Tugas Sedang

Analisis Time Series

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

Tabel 1 Nilai Korelasi Berdasarkan Lag ................................................................. 1

Tabel 2 Tipe Model Time series ............................................................................. 3
Tabel 3 Nilai Parameter Berdasarkan Lag .............................................................. 4
Tabel 4 Hasil Uji Ljung-Box .................................................................................. 6
Tabel 5 Hasil Uji RMSE ......................................................................................... 8
Tabel 6 Hasil Uji R-Squared ................................................................................... 8
Tabel 7 Hasil Uji BIC ............................................................................................. 8

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:

Gambar 1 Grafik data dari tahun 1460-1965

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.

Tabel 1 Nilai Korelasi dan Nilai Korelasi Parsial Berdasarkan Lag

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.

2.2 Plot ACF dan PACF

Berdasarkan nilai-nilai korelasi pada tabel 1 maka dapat dilakukan plot ACF
dan PACF untuk menentukkan cut off. Cut off merupakan kondisi di mana nilai
korelasi berada di antara batas atas confidence dan batas bawah confidence yang
berlaku pada jumlah lag terkecil.

Gambar 2 Plot ACF

Dari plot ACF di atas maka dapat dianalisa bahwa cut off terjadi pada lag-5 karena
nilai korelasi mendekati nol atau mendekati batas confidence.

Gambar 3 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.

2. Analisis Model Time series

Model time series dapat ditentukan dengan menggunakan SPSS sesuai
dengan data yang digunakan. Berikut ini adalah tipe model yang dihasilkan :

Tabel 2 Tipe Model Time series

Model ARIMA digunakan pada saat data observasi mengalami differencing
untuk mendapatkan cut off pada plot ACF dan PACF. Model ini didefinisikan
sebagai ARIMA(p,d,q) di mana d merupakan jumlah orde differencing.
Berdasarkan tabel 2 maka dapat diketahui bahwa data observasi yang digunakan
tidak mengalami differencing sehingga ARIMA tidak dapat dijadikan sebagai
kandidat model time series.

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.

Tabel 3 Nilai Parameter Berdasarkan Lag

4.1 Nilai Parameter Model

Tabel 3 menunjukkan bahwa pada model AR memiliki nilai parameter
0 dan 1 . Dari hasil analisis diperoleh model AR(1) sehingga parameter yang akan
digunakan adalah 0 dan 1 yang masing-masing 99.753 dan 0.723 diambil dari
nilai konstanta dan nilai estimasi AR lag-1 sehingga model AR yang dihasilkan
adalah sebagai berikut :
yt = 99.753+0.723yt-1+t

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.

5.1 Peramalan Training

Peramalan dilakukan terhadap data training sebanyak 400 data untuk
mengetahui tingkat keakuratan model yang digunakan. Ada tiga model yang
diterapkan untuk meramalkan data training yaitu ARMA, AR, dan MA.

Gambar 3 Peramalan dengan ARMA(1,1)

Gambar 4 menunjukan perbandingan hasil prediksi dengan data observasi
serta garis forecast menggunakan model ARMA(1,1). Nilai prediksi yang
dihasilkan tidak akan sama persis dengan data observasi, karena dalam peramalan
selalu terdapat error. Pada gambar 4 dapat dilihat bahwa nilai prediksi yang
dihasilkan lebih tipis.

Gambar 4 Peramalan dengan AR(1)

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.

Gambar 5 Peramalan dengan MA(1)

Gambar 6 menunjukkan nilai prediksi yang dihasilkan dengan
menggunakan model MA(1). Model MA(1) menghasilkan hasil prediksi yang lebih
tebal dan error yang lebih tinggi dibandingkan dengan model ARMA (1,1) dan AR
(1).

5.2 Peramalan Testing

Peramalan data testing dilakukan dengan cara mengambil 106 data terakhir.
Dengan menggunakan tiga kandidat model yang telah ditentukan maka hasil testing
dapat dibandingkan dengan hasil training.

Gambar 7 Hasil Testing ARMA(1,1)

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.

Gambar 8 Hasil Testing AR(1)

Gambar 8 menunjukkan nilai prediksi yang dihasilkan lebih rendah
dibandingkan errornya yang lebih tinggi.

Gambar 9 Hasil Testing MA(1)

Gambar 9 menunjukkan nilai prediksi yang dihasilkan dengan
menggunakan model MA(1). Model MA(1) menghasilkan error lebih tinggi dari
prediksi model ARMA dan AR.

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)

Tabel 4 Hasil Uji Ljung-Box

Berdasarkan tabel 4 dapat dilihat bahwa nilai signifikan yang dihasilkan
adalah 0.000 terdapat pada model MA (1), maka dapat disimpulkan bahwa nilai H0
diterima karena memenuhi syarat 1%<N<10%.
Selain itu, rendahnya nilai RMSE menunjukkan kecocokan untuk model
sehingga model yang menghasilkan RMSE terendah akan dijadikan sebagai model
terbaik.

RMSE(ARMA) RMSE(AR) RMSE(MA)

31,903 32,295 33,053
Tabel 5 Hasil Uji RMSE
Tabel 5 menunjukkan bahwa model ARMA(1,1) adalah model terbaik yang
terpilih karena nilai error yang dihasilkan lebih rendah dibandingkan dengan model
AR(1) dan MA(1).
R-Squared R-Squared R-Squared
(ARMA) (AR) (MA)
184 162 122
Tabel 6 Hasil Uji R-Squared
Tabel 6 menunjukkan bahwa model ARMA(1,1) memiliki nilai R-Squared
yang lebih tinggi dibandingkan dengan model AR(1) dan MA(1). Tingginya nilai
R-Squared menunjukkan kelayakan prediksi dengan basis rata-rata.
BIC(ARMA) BIC(AR) BIC(MA)
6,962 6,974 7,021
Tabel 7 Hasil Uji BIC
Kecukupan dan kesesuaian signifikan dari model dikonfirmasi dengan
melihat nilai Normalized Bayesian Information Criterion (BIC) yang paling rendah.
Karena dalam Bayesian Information Criteria ( BIC) ini menyatakan bahwa semakin
kecil nilai BIC maka semakin baik pula modelnya. Terlihat model ARMA dan AR
beda tipis nilainya, tetapi yang lebih rendah adalah model ARMA(1,1).

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).