NPM : 140610180090
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2020
Syntax, Output dalam Software R dan Interpretasi Grafik
install.packages("forecast")
install.packages("aTSA")
install.packages("ggfortify ")
install.packages("expsmooth ")
install.packages("fma ")
install.packages("fpp2")
install.packages("GGally")
library(forecast)
library(aTSA)
library(ggfortify)
library(expsmooth)
library(fma)
library(fpp2)
library(GGally)
Interpretasi Grafik :
Gambar 2.4. Menunjukan Plot musiman penjualan obat antidiabetik bulanan di
Australia
Terlihat jelas bahwa terjadi lonjakan penjualan yang besar di bulan Januari setiap
tahunnya. sebenarnya, ini mungkin penjualan pada akhir desember sebagai persediaan
pelanggan sebelum akhir tahun , tetapi penjualan tidak didaftarkan pada pemerintah
sampai satu atau dua minggu kemudian. grafik juga menunjukkan bahwa ada jumlah
penjualan yang sangat kecil di bulan Maret 2008 (sebagian besar tahun lainnya
menunjukkan peningkatan antara bulan Februari dan Maret). Kecilnya angka
penjualan pada bulan Juni 2008 kemungkinan disebabkan oleh penghitungan
penjualan yang tidak lengkap pada saat data dikumpulkan.
Interpretasi Grafik :
Gambar 2.5. Petak kutub musiman penjualan obat antidiabetik bulanan di
Australia
Variasi pada plot musiman menggunakan koordinat kutub. Syntax polar=TRUE
membuat sumbu deret waktu melingkar daripada horizontal seperti yang ditunjukkan
di atas.
Interpretasi Grafik :
Gambar 2.8. Setengah jam permintaan listrik diplot terhadap suhu untuk tahun
2014 di Victoria, Australia.
Suatu grafik dapat digunakan untuk melihat suatu hubungan dengan menggunakan
scatterplot. Pada grafik 7, scatterplot tersebut menunjukan hubungan antara
permintaan dan suhu. Dapat dilihat bahwa permintaan yang tinggi terjadi ketika suhu
juga tinggi karena pengaruh AC. Akan tetapi, terdapat pula efek pemanasan, dimana
permintaan akan meningkat saat suhu sangat rendah.
Interpretasi Grafik :
Gambar 2.12. Scatter Plot Matrix dari Malam Pengunjung Triwulanan untuk
Berbagai Wilayah NSW, Australia
Untuk setiap panel, variabel pada sumbu vertikal (sumbu y) diberi nama variabel pada
baris tersebut, sedangkan variabel pada sumbu horizontal (sumbu x) diberi nama
variabel pada kolom tersebut. Terdapat beberapa pilihan untuk menghasilkan plot
yang berbeda dalam setiap panel. Dalam versi default, korelasi ditampilkan di paruh
kanan atas plot, sedangkan diagram pencar (scatter plot) ditampilkan di paruh bawah.
Pada diagonal menunjukan plot densitas.
Nilai dari matriks scatterplot memungkinkan tampilan cepat dari hubungan antara
semua pasang variabel. Dalam kasus ini, kolom kedua dari plot menunjukkan ada
hubungan positif yang kuat antara pengunjung pantai utara New South Wales dan
pengunjung pantai selatan New South Wales, tetapi tidak ada hubungan yang
terdeteksi antara pengunjung pantai utara New South Wales dan pengunjung ke
pedalaman selatan New South Wales. Pencilan juga bisa dilihat. Tidak ada satu
kuartal tinggi untuk wilayah Metropolitan New South Wales.
500
450
400
500 Quarter
1
450 2
3
4
400
500
450
400
Interpretasi Grafik :
Gambar 2.13. Lagged Scatterplot untuk produksi bir triwulanan
Gambar di atas menampilkan scatterplots dari produksi beer Australia selama triwulan,
dimana sumbu horizontal menunjukkan nilai lagged dari deret waktu. Masing-masing grafik
menunjukkan yt diplot melawan yt-k untuk nilai selisihdari k. Warna-warna pada plot
mengindikasikanseperempat darivariabel pada sumbu vertical. Garis menghubungkan poin
pada urutan kronologis. Hubungan yang terbangun adalah positifkuat pada lag 4 dan 8,
merefleksikan musim yang kuat pada data. Hubungan negative terlihat untuk lag 2 dan 6
terjadi karena puncak pada Q4 diplot melalui Q2.
Pengukuran autokorelasi hubungan linear antara lagged dan deret waktu sama seperti
pengukuran korelasi hubungan linear antara dua variabel.Berikut beberapa koefisien
autokorelasi, sesuai untuk tiap panel pada lag plot. Sebagaicontoh,r 1 mengukur
hubungan antara yt dan yt-1, r2 mengukur hubungan antara yt dan yt-2. Dan seterusnya.
Terdapat sembilan scatter plot pada lag scatterplot untuk data produksi beer Australia
selamatriwulan. Koefisien auto korelasi diplot untuk menunjukkan fungsi auto
korelasi (ACF / Autocorrelation Function). Plotnya diketahui sebagai correlogram.
r4 lebih tinggi dari lag yang lain. Ini disebabkan oleh pola musiman pada data.
Puncaknya cenderung menjadi terpisah empat perempat dan palung cenderung
menjadi terpisah dua perempat
r2 lebih negative dibandingkan dengan lag lainnya. Karena pzlung cenderung
menjadi dua perempat dibelakang puncak
Garis biruputus-putus mengindikasikanapakah korelasi berbeda signifikandari 0.
Ketika data memiliki trend, autokorelasi untuk lag yang kecil cenderung menjadi
besar dan positif karena observasi yang mendekati waktu akan mendekati ukuran
juga. Sehingga ACF dari deret waktu tren cenderung memiliki nilai yang positif yang
sedikit demi sedikit mengalami penurunan ketika lag nya mengalami kenaikan
Interpretasi Grafik :
Gambar 2.17. A white noise time series
Untuk deret white noise, diharapkan untuk setiap autokorelasi mendekati nol. Akan
tetapi tidak akan persis sama dengan nol karena ada beberapa variasi acak untuk deret
white noise. Kami perkirakan 95% lonjakan di ACE berada dalam ± 2/ √ T di mana ini
adalah panjang deret waktu. Batas ini biasa dibuat pada grafik ACF (garis putus-
putus biru di atas). Jika satu atau lebih lonjakan berada di luar batas ini, atau jika
secara substansial lebih dari 5% lonjakan berada di luar batas ini, maka series tersebut
bukan white noise.
15. Series : y
Interpretasi Grafik :
Gambar 2.18. fungsi autokorelasi untuk White Noise Series
2
Dalam contoh ini, T = 50 dan batasnya berada pada ± =± 0.282. Semua koefisien
√ 50
autokorelasi berada dalam batas ini, memastikan bahwa datanya adalah white noise.