Laporan ARW 5
Laporan ARW 5
LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 5 : Dekomposisi
Tanda tangan
Nama Penilai Tanggal Koreksi Nilai
Asisten Dosen
Dhinda Seftiyani Budi Utari
Syinta Nuri Masyita
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi
Daftar Isi.................................................................................................................. 2
Daftar Gambar ......................................................................................................... 3
1 Pendahuluan .................................................................................................... 4
1.1 Pengertian Dekomposisi ........................................................................... 4
2 Deskripsi Kerja................................................................................................ 6
2.1 Studi Kasus ............................................................................................... 6
2.2 Langkah Kerja .......................................................................................... 6
3 Pembahasan ................................................................................................... 11
4 Penutup.......................................................................................................... 15
4.1 Kesimpulan ............................................................................................. 15
5 Daftar Pustaka ............................................................................................... 16
2
Daftar Gambar
3
1 Pendahuluan
4
ini dapat timbul sebagai akibat adanya peperangan, bencana alam, krisis moneter
dan lain-lain. Menurut Hildebrand (1991), komponen tren, siklus, musiman dan
kesalahan dari deret waktu dapat diasumsikan dalam dua model yang berbeda yaitu
model multiplikatif dan model aditif.
Model multiplikatif dari metode dekomposisi adalah:
Xt = It . Tt . Ct .Et
sedangkan model aditifnya adalah :
Xt = It + Tt + Ct + Et
dimana,
Xt = data aktual pada periode ke-t
Tt = komponen Tren pada periode ke-t
Ct = komponen siklus pada periode ke-t
It = komponen musiman pada periode ke-t
Et = komponen kesalahan pada periode ke-t. (arsyil, 2011)
5
2 Deskripsi Kerja
6
2. Kemudian, buka R Studio terlebih dahulu dengan cari shortcut R Studio pada
layar dekstop, atau masuk lewat tombol start, lalu pilih All programs, kemudian
pilih R Studio for windows. Berikut tampilan awalnya.
7
Gambar 2.4. mengurutkan data
6. Selanjutnya, buat plot data untuk melihat pola data. Berikut tampilan syntaks
pada Gambar 2.6.
8
7. Selanjutnya, praktikan dapat melakukan dekomposisi dari data dengan model
multiplicative. Berikut tampilan syntaks pada Gambar 2.7.
9
9. Kemudian lakukan peramalan indeks musiman untuk 3 periode kedepan.
Sebelum melakukan peramalan pastikan aktifkan package forecast terlebih
dahulu. Berikut tampilannya pada Gambar 2.11.
10. Praktikan juga akan menampilkan data hasil penyesuaian musiman. Berikut
tampilannya pada Gambar 2.12.
11. Setelah itu, praktikan akan membuat plot yang menggambarkan data
penyesuaian musiman. Berikut tampilannya.
13. Terakhir, praktikan akan menggambarkan plot dari data peramalan dengan
metode holt. Berikut tampilan syntaksnya
10
3 Pembahasan
Pada bab ini, praktikan akan menjelaskan lebih rinci dari langkah-langkah
kerja yang sudah dilakukan serta menjelaskan output yang telah didapatkan dari R
Studio.
Pada studi kasus pertama praktikan akan melakukan analisis runtun waktu
menggunakan metode dekomposisi. Sebelumnya, praktikan akan memperlihatkan
gambaran dari plot data series untuk menentukan apakah praktikan harus
menggunakan dekomposisi dengan metode additive atau multiplicative. Berikut
tampilan output pada Gambar 3.1.
Dari Gambar 3.1. dapat dilihat bahwa amplitudo dari komponen musiman
data relative tidak konstan sehingga dekomposisi bentuk multiplicative dapat
digunakan pada data tersebut.
Selanjutnya praktikan akan melakukan dekomposisi bentuk multiplicative
dan menampilkan bentuk dari plot dari dekomposisi. Berikut tampilan plot terlebih
dahulu.
11
Dari Gambar 3.2. dapat dilihat plot tersebut menunjukkan data actual,
estimasi komponen trend, estimasi komponen musiman, dan estimasi komponen
random. Dari plot tersebut dapat dilihat bahwa estimasi komponen trend
menunjukkan grafik yang tidak stabil dari tahun 2012.
Kemudian praktikan dapat melihat masing-masing komponen hasil dari
dekomposisi. Berikut tampilannya.
12
Gambar 3.6. ramalan untuk 3 periode ke depan
Dari Gambar 3.6. dapat dilihat bahwa didapatkan ramalan dari data tingkat
inflasi pada tahun 2018 dari bulan Oktober, November, dan Desember berturut-
turut senilai 2.86% , 2.78% dan 2.70%. Kemudian praktikan akan membuat plot
yang menggambarkan data hasil penyesuaian musiman.Berikut tampilannya .
Dari Gambar 3.8. dapat dilihat bahwa didapatkan hasil peramalan tingkat
inflasi untuk 3 periode ke depan dengan metode Holt di tahun 2018 pada bulan
13
Oktober, November, dan Desember berturut-turut senilai 2.95% , 2.95%, dan
2.96% .
Terakhir, praktikan akan menggambarkan plot dari data hasil peramalan
dengan metode Holt Berikut tampilannya pada Gambar 3.9.
14
4 Penutup
4.1 Kesimpulan
15
5 Daftar Pustaka
arsyil. (2011, Januari). metode dekomposisi trend siklus musiman. Retrieved from
arsyil blogspot: http://arsyil.blogspot.com/2011/01/metode-dekomposisi-
trend-siklus-musiman.html
16