Tahap 1 : Identifikasi
1. Stasioneritas dan Nonstasioneritas
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret berkala yang stasioner. Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu.
Stasioner terbagi menjadi dua yaitu stasioner dalam varians dilihat dari Box-cox tranformation dan stasioner dalam mean dilihat dari plot time series dan plot ACF-PACF. Suatu deret waktu yang tidak stasioner dalam mean harus diubah menjadi data stasioner dengan melakukan differencing. Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi. Sedangkan jika varians tidak stasioner, maka dilakukan transformasi logaritma.
2. Klasifikasi model ARIMA
Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model autoregressive (AR), moving average (MA), dan model campuran ARIMA (autoregressive moving average) yang mempunyai karakteristik dari dua model pertama. Secara umum model ARIMA (Box-Jenkins) dirumuskan dengan notasi sebagai berikut (Harijono dan Sugiarto, 2000) :
ARIMA (p,d,q) dalam hal ini,
p menunjukkan orde / derajat Autoregressive (AR)
d menunjukkan orde / derajat Differencing (pembedaan) dan
q menunjukkan orde / derajat Moving Average (MA)
