DISUSUN OLEH:
ASNINI (60600113004)
LABORATORIUM MATEMATIKA
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI ALAUDDIN MAKASSAR
2016
TUGAS I
Identifikasi Model
A. Data
Data peramalan stok semen gresik di distributor bahan bangunan UD Gunung Bata
Bual, Gresik. Data pengamatan ada 40 data dimana data diambil perbulan, dari Januari
2003 sampai April 2006.
B. Identifikasi Model
Pengidentifikasian model data peramalan stok semen gresik di distributor bahan
bangunan UD Gunung Bata Bual, Gresik menggunakan software Minitab.
Time Series Plot
Uji stasioner dalam mean pada data semen gresik.
1. Klik stat Time series Time series Plot
2. Maka muncul kotak dialog Time Series Plots. Pilih kotak simple kemudian klik OK.
3. Pada kotak dialog yang muncul maka pindahkan variable “semen gresik” ke dalam
kotak series seperti berikut.
4. Klik Ok, maka muncul output berikut ini
Autokorelasi (ACF)
Pemeriksaan kestasioneran dan non-kestasioneran dapat dilakukan dengan
menganalisa plot ACF dan PACF dari data.
1. Klik stat Time series Autocorrelation Function
2. Pada kotak dialog Autocorrelation Function, pindahkan variable semen gresik dalam
kotak series seperti berikut.
2. Pada kotak dialog Partial Autocorrelation Function, pindahkan variable semen gresik
dalam kotak series seperti berikut.
3. Klik Ok, maka muncul output berikut ini.
Dengan analisis menggunakan software minitab dapat diperoleh nilai taksiran PACF
sampai lag 10, plot yang di dapat adalah:
Pada plot PACF terlihat bahwa garis nilai autokorelasi parsial turun setelah lag 1 dan garis
pada lag 1 tersebut tidak jauh dari garis batas signifikansi. Dan analisa dapat disimpulkan
bahwa data bersifat stasioner.
Berdasarkan hasil identifikasi terhadap plot ACF dan PACF, diasumsikan bahwa data
penjualan mngikuti proses AR(1) dan MA(1).
Number of observations: 40
Residuals: SS = 10438494 (backforecasts excluded)
MS = 274697 DF = 38
Lag 12 24 36 48
Chi-Square 14,6 29,5 35,7 *
DF 10 22 34 *
P-Value 0,148 0,132 0,387 *
Number of observations: 40
Residuals: SS = 10138056 (backforecasts excluded)
MS = 266791 DF = 38
Lag 12 24 36 48
Chi-Square 10,8 26,0 30,2 *
DF 10 22 34 *
Berdasarkan hasil analisis model ARIMA pada minitab dapat disimpulkan bahwa plot
ACF maupun PACF terdapat 1 lag yang berada diluar batas sehingga model semen gresik
yang diperoleh adalah AR (1) atau MA (1).
Karena semua parameter dalam model signifikan telah memenuhi syarat white noises,
maka berdasarkan hasil tersebut dapat dijelaskan bahwa kedua model dugaan semuanya
adalah sesuai. Langkah selanjutnya adalah membandingkan nilai MSE dari kedua model
tersebut. Nilai MSE untuk model AR adalah 274697, sedangkan nilai MSE untuk model
MA adalah 266791. Dengan dasar perbandingan nilai MSE yang lebih kecil, maka model
MA adalah model yang terbaik untuk data semen gresik.
Secara matematis model MA yang diperoleh dapat dituliskan dalam bentuk seperti berikut
ini:
Model : Zt −μ=at −θ1 ( at −1−μ )
Zt =a t−θ 1 a t−1 +(1+θ¿¿ 1) μ ¿
Sehingga model dari data ini adalah:
Zt =a t−0,5067 at −1 +3249,0
TUGAS II
Uji Signifikansi Parameter dan White Noise Checking
Lag 12 24 36 48
Chi-Square 10,8 26,0 30,2 *
DF 10 22 34 *
TUGAS III
Asumsi Normalitas
Dalam pengujian asumsi distribusi normal, perhatikan langkah-langkah sebagai
berikut:
1. Klik stat Basic Statistics Normality Test
2. Kemudian pada kotak dialog Normality Test pindahkan variable RESI 1 pada kotak
variable lalu centang None pada percentile lines dan Kolmogorov-Smirnov pada Tests
for Normality.
95% Limits
Period Forecast Lower Upper Actual
41 -80,53 -3644,66 3483,60
42 0,00 -4905,30 4905,30
43 0,00 -4905,30 4905,30
44 0,00 -4905,30 4905,30
45 0,00 -4905,30 4905,30
46 0,00 -4905,30 4905,30
47 0,00 -4905,30 4905,30
48 0,00 -4905,30 4905,30
49 0,00 -4905,30 4905,30
50 0,00 -4905,30 4905,30
Nilai-nilai peramalan stok semen gresik di distributor bahan bangunan UD Gunung Bata
Bual, Gresik untuk 10 bulan kedepan dapat dilihat pada hasil output di atas.
TUGAS V
Data Musiman
A. Data
Diberikan data mengenai rata-rata temperature di Lowa dari bulan Januari 1964
sampai Desember 1975. Seorang analisis meteorologi tertarik untuk memodelkan dan
melakukan peramalan dengan menggunakan pendekatan ARIMA Box-Jenkins.
2. Maka muncul kotak dialog Time Series Plots. Pilih kotak simple kemudian klik OK.
3. Pada kotak dialog yang muncul maka pindahkan variabel “Rata Temperature” ke
dalam kotak series seperti berikut.
4. Klik Ok, maka muncul output berikut ini.
Autokorelasi (ACF)
Pemeriksaan kestasioneran dan non-kestasioneran dapat dilakukan dengan
menganalisa plot ACF dan PACF dari data.
1. Klik stat Time series Autocorrelation Function
Identifikasi berdasarkan nilai ACF pada hasil Minitab di atas menunjukkan bahwa data
belum stasioner dalam rata-rata musiman dua belas, sehingga perlu dilakukan differencing
satu musiman.
Untuk melakukan differencing pada Minitab, langkahnya adalah sebagai berikut:
1. Klik stat Time series Differences
2. Pada kotak dialog Differences, pindahkan variable Rata Temperature dalam kotak
series lalu pada kolom Store differences in ketik c2 dan pada kolom Lag masukkan
angka 12 untuk melakukan differencing satu musiman 12.
3. Klik Ok, maka pada worksheet Minitab akan muncul nilai hasil differencing.
Langkah selanjutnya adalah menentukan model yang tepat dari hasil diferencing sebagai
berikut:
Autokorelasi (ACF)
1. Klik stat Time series Autocorrelation Function
2. Pada kotak dialog Autocorrelation Function, pindahkan variable Diff1 dalam kotak
series seperti berikut.
2. Pada kotak dialog Partial Autocorrelation Function, pindahkan variable Diff1 dalam
kotak series seperti berikut.
Lag 12 24 36 48
Chi-Square 14,4 22,4 40,4 45,8
DF 11 23 35 47
Secara matematis model ARIMA(0 , 1 ,1)12 yang diperoleh dapat dituliskan dalam bentuk
seperti berikut ini:
Model : ( 1−B12 ) Z t =( 1−⊝1 B12 ) at
Zt −Z t−12=at −⊝ 1 at −12
Sehingga model dari data ini adalah:
2. Pada kotak dialog ARIMA, pindahkan variable Rata Temperature ke dalam kotak
series. Sesuai dengan dugaan awal ARIMA(0 , 0 , 0)(0 , 1, 1)12, maka pada kolom
nonseasonal isi Autoregressive dengan 0, Difference dengan 0 dan Moving average
dengan 0. Selanjutnya centang Fit seasonal model dan isi kolom Period dengan 12
(periode musiman). Sedangkan pada kolom seasonal isi Autoregressive dengan 0,
Difference dengan 1 dan Moving average dengan 1 seperti berikut.
3. Klik Storage, pada kotak dialog ARIMA-Storage centang Residuals lalu klik Ok.
4. Klik Ok pada kotak dialog ARIMA maka muncul output berikut ini.
Berdasarkan hasil dari diagnosic checking Arima diperoleh:
Lag 12 24 36 48
Chi-Square 14,4 22,4 40,4 45,8
DF 11 23 35 47
P-Value 0,210 0,494 0,244 0,524
Berdasarkan output di atas maka uji normalitas dapat diketahui dari niai p-value yaitu
0,150. Jika menggunakan pedoman pengambilan keputusan untuk data berdistribusi
normal maka data memenuhi syarat yang kedua yaitu P−Value> α dengan α =0.05 yang
artinya data berasal dari data populasi normal, maka dapat dsimpulkan bahwa data ini
memenuhi asumsi normalitas.
Berdasarkan hasil uji white noise dan asumsi normalitas yang keduanya telah memenuhi
syarat maka data peramalan stok semen gresik ini memenuhi Diagnostic Checking.
E. Forecasting
Model yang dihasilkan pada tahapan sebelumnya yang telah memenuhi syarat
Signifikansi Parameter,Uji white noise, dan Asumsi Normalitas kemudian digunakan
sebagai model untuk peramalan. Langkah-langkahnya adalah sebagai berikut.
1. Klik Stat → Time Series → ARIMA
Maka muncul kotak dialog berikut :
4. Klik Ok pada kotak dialog ARIMA, maka dapat diperoleh output peramalan pada halaman
Session sebagai berikut:
95% Limits
Period Forecast Lower Upper Actual
145 16,7514 10,0027 23,5002
146 20,6377 13,8890 27,3864
147 32,7043 25,9556 39,4531
148 46,7595 40,0108 53,5082
149 57,6912 50,9425 64,4400
150 67,0388 60,2901 73,7875
151 71,9956 65,2469 78,7443
152 69,1553 62,4065 75,9040
153 60,5604 53,8117 67,3092
154 51,0845 44,3357 57,8332
Nilai-nilai peramalan rata-rata temperature di Lowa untuk 10 bulan kedepan dapat dilihat
pada hasil output di atas.