Sebelum masuk bagaimana meramalkan sesuatu dengan ARIMA ada baiknya membedakan antara peramalan (forecasting) dengan prediksi (prediction). Keduanya sama-sama memprediksi, tetapi peramalan prediksi didasarkan pada data historis. Jadi peramalan membutuhkan data deret berkala (time-series). Sementara prediksi membutuhkan variabel-variabel yang ada yang menentukan hasil prediksi. Jika meramalkan cuaca membutuhkan data-data cuaca sebelumnya, prediksi membutuhkan variabel-variabel seperti suhu, kelembaban, dan sebagainya untuk memprediksi. Walau terkadang keduanya digabung, misalnya pada Nonlinear Autoregressive Network with External (NarXnet) [link].
AutoRegressive Integrated Moving Average (ARIMA) merupakan peramalan dengan memanfaatkan tiga komponon yaitu AR, I, dan MA. Pada Statistical Package for Social Sciences (SPSS) diistilahkan dengan p, d, dan q dalam toolboxnya. AR menggunakan prinsip regresi, sementara I menghilangkan tran musiman dari data dan MA menggunakan prinsip moving average dari residu sebelumnya. Berapa ukuran yang tepat untuk AR, I, dan MA perlu dicari nilai yang optimal dimana kesalahan, misal MAPE, yang sekecil mungkin.
Beberapa riset tentang peramalan banyak dilakukan, khususnya saat COVID. Beberapa mengikuti pola tertentu, misalnya mengikuti konsep SIR [link], namun terkadang faktor-faktor eksternal kadang perlu juga dimasukan, misalnya ketika meramalkan inflasi di suatu daerah. Berikut bagaimana menggunakan ARIMA untuk meramalkan dengan data tertentu.
Video singkat ini bisa juga jadi bahan referensi meramalkan inflasi dengan ARIMA, di sini menggunakan ARIMA (1,2,1). Silahkan coba versi ARIMA lainnya.










