Anggota Kelompok:
Anggun Lestari (1107130013)
Prio Budi Prakoso (1107130007)
Yunita Ayu Lestari (1107130069)
Kelas: CS-GAB
ILMU KOMPUTASI
FAKULTAS INFORMATIKA
UNIVERSITAS TELKOM
2017
DAFTAR ISI
1. Menentukan Data ............................................................................................. 1
1. Identifikasi Data ............................................................................................... 1
2.1 Korelasi .................................................................................................... 1
2.2 Plot ACF dan PACF ................................................................................. 2
2. Analisis Model Time series.............................................................................. 3
3.1 ARMA ...................................................................................................... 3
3.2 AR ............................................................................................................ 3
3.3 MA............................................................................................................ 4
4. Estimasi Parameter .......................................................................................... 4
4.1 Nilai Parameter Model .................................................................................. 4
5. Peramalan......................................................................................................... 5
5.1 Peramalan Training .................................................................................. 5
5.2 Peramalan Testing .................................................................................... 6
6. Uji Kebaikan Model......................................................................................... 8
7. Kesimpulan ...................................................................................................... 9
i
DAFTAR TABEL
ii
DAFTAR GAMBAR
Gambar 1 Grafik data dari tahun 1460-1965 ......... Error! Bookmark not defined.
Gambar 2 Plot ACF................................................................................................. 2
Gambar 3 Plot PACF .............................................................................................. 2
Gambar 4 Peramalan dengan ARMA(1,1) .............................................................. 5
Gambar 5 Peramalan dengan AR(1) ....................................................................... 5
Gambar 6 Peramalan dengan MA(1) ...................................................................... 6
Gambar 7 Hasil Testing ARMA(1,1) ...................................................................... 6
Gambar 8 Hasil Testing AR(1) ............................................................................... 7
Gambar 9 Hasil Testing MA(1) .............................................................................. 7
iii
1. Menentukan Data
Data ini bersumber dari https://datamarket.com/data/set/22mz/douglas-fir-
exshaw-alberta-canada-1460-1965#!ds=22mz&display=line, dari tahun 1460-
1965. Data ini berjumlah 506 yang akan digunakan selama pengerjaan tugas sedang
berlangsung. Berikut hasil plot datanya:
1. Identifikasi Data
Data akan diproses dengan menggunakan aplikasi bernama SPSS untuk
mengindentifikasi tipe model, plot ACF dan PACF, estimasi parameter, prediksi
periode ke depan serta uji kebaikan model.
2.1 Korelasi
Berikut adalah nilai korelasi untuk masing-masing lag yang didapat dari
hasil output SPSS.
1
Tabel di atas menunjukkan nilai-nilai korelasi yang dihasilkan dengan
menggunakan SPSS. Nilai-nilai ini akan digunakan untuk menetukan plot ACF dan
PACF. Nilai korelasi untuk plot ACF, sedangkan nilai korelasi parsial digunakan
untuk plot PACF.
2
Dari plot PACF di atas maka dapat dianalisa bahwa cut off terjadi pada lag-2 karena
nilai korelasi mendekati nol atau mendekati batas confidence.
3.1 ARMA
Berdasarkan pada plot ACF dan PACF pada gambar 2 dan 3 maka terdapat
beberapa kemungkinan model yang dapat digunakan untuk pemodelan time series
selain dari model ARIMA. Model yang dapat digunakan selanjutnya adalah
ARMA(p,q). Proses ARMA (p,q) adalah suatu model campuran antara
Autoregressive orde p dan Moving Average orde q. Model ARMA tidak
menggunakan proses differencing terhadap data yang digunakan karena hanya
memiliki dua orde yaitu p dan q. Masing-masing orde digunakan oleh model AR(p)
dan MA(q) yang merupakan partisi dari model ARMA(p,q). Dari cut off dapat
diketahui bahwa model yang mungkin digunakan adalah ARMA(1,1). Model
umum untuk campuran proses AR (1) murni dan MA (1) dinyatakan sebagai
berikut:
yt = 1yt-1+t-1t-1
3.2 AR
Model AR merupakan salah satu bagian dari model ARMA yang
menggunakan nilai-nilai korelasi parsial untuk menghasilkan plot PACF. Kandidat
model yang dapat digunakan yaitu AR(1) karena berdasarkan plot PACF pada
gambar 3 cut off terjadi pada lag-2. Berikut bentuk umum model autoregressive
dengan ordo p ( AR(p) ) atau model ARIMA (p,0,0) dinyatakan sebagai berikut:
yt = 0+1yt-1+t
3
3.3 MA
Model pembentuk ARMA yang kedua yaitu MA. Model ini menggunakan
nilai korelasi untuk mendapatkan plot ACF. Pada gambar 2 plot ACF mengalami
cut off pada lag-5 sehingga model yang mungkin dapat digunakan adalah MA(1).
Berikut bentuk umum model Moving Average ordo q (MA(q)) atau ARIMA (0,0,q)
dinyatakan sebagai berikut:
yt = 1t-1+ 2t-2+t
4. Estimasi Parameter
Estimasi parameter dapat dilakukan dengan menggunakan SPSS untuk
mendapatkan nilai-nilai parameter sesuai dengan model yang digunakan.
Berdasarkan hasil analisis model maka parameter yang dihasilkan adalah paremeter
dari ARMA, AR, serta MA.
Nilai parameter dari model MA(1) juga dapat dilihat pada tabel 3 yaitu
1=0.394, sehingga bentuk model MA menjadi :
yt = 0.394t-1+t
Nilai parameter dari kedua model di atas dapat digunakan sebagai parameter
model ARMA(1,1) karena pada dasarnya model ARMA merupakan model
gabungan dari AR dan MA. Berikut adalah pendefinisian dari model ARMA
berdasarkan parameter-parameter yang diperoleh :
yt = 0.723yt-1+t-0.394t-1
4
5. Peramalan
Dengan menggunakan kandidat model time series maka akan dilakukan
peramalan sesuai dengan data yang digunakan. Peramalan dilakukan dengan
menggunakan SPSS untuk menghasilkan nilai-nilai prediksi.
5
Pada gambar 5 menggunakan model AR(1). Bahwa data prediksi lebih
terlihat tebal dibandingkan model ARMA (1,1) Hal ini dapat dilihat pada error yang
dihasilkan pada setiap model. Model dengan error yang lebih rendah akan dipilih
untuk pemodelan time series.
6
Gambar 7 menunjukan hasil testing ARMA(1,1), terlihat bahwa nilai
prediksi yang dihasilkan tidak jauh berbeda dengan data obeservasi. Hal ini
menunjukkan bahwa error yang dihasilkan pada nilai prediksi tidak terlalu
signifikan.
7
6. Uji Kebaikan Model
Untuk pengujian kelayakan model, hal yang pertama diuji adalah dengan
menguji kesesuaian model berdasarkan analisa Ljung-box Q. Berikut adalah hasil
uji Ljung-Box :
ARMA(1,1) AR(1) MA(1)
8
7. Kesimpulan
Penentuan model time series dilakukan dengan cara melihat cut off pada plot
ACF dan PACF yang didapat dari SPSS. Ada tiga kadidat model yang didapat yaitu
ARMA, AR, dan MA. Ketiga model akan digunakan untuk meramalkan data
prediksi. Ketika di uji dengan Ljung-Box, model yang terbaik adalah model MA(1),
sedangkan menggunankan peramalan testing, model yang errornya lebih rendah
adalah model ARMA(1,1). Hasil RMSE dan R-Squared juga menunjukkan bahwa
model yang terbaik adalah ARMA(1,1), serta nilai BIC yang paling kecil dari
perbandingan diatas adalah model ARMA (1,1) dengan nilai BIC 6.962. Jadi dapat
di simpulkan bahwa model yang terbaik adalah model ARMA(1,1).