LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 5 : SARIMA
Dita Apriani
Fitri Khairani
Masthura
Mujiati Dwi
Kartikasari, S.Si.,
M.Sc.
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2018
Daftar Isi
Daftar Isi.................................................................................................................. ii
Daftar Tabel ........................................................................................................... iii
Daftar Gambar ........................................................................................................ iii
1 Pendahuluan .................................................................................................... 1
1.1 SARIMA (Seasonal ARIMA) ................................................................. 1
2 Deskripsi Kerja................................................................................................ 3
2.1 Studi Kasus ............................................................................................. 3
2.2 Langkah Kerja Penyelesaian Kasus ........................................................ 4
3 Deskripsi Kerja................................................................................................ 9
3.1 Identifikasi Pola Data .............................................................................. 9
3.1.1 Differencing Data Musiman ................................................................ 9
3.1.2 Differencing Data Non Musiman ...................................................... 11
3.2 Fitted Model .......................................................................................... 13
3.3 Uji Kecocokan Model ........................................................................... 15
3.4 Uji Normalitas ....................................................................................... 16
3.5 Peramalan .............................................................................................. 17
3.6 Plot Peramalan dan Data asli................................................................. 17
4 Penutup.......................................................................................................... 18
5 Daftar Pustaka ............................................................................................... 19
ii
Daftar Tabel
Daftar Gambar
iii
1 Pendahuluan
1
1. Mengidentifikasi struktur SARIMA (p, d, q) (P, D, Q)s;
2
2 Deskripsi Kerja
Januari 317318
Februari 317318
Maret 300626
April 297024
Mei 322226
Juni 280360
2016
Juli 380567
Agustus 312035
September 278897
Oktober 287853
November 264322
Desember 289707
Januari 334556
Februari 259457
2017
Maret 287522
April 294602
3
Mei 294629
Juni 280475
Juli 384004
Agustus 309004
september 305698
Oktober 307834
November 301136
Desember 318806
Januari 372984
Februari 290832
Maret 312516
April 324330
Juni 336870
Juli 361523
Agustus 317360
September 292582
6
model2 = Arima(log(penumpang), order = c(1,2,0), seasonal =
list(order = c(0,1,0), period = 12), include.mean = FALSE)
summary(model2)
model3 = Arima(log(penumpang), order = c(0,2,1), seasonal =
list(order = c(0,1,0), period = 12), include.mean = FALSE)
summary(model3)
17. Kemudian praktikan melakukan uji signifikansi terdapat model yang
dibuat dengan perintah sebagai berikut.
printstatarima <- function (x, digits = 4,se=T,...){
if (length(x$coef) > 0) {
cat("\nCoefficients:\n")
coef <- round(x$coef, digits = digits)
if (se && nrow(x$var.coef)) {
ses <- rep(0, length(coef))
ses[x$mask] <- round(sqrt(diag(x$var.coef)), digits =
digits)
coef <- matrix(coef, 1, dimnames = list(NULL,
names(coef)))
coef <- rbind(coef, s.e. = ses)
statt <- coef[1,]/ses
pval <- 2*pt(abs(statt), df=length(x$residuals)-1,
lower.tail = FALSE)
coef <- rbind(coef,
t=round(statt,digits=digits),sign.=round(pval,digits=digit
s))
coef <- t(coef) }
print.default(coef, print.gap = 2) }}
printstatarima(model1)
printstatarima(model2)
printstatarima(model3)
18. Setelah didapatkan model terbaik praktikan melakukan uji diagnostik
pada model.
### Uji diagnostik ###
tsdiag(model1)
tsdiag(model2)
tsdiag(model3)
19. Kemudian melakukan uji normalitas
##Uji Normalitas
jarque.bera.test(model1$residuals)
jarque.bera.test(model2$residuals)
jarque.bera.test(model3$residuals)
20. Kemudian praktikan melakukan peramalan data untuk 12 periode
kedepan dengan menggunakan model terbaik.
### Peramalan ###
penumpang.pred=predict(model1, n.ahead = 12)
penumpang.pred
21. Kemudian membalikan data ke awal lagi
### Membalikkan ke data awal ###
penumpang.pred2 = exp(penumpang.pred$pred)
7
penumpang.pred2
22. Melihat nilai prediksi berdasarkan model terbaik
### Nilai prediksi ###
penumpang.fitted2 = exp(fitted(model1))
penumpang.fitted2
23. Melihat frafik data asli dan data prediksi
### Grafik data asli dan data prediksi ##
ts.plot(penumpang, col="blue")
lines(penumpang.fitted2, col="red")
8
3 Deskripsi Kerja
Berdasarkan pola data yang dihasilkan dari data histori adalah sebagai
berikut.
Pola data yang ada menunjukkan data tidak stasioner, maka pertama
praktikan akan melakukan differencing data pada musiman yang ada pada data yang
digunakan.
9
Gambar 3.2 Grafik Pola Data yang Telah Didifferencing Musimannya
Gambar di atas adalah pola data setelah data musiman didiffencingkan, untuk
menguji kestasioneran datanya dapat menggunakan uji adf test.
Untuk uji stasioneritas data dapat dilakukan dengan melihat output dari hasil
adf test. Adapun hipotesis yang digunakan adalah :
o Hipotesis
H0 : Data mengandung unit root (tidak stasioner)
H1 : Data tidak mengandung unit root (stasioner)
o Tingkat signifikansi
α = 5%
o Daerah kritis
Tolak H0 apabila p-value < α
o Statistik uji
P-value = 0.99
o Keputusan
Karena p-value = 0.99 > α = 0.05 → maka Gagal Tolak H0
10
o Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% diperoleh keputusan tolak
H0 yang berarti bahwa data tidak stasioner.
Karena data yang ada belum stasioner maka kedua praktikan akan
melakukan differencing data non musimannya. Data yang differencingkan adalah
data yang telah didifferencingkan data musiman sebelumnya.
Gambar 3.4 Grafik Pola yang Telah Didifferencing Data Non Musimannya
Berdasarkan hasil grafik di atas data pola data telah stasioner atau data yang
ada telah menyebar disekitaran rata-rata. Untuk uji kestasioneran data selain
melihat pola data dapat juga diketahui melalui hasil output adf dan kpss testnya.
o Hipotesis
11
H0 : Data mengandung unit root (tidak stasioner)
H1 : Data tidak mengandung unit root (stasioner)
o Tingkat signifikansi
α = 5%
o Daerah kritis
Tolak H0 apabila p-value < α
o Statistik uji
P-value = 0.08406
o Keputusan
Karena p-value = 0.08406 > α = 0.05 → maka Tolak H0
o Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% diperoleh keputusan tolak
H0 yang berarti bahwa data stasioner.
o Hipotesis
H0 : Data stasioner (data mengandung unit root stasioner)
H1 : Data tidak stasioner (data tidak mengandung unit root)
o Tingkat signifikansi
α = 5%
o Daerah kritis
Tolak H0 apabila p-value < α
o Statistik uji
P-value = 0.1
o Keputusan
12
Karena p-value = 0.1 > α = 0.05 → Gagal Tolak H0
o Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% diperoleh keputusan gagal
tolak H0 yang berarti bahwa data stasioner.
Berdasarkan hasil kesimpulan uji kestasioneran data dengan menggunakan uji adf
tes dan kpss tes didapatkan hasil yaitu data yang ada telah stasioner.
Dikarenakan data telah stasioner maka praktikan akan melakukan pencarian model
terbaik dengan menggunakan plot ACF dan PACF.
Praktikan ingin melihat nilai AIC dari setiap estimasi model yang dibuat,
dimana nilai AIC ini bisa menentukan mana model terbaik yang bisa digunakan
untuk data di atas. Adapun hasil nilai AIC dapat dilihat dari output summary tiap
model yang akan dirangkum pada tabel berikut.
13
Gambar 3.8 Output Summary Tiap Model
Model AIC
SARIMA(1,2,1) (0,1,0) -24,61
SARIMA(1,2,0) (0,1,0) -13,22
SARIMA (0,2,1) (0,1,0) -13,47
14
Gambar 3.9 Output Uji Kesignifikanan Koefisien Terhadap Model
o Hipotesis
H0 : Koefisien-koefisien tidak signifikan terhadap model SARIMA
H1 : Koefisien-koefisien signifikan terhadap model SARIMA
o Tingkat signifikansi
α = 5%
o Daerah kritis
Tolak H0 apabila p-value < α
o Statistik uji
p-
Model Koefisien α Keputusan
value
SARIMA AR(1) 0e+00
(1,2,1) 0,05 Tolak H0
(0,1,0) MA(1) 1e-04
o Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dapat disimpulkan bahwa
model SARIMA(1,2,1) (0,1,0) signifikan.
Dari model tersebut dilakukan uji diagnostik. Adapun hasil output untuk uji
diagnostiknya adalah.
15
Gambar 3.10. Uji Diagnostik
Terlihat dari hasil cek diagnotik di atas, residual dari model SARIMA(1,2,1) (0,1,0)
merupajan model yang baik untuk data di atas. Dari plot ACF terlihat bahwa
adannya 1 lag yang keluar dari gari batas interval. Sedangkan untuk nilai p-value
dari statistik Ljung-Box juga di atas garis batas 1%.
o Hipotesis
H0 : data berdistribusi normal
H1 : data tidak berdistribusi normal
o Taraf Signifiansi
α = 0.05
o Daerah kritis
Tolak H0 jika p-value < α
o Statistic uji
3.5 Peramalan
17
4 Penutup
1. Berdasarkan hasil nilai AIC didapatkan bahwa model dengan nilai AIC terkecil
adalah model SARIMA(1,2,1) (0,1,0) dengan AIC sebesar -24,61.
2. Pada uji kecocokan model dengan menggunakan tingkat kepercayaan 95%
dapat disimpulkan bahwa model SARIMA(1,2,1) (0,1,0) signifikan.
3. Dari hasil cek diagnotik di atas, residual dari model SARIMA(1,2,1) (0,1,0)
merupajan model yang baik untuk data di atas. Dari plot ACF terlihat bahwa
adannya 1 lag yang keluar dari gari batas interval. Sedangkan untuk nilai p-
value dari statistik Ljung-Box juga di atas garis batas 1%.
4. Pada uji normalitas dengan tingkat kepercayaan 95% didapat hasil bahwa data
berdistribusi normal
5. Didapatkan peramalan 12 periode kedepan dimulai dari Oktober 2018 sampai
September 2019. Yaitu 299660.8 ; 297918.8 ; 324658.1 ; 390484.3 ; 293798.1
; 328836.5 ; 334349.7 ; 325789.5 ; 297794.5 ; 381505.7 ; 354631.1 ; 290724.6
6. Dari plot data asli dan data prediksi dapat disimpulkan bahwa prediksi sangat
baik.
18
5 Daftar Pustaka
Primandari, Arum Handini., Amora, Ria., dkk. Modul Praktikum Analisis Runtun
Waktu. FMIPA UII: Yogyakarta
Rahardi, Dicky. 2007. Metode Peramalan Bisnis dan Upaya Memperoleh Akurasi
yang Lebih Baik. Tersedia pada
http://dickyrahardi.blogspot.co.id/2007/01/metode-peramalan-bisnis-dan-
upaya_17.html.
19
20