TUGAS LENGKAP

ANALISIS TIME SERIES

DISUSUN OLEH:

ISMI RA’YAN (60600113042)

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

Berdasarkan Gambar diatas menunjukkan bahwa data peramalan bahan bangunan

semen gresik di UD Gunung Bata Bual, Gresik tiap bulan dari Januari 2003 sampai
April 2006 dengan melihat bentuk plot time series yang acak dikatakan telah stasioner
dalam mean.

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.

3. Klik Ok, maka muncul output berikut ini.

 Dari hasil analisis menggunakan minitab, banyaknya lag yang muncul apabila
jumlah lag tidak ditentukan (default) secara otomatis akan menampilkan lag
sebanyak n/4 dimana banyaknya data pengamatan stok semen gresik adalah 40 data
sehingga ada 40/4 = 10. Oleh karena itu, pada plot ACF muncul 10 lag.
Hasil plot data Autokorrelation Function (ACF) di atas turun mendekati garis lurus
secara cepat pada lag ke 2 maka dapat dikatakan bahwa data stasioner.
Autokorelasi Parsial (PACF)
1. Klik stat  Time series  Partial Autocorrelation Function

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).

ARIMA Model: semen gresik

Estimates at each iteration

Iteration SSE Parameters

0 11948413 0,100 2931,300
1 10954624 0,250 2438,749
2 10489641 0,400 1946,607
3 10451749 0,453 1771,539
4 10451595 0,457 1761,111
5 10451594 0,457 1760,442

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,4569 0,1525 3,00 0,005
Constant 1760,44 83,14 21,17 0,000
Mean 3241,4 153,1

Number of observations: 40
Residuals: SS = 10438494 (backforecasts excluded)
MS = 274697 DF = 38

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

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 *

ARIMA Model: semen gresik

Estimates at each iteration

Iteration SSE Parameters

0 14119723 0,100 3257,000
1 12399314 -0,050 3252,912
2 11214507 -0,200 3249,891
3 10460554 -0,350 3247,885
4 10157097 -0,500 3247,199
5 10156382 -0,508 3248,811
6 10156373 -0,507 3248,975
7 10156373 -0,507 3248,974

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 -0,5067 0,1468 -3,45 0,001
Constant 3249,0 122,8 26,46 0,000
Mean 3249,0 122,8

Number of observations: 40
Residuals: SS = 10138056 (backforecasts excluded)
MS = 266791 DF = 38

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

Lag 12 24 36 48
Chi-Square 10,8 26,0 30,2 *
DF 10 22 34 *

P-Value 0,375 0,250 0,655 *

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

Uji Signifikansi Parameter dan White Noise

Berdasarkan hasil dari diagnosic checking Arima diperoleh:

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 -0,5067 0,1468 -3,45 0,001
Constant 3249,0 122,8 26,46 0,000
Mean 3249,0 122,8

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

Lag 12 24 36 48
Chi-Square 10,8 26,0 30,2 *
DF 10 22 34 *

P-Value 0,375 0,250 0,655 *

Berdasarkan output, nilai dari P θ0 =0.001 jika didasarkan dengan α =0.05maka

dapat disimpulkan bahwa tolak H0 yang berarti bahwa parameter constant signifikan.
Sedangkan untuk uji white noise berdasarkan output dari data ini yaitu nilai P-
value dari ρ1=0,375 , ρ2 =0,250 , ρ2=0,655jika didasarkan dengan α =0.05, maka nilai p-
value keseluruhan lebih besar dari batas toleransi (p-value > α) sehingga dapat
disimpulkan bahwa terima H0 artinya data ini memenuhi uji sigifikansi white noise.

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.

3. Klik Ok maka akan muncul output berikut.

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.
 TUGAS IV
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. Langkahnya ialah sebagai berikut.
1. Klik Stat → Time Series → ARIMA
Maka muncul kotak dialog berikut :

2. Pada kotak dialog ARIMA klik Forecast.

3. Pada dialog ARIMA-Forecasts, Isi angka 10 pada kotak Lead sebagai banyaknya periode
yang akan diramalkan. Selanjutnya klik OK.
4. Klik Ok pada kotak dialog ARIMA, maka dapat diperoleh output peramalan pada halaman
Session sebagai berikut:

Forecasts from period 40

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.

24,7 25,7 30,6 47,5 62,9 68,5 73,7

67,9 61,1 48,5 39,6 20,0 16,1 19,1
24,2 45,4 61,3 66,5 72,1 68,4 60,2
50,9 37,4 31,1 10,4 21,6 37,4 44,7
53,2 68,0 73,7 68,2 60,7 50,2 37,2
24,6 21,5 14,7 35,0 48,3 54,0 68,2
69,6 65,7 60,8 49,1 33,2 26,0 19,1
20,6 40,2 50,0 55,3 67,7 70,7 70,3
60,6 50,7 35,8 20,7 14,0 24,1 29,4
46,6 58,6 62,2 72,1 71,7 61,9 47,6
34,2 20,4 8,4 19,0 31,4 48,7 61,6
68,1 72,2 70,6 62,5 52,7 36,7 23,8
11,2 20,0 29,6 47,7 55,8 73,2 68,0
67,1 64,9 57,1 37,6 27,7 13,2 17,2
30,8 43,7 62,3 66,4 70,2 71,6 62,1
46,0 32,7 17,3 22,5 25,7 42,3 45,2
55,5 68,9 72,3 72,3 62,5 55,6 38,0
20,4 17,6 20,5 34,2 49,2 54,8 63,8
74,0 67,1 57,7 50,8 36,8 25,5 20,4
19,6 24,6 41,3 61,8 68,5 72,0 71,1
57,3 52,5 40,6 26,2
B. Identifikasi Model
Pengidentifikasian model data peramalan rata-rata temperature di lowa
menggunakan software Minitab adalah sebagai berikut.
Time Series Plot
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 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

2. Pada kotak dialog Autocorrelation Function, pindahkan variable Rata Temperature

dalam kotak series seperti berikut.
3. Klik Ok, maka muncul output berikut ini.

Autokorelasi Parsial (PACF)

1. Klik stat  Time series  Partial Autocorrelation Function

2. Pada kotak dialog Partial Autocorrelation Function, pindahkan variable Rata

Temperature dalam kotak series seperti berikut.
 3. Klik Ok, maka muncul output berikut ini.

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.

3. Klik Ok, maka muncul output berikut ini.

Autokorelasi Parsial (PACF)
1. Klik stat  Time series  Partial Autocorrelation Function

2. Pada kotak dialog Partial Autocorrelation Function, pindahkan variable Diff1 dalam
kotak series seperti berikut.

3. Klik Ok, maka muncul output berikut ini.

Berdasarkan plot ACF dan PACF hasil differencing 1 musiman 12, dapat dilihat bahwa
plot ACF, nilai autokorelasi signifikan pada lag 12 (cut off after lag 12) sedangkan pada
plot PACF, nilai autokorelasi parsial signifikan pada lag 12 dan lag 24, dapat dikatakan
bahwa plot PACF turun eksponensial pada lag 12, 24 dan seterusnya. Oleh karena itu,
dugaan awal model yang sesuai untuk data rata-rata temperature di Lowa adalah ARIMA
(0 , 1 ,1)12.

ARIMA Model: Rata Temperature

Estimates at each iteration

Iteration SSE Parameters

0 2748,62 0,100
1 2506,76 0,250
2 2302,62 0,400
3 2119,15 0,550
4 1943,58 0,700
5 1766,23 0,850
6 1722,21 0,917
7 1721,83 0,909
8 1721,66 0,913
9 1721,64 0,912

Unable to reduce sum of squares any further

Final Estimates of Parameters

Type Coef SE Coef T P

SMA 12 0,9117 0,0628 14,52 0,000

Differencing: 0 regular, 1 seasonal of order 12

Number of observations: Original series 144, after differencing 132
Residuals: SS = 1552,48 (backforecasts excluded)
MS = 11,85 DF = 131

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

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

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:

Zt =Z t−12+ at −0,9117 a t−12

C. Uji Signifikansi Parameter dan White Noise Checking
Untuk melakukan uji Signifikansi Parameter dan White Noise Checking pada
Minitab, dilakukan langkah-langkah sebagai berikut.
1. Klik stat  Time series  ARIMA

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:

Final Estimates of Parameters

Type Coef SE Coef T P

SMA 12 0,9117 0,0628 14,52 0,000

Differencing: 0 regular, 1 seasonal of order 12

Number of observations: Original series 144, after differencing 132
Residuals: SS = 1552,48 (backforecasts excluded)
MS = 11,85 DF = 131

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

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 diperoleh nilai taksiran parameter ⊝1 yaitu 0,9117 dimana

nilai P ⊝1=0.00 0 < α =0.05 maka dapat disimpulkan bahwa tolak H 0 yang berarti bahwa
parameter MA(1) musiman 12 signifikan.
Sedangkan untuk uji white noise pada output Modified Box-Pierce diperoleh nilai
P-value untuk lag 12=0.210 ,lag 24=0. 494 , lag 36=0. 244 , lag 48=0. 524 dan seterusnya.
Jika didasarkan dengan α =0.05, maka nilai p-value keseluruhan lebih besar dari batas
toleransi (p-value > α) sehingga dapat disimpulkan untuk terima H0 artinya data ini
memenuhi uji sigifikansi white noise.
D. Asumsi Normalitas
Dalam pengujian asumsi distribusi normal, dilakukan 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.

3. Klik Ok maka akan muncul output berikut.

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 :

2. Pada kotak dialog ARIMA klik Forecast.

3. Pada dialog ARIMA-Forecasts, Isi angka 10 pada kotak Lead sebagai banyaknya
periode yang akan diramalkan. Selanjutnya klik OK.

4. Klik Ok pada kotak dialog ARIMA, maka dapat diperoleh output peramalan pada halaman
Session sebagai berikut:

Forecasts from period 144

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.