Kelas A

LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 7 : Seasonal ARIMA

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul Praktikan
Mahasiswa

Nisa Ummaroh Fajarani Sasmita 27 November

17611066
2019

Tanda tangan
Nama Penilai Tanggal Koreksi Nilai
Asisten Dosen
Dhinda Seftiyani Budi Utari
Syinta Nuri Masyita

Arum Handini Primandani,S.Pd.Si.,M.Si.

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

Gambar 2.1. Tampilan Awal R Studio ................................................................... 5

Gambar 2.2. menginput data Air Passengers ........................................................ 6
Gambar 2.3. membuat plot dari data Air Passengers ........................................... 6
Gambar 2.4. mengaktifkan package ...................................................................... 6
Gambar 2.5. adf test ............................................................................................... 6
Gambar 2.6. kpss test ............................................................................................. 6
Gambar 2.7. syntaks ACF dan PACF .................................................................... 7
Gambar 2.8. differensi order 1 .............................................................................. 7
Gambar 2.9. uji ADF differensi order 1 ................................................................ 7
Gambar 2.10. uji kpss differensi order 1 ............................................................... 7
Gambar 2.11. ACF dan PACF data order 1 .......................................................... 7
Gambar 2.12. differensi order 2 ............................................................................ 7
Gambar 2.13. uji ADF differensi order 2 .............................................................. 8
Gambar 2.14. uji kpss differensi order 2 ............................................................... 8
Gambar 2.15. plot ACF dan PACF differensi order 2 .......................................... 8
Gambar 2.16. estimasi parameter ketiga model .................................................... 8
Gambar 2.17. fungsi printstatarima ..................................................................... 8
Gambar 2.18. printstatarima dari ketiga model .................................................... 8
Gambar 2.19. uji autokorelasi ............................................................................... 9
Gambar 2.20. peramalan dengan model terbaik ................................................... 9
Gambar 2.21. membalikkan fungsi log .................................................................. 9
Gambar 2.22. syntaks fitted model seasonal ARIMA terbaik ............................... 9
Gambar 2.23. output fitted model seasonal ARIMA terbaik .................................. 9
Gambar 3.1. plot data Air Passengers................................................................. 10
Gambar 3.2. output uji ADF ................................................................................ 10
Gambar 3.3. output uji kpss ................................................................................. 11
Gambar 3.4. ACF dan PACF ............................................................................... 11
Gambar 3.5. plot data air passengers differensi order 1..................................... 12
Gambar 3.6. output uji ADF diferensi order 1 .................................................... 12
Gambar 3.7. output uji kpss diferensi order 1 ..................................................... 12
Gambar 3.8. plot ACF dan PACF data air passengers diferensi order 1 ........... 13
Gambar 3.9. uji ADF data air passengers diferensi order 2 ............................... 13
Gambar 3.10. uji kpss data air passengers diferensi order 2 .............................. 13
Gambar 3.11. plot ACF dan PACF differensi order 2 ........................................ 14
Gambar 3.12. estimasi model 1 ........................................................................... 14
Gambar 3.13. estimasi model 2 ........................................................................... 15
Gambar 3.14. estimasi model 3 ........................................................................... 15
Gambar 3.15. model 1 ......................................................................................... 15
Gambar 3.16. model 2 ......................................................................................... 16
Gambar 3.17. model 3 ......................................................................................... 16
Gambar 3.18. prediksi 5 periode kedepan ........................................................... 16

3
1 Pendahuluan

1.1 Pengertian Model Seasonal ARIMA

Musiman adalah kecenderungan mengulangi pola tingkah gerak dalam

periode musim, biasanya satu tahun untuk data bulanan. Model ARIMA Musiman
merupakan model ARIMA yang digunakan untuk menyelesaikan time series
musiman yang terdiri dari dua bagian, yaitu bagian tidak musiman (non-musiman)
dan bagian musiman. Bagian non-musiman dari metode ini adalah model ARIMA.
Secara umum bentuk model ARIMA musiman atau ARIMA (p, d, q)(P, Q, S) S
adalah: φp(B)ΦP (B S )(1 − B) d (1 − B S ) DXt = θq(B)ΘQ(B S ) et
Berikut ini adalah langkah-langkah seasonal pada SARIMA:
1. Mengidentifikasi seasonal data dengan menggunakan ACF/PACF pada
seasonal lags
2. Melakukan differencing pada data sesuai dengan season yang diambil
differencing pada season digunakan untuk menghilangkan seasonality
dikarenakan ada kemungkinan data yang dipakai membutuhkan
differencing.
Tabel 1.1 Pola Plotting ACF dan PACF serta ARIMA Tentatif
ACF PACF ARIMA (p,d,q)
Menuju nol setelah lag q Menurun secara ARIMA ( 0,d,q)
bertahap/bergelombang
Menurun secara Menuju nol setelah lag q ARIMA (p,d,0)
bertahap/bergelombang
Menurun secara Menurun secara ARIMA (p,d,q)
bertahap/bergelombang bertahap/bergelombang

(Ukhra, 2014)

4
2 Deskripsi Kerja

2.1 Studi Kasus

Pada bab sebelumnya, praktikan telah menjelaskan pengertian dari model

Seasonal ARIMA. Pada bab ini praktikan akan menyelesaikan studi kasus dengan
menggunakan Software R Studio.
Berikut studi kasus lengkapnya :
Lakukan analisis data Airpassegers yang tersedia dalam database R
1. Gunakan analisis runtun waktu menggunakan model Seasonal ARIMA
2. Lakukan overfitting pada 3 model saja
3. Tentukan jumlah penumpang pada 5 periode berikutnya

2.2 Langkah 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.

Gambar 2.1. Tampilan Awal R Studio

2. Setelah membuka R Studio, langkah pertama yang praktikan lakukan yaitu,
menginput data Air Passengers pada database R. Cukup panggil data
AirPassengers.Berikut tampilan syntaks dan outputnya.

5
 Gambar 2.2. menginput data Air Passengers

3. Selanjutnya, buat plot data untuk melihat pola data. Berikut tampilan syntaks
pada Gambar 2.3.

Gambar 2.3. membuat plot dari data Air Passengers

4. Selanjutnya, praktikan dapat mengaktifkan package tseries dan forecast

terlebih dahulu sebelum melakukan analisis.Berikut tampilan syntaks pada
Gambar 2.4.

Gambar 2.4. mengaktifkan package

5. Kemudian, praktikan dapat melakukan uji ADF untuk menguji stasioneritas

data Air Passengers. Pada uji ADF, H0 : data mengandung unit (yang
mengakibatkan data tidak stasioner)

Gambar 2.5. adf test

6. Praktikan juga akan melakukan kpss test untuk mengui stasioneritas dari data
Air Passengers.

Gambar 2.6. kpss test

6
7. Ketidakstasioneran juga dapat dibuktikan oleh grafik ACF dan PACF. Berikut
syntaksnya pada Gambar 2.7.

Gambar 2.7. syntaks ACF dan PACF

8. Selanjutnya, data akan didiferensi dan akan digambarkan dalam sebuah plot.
Berikut syntaksnya pada Gambar 2.8.

Gambar 2.8. differensi order 1

9. Lalu, lakukan uji ADF lagi untuk menguji stasioneritas dari data hasil differensi
order 1. Berikut syntaksnya.

Gambar 2.9. uji ADF differensi order 1

10. Sama seperti sebelumnya, praktikan juga akan melakukan uji kpss dari data
yang sudah di diferensi order 1. Berikut syntaksnya.

Gambar 2.10. uji kpss differensi order 1

11. Selanjutnya, praktikan akan menggambarkan plot ACF dan PACF dari data
hasil differensi 1. Berikut tampilannya pada Gambar 2.11.

Gambar 2.11. ACF dan PACF data order 1

12. Karena hasil uji data belum stasioner, maka praktikan akan melakukan
differensi lagi. Berikut syntkasnya.

Gambar 2.12. differensi order 2

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.

Gambar 2.13. uji ADF differensi order 2

Gambar 2.14. uji kpss differensi order 2

14. Praktikan akan menggambarkan plot ACF dan PACF dari data yang sudah di
differensi dua kali. Berikut tampilan syntaksnya.

Gambar 2.15. plot ACF dan PACF differensi order 2

15. Setelah data dipastikan stasioner, lakukan estimasi parameter dengan ketiga
model. Berikut tampilan syntaksnya

Gambar 2.16. estimasi parameter ketiga model

16. Lalu, untuk melihat signifikansi dari koefisien model, perlu ditambahkan fungsi
prinstatarima berikut syntkasnya.

Gambar 2.17. fungsi printstatarima

17. Berikut syntaks dari printstatarima dari ketiga model tersebut.

Gambar 2.18. printstatarima dari ketiga model

8
18. Kemudian, dilakukan uji diagnostic yaitu dilakukan uji autokorelasi.

Gambar 2.19. uji autokorelasi

19. Terakhir, yaitu melakukan peramalan dengan menggunakan model seasonal

ARIMA terbaik. Berikut syntaksnya.

Gambar 2.20. peramalan dengan model terbaik

20. Gunakan syntaks tersebut untuk membalikkan fungsi log, agar hasil peramalan
lebih tepat.

Gambar 2.21. membalikkan fungsi log

21. Kemudian, munculkan fitting model seasonal ARIMA terbaik. Berikut

tampilan syntaks dan outputnya.

Gambar 2.22. syntaks fitted model seasonal ARIMA terbaik

Gambar 2.23. output fitted model seasonal ARIMA terbaik

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.

Gambar 3.1. plot data Air Passengers

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.

Gambar 3.2. output 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.

Gambar 3.3. output 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.

Gambar 3.4. ACF dan PACF

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

Kemudian praktikan akan melakukan uji ADF lagi untuk menguji

stasioneritas dari data hasil diferensi order 1. Berikut tampilan output hasil uji ADF
data hasil diferensi order 1.

Gambar 3.6. output uji ADF diferensi order 1

Berdasarkan output pada Gambar 3.6. didapat p-value sebesar 0.09265

dimana nilai p-value tersebut lebih besar dari α= 0.05 yang artinya gagal tolak H0,
berarti data tersebut tidak stasioner.
Lalu, akan dilakukan uji kpss lagi untuk menguji kestasioneritas dari data
diferensi order 1. Berikut output uji kpss diferensi order 1.

Gambar 3.7. output uji kpss diferensi 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,

Gambar 3.9. uji ADF data air passengers diferensi order 2

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.

Gambar 3.10. uji kpss data air passengers diferensi order 2

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.

Gambar 3.11. plot ACF dan PACF differensi order 2

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.

Gambar 3.12. estimasi model 1

14
 Gambar 3.13. estimasi model 2

Gambar 3.14. estimasi model 3

Berdasarkan output dari ketiga gambar di atas didapatkan pada model 1

memiliki nilai AIC sebesar -483.4 lanjut pada gambar kedua pada model kedua
didapatkan nilai AIC sebesar -477.41 dan terakhir dari model 3 didapat nilai AIC
sebesar -479.48 . berdasarkan nilai AIC yang didapat diketahui model terbaik ada
pada model ke 1 karena memiliki nilai AIC yang paling kecil.
Kemudian untuk melihat signifikansi dari koefisien model praktikan akan
menggunakan fungsi printstatarima. Berikut tampilan output dari ketiga model
tersebut.

Gambar 3.15. model 1

15
 Gambar 3.16. model 2

Gambar 3.17. model 3

Berdasarkan pada Gambar 3.15. didapatkan nilai signifikansi sebesar 0 dan

0 yang dimana nilai tersebut lebih kecil dari α = 0.05 maka kedua koefisien model
1 tolak H0 yang artinya kedua koefisien dari model 1 signifikan. Dilanjutkan pada
model 2, didapatkan nilai signifikansi sebesar 0 dan 0 yang dimana nilai tersebut
lebih kecil dari α = 0.05 maka koefisien model tersebut signifikan. Terakhir pada
model ke 3 didapatkan nilai signifikansi sebesar 0.00, 0.00 dan 0.0423 yang dimana
ketiga nilai tersebut lebih kecil dari α = 0.05 maka koefisien model tersebut
signifikan.
Terakhir, praktikan akan melakukan prediksi jumlah penumpang untuk 5
periode kedepan menggunakan model 1 karena merupakan model terbaik. Berikut
hasil output peramalan tersebut.

Gambar 3.18. prediksi 5 periode kedepan

Berdasarkan output diatas, didapatkan peramalan dari bulan Januari hingga

bulan Mei tahun 1961 didapatkan nilai peramalan berturut-turut sebesar 450.4224 ,
425.7172 , 479.0068 , 492.4045 , dan 509.0550.

16
4 Penutup

4.1 Kesimpulan

1. Dapat disimpulkan bahwa model Seasonal ARIMA terbaik yaitu terletak

pada model ke 1 yaitu Seasonal ARIMA (0,1,1) dengan nilai AIC yang
paling kecil yaitu sebesar -483.4.
2. Didapatkan prediksi harga peramalan jumlah penumpang untuk 5 periode
kedepan dari bulan Januari hingga Mei 1961 didapatkan nilai peramalan
berturut-turut sebesar 450.4224 , 425.7172 , 479.0068 , 492.4045 , dan
509.0550.

17
5 Daftar Pustaka

Ukhra, A. U. (2014). Pemodelan dan Peramalan Data Deret Waktu Dengan Metode
Seasonal ARIMA

18