Iqbal HM (60600113037)
ANALISIS TIME SERIES
Berikut adalah data hasil pemasukan sebuah produk dari minggu ke minggu
Mingg
u
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
73
74
75
76
77
78
79
80
97
Pemasuka
Mingg
u
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
81
82
83
84
85
86
87
88
98
29.1234
31.1322
37.6376
39.6196
41.0263
41.9593
38.3888
36.0212
37.8801
40.7532
40.4752
44.1996
42.2162
38.6646
38.9801
38.6550
36.5085
36.7292
40.9225
39.0736
37.6480
39.2246
40.1008
42.2211
37.5832
37.0512
36.8961
Pemasuka
Mingg
u
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
89
90
91
92
93
94
95
96
99
100
39.0147
42.3652
41.0160
38.0176
38.2944
39.5502
42.7065
38.7418
38.0975
34.3306
34.6663
38.9920
40.0126
39.3269
38.5571
39.6078
37.3615
40.2918
40.6355
41.5477
39.2784
38.6031
37.4132
38.0486
44.2270
40.8585
40.3987
Pemasuka
Mingg
u
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
38.5350
37.8902
37.5480
37.6953
40.0456
37.3359
41.2902
39.9372
37.8081
37.3995
42.9397
46.2072
44.1303
37.5748
34.9647
34.1889
41.1778
43.2216
42.5810
41.7158
42.6129
43.2926
42.9476
36.5109
43.4080
38.1357
44.2347
39.8654
A. Identifikasi Model
Pada tahap ini, data akan diidentifikasi apakah merupakan data yang
stasioner atau bukan. Pengidentifikasian dapat dilakukan dengan cara melihat
hasil plot data (diagram), melalui nilai ACF dan nilai PACF.
1. Plot Data (Diagram Plot)
Pemasukan
42.0309
40.3627
39.0769
37.3295
38.5495
41.5745
41.4569
42.5913
37.2210
37.0519
36.3988
37.3448
38.7020
36.4682
35.6550
41.9278
40.1770
39.8531
c. Muncuk kotak dialog Time Series Plot. Kemudian Klik Simple lalu
klik OK.
d. Lalu muncul kotak dialog Time Series Plots Simple lalu masukkan
keuntungan pada kotak Series dan klik OK, seperti gambar berikut.
Dari diagram plot deret waktu data keuntungan produk tiap minggu
dapat dilihat bahwa datanya berfluktuasi di sekitar rata-rata yang konstan,
sehingga dapat dikatakan bahwa data tersebut stasioner. Berdasarkan diagram
nilai ACF dan PACF, pada diagram ACF nilai lag ACF tidak signifikan
sedangkan pada diagram PACF dimana PACF-nya terpotong setelah lag 2,
sehingga data keuntungan ini mengikuti model ARIMA (2,0,0) atau AR (2).
B. Estimasi Parameter
Pada proses identifikasi model, diperoleh bahwa data keuntungan
mengikuti model AR (2). Adapun model AR (2) untuk data keuntungan
tersebut adalah:
Dimana E (Zt) =
Z t 1 ( Z t 1 ) 2 ( Z t 2 ) 3 ( Z t 3 ) a t
Z t 1 ( Z t 1 ) 2 ( Z t 2 ) 3 ( Z t 3 ) a t
Z t (1 1 2 3 ) 1 Z t 1 2 Z t 2 3 Z t 3 a t
Z t 0 1 Z t 1 2 Z t 2 3 Z t 3 a t
Dimana 0 = Konstan
Dengan menggunakan Minitab dapat diperoleh model ARIMA Box-Jenkins
dari data keuntungan.
Langkah-langkah menentukan model ARIMA Box-Jenkins dengan Minitab.
a. Klik Stat Pilih Time Series ARIMA
Coef
0.5940
-0.3203
28.5370
39.2942
SE Coef
0.0955
0.0970
0.2372
0.3266
T
6.22
-3.30
120.30
P
0.000
0.001
0.000
0 (1 1 2 3 )
39.2942(1 0.5940 (0.3203))
28.5394
Maka
Z t 0 1 Z t 1 2 Z t 2 a t
28.5395 0.5940 Z t 1 0.3203Z t 2 a t
C. Diagnostic Checking
Pada tahap ini akan dilakukan beberapa uji yaitu uji signifikansi
parameter, uji kesesuaian model, dan ujinormalitas
1. Uji Signifikansi Parameter
Pada proses ini akan diuji parameter dari model AR (2)
Untuk 0 (Konstanta)
H0 : = 0
H1 : 0
Dengan membandingkan nilai = 0.05 dan P-value untuk Constant
pada hasil Minitab yaitu :
Final Estimates of Parameters
Type
AR
1
AR
2
Constant
Mean
Coef
0.5940
-0.3203
28.5370
39.2942
SE Coef
0.0955
0.0970
0.2372
0.3266
T
6.22
-3.30
120.30
P
0.000
0.001
0.000
Kesimpulan :
Karena nilai = 0.05 > 0.000 (P-value Constant) maka tolak H0,
artinya parameter 0 (Konstanta) berpengaruh (signifikan).
Untuk 1
H0 : 1 = 0
H1 : 1 0
Dengan membandingkan nilai = 0.05 dan P-value untuk 1 (AR 1)
pada hasil Minitab yaitu :
Final Estimates of Parameters
Type
AR
1
AR
2
Constant
Mean
Kesimpulan :
Coef
0.5940
-0.3203
28.5370
39.2942
SE Coef
0.0955
0.0970
0.2372
0.3266
T
6.22
-3.30
120.30
P
0.000
0.001
0.000
Karena nilai = 0.05 > 0.000 (P-value AR 1) maka tolak H0, artinya
parameter 1 berpengaruh (signifikan).
Untuk 2
H0 : 2 = 0
H1 : 2 0
Dengan membandingkan nilai = 0.05 dan P-value untuk 2 (AR 2)
pada hasil Minitab yaitu :
Final Estimates of Parameters
Type
AR
1
AR
2
Constant
Mean
Coef
0.5940
-0.3203
28.5370
39.2942
SE Coef
0.0955
0.0970
0.2372
0.3266
T
6.22
-3.30
120.30
P
0.000
0.001
0.000
Kesimpulan :
Karena nilai = 0.05 > 0.001 (P-value AR 2) maka tolak H0, artinya
parameter 2 berpengaruh (signifikan).
2. Uji Kesesuaian Model
Hipotesis
H0: 1=2=...=k=0 (residual memenuhi syarat white noise)
H :minimal ada satu 0, i=1,2,3,...,k (residual tidak memenuhi
1
12
8.9
9
0.443
24
17.1
21
0.707
36
25.0
33
0.840
48
32.2
45
0.924
Kesimpulan
Dengan membandingkan nilai = 0.05 dan P-value dari lag dimana
sampai lag 12, sampai lag 24, sampai lag 36 dan sampai lag 48
memiliki P-value > = 0.05. Artinya data tersebut sudah memenuhi
syarat residual white noise.
3. Uji Kenormalan (Normalitas)
Pada uji ini akan digunakan residual dari data untuk menguji
kenormalan. Maka dari itu, hal pertama yang dilakukan adalah mencari
residual dari data dengan meggunakan Minitab :
a. Klik Stat Pilih Time Series ARIMA
d. Klik OK. Maka pada Worksheet1 muncul hasil residual dari data
dengan nama RESI1
g.
Maka
muncul
kotak
dialog
Normality Test.
Masukkan
RESI1 ke kotak Variable lalu klik Kolmogorov-Smirnov pada Test
for Normality, kemudian klik OK.
h. Maka hasilnya :
3. Muncul kotak dialog ARIMA Forecasts lalu isi kotak Lead sesuai
dengan periode ramalan. Digunakan 10 periode, dan klik OK, lalu klik
OK pada kotak dialog ARIMA, seperti berikut.