1

ANALISIS FORECASTI NG SATU TAHAP DATA PENJUALAN MOTOR HONDA TAHUN 2008-2013

1. TS PLOT, ACF DAN PACF DARI DATA
60 54 48 42 36 30 24 18 12 6 1
450
400
350
300
250
200
150
Index
h
o
n
d
a
Time Series Plot of honda


15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Autocorrelation Function for honda
(with 5% significance limits for the autocorrelations)

15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Partial Autocorrelation Function for honda
(with 5% significance limits for the partial autocorrelations)

Dari time series plot di atas, terlihat bahwa ada kemungkinan data belum stasioner baik dalam mean
maupun varians. Jika dilihat dari plot ACF dan PACF maka tidak membentuk pola cut off maupun dies down
sehingga dapat dipastikan data belum stasioner.
2. PENGUJIAN KESTASIONERAN DALAM VARIANS
5,0 2,5 0,0 -2,5 -5,0
120
110
100
90
80
70
60
50
40
30
Lambda
S
t
D
e
v
Lower CL Upper CL
Limit
Estimate 1,53
Lower CL 0,33
Upper CL 2,74
Rounded Value 2,00
(using 95,0% confidence)
Lambda
Box-Cox Plot of honda

Statistik uji : nilai
2

Daerah kritis : Gagal tolak

jika terletak diantara lower CL dan upper CL

Dari box-cox plot diatas, terlihat bahwa nilai 1 terletak di antara lower CL dan upper CL sehingga dapat
disimpulkan bahwa gagal tolak

dan data sudah stasioner dalam varians sehingga tidak perlu dilakukan
transformasi.
3. PENGUJIAN KESTASIONERAN DALAM MEAN

Statistik uji : nilai DF
Daerah kritis : Tolak

jika p-value <

Dari p-value yang telah didapatkan terlihat bahwa p-value sebesar 0,2675 > (0,05) sehingga gagal
tolak

dan dapat disimpulkan bahwa data belum stasioner dalam mean sehingga perlu dilakukan differencing.
4. TS PLOT, ACF, PACF DARI DATA YANG TELAH DI DIFFERENCING
54 48 42 36 30 24 18 12 6 1
100
50
0
-50
-100
-150
Index
d
i
f
f
1
Time Series Plot of diff1

15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Autocorrelation Function for diff1
(with 5% significance limits for the autocorrelations)

15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Partial Autocorrelation Function for diff1
(with 5% significance limits for the partial autocorrelations)

Terlihat dari time series plot di atas, bahwa setelah didifferencing data telah stasioner dalam mean.
Apabila melihat plot ACF dan PACF di atas, terlihat ada beberapa cut off pada beberapa lag sehingga
kemungkinan modelnya adalah model subset.
Augmented Dickey-Fuller Test

data: data
Dickey-Fuller = -2.7603, Lag order = 3, p-value = 0.2675
alternative hypothesis: stationary
3

5. MODEL SUBSET
a. Estimasi Parameter






Terlihat dari tabel di atas, bahwa parameter yang signifikan yaitu pada AR(1), AR(2), dan AR(11)
sehingga modelnya menjadi ARIMA([1,2,11],1,0) dengan nilai koefisien yaitu

= -0,74533,

= -0,41463
dan

= -0,29057.
Factor 1: 1 + 0.74533 B**(1) + 0.41463 B**(2) + 0.29057 B**(11)
b. Pengecekan Residual

residual sudah white noise

Terlihat bahwa nilai p-value chi-sq > (0,05) sehingga residual sudah white noise.

data telah berdistribusi normal

Statistik uji : nilai AD
Daerah kritis : Tolak

jika p-value < (0,05)

Conditional Least Squares Estimation

Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag

MU 3.47438 3.19786 1.09 0.2822 0
MA1,1 -0.15359 0.22462 -0.68 0.4971 1
MA1,2 -0.33286 0.17565 -1.90 0.0636 12
AR1,1 -0.74533 0.21213 -3.51 0.0009 1
AR1,2 -0.41463 0.14836 -2.79 0.0072 2
AR1,3 -0.29057 0.12880 -2.26 0.0282 11
Autocorrelation Check of Residuals

To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations---------------

6 6.17 1 0.0130 -0.048 -0.109 -0.128 0.085 -0.199
12 9.53 7 0.2171 -0.033 0.211 0.021 -0.034 0.001
18 13.81 13 0.3874 -0.113 -0.094 -0.029 -0.032 0.103
24 15.94 19 0.6611 -0.065 0.040 -0.037 -0.015 0.050
Tests for Normality

Test --Statistic--- -----p Value------

Shapiro-Wilk W 0.984685 Pr < W 0.6641
Kolmogorov-Smirnov D 0.070798 Pr > D >0.1500
Cramer-von Mises W-Sq 0.042571 Pr > W-Sq >0.2500
Anderson-Darling A-Sq 0.30322 Pr > A-Sq >0.2500
4

Dari probability plot di atas, didapatkan nilai pvalue sebesar > 0,25 sehingga gagal tolak

dan residual
telah berdistribusi normal
c. Forecasting
Forecasts for variable y

Obs Forecast Std Error 95% Confidence Limits

61 424.6036 41.1554 343.9405 505.2667
62 411.4099 44.4531 324.2833 498.5364
63 417.6122 47.9177 323.6953 511.5291
64 427.4613 55.0878 319.4911 535.4314
65 406.3530 58.5393 291.6180 521.0880