Kelas A

LAPORAN PRAKTIKUM
Analisis Runtun Waktu (ARW)*
Modul 6 : ARIMA

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul
Sri Arista Panggola 21 November
17611078
2019

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Dhinda Seftiyani
Budi Utari
Syinta Nuri Mashita
Arum Handini
Primandari, M.Sc

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi

Halaman sampul ....................................................................................................... i

Daftar Isi................................................................................................................... i
Daftar Tabel ............................................................................................................ ii
Daftar Gambar ......................................................................................................... ii
1 Pendahuluan .................................................................................................... 1
2 Deskripsi Kerja................................................................................................ 3
2.1 Studi Kasus ............................................................................................... 3
2.2 Langkah Kerja .......................................................................................... 3
3 Pembahasan ..................................................................................................... 7
3.1 Uji Stasioneritas Pertama ......................................................................... 7
3.2 Uji Stasioneritas Kedua ............................................................................ 9
3.3 Estimasi Parameter Model...................................................................... 11
3.4 Estimasi Parameter Model...................................................................... 12
4 Penutup.......................................................................................................... 15
4.1 Kesimpulan ............................................................................................. 15
5 Daftar Pustaka ............................................................................................... 16

i
Daftar Tabel

Tabel ‎3.1. Rangkuman Model ARIMA. ............................................................... 13

Daftar Gambar

Gambar 2.1. Membaca Data. ................................................................................. 3

Gambar ‎2.2. Data Runtun Waktu Minyak ............................................................. 3
Gambar ‎2.3. Membuat Garafik ACF dan PACF ................................................... 4
Gambar ‎2.4. Melakukan Diferensi Orde 1 ............................................................ 4
Gambar ‎2.5. Uji ADF dan Grafik Data Diferensi.................................................. 4
Gambar ‎2.6. Membuat Grafik ACF dan PACF Data Diferensi............................. 4
Gambar ‎2.7. Estimasi Model ................................................................................. 5
Gambar ‎2.8 Fungsi Printsaima .............................................................................. 5
Gambar ‎2.9 Uji Diagnostik Model ........................................................................ 5
Gambar ‎2.10 Melakukan Peramalan 5 Periode ke Depan ..................................... 6
Gambar 3.1. Hasil Time Series Data Minyak ........................................................ 7
Gambar ‎3.2. Grafik Data Minyak .......................................................................... 7
Gambar ‎3.3. Uji ADF Data Minyak ...................................................................... 8
Gambar ‎3.4. Grafik ACF dan PACF Data Minyak .............................................. 8
Gambar ‎3.5. Grafik Data Minyak Setelah di Diferensi ......................................... 9
Gambar ‎3.6. Uji ADF Data Hasil Diferensi ........................................................ 10
Gambar ‎3.7 Grafik ACF dan PACF Data Hasil Diferensi ................................. 10
Gambar ‎3.8 Hasil Estima ke-3 Model ................................................................. 11
Gambar ‎3.9 Hasil Printsarima ke-3 Model .......................................................... 11
Gambar ‎3.10 Grafik Uji Diagnostik Model 2 ARIMA (1,1,0) ........................... 12
Gambar ‎3.11 Grafik Uji Diagnostik Model 3 ARIMA (0,1,2) ........................... 13
Gambar ‎3.12 Hasil Prediksi 5 Periode ke Depan ............................................... 14
Gambar ‎3.13 Hasil Fitted Value Model ARIMA (0,1,2) ................................... 14

ii
1 Pendahuluan

Metode ARIMA menggunakan pendekatan iteratif dalam mengidentifikasi

suatu model yang paling tepat dari berbagai model yang ada. Model sementara
yang telah dipilih diuji lagi dengan data historis untuk melihat apakah model
sementara yang terbentuk tersebut sudah memedai atau belum. Model sudah
dianggap memedai apabila residual (selisih hasil peramalan dengan data historis)
terdistribusi secara acak, kecil dan independen satu sama lain.

1. Pra Pengolahan Data

2. Identifikasi Model

c 3. Estimasi Parameter Model Tidak

c
4. Cek Diagnostik residual

Ya

5. Peramalan

Langkah-langkah penerapan metode ARIMA secera berturut-turut yaitu

(Primandari and dkk 2016) (Rosadi 2011):
1. Pra pengolahan Data
Pada tahapan ini, data diuji stasioneritasnya menggunakan uji akar unit
seperti uji ADF, uji KPSS, maupun uji Philips Perron. Selain itu, dapat
diuji normalitas guna melihat apakah data berdistribusi normal atau tidak.
Jika data tidak stasioner maka dilakukan diferensi. Sementara, jika tidak
normal maka dilkaukan transformasi.
2. Identifikasi Model
Pada proses identifikasi, digunakan grafik ACF dan PACF.
3. Estimasi Parameter

1
 Estimasi parameter dapat dilakukan dengan metode Maximum Likelihood
Estimator (MLE), Least Square, dan lainnya. Dalam melakukan estimasi
parameter, apabila terdapat parameter yang idak signifikan setelah adanya
uji-t, maka dapat dilakukan proses overfitting. Proses overfitting adalah
proses mengkaji model lain disekitar model utama.
4. Diagnostic Checking
Langkah selanjutnya adalah uji diagnostik dari model yang telah
didapatakan, meliputi uji autokorelasi dan uji normalitas residual
(walaupun dapat diabaikan untuk kenormalan dari galat). Statsitik uji yang
digunakan adalah Box-Pierce atau L-Jung Box.
5. Peramalan (forecasting)
Setelah diperoleh model AIC (Akaike Information Criteria) atau SBC
(Schwarzt Bayesian Information Criteria) .
…

2
2 Deskripsi Kerja

2.1 Studi Kasus

Gunakan data Crude Oil dari Januari 2007 hingga Agustus 2017 yang
tersedia di http://www.eia.gov/ :
1. Gunakan analisis runtun waktu model ARIMA/ARMA
2. Lakukan overfitting pada 3 model saja.
3. Tentukan prediksi harga Crude Oil 5 periode ke depan menggunakan
model ARIMA.

2.2 Langkah Kerja

Berikut adalah rincian prosedur kerja model ARIMA:
1. Setting working direktori tempat menyimpan data dengan menggunakan
fungsi setwd(alamat penyimapanan data). Data Crude Oil
disimpan dalam bentuk csv dengan nama oil.csv. kemudian baca data
menggunakan fungsi read.csv() seperti pada Gambar 2.1 berikut.

Gambar ‎2.1. Membaca Data.

2. Ubahlah tipe data menjadi objek runtun waktu dengan menggunakan
fungsi ts() seperti pada Gambar 2.2.

Gambar ‎2.2. Data Runtun Waktu Minyak

3. Gambarkan grafik dari data minyak menggunakan fungsi ts.plot
(minyak, main ="TS: minyak").
4. Load package tseries dan forecast ke dalam Rstudio menggunakan
perintah library(tseries) dan library(forecast).

3
5. Lakukan uji ADF untuk menguji stasioneritas data minyak.menggunakan
perintah: adf.test(minyak).
6. Selain dari uji ADF, ketidakstasioneran juga dapat dibuktikan
menggunakan grafik ACF dan PACF yang meluruh secara lambat. Untuk
perintahnya dapat dilihat pada Gambar 2.3.

Gambar ‎2.3. Membuat Garafik ACF dan PACF

7. Oleh karena data tidak stasioner, maka data didiferensi agar stasioner
menggunakan fungsi diff() dan gambarkan Garfik data minyak setelah
didiferensi dengan perintah seperti pada Gabar 2.4.

Gambar ‎2.4. Melakukan Diferensi Orde 1

8. Setelah data di diferensi, maka lakukan kembali uji adf dari data minyak
yang telah didiferensi menggunakan perintah seperti pada Gambar 3.5.

Gambar ‎2.5. Uji ADF dan Grafik Data Diferensi

9. Menentukan order untuk model ARIMA dengan melihat Grafik ACF dan
PACF dari data hasil diferensi.

Gambar ‎2.6. Membuat Grafik ACF dan PACF Data Diferensi

10. Melakukan overfitting terhadap model yang dipilih dari order AR(p) dan
Order MA(q) dengan melihat grafik ACF dan PACF data hasil diferensi.
dalam praktik ini dipilih model ARIMA(1,1,0) dan ARIMA(0,1,2).
11. Lakukan estimasi parameter ketiga model menggunakan fungsi Arima()
seperti pada Gambar 2.7.

4
 Gambar ‎2.7. Estimasi Model
12. Untuk melihat signifikansi dari koefisien model, perlu ditambahkan fungsi
printsarima seperti pada Gambar 2.8 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 = F)
coef <- rbind(coef,
t=round(statt,digits=digits),sign.=round(pval,digit
s=digits))
coef <- t(coef)
}
print.default(coef, print.gap = 2)
}
}

Gambar ‎2.8 Fungsi Printsaima

13. Setelah model yang siginfikan diperoleh yaitu ARIMA(1,1,0) dan
ARIMA(0,1,2), selanjutnya melakukan uji diagnostik dengan perintah
masing-maisng model dapat dlihat pada Gambar 2.9.

Gambar ‎2.9 Uji Diagnostik Model

14. Tentukan model terbaik dengan meilhat nilai AIC dan SBC/BIC terkecil

5
15. Lakukan peramalan 5 periode ke depan menggunakan model ARIMA
terbaik yaitu ARIMA(0,1,2) dengan perintah seperti pada Gambar 2.10.

Gambar ‎2.10 Melakukan Peramalan 5 Periode ke Depan

16. Untuk Memunculkan nilai fitting model ARIMA(0,1,2) dapat
menggunakn perintah fitted() .

6
3 Pembahasan

Pada bagian ini akan dijelaskan hasil analisis data minyak bumi (crude oil)
dari bulan Januari 2017 hingga Agustus 2017 menggunakan metode ARIMA.
Untuk hasil konversi data menjadi objek time series dan grafik data aktual dari
minyak bumi, dapat dilihat pada Gambar 3.1 dan Gambar 3.2.

Gambar ‎3.1. Hasil Time Series Data Minyak

Gambar ‎3.2. Grafik Data Minyak

Setelah data aktual diperoleh, selanjutnya adalah identifikasi model dengan

melakukan uji stasioneritas menggunakan uji ADF dan dilihat dari grafik ACF
dan PACF.

3.1 Uji Stasioneritas Pertama

Uji Stasioneritas dengan uji ADF digunakan untuk menguji kestasioneran data.
1) Hipotesis

7
 H0: Data tidak stasioner
H1: Data stasioner
2) Tingkat signifikansi: 5%
3) Daerah kritis:
Tolak H0, jika p-value < 
4) Statistik Uji:

Gambar ‎3.3. Uji ADF Data Minyak

5) Keputusan
Diperoleh p-value = 0.288 < α = 0,05, sehingga gagal tolak H0
6) kesimpulan:
Dengan menggunakan tingkat kepercayaan 95%, data yang ada
mendukung hipotesis yang menyatakan bahwa data tidak stasioner.

Gambar ‎3.4. Grafik ACF dan PACF Data Minyak

Hasil uji ADF menunjukkan bahwa data tidak stasioner. Sedangkan grafik
ACF dan PACF juga menunjukkan bahwa data tidak stasioner. Hal ini dilihat dari
grafik ACF yang hampir semua lag signifikan atau cenderung naik. Sedangkan

8
pada grafik ACF menunjukkan hanya satu lag yang signifikan jauh disbanding lag
lainnya. Oleh karena data tidak stasioner, maka perlu dilakukan diferensi untuk
menghilangkan komponen trend pada data sehingga data menjadi stasioner. Hasil
diferensi data minyak bumi dapat dilihat pada Gambar 3.5.

Gambar ‎3.5. Grafik Data Minyak Setelah di Diferensi

Setelah data minyak bumi di diferensi, maka selanjutnya dilakukan uji

stasioneritas kembali untuk melihat apakah data hasil diferensi orde 1 sudah
stasioner atau belum.

3.2 Uji Stasioneritas Kedua

Uji Stasioneritas dengan uji ADF digunakan untuk menguji kestasioneran data.
7) Hipotesis
H0: Data tidak stasioner
H1: Data stasioner
8) Tingkat signifikansi: 5%
9) Daerah kritis:
Tolak H0, jika p-value < 
10) Statistik Uji:

9
 Gambar ‎3.6. Uji ADF Data Hasil Diferensi
11) Keputusan
Diperoleh p-value = 0.01 < α = 0,05, sehingga tolak H0
12) kesimpulan:
Dengan menggunakan tingkat kepercayaan 95%, data yang ada
mendukung hipotesis yang menyatakan bahwa data stasioner.

Gambar ‎3.7 Grafik ACF dan PACF Data Hasil Diferensi

Berdasarkan grafik ACF dan PACF pada Gambar 3.7, diperoleh model
ARIMA(p,d,q) = ARIMA(1,0,2) dilihat dari 1 lag yang melewati garis selang
kepercayaan pada grafik PACF sehingga p = 1, d = 1 artinya bahwa data stasioner
pada diferensi order 1, dan pada grafik ACF terdapat 2 lag yang melewati garis
selang kepercayaan sehigga q = 2, kemudian dilakukan over fitting untuk
menguji model lain sebagai berikut ARIMA (1,1,0) dan ARIMA (0,1,2).
Berdasarkan model yang lebih pas dilakukan pengujian parameter.

10
3.3 Estimasi Parameter Model
Pada Gambar 3.8 dapat dilihat hasil estimasi parameter dari ketiga model
ARIMA. Hasil estimasi model menampilkan koefisien, standar error, variansi,
nilai AIC dan BIC masing-masing orde AR(p) dan MA(q) dari ketiga model.

Gambar ‎3.8 Hasil Estima ke-3 Model

Gambar ‎3.9 Hasil Printsarima ke-3 Model

Kemudian pada Gambar 3.9 dapat dilihat tingkat signifikansi dari

koefisien setiap model. Hasil yang diperoleh adalah pada model 1 seluruh

11
koefisien dari setiap orde dengan p-value-nya yaitu AR(1) = 0.9179, MA(1) =
0.3157, dan MA(2) = 0.0676 semuanya < α = 0,05 sehingga dapat dikatakan
bahwa koefisien model 1 tidak signifikan. Pada model 2 koefisien dari orde AR(1)
signifikan karena p-value = 0 < α = 0,05. Kemudian pada model 3 koefsien orde
MA(1) dengan p-value = 0 < α = 0,05 dan MA(2) dengan p-value = 0.0004 < α =
0,05 yang artinya bahwa koefsien model 3 juga signifikan. Dari hasil uji
signifikansi tersebut diperoleh dua model dengan koefisien yang signifikan yaitu
model 2 ARIMA (1,1,0) dan model 3 ARIMA (0,12).

3.4 Estimasi Parameter Model

Dua model yang signifikan kemudian di uji residualnya menggunakan uji
diagnostik dengan dilakukan uji autokorelasi. Hasil uji dapat dilihat menggunakan
grafik diagnostik masing-masing model pada Gambar 3.10 dan Gambar 3.11

Gambar ‎3.10 Grafik Uji Diagnostik Model 2 ARIMA (1,1,0)

12
 Gambar ‎3.11 Grafik Uji Diagnostik Model 3 ARIMA (0,1,2)

Terlihat dari hasil uji diagnostik, residual model 2: ARIMA(1,1,0) maupun

model 3: ARIMA(0,1,2) bersifat white noise. Ditandai dengan tidak adanya lag
yang keluar lebih dari sama dengan 1 ( 1) melewati batas interval. Selain itu p-
value dari L-Jung Box (Grafik ke-3 dari Gambar 3.10 dan Gambar 3.11) juga
berada di atas batas 5%, yang menendakan hipotesis residual tidak mengandung
korelasi serial model. Kemudian untuk mendapatkan model terbaik dapat
ditentukan dari nilai AIC dan BIC/SBC terkecil. Dapat dilihat rangkuman model
ARIMA pada Tabel 3.1 berikut.

Tabel ‎3.1. Rangkuman Model ARIMA.

ARIMA (1,1,0) ARIMA (0,1,2)
ar1 0.4387
p-value = 0
ma1 0.4138
p-value = 0
ma2 0.3012
p-value = 0.0004
AIC 818.27 816.61
BIC/SBC 823.96 825.14

13
 Berdasarkan hasil rangkuman diperoleh bahwa model terbaik adalah
model ARIMA(0,1,2) karena memiliki nilai AIC yaitu sebesar 816.61 yang lebih
kecil dari nilai AIC model ARIMA(1,1,0) sebesar 818.27. model ARIMA(0,1,2)
ini kemudian dapat digunakan untuk memprediksi harga minyak bumi 5 periode
kedepan.

Gambar ‎3.12 Hasil Prediksi 5 Periode ke Depan

Hasil prediksi minyak bumi untuk 5 periode ke depan menunjukan bahwa

harga minyak bumi akan meningkat untuk 5 periode ke depan dengan harga
paling tinggi dan kosntan pada bulan Oktober 2017 hingga Januari 2018. Untuk
nilai fitted dari data harga minyak bumi dari bulan Januari 2017 hingga Agustus
2017 dapat dilihat pada Gambar 3.13.

Gambar ‎3.13 Hasil Fitted Value Model ARIMA (0,1,2)

14
4 Penutup

4.1 Kesimpulan

Berdasarkan hasil analisis data harga minyak bumi dari bulan Januari 2017
hingga bulan Agustus 2017 menggunakan metode ARIMA, maka dapat
disimpulkan bahwa:
1. Data harga minyak bumi stasioner pada diferensi orde 1 dengan overfitting
model yang diperoleh adalah ARIMA(1,1,2), ARIMA(1,10) dan
ARIMA(0,1,2)
2. Diantara ketiga model ARIMA, model yang paling baik adalah model
ARIMA(0,1,2) karena memiliki nilai AIC yang paling kecil yaitu sebesar
816.61.
3. Hasil prediksi minyak bumi untuk 5 periode ke depan adalah harga
minyak bumi akan meningkat dengan harga paling tinggi dan kosntan
pada bulan Oktober 2017 hingga Januari 2018.
4.

15
5 Daftar Pustaka

Primandari, A H, and dkk. Modul Praktikum Analisis Runtun Wkatu. Yogyakarta:

Laboratorium Komputasi Statistika UII, 2016.
Rosadi, D. Analisis ekonometrika & Runtun Waktu Terepan dengan R.
Yogayakarta: ANDI, 2011.

16