MOdul Matlab Dan SAS - Ini PDF
MOdul Matlab Dan SAS - Ini PDF
Menu
Icon
Workspace
Tempat yang
menyimpan otomatis
harga variabel
Command Window
Jendela utama Matlab, untuk mengetikkan
perintah dan menampilkan hasilnya.
Command History
Tempat yang
menyimpan otomatis
yang sudah diketikkan
di command window
3. Command history
Command history dapat disebut sebagai layar pengingat. Fungsin command history
sebagai tempat untuk menyimpan secara otomatis perintah-perintah yang telah
didefinisikan/diketikkan pada command window.
4. M-file atau MATLAB Editor/Debugger (Editor Pencarian Kesalahan)
Window ini merupakan tool yang disediakan oleh Matlab (minimal seri 5 keatas).
M-file berfungsi sebagai editor script Matlab. Walaupun sebenarnya script ini untuk
pemrograman Matlab, namun M-file juga dapat diganti menggunakan editor yang lain
seperi notepad, wordpad atau microsoft word. M-file akan dibahas lebih lanjut pada
subbab selanjutnya.
Matrik Transisi
Determinan Matrik
Invers Matrik
Matrik Khusus
Matlab menyediakan berbagai command untuk membuat dan memanipulasi matriks
secara efisien. Di antaranya ialah command untuk membuat matriks-matriks khusus, seperti
matriks Identitas (I), Matrik nol (0), Matrik satuan (1). Berikut ini adalah syntax beberapa
matrik khusus pada Matlab.
ones(n) membuat matriks satuan (semua elemennya berisi angka 1) berukuran n×n
ones(m,n) membuat matriks satuan (semua elemennya berisi angka 1) berukuran m×n
zeros(n) membuat matriks nol (semua elemennya berisi angka 0) berukuran n×n
zeros(m,n)membuat matriks nol berukuran m×n
eye(n) membuat matriks identitas berukuran n×n (semua elemen diagonal
bernilai 1, sementara lainnya bernilai 0).
rand(n) membuat matriks n×n, atau m×n, berisi bilangan random terdistribusi
rand(m,n) uniform pada selang 0 s.d. 1.
randn(n), membuat matriks n×n, atau m×n, berisi bilangan random terdistribusi
randn(m,n) normal dengan mean = 0 dan varians = 1.
[] matriks kosong, atau dengan kata lain matriks 0×0; biasa digunakan untuk
mendefinisikan variabel yang belum diketahui ukurannya.
Aljabar Matrik
Operasi aljabar matrik maupun skalar menggunakan simbol yang tidak jauh berbeda.
Berikut ini hirarki operasi aljabar dalam Matlab:
^ Pangkat + Penambahan
* Perkalian - Pengurangan
/ Pembagian matrik kanan (mis: B/A = B*inv(A))
\ Pembagian matrik kiri (mis: A\B = inv(A)*B)
Operasi penjumlahan dan pengurangan pada matrik hanya dapat dilakukan jika matrik-
matrik yang akan dijumlahkan atau dikurangkan memiliki orde sama (berukuran sama).
Untuk perkalian matrik syaratnya adalah jumlah kolom harus sama dengan jumlah baris. Pada
perkalian matrik tidak berlaku asumsi (AB≠BA). Untuk pembagian ada dua perhitungan,
yakni pembagian matrik kanan dan matrik kiri. Pembagian matrik kanan berlaku aturan
sebagai berikut.
xA=c
x=cA-1
x=c/A
Pembagian matrik kiri berlaku aturan sebagai berikut.
Ax=c
x=A-1c
x=A\c
Latihan:
Diberikan data variabel Y, X1 dan X2 sebagai berikut :
X1 130 174 134 191 165 194 143 186 139 188 175 156 190 178 132 148
X2 190 176 205 210 230 192 220 235 240 230 200 218 220 210 208 225
Y 35.0 81.7 42.5 98.3 52.7 82.0 34.5 95.4 56.7 84.4 94.3 44.3 83.3 91.4 43.5 51.7
Exponential.
exp - Exponential.
log - Natural logarithm.
log10 - Common (base 10) logarithm.
log2 - Base 2 logarithm and dissect floating
point number.
pow2 - Base 2 power and scale floating point number.
sqrt - Square root.
nextpow2 - Next higher power of 2.
Complex.
abs - Absolute value.
angle - Phase angle.
complex - Construct complex data from real and imaginary
parts.
conj - Complex conjugate.
imag - Complex imaginary part.
real - Complex real part.
unwrap - Unwrap phase angle.
isreal - True for real array.
cplxpair - Sort numbers into complex conjugate pairs.
Rounding and remainder.
fix - Round towards zero.
floor - Round towards minus infinity.
ceil - Round towards plus infinity.
round - Round towards nearest integer.
mod - Modulus (signed remainder after division).
rem - Remainder after division.
sign - Signum.
Selain fungsi elfun terdapat pula beberapa fungsi statistik seperti mean, median, varian, dan
standar deviasi. Adapun perintahnya adalah sebagai berikut.
mean perintah untuk mengetahui rata-rata data
median perintah untuk mengetahui nilai tengah data yang sudah diurutkan
mode perintah untuk mengetahui nilai yang sering muncul pada data (modus)
var perintah untuk mengetahui varians data
std perintah untuk mengetahui standar deviasi data
Anda mungkin ingin memplot beberapa fungsi dalam beberapa figure window yang terpisah,
atau membagi satu window menjadi sejumlah area plot, ataupun mengatur properties dari plot
yang akan digambar. Beberapa command di bawah ini bisa digunakan untuk tujuan tersebut.
Figure menciptakan figure window baru yang kosong dan siap
untuk di-plot
figure(k) untuk ‘menduduki’ figure window nomor-k
subplot(m,n,k) membagi figure window menjadi m-baris × n-kolom
area plot yang terpisah, dan menduduki area ke-k
clf “clear figure”, mengosongkan figure window yang sedang
‘diduduki’
plot(x,y,’string’) menciptakan plot 2-dimensi dari vektor x versus vektor y,
dengan property yang ditentukan oleh string, sebagai
berikut:
Warna Jenis Garis Jenis Point
b biru - utuh . titik
g hijau : titik-titik o lingkaran
r merah -. titik-strip x tanda x
c biru muda -- putus-putus + tanda +
m ungu * tanda *
y kuning s bujur sangkar
k hitam d permata
w putih v segitiga ke bawah
^ segitiga ke atas
< segitiga ke kiri
> segitiga ke kanan
p segilima
h segienam
Sebagai contoh :
plot(x,y,’r-’) memplot x versus y dengan garis utuh warna merah
plot(x,y,’k*’) menempatkan tanda * warna hitam untuk setiap titik x versus y.
plot(x,y,’g--s’) memplot dengan garis putus-putus warna hijau dan menempatkan
tanda bujur sangkar di setiap titik x versus y.
Perlu diingat bahwa ‘string’ dalam plot bersifat opsional. Apabila tidak dituliskan maka
digunakan garis utuh warna biru.
plot(x1,y1,’string1’,x2,y2,’string2’,x3,y3,’string3’, ... )
menciptakan sejumlah plot sekaligus dalam satu area plot: x1 versus y1 dengan
property string1, x2 versus y2 dengan property string2, dan seterusnya
legend(‘ket1’,’ket2’,’ket3’, ...)
menambahkan legenda ke dalam plot yang telah dibuat; ket1 untuk plot pertama, ket2
untuk plot kedua, dan seterusnya
Sebagi contoh perhatikan syntax berikut ini ;
>> figure
>> t=0:0.05:10;
>> sinus=sin(2*pi*0.25*t);
>> cosinus=cos(2*pi*0.25*t);
>> kotak=square(2*pi*0.25*t);
>> gigi=sawtooth(2*pi*0.25*t);
>> subplot(2,2,1);
>> plot(t,sinus), title('sinus 1/4 Hz')
>> subplot(2,2,2);
>> plot(t,cosinus), title('cosinus 1/4 Hz')
>> subplot(2,2,3);
>> plot(t,kotak), title('kotak 1/4 Hz')
>> subplot(2,2,4);
>> plot(t,gigi), title('gigi gergaji 1/4 Hz')
Selain itu, dimungkinkan pula membuat pernyataan if di dalam pernyataan yang lain (disebut
nested-if), misalkan:
1.7 M-file
Untuk mengakses window M-file ini dapat dilakukan seperti pada Gambar 5.
Adapun penjelasan Gambar 5 sebagai berikut:
1. Pilih Menu File kemudian pilih New
2. Pilih M-file, maka MATLAB akan menampilkan editor window seperti Gambar 6.
Selain dengan cara di atas, untuk menampilkan editor M-file juga dilakukan dengan
menuliskan “edit” pada command window atau dengan cara mengklik shortcut/icon pada
pojok kiri desktop Matlab.
Icon de-buging
Icon editing
Print
Mencari teks
Memulai, membuka
dan menyimpan File
Simpanlah file ini di dalam direktori Matlab\work dengan nama rata.m. Sekarang cobalah
jalankan dari command window. Sebelumnya pastikan bahwa direktori menunjuk ke
Matlab\work dengan merlihat pada “Current Directory” yang ada di jendela utama Matlab.
Kita bisa mengubah direktori yang sedang aktif melalui drop-down menu ataupun melalui
browse seperti pada Gambar 7.
Drop-
browse
Menunjukkan down
directory yang sedang menu
aktif
Pada saat menjalankan M-file pada command window jangan lupa mengetikkan perintah
“clear” dan “clc”. Hal ini bertujuan untuk menghapus history variabel sebelumnya.
>> clear
>> clc
>> rata_rata
hasil =
150
SAS (Statistical Analysis System) adalah program komputer untuk analisis statistika yang
dikembangkan oleh perusahaan SAS Institute. SAS dapat digunakan untuk melakukan analisis
statistika, manipulasi data, serta membuat tabel dan grafik untuk meringkas data. Beberapa
analisis statistika yang dapat dilakukan pada SAS meliputi analisis varians, regresi, analisis
data kategori, analisis multivariat, analisis cluster, analisis nonparametrik, model linier umum,
analisis korespondensi, dan persamaan struktural. Manipulasi data pada SAS meliputi
recoding data, menghitung variabel baru dari variabel-variabel lama, menggabungkan dan
mengumpulkan himpunan data, himpunan bagian (subset), dan melakukan pemrosesan
dengan kondisi tertentu.
Syntax diatas menunjukkan statemen data digunakan untuk membuat data set yang diberi
nama scores. Jika data set tersebut ingin disimpan pada library work, maka statemennya
ialah data work.scores. Jika menambahkan library, maka data scores tersebut disimpan
dalam library work. Terdapat tiga library pada SAS yaitu SASHELP, SASUSER, dan
WORK. Selain itu dapat juga membuat library sendiri dengan statemen LIBNAME
nama_library. Statemen input mendefinisikan variabel yang akan dibaca dalam tiap baris
data, pada contoh diatas, variabel yang digunakan adalah name, Test_1, Test_2, dan
Test_3. Tanda dolar ($) setelah variabel name menunjukkan bahwa tipe data ialah text.
Statemen datalines menunjukkan bahwa statemen tahapan data telah selesai dan baris
berikutnya akan berisi data. Selain menggunakan statemen datalines, dapat digunakan
juga statemen cards. Kemudian untuk memberi judul maka menggunakan statemen
title, dalam contoh title-nya ialah score class 2-5. Statemen PROC print digunakan
untuk menprint data scores. Untuk merunning maka klik run > submit atau klik icon
pada toolbar.
2. Column input
Pada cara ini, akan ditentukan berapa karakter yang digunakan untuk masuk kedalam
setiap variabelnya. Contoh 3.2.
data scores;
input Name$ 1-7 Test_1 9-11 Test_2 13-15 Test_3 17-19;
datalines;
Bill 187 97 103
Carlos 156 76 74
Monique 99 102 129
;
RUN;
title "score class 2-5";
PROC print DATA=scores;
run;
Pada contoh 3.2, setelah nama variabel diberikan range karakter yang digunakan.
Variabel nama merupakan dari karakter ke 1 sampai ke 9, variabel test_1 merupakan data
pada karakter ke 9 sampai ke 11, dan seterusnya untuk variabel test_2 dan test_3.
Tampilan output contoh 3.2, akan sama dengan contoh 3.1.
3. Formatted input
Biasanya digunakan ketika membaca angka yang terdapat simbol seperti tanggal. Contoh
3.3.
data total_sales;
input Date mmddyy10. +2 Amount comma5.;
datalines;
09/05/2000 1,382
10/19/2000 1,235
11/30/2000 2,391
;
RUN;
title "total sales in April 2013";
PROC print DATA=total_sales;
run;
pada contoh 3.3, mmddyy10 merupakan format untuk tanggal dimana tidak dipedulikan
tanda slash. +2 merupakan pinter control yang memerintahkan SAS untuk melihat item
selanjutnya.
Sedangkan untuk membaca file, SAS dapat membaca file pada empat lokasi, yaitu:
1. Membaca data yang telah dimasukkan seperti yang dijelaskan sebelumnya.
2. Membaca file yang telah ditetapkan menggunakan statemen INFILE
Jika telah ada data yang disimpan dalam bentuk .dat, maka tidak perlu membawa data
tersebut ke dalam file stream atau menginput sesuai dengan yang telah dijelaskan
sebelumnya. Gunakan statemen INFILE untuk memanggil data tersebut. Selain
menggunakan INFILE, dapat menggunakan statemen FILE ataupun FILENAME.
Terdapat beberapa format statemen INFILE yang tergantung oleh operating environment
dari komputer atau PC yang dapat ditabelkan seperti berikut.
Contoh 3.4.
data scores;
infile 'your-input-file';
input Name$ 1-7 Test_1 9-11 Test_2 13-15 Test_3 17-19;
run;
PROC print DATA=scores;
run;
Sedangkan data dapat disimpan dari beberapa sumber yang dapat ditabelkan seperti
berikut:
Berikut ini contoh 3.5 memanggil data dari excel yang tersimpan pada D:\BELAJARSAS\
dengan nama file DAFTAR_PEGAWAI_1.xls.
Proc import datafile="D:\BELAJARSAS\DAFTAR_PEGAWAI_1.xls"
out=DaftarPegawai dbms=excel2000 replace;
run;
Pada window tersebut, terdapat pilihan open atau new, jika ingin membuka file yang sudah
ada maka klik open, jika ingin memasukkan data baru maka klik new sehingga muncul
window WORK.A seperti pada Gambar 2.5. Kemudian memasukkan data.
Pada gambar diatas dapat diketahui bahwa output dapat disimpan dalam berbagai tipe yang
meliputi list file, SAS file, Log Files, Data Files, dan RTF file. Disarankan untuk menyimpan
dalam RTF file karena dapat dibuka menggunakan Ms.Word.
Sedangkan untuk menyimpan gambar, dapat dilakukan klik kanan pada gambar kemudian
file > save as. Kemudian isikan nama file pada kotak file name dan klik save. Atau dapat pula
dengan mengaktifkan window graph dan klik file > save as image pada menu SAS. Kemudian
isikan nama dan klik save.
BAB III
ARIMA dengan SAS
Salah satu analisis data yang sering menggunakan SAS ialah ARIMA. Hal tersebut
dikarenakan SAS memiliki kelebihan dibandingkan dengan program lainnya, yaitu SAS dapat
mengestimasi lag-lag tertentu pada model ARIMA atau model additif pada ARIMA yang
mengandung lag reguler dan lag musiman. Secara umum, model ARIMA(p, d, q)(P, D, Q)S
dapat ditulis sebagai berikut.
𝜙𝑝 (𝐵) Φ𝑃 (𝐵 𝑆 ) (1 − 𝐵)𝑑 (1 − 𝐵 𝑆 )𝐷 𝑦𝑡 = 𝜃0 + 𝜃𝑞 (𝐵) Θ𝑄 (𝐵 𝑆 ) 𝜀𝑡
dengan:
𝑝 = orde dari autoregressive
𝑑 = orde dari differencing
𝑞 = orde dari moving average
𝑆 = periode musiman
𝑃 = orde dari autoregressive musiman
𝐷 = orde dari differencing musiman
𝑄 = orde dari moving average musiman
𝜙𝑝 (𝐵) = 1 − 𝜙1 𝐵 − 𝜙2 𝐵2 − ⋯ − 𝜙𝑝 𝐵𝑝
𝜃𝑞 (𝐵) = 1 − 𝜃1 𝐵 − 𝜃2 𝐵2 − ⋯ − 𝜃𝑞 𝐵𝑞
Φ𝑃 (𝐵 𝑆 ) = 1 − Φ1 𝐵 𝑆 − Φ2 𝐵2𝑆 − ⋯ − Φ𝑃 𝐵𝑃𝑆
Θ𝑄 (𝐵 𝑆 ) = 1 − Θ1 𝐵 𝑆 − Θ2 𝐵2𝑆 − ⋯ − Θ𝑄 𝐵𝑄𝑆
Terdapat empat langkah untuk mendapatkan nilai peramalan menggunakan metode ARIMA
yang sesuai dengan metodologi Box-Jenkins, meliputi identifikasi, estimasi parameter, uji
diagnostik, dan peramalan. Langkah-langkah tersebut dapat digambarkan seperti berikut:
Contoh model ARIMA pada lag-lag tertentu ialah ARIMA([8],0,0), dengan catatan data
tidak memiliki pola musiman. Sedangkan pada data yang memiliki pola musiman, terdapat
tiga jenis model SARIMA (Seasonal ARIMA), yaitu subset SARIMA, multiplicative
SARIMA, dan Additive SARIMA. Berikut ini merupakan contoh dan besarnya PACF untuk
membedakan ketiga model SARIMA yang dapat ditabelkan seperti berikut:
Procedure ARIMA pada SAS dapat melakukan identifikasi, estimasi parameter, dan
peramalan model ARIMA (Box-Jenkins), model ARIMA dengan pola musiman, model fungsi
transfer, dan model intervensi. Prosedure ARIMA pada SAS memiliki beberapa komponen
yaitu:
• Model ARIMA (Box-Jenkins) yang seutuhnya dengan tidak ada batasan orde dari
proses autoregressive atau moving average
• Model identifikasi meliputi:
o autocorrelation function (ACF)
o partial autocorrelation function (PACF)
o inverse autocorrelation function (IACF)
o cross-correlation function (CCF), digunakan pada transfer function
o extended sample autocorrelation function
o minimum information criterion for model identification
o squared canonical correlations
• Uji stasionaritas ialah unit root test
• Deteksi outlier
• intervention analysis
• regresi dengan eror ARMA
• model fungsi transfer dengan fully general rational transfer functions
• model ARIMA musiman
• model ARIMA yang berdasarkan interpolasi dari missing values
• beberapa metode estimasi parameter, yaitu exact maximum likelihood, conditional
least squares, dan exact nonlinear unconditional least squares
• peramalan kedepan dan ramalan interval untuk semua model
• forecasting tied to parameter estimation methods: finite memory forecasts for models
estimated by maximum likelihood or exact nonlinear least squares methods and
infinite memory forecasts for models estimated by conditional least squares
• beberapa statistika diagnosa model yang meliputi: Akaike's information criterion
(AIC), Schwarz's Bayesian criterion (SBC or BIC), Box-Ljung chi-square test
statistics for white noise residuals, autocorrelation function of residuals, partial
autocorrelation function of residuals, inverse autocorrelation function of residuals, dan
automatic outlier detection
Berikut ini merupakan pembahasan model ARIMA dari data penumpang airline pada Series G
in Box and Jenkins (1976) yang meliputi identifikasi, estimasi parameter, uji diagnostik, dan
peramalan. Berikut ini merupakan syntax untuk menginput data penumpang airlines.
title1 'International Airline Passengers';
title2 '(Box and Jenkins Series-G)';
data seriesg;
input x @@;
xlog = log( x );
date = intnx( 'month', '31dec1948'd, _n_ );
format date monyy.;
datalines;
112 118 132 129 121 135 148 148 136 119 104 118
115 126 141 135 125 149 170 170 158 133 114 140
145 150 178 163 172 178 199 199 184 162 146 166
171 180 193 181 183 218 230 242 209 191 172 194
196 196 236 235 229 243 264 272 237 211 180 201
204 188 235 227 234 264 302 293 259 229 203 229
242 233 267 269 270 315 364 347 312 274 237 278
284 277 317 313 318 374 413 405 355 306 271 306
315 301 356 348 355 422 465 467 404 347 305 336
340 318 362 348 363 435 491 505 404 359 310 337
360 342 406 396 420 472 548 559 463 407 362 405
417 391 419 461 472 535 622 606 508 461 390 432
;
3.1. Identifikasi
Tahap identifikasi merupakan tahap untuk mengetahui apakah memerlukan transformasi,
untuk menentukan menggunakan 𝜃0 ketika 𝑑 ≥ 1, dan menentukan orde 𝑝, 𝑞, 𝑃, 𝑄, dan 𝑆 pada
model ARIMA. Pertama yang akan dilakukan ialah melihat bagaimana plot time series.
Berikut ini sytax yang digunakan.
symbol1 i=join v=dot;
proc gplot data=seriesg;
plot x * date = 1 / haxis= '1jan49'd to '1jan61'd by year;
run;
WARNING: The value of NLAG is larger than 25% of the series length. The asymptotic approximations
used for correlation based statistics and confidence intervals may be poor.
Autocorrelations
ACF menunjukkan Cut off after lag 1 dan 12, dimana lag yang keluar meliputi 1, 2 dan 12.
Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 -0.34112 | *******| . |
2 -0.01281 | . | . |
3 -0.19266 | ****| . |
4 -0.12503 | ***| . |
5 0.03309 | . |* . |
6 0.03468 | . |* . |
7 -0.06019 | . *| . |
8 -0.02022 | . | . |
9 0.22558 | . |***** |
10 0.04307 | . |* . |
11 0.04659 | . |* . |
12 -0.33869 | *******| . |
13 -0.10918 | .**| . |
14 -0.07684 | .**| . |
15 -0.02175 | . | . |
16 -0.13955 | ***| . |
17 0.02589 | . |* . |
18 0.11482 | . |**. |
19 -0.01316 | . | . |
20 -0.16743 | ***| . |
21 0.13240 | . |*** |
22 -0.07204 | . *| . |
23 0.14285 | . |*** |
24 -0.06733 | . *| . |
25 -0.10267 | .**| . |
26 -0.01007 | . | . |
27 0.04378 | . |* . |
28 -0.08995 | .**| . |
29 0.04690 | . |* . |
30 -0.00490 | . | . |
31 -0.09638 | .**| . |
32 -0.01528 | . | . |
33 0.01150 | . | . |
34 -0.01916 | . | . |
35 0.02303 | . | . |
36 -0.16488 | ***| . |
PACF tersebut menunjukkan bahwa dies down untuk pola reguler dan musimannya.
Berdasarkan ACF dan PACF, dapat disimpulkan bahwa kemungkinan modelnya ialah model
additive ARIMA atau dapat ditulis ARIMA([1,12],1,0)(0,1,0)12. Akan tetepi pada modul ini
akan dicoba ketiga model seasonal ARIMA, yaitu model subset ARIMA([1,2,12],1,0)
(0,1,1)12, model multiplikative ARIMA(1,1,0)(1,1,0)12, dan model additive
ARIMA([1,12],1,0)(0,1,0)12.
ARIMA([1,2,12],1,0) (0,1,1)12
estimate q=(1)(12) noconstant method=uls;
run;
ARIMA(1,1,0)(1,1,0)12
estimate q=(1,2,12) noconstant method=uls;
run;
ARIMA([1,12],1,0)(0,1,0)12
estimate q=(1,12) noconstant method=uls;
run;
Jika model arima ialah AR(1) maka q=(1)(12) diganti dengan p=(1). Serta data yang telah
didefferencing akan disekitar nol, sehingga tidak perlu konstanta dalam model (tidak
memakai sintax noconstant). Hasil tersebut dapat terdiri dari hasil estimasi dan pengujian
signifikansinya, kriteria kebaikan model berdasarkan data training dan Autocorrelation Check
of Residuals yang digunakan untuk uji white noise (pada uji diagnostik).
ARIMA(1,1,0)(1,1,0)12
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
MA1,1 0.39594 0.08149 4.86 <.0001 1
MA2,1 0.61331 0.07961 7.70 <.0001 12
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations--------------------
WARNING: The model defined by the new estimates is unstable. The iteration process has been
terminated.
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations--------------------
Model ARIMA([1,2,12],1,0) (0,1,1)12 memiliki satu parameter yang tidak signifikan yaitu
parameter MA pada lag 2.
ARIMA([1,12],1,0)(0,1,0)12
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations--------------------
Uji diagnostik meliputi uji white noise dan kenormalan pada residual. Residual yang
digunakan ialah residual dari ketiga model ARIMA. Hipotesis pada pengujian white noise
ialah
H0: 𝜌1 = 𝜌2 = ⋯ = 𝜌𝑘 = 0 (residual white noise)
H1: minimal terdapat satu 𝜌𝑖 ≠ 0, 𝑖 = 1, 2, … , 𝑘 (residual tidak white noise)
Lag dan p-value (Pr > ChiSq) pada pengujian white noise dari ketiga model ARIMA seperti
pada hasil estimasi. P-value setiap lag lebih besar dari pada 𝛼(0,05) sehingga gagal tolak H0
dengan kata lain residual white noise untuk ketiga model ARIMA. Selain itu, nilai Chi- Square
diperoleh menggunakan rumus yang ditemukan oleh Ljung dan Box (1978), seperti berikut:
𝐾
Dengan bantuan paket program SAS diperoleh nilai p-value pada Kolmogorov-smirnov lebih
besar dari taraf signifikansi, sehingga gagal tolak H0 atau residual tidak berdistribusi normal.
3.4. Peramalan
Sintax yang digunakan untuk meramalkan 12 bulan kedepan seperti sintax pada uji
diagnostik. Berikut ini merupakan hasil peramalan 12 bulan kedepan untuk data xlog.