DOSEN PENGAMPU :
AZZIKRA FEBRIYANTI, S.Si., M.Si.
OLEH :
NAMA : MEYLINDA SUCI PERMATA SARI
NIM : F1C216008
Dari visual grafik, ternyata data tidak stasioner, dan perlu dilakukan transformasi terlebih
dahulu.
2. Cek Data Stasioner
Kemudian dengan transformasi boxcox (box cox plot for Desa) dibawah ini dapat diketahui nilai
lamda = -1,00. Lebih kecil dari satu sehingga data perlu dilakukan transformasi. Berikut adalah
box cox plot of Desa
ACF PACF
Dari gambar diatas :
Diketahui bahwa plot ACF menurun secara eksponensial. Pada PACF terdapat 1 ordo atau 1 lag yang
signifikan sehingga ordo AR(1). Dan pada plot PACF terlihat menurun secara eksponensial, dan pada plot
ACF terdapat 1 ordo atau 1 lag yang signifikan MA(1).
Jadi didapat model awal ARIMA (p,d,q) yaitu ARIMA(1,1,1)
4. Overfitting
1) ARIMA (1,1,1)
2) ARIMA (0,1,1)
3) ARIMA (1,1,0)
Tanpa konstan
Final Estimates of Parameters
5. UJI ASUMSI
Normalitas Autokorelasi
ARIMA (1,1,0) tanpa konstan Mendekati normal Terpenuhi
MS = 11,056
Karena Model ARIMA(1,1,0) tanpa konstan – signifikan, maka model yang terpilih adalah
ARIMA (1,1,0).
6. FORECASTING
7. SUMBER DATA
Website dari Badan Pusat Statistik :
https://www.bps.go.id/statictable/2014/01/30/1494/jumlah-penduduk-miskin-persentase-
penduduk-miskin-dan-garis-kemiskinan-1970-2017.html
8. LAMPIRAN