag yang berbeda-beda. PACF berfokus pada hubungan di suatu lag tertentu setelah memperhitungkan lag-lag yang lebih pendek. Tidak ada plot yang memberikan jawaban pasti, tetapi bentuknya memberikan analisis awal yang berguna.

Membaca kedua plot

Jika PACF terpotong setelah lag p sementara ACF meluruh secara bertahap, itu menunjukkan struktur AR(p). Jika ACF terpotong setelah lag q sementara PACF meluruh secara bertahap, itu menunjukkan struktur MA(q). Aturan ini berfungsi sebagai panduan setelah stasionarisasi, bukan sebagai pengganti validasi.

Sebuah plot dapat menunjukkan beberapa konfigurasi yang masuk akal. Itu wajar. Anda tidak boleh terus menyesuaikan p dan q sampai pola visualnya terlihat sempurna, karena model yang cocok secara ketat dengan data historis bisa saja berkinerja buruk pada observasi di masa mendatang.

Menggunakan AIC dan BIC sebagai penentu keputusan

AIC dan BIC membandingkan kecocokan model sambil memberi penalti pada parameter yang tidak perlu. Nilai yang lebih rendah lebih disukai saat membandingkan model yang disesuaikan dengan deret data yang sama dan dievaluasi dalam kondisi yang setara. BIC umumnya menerapkan penalti kompleksitas yang lebih kuat, sehingga dapat lebih memilih spesifikasi yang lebih ringkas.

Perlakukan kriteria ini sebagai alat bantu pengambilan keputusan, bukan bukti kualitas peramalan. Kandidat dengan kriteria informasi yang lebih rendah tetap memerlukan evaluasi out-of-sample dan pemeriksaan residual. Pencarian order otomatis juga umum dilakukan, terutama saat Anda perlu membandingkan beberapa kombinasi yang masuk akal secara konsisten alih-alih sepenuhnya mengandalkan pembacaan plot secara manual.

Untuk pengenalan praktis tentang hubungan antara nilai-nilai lag, temukan pola tersembunyi dengan ACF PACF. Kebiasaan penting yang perlu dimiliki adalah menggabungkan bukti visual, kriteria informasi, validasi peramalan, dan pemahaman bisnis.

Mengestimasi Model dan Memeriksa Diagnostik Residual

Estimasi model menyesuaikan parameter ARIMA dengan deret historis Anda. Secara sederhana, prosedur ini mencari koefisien yang merepresentasikan hubungan yang teramati sambil mengurangi kesalahan peramalan. Koefisien yang dihasilkan memang penting, tetapi bukan uji kualitas akhir.

Ujiannya adalah apa yang tersisa setelah model selesai bekerja. Sisa-sisa itu disebut residual, yaitu selisih antara nilai yang teramati dan nilai yang disesuaikan model. Model yang baik seharusnya menyisakan residual yang menyerupai derau acak yang tidak terjelaskan, bukan pola kedua yang menunggu untuk ditemukan.

Daftar periksa diagnostik praktis

Gunakan diagnostik sebagai gerbang kualitas:

• White noise: Residual seharusnya tidak menunjukkan tren, siklus, atau pengelompokan yang terlihat. Pola yang berulang berarti model masih meninggalkan struktur yang belum ditangkap.
• Tidak ada autokorelasi residual: Residual tidak boleh tetap saling terkait antar lag. Pengujian bergaya Ljung-Box membantu menguji perilaku keseluruhan ini.
• Rata-rata mendekati nol: Residual seharusnya seimbang di sekitar nol, bukan secara konsisten melebih-lebihkan atau meremehkan prediksi.
• Varians yang stabil: Sebaran error seharusnya tetap relatif konsisten. Sebaran yang melebar dapat menandakan bahwa model membutuhkan transformasi atau pendekatan yang berbeda.
• Normalitas mendekati: Distribusi residual yang mendekati normal dapat mendukung estimasi interval yang berguna, meskipun pemeriksaan ini kurang penting dibandingkan independensi.

Kegagalan yang paling penting adalah autokorelasi residual. Ini berarti model masih melewatkan struktur dan harus direvisi, sebagaimana ditekankan dalam pelajaran deret waktu Penn State tentang pemeriksaan model.

Apa yang perlu diubah ketika pemeriksaan gagal

Jangan meluncurkan perkiraan hanya karena prosedur estimasi telah konvergen. Jika autokorelasi residual masih ada, tinjau kembali orde kandidat, pertimbangkan kembali pilihan differencing, dan periksa apakah musiman atau perubahan struktural yang mendorong pola tersebut. Model dengan orde yang lebih tinggi tidak secara otomatis menjadi jawaban. Struktur yang hilang mungkin berasal dari peristiwa bisnis yang tidak dapat direpresentasikan oleh ARIMA hanya melalui nilai-nilai masa lalunya.

Gerbang kualitas: Model ARIMA yang secara teknis telah di-fit tidak dapat dipercaya sampai residualnya menunjukkan bahwa struktur ketergantungan waktu yang penting telah diperhitungkan.

Peramalan dalam Praktik dengan Kasus Penggunaan Bisnis

Sebuah perkiraan menjadi berharga ketika ia mengubah sebuah keputusan. ARIMA biasanya menghasilkan perkiraan titik, estimasi sentral, bersama dengan interval ketidakpastian yang menunjukkan rentang yang masuk akal di sekitarnya. Interval ini penting karena satu angka saja dapat menciptakan kepercayaan diri yang keliru, terutama ketika horizon perencanaan diperpanjang.

Tiga keputusan yang dibentuk oleh perkiraan

Promosi ritel: Seorang manajer ritel meninjau tingkat penjualan yang diharapkan untuk bulan mendatang beserta rentang ketidakpastian yang terkait. Perkiraan titik mendukung rencana promosi dasar, sementara interval membantu manajer menilai apakah kampanye membutuhkan stok yang fleksibel atau anggaran yang lebih hati-hati.

Pengisian ulang inventaris: Seorang perencana inventaris menggunakan permintaan yang diharapkan untuk meninjau titik pemesanan ulang dan waktu pemasok. Jika interval ketidakpastian lebar, perencana mungkin memilih peninjauan yang lebih defensif alih-alih memperlakukan estimasi sentral sebagai kebutuhan yang terjamin.

Pemantauan risiko: Sebuah tim layanan keuangan dapat menggunakan perkiraan jangka pendek untuk membandingkan pergerakan kas yang diharapkan atau deret lain yang dipantau dengan hasil aktual. Penyimpangan yang material dari rentang perkiraan dapat memicu investigasi, tetapi tidak boleh dianggap sebagai bukti pelanggaran atau penilaian risiko yang lengkap.

Interval prediksi umumnya melebar seiring perkiraan bergerak lebih jauh ke masa depan karena setiap langkah tambahan membawa ketidakpastian dari prediksi-prediksi sebelumnya. Hal ini membuat perkiraan ARIMA jangka pendek lebih mudah ditindaklanjuti dibandingkan proyeksi jangka panjang. Untuk keputusan keuangan atau kepatuhan, gunakan perkiraan sebagai dukungan analitis, bukan sebagai nasihat keuangan atau pengganti kontrol yang diwajibkan.

Implementasi ringan

Analis dapat mengimplementasikan ARIMA dalam Python dengan statsmodels atau dalam R dengan paket forecast. Perintahnya biasanya singkat, tetapi interpretasi membutuhkan perhatian lebih besar dibandingkan proses fitting:

1. Siapkan deret waktu yang terurut dan lengkap.
2. Pilih atau cari nilai kandidat p, d, dan q.
3. Estimasi model.
4. Periksa residual.
5. Hasilkan perkiraan titik dan interval ketidakpastian.
6. Bandingkan hasilnya dengan pengamatan aktual di masa depan ketika sudah tersedia.

Kode adalah bagian yang mudah. Keputusan tentang apakah data dan asumsi model dapat dipercaya adalah tempat di mana penilaian profesional berperan.

Ketika ARIMA Tidak Cukup dan Bagaimana Electe Mengotomatiskan Alur Kerja

ARIMA memiliki batasan yang jelas. Musiman yang kuat sering kali memerlukan SARIMA, ditulis sebagai ARIMA(p,d,q)*(P,D,Q). Di sini, P, D, dan Q merepresentasikan komponen autoregresif musiman, differencing, dan moving-average. Model ARIMA biasa mungkin melewatkan pola berulang yang muncul pada titik yang sama di setiap siklus, sehingga suku musiman memberikan kesesuaian yang lebih baik, sebagaimana dijelaskan dalam panduan peramalan Box-Jenkins dari Forecast Pro.

ARIMA juga menjadi tidak dapat diandalkan ketika kondisi bisnis berubah lebih cepat daripada yang dapat direfleksikan oleh data historis. Perubahan struktural, guncangan eksternal, peluncuran produk, kehabisan stok, dan permintaan yang didorong oleh promosi dapat membuat nilai-nilai dan error masa lalu menjadi panduan yang buruk. Sebuah model mungkin lulus pemeriksaan teknis namun tetap menyesatkan para pengambil keputusan setelah rezim yang mendasarinya telah berubah.

Periksa kesiapan data sebelum memilih model

Dataset UKM menambahkan batasan yang seringkali tidak dibahas dalam tutorial:

• Riwayat lengkap itu penting: ARIMA membutuhkan deret waktu yang berurutan dan tanpa celah. Selidiki dan tangani periode yang hilang sebelum melakukan fitting.
• Jumlah observasi yang cukup itu penting: Peramalan yang andal umumnya membutuhkan sekitar 50 hingga 100 observasi, sesuai panduan praktis dalam Forecast Pro guide.
• Peristiwa membutuhkan konteks: ARIMA tidak mengetahui bahwa promosi, kehabisan stok, tindakan pesaing, atau produk baru menyebabkan suatu perubahan. Sertakan faktor pendorong eksternal yang relevan atau pilih pendekatan pemodelan yang lebih kaya.
• Diagnostik tetap penting: Autokorelasi residual yang persisten berarti model perlu direvisi. Jangan menyajikan hasil peramalan sebagai sesuatu yang sudah final.

Pemeriksaan-pemeriksaan ini menjadikan ARIMA sebagai baseline yang berguna dan transparan, bukan jawaban otomatis. Jika struktur musiman mendominasi, uji SARIMA. Jika faktor pendorong eksternal atau perubahan rezim mendominasi, pertimbangkan model yang dapat merepresentasikan pengaruh tersebut.

Sebuah platform dapat membantu dalam persiapan, perbandingan metode, peramalan, dan pemantauan anomali sambil tetap menyerahkan keputusan peninjauan kepada tim. Electe, platform analitik data untuk UKM, dapat mengotomatisasi praproses, pemilihan model, peramalan, dan pemantauan anomali melalui AI Agent-nya. Tim juga dapat meninjau peramalan AI dengan Electe sebagai bagian dari alur kerja yang lebih luas.

Poin-poin penting

1. Mulailah dengan kesiapan data: Pastikan deret data lengkap, berurutan, dan sesuai untuk dianalisis.
2. Pahami p, d, dan q: Gunakan ketiganya untuk menggambarkan autoregresi, differencing, dan kesalahan peramalan masa lalu.
3. Validasi residual: Autokorelasi yang persisten memerlukan revisi model.
4. Perluas atau ubah metode: Gunakan SARIMA untuk struktur musiman dan model yang lebih kaya ketika faktor pendorong eksternal atau perubahan rezim menjadi penting.
5. Hubungkan peramalan dengan keputusan: Gunakan interval prediksi dengan hati-hati, terutama untuk jangka waktu yang lebih jauh ke depan.

Electe membantu UKM menyiapkan data bisnis, membandingkan pendekatan peramalan, menghasilkan wawasan prediktif, dan memantau anomali tanpa harus membangun setiap langkah pemodelan secara manual. Kunjungi Electe untuk melihat peramalan otomatis untuk data penjualan, inventaris, atau risiko.