KAPITA SELEKTA STATISTIK

Analisis Model ARIMA BOX - JENKINS pada Data Covid – 19 di Jawa

Timur
Dosen Pengampu:

Ria Dhea Layla Nur Karisma, M.Si

Oleh:

Tri Candra N. M. (15610116)

Herry Kumala Cahya (16610018)

Rizaldi Afkahul Rachman (17610012)

Larazani Arum B. P (17610068)

Mita Laila Fitri (17610085)

Ary Vinanda Sari (17610099)

JURUSAN MATEMATIKA
FAKULTAS SAINS DAN EKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2020
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Covid 19 pertama kali muncul kota Wuhan di Negara Cina, penyebarannya
sangat cepat melalui kontak fisik manusia secara langsung ditularkan melalui mulut,
hidung dan mata (Syafrida, 2020). Penularan Covid-19 yang sangat cepat menyebabkan
Organisasi Kesehatan Dunia (WHO) menetapkan Covid-19 sebagai pandemi pada 11
Maret 2020. Status pandemi atau epidemi global menandakan bahwa penyebaran
Covid-19 berlangsung sangat cepat hingga hampir tak ada negara di dunia yang dapat
memastikan diri terhindar dari virus corona (Widiyani, 2020). Covid-19 di Indonesia
pertama kali ditemukan tanggal 2 Maret 2020 pada dua warga Depok, Jawa Barat
sampai dengan tanggal 25 Maret 2020, Indonesia sudah melaporkan 790 kasus
konfirmasi Covid-19 dari 24 Provinsi yaitu: Bali, Banten, DIY, DKI Jakarta, Jambi,
Jawa Barat, Jawa Tengah, Jawa Timur, Kalimantan Barat, Kalimantan Timur,
Kalimantan Tengah, Kalimantan Selatan, Kep. Riau, Nusa Tenggara Barat, Sumatera
Selatan, Sumatera Utara, Sulawesi Utara, Sulawesi Tenggara, Sulawesi Selatan,
Lampung, Riau, Maluku Utara, Maluku dan Papua (Direktorat Jenderal Pencegahan dan
Pengendalian Penyakit (P2P), 2020).
Provinsi Jawa Timur yang merupakan salah satu provinsi di indonesia diberitakan
pada laman1tanggal 13 Mei 2020 data kasus positif di propinsi Jawa Timur sudah
mencapai 1766 dan jumlah kasus sembuh sebanyak 278 (15.74%) serta kasus
meninggal sebanyak 166 (9.40%) (Weyly Yustanti, 2020). Kasus Covid-19 menyebar
hingga pada tanggal 19 Mei 2020, dimana di Jawa Timur kasus positif berjumlah 1673
(73,35%), kasus sembuh sebanyak 375 (16,44%), dan meninggal sebanyak 224 (9,82%)
(Husna, 2020). Angka tersebut menunjukkan bahwa Jawa Timur termasuk daerah yang
mengalami penurunan jumlah kasus positif yang signifikan dalam kurun waktu kurang
dari 1 bulan, maka butuh peramalan statistik untuk meramalkan kasus Covid-19 di Jawa
Timur secara berkala, salah satu metode peramalannya dengan model ARIMA Box-
Jenkins.

1
http://infocovid19. jatimprov.go.id/
 ARIMA (Autoregressive Integrated Moving Average) merupakan salah satu
model peramalan yang berbasis time series yang dikembangkan oleh Box dan Jenkins
(1976). ARIMA telah diakui mempunyai kemampuan ramalan yang cukup efisien
untuk jangka peramalan yang panjang (Bey, A. 1988). Metode Box-Jenkins memakai
variabel dependen yaitu data di masa lampau sedangkan variabel independen
diabaikan (Muhammad Bintang, 2018). ARIMA Box-Jenkins adalah suatu model
gabungan yang meliputi model Autoregressive (AR) dan Moving Average (MA)
(Makridakis et-al. 1992). Kata Integrated disini menyatakan tingkat pembedanya
(degree of differencing).

ARIMA Box-Jenkins dikatakan sebagai model yang komplek, karena selain

model ini merupakan gabungan antara AR dan MA, model ini dapat dipergunakan
untuk pola time series seasonal (musiman) dan nonseasonal (tidak-musiman) sebagai
contoh beberapa penelitian sebelumnya mengenai model ARIMA Box-Jenkins oleh
Bintang dan Wibowo (2018) dengan judul “Aplikasi Metode ARIMA Box-Jenkins
untuk meramalkan Kasus DBD di Provinsi Jawa Timur” menghasilkan model ARIMA
(1, 1, 2)(2, 1, 1) sebagai model terbaik dan layak digunakan. Penelitian oleh Moya dan
Jere (2016) meneliti kasus Malaria Kota Kabwe, Zambia dari data kementerian
kesehatan setempat. Indikasi model ARIMA hanya memiliki peluruhan eksponensial
pada plot AFC dan lonjakan pada lag 1 pada PACF, sehingga menghasilkan 1 model
paling sesuai yaitu ARIMA (1, 0, 0). Penelitian Kanika Taneja (2016) dengan judul
“Time series analysis of aerosol optical depth over New Delhi using BoxeJenkins
ARIMA modeling approach” menghasilkan model ARIMA
diidentifikasi sebagai model paling pas dihasilkan untuk mensimulasikan rata-rata
bulanan Aerosol Optical Depth (AOD) diambil dari Terra MODIS (Moderate
Resolution Imaging Spectroradiometer) di New Delhi untuk jangka waktu sepuluh
tahun dari 2004 hingga 2014 dan validasinya telah diverifikasi dengan menilai berbagai
parameter estimasi, menggunakan software SPSS versi 20.0.
Tema penelitan yang diangkat setelah melihat uraian pendahuluan diatas adalah
“Ramalan kasus Covid-19 di Jawa Timur menggunakan Metode ARIMA Box-Jenkins”,
dengan tujuan untuk mengetahui hasil model ARIMA Box-Jenkins dalam meramalkan
 kapan Social Distancing, Work from Home, dan Study from Home selesai berdasarkan
perubahan data kasus Covid-19 di Jawa Timur setiap bulannya.

1.2 Rumusan Masalah

Latar belakang pada sub-bab sebelumnya memberikan sebuah rumusan masalah yaitu
bagaimana analisis model ARIMA Box-Jenkins pada data kasus Covid-19 di jawa
timur?

1.3 Tujuan Penelitian

Rumusan masalah pada sub-bab sebelumnya memberikan tujuan penelitian ini yaitu
untuk mengetahui analisis model ARIMA Box-Jenkins pada data kasus Covid-19 di
jawa timur.

1.4 Batasan Masalah

Pembahasan permasalahan dalam penelitian ini dibatasi data kasus Covid-19 di Jawa
Timur diambil setiap bulan dalam satu tahun yaitu pada tahun 2020.

1.5 Manfaat Penelitian

Manfaat dalam penelitian ini ada beberapa hal yaitu:
1. Menambah pengetahuan tentang prosedur metode ARIMA Box-Jenkins
2. Bahan pertimbangan dalam meramalkan jumlah kasus covid 19 di bulan selanjutnya.
 1.6 Sistematika penulisan
Sistematika penulisan yang digunakan penulis terdiri dari 5 bab yang masing-masing
terdapat beberapa subbab seperti berikut:
Bab I Pendahuluan
Bab ini meliputi latar belakang, rumusan masalah, tujuan penelitian, manfaat
penelitian, batasan masalah, dan sistematika penulisan.
Bab II Kajian Pustaka
Bab ini berisi tentang definisi, maupun teorema-teorema yang mendukung topik
berdasarkan tema yang diangkat dalam BAB I
Bab III Metode Penelitian
Bab yang berisi mengenai pendekatan penelitian, sumber data, prosedur metode
penelitian dan prosedur penelitian..
Bab IV Pembahasan
Bab ini membahas tentang gambaran objek penelitian dan hasil penelitan yaitu
hasil dari model Arima-Box Jenkins pada Data Covid-19 Jawa Timur.
Bab V Penutup
Bab ini menyajikan poin-poin dari hasil dan pembahasan secara garis besar
berupa kesimpulan dan saran.
 BAB II
KAJIAN TEORI

2.1 Data time series

Data time series merupakan data statistik yang sering digunakan dalam metode
peramalan. Data time series adalah data yang dikumpulkan dari waktu ke waktu untuk
menggambarkan perkembangan suatu kegiatan (Supranto, 2000). Sedangkan menurut Awat
(1995) data time series adalah data tentang nilai-nilai suatu variabel yang tersusun secara
berderet dari waktu ke waktu, baik dari bulan ke bulan, maupun dari tahun ke tahun, yang dapat
disimbolkan dari waktu t ke waktu t +1 sampai dengan t + n.

2.2 Stasioneritas Data

Stasioneritas dalam data time series terjadi jika tidak ada peningkatan atau penurunan
pada data. Menurut Makridakis (1999), data yang statisioner adalah data yang dimana fluktuasi
data berada di suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan variansi dari
fluktuasi yang konstan pada setiap waktu. Stasioner data dapat dilihat pada plot data runtun
waktu, data dikatakan stasioner jika data time series tidak terlihat adanya tren dan musiman
pada data, serta rata-rata dan variansinya konstan. Data dikatakan stasioner jika data tersebut
telah stasioner terhadap rata-rata dan terhadap varians.

2.2.1 Stasioneritas pada Ragam (Varian)

Data dikatakan stasioner pada ragam apabila dari fluktuasi data tidak terlalu besar
dari waktu ke waktu. Sebagai upaya perbaikan terhadap data yang tidak stasioner pada
ragam dapat dilakukan tranformasi Box-Cox (Myers, 1990), dengan bentuk tranformasi
sebagai berikut:
Z (λ)−1
T ( Z t ) =Z = t (2.1)
(λ)
t
λ
Dimana λ adalah sebuah parameter tranformasi.
Beberapa nilai λ dan bentuk tranformasi yang berhubungan dapat dilihat pada table
2.1 dibawah ini:
Nilai λ -1 0,5 0 0,5 1
Bentuk 1 1 ln Z t √ Zt Zt
Zt √ Zt
Tranformasi
Tabel 2.1 nilai λ dan bentuk transformasi
 Dari tabel tersebut dapat dilihat bahwa jika λ= 1 data tidak perlu ditranformasi
(Wei,1990).

2.2.2 Stasioneritas pada Nilai Tengah (Rata-Rata)

Hanke, Wichern dan Reitsch (2003), menyebutkan bahwa data dikatakan

stasioner pada nila tengah apabila pada plot autokorelasi, 95% dari data masuk ke dalam

1
selang ± 1,96( ).Data jika tidak stasioner pada nilai tengah, maka dapat
√n
dikonversikan menjadi deret stasioner melalui differensiasi, yaitu deret asli diganti
dengan selisih. Jumlah differensiasi yang dilakukan untuk mencapai stasioner dinotasikan
sebagai d. Bentuk differensiasi pertama (d=1) adalah sebagai berikut:

∇ Z t =Z t −Z t −1 (2.2)

sedangkan bentuk differensiasi kedua (d = 2) adalah sebagai berikut:

∇ 2 Z t=∇ Zt −∇ Z t −1
(2.3)

Zt : pengamatan pada periode waktu ke-t

Zt −1 : pengamatan pada periode waktu ke-(t −1)

∇ Zt : data hasil differensiasi pertama pada periode waktu ke-t

∇ Z t−1 : data hasil differensiasi pertama pada periode waktu ke-(t−1)

∇2 Zt : data hasil differensiasi kedua pada periode waktu ke-t

Proses defferensiasi dapat dilakukan sampai data hasil diferensiasi

menunjukkan kondisi stasioner pada nilai tengah dan autokorelasi menurun secara
eksponensial.

2.3 Proses White Noise

Proses white noise merupakan proses stasioner dimana White noise itu sendiri adalah
suatu variabel random yang tidak saling berkorelasi dan mengikuti distribusi tertentu.
Mempunyai rata-rata yang konstan Ea(t) = μa atau biasanya diasumsikan nol, varians konstan

var¿) = σ 2a dan kovarian γ k = cov(a t , at−k ) = 0 untuk semua k ≠ 0 (Wei, 1990)

2.4 Model Autoregresif Integrated Moving Average (ARIMA)
ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik
ketepatannya untuk peramalan jangka pendek, sedang untuk peramalan jangka panjang kurang
baik, biasanya akan cenderung flat(mendatar/konstan) untuk priode yang cukup panjang
(Wei,1990). ARIMA adalah model yang secara penuh mengabaikan independen variabel dalam
membuat peramalan dan suatu model yang mengasumsikan bahwa data masuk harus stationer
(Wei,1990). Apabila data masuk tidak stationer perlu dilakukan penyesuaian untuk
menghasilkan data yang stationer. ARIMA menggunakan nilai masa lalu dan sekarang dari
variabel independen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok
jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain
(dependent). Model Box-Jenkins (ARIMA) dapat dibagi kedalam 3 kelompok, yaitu: model
autoregresif (AR), rata-rata bergerak (MA), dan model campuran ARIMA (autoregressive
moving average) yang mempunyai karakteristik dari dua model pertama.

2.4.1 Model Autoregressive (AR)

Model AR atau (ARIMA(p,0,0)) adalah model yang menggambarkan bahwa variabel
dependen dipengaruhi oleh variabel dependen itu sendiri pada periode-periode sebelumnya.
Model AR dituliskan sebagai ϕ p ( B ) Z t =at yang merupakan fungsi dari (Wei, 1990)
Zt −ϕ 1 Z t−1−ϕ 2 Zt −2−…−ϕ p Zt − p=a t
Persamaan tersebut dapat dirubah dalam bentuk lain yaitu:
Zt =ϕ 1 Z t−1+ ϕ2 Z t −2 +…+ ϕ p Z t − p+ at (2.1)
Dimana,
Zt data ke t
ϕ 1 , ϕ2 , … , ϕ p para meter dari persamaan autoregressive
a t :nilai kesalahan pada t

ϕ p ( B )=1−ϕ1 B−ϕ2 B 2−… ϕ P B n

2.4.2 Model Moving Average (MA)

Secara umum model MA atau (ARIMA(0,0,q)) mempunyai bentuk Zt =θ q (B)at yang
merupakan fungsi dari (Box, 1994)
Zt =a t−θ 1 a t−1−θ2 at −2−…−θq at −q (2.2)
dimana
a t: kesalahan pada saat t
θ1 , θ2 , … , θq :parameter MA
 a t−q: kesalahan pada saat t –q

θq ( B )=1−θ1 B−θ2 B2−…θ q Bq

2.4.3 Model Campuran

2.4.3.1 Model Autoregressive Moving Average (ARMA)

Model ini merupakan gabungan dari kedua model yaitu Autoregressive dan
Moving Average dalam bentuk ARIMA (p, d, q) atau ARMA (p, q) secara umum
yaitu:
Zt =ϕ 1 Z t−1+ ϕ2 Z t −2 +…+ ϕ p Z t − p+ at −θ1 at−1−θ 2 a t−2−…−θq a t−q
Atau dengan menggunakan operasi AR(p) dan MA (q) sehingga persamaan
tersebut dapat disederhanakan menjadi
ϕ p ( B ) Z t =θq ( B) at (2.3)

2.4.3.2 Model Autoregressive Integrated Moving Average (ARIMA)

Apabila data tidak stasioner, maka harus dilakukan pembedaan(differening),
karena Integratedmengacu pada pembedaan. Menurut Box dan Jenkins (1994) model
ARIMA (p, d, q) adalah
ϕ p ( B ) (1−B)d Zt =θq (B) at (2.4)
Dimana :
ϕ p ( B ) : operator proses AR yang stasioner
θq ( B) : operator porses MA
Zt =Z t−μ : penyimpangan terhadap rata-rata proses
B : operasi langkah mundur dimana B j Zt = Zt − j
(1−B)d : operator pembeda
d : tingkat pembeda agar proses stasioner berlaku
Untuk memudahkan dapat menggunakan ARIMA (p, 1, q) atau d = 1

2.5 Metode Pemodelan ARIMA Box-Jenkins

Metode ARIMA Box-Jenkins menggunakan pendekatan iterative dalam mengidentifikasi
suatu model yang paling tepat dari berbagai model yang ada. Model sementara yang telah
dipilih diuji lagi dengan data historis untuk melihat apakah model smentara yang terbentuk
tersebut sudah memadai atau belum. Model sudah dianggap memadi apanila residu (selisih
hasil peramalan dengan data histori) terdistribusi secara acak, kecil dan independen satu sama
lain. Langkah-langkah penerapan metode ARIMA menurut Box-Jenkins secara berturt-turut
adalah sebagai berikut:

2.5.1 Identifikasi Model ARIMA Box-Jenkins

Pengujian dalam pemodelan ini, hal pertama yang perlu dilakukan adalah menyelidiki
apakah sampel data yang kita gunakan sudah stasioner atau belum. Apabila data tersebut
tidak stasioner maka kita perlu menstasionerkannya terlebih dahulu. Data yang tidak
stasioner dalam ragam salah satunya dapat dilihat dari plot deret berkala, sehingga apabila
diperhatikan maka akan terlihat jika penyebaran nilai Zt tidak sama (Semakin besar atau
semakin kecil) dari waktu ke waktu. Dalam keadaan ini untuk membuat data tersebut
menjadi stasioner kita dapat mentransformasikan data tersebut. Selain ragam, kita perlu
pula memperhatikan stasineritas rata-rata. Untuk memeriksa stasineritas rata-rata kita dapat
menggunakan plot ACF. Apabila nilai ACF turun secara linear dapat di identifikasikan
adanya ketidak stasioneran dalam rata-rata. Dalam masalah ini kita dapat
menstasionerkannya dengan cara membedakan (differencing). Model mengikuti
autoregressive (AR) orde p jika plot PACF signifikan pada semua lag p dan plot ACF
menurun secara eksponensial menuju nol. Model mengikuti autoregressive (AR), rata-rata
bergerak (MA), rata-rata bergerak autoregressive (ARMA) atau rata-rata bergerak terpadu
autoregressive (ARIMA) dapat dilihat dari bentuk plot ACF dan PACF pada tabel berikut:
Tabel 2.2 Identifikasi Model dengan ACF dan PACF
Tipe Model Pola ACF Pola PACF
Menurun secara eksponensial Signifikan pada semua lag
AR (p)
menuju nol p
Signifikan pada semua lag p Menurun secara
MA (q)
eksponensial menuju nol

ARMA (p,q) Menurun secara eksponensial Menurun secara

menuju nol eksponensial menuju nol
Menurun secara eksponensial Menurun secara
ARIMA
menuju Nol dengan pembedaan eksponensial menuju Nol
(p,d,q)
dengan pembedaan
Sumber: Wei, 1990

2.5.2 Estimasi Parameter Model

 Identifikasi model yang telah dilakukan dengan prosedur diatas, maka sealnjutnya
parameter-parameter model harus diduga melalui data yang ada. Pendugaan dapat
dilakukan dengan meminimumkan jumlah kuadrat a t. Menurut Wei (1990), pada prinsipnya
semua model ARIMA dapat dikembalikan kebentuk ARMA (p, q). Karenanya proses
pendugaan ARIMA dapat mengikuti proses untuk ARMA. Model umum ARMA dapat
ditulis dalam persamaan a t yaitu:

a t=Z t−ϕ1 Z t−1−ϕ2 Z t−2−…−ϕ p Z t− p +¿ θ1 at −1+θ 2 a t−2 +…+θq a t−q

Untuk memudahkan dapat ditulis:
p q
a t=Z t−∑ ϕ j Z t− j + ∑ θ j at − j
j=1 j=1

Dengan asumsi bahwa a t, t = 1, 2, …, n adalah proses white noise berdistribusi normal

(0, σ 2) yang bebas, maka fungsi kepadatan gabungan dari a = (a 1 , a2 , … , an) adalah:
−n n
2 2 −1
P(a|ϕ , μ , θ , σ 2a ) = (2 π σ a) exp ⁡( ∑ a2t )
2 σ 2a t=1
Dengan memasukkan persamaan a t diperoleh fungsi parameter model ARIMA (p, q):
−n
P(ϕ , μ , θ , σ 2a) = (2 π σ 2) 2 exp ⁡¿
a

Penduga parameter ϕ p dan θq dalam model ARIMA (p, q) dapat diperoleh dengan
menyelesaikam ∂L / ∂ ϕ p = 0 dan ∂L / ∂ θq = 0 (Lo, 2003, 7). Sehingga untuk menduga
parameter ϕ p dan θq pada model ARMA(1, 1) dibutuhkan ϕ 1 dan θ1.
n n
Zt θ a
ϕ 1 = −∑ +¿ ∑ 1 t −12 ¿
t=1 (Z t−1 ) t=1 ( Z t−1 )

n n
Zt ϕ a
θ1 = − ∑ +¿ ∑ 1 t −1 ¿
t=1 (at−1 ) t=1 at −1
Fungsi log-likelihood yang dapat dimaksimalkan bisa diperiksa dengan kondisi
turunan kedua untuk maksimal local. Turunan kedua dari parameter ϕ 1 dan θ1adalah:
n
∂2 L −1
2 = 2 ∑
( Z t−1 )2
∂ ϕ1 σa t
n
∂2 L −1 2
= 2 ∑ (at −1 )
∂θ 21 σa t
Selanjutnya dibuatlah hipotesis:
H 0 : ^βi =0 dan H 1 : β^ i ≠ 0
 ^β i
Dengan t hit = , H 0ditolak jika |t hit| > t tabel atau p-value < α
stdev ( ^β i)

2.5.3 Pengujian Diagnostik Model

Pemeriksaan diagnostik dilakukan untuk membuktikan apakah model ARIMA (p,d,q)

layak digunakan. Menurut Wei (1990) kelayakan sebuah model dapat diuji dengan
menggunakan uji Ljung-Box (Q).Hipotesis yang digunakan adalah:

H0 ρk =0 (Residual white noise)

:^

H0 ρk ≠ 0 (Residual belum white noise)

:^
Dengan statistik uji sebagai berikut :

r 2k
K
Q=n(n+2) ∑
k=1 n−k

n = Banyaknya pengamatan

r k = Koefisien korelasi sisian pada lag a

K = Lag maksimum

Daerah penolakan: Tolak H 0 , jika Q> X 2a ;df =k− p−q dimana, p dan q adalah orde dari
ARIMA (p,q) atau tolak H 0 jika p−value<α . Statistik Q merupakan Ljung mengikuti
distribusi X 2 dengan derajat bebas (m-p-q). Keputusan terhadap hipotesis autokorelasi
sisian berdasarkan nilai Q lebih kecil dari nilai kritis distribusi X 2 pada taraf nyata α maka
model layak di gunakan.
 BAB III
METODE PENELITIAN

3.1. Pendekatan penelitian

Pendekatan penelitian yang digunakan adalah pendekatan kuantitatif. Menurut

Ronny Kountur (2005:104) pendekatan kuantitatif adalah yang informasinya dan data-
datanya dikelola dengan statistik.

3.2. Sumber data

Data yang digunakan dalam penelitian ini adalah data update covid 19 di Jawa
Timur yang diambil dari laman2 diakses pada tanggal 3 desember 2020.
3.3. Analisis Data

Data yang telah dikumpulkan dianalisis dengan tahapan analisis sebagai berikut:
1 Pemeriksaan stasioneritas data dengan memplotkan data asli untuk mengetahui apakah
data tersebut sudah stasioner atau belum
a. Stasioner pada ragam, jika hasil pendugaan nilai dengan menggunakan plot Box- cox
diperoleh nilai mendekati satu. Jika tidak maka dilakukan Tranformasi Box-cox untuk
membuat data tersebut stasioner pada ragam
b. Stasioner pada nilai tengah, jika plot autokolerasi menurun dengan cepat menuju nol
atau tidak ada nilai dari autokorelasi yang berbeda nyata dari nol. Jika belum maka
dilakukan pembedaan (Differencing).
2 Identifikasi model dengan menghitung fungsi autokorelasi (ACF) dan autokorelasi
parsial (PACF)
3 Estimasi parameter dengan menggunakan metode maksimum likelihood
4 Pengujian kesesuaian model dengan menggunakan uji Ljung-Box (Q)
5 Peramalan.

2
http://infocovid19. jatimprov.go.id/
3.4. Flow Chart

Adapun langkah-langkah yang digunakan pada penelitian ini sebagai berikut:

mulai

Input Data covid 19 di

Jawa Timur

Pemerikasaan stasioner pada ragam

Tidak
Ya
Stasioner Tranformasi Box-cox
Pemerikasaan stasioner pada nilai tengah

Tidak
Stasioner Differencing

Ya

Identifikasi model

Estimasi parameter

Pengujian kesesuaian model

Selesai
 DAFTAR PUSTAKA

Awat, N.J. 1995. Metode Statistik dan Ekonometri. Liberty. Yogyakarta

Bey, A. 1988. “Pemodelan ARIMA untuk Meramal Curah Hujan Palembang Sebagai
Studi Kasus. Prosiding Simposium II PERHIMPI”. Bogor 27 -28 Juli 1988.

Bintang, M dan Arief, W(2018) “Aplikasi Metode ARIMA Box-Jenkins Untuk

Meramalkan Kasus DBD di Provinsi Jawa Timur”. The Indonesian Journal of Public
Health, Vol 13, No 2 Desember 2018: 181-194.

Box, G. E. P., & G. M. Jenkins. (1976). “Time series Analysis, Forecasting, and Control”.
edisi revisi. San Fransisco: Holden-Day.

Cyer, J.D.1986. Time Series Analysis. Boston: PWS-Kens Publishing Company

Direktorat Jenderal Pencegahan dan Pengendalian Penyakit (P2P) . 2020 . Pedoman

Pencegahan dan Pengendalian Corona Virus Disease (Covid-19) . Hal : 11.

Hanke, dkk 2003. Applied Time Series Modeling and Forcasting. John Wiley and
Sons, Inc
Kountur, Ronny D.M.S.2005. Metode Penelitian. Jakarta: PPM BPEE-UII

Husna Ni’matul Ulya . 2020 . “Alternatif Strategi Penanganan Dampak Ekonomi Covid-
19 Pemerintah Daerah Jawa Timur Pada Kawasan Agropolitan” . Journal of Islamic
Economic and Business . Volomue (3.1) : 82

Jere, S. dan Moya, E. (2016) “Modelling Epidemiological Data Using Box-Jenkins

Procedure”. Scientific Research Publishing Inc, Vol(2): 295-302.

Makridakis S. Wheelwright, Mc Gee. 1999, “Metode dan Aplikasi Peramalan”, Edisi

Kedua, Jakarta: Bina Rupa Aksara.

Myers, Raymond. H, 1990, Clasical and Modern Regression with Applications.

Second edition. Psw-Kent Publishing Com

Supranto, J. 2000. Statistik: Teori dan Aplikasi. Jilid 1 Edisi keenam. Erlangga. Jakarta.

Syafrida , Ralang Hartati . 2020 . “Bersama Melawan Virus Covid 19 di Indonesia” .

Jurnal Sosial & Budaya Syar-i . Volume (7): 496.
Taneja, K. 2016. ”Time series analysis of aerosol optical depth over New Delhi using
BoxeJenkins ARIMA modeling approach”. Atmospheric Pollution Research, 1-12.

Widiyani, R. 2020. “Latar Belakang Virus Corona, Perkembangan hingga Isu Terkini”.
Retrieved fromdetikNews:https://news.detik.com/berita/d4943950/latar-belakang-
virus-corona- perkembangan-hingga-isu-terkini.

Wei, W.W.S., 1990, Time Analysis Univariate and Multivariate Methods, Addison
WesleyPublishing Company, Inc.

Yustanti, W.2020. “Klastering Wilayah Kota/Kabupaten Berdasarkan Data Persebaran

Covid-19 di Propinsi Jawa Timur dengan Metode K-Means ”. Journal Information
Engineering and Educational Technology. Volume 04 Nomor 01, 2020.