Laporan ARW - 7
Laporan ARW - 7
LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 7 : Seasonal ARIMA
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 Model Seasonal ARIMA ........................................................ 4
2 Deskripsi Kerja................................................................................................ 5
2.1 Studi Kasus ............................................................................................... 5
2.2 Langkah Kerja .......................................................................................... 5
3 Pembahasan ................................................................................................... 10
4 Penutup.......................................................................................................... 17
4.1 Kesimpulan ............................................................................................. 17
5 Daftar Pustaka ............................................................................................... 18
2
Daftar Gambar
3
1 Pendahuluan
(Ukhra, 2014)
4
2 Deskripsi Kerja
1. 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.
5
Gambar 2.2. menginput data Air Passengers
3. Selanjutnya, buat plot data untuk melihat pola data. Berikut tampilan syntaks
pada Gambar 2.3.
6. Praktikan juga akan melakukan kpss test untuk mengui stasioneritas dari data
Air Passengers.
6
7. Ketidakstasioneran juga dapat dibuktikan oleh grafik ACF dan PACF. Berikut
syntaksnya pada Gambar 2.7.
8. Selanjutnya, data akan didiferensi dan akan digambarkan dalam sebuah plot.
Berikut syntaksnya pada Gambar 2.8.
9. Lalu, lakukan uji ADF lagi untuk menguji stasioneritas dari data hasil differensi
order 1. Berikut syntaksnya.
10. Sama seperti sebelumnya, praktikan juga akan melakukan uji kpss dari data
yang sudah di diferensi order 1. Berikut syntaksnya.
11. Selanjutnya, praktikan akan menggambarkan plot ACF dan PACF dari data
hasil differensi 1. Berikut tampilannya pada Gambar 2.11.
12. Karena hasil uji data belum stasioner, maka praktikan akan melakukan
differensi lagi. Berikut syntkasnya.
7
13. Lalu, akan dilakukan uji ADF dan kpss lagi untuk menguji kestasioneran dari
data yang sudah di diferensi 2 kali tersebut. Berikut tampilan syntaksnya.
14. Praktikan akan menggambarkan plot ACF dan PACF dari data yang sudah di
differensi dua kali. Berikut tampilan syntaksnya.
15. Setelah data dipastikan stasioner, lakukan estimasi parameter dengan ketiga
model. Berikut tampilan syntaksnya
16. Lalu, untuk melihat signifikansi dari koefisien model, perlu ditambahkan fungsi
prinstatarima berikut syntkasnya.
8
18. Kemudian, dilakukan uji diagnostic yaitu dilakukan uji autokorelasi.
20. Gunakan syntaks tersebut untuk membalikkan fungsi log, agar hasil peramalan
lebih tepat.
9
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 model seasonal ARIMA. Sebelumnya, praktikan akan
memperlihatkan gambaran dari plot data Air Passengers . Berikut tampilan output
pada Gambar 3.1.
Dari Gambar 3.1. dapat dilihat bahwa amplitudo data air passengers dari
tahun 1949 hingga tahun 1960 merupakan data yang mengandung musiman.
Selanjutnya praktikan akan melakukan uji ADF terlebih dahulu untuk
menguji stasioneritas data air passengers. Pada uji ADF ini diketahui H0 : data
mengandung unit root (yang mengakibatkan data tidak stasioner) Berikut tampilan
output hasil uji ADF.
Dari Gambar 3.2. dapat dilihat bahwa dari uji ADF didapatkan p-value
sebesar 0.01, dimana nilai p-value lebih kecil daripada α = 0.05 yang berarti tolak
H0 yang artinya data tersebut stasioner.
10
Selain menggunakan uji ADF, praktikan juga akan melakukan uji
stasioneritas dengan menggunakan uji kpss. Dimana pada uji kpss ini H0 : data
tidak mengandung unit root (data stasioner) Berikut output dari uji kpss.
Dari Gambar 3.3. dapat dilihat bahwa dari uji kpss didapatkan p-value
sebesar 0.01, dimana nilai p-value lebih kecil daripada α = 0.05 yang berarti tolak
H0 yang artinya data tersebut tidak stasioner.
Kemudian praktikan akan menampilkan grafik dari ACF dan PACF untuk
membuktikan ketidakstasioneran data air passengers tersebut.Berikut tampilannya.
Diketahui dari output tersebut pada ACF dan PACF data air passengers
bergelombang karena data tersebut mengandung musiman sehingga membuktikan
bahwa data tersebut tidak stasioner. Karena data tersebut terbukti tidak stasioner
maka data akan didiferensi agar menjadi stasioner. Berikut tampilan output dari plot
yang sudah didiferensi orde 1.
11
Gambar 3.5. plot data air passengers differensi order 1
12
Dari Gambar 3.7. dapat dilihat bahwa dari uji kpss didapatkan p-value
sebesar 0.0334, dimana nilai p-value lebih kecil daripada α = 0.05 yang berarti tolak
H0 yang artinya data tersebut tidak stasioner.
Kemudian, praktikan akan menampilkan plot ACF dan PACF dari data yang
telah di diferensi satu kali. Berikut tampilan output plot ACF dan PACF dari data
hasil diferensi 1.
Gambar 3.8. plot ACF dan PACF data air passengers diferensi order 1
Dari Gambar 3.8. dapat dilihat pada plot ACF maupun plot PACF dari data
masih meluruh secara lambat yang artinya data belum stasioner sehingga harus
dilakukan diferensi lagi hingga data tersebut stasioner. Berikut akan praktikan
tampilkan hasil uji ADF dari data yang sudah di diferensi kedua kalinya,
Berdasarkan output pada Gambar 3.9. didapat p-value sebesar 0.01 dimana
nilai p-value tersebut lebih kecil dari α= 0.05 yang artinya tolak H0, berarti data
tersebut stasioner. Lalu akan dilakukan uji kpss lagi dari data diferensi order 2.
Berikut tampilan outputnya.
13
Dari Gambar 3.10. dapat dilihat bahwa dari uji kpss didapatkan p-value
sebesar 0.1, dimana nilai p-value lebih besar daripada α = 0.05 yang berarti gagal
tolak H0 yang artinya data tersebut stasioner.
Karena data sudah stasioner pada diferensi order 2, maka praktikan dapat
melakukan estimasi pada ketiga model dengan melihat plot ACF dan PACF dari
data yang sudah stasioner. Berikut tampilan outputnya.
Dari plot ACF dan PACF tersebut praktikan akan melakukan estimasi 3
model. Model 1 yaitu Seasonal ARIMA (0,1,1) , Seasonal ARIMA (1,1,0),
Seasonal ARIMA (2,1,0) Berikut hasil estimasi dari ketiga model tersebut.
14
Gambar 3.13. estimasi model 2
15
Gambar 3.16. model 2
16
4 Penutup
4.1 Kesimpulan
17
5 Daftar Pustaka
Ukhra, A. U. (2014). Pemodelan dan Peramalan Data Deret Waktu Dengan Metode
Seasonal ARIMA
18