Autoregressive Integrated Moving Average, atau ARIMA, adalah model analisis statistik yang menggunakan data deret waktu untuk memahami kumpulan data dengan lebih baik atau untuk memprediksi tren masa depan. Sebuah model statistik bersifat autoregresif jika model tersebut memprediksi nilai masa depan berdasarkan nilai masa lalu. Contohnya, model ARIMA dapat memprediksi harga saham di masa depan berdasarkan performa masa lalu atau memprediksi pendapatan perusahaan berdasarkan periode sebelumnya.
Memahami Autoregressive Integrated Moving Average (ARIMA)
An autoregressive integrated moving average model/ Model rata-rata bergerak terintegrasi autoregresif adalah bentuk analisis regresi yang mengukur kekuatan satu variabel dependen relatif terhadap variabel lain yang berubah. Tujuan model ini adalah memprediksi pergerakan sekuritas atau pasar keuangan di masa depan dengan memeriksa perbedaan antara nilai-nilai dalam seri, bukan melalui nilai aktual.
Model ARIMA dapat dipahami dengan menguraikan setiap komponennya sebagai berikut:
- Autoregression (AR): mengacu pada model yang menunjukkan variabel yang berubah yang mengalami regresi pada nilai lagging, atau nilai sebelumnya.
- Integrated (I): mewakili pembedaan (differencing) pengamatan mentah untuk memungkinkan deret waktu menjadi stasioner (yaitu, nilai data digantikan oleh selisih antara nilai data dan nilai sebelumnya).
- Moving average (MA): menggabungkan ketergantungan antara observasi dan kesalahan residual dari model moving average yang diterapkan pada observasi yang tertinggal.
Parameter ARIMA
Setiap komponen dalam ARIMA berfungsi sebagai parameter dengan notasi standar. Untuk model ARIMA, notasi standarnya adalah ARIMA dengan p, d, dan q, di mana nilai bilangan bulat menggantikan parameter untuk mengindikasikan jenis model ARIMA yang digunakan. Parameter-parameter tersebut dapat didefinisikan sebagai:
- p: jumlah observasi lag dalam model, juga dikenal sebagai orde lag.
- d: jumlah observasi mentah yang didiferensialkan; juga dikenal sebagai derajat differencing.
- q: ukuran jendela rata-rata bergerak, juga dikenal sebagai urutan rata-rata bergerak.
Sebagai contoh, sebuah model regresi linier mencakup jumlah dan jenis suku. Nilai nol (0), yang dapat digunakan sebagai parameter, berarti komponen tertentu tidak boleh digunakan dalam model. Dengan cara ini, model ARIMA dapat dibangun untuk menjalankan fungsi model ARMA, atau bahkan model AR, I, atau MA yang sederhana.
ARIMA dan Data yang Stasioner
Dalam model autoregressive integrated moving average, data dibedakan untuk membuatnya stasioner. Model yang menunjukkan stasioneritas adalah model yang menunjukkan adanya keteguhan pada data dari waktu ke waktu. Sebagian besar data ekonomi dan pasar menunjukkan tren, sehingga tujuan differencing adalah untuk menghilangkan tren atau struktur musiman. Musiman, atau ketika data menunjukkan pola yang teratur dan dapat diprediksi yang berulang selama satu tahun kalender, dapat berdampak negatif pada model regresi. Jika tren muncul dan stasioneritas tidak terlihat, banyak komputasi di seluruh proses tidak dapat dilakukan dan menghasilkan hasil yang diinginkan.
Membangun Model ARIMA
Untuk mulai membangun model ARIMA untuk investasi, Anda mengunduh sebanyak mungkin data harga yang Anda bisa. Setelah Anda mengidentifikasi tren data, Anda mengidentifikasi urutan terendah dari differencing (d) dengan mengamati autokorelasi. Jika autokorelasi lag-1 adalah nol atau negatif, maka deret tersebut sudah terdiferensiasi. Anda mungkin perlu melakukan pembedaan lebih lanjut jika lag-1 lebih tinggi dari nol. Selanjutnya, tentukan orde regresi (p) dan orde rata-rata bergerak (q) dengan membandingkan autokorelasi dan autokorelasi parsial. Setelah Anda mendapatkan informasi yang Anda butuhkan, Anda dapat memilih model yang akan Anda gunakan.
Kelebihan dan Kekurangan ARIMA
Model ARIMA memiliki kelebihan dan bagus dalam peramalan berdasarkan keadaan di masa lalu, tetapi ada lebih banyak alasan untuk berhati-hati saat menggunakan ARIMA. Berbeda dengan penafian investasi yang menyatakan “kinerja masa lalu bukanlah indikator kinerja masa depan…,” model ARIMA mengasumsikan bahwa nilai masa lalu memiliki efek residual pada nilai saat ini atau di masa depan dan menggunakan data dari masa lalu untuk meramalkan kejadian di masa depan.
Tabel berikut mencantumkan sifat-sifat ARIMA lainnya yang menunjukkan karakteristik yang baik dan buruk.
Kelebihan
- Baik untuk peramalan jangka pendek
- Hanya membutuhkan data historis
- Memodelkan data non-stasioner
Kekurangan
- Tidak dibuat untuk perkiraan jangka panjang
- Buruk dalam memprediksi titik balik
- Mahal secara komputasi
- Parameter bersifat subjektif
Kesimpulan
Model ARIMA digunakan sebagai alat peramalan untuk memprediksi bagaimana sesuatu akan bertindak di masa depan berdasarkan kinerja masa lalu. Model ini digunakan dalam analisis teknikal untuk memprediksi kinerja aset di masa depan. Pemodelan ARIMA umumnya tidak memadai untuk peramalan jangka panjang, seperti lebih dari enam bulan ke depan, karena menggunakan data masa lalu dan parameter yang dipengaruhi oleh pemikiran manusia. Karena alasan ini, ARIMA paling baik digunakan bersama perangkat analisis teknikal lain untuk mendapatkan gambaran yang lebih jelas mengenai performa aset.
