Cara Peramalan (Forecasting) ARIMA di Eviews Supaya Bisa Beberapa Periode Kedepan Misalnya 6 Bulan Kedepan

Banyak pengguna EViews mengalami kendala saat melakukan proyeksi masa depan, di mana grafik hasil peramalan terhenti tepat di periode data aktual terakhir dan tidak menghasilkan nilai estimasi untuk periode mendatang. Gejala masalah ini umumnya ditandai dengan munculnya pesan peringatan sistem seperti Forecast evaluation sample is empty atau output grafik peramalan yang terpotong tanpa adanya garis proyeksi 6 bulan ke depan. Ketika kendala teknis ini terjadi, memahami cara peramalan ARIMA di EViews dengan teknik alokasi struktur data (workfile range expansion) dan konfigurasi sampel peramalan (forecast sample) menjadi kunci utama untuk menghasilkan estimasi out-of-sample yang valid.

Kegagalan EViews dalam memproyeksikan data untuk beberapa periode mendatang sejatinya bukan disebabkan oleh kesalahan estimasi parameter persamaan ARIMA (p, d, q), melainkan karena batas tanggal (range boundary) pada lembar kerja (workfile) belum diperluas untuk menampung observasi masa depan. Jika struktur tanggal observasi baru belum dibuat dalam sistem, EViews secara otomatis akan membatasi rentang kalkulasi hanya sebatas sampel data historis yang tersedia (in-sample forecast). Akibatnya, nilai prediksi untuk horizon 6 bulan ke depan tidak dapat dihitung maupun ditampilkan.

Konsep Teori Peramalan ARIMA dan Horizon Proyeksi

Peramalan deret waktu menggunakan metodologi Box dan Jenkins (1976) mengandalkan struktur autokorelasi linier dari observasi historis untuk memprediksi nilai variabel pada masa depan. Model *Autoregressive Integrated Moving Average* (ARIMA) menggabungkan komponen ketergantungan nilai lampau (AR), derajat pembedaan untuk mencapai stasioneritas (I), serta efek kejutan residual lampau (MA) guna membentuk fungsi proyeksi matematis yang stabil.

Menurut Gujarati dan Porter (2009), peramalan kuantitatif secara umum dibedakan menjadi dua jenis evaluasi, yaitu peramalan *in-sample* dan peramalan *out-of-sample*. Peramalan *in-sample* bertujuan menilai seberapa baik model ARIMA mengepas data historis yang digunakan dalam estimasi. Sementara itu, peramalan *out-of-sample* merupakan proyeksi murni ke periode mendatang di mana nilai realisasi aktual variabel tersebut belum terjadi.

Untuk memahami aspek teoretis mengenai pengujian stasioneritas, pemilihan ordo (p, d, q), serta formulasi matematis dasar dari analisis deret waktu ini, Anda dapat mempelajari landasan teori lengkap tentang konsep dasar dan teori model ARIMA di statistikian.com. Pemahaman teoretis yang kukuh sangat dibutuhkan agar interpretasi hasil peramalan di EViews tidak melenceng dari kaidah statistik.

Enders (2014) menyatakan bahwa dalam peramalan *multi-step ahead* (beberapa periode ke depan), varians kesalahan peramalan (forecast error variance) akan meningkat secara monoton seiring berjalannya horizon peramalan. Oleh karena itu, penyediaan interval keyakinan (confidence interval) untuk proyeksi 6 bulan ke depan menjadi aspek vital guna mengukur derajat ketidakpastian yang menyertai nilai titik ramalan (point forecast).

Langkah Teknis Peramalan ARIMA 6 Bulan Ke Depan di EViews

Untuk memproyeksikan nilai ARIMA hingga beberapa periode mendatang (misalnya 6 bulan ke depan), berikut adalah prosedur teknis sistematis yang wajib dilakukan pada perangkat lunak EViews.

Langkah 1: Mengidentifikasi Batas Workfile Awal
Buka lembar kerja (workfile) Anda di EViews. Perhatikan bagian atas jendela workfile pada keterangan Range. Jika data historis bulanan Anda berakhir pada periode 2024M12, maka secara default EViews tidak memiliki tempat untuk menyimpan hasil ramalan tahun 2025.

Langkah 2: Melakukan Resize Workfile Range (Perluasan Struktur Data)
Klik menu utama Proc pada jendela workfile, lalu pilih Structure/Resize Current Workfile.... Langkah ini merupakan fondasi teknis terpenting untuk alokasi memori observasi baru.

Langkah 3: Mengubah End Date untuk Menambah 6 Periode Kebawah
Pada kotak dialog Workfile Structure/Resize, ubah opsi End date dari 2024M12 menjadi 2025M06 (menambahkan 6 bulan ke depan). Klik OK. EViews akan mengonfirmasi penambahan observasi kosong tersebut.

Langkah 4: Memeriksa Keberadaan Nilai NA pada Periode Baru
Buka variabel utama Anda (misalnya variabel Y). Geser ke baris paling bawah. Anda akan melihat bahwa observasi dari bulan 2025M01 hingga 2025M06 telah terbuat dengan nilai terisi NA (Not Available). Hal ini menandakan struktur tempat hasil ramalan telah siap.

Langkah 5: Mengestimasi Persamaan ARIMA (Equation Estimation)
Buka jendela estimasi persamaan dengan klik Quick > Estimate Equation.... Ketikkan formulasi model ARIMA yang telah teruji stasioner dan terbebas dari autokorelasi, misalnya: d(y) c ar(1) ma(1). Pada bagian Estimation sample, pastikan rentang sampel estimasi diset pada data historis, yaitu 2020M01 2024M12. Klik OK.

Langkah 6: Membuka Menu Forecast pada Window Equation
Setelah hasil estimasi persamaan muncul dan dinyatakan valid secara diagnostik, klik tombol Forecast yang berada di bilah menu bagian atas jendela persamaan (Equation Window).

Langkah 7: Konfigurasi Nama Variabel Hasil Peramalan
Pada jendela dialog Forecast, isikan nama variabel baru untuk menampung hasil peramalan pada kolom Forecast name (misalnya diisi Y_F). Isikan pula nama variabel untuk nilai standard error pada kolom S.E. name (misalnya Y_SE).

Langkah 8: Memilih Metode Dynamic Forecast
Pada bagian Forecast method, pilih opsi Dynamic forecast. Metode dinamis ini wajib dipilih untuk peramalan *out-of-sample* beberapa periode ke depan karena kalkulasi prediksi akan menggunakan nilai ekstrapolasi lag secara rekursif.

Langkah 9: Mengatur Rentang Forecast Sample ke Masa Depan
Pada bagian Forecast sample, ubah rentang tanggal menjadi 2025M01 2025M06 (atau 2020M01 2025M06 jika ingin menampilkan kurva historis beserta proyeksinya secara bersamaan). Langkah ini memerintahkan EViews untuk menghitung nilai prediksi pada 6 bulan periode baru tersebut. Klik OK.

Langkah 10: Evaluasi Grafik dan Ekstraksi Angka Hasil Peramalan
EViews akan menampilkan grafik peramalan beserta pita batas selang kepercayaan 95% (confidence bounds). Buka variabel Y_F pada workfile utama untuk melihat angka pasti hasil proyeksi peramalan dari bulan 2025M01 hingga 2025M06.

Pembahasan Ilmiah: Dynamic vs Static Forecast dan Evaluasi Akurasi

Pemilihan antara metode *Dynamic Forecast* dan *Static Forecast* di EViews merupakan pertimbangan metodologis yang teramat krusial. Makridakis, Wheelwright, dan Hyndman (1998) menjelaskan bahwa *dynamic forecast* melakukan peramalan secara bertahap dan rekursif mulai dari periode awal peramalan hingga periode akhir horizon. Dalam kalkulasi *dynamic forecast*, nilai prediksi variabel pada periode *t + 1* digunakan kembali sebagai variabel masukan lag untuk memprediksi periode *t + 2*, dan seterusnya hingga periode *t + 6*.

Sebaliknya, *static forecast* melakukan peramalan satu langkah ke depan (one-step ahead forecast) dengan selalu menggunakan nilai riil observasi aktual pada periode sebelumnya. Kerangka *static forecast* sangat berguna untuk menguji keakuratan model dalam sampel historis, namun secara teknis tidak dapat digunakan untuk memproyeksikan periode *out-of-sample* yang data aktualnya belum tercipta. Menggunakan *static forecast* untuk horizon masa depan tanpa adanya data riil pendukung akan menyebabkan nilai ramalan menghasilkan kode *NA*.

Menurut Diebold (2007), keandalan hasil peramalan ARIMA untuk horizon 6 bulan ke depan harus diukur menggunakan kriteria evaluasi statistik *in-sample* seperti *Root Mean Squared Error* (RMSE), *Mean Absolute Error* (MAE), dan *Mean Absolute Percentage Error* (MAPE). Model dengan nilai RMSE dan MAPE terkecil mengindikasikan bahwa struktur parameter stokastik yang dibentuk memiliki tingkat kesalahan proyeksi paling minimal.

Box, Jenkins, dan Reinsel (2015) menekankan pentingnya pemeriksaan diagnostik residual sebelum angka peramalan dipublikasikan sebagai basis kebijakan. Residual dari persamaan ARIMA yang digunakan wajib memenuhi kriteria *white noise*, yaitu tidak mengandung autokorelasi parsial maupun total yang signifikan pada berbagai tingkat lag, serta terdistribusi secara normal. Pengujian ini dapat dikonfirmasi melalui nilai p-value uji Breusch-Godfrey Serial Correlation Ljung-Box Q-statistic yang berada di atas level signifikansi 0,05.

Hamilton (1994) menyoroti fenomena konvergensi pada peramalan ARIMA jangka panjang. Pada model ARIMA yang stasioner, nilai peramalan *dynamic forecast* untuk horizon yang sangat jauh akan secara bertahap memusat kembali menuju nilai rata-rata jangka panjangnya (unconditional mean). Hal ini menunjukkan bahwa daya ramalan dinamis ARIMA mencapai tingkat efisiensi tertinggi pada jangka pendek hingga menengah, seperti proyeksi 6 hingga 12 bulan ke depan.

Dalam praktiknya, peneliti juga disarankan untuk mengevaluasi interval keyakinan peramalan. Kenaikan nilai *standard error* yang melebar seiring bertambahnya periode peramalan mencerminkan peningkatan risiko akumulasi ketidakpastian matematis. Oleh karena itu, menyajikan angka estimasi titik (point forecast) yang didampingi oleh selang kepercayaan 95% memberikan gambaran risiko ekonomi yang lebih transparan bagi para pembuat keputusan.

Terakhir, pembaruan data secara berkala (rolling forecast) sangat dianjurkan. Setiap kali realisasi data aktual bulan terbaru dirilis, peneliti sebaiknya memasukkan observasi baru tersebut ke dalam *workfile* EViews dan mengestimasi ulang parameter ARIMA. Prosedur ini memastikan bahwa dinamika kejutan jangka pendek terbaru selalu terintegrasi dalam kalkulasi proyeksi 6 bulan mendatang.

Kesimpulan

Kendala tidak munculnya nilai peramalan untuk beberapa periode ke depan di EViews dapat diatasi secara tuntas melalui prosedur perbaikan alokasi data. Dengan memperluas batas *workfile range* menggunakan fungsi `Structure/Resize Current Workfile`, mengalokasikan slot sampel observasi baru (+6 bulan), serta mengeksekusi metode **Dynamic Forecast**, EViews dapat menghitung nilai proyeksi *out-of-sample* secara rekursif dan presisi. Penerapan langkah teknis ini memastikan analisis time series tidak hanya berhenti pada evaluasi data historis, tetapi mampu menghasilkan estimasi masa depan yang bermanfaat secara ilmiah dan strategis.

Daftar Pustaka