Perbedaan Model AR, MA, ARMA, dan ARIMA Berdasarkan Pola Korelogram Data dan cara analisis di R-Studio

Saat melakukan peramalan deret waktu atau time series forecasting, rintangan terbesar yang sering membuat analis data frustrasi adalah gagal mengidentifikasi Perbedaan Model AR, MA, ARMA, dan ARIMA Berdasarkan Pola Korelogram Data dan cara analisis di R-Studio. Gejala masalah ini memuncak saat Anda mengeksekusi fungsi acf() dan pacf() pada *console* R, lalu dihadapkan pada grafik batang vertikal (korelogram) yang polanya ambigu—sulit dibedakan apakah ia memotong tajam (cut-off) atau melandai pelan (tails-off). Kesalahan pembacaan visual ini secara berantai menyebabkan spesifikasi ordo (p, d, q) yang keliru, sehingga R-Studio memunculkan pesan error optimasi non-finite, parameter tidak konvergen, atau sisaan (residuals) yang gagal memenuhi asumsi white noise.

Menentukan ordo autokorelatif yang salah ibarat memberikan resep obat yang keliru berbekal hasil rontgen yang buram. Banyak peneliti atau analis kuantitatif yang akhirnya memaksakan penggunaan package otomatis tanpa memahami perilaku stokastik data dasarnya. Akibatnya, saat model dipaksa memprediksi data uji (out-of-sample), nilai Mean Absolute Percentage Error (MAPE) membengkak tak terkendali. Membedakan *Auto-Regressive* (AR), *Moving Average* (MA), model campurannya (ARMA), hingga bentuk integrasinya (ARIMA) mutlak membutuhkan ketajaman dalam membaca jejak autokorelasi parsial dan fungsi autokorelasi.

> # Menjalankan model tanpa mengecek stationeritas & korelogram yang benar
> fit_salah <- arima(data_ts, order=c(2,0,2))
Error in optim(init[mask], armafn, method = optim.method, hessian = TRUE, : 
  non-finite finite-difference value [2]

> Box.test(residuals(fit_salah), type="Ljung-Box")
	Box-Ljung test
data:  residuals(fit_salah)
X-squared = 45.21, df = 1, p-value = 1.7e-11 
# [MASALAH: p-value < 0.05, Residual masih mengandung autokorelasi!]
            

Fondasi Teori Model Runtun Waktu Box-Jenkins

Metodologi Box-Jenkins adalah tulang punggung dari analisis deret waktu univariat modern. Model Auto-Regressive (AR) mengasumsikan bahwa nilai variabel pada masa kini (Yt) sangat dipengaruhi oleh nilai variabel itu sendiri pada masa lalu (Yt-1, Yt-2, dst.). Sebaliknya, model Moving Average (MA) bersandar pada filosofi bahwa nilai masa kini dipengaruhi oleh guncangan atau kejutan galat acak (error terms atau white noise) dari masa lalu. Penggabungan keduanya menghasilkan model ARMA untuk data yang stasioner (Box & Jenkins, 1970).

Di dunia nyata, sangat jarang menemukan data finansial atau ekonomi yang langsung stasioner—yakni memiliki rata-rata dan varians yang konstan sepanjang waktu. Di sinilah huruf "I" dalam ARIMA (Integrated) masuk. Integrasi merujuk pada proses diferensiasi (differencing) tingkat d untuk memaksa data yang memiliki tren agar menjadi stasioner sebelum proses AR dan MA diestimasi.

Kunci utama untuk mengidentifikasi model mana yang tepat terletak pada korelogram, yaitu plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF). Secara teoretis, model AR(p) murni akan menunjukkan plot ACF yang menurun secara eksponensial atau bergelombang (tails off), sementara plot PACF-nya akan terpotong drastis (cuts off) setelah *lag* ke-p. Karakteristik ini bersifat cermin kebalikan untuk model MA(q).

Bagi Anda yang ingin menggali lebih dalam mengenai derivasi matematis dan pembuktian asumsi ekonometrika stasioneritas sebelum melangkah ke tahap eksekusi troubleshooting koding, kami sangat menyarankan Anda membaca rujukan teoretis komprehensif kami di statistikian.com. Memisahkan pemahaman teori dasar dan praktik klinis pengkodean akan menajamkan insting analisis Anda.

Langkah Teknis Eksekusi Analisis ACF PACF di R-Studio

1. Uji Stasioneritas (Augmented Dickey-Fuller). Sebelum membaca korelogram, pastikan data stasioner. Gunakan fungsi adf.test() dari *package* tseries. Jika p-value > 0.05, data tidak stasioner. Anda wajib melakukan diferensiasi menggunakan perintah diff(data, differences = 1). Langkah ini menentukan nilai d pada ARIMA(p,d,q).

2. Plot ACF untuk Identifikasi Ordo MA (q). Setelah data stasioner, jalankan acf(data_diff). Perhatikan batasan garis putus-putus biru (interval kepercayaan 95%). Jika grafik memotong batas (cuts off) pada lag ke-1 atau ke-2, lalu *lag* berikutnya tiba-tiba jatuh ke dalam area garis biru, maka itu adalah sinyal model MA(1) atau MA(2).

3. Plot PACF untuk Identifikasi Ordo AR (p). Jalankan pacf(data_diff). Jika grafik PACF memotong tajam di lag ke-p, sedangkan plot ACF-nya tadi melandai pelan (bisa berbentuk peluruhan eksponensial atau gelombang sinus), maka data tersebut mengikuti proses AR(p).

4. Identifikasi ARMA (Keduanya Melandai). Kasus tersulit adalah ketika plot ACF dan PACF sama-sama melandai pelan (tails off). Ini menandakan campuran ARMA(p,q). Pada titik ini, identifikasi visual tidak lagi akurat. Anda harus melakukan uji coba kombinasi ordo dengan melihat kriteria informasi seperti AIC atau BIC terkecil (Hyndman & Athanasopoulos, 2018).

5. Eksekusi Model dan Evaluasi Residual. Gunakan fungsi Arima() dari *package* forecast alih-alih arima() bawaan base R karena lebih stabil secara algoritmik. Setelah terestimasi, wajib lakukan uji Ljung-Box pada residual. Residual harus berdistribusi normal dan tidak memiliki sisa autokorelasi.

library(forecast)
library(tseries)

> # 1. Uji Stasioneritas & Diferensiasi
> ts_diff <- diff(data_ts)
> adf.test(ts_diff) # p-value = 0.01 (Stasioner)

> # 2. Cek Korelogram
> par(mfrow=c(1,2))
> acf(ts_diff, main="ACF (Tails off)")
> pacf(ts_diff, main="PACF (Cuts off di lag 1)") 
> # Kesimpulan visual: AR(1) pada data diferensiasi tingkat 1 -> ARIMA(1,1,0)

> # 3. Estimasi Model yang Benar
> fit_benar <- Arima(data_ts, order=c(1,1,0), include.drift=TRUE)
> checkresiduals(fit_benar)
	Ljung-Box test
p-value = 0.4532 
# [SOLUSI BERHASIL: p-value > 0.05, Residual bersifat White Noise!]
            

Pembahasan Ilmiah: Anatomi ACF, PACF, dan Wold's Decomposition

Pemahaman mengapa plot PACF terpotong pada model Auto-Regressive (AR) tidak bisa dilepaskan dari konsep regresi berganda. Autokorelasi Parsial (PACF) pada *lag* ke-k mengukur tingkat korelasi antara observasi saat ini (Yt) dan masa lalu (Yt-k) setelah membuang efek linear dari *lag* perantara (Yt-1 hingga Yt-k+1). Jika proses sejati (true data generating process) adalah AR(1), maka informasi Yt-2 terhadap Yt sebenarnya hanya "dititipkan" melalui Yt-1. Ketika efek Yt-1 dibuang dalam kalkulasi PACF, korelasi Yt dengan Yt-2 menjadi nol murni. Inilah mengapa grafik PACF cuts off tajam (Shumway & Stoffer, 2017).

Sebaliknya, plot ACF pada model AR(1) dengan koefisien phi positif akan melandai perlahan seperti eksponensial yang meluruh. Hal ini terjadi karena guncangan pada periode t-1 terus menjalar ke periode t, lalu sisa guncangan itu menjalar lagi ke t+1 dengan kekuatan sebesar koefisien berpangkat. Penjalaran tak terbatas inilah yang menciptakan pola tails off pada grafik Autocorrelation Function.

Di sisi lain, model Moving Average (MA) merepresentasikan memori jangka pendek murni. Berdasarkan Teorema Dekomposisi Wold (Wold's Representation Theorem), setiap deret waktu yang kovarians-stasioner dapat direpresentasikan sebagai jumlahan tak hingga dari white noise error terms. Dalam model MA(q), proses tersebut dengan sengaja diputus (truncated) pada *lag* ke-q. Akibatnya, memori sistem hanya bertahan sejauh q periode. Itulah mengapa plot ACF akan langsung jatuh ke angka nol (cuts off) tepat setelah lag ke-q.

Lalu mengapa PACF dari model MA melandai perlahan? Ingat syarat "Invertibilitas". Agar model MA memiliki makna matematis dan dapat diestimasi, ia harus bisa diinversi menjadi proses AR berorde tak hingga (AR(∞)). Karena representasi AR-nya tidak berujung, maka korelasi parsialnya tidak pernah benar-benar memotong ke angka nol dalam satu titik, melainkan menyusut perlahan secara perlahan, menciptakan pola tails off pada grafik PACF.

Bencana analitik mulai terjadi ketika peneliti menghadapi model ARMA campuran. Dalam model ARMA(1,1), baik memori dari nilai masa lalu maupun memori dari guncangan (errors) masa lalu bekerja secara simultan. Persamaan simultan ini menggagalkan keistimewaan cuts off pada kedua plot korelogram. ACF tidak terpotong karena adanya komponen AR, dan PACF tidak terpotong karena adanya komponen MA. Keduanya akan melandai (tails off).

Dalam praktiknya, mengidentifikasi ordo p dan q pada situasi di mana keduanya tails off menggunakan pandangan mata adalah hal yang mustahil (Brockwell & Davis, 2016). Solusi saintifik dari R-Studio adalah menggunakan fungsi auto.arima(). Algoritma otomatis dari fungsi ini (yang mengacu pada algoritma Hyndman-Khandakar) tidak membaca plot, melainkan melakukan estimasi Maximum Likelihood secara iteratif.

Algoritma ini menghitung penalti parameter menggunakan metrik *Akaike Information Criterion* (AIC) atau *Bayesian Information Criterion* (BIC). Model dengan nilai AIC terkecil dinobatkan sebagai arsitektur yang paling seimbang dalam menjelaskan varians data tanpa mengalami overfitting. Walaupun auto.arima() sangat canggih, sebagai analis, Anda tetap harus memverifikasi bahwa diagnostik residual akhirnya bebas dari korelasi serial melalui Ljung-Box Test.

Kesimpulan

Menguasai identifikasi Perbedaan Model AR, MA, ARMA, dan ARIMA Berdasarkan Pola Korelogram Data dan cara analisis di R-Studio adalah pondasi esensial sebelum melakukan forecasting presisi tinggi. Aturan emas visualnya sederhana: AR diidentifikasi dari PACF yang terpotong tajam, MA diidentifikasi dari ACF yang terpotong tajam. Jika data belum stasioner (diketahui lewat uji ADF), diferensiasi harus dilakukan yang memunculkan orde "I" dalam ARIMA. Saat kedua grafik hanya melandai secara bertahap, hindari tebakan mata dan beralihlah ke perbandingan objektif menggunakan nilai kriteria informasi (AIC/BIC). Dengan menerapkan struktur pembacaan diagnostik korelogram dan validasi residual Ljung-Box yang ketat, model prediktif yang Anda kembangkan akan memiliki validitas ekonometrika yang kokoh.

Daftar Pustaka

• Box, G. E. P., & Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day.
• Brockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting (3rd ed.). Springer.
• Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts.
• Shumway, R. H., & Stoffer, D. S. (2017). Time Series Analysis and Its Applications: With R Examples (4th ed.). Springer.