TUGAS PRAKTIKUM

ANALISIS RUNTUN WAKTU

Disusun oleh :
Ru’yatul Hilal
G1D018072

Program Studi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Mataram
2021
Latihan Praktikum ARIMA

2. Diketahui data mingguan aplikasi pinjaman di suatu bank dalam dua tahun terakhir
sebagai berikut.
Week Aplications Week Aplications Week Aplications Week Aplications

1 71 27 62 53 66 79 63
2 57 28 77 54 71 80 61
3 62 29 76 55 59 81 73
4 64 30 88 56 57 82 72
5 65 31 71 57 66 83 65
6 67 32 72 58 51 84 70
7 65 33 66 59 59 85 54
8 82 34 65 60 56 86 63
9 70 35 73 61 57 87 62
10 74 36 76 62 55 88 60
11 75 37 81 63 53 89 67
12 81 38 84 64 74 90 59
13 71 39 68 65 64 91 74
14 75 40 63 66 70 92 61
15 82 41 66 67 74 93 61
16 74 42 71 68 69 94 52
17 78 43 67 69 64 95 55
18 75 44 69 70 68 96 61
19 73 45 63 71 64 97 56
20 76 46 61 72 70 98 61
21 66 47 68 73 73 99 60
22 69 48 75 74 59 100 65
23 63 49 66 75 68 101 55
 24 76 50 81 76 59 102 61
25 65 51 72 77 66 103 59
26 73 52 77 78 63 104 63
Buat model runtun waktu untuk data di atas dan lakukan peramalan jumlah aplikasi
pinjaman untuk dua bulan berikutnya!
Penyelesaian:
Pada praktikum ini untuk membuat model runtun waktu dilakukan dengan bantuan SPSS
dan Minitab.
 SPSS
- Time Series Plot
Langkah-langkah dalam menentukan Tplot dengan SPSS yaitu klik menu
Analyze Forecasting Squence Charts
Interpretasi:
output di atas adalah TSPlot dari variabel Aplications, namun pada TPlot di
atas belum diketahui kestasioneran dari data.
Untuk melihat apakah data stasioner atau tidak dapat dilakukan dengan
menampilkan trend analysis, untuk menampilkan trend analysis dari data
tersebut akan dilakukan dengan bantuan Minitab, dengan klik menu Stat
Time Series Trend Analysis, dan masukkan variabel Aplications pada kotak
Variabel, sehingga dihasilkan output sebagai berikut
 Interpretasi:
Dari output Trend Analysis Plot untuk variabel Aplications di atas, terlihat
bahwa garis yang terbentuk menurun sehingga data belum stasioner terhadap
varian dan rata-rata.
Untuk membuat data menjadi stasioner maa akan dilakukan differensing
dengan cara, klik menu Stat Time Series Differences, kemudian
masukkan variabel Aplications di kotak series, kemudian di cek kembali
apakah data hasil differensi sudah stasioner atau tidak dengan cara melakukan
langkah yang sama pada data Aplications, namun pada kotak variabel
masukkan data hasil diferensi. Berikut grafik dari data diferensi:

Interpretasi :
Dari output di atas dapat dilihat bahwa trend analysis untuk data diferensi
sudah cenderung datar, sehingga data sudah dikatakan stasioner.
 Plot ACF dan PACP
Untuk menentukan plot ACF dan PACF akan dilakukan dengan bantuan Minitab.
Langkahnya adalah dengan mengklik menu Stat Time Series
Autocorrelation ini untuk plot ACF sedangkan untuk plot PACF, langkahnya
adalah dengan klik menu Stat Time Series Partial Autocorrelation,
kemudian masukkan variabel data diferensi pada kotak Series, sehingga
didapatkan output berikut;
- ACF

- PACF

Interpretasi:
Berdasarkan dua output plot di atas dapat diketahui bahwa, pada plot ACF dapat
dilihat plot mengalami Dies Down pada lag 1, dan pada plot PACF plot
mengalami Cut off pada lag 1, jadi kemungkinan-kemungkinan model yang
terbentuk adalah ARIMA (1,1,0), ARIMA (1,1,1), dan ARIMA (0,1,1).
 Estimasi Model
Langkah untuk mengestimasi kemungkinan model yang akan didapatkan dapat
dilakukan dengan langkah, klik Stat Time Series ARIMA, kemudian
masukkan variabel Aplications pada kotak series, selanjutnya pada kolom
Nonseasonal diisi dengan kemungkinan-kemungkinan model yang akan
terbentuk, pada kasus ini masukkan (1,1,0), (1,1,1), dan (0,1,1) secara bergantian.
Dan pada menu Forcasts isi bagian lead dengan 8, karena akan dilakukan
peramalan jumlah aplikasi pinjaman untuk dua bulan berikutnya (8 minggu).
Sehingga dihasilkan output berikut:
- ARIMA (1,1,0)

Interpretasi :
Dari output di atas dapat dilihat apakah koefisien yang didapatkan, kemudian
akan di uji apakahkoefisien yang dihasilkan sudah cocok terhadap model atau
belum. Maka akan dilakukan uji signifikansi parameter.
Uji signifikansi Parameter
 Hipotesis
H0 : koefisien tidak cocok terhadap model
H1 : koefisien cocok terhadap model
 Taraf signifikan
 Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Vaalue
 Kesimpulan: karena nilai P-Value (0.00) < (0.05), maka dapat
disimpulkan bahwa H0 ditolak, yang artinya koefisien cocok terhadap
model.

- ARIMA (1,1,1)
Interpretasi:
Dari output di atas dapat dilihat apakah koefisien yang didapatkan, kemudian akan
di uji apakah koefisien yang dihasilkan sudah cocok terhadap model atau belum.
Maka akan dilakukan uji signifikansi parameter.
Uji signifikansi Parameter
 Hipotesis
H0 : koefisien tidak cocok terhadap model
H1 : koefisien cocok terhadap model
 Taraf signifikan
 Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Vaalue
 Kesimpulan: karena nilai P-Value (0.372) pada MA 1 > (0.05), maka
dapat disimpulkan bahwa H0 diterima, yang artinya koefisien tidak cocok
terhadap model.
- ARIMA (0,1,1)

Interpretasi:
Dari output di atas dapat dilihat apakah koefisien yang didapatkan, kemudian akan
di uji apakahkoefisien yang dihasilkan sudah cocok terhadap model atau belum.
Maka akan dilakukan uji signifikansi parameter.
Uji signifikansi Parameter
 Hipotesis
 H0 : koefisien tidak cocok terhadap model
H1 : koefisien cocok terhadap model
 Taraf signifikan
 Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Vaalue
 Kesimpulan: karena nilai P-Value (0.00) < (0.05), maka dapat
disimpulkan bahwa H0 ditolak, yang artinya koefisien cocok terhadap
model.
 Pencarian Model Terbaik
Untuk melakukan verifikasi model yang harus dilakukan yaitu Uji Normalitas
Residual dan Uji Korelasi Residual.
 Model ARIMA (1,1,0)
- Uji Normalitas Residual
Akan dicek apakah residual sudah berdistribusi normal atau tidak.
Langkahnya yaitu, Klik Stat Basic Statistics Normality Test, kemudian
cek untuk model ARIMA yang dihasilkan secara berurut.

Interpretasi:
 Dari output di atas dapat dilihat bahwa nilai P-Value > 0.150, nilai ini akan
digunakan untuk melakukan uji normalitas Residual.
Uji Normalitas Residual
Hipotesis
H0 : Residual Berdistribusi Normal
H1 : Residual Tidak Berdistribusi Normal
Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
Kesimpulan: karena nilai P-Value (>0.15) > (0.05), maka dapat
disimpulkan bahwa H0 diterima, yang artinya Residual berdistribusi
normal

Interpretasi:
Dari output di atas akan dilakukan uji residual untuk mengetahui ada tidaknya
korelasi antar leg.
- Uji Indpendensi Residual
Hipotesis
H0 : Tidak ada korelasi residual antar leg
H1 : Ada korelasi residual antar leg
Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
 Kesimpulan: karena nilai P-Value dari ketiga leg > (0.05), maka
dapat disimpulkan bahwa H0 diterima , yang artinya tidak ada korelasi
residual antar leg
 ARIMA (1,1,1)

Interpretasi:
Dari output di atas dapat dilihat bahwa nilai P-Value > 0.150, nilai ini akan
digunakan untuk melakukan uji normalitas Residual.
- Uji Normalitas Residual
Hipotesis
H0 : Residual Berdistribusi Normal
H1 : Residual Tidak Berdistribusi Normal
Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
Kesimpulan: karena nilai P-Value (>0.15) > (0.05), maka dapat
disimpulkan bahwa H0 diterima, yang artinya Residual berdistribusi
normal.
 Interpretasi:
Dari output di atas akan dilakukan uji residual untuk mengetahui ada tidaknya
korelasi antar leg.
- Uji Indpendensi Residual
Hipotesis
H0 : Tidak ada korelasi residual antar leg
H1 : Ada korelasi residual antar leg
Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
Kesimpulan: karena semua leg memiliki nilai P-Value > (0.05),
maka dapat disimpulkan bahwa H0 diterima, yang artinya tidak ada
korelasi residual antar leg
 ARIMA (0,1,1)
 Interpretasi:
Dari output di atas dapat dilihat bahwa nilai P-Value > 0.150, nilai ini akan
digunakan untuk melakukan uji normalitas Residual.
- Uji Normalitas Residual
Hipotesis
H0 : Residual Berdistribusi Normal
H1 : Residual Tidak Berdistribusi Normal
Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
Kesimpulan: karena nilai P-Value (>0.15) > (0.05), maka dapat
disimpulkan bahwa H0 diterima, yang artinya Residual berdistribusi
normal.

Interpretasi:
Dari output di atas akan dilakukan uji residual untuk mengetahui ada tidaknya
korelasi antar leg.
- Uji Indpendensi Residual
Hipotesis
H0 : Tidak ada korelasi residual antar leg
H1 : Ada korelasi residual antar leg
Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
 Kesimpulan: karena ada dua leg yang memiliki nilai P-Value <
(0.05), maka dapat disimpulkan bahwa H0 ditolak untuk leg 12 dan 24
, yang artinya ada korelasi residual antar leg 12 dan 24.
- Nilai MSE
Model MSE

ARIMA (1,1,0) 43.2387

ARIMA (1,1,1) 43.4802

ARIMA (0,1,1) 43.9363

Interpretasi:
Dari ketiga model yang memiliki nilai MSE terkecil adalah ARIMA (1,1,0)
Kesimpulan :
Dari semua uji yang telah dilakukan yaitu uji signifikansi parameter, uji normalitas
residual, dan uji independensi, dapat disimpulkan bahwa model yang terbaik untuk
mengestimasi data Aplications adalah ARIMA (1,1,0).
MODEL

Berikut hasil peramalan jumlah aplikasi pinjaman untuk dua bulan berikutnya

Laporan Praktikum SARIMA

2. Akan dibuat model ARIMA musiman untuk data Penjualan Pakaian di Amerika Serikat,
dan dilakukanperamalan untuk 10 data berikutnya, berikut data tersebut.

Penyelesaian:
Identifikasi Model
 Time Series Plot
Interpretasi :
Dai output TSPlot di atas dapat dilihat bahwa plot Penjualan Pakaian tersebut
memiliki pola musiman. Periode musiman untuk data Penjualan Pakaian tersebut
adalah 12, nilai tersebut dapat dilihat dari pola sebaran plotnya, yang artinya data
mengalami pola secara tahunan.
Untuk mengetahui apakah data megalami trend, akan dicari plot ACF dari data
dengan langkah, klik menu Stat Time Series Autocorrelation, masukkan
jumlah data 144 ke kotak jumlah lag dan dihasilkan plot ACF berikut.
Interpretasi:
Dari plot ACF di atas dilihat bahwa data yang melewati atau keluar dari garis
lebih dari 3 lag, maka data perlu untuk di differensi.
Sebelum mendifferensi data, perlu untuk dilihat apakah data stasioner atau tidak
terhadap varian, kestasioneran data terhadap varian dapat dilakukan dengan
langkah, klik menu Stat Control Charts Box-cox Transformation, kemudian
isi kotak subgroup dengan 1 dan klik Ok. Sehingga dihasilkan Box-cox Plot
berikut.
Interpretasi:
Dari output Box-cox Plot di atas dapat diketahui nilai Rounded Value dari data
Penjualan adalah -1.00. Suatu data dikatakan stasioner jika nilai Rounded Value
= 1.00.
Maka akan dicek Box-cox Plot dari data yang sudah ditransformasi, dengan cara
yang sama seperti sebelumnya, dan dihasilkan Box-cox plot dari Transformasi
data penjualan berikut.
Interpretasi:
Dari output Box-cox di atas dapat diketahui bahwa nilai Rounded Value dari data
hasil transformasi adalah 1, maka data sudah stasioner terhadap varian.
Kemudian dilakukan pengecekan kestasioneran data hasil tranformasi terhadap
rata-rata dengan langkah klik menu Stat Time Series Time Series Plot,
dihasilkan plot berikut.
Interpretasi:
Dari output TSPlot data hasil transformasi di atas dapat dilihat trend data
cendrung menurun.
Untuk lebih mengetahui trendnya akan dicek menggunakan plot ACF, dengan
langkah seperti sebelumnya, namun pada kotak series diisi dengan Trans1 (nama
kolom tempat data hasil transformasi), sehingga dihasilkan plot ACF sebagi
berikut.
Interpretasi:
Dari Plot ACF data transformasi di atas dapat dilihat bahwa jumlah lag yang
keluar dari garis lebih dari 3 lag, sehingga perlu dilakukan differensi.
Langkah melakukan differensi yaitu klik menu Stat Time Series Difference,
setelah didapatkan data hasil differensi, kemudian dicari ACF Plotnya, dan
didapatkan plot ACF dari data differensi sebagai berikut.
Interpretasi:
Dari plot ACF di atas dapat dilihat bahwa data regular cut off pada lag 2, dan data
seasonal lag cut off setelah 12 (periode 1) sehingga digunakan q=2 dan Q=1
Selanjutnya akan ditampilkan plot PACF dari data hasil differensi, dengan
langkah klik menu Stat Time Series Particular correlation, kemudian isi
kotak series dengan variabel Dif1, sehingga dihasilkan plot PACF berikut.
 Interpretasi:
Dari output plt PACF di atas dapat dilihat ada tiga lag yang keluar dari garis yaitu
lag 1, 2, dan 3. Dan pola mengalami dies down sehingga digunakan p = 0. Untuk
seasonal, data cut off setelah lag 12 (periode 1) sehingga digunakan P = 1.
Untuk data Penjualan dilakukan satu kali differensi maka orde d =1. Maka model
SARIMA yang digunakan yaitu ARIMA (0,1,2)(1,1,1)12.

Estimasi Parameter Model

 Sebelum melakukan estimasi parameter model data akan diperiksa kestasioneran

terhadap varian dari data hasil Differensi. Plot berikut menampilkan
kestasioneran dari data hasil differensi terhadap varian.
Interpretasi:
Dari TSPlot di atas dapat diketahui bahwa data hasil differensi tidak stasioner
terhadap varians, sehingga estimasi model untuk data differensi tidak dapat
dilakukan.
Jika data tidak di differensi maka data tidak akan stasioner terhadap rata-rata.
Namun, jika data differensi maka data tidak akan stasioner terhadap varians.
Maka untuk dapat mengestimasi model, akan dilakukan untuk masing-masing
data, yaitu untuk data yang stasioner terhadap rata-rata (data yang didifferensi)
dan untuk data yang stasioner terhadap varians (data yang tidak di differensi/ data
transformasi).
 Model untuk data yang didifferensi, berdasarkan ACF dan PACF dari data
Penjualan yang didifferensi.
 Dari output di atas didapatkan model ARIMA (0,1,2)(1,1,0)12
 Model untuk data yang tidak didifferensi, didapatkan dari ACF dan PACF
data Penjualan yang ditransformasi.
 Berdasarkan plot ACF dan PACF di atas didapatkan model
ARIMA (0,0,2)(1,0,1)12
 Model ARIMA (0,1,2)(1,1,0)12
 Uji signifikansi Parameter
Hipotesis
H0 : koefisien tidak cocok terhadap model
H1 : koefisien cocok terhadap model
Taraf signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Vaalue
Kesimpulan: karena nilai P-Value dari ketiga koeffisien < (0.05), maka dapat
disimpulkan bahwa H0 ditolak, yang artinya koefisien cocok terhadap model.
 Model ARIMA (0,0,2)(1,0,1)12

Uji signifikansi Parameter

Hipotesis
H0 : koefisien tidak cocok terhadap model
H1 : koefisien cocok terhadap model
Taraf signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
 Terima H0, jika P-Vaalue
Kesimpulan: karena nilai P-Value dari ketiga koeffisien < (0.05), maka dapat
disimpulkan bahwa H0 ditolak, yang artinya koefisien cocok terhadap model.
SMA 12 tidak signifikan, ini memungkinkan bahwa plot tidak cut off pada lag 12
tetapi dies down sehingga bisa diatur ulang modelnya menjadi ARIMA
sehingga didapatkan estimasi parameter yaitu

Sehingga semua koeffisien ignifikan, maka koeffisien cocok terhadap model.

Pemeriksaan Asumsi
 Model ARIMA (0,1,2)(1,1,0)12
 Uji Normalitas Residual

Hipotesis
H0 : Residual Berdistribusi Normal
H1 : Residual Tidak Berdistribusi Normal
 Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
Kesimpulan: karena nilai P-Value (0.150) (0.05), maka dapat
disimpulkan bahwa H0 diterima, yang artinya Residual berdistribusi
normal.
 Uji Independensi Residual

Hipotesis
H0 : Tidak ada korelasi residual antar leg
H1 : Ada korelasi residual antar leg
Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
Kesimpulan: karena nilai P-Value dari leg 12 (0.284) (0.05), maka
dapat disimpulkan bahwa H0 diterima untuk leg 12, dan untuk ketiga
leg lainnya H0 ditolak.
 Model ARIMA (0,0,2)(1,0,1)12
 Uji Normalitas Residual
 Hipotesis
H0 : Residual Berdistribusi Normal
H1 : Residual Tidak Berdistribusi Normal
Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
Kesimpulan: karena nilai P-Value (0.01) (0.05), maka dapat
disimpulkan bahwa H0 ditolak, yang artinya Residual tidak berdistribusi
normal.
 Uji Independensi Residual untuk ARIMA (0,0,2)(1,0,0)12

Hipotesis
H0 : Tidak ada korelasi residual antar leg
H1 : Ada korelasi residual antar leg
 Taraf Signifikan
Pengambilan kefutusan
Tolak H0, jika P-value
Terima H0, jika P-Value
Kesimpulan: karena nilai P-Value dari leg 12 (0.016) (0.05), maka
dapat disimpulkan bahwa H0 ditolak untuk leg 12, dan untuk ketiga
leg lainnya H0 diterima.
 Nilai MSE
 Model ARIMA (0,1,2)(1,1,0)12

 Model ARIMA

Kesimpulan :
Dari semua uji yang telah dilakukan yaitu uji signifikansi parameter, uji normalitas
residual, dan uji independensi, dapat disimpulkan bahwa model yang terbaik untuk
mengestimasi data Penjualan Pakaian di Amerika adalah ARIMA (0,0,2)(1,0,0)12.
Hasil peramalan untuk data 2 tahun dari data transformasi.
Hasil data peramalan untuk waktu 2 tahun, data Hasil Penjualan Pakaian di Amerika.

Date Sales
4-Jan 8040.769
4-Feb 7897.505
4-Mar 9621.601
4-Apr 9662.269
4-May 10111.7
4-Jun 9518.891
4-Jul 9735.56
4-Aug 10654.75
4-Sep 9680.823
4-okt 10401.41
4-Nov 11514.62
4-Dec 15944.56
5-Jan 7971.887
5-Feb 7840.537
5-Mar 9397.834
5-Apr 9433.96
5-May 9831.37
5-Jun 9306.472
5-Jul 9498.996
5-Aug 10307.14
5-Sep 9450.433
5-Okt 10085.79
5-Nov 11050.75
5-Dec 14702.41