Kelas D

LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 1 : SES, DES, dan TES

Nama Nomor Tanggal Tanda Tangan

Praktikan Mahasiswa Kumpul Praktikan

Rizki Alifah 15611036 02/10/2017

Putri

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Achmad
Kurniansyah

Arum Handini
Primandari

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2017

i
Daftar Isi

1 Pendahuluan .................................................................................................... 1
1.1 Pengertian ARIMA ................................................................................. 1
1.2 Klasifikasi Model ARIMA...................................................................... 1
1.3 Diagostik Check ...................................................................................... 2
2 Deskripsi Kerja................................................................................................ 3
2.1 Studi Kasus ............................................................................................. 3
2.2 Langkah Kerja ......................................................................................... 3
3 Pembahasan ..................................................................................................... 6
4 Penutup.......................................................................................................... 15
5 Daftar Pustaka ............................................................................................... 16

ii
Daftar Tabel

Tabel 2.1 studi kasus ............................................................................................... 3

Tabel 3.1 Rangkuman hasil output........................................................................ 13
Tabel 4.1 Rangkuman hasil output ARIMA ......................................................... 15

iii
Daftar Gambar

Gambar 2.1 Penginputan data ................................................................................. 4

Gambar 2.2 Pengubahan bentuk vektor .................................................................. 4
Gambar 2.3 Pengaktifan package............................................................................ 4
Gambar 2.4 Uji ADF Test ....................................................................................... 4
Gambar 2.5 Uji differensing ................................................................................... 4
Gambar 2.6 Uji stasioner......................................................................................... 4
Gambar 2.7 Plot ACF, plot PACF .......................................................................... 5
Gambar 2.8 Syntax AIC dan AICC......................................................................... 5
Gambar 2.9 Mencari nilai p-value .......................................................................... 5
Gambar 2.10 Uji autokorelasi ................................................................................. 5
Gambar 2.11 Prediksi data ...................................................................................... 5
Gambar 3.1 Plot awal sebelum diferensing............................................................. 6
Gambar 3.2 Plot uji ADF ........................................................................................ 7
Gambar 3.4 Hasil p-value setelah diferensing ........................................................ 9
Gambar 3.5 Plot pemilihan model ........................................................................ 10
Gambar 3.6 Hasil output modelA ......................................................................... 11
Gambar 3.7 Hasil output modelB ......................................................................... 11
Gambar 3.8 Hasil output modelC ......................................................................... 11
Gambar 3.9 Nilai p-value modelA ........................................................................ 11
Gambar 3.10 Nilai p-value modelB ...................................................................... 12
Gambar 3.11 Nilai p-value modelC ...................................................................... 12
Gambar 3.12 Uji autokorelasi modelA ................................................................. 12
Gambar 3.13 uji autokorelasi modelB .................................................................. 13
Gambar 3.14 Uji autokorelasi modelC.................................................................. 13
Gambar 3.15 Data prediksi ................................................................................... 14

iv
1 Pendahuluan

1.1 Pengertian ARIMA

ARIMA (Autoregressive Integrated Moving Average) adalah suatu model
yang secara penuh mengabaikan independent variabel dalam membuat peramalan.
ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependent untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi
dari deret waktu (time series) secara statistik berhubungan satu sama lain
(dependent).
Metode ARIMA menggunakan pendekatan iterative dalam mengidentifikasi
suatu model yang paling tepat dari berbagai model yang ada. Model sementara yang
telah dipilih diuji lagi dengan data historis untuk melihat apakah model sementara
yang terbentuk tersebut sudah memadai atau belum. Model sudah dianggap
memadai apabila residual (selisih hasil peramalan dengan data historis) terdistribusi
secara acak, kecil dan independen satu sama lain. Langkah-langkah penerapan
model ARIMA secara berturut yaitu :
1. Identifikasi Model
2. Estimasi parameter model
3. Diagnostic Checking
4. Peramalan (forecasting)
1.2 Klasifikasi Model ARIMA
Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model
autoregressive (AR), moving average (MA), dan model campuran ARMA
(autoregresive moving average) yang mempunyai karakteristik dari dua model
pertama.
a. AR (p)
Autoregressive adalah suatu bentuk regresi tetapi bukan yang
menghubungkan variabel tak bebas, melainkan menghubungkan nilai-nlai
sebelumnya pada time lag (selang waktu) yang bermacam-macam. Jadi suatu
model Autoregressive akan menyatakan suatu ramalan sebagai fungsi nilai nilai
sebelumnya dari time series tertentu.

1
 Model Autoregressive (AR) dengan order p dinotasikan dengan AR (p). bentuk
umum model AR (p) adalah:
𝑋𝑡 = ∅1 𝑋𝑡−1 + ∅2 𝑋𝑡−2 + ⋯ + ∅𝑝 𝑋𝑡−𝑝
b. MA (q)
MA (moving average) digunakan untuk menjelaskan suatu fenomena bahwa
suatu observasi pada waktu t dinyatakan sebagai kombinasi linier dari error
acak.
Proses MA (q) merupakan kombinasi linier dari white noise saat ini
(waktu t) dan q buah white noise terakhir. Dapat ditulis sebagai:
𝑋𝑡 = 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − 𝜃2 𝜀𝑡−2 − ⋯ − 𝜃𝑞 𝜀𝑡−𝑞
c. ARIMA (p,d,q)
Metode ARIMA berbeda dari metode peramalan lain karena metode ini
tidak mensyaratkan suatu pola data tertentu, sehingga model dapat dipakai
untuk semua tipe pola data. Metode ARIMA akan bekerja baik jika data dalam
time series yang digunakan bersifat dependen atau berhubungan satu sama lain
secara statistik. Secara umum, model ARIMA ditulis dengan ARIMA (p, d, q)
yang artinya model ARIMA dengan derajat AR (p), derajat pembeda d, dan
derajat MA (q). Model umum ARIMA sebagai berikut:

1.3 Diagostik Check

Setelah berhasi mengestimasi nilai-nilai parameter dari model ARIMA yang
ditetapkan sementara, langkah selanjutnya perlu dilakukan pemeriksaan diagnostic
untuk membuktikan bahwa model tersebut cukup memadai dan menentukan model
mana yang terbaik digunakan untuk peramalan. Dimana diagnostic check terdiri
sebagai berikut :
1. Uji Normalitas
2. Uji Autokorelasi
3. Uji Homokedastisitas

2
2 Deskripsi Kerja

Dalam laporan praktikum modul kedua ini, praktikan akan menjelaskan

bagaimana melakukan peramalan dengan metode ARIMA menggunakan program
R . Adapun studi kasus maupun langkah kerjanya ialah sebagai berikut :
2.1 Studi Kasus
1. Diberikan data :
Tabel 2.1 studi kasus

No DATA No DATA No DATA

1 485 20 420 39 375
2 520 21 375 40 330
3 400 22 375 41 420
4 460 23 425 42 315
5 510 24 325 43 315
6 570 25 250 44 430
7 600 26 305 45 425
8 630 27 335 46 430
9 560 28 335 47 395
10 570 29 350 48 335
11 550 30 425 49 275
12 540 31 280 50 260
13 500 32 340 51 270
14 495 33 365 52 285
15 430 34 305 53 285
16 550 35 305 54 270
17 390 36 435 55 280
18 375 37 350 56 270
19 375 38 315 57 300

Note :
Lakukan peramalan pada 5 periode berikutnya dengan menggunakan metode
ARIMA.

2.2 Langkah Kerja

Berikut merupakan langkah-langkah dalam menyelesaikan studi kasus diatas
dengan menggunakan metode ARIMA pada software R.
1. Langkah awal yaitu memasukkan data yang terdapat pada program
Microsoft Excel ke program R menggunakan syntax sebagai berikut :

3
 Gambar 2.1 Penginputan data
2. Setelah data di inputkan langkah selanjutnya yaitu mengubah data kedalam
bentuk vector diikuti dengan membuat plot untuk melihat pola data nya
dengan syntax sebagai berikut :

Gambar 2.2 Pengubahan bentuk vektor

3. Selanjutnya praktikan mengaktikan package time series dan package
peramalan dengan syntax sebagai berikut :

Gambar 2.3 Pengaktifan package

4. Ketika semua data dan package yang ingin digunakan telah diaktikan maka
yang dilakukan selanjutnya yaitu melakukan uji kestasioneran data dengan
ADF Test. Dimana untuk syntax nya yaitu sebagai berikut:

Gambar 2.4 Uji ADF Test

5. Berdasarkan hasil uji ADF didapatkan bahwa data tidak stasioner maka
perlu dilakukan differensing data dengan syntax sebagai berikut :

Gambar 2.5 Uji differensing

6. Lalu, dilakukan uji stasioner lagi untuk melihat apakah data yang telah di
diferensing sudah stasioner atau belum dengan syntax sebagai berikut :

Gambar 2.6 Uji stasioner

7. Ketika data telah stasioner maka yang dilakukan selanjutnya yaitu membuat
plot untuk mencari model utama ARIMA nya dengan syntax sebagai
berikut:

4
 Gambar 2.7 Plot ACF, plot PACF
8. Kemudian dilakukan identifikasi untuk mencari nilai AIC dan AICC pada
masing-masing model dengan syntax sebagai berikut:

Gambar 2.8 Syntax AIC dan AICC

9. Lalu selanjutnya mencari nilai p-value dengan syntax sebagai berikut :

Gambar 2.9 Mencari nilai p-value

10. Ketika model telah didapatkan maka yang dilakukan selanjutnya yaitu
melakukan uji autokorelasi pada data dengan syntax sebagai berikut:

Gambar 2.10 Uji autokorelasi

11. Kemudian praktikan melakukan peramalan dengan peramalan untuk 5
periode menggunakan syntax sebagai berikut :

Gambar 2.11 Prediksi data

5
3 Pembahasan

Pada bagian sebelumnya telah dijelaskan mengenai langkah-langkah

melakukan peramalan menggunakan metode ARIMA. Pada bagian ini praktikan
akan menjelaskan apa yang telah dilakukan pada bagian deskripsi kerja
sebelumnya.
Pada pembahasan kali ini praktikan akan menjelaskan mengenai metode
ARIMA beserta hasil outputnya. Seperti yang telah dijabarkan pada bagian
pendahuluan bahwa ARIMA (Autoregressive Integrated Moving Average)
merupakan model yang popular dalam peramaan data runtun waktu. Proses
ARIMA (p,d,q) memiliki arti bahwa model runtuk waktu ARMA (p,q) yang
memperoleh differencing sebanyak d. Proses ARMA (p,q) merupakan suatu model
campuran antara autoregressive orde p dan moving average orde q.
Tahapan awal dalam melakukan peramalan dengan menggunakan metode
ARIMA yaitu mencari tahu terlebih dahulu apakah data nya sudah stasioner atau
belum dengan cara membuat plot dan melakukan uji ADF. Perlu diketahui bahwa
plot merupakan suatu struktur rangkaian kejadian dalam cerita yang disusun
sebagai urutan bagian-bagian dalam keseluruhan fiksi. Atau dengan kata lain plot
merupakan perpaduan unsur-unsur yang membangun cerita sehingga menjadi
kerangka utama cerita. Dalam hal ini hasil plotnya yaitu sebagai berikut :

Gambar 3.1 Plot awal sebelum diferensing

Plot diatas mampu menggambarkan keadaan data apakah data tersebut
stasioner atau tidak. Secara umum sekumpulan data dinyatakan stasioner jika nilai

6
rata-rata dan varian dari data time series tersebut tidak mengalami perubahan secara
sistematik sepanjang waktu, atau sebagian ahli menyatakan rata-rata dan variannya
konstan. Jika pada grafik terdapat cara untuk melihat adanya stasioneritas atau tidak
yaitu dengan cara melihat pada bagian plot. Dimana grafik tersebut dibuat plot
antara observasi dengan waktu. Jika terihat memiliki rata-rata dan varians konstan,
maka data tersebut dapat disimpulkan stasioner. Berdasalkan hasil plot diatas
terlihat bahwa pada hasil plot diatas menunjukkan bahwa data tersebut terlihat tidak
stasioner. Namun, untuk membuktikan apakah benar data tersebut tidak stasioner
maka praktikan melakukan pengujian ke stasioneran data yaitu uji ADF.
ADF Test (Uji akar unit) merupakan suatu uji yang biasa digunakan untuk
menguji adanya anggapan bahwa sebuah data time series tidak stasioner. Uji ADF
ini biasa dilakukan untuk melakukan pengujian stasioner dengan menentukan
apakah data runtun waktu mengandung akar unit (unit root) atau tidak. Berikut hasil
output untuk uji ADF :

Gambar 3.2 Plot uji ADF

Berdasarkan hasil output diatas maka dapat dilakukan pengujian hipotesisnya
yaitu sebagai berikut :
 Uji Hipotesis
H0 : ϕ = 1 (Data tidak stasioner)
H1 : ϕ < 1 (Data stasioner)
 Tingkat Signifikansi
𝛼 = 0,05
 Daerah Kritis
Tolak H0 jika p-value < 𝛼
 Statistik Uji :
p-value (0,3817) > 𝛼 (0,05)
 Keputusan
p-value (0,3817) > 𝛼 (0,05) => Gagal Tolak H0

7
  Kesimpulan
Berdasarkan hasil output dan pengujian diatas maka didapatkan kesimpulan
bahwa data gagal tolak H0 yang artinya ialah data tersebut tidak stasioner.
Berdasarkan hasil diatas terbukti bahwa hasil antara plot dengan hipotesis
sama-sama menyimpulkan bahwa data tidak stasioner. Ketika diketahui bahwa data
yang dimiliki tidak stasioner maka yang dilakukan selanjutnya yaitu melakukan
diferensing data. Proses diferensi adalah suatu proses mencari perbedaan antara
data satu periode dengan periode yang lainnya secara berurutan. Data yang
dihasilkan disebut data diferensi tingkat pertama. Jika praktikan kemudian
melakukan diferensi data tingkat pertama dan data diferensi tersebut masih belum
menghasilkan data yang stasioner maka dapat dilanjutkan melakukan diferensi
kembali dan akan menghasilkan data diferensi tingkat kedua, ketiga, dan
seterusnya.
Penganalogian proses diferensi ini yaitu seandainya data time series tidak
stasioner dalam level, maka data tersebut kemungkinan menjadi stasioner melalui
proses diferensi atau jika data tidak stasioner pada level maka perlu dibuat stasioner
pada tingkat diferensi. Model dengan data yang stasioner melalui proses
differencing ini disebut model ARIMA. Berdasarkan hal tersebut maka didapatkan
hasil output setelah di differencing yaitu sebagai berikut :

Gambar 3.3 Hasil plot setelah diferensing

Hasil plot setelah di diferensing menunjukkan pola data yang stasioner yaitu
pola data yang bergerak di sekitar rata-rata. Namun untuk membuktikannya sama
seperti penjelasan diatas yaitu dengan melakukan uji ADF atau biasa dikenal
dengan uji ke stasioneran. Berikut hasil output untuk uji ADF setelah di diferensing
sebagai berikut :

8
 Gambar 3.4 Hasil p-value setelah diferensing
Berdasarkan hasil output diatas maka dapat dilakukan pengujian yaitu
sebagai berikut :
 Uji Hipotesis
H0 : ϕ = 1 (Data tidak stasioner)
H1 : ϕ < 1 (Data stasioner)
 Tingkat Signifikansi
𝛼 = 0,05
 Daerah Kritis
Tolak H0 jika p-value < 𝛼
 Statistik Uji :
p-value (0,01607) < 𝛼 (0,05)
 Keputusan
p-value (0,01607) < 𝛼 (0,05) => Tolak H0
 Kesimpulan
Berdasarkan hasil output dan pengujian diatas maka didapatkan kesimpulan
bahwa data tolak H0 yang artinya ialah data tersebut stasioner.
Berdasarkan hasil diatas terbukti bahwa hasil antara plot dengan hipotesis
ialah sama. Maka selanjutnya yaitu mencari model terbaik pada analisis ini. Dimana
dalam hal ini didapatkan output sebagai berikut :

9
 Gambar 3.5 Plot pemilihan model
Berdasarkan hasil diatas diketahui terdapat dua plot yaitu plot ACF dan plot
PACF. Plot ACF dan PACF merupakan salah satu alat utama untuk identifikasi
model ARIMA. Plot ACF berfungsi sebagai alat ukur autokorelasi korelogramnya.
ACF mengukur korelasi antar pengamatan sedangkan PACF mengukur korelasi
antar pengamatan dengan jeda k dan dengan mengontrol korelasi antar dua
pengamatan dengan jeda kurang dari l. Hasil output plot diatas menunjukkan bahwa
model utama ARIMA nya ialah model ARIMA (1,1,1). Sehingga, berdasarkan hal
tersebut muncul model yang lain yaitu model ARIMA (1,1,0) dan ARIMA (0,1,1).
Sehingga berdasarkan hal tersebut dilakukan beberapa pengujian untuk mencari
model manakah yang paling sesuai untuk dilakukan peramalan orde 5.
Pengujian pertama yang dilakukan yaitu melakukan pengujian untuk
mencari nilai AICC terkecil terlebih dahulu. Dimana hasil output terbagi menjadi 3
model yaitu dengan modelA = ARIMA (1,1,1) ; modelB = ARIMA(0,1,1) dan
modelC = ARIMA(1,1,0) sehingga didapatkan hasil outputnya yaitu sebagai
berikut :

10
 Gambar 3.6 Hasil output modelA

Gambar 3.7 Hasil output modelB

Gambar 3.8 Hasil output modelC

Selanjutnya dicari nilai p-value untuk masing-masing model. Perlu
diketahui bahwa p-value (nilai sig) merupakan suatu nilai kesalahan yang didapat
peneliti dari hasil perhitungan statistik. Masing-masing nilai statistik memiliki
tingkat probabilitas tertentu yang disebut p-value. Nilai p-value menunjukkan
seberapa ekstrim data yang ditemui dilapangan. Berdasarkan hal tersebut
didapatkan nilai p-value masing-masing model yaitu sebagai berikut :

Gambar 3.9 Nilai p-value modelA

11
 Gambar 3.10 Nilai p-value modelB

Gambar 3.11 Nilai p-value modelC

Kemudian diakukan pengujian autokorelasi. Dimana uji autokorelasi
digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik.
Selain itu uji autokorelasi adalah sebuah analisis statistik yang dilakukan untuk
mengetahui adakah korelasi varabel yang ada di dalam model prediksi dengan
perubahan waktu. Oleh karena itu, apabia asumsi autokorelasi terjadi pada sebuah
model prediksi, maka nilai disturbance tidak lagi berpasangan secara bebas,
melainkan berpasangan secara autokorelasi. Berdasarkan hal tersebut didapatkan
output untuk uji autokorelasi nya yaitu sebagai berikut :

Gambar 3.12 Uji autokorelasi modelA

12
 Gambar 3.13 uji autokorelasi modelB

Gambar 3.14 Uji autokorelasi modelC

Dalam pengujian autokorelasi diatas dapat dilakukan dengan membaca plot
data nya saja. Pada bagian plot ACF of Residuals cukup lihat pada bagian garis
lurus putus-putus. Dimana pada bagian plot ACF of Residuals data tidak akan
terjadi autokrelasi jika tidak keluar dari garis putus-putus. Lalu, plot yang dilihat
selanjutnya yaitu plot pada p-values for Ljung Box statistic. Pada plot ini yang
dilihat pun sama yaitu cukup lihat pada bagian garis lurus putus-putus. Dimana
pada bagian plot ini data tidak akan terjadi autokorelasi jika data tidak berada
dibawah garis putus-putus. Berdasarkan hasil output diatas maka dirangkum
beberapa hasil output dibawah ini untuk mengetahui model manakah yang terbaik.
Tabel 3.1 Rangkuman hasil output
ARIMA (1,1,1) ARIMA (0,1,1) ARIMA (1,1,0)
AICC 614.84 618.62 644.98
Hasil p-value
√ × ×
signifikan
Autokorelasi × √ √
Berdasarkan hasil output diatas maka dapat disimpulkan bahwa model yang
paling terbaik yaitu model ARIMA (1,1,1). Sehingga dalam hal ini dapat dilakukan
prediksi orde 5 dengan hasil sebagai berikut :

13
 Gambar 3.15 Data prediksi
Pada hasil output diatas diketahui bahwa nilai prediksinya untuk peramalan 5
periode kedepan yaitu sebesar 60.1212953; 62.85869; 63.24202; 63.24780 dan
63.25940. Perlu diketahui pada dasarnya hasil tersebut sepertinya salah. Sudah
dilakukan percobaan berulang kali namun hasilnya tetap sama. Untuk itu sementara
praktikan lampirkan hasil output diatas terlebih dahulu.

14
4 Penutup

Dari hasil praktikum modul 4 tentang peramalan dengan menggunakan metode

ARIMA pada program R, maka dapat disimpulkan bahwa:
1. Pada plot data awal dketahui bahwa data tidak stasioner sehingga harus
dilakukan diferensing untuk mendapatkan data yang stasioner
2. Ketika data telah stasioner didapatkan model terbaik yaitu model
ARIMA(1,1,1) berdasarkan rangkuman hasil output :
Tabel 4.1 Rangkuman hasil output ARIMA
ARIMA (1,1,1) ARIMA (0,1,1) ARIMA (1,1,0)
AICC 614.84 618.62 644.98
Hasil p-value
√ × ×
signifikan
Autokorelasi × √ √
3. Dari model ARIMA(1,1,1) didapatkan hasil output untuk prediksi 5 periode
kedepan sebesar : 60.12953; 62.85869; 63.24202; 63.24780 dan 63.25940

15
5 Daftar Pustaka

Karunilla, Acika. 2017. Analisis Deret Waktu. Diakses pada tanggal 18 November
2017 dari https://www.slideshare.net/ChikaGidyfa/metode-dekomposisi-
klasik-dengan-rasio-rata-rata-bergerak.
Pradhana, Faried. 2012. FORECASTING (PERAMALAN). Diakses pada tanggal 18
November 2017 dari https://fariedpradhana.wordpress.com/tag/metode-
peramalan/.
Primandari, Arum Handini, dkk. 2016. Modul Praktikum Analisis Runtun Waktu.
Yogyakarta: Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Islam Indonesia.

16