MODEL ARIMA DENGAN MENGGUNAKAN MINITAB

Makalah ilmiah dibuat untuk memenuhi tugas mata kuliah

Analisis Runtun Waktu

Oleh:
Adam Victorio Alexis
3125163357

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI JAKARTA
DESEMBER 2018
1. Kasus
Jumlah produksi mobil dengan kapasitas mesin di bawah 1500 CC oleh PT Toyota di
Indonesia. Data berikut penulis dapatkan di laman resmi Gaikindo, yaitu
www.gaikindo.or.id.

2. Latar belakang
Pada zaman sekarang, produksi mobil dengan CC rendah sedang digalakkan. Hal ini
sesuai dengan kata-kata yang sudah tak asing didengar, yaitu LCGC (Low Cost Green
Car). Mobil low cost ditujukan untuk kalangan yang menginginkan kendaraan untuk
keluarga dengan harga yang terjangkau. Lalu green car bertujuan agar mobil-mobil
yang diproduksi tersebut ramah terhadap lingkungan, penggunaan bahan bakar yang
irit, dan gas buangan yang sesuai dengan standar. Lalu berapakah sebenarnya jumlah
mobil di bawah 1500 CC yang sudah diproduksi oleh PT. Toyota dari bulan Januari
2014 s.d. Agustus 2018?

3. Data:

4. Prosedur Forecasting (peramalan):

2
a. Data yang sudah dikurangi 5 data terakhir, akan dicek apakah data tersebut sudah
stasioner terhadap rata-rata dan varians. Untuk mengecek apakah data tersebut
stasioner terhadap varian, dicek besar rounded value-nya menggunakan Box-Cox
Plot.

Setelah menggunakan fitur Box-Cox Plot, didapatkan rounded value sebesar 1,00,
maka tidak perlu dilakukan transformasi.

b. Lalu dicek grafik ACF dan PACF nya, apakah perlu didifferencing atau tidak.

Dari hasil grafik ACF dan PACF tersebut, tidak usah dilakukan differencing.
Karena grafik ACF menunjukkan dying down dan PACF juga demikian, maka AR
dan MA ada.

3
 c. Lalu kita menggunakan fitur ARIMA. Pada ARIMA ada input berupa p,d,q. Input
p kita coba masukkan 1, dan q juga 1. Untuk d kita input 0 karena tidak perlu
dilakukan difference pada data yang penulis dapatkan. Dapat dilihat pada gambar
berikut:

Pada opsi Forecasts di gambar di atas, kita masukkan pada isian Lead sebesar 5.
Artinya kita ingin meramal/mem-forecasting 5 data setelahnya.

Dari hasil forecasting didapatkan sebagai berikut:

52: 2663,30
53: 1953,62
54: 2898,53
55: 3055,25
56: 3278,59

Berikut hasil lengkap yang terdapat di program Minitab:

ARIMA Model: n-5

Estimates at Each Iteration
Iteratio
n SSE Parameters

0 575225580 0,100 0,100

1 337468169 0,250 -0,050
2 289061855 0,400 0,058
3 237725480 0,550 0,168

4
 4 185211208 0,700 0,280
5 137935051 0,850 0,396
6 115904493 0,998 0,532
7 115011405 0,997 0,590
8 114818110 0,997 0,616
9 114772766 0,997 0,629
10 114763151 0,997 0,636
11 114762576 0,997 0,640
Unable to reduce sum of squares any further
* WARNING * Back forecasts not dying out rapidly
Back Forecasts (After Differencing)
La (-98; -91) 1459,627 1463,425 1467,232 1471,049 1474,876 1478,713 1482,560
g
La (-90; -83) 1490,285 1494,162 1498,049 1501,946 1505,854 1509,771 1513,699
g
La (-82; -75) 1521,586 1525,544 1529,513 1533,492 1537,482 1541,482 1545,492
g
La (-74; -67) 1553,544 1557,586 1561,638 1565,701 1569,774 1573,858 1577,952
g
La (-66; -59) 1586,174 1590,300 1594,438 1598,586 1602,745 1606,914 1611,095
g
La (-58; -51) 1619,489 1623,702 1627,926 1632,161 1636,408 1640,665 1644,933
g
La (-50; -43) 1653,503 1657,805 1662,118 1666,442 1670,778 1675,124 1679,482
g
La (-42; -35) 1688,232 1692,625 1697,028 1701,443 1705,870 1710,308 1714,757
g
La (-34; -27) 1723,691 1728,175 1732,671 1737,179 1741,699 1746,230 1750,773
g
La (-26; -19) 1759,894 1764,473 1769,063 1773,666 1778,280 1782,906 1787,545
g
La (-18; -11) 1796,858 1801,533 1806,220 1810,919 1815,630 1820,354 1825,089
g
La (-10; -3) 1834,598 1839,371 1844,156 1848,954 1853,764 1858,587 1863,422
g
La (-2; 0) 1873,131 1878,004 1882,890        
g
La (-98; -91) 1486,417
g
La (-90; -83) 1517,637
g

5
La (-82; -75) 1549,513
g
La (-74; -67) 1582,058
g
La (-66; -59) 1615,286
g
La (-58; -51) 1649,213
g
La (-50; -43) 1683,852
g
La (-42; -35) 1719,218
g
La (-34; -27) 1755,328
g
La (-26; -19) 1792,195
g
La (-18; -11) 1829,838
g
La (-10; -3) 1868,270
g
La (-2; 0)  
g
Back Forecast Residuals
La (-98; -91) 7,565 12,42 15,556 17,578 18,892 19,753 20,323 20,709
g 6
La (-90; -83) 20,975 21,16 21,308 21,419 21,510 21,589 21,660 21,725
g 6
La (-82; -75) 21,788 21,84 21,908 21,966 22,024 22,082 22,140 22,198
g 8
La (-74; -67) 22,256 22,31 22,372 22,430 22,489 22,547 22,606 22,665
g 4
La (-66; -59) 22,724 22,78 22,842 22,902 22,961 23,021 23,081 23,141
g 3
La (-58; -51) 23,201 23,26 23,322 23,383 23,443 23,504 23,566 23,627
g 1
La (-50; -43) 23,688 23,75 23,812 23,874 23,936 23,998 24,061 24,123
g 0
La (-42; -35) 24,186 24,24 24,312 24,375 24,439 24,502 24,566 24,630
g 9
La (-34; -27) 24,694 24,75 24,823 24,887 24,952 25,017 25,082 25,147
g 8
La (-26; -19) 25,213 25,27 25,344 25,410 25,476 25,542 25,609 25,675

6
 g 8
La (-18; -11) 25,742 25,80 25,876 25,944 26,011 26,079 26,147 26,215
g 9
La (-10; -3) 26,283 26,35 26,420 26,488 26,557 26,626 26,696 26,765
g 1
La (-2; 0) 26,835 26,90 26,975          
g 5
Final Estimates of Parameters
T-
Type Coef SE Coef Value P-Value

AR   1 0,9974 0,0257 38,75 0,000

MA   0,640 0,114 5,61 0,000
1
Number of observations:  51
Residual Sums of Squares
D
F SS MS

49 114707371 2340967
Back forecasts excluded

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48

Chi- 9,35 21,5 28,77 29,55

Square 9
DF 10 22 34 46
P-Value 0,499 0,48 0,722 0,972
5
Forecasts from period 51
95% Limits
Perio
d Forecast Lower Upper Actual

52 2753,64 -245,805 5753,0  

9
53 2746,50 -438,891 5931,8  
8
54 2739,37 -620,801 6099,5  
4
55 2732,26 -793,199 6257,7  
2
56 2725,17 -957,368 6407,7  
1

7
 Dari uji tersebut, didapatkan p-value yang diharapkan sebesar 0 dan koefisien AR(
ϕ) dan MA(θ) sebesar 0,9974 dan 0,640.

d. Lalu cek nilai MAPE pada fitur trend analysis sebagai berikut:

Dari trend analysis tersebut, didapatkan nilai MAPE di bawah 10%. Maka nilai
MAPE tersebut sesuai dengan yang diharapkan.