Laporan 4 Arw
Laporan 4 Arw
LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 1 : SES, DES, dan TES
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
iii
Daftar Gambar
iv
1 Pendahuluan
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:
2
2 Deskripsi Kerja
Note :
Lakukan peramalan pada 5 periode berikutnya dengan menggunakan metode
ARIMA.
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 :
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:
5
3 Pembahasan
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 :
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 :
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
11
Gambar 3.10 Nilai p-value modelB
12
Gambar 3.13 uji autokorelasi modelB
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
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