PENUMPANG
28,000
26,000
24,000
22,000
20,000
18,000
16,000
14,000
12,000
2009 2010 2011 2012 2013 2014 2015
2. Di cek dulu apakah stasioner dalam varians atau tidak, dengan klik view-descriptive statistics and
test- histogram and stats.
12
Series: PENUMPANG
Sample 2009M01 2015M03
10
Observations 75
8 Mean 18348.09
Median 17281.00
Maximum 27267.00
6 Minimum 13869.00
Std. Dev. 3004.731
4 Skewness 1.155522
Kurtosis 3.520511
2 Jarque-Bera 17.53705
Probability 0.000156
0
14000 16000 18000 20000 22000 24000 26000
Hipotesis:
H0 : data berdistribusi normal
H1 : data tidak berdistribusi normal
Tingkat signifikansi: α = 5%
Daerah kritis: tolak H0 jika sig. < α
Statistik uji: sig. = 0,000
Keputusan: sig. < α maka tolak H0
Kesimpulan: dengan menggunakan tingkat kepercayaan 95% dapat disimpulkan bahwa data tidak
berdsitribusi normal. Maka dari itu perlu dilakukan transformasi data ke bentuk logaritma.
3. Cek kembali apakah telah stasioner dalam varians atau belum.
16
Series: LOGPENUMPANG
14 Sample 2009M01 2015M03
Observations 75
12
Mean 9.805215
10 Median 9.757363
Maximum 10.21343
8 Minimum 9.537411
Std. Dev. 0.153024
6
Skewness 0.882416
Kurtosis 3.008888
4
Jarque-Bera 9.733463
2
Probability 0.007698
0
9.6 9.7 9.8 9.9 10.0 10.1 10.2
4. Karena belum stasioner dalam varians maka akan dilakukan differencing agar secara rata-rata
stasioner
Output seasonal
t-Statistic Prob.*
Karena nilai statistik ADF > t-tabel pada tingkat signifikansi 5%, maka
dapat dikatakan bahwa data tidak stasioner. Maka dari itu perlu dicoba
differencing non-musiman. Dari differencing non-musiman, didapat
output berikut
t-Statistic Prob.*
berdasarkan correlogram diatas, nilai p dilihat dari PACF, q dilihat dari ACF. Diketahui bahwa pada ACF
terdapat 1 lag pertama (q=1), begitu juga dengan PACF terdapat 1 lag pertama (p=1). Kemudian nilai P dilihat
dari nilai ACF yang terdapat musiman dan kelipatannya, maka dalam hal ini adalah lag 24 dan lag 12 (P=2).
dslogpenumpang
Sedangkan nilai Q didapat dari nilai PACF yang terdapat musiman dan kelipatannya, maka dalam hal ini adalah
lag 12 (Q=1). Berdasarkan informasi tersebut, didapatkan model SARIMA (1,1,1) (2,1,1)12. Model yang
mungkin adalah:
Model Signifikan
SARIMA (1,1,1) (2,1,1)12 + C Tidak
SARIMA (1,1,1) (2,1,1)12 Tidak
SARIMA (1,1,0) (1,1,1)12 Ya
6. Plot data penumpang setelah dilakuukan transformasi
LOGPENUMPANG
10.3
10.2
10.1
10.0
9.9
9.8
9.7
9.6
9.5
2009 2010 2011 2012 2013 2014 2015