Kelas D

LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 5 : SARIMA

Nama Nomor Tanggal Tanda Tangan

Praktikan Mahasiswa Kumpul Praktikan

Rizki Alifah 15611036 27/11/2017

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 .................................................................................................... 5
2 Deskripsi Kerja................................................................................................ 7
2.1 Studi Kasus ............................................................................................. 7
2.2 Langkah Kerja ......................................................................................... 7
3 Pembahasan ................................................................................................... 11
4 Penutup.......................................................................................................... 20
5 Daftar Pustaka ............................................................................................... 21

ii
Daftar Tabel

Tabel 3.1 Rincian model ....................................................................................... 16

iii
Daftar Gambar

Gambar 2.1 Input data ............................................................................................. 7

Gambar 2.2 Pengubahan data time series ............................................................... 8
Gambar 2.3 Pembuatan plot data ............................................................................ 8
Gambar 2.4 Mengaktifkan packages....................................................................... 8
Gambar 2.5 Uji ADF dan KPSS ............................................................................. 8
Gambar 2.6 Pembuatan plot ACF dan PACF ......................................................... 8
Gambar 2.7 Diferensi musiman .............................................................................. 8
Gambar 2.8 Pembuatan plot .................................................................................... 9
Gambar 2.10 Pembuatan plot non-musiman ........................................................... 9
Gambar 2.11 Uji ADF dan plot ACF/PACF ........................................................... 9
Gambar 2.12 Uji diagnostic .................................................................................. 10
Gambar 2.13 Syntax peramalan............................................................................. 10
Gambar 2.14 Syntax pembalikkan nilai ................................................................ 10
Gambar 2.15 Syntax membandingkan plot ........................................................... 10
Gambar 3.1 Pola data awal.................................................................................... 11
Gambar 3.2 Plot ACF dan PACF sebelum diferensing ........................................ 12
Gambar 3.3 Plot musiman setelah diferensing ..................................................... 13
Gambar 3.4 Hasil uji ADF pola non-musiman ..................................................... 14
Gambar 3.5 Plot non-musiman ............................................................................. 14
Gambar 3.6 Hasil output ACF dan PACF non-musiman setelah diferensing ...... 15
Gambar 3.7 Plot ACF dan PACF yang stasioner .................................................. 16
Gambar 3.8 Hasil output uji diagnostic ................................................................ 17
Gambar 3.9 Peramalan orde 9 ............................................................................... 18
Gambar 3.10 Hasil output perbandingan data asli dengan peramalan .................. 19

iv
1 Pendahuluan

Teknik analisis data dengan metode ARIMA dilakukan karena merupakan

teknik untuk mencari pola yang paling cocok dari sekelompok data (curve fitting),
dengan demikian ARIMA memanfaatkan sepenuhnya data masa lalu dan sekarang
untuk melakukan peramalan jangka pendek yang akurat (Sugiarto dan Harijono,
2000). ARIMA sangat baik ketepatannya untuk peramalan jangka pendek,
sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik.
Biasanya akan cenderung flat (mendatar/konstan) untuk periode yang cukup
panjang (Ningrum, 2011). ARIMA cocok jika observasi dari deret waktu (time
series) secara statistik berhubungan satu sama lain (dependent).
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat
nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya
berkenaan dengan deret berkala yang stasioner. Stasioneritas berarti tidak terdapat
pertumbuhan atau penurunan pada data. Data secara kasarnya harus horizontal
sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di sekitar suatu
nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi
tersebut pada pokoknya tetap konstan setiap waktu. Suatu deret waktu yang tidak
stasioner harus diubah menjadi data stasioner dengan melakukan differencing.
Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih nilai
observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika
belum stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner,
maka dilakukan transformasi logaritma (Ningrum, 2011).
ARIMA seringkali ditulis sebagai ARIMA (p,d,q) yang memiliki arti bahwa
p adalah orde koefisien autokorelasi, d adalah orde/jumlah diferensiasi yang
dilakukan (hanya digunakan apabila data bersifat non-stasioner) dan q adalah orde
dalam koefisien rata-rata bergerak (moving average) (Ningrum, 2011). Terdapat
satu analisis ARIMA yang juga memperhatikan adanya seasonal, yang dikenal
dengan SARIMA (Seasonal Autoregressive Integrated Moving Average) yang dari
namanya dapat diketahui analisis ini merupakan model ARIMA yang mengandung
faktor musiman.

5
 Musiman mengartikan bahwa data memiliki kecenderungan mengulangi
pola tingkah gerak dalam periode musim. Biasanya dapat berupa mingguan,
bulanan, triwulan, dan semesteran. Oleh karena itu runtun waktu musiman
mempunyai karakteristik yang ditunjukan oleh adanya korelasi beruntun yang kuat
pada jarak semusim (periode musim), yaitu waktu yang berkaitan dengan banyak
observasi pada per periode musim (Muhajir, 2015).
Notasi umum untuk ARIMA yang diperluas untuk menangani aspek
musiman atau seasonal adalah :
ARIMA (p,d,q) (P,D,Q)S
dengan, p,d,q : bagian yang tidak musiman dari model
(P,D,Q)S : bagian musiman dari model
S : jumlah periode per musim.
Pada dasarnya SARIMA sama dengan ARIMA hanya ditambah awalnya
dengan kata seasonal. ARIMA dan SARIMA ini merupakan metode analisis time
series, sama seperti analisis trend, moving average atau naive. Adapun tahapan
analisis yang harus dilalui dalam analisis ARIMA dan SARIMA ini adalah :
1. Identifikasi
Identifikasi data yang akan diproses apakah mengandung tren atau seasonal.
ARIMA dan SARIMA mensyaratkan data yang diproses harus stasioner. Jika
ternyata data menunjukkan adanya tren maka yang dapat dilakukan ialah
diferencing atau pembeda.
2. Estimasi
Dalam melakukan estimasi yang dilakukan ialah dengan mengamati ACF dan
PACF.
3. Evaluasi Model
Evaluasi model sama dengan tekhik time series lainnya yakni MSE yang
dikeluarkan. Selain itu dalam analisis ARIMA juga mengevaluasi iteration yang
mengharuskan untuk convergence, residual peramalan harus bersifat acak, model
harus paling sederhana, parameter yang diestimasi berbeda nyata dengan nol, dan
kondisi stasioneritas harus terpenuhi.
4. Peramalan

6
2 Deskripsi Kerja

Dalam laporan praktikum modul kedua ini, praktikan akan menjelaskan

bagaimana melakukan peramalan dengan metode SARIMA menggunakan program
R . Adapun studi kasus maupun langkah kerjanya ialah sebagai berikut :
2.1 Studi Kasus
Diberikan data spain pada Ms.Word
Note :
Lakukan peramalan pada data dengan menggunakan metode SARIMA untuk
bulan April-Desember tahun 1989.

2.2 Langkah Kerja

Adapun langkah kerja yang diberikan pada studi kasus dengan menggunakan
program R yaitu sebagai berikut :
1. Langkah pertama yaitu praktikan membuka Rstudio. Kemudian setting
tempat keja R (working space directory) dengan menggunakan syntax
“setwd(“alamat direktori”)”
2. Kemudian inputkan data atau dengan kata lain baca data ke dalam Rstudio.
Dalam membaca data, data harus bertipe comma separated value dengan
ekstensi.txt. dimana untuk membaca data digunakan syntax seperti
gambar dibawah ini :

Gambar 2.1 Input data

3. Setelah data dibaca oleh R maka selanjutnya data diubah menjadi data tipe
runtun waktu dengan syntax “ts(data, start= c(tahun, bulan),
frequency = 12)”. Atau untuk lebih jelasnya dapat melihat gambar
dibawah ini :

7
 Gambar 2.2 Pengubahan data time series
4. Kemudian gambarkan grafik dari data turis menggunakan syntax
“ts.plot(data, col=’nama warna’, main = ‘judul grafik’)”. Atau
untuk lebih jelasnya dapat melihat gambar dibawah ini :

Gambar 2.3 Pembuatan plot data

5. Selanjutnya aktifkan package forecast dan time series untuk melakukan
analisis Seasonal ARIMA. Dimana untuk syntax nya dapat dilakukan pada
gambar dibawah ini :

Gambar 2.4 Mengaktifkan packages

6. Kemudian lakukan uji ADF dan uji KPSS beserta pembuatan plot ACF dan
PACF nya. Dimana untuk syntaxnya dapat dilihat pada gambar dibawah ini
:

Gambar 2.5 Uji ADF dan KPSS

Gambar 2.6 Pembuatan plot ACF dan PACF

7. Hasil output ACF/PACF terbukti terdapat data musiman Berdasarkan hasil
proses pada point 6 didapatkan plot data mengandung musiman.
Berdasarkan hal tersebut menunjukkan data tidak stasioner. Dikarenakan
nilai datanya cukup besar, maka digunakan transformasi log untuk
mengecilkan nilai data. Dimana transformasi ini bersifat opsional..
Berdsarkan hal tersebut dilakukan diferensi non-musiman dan/atau
musiman dapat dilakukan dengan menggunakan syntax pada gambar
dibawah ini :

Gambar 2.7 Diferensi musiman

Pada syntax diatas, pertama-tama dilakukan diferensi orde 1 dengan lag
musiman 12, yaitu menghitung yt - yt-12

8
8. Kemudian setelah dilakukan diferensi maka selanjutnya membuat plotnya
kembali dan dilihat hasil plot musiman nya dengan syntax sebagai berikut :

Gambar 2.8 Pembuatan plot

9. Setelah plot dibuat untuk memastikan praktikan melakukan uji ADF dan
pembuatan plot ACF dan PACF nya. Dimana untuk syntaxnya sebagai
berikut:

Gambar 2.9 Pembuatan plot ACF dan PACF musiman

10. Pada hasil output plot ACF dan PACF point 9 didapatkan plot menyeluruh
secara perlahan dan didapatkan nilai p-value uji ADF yang lebih dari nilai
alpha, maka dapat disimpulkan data diferensing tadi belum stasioner. Oleh
karenanya, dilakukan diferensi non-musiman orde 1 untuk
menstasionerkannya dengan syntax sebagai berikut :

Gambar 2.10 Pembuatan plot non-musiman

11. Plot yang didapatkan sudah stasioner maka selanjutnya dilakukan pengujian
pada beberapa model dibawah ini dengan mencari model manakah yang
koefisien nya signifikan dengan syntax sebagai berikut :

Gambar 2.11 Uji ADF dan plot ACF/PACF

12. Setelah didapatkan model yang sesuai maka selanjutnya melakukan uji
diagnostic dengan syntax sebagai berikut :

9
 Gambar 2.12 Uji diagnostic
13. Kemudian dilakukan prediksi menggunakan model Seasonal ARIMA yang
telah didapatkan sebelumnya dengan syntax sebagai berikut :

Gambar 2.13 Syntax peramalan

14. Setelah nilai prediksi didapatkan maka dilakukan pembalikkan nilai
prediksi dengan syntax sebagai berikut :

Gambar 2.14 Syntax pembalikkan nilai

15. Kemudian dibuat plot untuk membandingkan antara nilai prediksi dengan
data yang sesungguhnya. Dimana untuk syntax nya sebagai berikut :

Gambar 2.15 Syntax membandingkan plot

10
3 Pembahasan

Pada bagian sebelumnya telah dijelaskan mengenai langkah-langkah

melakukan peramalan menggunakan metode SARIMA. Pada bagian ini praktikan
akan menjelaskan apa yang telah dilakukan pada bagian deskripsi kerja
sebelumnya.
Pada pembahasan kali ini praktikan akan menjelaskan mengenai metode
SARIMA beserta hasil outputnya. Seperti yang telah dijabarkan pada bagian
pendahuluan bahwa SARIMA merupakan model ARIMA yang mengadung factor
musiman. Musiman mengartikan bahwa data memiliki kecederungan mengulangi
pola tingkah gerak dalam periode musim. Biasanya dapat berupa mingguan,
bulanan, triwulan atau semesteran. Misalnya musiman satu tahun untuk data
bulanan. Oleh sebab itu, runtun waktu musiman mempunyai karakteristik yang
ditunjukkan oleh adanya korelasi beruntun yang kuat pada jarak musiman (periode
musim) yaitu waktu yang berkaitan dengan banyak observasi pada per periode
musim. Berdasarkan hasil yang dilakukan pada bagan deskripsi kerja didapatkan
bentuk plot pada data aslinya yaitu sebagai berikut :

Gambar 3.1 Pola data awal

Gambar diatas adalah plot yang merupakan tahapan awal dalam melakukan
peramalan dengan menggunakan metode SARIMA. Pembuatan plot disini
bertujuan untuk mencari tahu terlebih dahulu apakah data nya sudah stasioner atau
belum. Perlu diketahui bahwa plot merupakan suatu struktur rangkaian kejadian

11
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. Plot diatas mampu menggambarkan
keadaan data apakah data tersebut stasioner atau tidak. Secara umum sekumpulan
data dinyatakan stasioner jika nilai 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 dikarenakan pada data
tersebut terlihat data yang semakin lama semakin mengalami kenaikan. Selain itu,
pada plot tersebut juga terlihat bahwa pada data terjadi plot musiman. Dimana
musiman tersebut berulang setiap 5 tahun sekali. Untuk membuktikannya dibuat
plot ACF dan PACF nya sebagai berikut :

Gambar 3.2 Plot ACF dan PACF sebelum diferensing

Pada plot ACF dan PACF diatas untuk memastikan apakah data
mengandung musiman atau tidak dilihat dari pola datanya. Jika plot ACF dan PACF
bergelombang artinya pada data tersebut mengandung musiman. Dikarenakan pada
pola data mengandung musiman dan data tidak stasioner maka diperlukan
diferensing untuk mengatasi pola musiman dan ketidak stasioneran tersebut. Proses

12
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. Perlu diketahui sebelumnya dikarenakan niai data pada studi
kasus ini cukup besar maka perlu ditambahkan syntax log. Dimana syntax log ini
bertujuan untuk mengecilkan data, jika data yang ada berbentuk triliunan atau
miliaran tentu akan menyulitkan jika diolah. Oleh sebab itu data perlu ditambahkan
syntax log. Namun jika data tersebut berbentuk kecil atau dengan kata lain tidak
triliunan atau miliaran maka data tersebut pada saat proses diferensing tidak pelu
ditambahkan syntax log. Dimana hasil plot musiman setelah di diferensing yaitu
sebagai berikut :

Gambar 3.3 Plot musiman setelah diferensing

Setelah dilakukan diferensing data didapatkan plot musiman terlihat stasioner.
Namun dalam model SARIMA tidak hanya plot pada musiman yang diperhatikan
dikarenakan selain plot musiman terdapat pula plot non musiman yang harus
diperhatikan. Berdasarkan hal tersebut dilakukan penngujian ADF untuk melihat
plot non musiman apakah sudah stasioner atau belum. Berikut hasil output uji ADF:

13
 Gambar 3.4 Hasil uji ADF pola non-musiman
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 (0,08154) > 𝛼 (0,05)
 Keputusan
p-value (0,08154) > 𝛼 (0,05) => Gagal Tolak H0
 Kesimpulan
Berdasarkan hasil output dan pengujian diatas maka didapatkan kesimpulan
bahwa data gagal tolak H0 yang artinya ialah data tersebut tidak stasioner.
Berdasarkan kesimpulan pengujian diatas selanjutnya dibuat plot untuk
membuktikan hipotesis tersebut apakah benar tidak stasioner atau tidak. Berikut
hasil plotnya :

Gambar 3.5 Plot non-musiman

14
 Berdasarkan hasil plot ACF/PACF diatas didapatkan bahwa grafik plot
tersebut menyeluruh secara perlahan dan nilai p-value yang didapatkan pada hasil
uji ADF juga lebih besar dari alpha yang artinya data non-musiman tersebut tidak
stasioner sehingga perlu dilakukan diferensing untuk bagian non-musiman tersebut.
Berikut hasil diferensing untuk non-musiman tersebut :

Gambar 3.6 Hasil output ACF dan PACF non-musiman 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 (0,01) < 𝛼 (0,05)
 Keputusan
p-value (0,01) < 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.
Dikarenakan hasil output uji ADF menunjukkan data berbentuk stasioner
selanjutnya dibuat plot ACF dan PACF nya sebagai berikut :

15
 Gambar 3.7 Plot ACF dan PACF yang stasioner
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. ketika plot ACF dan PACF nya telah
didapatkan maka selanjutnya ialah menentukan kemungkinan model yang
dihasilkan. Berdasarkan hal tersebut didapatkan model utamanya yaitu ARIMA
(0,1,1)(2,1,3). Dan rincian kemungkinan modelnya yaitu :
Tabel 3.1 Rincian model
Nomor Rincian
Model Model
ARIMA
1
(0,1,1)(2,1,3)
ARIMA
2
(0,1,1)(2,1,2)
ARIMA
3
(0,1,1)(2,1,1)
ARIMA
4
(0,1,1)(2,1,0)

16
 ARIMA
5
(0,1,1)(1,1,2)
ARIMA
6
(0,1,1)(1,1,1)
ARIMA
7
(0,1,1)(1,1,0)
ARIMA
8
(0,1,1)(0,1,1)
Setelah diketahui kemungkinan model yang akan digunakan pada data
tersebut selanjutnya dilakukan overfitting. Dimana overfitting model ini dilakukan
untuk mencari model terbaik dengan melihat nilai AICC terkecil pada data. Dimana
nilai AICC terkecil terdapat pada model ke-5 dan model ke-8 dengan masing-
masing nilai AICC sebesar -345,17 dan -344,92. Selanjutnya dicari model manakah
yang semua komponen nya signifikan. Dalam hal ini model yang memiliki
komponen keseluruhannya sigifikan yaitu model ke-8 dengan persamaan model
nya yaitu ARIMA(0,1,1)(0,1,1).
Setelah melakukan estimasi dan mendapatkan penduga parameter, agar
model sementara dapat digunakan untuk peramalan maka perlu dilakukan uji
kelayakan terhadap model tersebut. Tahap ini disebut diagnostic checking dimana
pada tahap ini diuji apakah spesifikasi model sudah benar atau belum. Berikut hasil
output pengujian tersebut :

Gambar 3.8 Hasil output uji diagnostic

Berdasarkan hasil output diatas dapat dilakukan uji autokorelasi pada plot
diatas. 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

17
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.
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 penyataan tersebut didapatkan bahwa data
tidak terjadi autokorelasi. Kemudian pada bagian standardized residuals
menunjukkan bahwa apakah data tersebut berdistribusi normal atau tidak.
Diketahui bahwa hasil pada plot standardized residuals menunjukkan bahwa data
tersebut tidak berdistribusi normal. Perlu diketahui bahwa pada model ARIMA jika
data tidak berdistribusi normal tidak menjadi masalah seperti pada model regresi
biasanya.
Ketika uji diagnostic telah dilakukan selanjutnya yaitu melakukan
peramalan untuk 9 orde kedepan yaitu peramalan untuk bulan April hingga
Desember. Dimana didapatkan untuk nilai peramalan nya yaitu sebagai berikut :

Gambar 3.9 Peramalan orde 9

Pada peramalan yang telah dilakukan didapakan nilai peramaan untuk bulan
april sebesar 3757287; bulan mei sebesar 4276684; bulan juni sebesar 5186748;
bulan juli sebesar 9417192; bulan agustus sebesar 10891470; bulan September
sebesar 6318590; bulan oktober sebesar 4242726; bulan November sebesar
2803632; bulan desember sebesar 3644374. Kemudian berdasarkan nilai peramalan
tersebut terakhir dicari nilai prediksi beserta perbandingan plot antara nilai asli
dengan nilai prediksi. Berikut plotnya :

18
 Gambar 3.10 Hasil output perbandingan data asli dengan peramalan
Berdasarkan hasil output diatas garis merah menunjukkan data prediksi
sementara garis biru menunjukkan data asli yang dimiliki oleh praktikan. Dapat
dilihat bahwa data asli dengan data peramalan menunjukkan pola yang hampir
sama. Hal ini menunjukkan bahwa pola data peramalan hampir mendekati atau
hampi sesuai dengan data asli yang ada.

19
4 Penutup

Dari hasil praktikum modul 5 tentang peramalan dengan menggunakan metode

SARIMA pada program R, maka dapat disimpulkan bahwa:
1. Plot awal pada data menunjukkan pola musiman sehingga diharuskan untuk
dilakukan diferensing untuk menghilangkan pola musiman tersebut.
2. Selanjutnya pada plot setelah di diferensing terdapat tanda bahwa plot non-
musiman membentuk data yang tidak stasioner. Sehingga diperlukan proses
diferensing untuk mengubah agar data menjadi stasioner.
3. Dalam melakukan diferensing dikarenakan data yang dimiliki sifatnya cukup
besar maka perlu penambahan syntax log pada proses tersebut.
4. Ketika data telah stasioner didapatkan 8 model yang kemungkinan akan
menjadi model peramalan.
5. Model peramalan yang sesuai setelah dilakukan uji yaitu model peramalan
ARIMA (0,1,1)(0,1,1) sehingga didapatkan nilai peramalan dari bulan April-
Desember yaitu untuk bulan april sebesar 3757287; bulan mei sebesar
4276684; bulan juni sebesar 5186748; bulan juli sebesar 9417192; bulan
agustus sebesar 10891470; bulan September sebesar 6318590; bulan oktober
sebesar 4242726; bulan November sebesar 2803632; bulan desember sebesar
3644374.

20
5 Daftar Pustaka

Karunilla, Acika. 2017. Analisis Deret Waktu. Diakses pada tanggal 26 November
2017 dari https://www.slideshare.net/ChikaGidyfa/metode-dekomposisi-
klasik-dengan-rasio-rata-rata-bergerak.
Pradhana, Faried. 2012. FORECASTING (PERAMALAN). Diakses pada tanggal 26
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.
Rosadi, D. (2011). Analisis Ekonometrika & Runtun Waktu Terapan dengan R.
Yogyakarta:ANDI

21