13,2
Harga Gula Dunia
12,8
12,4
12,0
1 6 12 18 24 30 36 42 48 54 60
Index
Hasil Time Series Plot dari data Harga Gula Dunia (Sebelum Diff)
1,0
0,5
C4
0,0
-0,5
-1,0
1 6 12 18 24 30 36 42 48 54 60
Index
1,0
0,8
0,6
0,4
Autocorrelation
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag
Partial Autocorrelation Function for C4
(with 5% significance limits for the partial autocorrelations)
1,0
0,8
0,6
Partial Autocorrelation
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag
Terlihat bahwa pada lag 1 terlihat signifikan sehingga ordo yang mungkin untuk p dan q
(1,3,0)
(1,3,1)
(0,3,1)
(1,2,0)
(1,2,1)
(0,2,1)
ARIMA (1,3,0):
Hasil dari ARIMA(1,3,1):
Hasil dari ARIMA(0,3,1)
Hasil ARIMA (1,2,0) :
Hasil ARIMA (1,2,1) :
Hasil ARIMA (0,2,1) :
Uji signifikansi Parameter
Hipotesis:
Taraf Signifikansi :
α = 5%
Statistik Uji
Kriteria Uji
Keputusan
Kesimpuan
Jadi pada taraf sinifikansi 5% H0 untuk hampir seluruh parameter ditolak, kecuali Parameter
AR pada model ARIMA(1,2,1)
MEMVERIFIKASI MODEL
Hipotesis:
Taraf Signifikansi:
α = 5%
Statistik Uji:
ARIMA P-Value α
(1,2,0) > 0,150 0,050
(1,2,1) 0,085 0,050
(0,2,1) 0,069 0,050
(1,3,0) < 0,01 0,050
(1,3,1) > 0,150 0,050
(0,3,1) 0,043 0,050
Kriteria Uji
Keputusan
H0 diterima untuk Model ARIMA (1,2,0) , ARIMA (1,2,1) , ARIMA (1,3,1) , ARIMA (0,2,1)
Kesimpulan
Hanya Model ARIMA (1,2,0) , ARIMA (1,2,1) , ARIMA (1,3,1) , ARIMA (0,2,1) yang
berdistribusi normal selain itu model berdistribusi Tidak Normal
2. Uji Independensi
Hipotesis:
Taraf Signifikansi:
α = 5%
Statistik Uji:
Kriteria Uji
Keputusan
H0 diterima untuk Model ARIMA (1,2,0) , ARIMA (1,2,1) , ARIMA (0,2,1) , ARIMA (1,3,1)
Kesimpulan
Jadi pada taraf signifikan 5% model ARIMA (1,2,0) , ARIMA (1,2,1) , ARIMA (0,2,1) , ARIMA
(1,3,1) H0 diterima berarti tidak ada korelasi(Independent) antar lag.
Menghitung MSE
ARIMA MSE
(1,2,0) 0,02877
(1,2,1) 0,02156
(0,2,1) 0,02122
(1,3,0) 0,06203
(1,3,1) 0,03071
(0,3,1) 0,0417
Kecocokan
Model Normalitas Independensi MSE
Parameter
(1,2,0) 1 1 1 0,02877
(1,2,1) 0 1 1 0,02156
(0,2,1) 1 1 1 0,02122
(1,3,0) 1 0 0 0,06203
(1,3,1) 1 1 1 0,03071
(0,3,1) 1 0 0 0,0417
Kesimpulan:
dari seluruh syarat untuk menjadi model yang terbaik kelengkapan atribute dan yang
memiliki nilai MSE terendah dianggap sebagai model yang terbaik
Keputusan:
Bahwa Model ARIMA(0,2,1) merupakan model yang terbaik, dan forecasting untuk beberapa
periode waktu kedepan dengan model ARIMA(0,2,1) sbb: