Oleh :
Rizka Hidayah
11/320087/PA/14324
Dosen Pengampu :
Herni Utami, M.Si
Asisten Praktikum :
1. Diah Putri Ramadhani
(13494)
2. Hamid Dimyati
(13412)
BAB I
PERMASALAHAN
1. Berikut ini adalah data pendapatan toko alat tulis kantor yang dihitung setiap awal bulan
Selama 5 tahun (data dalam uas.xlsx). Lakukan peramalan dengan langkah yang lengkap hingga
ramalan 1 periode kedepan menggunakan metode dekomposisi multiplikatif menggunakan
excel! Bandingkan hasil yang didapat dengan:
a. Metode serupa menggunakan software minitab.
b. Metode lain yang sesuai dengan pola data menggunakan software excel
Kesimpulan apa yang didapat?
2. Data dalam uas.xlsx sheet 2 merupakan data The mean annual temperature in degrees
Fahrenheit in New Haven, Connecticut, from 1912 to 1981. Lakukan pemodelan dan peramalan
dengan langkah yang lengkap hingga ramalan 1 periode kedepan menggunakan ARIMA!
3. Jawablah pertanyaan berikut dengan jelas
a. Apakah yang dimaksud dengan transformasi boxcox dan apa kegunaanya dalam peramalan?
Bagaimana jika kita akan menggunakan transformasi boxcox namun terdapat data negative
dalam data?
b. Apa yang dimaksud dengan statistic u-theil atau Inequality theil coefficient? Apa
kegunaanya dalam peramalan? Berapakah nilai Inequality theil coefficient dalam model
arima terbaik dalam soal nomor 2 diatas dan bagaimana interpretasinya?
BAB II
PEMBAHASAN
1. Sebelum dilakukan peramalan, akan dibuat pot dari data untuk mengetahui pajang
musiman. Berikut ini plot dari data pendapatan toko alat tulis kator.
8000000
7000000
6000000
5000000
4000000
Series1
3000000
2000000
1000000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Dari plot di atas, diketahui bahwa data tersebut merupakan data musman dengan panjang
musiman (L) = 12. Kemudian akan dilakukan perhitungan peramalan dengan Ms.Excel.
Langkah- langkah :
Cari Mt (MA (L) dari X)
Diketahui nilai L = 12 (genap), maka data MA akan diletakkan mulai baris ke
((12)+1) yaitu baris ke-7.
Indeks Musiman
It =
x 100
Regresi (Tt)
Tt = b0 + b1 t
b0 = intercept
b1 = slope
t = periode
Ct =
x 100
Forecast (Ft) =
Data
Mt
Xt/Mt
Tt
1987729
2001268
2016610
2011486
2070640
2092837
2116488
2156866
2152912
2182678
2200656
2213380
2229801
2240695
2252113
2289899
2292171
2310943
2340721
2469787
2599034
2641793
211.5272
263.3573
123.8103
76.46622
53.21698
55.61087
46.4513
45.44637
57.41293
86.98918
88.06043
116.8404
210.2933
233.0993
126.7238
76.59015
54.73506
58.88946
47.58607
45.23614
65.0042
72.90336
2039337
2057431
2075524
2093617
2111710
2129803
2147897
2165990
2184083
2202176
2220269
2238363
2256456
2274549
2292642
2310735
2328829
2346922
2365015
2383108
2401202
2419295
820671
796113
1297542
1188844
1671536
2302318
4204587
5270484
2496770
1538107
1101932
1163845
983136
980217
1236050
1898694
1937907
2586122
4689122
5223043
2853964
1753837
1254621
1360902
1113857
1117236
1689481
1925956
It
0.44963
0.433432
0.569814
0.838942
0.78731
1.097601
2.191663
2.495816
1.248546
0.756599
0.531878
0.59877
0.44963
0.433432
0.569814
0.838942
0.78731
1.097601
2.191663
2.495816
1.248546
0.756599
0.531878
0.59877
0.44963
0.433432
0.569814
0.838942
Ct
Forecast
e^2
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
2163178
2943452
6237912
6774008
3367080
1902552
1414334
1797537
1202174
1126462
1477043
2388930
2126606
3148788
6637510
7236634
3655213
2177020
1538605
1753958
1241184
1144593
1524258
2225725
1981724
2814555
5521607
6464274
3205520
1589380
1180996
1451959
2654186
2667496
2703882
2711242
2712011
2694307
2732889
2729841
2746952
2780252
2818804
2842815
2865688
2876044
2872412
2875663
2877174
2881108
2867508
2855434
2827582
2734590
2670226
2632752
2583782
2553981
2528815
81.50061
110.3451
230.7021
249.8489
124.1544
70.61377
51.75235
65.84769
43.76392
40.51654
52.39963
84.03395
74.20928
109.4833
231.0779
251.651
127.0418
75.5619
53.65652
61.42526
43.8956
41.85612
57.08348
84.53987
76.69858
110.2027
218.3476
2437388
2455481
2473574
2491668
2509761
2527854
2545947
2564040
2582134
2600227
2618320
2636413
2654506
2672600
2690693
2708786
2726879
2744972
2763066
2781159
2799252
2817345
2835438
2853532
2871625
2889718
2907811
2925905
2943998
2962091
2980184
2998277
3016371
0.78731
1.097601
2.191663
2.495816
1.248546
0.756599
0.531878
0.59877
0.44963
0.433432
0.569814
0.838942
0.78731
1.097601
2.191663
2.495816
1.248546
0.756599
0.531878
0.59877
0.44963
0.433432
0.569814
0.838942
0.78731
1.097601
2.191663
2.495816
1.248546
0.756599
0.531878
0.59877
0.44963
108.8947
108.6343
109.3107
108.8123
108.0585
106.5848
107.3427
106.4664
106.383
106.9234
107.657
107.8289
107.9556
107.6122
106.7536
106.1606
105.5116
104.9595
103.7799
102.6707
101.012
97.06264
94.17331
92.26293
89.9763
88.38167
86.96625
2089668
2927845
5925998
6766759
3386070
2038509
1453562
1634548
1235111
1205051
1606195
2384956
2256185
3156747
6295358
7177124
3592284
2179843
1525163
1709750
1271364
1185259
1521534
2208725
2034238
2803251
5542309
7752395
3878307
2352261
1645009
1843226
1369975
MSE
5403734553
243579761.3
97290646923
52545694.31
360629574.9
18484364332
1538846730
26565364676
1084846793
6176174698
16680362160
15791895.69
16790732347
63348766.64
1.17068E+11
3541456938
3960048447
7966682.241
180683521.1
1954361936
910855646.6
1653733179
7421956.848
288992518
2757704661
127772055.5
428570524.2
1.65926E+12
4.52643E+11
5.81988E+11
2.15308E+11
1.5309E+11
71876980568
Dari perhitungan diatas diperoleh hasil peramalan untuk pendapatan toko alat tulis kantor
pada 1 periode kedepan adalah Rp 1.369.975 dan nilai MSE = 71876980568.
Setelah diperoleh hasil perhitungan diatas akan dibuat plot data asli vs data forecast untuk
membuktikan apakah data forecast tersebut sudah baik atau belum.
9000000
8000000
7000000
6000000
5000000
Data
4000000
Forecast
3000000
2000000
1000000
0
1 3 5 7 9 1113151719212325272931333537394143454749515355575961
Plot diatas menunjukkan bahwa data forecast sudah baik karena pada plot dapat dilihat
bahwa data asli dan data forecast berhimpitan.
a) Minitab
Perhitungan dengan minitab diperoleh hasil sebagai berikut
Data
820671
796113
1297542
1188844
1671536
2302318
4204587
5270484
2496770
1538107
1101932
1163845
983136
980217
1236050
1898694
1937907
2586122
TREN1
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
DETR1
0.33466
0.32465
0.52912
0.4848
0.68164
0.93886
1.71459
2.14925
1.01816
0.62722
0.44936
0.4746
0.40091
0.39972
0.50405
0.77427
0.79026
1.05459
SEAS1
0.45128
0.43034
0.57009
0.84155
0.78883
1.09704
2.19659
2.49631
1.24582
0.75228
0.53124
0.59863
0.45128
0.43034
0.57009
0.84155
0.78883
1.09704
DESE1
1818547
1849942
2276035
1412679
2119017
2098672
1914143
2111309
2004114
2044607
2074257
1944173
2178557
2277748
2168171
2256179
2456698
2357372
FITS1
1106645
1055311
1397997
2063693
1934394
2690199
5386575
6121563
3055059
1844762
1302734
1467993
1106645
1055311
1397997
2063693
1934394
2690199
RESI1
FORE1
-285974 1106645
-259198
-100455
-874849
-262858
-387881
-1181988
-851079
-558289
-306655
-200802
-304148
-123509
-75094
-161947
-164999
3513
-104077
4689122
5223043
2853964
1753837
1254621
1360902
1113857
1117236
1689481
1925956
2163178
2943452
6237912
6774008
3367080
1902552
1414334
1797537
1202174
1126462
1477043
2388930
2126606
3148788
6637510
7236634
3655213
2177020
1538605
1753958
1241184
1144593
1524258
2225725
1981724
2814555
5521607
6464274
3205520
1589380
1180996
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
2452244
1.91218
2.1299
1.16382
0.7152
0.51162
0.55496
0.45422
0.4556
0.68895
0.78539
0.88212
1.20031
2.54376
2.76237
1.37306
0.77584
0.57675
0.73302
0.49023
0.45936
0.60232
0.97418
0.86721
1.28404
2.70671
2.95103
1.49056
0.88777
0.62743
0.71525
0.50614
0.46675
0.62158
0.90763
0.80813
1.14775
2.25166
2.63607
1.30718
0.64813
0.4816
2.19659
2.49631
1.24582
0.75228
0.53124
0.59863
0.45128
0.43034
0.57009
0.84155
0.78883
1.09704
2.19659
2.49631
1.24582
0.75228
0.53124
0.59863
0.45128
0.43034
0.57009
0.84155
0.78883
1.09704
2.19659
2.49631
1.24582
0.75228
0.53124
0.59863
0.45128
0.43034
0.57009
0.84155
0.78883
1.09704
2.19659
2.49631
1.24582
0.75228
0.53124
2134728
2092305
2290828
2331377
2361676
2273351
2468226
2596141
2963540
2288574
2742275
2683095
2839816
2713607
2702697
2529064
2662317
3002738
2663930
2617580
2590899
2838716
2695913
2870269
3021733
2898931
2933977
2893914
2896242
2929941
2750373
2659711
2673720
2644783
2512245
2565600
2513717
2589531
2573016
2112764
2223085
5386575
6121563
3055059
1844762
1302734
1467993
1106645
1055311
1397997
2063693
1934394
2690199
5386575
6121563
3055059
1844762
1302734
1467993
1106645
1055311
1397997
2063693
1934394
2690199
5386575
6121563
3055059
1844762
1302734
1467993
1106645
1055311
1397997
2063693
1934394
2690199
5386575
6121563
3055059
1844762
1302734
-697453
-898520
-201095
-90925
-48113
-107091
7212
61925
291484
-137737
228784
253253
851337
652445
312021
57790
111600
329544
95529
71151
79046
325237
192212
458589
1250935
1115071
600154
332258
235871
285965
134539
89282
126261
162032
47330
124356
135032
342711
150461
-255382
-121738
1451959 2452244
0.59209
-16034
Dari perhitungan diatas diperoleh hasil peramalan untuk pendapatan toko alat tulis kantor
pada 1 periode kedepan adalah Rp 1.106.645 .
Berikut ini adalah plot data asli dan data forecast:
Time Series Decomposition Plot for Data
Multiplicative Model
8000000
Variable
Actual
Fits
Trend
Forecasts
7000000
6000000
Accuracy Measures
MAPE
1.26895E+01
MAD
3.04880E+05
MSD
1.82603E+11
Data
5000000
4000000
3000000
2000000
1000000
0
1
12
18
24
30 36
Index
42
48
54
60
Plot diatas menunjukkan bahwa data forecast sudah baik karena pada plot dapat dilihat
bahwa data asli dan data forecast berhimpitan. Dan diperoleh Accuracy Measurres :
MAPE = 1,26895E+01
MAD = 3,04880E+05
MSD =1,82603E+11
Month
1
2
3
4
820671
796113
1297542
1188844
St
Dt
Pt
0.412869
0.400514
0.652776
0.598092
Qt
Forecast
e^2
= 0.3
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
1671536
2302318
4204587
5270484
2496770
1538107
1101932
1163845
983136
980217
1236050
1898694
1937907
2586122
4689122
5223043
2853964
1753837
1254621
1360902
1113857
1117236
1689481
1925956
2163178
2943452
6237912
6774008
3367080
1902552
1414334
1797537
1202174
1126462
1477043
2388930
2126606
3148788
6637510
7236634
3655213
1987729
2105780
2208266
2113844
2432067
2393793
2345482
2306875
2205764
2225664
2237921
2245493
2269130
2367184
2467549
2528790
2655146
2639049
2620865
2729789
2702693
2691063
2618540
2596553
2731923
2729204
2705033
2582565
2870140
2779640
2777279
2870741
2861416
2873190
0.840927
1.158265
2.115272
2.65151
1.256092
0.773801
0.554367
0.585515
0.429071
0.413525
0.632365
0.652872
0.831516
1.141565
2.090492
2.566429
1.263953
0.776768
0.555676
0.589784
0.441512
0.425299
0.643085
0.67462
0.827965
1.136021
2.148882
2.548418
1.26013
0.761708
0.552382
0.610242
0.441204
0.422639
0.621738
0.721936
0.809095
1.135345
2.197855
2.542605
1.263745
2381232
2447399
1893528
3174587
2304488
2232754
2216794
1969837
2272098
2266522
2263158
2324282
2595976
2701735
2671685
2949977
2601488
2578436
2983945
2639468
2663927
2449319
2545251
3047787
2722859
2648634
2296807
3541148
2568472
2771770
3088820
2839657
2900664
1987729
2105780
843394 18720531991
2208266 1441503 42210904689
2113844 1264272 4.02491E+11
2432067 2045192 11510119197
2393793 2772648 34792062955
2345482 4961331 74097629559
2306875 6116704 7.98629E+11
2205764 2770642 6942605080
2225664 1722222 999539677.4
2237921 1240630 195734694.1
2245493 1314769 2128221451
2269130 973616.6 19667359627
2367184 978890.4 19139515371
2467549 1560393 16663828432
2528790 1650975 75614623929
2655146 2207796 1990726442
2639049 3012646 4787768981
2620865 5478896 5.76105E+11
2729789 7005809 53731817241
2702693 3416078 2400764735
2691063 2090331 35260988338
2618540 1455059 1658513997
2596553 1531406 70825585798
2731923 1206176 16016264.85
2729204 1160728 1174172664
2705033 1739567 68918863943
2582565 1742251 4.18194E+11
2870140 2376376 62385194179
2779640 3157729 79936023.28
2777279 5968045 4.48184E+11
2870741 7315849 6274940378
2861416 3605756 2446022497
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
2177020
1538605
1753958
1241184
1144593
1524258
2225725
1981724
2814555
5521607
6464274
3205520
1589380
1180996
1451959
2868656
2843679
2852836
2840938
2801118
2696265
2812284
2703391
2636083
2598940
2581973
2568338
2424510
2342527
2351964
0.760866
0.548986
0.611613
0.43991
0.418433
0.604813
0.742784
0.786282
1.115052
2.175867
2.530909
1.259049
0.72927
0.535537
0.613331
2858075
2785400
2874203
2813176
2708205
2451607
3082995
2449309
2479031
2512271
2542383
2536525
2088910
2151232
2373985
2873190
2868656
2843679
2852836
2840938
2801118
2696265
2812284
2703391
2636083
2598940
2581973
2568338
2424510
2342527
2188533
1584594
1735331
1258682
1200691
1741563
1946530
2275406
3069281
5793728
6608076
3262954
1954160
1331022
1432719
1034653
MSE
132554819
2114972972
346965425.7
306182332.3
3147022593
47221274914
77949582624
86248964091
64885502506
74050025606
20678915730
3298678501
1.33065E+11
22507673691
370181662.4
81160842107
Dari perhitungan diatas diperoleh hasil peramalan untuk pendapatan toko alat tulis kantor
pada 1 periode kedepan adalah Rp 1.034.635 dan nilai MSE = 81160842107.
Setelah diperoleh hasil perhitungan diatas akan dibuat plot data asli vs data forecast untuk
membuktikan apakah data forecast tersebut sudah baik atau belum.
8000000
7000000
6000000
5000000
4000000
Data
3000000
Forecast
2000000
1000000
0
1 3 5 7 9 1113151719212325272931333537394143454749515355575961
Plot diatas menunjukkan bahwa data forecast sudah baik karena pada plot dapat dilihat
bahwa data asli dan data forecast berhimpitan.
Setelah dilakukan perhitungan dengan beberapa metode yang berbeda lakukan
perbandingan untuk mengetahu metode mana yang paling baik.
MSE
71876980568
Dekomposisi Multiplikatif(Minitab)
1,82603E+11
Pegels A3
81160842107
Untuk menentukan metode yang terbaik adalah metode dengan nilai MSE paling kecil. Pada
kasus ini nilai MSE untuk metode dekomposisi multiplikatif dengan perhitungan minitab
diambil nilai MSD nya. Diantara ketiga metode tersebut dapat dilihat bahwa nilai MSE
terkecil adalah metode dekomposisi multiplikatif dengan perhitungan Ms.Excel. Sehingga
dapat disimpulkan bahwa forecast pendapatan toko alat tulis kantor peride ke 61 adalah
sebesar Rp 1.369.975 .
2. Di peroleh data The mean annual temperature in degrees Fahrenheit in New Haven,
Connecticut, from 1912 to 1981. Lakukan pemodelan dan peramalan dengan metode
ARIMA, sebelumnya akan dibuat plot data untuk mengetahui apaah data sudah stasioner
baik terhadap mean maupun terhadap variansinya.
Berikut ini plot awal dari data :
DATA
55
54
53
52
51
50
49
48
47
1920
1930
1940
1950
1960
1970
1980
Dilihat dari plot data di atas dapat dikatakan bahwa data tersebut belum stasioner baik
terhadap mean maupun variansi. Karena data belum stasioner terhadap variansi maka data
akan ditransformasi agar data tersebut stasioner. Setelah dilakukan transformasi diperoleh
plot sebagai berikut :
TRANSFORMASI
4.02
4.00
3.98
3.96
3.94
3.92
3.90
3.88
3.86
1920
1930
1940
1950
1960
1970
1980
Dari plot diatas terlihat bahwa data sudah lebih stasioner terhadap variansinya dibandingkan
dengan sebelum dilakukan transformasi, karena range data sudah tidak terlalu lebar. Untuk itu
dapat disimpulkan bahwa data stasioner terhadap variansinya. Dari data yang sudah
ditransformasi akan di cek apakah data sudah stasioner terhadap mean dengan beberapa test yaitu
ADF test dan Correlogram ACF & PACF.
ADF Test
Tingkat signifikansi
= 5%
Statistik uji
Diperoleh nilai ADF test = -5,710819 dan critical value untuk level 5% = -2,904198
Daerah kritik
H0 ditolak jika nila ADF tes < critical value
Kesimpulan
H0 ditolak karena critical value < critical value (-5,710819 < -2,904198) maka dapat
disimpulkan bahwa data stasioner terhadap mean.
Plot
TRANSFORMASI
4.02
4.00
3.98
3.96
3.94
3.92
3.90
3.88
3.86
1920
1930
1940
1950
1960
1970
1980
Dapat dilihat pada plot di atas bahwa data yang sudah ditransformasi belum
menunjukkan stasioner dalam mean.
Correlogram ACF & PACF
Data dikatakan stasioner apabila plot ACF dan PACF menurun menuju c secara tepat.
Dan berdasarkan output diatas plot ACF dan PACF menunjukkan bahwa plot tidak
menurun menuju c secara tepat. Sehingga dapat disimpulkan bahwa data tidak stasioner
terhadap mean.
Karena data belum stasioner terhadap mean maka akan dilakukan differencing.
Differencing
Setelah data didifferencing, diperoleh plot data sebagai berikut :
DIF
.06
.04
.02
.00
-.02
-.04
-.06
-.08
1920
1930
1940
1950
1960
1970
1980
Plot data diatas menunjukkn bahwa data telah stasioner terhadap mean, namun untuk lebih
meyakinkan maka akan dilakukan pengecekan dengan ADF test.
Tingkat signifikansi
= 5%
Statistik uji
Diperoleh nilai ADF test = -14,48289 dan critical value untuk level 5% = -2,904848
Daerah kritik
H0 ditolak jika ADF test < critical value
Kesimpulan
H0 ditolak karena ADF test < critical value (-14,48289 < -2,904198) maka dapat
disimpulkan bahwa data sudah stasioner terhadap mean.
Karena data sudah stationer baik terhadap varansi maupun terhadap mean maka akan akan
ditentukan model ARIMA, untuk mengetahui model ARIMA yang akan digunakan adalah
degan melihat output dari correlogam ACF dan PACF
Pada correlogram diatas, dilihat 4 lag pertama pada bagian plot ACF yang keluar terakhir yaitu
lag ke 1 maka MA = 1. Kemudian dilihat 4 lag pertama pada plot PACF yang keluar terakhir
yaitu lag ke 2 maka AR = 2. Dan differencing yang sudah dilakukan adalah orde pertama maka d
=1. Sehingga diperoleh model ARIMA awal yang digunakan adalah model ARIMA(2,1,1).
Dengan kombinasi model yang diduga :
No.
Model
Konstan
Tanpa Konstan
ARIMA 2,1,1
ARIMA 2,1,0
ARIMA 1,1,1
ARIMA 1,1,0
ARIMA 0,1,1
Tingkat signifikansi
= 0,05
Statistik uji
Dengan konstan
P.value :
Konstan = 0,6859
AR(2) = 0,2501
AR(1) = 0,2747
MA(1) = 0,000
Tanpa konstan
P.value :
AR(2) = 0,2914
AR(1) = 0,3316
MA(1) = 0,000
Daerah kritik
H0 ditolak jika p value < (0,05)
Kesimpulan
Dengan Konstan
Untuk variable konstan, AR(2) dan AR(1) H0 tidak ditolak karena p.value > .
Sedangkan untuk variable MA(1) H0 diterima karea p.value < . Maka dapat
disimpulkan bahwa model tidak signfikan karena terdapat variable yang tidak
signifikan dalam model.
Tanpa Konstan
Untuk variable AR(2) dan AR(1) H0 tidak ditolak karena p.value > . Sedangkan
untuk variable MA(1) H0 diterima karea p.value < . Maka dapat disimpulkan bahwa
model tidak signfikan karena terdapat variable yang tidak signifikan dalam model.
b) ARIMA 2,1,0
Tingkat signifikansi
= 0,05
Statistik uji
Dengan konstan
P.value :
Konstan = 0,9654
AR(2) = 0,0574
AR(1) = 0,000
Tanpa konstan
P.value :
AR(2) = 0,0554
AR(1) = 0,000
Daerah kritik
H0 ditolak jika p value < (0,05)
Kesimpulan
Dengan Konstan
Untuk variable konstan dan AR(2) H0 tidak ditolak karena p.value > . Sedangkan
untuk variable AR(1) H0 diterima karea p.value < . Maka dapat disimpulkan bahwa
model tidak signfikan karena terdapat variable yang tidak signifikan dalam model.
Tanpa Konstan
Untuk variable AR(2) H0 tidak ditolak karena p.value > . Sedangkan untuk variable
AR(1) H0 diterima karea p.value < . Maka dapat disimpulkan bahwa model tidak
signfikan karena terdapat variable yang tidak signifikan dalam model.
c) ARIMA 1,1,1
Tingkat signifikansi
= 0,05
Statistik uji
Dengan konstan
P.value :
Konstan = 0,7675
AR(1) = 0,5045
MA(1) = 0,000
Tanpa konstan
P.value :
AR(1) = 0,5531
MA(1) = 0,000
Daerah kritik
H0 ditolak jika p value < (0,05)
Kesimpulan
Dengan Konstan
Untuk variable konstan dan AR(1) H0 tidak ditolak karena p.value > . Sedangkan
untuk variable MA(1) H0 diterima karea p.value < . Maka dapat disimpulkan bahwa
model tidak signfikan karena terdapat variable yang tidak signifikan dalam model.
Tanpa Konstan
Untuk variable AR(1) H0 tidak ditolak karena p.value > . Sedangkan untuk variable
MA(1) H0 diterima karea p.value < . Maka dapat disimpulkan bahwa model tidak
signfikan karena terdapat variable yang tidak signifikan dalam model.
d) ARIMA (1,1,0)
Tingkat signifikansi
= 0,05
Statistik uji
Dengan konstan
P.value :
Konstan = 0,9044
AR(1) = 0,0000
Tanpa konstan
P.value :
AR(1) = 0,0000
Daerah kritik
H0 ditolak jika p value < (0,05)
Kesimpulan
Dengan Konstan
Untuk variable konstan H0 tidak ditolak karena p.value > . Sedangkan untuk variable
AR (1) H0 diterima karea p.value < . Maka dapat disimpulkan bahwa model tidak
signfikan karena terdapat variable yang tidak signifikan dalam model.
Tanpa Konstan
H0 diterima karea p.value AR(1) < . Maka dapat disimpulkan bahwa model
signifikan karena variable signifikan dalam model.
e) ARIMA 0,1,1
Tingkat signifikansi
= 0,05
Statistik uji
Dengan konstan
P.value :
Konstan = 0,9849
MA(1) = 0,0000
Tanpa konstan
P.value :
MA(1) = 0,0000
Daerah kritik
H0 ditolak jika p value < (0,05)
Kesimpulan
Dengan Konstan
Untuk variable konstan H0 tidak ditolak karena p.value > . Sedangkan untuk variable
MA(1) H0 diterima karea p.value < . Maka dapat disimpulkan bahwa model tidak
signfikan karena terdapat variable yang tidak signifikan dalam model.
Tanpa Konstan
H0 diterima karea p.value MA(1) < . Maka dapat disimpulkan bahwa model
signifikan karena variable signifikan dalam model.
KESIMPULAN
No.
Model
Konstan
Tanpa Konstan
ARIMA 2,1,1
Tidak Signifikan
Tidak Signifikan
ARIMA 2,1,0
Tidak Signifikan
Tidak Signifikan
ARIMA 1,1,1
Tidak Signifikan
Tidak Signifikan
ARIMA 1,1,0
Tidak Signifikan
Signifikan
ARIMA 0,1,1
Tidak Signifikan
Signifikan
Setelah dilakukan uji Overfitting diperoleh 2 model yang signifikan yaitu ARIMA 1,1,0 tanpa
konstan dan ARIMA 0,1,1 tanpa konstan. Kemudian akan dilakukan diagnostic cheking terhadap
kedua model tersebut.
Diagnostic Checking
o ARIMA (1,1,0) tanpa konstan
Uji Normalitas Residual
8
Series: Residuals
Sample 1914 1981
Observations 68
7
6
5
4
3
2
1
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-0.000354
0.001493
0.054207
-0.062409
0.024033
-0.201255
2.634448
Jarque-Bera
Probability
0.837654
0.657818
0
-0.06
-0.04
-0.02
-0.00
0.02
0.04
Tingkat signifikansi
= 0,05
Statistik uji
P value = 0,657818
Daerah kritik
H0 ditolak jika p.value <
Kesimpulan
H0 tidak ditolak karena p.value > (0,657818 > 0,05), maka dapat disimpulkan bahwa
residual berdistribusi normal.
Pada correlogram diatas, dapat dilihat bahwa ada lag yang keluar pada plot ACF maupun PACF
sehingga dapat dikatakan bahwa residual ARIMA (1,1,0) tanpa konstan mempunyai mean
konstan 0 atau asumsi no autokorelasi tidak terpenuhi.
Homoskedastisitas Residual (squared residual)
Pada correlogram diatas, dapat dilihat bahwa ada lag yang keluar pada plot ACF dan PACF
sehingga dapat dikatakan bahwa residual ARIMA (1,1,0) tanpa konstan tidak memenuhi asumsi
homoskedastisitas.
Series: Residuals
Sample 1913 1981
Observations 69
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.000249
0.000899
0.052158
-0.048394
0.022865
-0.105211
2.622872
Jarque-Bera
Probability
0.536195
0.764833
0
-0.04
-0.02
-0.00
0.02
0.04
Tingkat signifikansi
= 0,05
Statistik uji
P value = 0,764833
Daerah kritik
H0 ditolak jika p.value <
Kesimpulan
H0 tidak ditolak karena p.value () > (0,764833 > 0,05), maka dapat disimpulkan bahwa
residual berdistribusi normal.
No Autokorelasi Residual
Pada correlogram diatas, dapat dilihat bahwa tidak ada lag yang keluar pada plot ACF maupun
PACF sehingga dapat dikatakan bahwa residual ARIMA (0,1,1) tanpa konstan mempunyai mean
konstan 0 atau asumsi no autokorelasi terpenuhi.
Homoskedastisitas Residual
Pada correlogram diatas, dapat dilihat bahwa ada lag yang keluar pada plot ACF dan PACF
sehingga dapat dikatakan bahwa residual ARIMA (0,1,1) tanpa konstan tidak memenuhi asumsi
homoskedastisitas.
Tabel Diagnostic Checking :
Model ARIMA
Normalitas Residual
No Autokorelasi
Homoskedastisitas
1,1,0 tanpakonstan
Terpenuhi
Tidak Terpenuhi
Tidak Terpenuhi
0,1,1 tanpakonstan
Terpenuhi
Terpenuhi
Tidak Terpenuhi
Setelah dilakukan diagnostic checking, diperoleh model ARIMA 1,1,0 tanpa konstan dan
ARIMA 0,1,1 tanpa konstan memenuhi syarat normalitas dan no autokorelasi, namun tidak
memenuhi homoskedastisitas. Karena terjadi kesetimbangan jumlah model maka akan dilihat
nilai AIC, SBC, SSR, dan log likehoodnya.
Kriteria Pemilihan Model
AIC = -4,603922
SBC = -4,571282
SSR = 0,038708
SE = 0,024036
Estimation Output ARIMA 011 tanpa konstan
AIC = -4,703903
SBC = -4,671525
SSR = 0,035556
SE
= 0,022866
Dari ketiga nilai yang diperoleh, akan dibandingkan. Nilai AIC,SBC, dan SSR yag terkecil yang
memenuhi kriteria model terbaik.
Model
AIC
SBC
SSR
S.E of regression
-4,6039
-4,5712
0,038708
0,024036
-4,703903
-4,671525
0,035556
0,022866
Dari tabel diatas dapat disimpulkan bahwa model ARIMA 0,1,1 tanpa konstan merupakan model
terbaik. Untuk itu akan dilakukan forecasting terhadap model tersebut sehingga diperoleh output
sebagai berikut :
Forecast: DATAF
Actual: DATA
Forecast sample: 1912 1982
Adjusted sample: 1913 1982
Included observations: 69
55
54
53
52
51
50
49
48
47
1920
1930
1940
1950
DATAF
1960
1970
2 S.E.
1980
1.158179
0.936194
1.836266
0.011339
0.000379
0.184193
0.815427
3.
Mean
Square
Error
(MSE)
terkecil. Berikut
ini
adalah
table
transformasinya :
Secara
umum
transformasi
boxcox
digunakan
apabila
terdapat
kenormalan data,
kehomogenitasan ragam dan linieritas yang tidak terpenuhi. Sedangkan dalam peramalan,
transformasi Box Cox berguna untuk memperbaiki variansi data yang tidak konstan menjad
variansi data yang konstan.
Apabila terdapat nilai negative pada data yang telah ditransformasi maka data tersebut harus
dibuat positif seluruhnya. Misal terdapat penggunaan transformasi logaritma terhadap Y, agar
positif maka transformasinya diubah menjadi Y= log (Y+k), dengan k adalah konstanta
tertentu yang memenuhi sehingga seluruh Y menjadi positif.
b. StatistikU dari Theil atau Inequality theil coefficient adalah suatu metode evaluasi
ketepatan ramalan yang membandingkan antara metode peramalan formal dengan
pendekatan naif dan juga mengkuadratkan kesalahan yang terjadi sehingga kesalahan
yang besar diberikan lebih banyak bobot daripada kesalahan yang kecil. Karakteristik
positif yang ditimbulkan dalam menggunakan statistik
ketepatan adalah mengenai interpretasi yang intuitif.
Rumus matematis:
Interpretasi nilai U:
U = 1 : Metode Naif sama baiknya dengan teknik peramalan formal yang dievaluasi.
U < 1 : Teknik peramalan formal yang digunakan adalah lebih baik daripada metode
naif. Makin kecil nilai statistik U, makin baik teknik peramalan formal dibanding
metode naif secara relatif.
U > 1 : Tidak ada gunanya menggunakan metode naif akan menghasilkan ramalan
yang lebih baik.
Pada permasalahan no.2, nilai inequality theil coefficient dari model arima terbaik
adalah 0,011339. Sehingga diperoleh kesimpulan bahwa U < 1 artinya teknik peramalan
yang digunakan adalah lebih baik daripada teknik peramalan dengan menggunakan
metode naf.