Nama : Robiatul Fauziyah

NIM : 1907016031
UTS ANALISIS RUNTUN WAKTU
1. Mencari data kasus covid19 jumlah orang yang sembuh per harinya pada web covid
covid19.go.id dan didapatkan data Jumlah Orang Sembuh Dari Covid19 di Indonesia Periode
1 Juli 2021-9 Oktober 2021
Penyelesaian :
Tabel 1. Data Kasus Orang Sembuh Dari Covid19 Di Indonesia Periode Juli-Oktober 2021
Periode Sembuh Periode Sembuh Periode Sembuh Periode Sembuh
1 Juli 9874.00 1 Agustus 39,446.00 1-Sep 16394 1 Oktober 2,811.00
2 Juli 11578.00 2 Agustus 32,807.00 2-Sep 21208 2 Oktober 2,380.00
3 Juli 13282.00 3 Agustus 31,324.00 3-Sep 15544 3 Oktober 2,020.00
4 Juli 13127.00 4 Agustus 34,251.00 4-Sep 13806 4 Oktober 2,656.00
5 Juli 14416.00 5 Agustus 39,726.00 5-Sep 10191 5 Oktober 2,558.00
6 Juli 15863.00 6 Agustus 48,832.00 6-Sep 13049 6 Oktober 2,851.00
7 Juli 14835.00 7 Agustus 39,716.00 7-Sep 14159 7 Oktober 1,946.00
8 Juli 21185.00 8 Agustus 48,508.00 8-Sep 11912 8 Oktober 3,514.00
9 Juli 28975.00 9 Agustus 44,959.00 9-Sep 10650 9 Oktober 1,507.00
10 Juli 28561.00 10 Agustus 41,486.00 10-Sep 14356
11 Juli 32615.00 11 Agustus 39,931.00 11-Sep 7586
12 Juli 34754.00 12 Agustus 36,637.00 12-Sep 9401
13 Juli 20123.00 13 Agustus 42,003.00 13-Sep 12474
14 Juli 17762.00 14 Agustus 31,880.00 14-Sep 11246
15 Juli 19049.00 15 Agustus 30,361.00 15-Sep 11046
16 Juli 28079.00 16 Agustus 29,925.00 16-Sep 14633
17 Juli 27903.00 17 Agustus 32,225.00 17-Sep 7912
18 Juli 29264.00 18 Agustus 29,794.00 18-Sep 7076
19 Juli 32217.00 19 Agustus 29,012.00 19-Sep 6186
20 Juli 29791.00 20 Agustus 26,122.00 20-Sep 6799
21 Juli 32887.00 21 Agustus 23,011.00 21-Sep 6581
22 Juli 36370.00 22 Agustus 24,276.00 22-Sep 5356
23 Juli 38988.00 23 Agustus 24,758.00 23-Sep 4386
24 Juli 39767.00 24 Agustus 35,082.00 24-Sep 4607
25 Juli 37640.00 25 Agustus 33,703.00 25-Sep 3746
26 Juli 40374.00 26 Agustus 30,099.00 26-Sep 2976
27 Juli 47128.00 27 Agustus 19,290.00 27-Sep 3771
28 Juli 43856.00 28 Agustus 18,594.00 28-Sep 3551
29 Juli 45494.00 29 Agustus 16,468.00 29-Sep 3077
 30 Juli 44550.00 30 Agustus 19,398.00 30-Sep 2848
31 Juli 39372.00 31 Agustus 16,781.00
Sumber : covid19.go.id
Berdasarkan data diatas akan dibuat plot runtun waktunya menggunakan aplikasi excel dan
didapatkan plot seperti dibawah

Plot Data Kasus Orang Sembuh Covid19

50000.00

40000.00

30000.00

20000.00

10000.00

0.00

27-Sep
11-Sep
15-Sep
19-Sep
23-Sep
7-Sep

1 Oktober
5 Oktober
9 Oktober
3-Sep
13 Juli
17 Juli
21 Juli
25 Juli
29 Juli
2 Agustus
6 Agustus
1 Juli
5 Juli
9 Juli

18 Agustus
10 Agustus
14 Agustus

22 Agustus
26 Agustus
30 Agustus
Data Kasus Sembuh

Gambar 1. Plot Runtun Waktu Data Kasus Orang Sembuh Covid19 Di Indonesia Periode Juli
sampai Oktober 2021
Berdasarkan pengujian data covid19 jumlah orang sembuh di Indonesia periode 1 Juli
sampai 9 Oktober 2021 dengan menggunakan time series plot, secara visual dapat dilihat bahwa
data covid19 jumlah orang sembuh di Indonesia mengalami tidak stasioner atau pergerakan data
tersebut dari waktu ke waktu tidak berfluktuasi disekitar rata-rata melainkan menunjukkan pola
cenderung mengalami kenaikanpada periode 1 Juli-8 Agustus dan penurunan jangka panjang
setelahnya serta terdapat perulangan pola pergerakan data setiap 7 hari sehingga dapat
disimpulkan bahwa data kasus covid19 jumlah orang sembuh di Indonesia mengalami pola trend
dan musiman.

Untuk penyelesaiannya soal no 2, 3, 4, 5 terlampir seperti pada berikut :

Pengaplikasian metode pemulusan pada data covid19 jumlah orang sembuh di Indonesia
menggunakan metode Moving Average, Exponential Smoothing, dan Dekomposisi menyesuaikan
dengan pola data yang telah diketahui pada nomor 1, setelah itu dilakukan peramalan jumlah
kasus covid19 yang sembuh untuk periode berikutnya berdasarkan ketiga metode yang telah
ditentukan dan dibuatkan plot data aktual serta hasil pemulusannya dan diinterpretasikan.
Kemudian dihitung juga nilai MAPE, MAE< dan RMSE dari hasil pemulusan dan dilakukan
pengambilan kesimpulan dari proses diatas.
Penyelesaian :
Berdasarkan bentuk pola data covid19 jumlah orang sembuh di Indonesia yang telah
diketahui pada nomor 1 membentuk pola trend dimana data mengalami pergerakan yang
menunjukkan kecenderungan kenaikan dan penurunan jangka panjang serta tidak berfluktuasi
disekitar nilai rata-rata maka metode yang sesuai untuk pengaplikasian pemulusan adalah metode
Double Moving Average, Double Exponential Smoothing (BROWN dan HOLT) serta metode
Dekomposisi. Berikut adalah proses perhitungan pemulusan data covid19 jumlah orang sembuh
di Indonesia berdasarkan ketiga metode yang telah ditentukan :
A. Double Moving Average
Pada teknik double moving average dilakukan penghitungan rata-rata bergerak sebanyak dua
kali kemudian dilanjutkan dengan meramal menggunakan suatu persamaan tertentu (Sinaga,
2018). Adapun langkah yang dilakukan antara lain sebagai berikut.
1. Menghitung single moving average (rata-rata bergerak pertama) berdasarkan data kasus
covid19 sembuh di Indonesia dengan k=5, berikut perhitungannya :
X t  X t 1  X t 2  ...  X t k 1
S' 
k
Berdasarkan rumus diatas didapatkan hasil seperti berikut :
Tabel 1.2. Tabel Perhitungan SMA Pertama Dengan k=5
Data Kasus
Periode S’(5)
Sembuh
1 Juli 9874.00
2 Juli 11578.00
3 Juli 13282.00
4 Juli 13127.00
5 Juli 14416.00
6 Juli 15863.00 12455.40
7 Juli 14835.00 13653.20
8 Juli 21185.00 14304.60
9 Juli 28975.00 15885.20
10 Juli 28561.00 19054.80
 11 Juli 32615.00 21883.80
12 Juli 34754.00 25234.20
13 Juli 20123.00 29218.00

29 September 3,077.00 3730.20

30 September 2,848.00 3424.20
1 Oktober 2,811.00 3244.60
2 Oktober 2,380.00 3211.60
3 Oktober 2,020.00 2933.40
4 Oktober 2,656.00 2627.20
5 Oktober 2,558.00 2543.00
6 Oktober 2,851.00 2485.00
7 Oktober 1,946.00 2493.00
8 Oktober 3,514.00 2406.20
9 Oktober 1,507.00 2705.00
10 Oktober 2475.20

2. Menghitung double moving average (rata-rata bergerak kedua) berdasarkan data kasus
covid19 sembuh di Indonesia dengan k=5, berikut perhitungan dari moving average
kedua dengan k=5
St  St 1  St 2  ...  St k 1
S '' 
k
Berdasarkan rumus diatas didapatkan hasil seperti berikut :
Tabel 1.3. Tabel Perhitungan SMA Kedua Dengan k=5
Periode Data Kasus Sembuh S’(5) S’’(5)
1 Juli 9,874.00
2 Juli 11,578.00
3 Juli 13,282.00
4 Juli 13,127.00
5 Juli 14,416.00
6 Juli 15,863.00 12455.4
7 Juli 14,835.00 13653.2
8 Juli 21,185.00 14304.6
9 Juli 28,975.00 15885.2
10 Juli 28,561.00 19054.8
11 Juli 32,615.00 21883.8 15070.64
12 Juli 34,754.00 25234.2 16956.32
13 Juli 20,123.00 29218 19272.52
14 Juli 17,762.00 29005.6 22255.2
 15 Juli 19,049.00 26763 24879.28

1
September 3,077.00 3730.2 4890.8
2
September 2,848.00 3424.2 4464.52
1 Oktober 2,811.00 3244.6 4040.2
2 Oktober 2,380.00 3211.6 3702.08
3 Oktober 2,020.00 2933.4 3501.56
4 Oktober 2,656.00 2627.2 3308.8
5 Oktober 2,558.00 2543 3088.2
6 Oktober 2,851.00 2485 2911.96
7 Oktober 1,946.00 2493 2760.04
8 Oktober 3,514.00 2406.2 2616.32
9 Oktober 1,507.00 2705 2510.88
10 Oktober 2475.2 2526.44

3. Menentukan besarnya nilai konstanta.

at  2St'  St''

Berdasarkan rumus diatas didapatkan hasil seperti berikut :

Tabel 1.4. Tabel Perhitungan Nilai Konstanta (a)

Data Kasus
Periode Sembuh S’(5) S’’(5) a(t)
1 Juli 9,874.00
2 Juli 11,578.00
3 Juli 13,282.00
4 Juli 13,127.00
5 Juli 14,416.00
6 Juli 15,863.00 12455.4
7 Juli 14,835.00 13653.2
8 Juli 21,185.00 14304.6
9 Juli 28,975.00 15885.2
10 Juli 28,561.00 19054.8
11 Juli 32,615.00 21883.8 15070.64 28696.96
12 Juli 34,754.00 25234.2 16956.32 33512.08
13 Juli 20,123.00 29218 19272.52 39163.48
14 Juli 17,762.00 29005.6 22255.2 35756
15 Juli 19,049.00 26763 24879.28 28646.72
16 Juli 28,079.00 24860.6 26420.92 23300.28
 1
September 3,077.00 3730.2 4890.8 2569.6
2
September 2,848.00 3424.2 4464.52 2383.88
1 Oktober 2,811.00 3244.6 4040.2 2449
2 Oktober 2,380.00 3211.6 3702.08 2721.12
3 Oktober 2,020.00 2933.4 3501.56 2365.24
4 Oktober 2,656.00 2627.2 3308.8 1945.6
5 Oktober 2,558.00 2543 3088.2 1997.8
6 Oktober 2,851.00 2485 2911.96 2058.04
7 Oktober 1,946.00 2493 2760.04 2225.96
8 Oktober 3,514.00 2406.2 2616.32 2196.08
9 Oktober 1,507.00 2705 2510.88 2899.12
10 Oktober 2475.2 2526.44 2423.96

4. Menentukan besarnya koefisien trend.

bt 
2
k 1
 St'  St'' 

Berdasarkan rumus diatas didapatkan hasil seperti berikut :

Tabel 1.5. Tabel Perhitungan Besarnya Koefisien Trend (b)
Periode Data Kasus Sembuh S’ (5) S’’ (5) a(t) b(t)
1 Juli 9,874.00
2 Juli 11,578.00
3 Juli 13,282.00
4 Juli 13,127.00
5 Juli 14,416.00
6 Juli 15,863.00 12455.4
7 Juli 14,835.00 13653.2
8 Juli 21,185.00 14304.6
9 Juli 28,975.00 15885.2
10 Juli 28,561.00 19054.8
11 Juli 32,615.00 21883.8 15070.64 28696.96 3406.58
12 Juli 34,754.00 25234.2 16956.32 33512.08 4138.94
13 Juli 20,123.00 29218 19272.52 39163.48 4972.74
14 Juli 17,762.00 29005.6 22255.2 35756 3375.2
15 Juli 19,049.00 26763 24879.28 28646.72 941.86
16 Juli 28,079.00 24860.6 26420.92 23300.28 -780.16

44468 3,077.00 3730.2 4890.8 2569.6 -580.3

 44469 2,848.00 3424.2 4464.52 2383.88 -520.16
1 Oktober 2,811.00 3244.6 4040.2 2449 -397.8
2 Oktober 2,380.00 3211.6 3702.08 2721.12 -245.24
3 Oktober 2,020.00 2933.4 3501.56 2365.24 -284.08
4 Oktober 2,656.00 2627.2 3308.8 1945.6 -340.8
5 Oktober 2,558.00 2543 3088.2 1997.8 -272.6
6 Oktober 2,851.00 2485 2911.96 2058.04 -213.48
7 Oktober 1,946.00 2493 2760.04 2225.96 -133.52
8 Oktober 3,514.00 2406.2 2616.32 2196.08 -105.06
9 Oktober 1,507.00 2705 2510.88 2899.12 97.06
10 Oktober 2475.2 2526.44 2423.96 -25.62

5. Menentukan besar nilai peramalan.

ft  p  at  bt m

Berdasarkan rumus diatas didapatkan hasil seperti berikut :

Tabel 1.6. Tabel Perhitungan Nilai Peramalan Untuk Periode 10 Oktober 2021
Data Kasus
Periode Sembuh S’ (5) S’’ (5) a(t) b(t) F(t)
1 Juli 9,874.00
2 Juli 11,578.00
3 Juli 13,282.00
4 Juli 13,127.00
5 Juli 14,416.00
6 Juli 15,863.00 12455.4
7 Juli 14,835.00 13653.2
8 Juli 21,185.00 14304.6
9 Juli 28,975.00 15885.2
10 Juli 28,561.00 19054.8
11 Juli 32,615.00 21883.8 15070.64 28696.96 3406.58 32103.54
12 Juli 34,754.00 25234.2 16956.32 33512.08 4138.94 37651.02
13 Juli 20,123.00 29218 19272.52 39163.48 4972.74 44136.22
14 Juli 17,762.00 29005.6 22255.2 35756 3375.2 39131.2
15 Juli 19,049.00 26763 24879.28 28646.72 941.86 29588.58
16 Juli 28,079.00 24860.6 26420.92 23300.28 -780.16 22520.12

1
September 3,077.00 3730.2 4890.8 2569.6 -580.3 1989.3
2
September 2,848.00 3424.2 4464.52 2383.88 -520.16 1863.72
1 Oktober 2,811.00 3244.6 4040.2 2449 -397.8 2051.2
 2 Oktober 2,380.00 3211.6 3702.08 2721.12 -245.24 2475.88
3 Oktober 2,020.00 2933.4 3501.56 2365.24 -284.08 2081.16
4 Oktober 2,656.00 2627.2 3308.8 1945.6 -340.8 1604.8
5 Oktober 2,558.00 2543 3088.2 1997.8 -272.6 1725.2
6 Oktober 2,851.00 2485 2911.96 2058.04 -213.48 1844.56
7 Oktober 1,946.00 2493 2760.04 2225.96 -133.52 2092.44
8 Oktober 3,514.00 2406.2 2616.32 2196.08 -105.06 2091.02
9 Oktober 1,507.00 2705 2510.88 2899.12 97.06 2996.18
10 Oktober - 2475.2 2526.44 2423.96 -25.62 2398.34

Berdasarkan perhitungan peramalan menggunakan metode DMA pada data kasus jumlah
covid19 sembuh untuk satu periode kedepan yaitu 10 Oktober 2021 didapatkan hasil peramalan
jumlah orang sembuh covid19 pada tanggal 10 Oktober adalah sebanyak 2398,38 ribu jiwa,
setelah dilakukan perhitungan selanjutnya dapat dilakukan membuat plot data aktual dan hasil
pemulusan seperti berikut :

Plot Data Aktual dan Hasil Pemulusan

60000.00
50000.00
40000.00
30000.00
20000.00
10000.00
0.00
5 Oktober
1 Oktober

9 Oktober
2 Agustus
6 Agustus

3-Sep
7-Sep

19-Sep

27-Sep
11-Sep
15-Sep

23-Sep
1 Juli
5 Juli
9 Juli
13 Juli
17 Juli
21 Juli
25 Juli
29 Juli

10 Agustus
14 Agustus
18 Agustus
22 Agustus
26 Agustus
30 Agustus

Data Kasus Sembuh F(t)

Gambar 1.2. Plot Data Aktual dan Hasil Pemulusan Menggunakan Metode DMA pada Data
Kasus Sembuh Covid19 Di Indonesia Periode 1 Juli-9 Oktober
Berdasarkan Gambar 1.2 dapat diketahui bahwa plot hasil pemulusan memiliki pergerakan
yang tidak jauh berbeda dengan plot data aktualnya dan cenderung mengikuti pergerakan dari
plot data aktualnya, sehingga dapat dikatakan bahwa peramalan data kasus jumlah covid19
sembuh menggunakan metode DMA sesuai. Namun untuk lebih meyakinkan hasil dari
peramalan menggunakan metode DMA akan dihitung nilai akurasi dari peramalan mengunakan
nilai MAPE, MAE, dan RMSE dan didapatkan hasil seperti berikut :
Tabel 1.7. Hasil Perhitungan Nilai Akurasi
MAPE
28.89128939
MAE
5041.286813
MSE
50003468.505446100
RMSE
7071.313068
Berdasarkan tabel diatas dapat diketahui bahwa pada peramalan data kasus jumlah covid19
sembuh di Indonesia menggunakan metode DMA memberikan hasil nilai MAPE sebesar 28.891
%, nilai MAE sebesar 5041.287, dan nilai RMSE sebesar 7071.313. Nilai MAPE sebesar
28.891% masi cukup besar untuk mengatakan bahwa metode DMA sesuai digunakan untuk
meramalkan data jumlah kasus sembuh covid19, nilai MAPE seharusnya berada dikisaran 0-10
% untuk mendapatkan hasil peramalan yang sesuai, sehingga dapat disimpulkan bahwa metode
DMA masih kurang sesuai dalam meramalkan data covid19 jumlah kasus sembuh di Indonesia
pada satu periode berikutnya.

B. Double Exponential Smoothing (Brown)

Dasar pemikirsn dari Double Exponential Smoothing dari Brown adalah serupa dengan DMA
karena kedua single nilai Single dan Double Smoothing ketinggalan dari data yang sebenarnya
bilamana terdapat unsur trend. Perbedaan antara nila Single dan Double Smoothing (S’t – S”t)
dapat ditambahkan dengan nilai single smoothing (S) dan disesuaikan untuk trend. Rumus yang
dipakai dalam implementasi DES dari Brown ditunjukkan di bawah ini :
1. Menentukan Nilai Smoothing Pertama (S’t) menggunakan alpa 0.1
( )
Berdasarkan rumus diatas didapatkan hasil seperti berikut :
Tabel 1.8. Tabel Perhitungan Nilai Smoothing Pertama
Data Kasus
Periode S’
Sembuh
1 Juli 9874.00 9874
2 Juli 11578.00 10044.4
 3 Juli 13282.00 10368.16
4 Juli 13127.00 10644.04
5 Juli 14416.00 11021.24
6 Juli 15863.00 11505.42
7 Juli 14835.00 11838.37
8 Juli 21185.00 12773.04
9 Juli 28975.00 14393.23
10 Juli 28561.00 15810.01
11 Juli 32615.00 17490.51
12 Juli 34754.00 19216.86
13 Juli 20123.00 19307.47

29-Sep 3077.00 7155.021

30-Sep 2848.00 6724.319
1 Oktober 2811.00 6332.987
2 Oktober 2380.00 5937.688
3 Oktober 2020.00 5545.92
4 Oktober 2656.00 5256.928
5 Oktober 2558.00 4987.035
6 Oktober 2851.00 4773.431
7 Oktober 1946.00 4490.688
8 Oktober 3514.00 4393.019
9 Oktober 1507.00 4104.418
10 Oktober

2. Menentukan Nilai Smoothing Kedua (S’’t) menggunakan alpa 0.1

( )
Berdasarkan rumus diatas didapatkan hasil seperti berikut :
Tabel 1.9. Tabel Perhitungan Nilai Smoothing Kedua
Data Kasus
Periode S’ S’’
Sembuh
1 Juli 9874.00 9874 9874
2 Juli 11578.00 10044.4 9891.04
3 Juli 13282.00 10368.16 9938.752
4 Juli 13127.00 10644.04 10009.28
5 Juli 14416.00 11021.24 10110.48
6 Juli 15863.00 11505.42 10249.97
7 Juli 14835.00 11838.37 10408.81
8 Juli 21185.00 12773.04 10645.23
9 Juli 28975.00 14393.23 11020.03
 10 Juli 28561.00 15810.01 11499.03
11 Juli 32615.00 17490.51 12098.18
12 Juli 34754.00 19216.86 12810.05
13 Juli 20123.00 19307.47 13459.79

29-Sep 3077.00 7155.021 12338.02

30-Sep 2848.00 6724.319 11776.65
1 Oktober 2811.00 6332.987 11232.28
2 Oktober 2380.00 5937.688 10702.82
3 Oktober 2020.00 5545.92 10187.13
4 Oktober 2656.00 5256.928 9694.111
5 Oktober 2558.00 4987.035 9223.403
6 Oktober 2851.00 4773.431 8778.406
7 Oktober 1946.00 4490.688 8349.634
8 Oktober 3514.00 4393.019 7953.973
9 Oktober 1507.00 4104.418 7569.017
10
Oktober

3. Menentukkan Nilai Konstanta (at)

Berdasarkan rumus diatas didapatkan hasil seperti berikut :

Tabel 1.10. Tabel Perhitungan Nilai Konstanta (a)
Periode Data Kasus Sembuh S’ S’’ a
1 Juli 9874.00 9874 9874 9874
2 Juli 11578.00 10044.4 9891.04 10197.76
3 Juli 13282.00 10368.16 9938.752 10797.57
4 Juli 13127.00 10644.04 10009.28 11278.81
5 Juli 14416.00 11021.24 10110.48 11932
6 Juli 15863.00 11505.42 10249.97 12760.86
7 Juli 14835.00 11838.37 10408.81 13267.94
8 Juli 21185.00 12773.04 10645.23 14900.84
9 Juli 28975.00 14393.23 11020.03 17766.43
10 Juli 28561.00 15810.01 11499.03 20120.99
11 Juli 32615.00 17490.51 12098.18 22882.84
12 Juli 34754.00 19216.86 12810.05 25623.67
13 Juli 20123.00 19307.47 13459.79 25155.15

29-Sep 3077.00 7155.021 12338.02 1972.026

30-Sep 2848.00 6724.319 11776.65 1671.991
 1 Oktober 2811.00 6332.987 11232.28 1433.694
2 Oktober 2380.00 5937.688 10702.82 1172.555
3 Oktober 2020.00 5545.92 10187.13 904.7078
4 Oktober 2656.00 5256.928 9694.111 819.7443
5 Oktober 2558.00 4987.035 9223.403 750.6664
6 Oktober 2851.00 4773.431 8778.406 768.4566
7 Oktober 1946.00 4490.688 8349.634 631.7421
8 Oktober 3514.00 4393.019 7953.973 832.0659
9 Oktober 1507.00 4104.418 7569.017 639.8176
10
Oktober

4. Menentukan Nilai Konstanta (bt)

Berdasarkan rumus diatas didapatkan hasil seperti berikut :

Tabel 1.11. Tabel Perhitungan Nilai Konstanta (b)
Data Kasus
Periode S’ S’’ a b
Sembuh
1 Juli 9874.00 9874 9874 9874
2 Juli 11578.00 10044.4 9891.04 10197.76 17.04
3 Juli 13282.00 10368.16 9938.752 10797.57 47.712
4 Juli 13127.00 10644.04 10009.28 11278.81 70.5292
5 Juli 14416.00 11021.24 10110.48 11932 101.1958
6 Juli 15863.00 11505.42 10249.97 12760.86 139.4939
7 Juli 14835.00 11838.37 10408.81 13267.94 158.8403
8 Juli 21185.00 12773.04 10645.23 14900.84 236.4225
9 Juli 28975.00 14393.23 11020.03 17766.43 374.7999
10 Juli 28561.00 15810.01 11499.03 20120.99 478.9976
11 Juli 32615.00 17490.51 12098.18 22882.84 599.1477
12 Juli 34754.00 19216.86 12810.05 25623.67 711.8679
13 Juli 20123.00 19307.47 13459.79 25155.15 649.7425

29-Sep 3077.00 7155.021 12338.02 1972.026 -575.888

30-Sep 2848.00 6724.319 11776.65 1671.991 -561.37
1 Oktober 2811.00 6332.987 11232.28 1433.694 -544.366
2 Oktober 2380.00 5937.688 10702.82 1172.555 -529.459
3 Oktober 2020.00 5545.92 10187.13 904.7078 -515.69
4 Oktober 2656.00 5256.928 9694.111 819.7443 -493.02
5 Oktober 2558.00 4987.035 9223.403 750.6664 -470.708
 6 Oktober 2851.00 4773.431 8778.406 768.4566 -444.997
7 Oktober 1946.00 4490.688 8349.634 631.7421 -428.772
8 Oktober 3514.00 4393.019 7953.973 832.0659 -395.662
9 Oktober 1507.00 4104.418 7569.017 639.8176 -384.956
10
Oktober

5. Menentukan Nilai Peramalan

Berdasarkan rumus diatas didapatkan hasil seperti berikut :

Tabel 1.12. Tabel Perhitungan Nilai Peramalan
Data Kasus
Periode S’ S’’ a b F(t) (0.1)
Sembuh
1 Juli 9874.00 9874 9874 9874 0
2 Juli 11578.00 10044.4 9891.04 10197.76 17.04 9874
3 Juli 13282.00 10368.16 9938.752 10797.57 47.712 10214.8
4 Juli 13127.00 10644.04 10009.28 11278.81 70.5292 10845.28
5 Juli 14416.00 11021.24 10110.48 11932 101.1958 11349.34
6 Juli 15863.00 11505.42 10249.97 12760.86 139.4939 12033.2
7 Juli 14835.00 11838.37 10408.81 13267.94 158.8403 12900.35
8 Juli 21185.00 12773.04 10645.23 14900.84 236.4225 13426.78
9 Juli 28975.00 14393.23 11020.03 17766.43 374.7999 15137.26
10 Juli 28561.00 15810.01 11499.03 20120.99 478.9976 18141.23
11 Juli 32615.00 17490.51 12098.18 22882.84 599.1477 20599.99
12 Juli 34754.00 19216.86 12810.05 25623.67 711.8679 23481.99
13 Juli 20123.00 19307.47 13459.79 25155.15 649.7425 26335.54

29-Sep 3077.00 7155.021 12338.02 1972.026 -575.888 1712.834

30-Sep 2848.00 6724.319 11776.65 1671.991 -561.37 1396.137
1 Oktober 2811.00 6332.987 11232.28 1433.694 -544.366 1110.622
2 Oktober 2380.00 5937.688 10702.82 1172.555 -529.459 889.3275
3 Oktober 2020.00 5545.92 10187.13 904.7078 -515.69 643.0961
4 Oktober 2656.00 5256.928 9694.111 819.7443 -493.02 389.0176
5 Oktober 2558.00 4987.035 9223.403 750.6664 -470.708 326.7239
6 Oktober 2851.00 4773.431 8778.406 768.4566 -444.997 279.9587
7 Oktober 1946.00 4490.688 8349.634 631.7421 -428.772 323.4594
8 Oktober 3514.00 4393.019 7953.973 832.0659 -395.662 202.9703
9 Oktober 1507.00 4104.418 7569.017 639.8176 -384.956 436.4044
10
Oktober 254.862
 Berdasarkan perhitungan peramalan menggunakan metode DES BROWN pada data kasus
jumlah covid19 sembuh untuk satu periode kedepan yaitu 10 Oktober 2021 didapatkan hasil
peramalan jumlah orang sembuh covid19 pada tanggal 10 Oktober adalah sebanyak 254,862 ribu
jiwa, setelah dilakukan perhitungan selanjutnya dapat dilakukan membuat plot data aktual dan
hasil pemulusan seperti berikut :

Plot Data Aktual dan Hasil Pemulusan

60000.00
50000.00
40000.00
30000.00
20000.00
10000.00
0.00

1 Oktober
5 Oktober
9 Oktober
3-Sep
7-Sep

23-Sep
11-Sep
15-Sep
19-Sep

27-Sep
29 Juli
13 Juli
17 Juli
21 Juli
25 Juli
1 Juli

2 Agustus
6 Agustus
5 Juli
9 Juli

26 Agustus
10 Agustus
14 Agustus
18 Agustus
22 Agustus

30 Agustus

Data Kasus Sembuh F(t) (0.1)

Gambar 1.3 Plot Data Aktual dan Hasil Pemulusan Menggunakan Metode DES BROWN
pada Data Kasus Sembuh Covid19 Di Indonesia Periode 1 Juli-9 Oktober

Berdasarkan Gambar 1.3 dapat diketahui bahwa plot hasil pemulusan memiliki pergerakan
yang tidak jauh berbeda dengan plot data aktualnya dan cenderung mengikuti pergerakan dari
plot data aktualnya, sehingga dapat dikatakan bahwa peramalan data kasus jumlah covid19
sembuh menggunakan metode DES BROWN sesuai. Namun untuk lebih meyakinkan hasil dari
peramalan menggunakan metode DES BROWN akan dihitung nilai akurasi dari peramalan
mengunakan nilai MAPE, MAE, dan RMSE dan didapatkan hasil seperti berikut :
Tabel 1.13. Tabel Nilai Akurasi
MAPE
26.16070292
 MAE
4264.237628
MSE
30086390.08916020
RMSE
5485.106206
Berdasarkan tabel diatas dapat diketahui bahwa pada peramalan data kasus jumlah covid19
sembuh di Indonesia menggunakan metode DES BROWN memberikan hasil nilai MAPE
sebesar 26.161 %, nilai MAE sebesar 4264.238, dan nilai RMSE sebesar 5485.106. Nilai MAPE
sebesar 26.161% masi cukup besar untuk mengatakan bahwa metode DES BROWN sesuai
digunakan untuk meramalkan data jumlah kasus sembuh covid19, nilai MAPE seharusnya
berada dikisaran 0-10 % untuk mendapatkan hasil peramalan yang sesuai, sehingga dapat
disimpulkan bahwa metode DES BROWN masih kurang sesuai dalam meramalkan data covid19
jumlah kasus sembuh di Indonesia pada satu periode berikutnya.

C. Double Exponential Smoothing (Holt)

Metode pemulusan eksponensial linier dari Holt pada prinsipnya serupa dengan Brown
kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai
gantinya, Holt memutuskan nilai trend dengan parameter yang berbeda dari dua parameter yang
digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial linier Holt didapat dengan
menggunakan tiga persamaan, yaitu:
S 't   X t  (1   )( S 't 1  t t 1 )

t t   ( S 't  S 't 1 )  (1   ) t t 1

Ft  m  S 't  tt m
Berdasarkan rumus diatas didapatkan hasil seperti berikut :
Tabel 1.14. Tabel Perhitungan Peramalan Menggunakan DES Holt
Periode Data Kasus Sembuh S(t) b(t) F(t) (0.2,0.3)
1 Juli 9874.00 9874.00 1704.00
2 Juli 11578.00 11578.00 1704.00 11578.00
3 Juli 13282.00 13282 1704.00 13282.00
4 Juli 13127.00 14614.2 1592.46 14986.00
5 Juli 14416.00 15848.53 1485.02 16206.66
6 Juli 15863.00 17039.44 1396.79 17333.55
 7 Juli 14835.00 17715.98 1180.71 18436.23
8 Juli 21185.00 19354.36 1318.01 18896.69
9 Juli 28975.00 22332.89 1816.17 20672.37
10 Juli 28561.00 25031.45 2080.89 24149.06
11 Juli 32615.00 28212.87 2411.05 27112.34
12 Juli 34754.00 31449.93 2658.85 30623.92
13 Juli 20123.00 31311.63 1819.70 34108.78
14 Juli 17762.00 30057.46 897.54 33131.33
15 Juli 19049.00 28573.81 183.18 30955.01
16 Juli 28079.00 28621.39 142.50 28756.99

29-Sep 3077.00 2061.844 -534.51 1808.05

30-Sep 2848.00 1791.465 -455.27 1527.33
1 Oktober 2811.00 1631.154 -366.78 1336.19
2 Oktober 2380.00 1487.496 -299.85 1264.37
3 Oktober 2020.00 1354.12 -249.91 1187.65
4 Oktober 2656.00 1414.572 -156.80 1104.21
5 Oktober 2558.00 1517.819 -78.78 1257.77
6 Oktober 2851.00 1721.427 5.93 1439.03
7 Oktober 1946.00 1771.089 19.05 1727.36
8 Oktober 3514.00 2134.912 122.48 1790.14
9 Oktober 1507.00 2107.317 77.46 2257.40
10 Oktober 2184.78

Berdasarkan perhitungan peramalan menggunakan metode DES HOLT pada data kasus
jumlah covid19 sembuh untuk satu periode kedepan yaitu 10 Oktober 2021 didapatkan hasil
peramalan jumlah orang sembuh covid19 pada tanggal 10 Oktober adalah sebanyak 2184,78
ribu jiwa, setelah dilakukan perhitungan selanjutnya dapat dilakukan membuat plot data aktual
dan hasil pemulusan seperti berikut :
 Plot Data Aktual dan Hasil Pemulusan
60000.00

50000.00

40000.00

30000.00

20000.00

10000.00

0.00

1 Oktober
5 Oktober
9 Oktober
3-Sep
7-Sep
11-Sep
15-Sep
19-Sep
23-Sep
27-Sep
2 Agustus
6 Agustus
1 Juli
5 Juli
9 Juli
13 Juli
17 Juli
21 Juli
25 Juli
29 Juli

10 Agustus
14 Agustus
18 Agustus
22 Agustus
26 Agustus
30 Agustus
Data Kasus Sembuh F(t) (0.2,0.3)

Gambar 1.4 Plot Data Aktual dan Hasil Pemulusan Menggunakan Metode DES HOLT pada
Data Kasus Sembuh Covid19 Di Indonesia Periode 1 Juli-9 Oktober

Berdasarkan Gambar 1.2 dapat diketahui bahwa plot hasil pemulusan memiliki pergerakan
yang tidak jauh berbeda dengan plot data aktualnya dan cenderung mengikuti pergerakan dari
plot data aktualnya, sehingga dapat dikatakan bahwa peramalan data kasus jumlah covid19
sembuh menggunakan metode DES HOLT sesuai. Namun untuk lebih meyakinkan hasil dari
peramalan menggunakan metode DES HOLT akan dihitung nilai akurasi dari peramalan
mengunakan nilai MAPE, MAE, dan RMSE dan didapatkan hasil seperti berikut :
Tabel 1.15. Tabel Nilai Akurasi
MAPE
22.17522917
MAE
3638.413531
MSE
26658529.46
RMSE
5163.189853
Berdasarkan tabel diatas dapat diketahui bahwa pada peramalan data kasus jumlah covid19
sembuh di Indonesia menggunakan metode DMA memberikan hasil nilai MAPE sebesar 22.175
%, nilai MAE sebesar 3638.414, dan nilai RMSE sebesar 5163.189. Nilai MAPE sebesar
22.175% masi cukup besar untuk mengatakan bahwa metode DES HOLT sesuai digunakan
untuk meramalkan data jumlah kasus sembuh covid19, nilai MAPE seharusnya berada dikisaran
0-10 % untuk mendapatkan hasil peramalan yang sesuai, sehingga dapat disimpulkan bahwa
metode DES HOLT masih kurang sesuai dalam meramalkan data covid19 jumlah kasus sembuh
di Indonesia pada satu periode berikutnya.

D. Dekomposisi
Metode dekomposisi digunakan untuk meramalkan data deret berkala yang menunjukkan
adanya pola trend dan pengaruh musiman. Metode dekomposisi merupakan suatu metode
peramalan yang menggunakan empat komponen utama dalam meramalkan nilai masa depan.
Keempat komponen tersebut antara lain trend, musiman, siklus dan error. Metode dekomposisi
dilandasi oleh asumsi bahwa data yang ada merupakan gabungan dari beberapa komponen,
secara sederhana diilustrasikan sebagai berikut:
Data = Pola + error
= (trend, siklus, musiman) + error
=
Berdasarkan rumus diatas didapatkan hasil seperti berikut :

60000.00
Data Kasus Sembuh
50000.00

40000.00

30000.00 Data Kasus Sembuh

20000.00 Linear (Data Kasus Sembuh)

10000.00
y = -313.87x + 37580
0.00
0 20 40 60 80 100 120

Gambar 1.5 Plot Regresi Linier Sederhana

Berdasarkan plot regresi linier diatas dapat diketahui bahwa data jumlah kasus covid19
sembuh dengan periodenya tidak membentuk kelinieran dengan hasil model regresinya y=-
313.87+37580.
 Tabel 1.16. Tabel Perhitungan Peramalan Menggunakan Dekomposisi
Periode Data MA Trend Siklus RataMedial Ind.Musiman F(t)
1 9874 103.0015 103.7599
2 11578 105.8434 106.6227
3 13282 92.64338 93.3255
4 13127 13282.14 36324.79 36.56495 91.23128 91.903 30456.26
5 14416 14898 36010.92 41.37078 101.8623 102.6123 37639.81
6 15863 17383.29 35697.05 48.6967 101.4097 102.1564 36980.91
7 14835 19566 35383.18 55.29746 98.8921 99.62023 34858.28
8 21185 22350 35069.31 63.73095 103.0015 103.7599 37480.04
9 28975 25255.43 34755.43 72.66613 105.8434 106.6227 39222.55
10 28561 25864 34441.56 75.09532 92.64338 93.3255 29778.14
11 32615 26282.14 34127.69 77.0112 91.23128 91.903 28614.12
12 34754 25977 33813.82 76.82362 101.8623 102.6123 35343.32
13 20123 25849 33499.95 77.16132 101.4097 102.1564 34704.79
14 17762 25755 33186.07 77.60786 98.8921 99.62023 32693.77
15 19049 25276.29 32872.2 76.89259 103.0015 103.7599 35131.9
16 28079 24913.86 32558.33 76.52069 105.8434 106.6227 36743.05

91 3077 3059.143 9017.934 33.92288 91.23128 99.62023 8195.932

92 2848 2922.571 8704.062 33.5771 101.8623 103.7599 9199.517
93 2811 2763.286 8390.19 32.93472 101.4097 106.6227 9071.958
94 2380 2621.429 8076.318 32.45821 98.8921 93.3255 7453.759
95 2020 2589.143 7762.447 33.35473 103.0015 91.903 7348.044
96 2656 2460.286 7448.575 33.03029 103.0015 102.6123 7872.564
97 2558 2560.714 7134.703 35.89097 105.8434 102.1564 7714.452
98 2851 2436 6820.831 35.71412 92.64338 99.62023 6295.05
99 1946 0 6506.959 0 91.23128 103.7599 6159.581
100 3514 0 6193.087 0 101.8623 106.6227 6726.209
101 1507 0 5879.215 0 101.4097 93.3255 5564.157
102 0 0 5565.343 0 103.0015 103.7599 5947.915

Berdasarkan perhitungan peramalan menggunakan metode Dekomposisi pada data kasus

jumlah covid19 sembuh untuk satu periode kedepan yaitu 10 Oktober 2021 didapatkan hasil
peramalan jumlah orang sembuh covid19 pada tanggal 10 Oktober adalah sebanyak 5947.915
ribu jiwa, setelah dilakukan perhitungan selanjutnya dapat dilakukan membuat plot data aktual
dan hasil pemulusan seperti berikut :
 Plot Data Aktual dan Hasil Pemulusan
60000
50000
40000
30000
20000
10000
0
1
5
9

61

73

85

97
13
17
21
25
29
33
37
41
45
49
53
57

65
69

77
81

89
93

101
Data F(t)

Gambar 1.6 Plot Data Aktual dan Hasil Pemulusan Menggunakan Metode Dekomposisi
pada Data Kasus Sembuh Covid19 Di Indonesia Periode 1 Juli-9 Oktober

Berdasarkan Gambar 1.2 dapat diketahui bahwa plot hasil pemulusan memiliki pergerakan
yang berbeda dengan plot data aktualnya , sehingga dapat dikatakan bahwa peramalan data kasus
jumlah covid19 sembuh menggunakan metode Dekomposisi tidak sesuai. Namun untuk lebih
meyakinkan hasil dari peramalan menggunakan metode Dekomposisi akan dihitung nilai akurasi
dari peramalan mengunakan nilai MAPE, MAE, dan RMSE dan didapatkan hasil seperti berikut:
Tabel 1.17. Tabel Nilai Akurasi
MAPE
62.9723987
MAE
7760.845676
MSE
97311989.16
RMSE
9864.683936
 Berdasarkan tabel diatas dapat diketahui bahwa pada peramalan data kasus jumlah covid19
sembuh di Indonesia menggunakan metode Dekomposisi memberikan hasil nilai MAPE sebesar
62.972 %, nilai MAE sebesar 7760.846, dan nilai RMSE sebesar 9864.6839. Nilai MAPE
sebesar 62.972% tergolong besar untuk mengatakan bahwa metode Dekomposisi sesuai
digunakan untuk meramalkan data jumlah kasus sembuh covid19, nilai MAPE seharusnya
berada dikisaran 0-10 % untuk mendapatkan hasil peramalan yang sesuai, sehingga dapat
disimpulkan bahwa metode Dekomposisi kurang sesuai dalam meramalkan data covid19 jumlah
kasus sembuh di Indonesia pada satu periode berikutnya.

KESIMPULAN
Tabel 1.18. Tabel Peramalan Dari 4 Metode
Data Kasus DES
Periode DMA DES HOLT DEKOMPOSISI
Sembuh BROWN
1 Juli 9874.00
2 Juli 11578.00 9874.00 11578.00
3 Juli 13282.00 10214.80 13282.00
4 Juli 13127.00 10845.28 14986.00 30456.26
5 Juli 14416.00 11349.34 16206.66 37639.81
6 Juli 15863.00 12033.20 17333.55 36980.91
7 Juli 14835.00 12900.35 18436.23 34858.28
8 Juli 21185.00 13426.78 18896.69 37480.04
9 Juli 28975.00 15137.26 20672.37 39222.55
10 Juli 28561.00 18141.23 24149.06 29778.14
11 Juli 32615.00 32103.54 20599.99 27112.34 28614.12
12 Juli 34754.00 37651.02 23481.99 30623.92 35343.32
13 Juli 20123.00 44136.22 26335.54 34108.78 34704.79
14 Juli 17762.00 39131.2 25804.90 33131.33 32693.77
15 Juli 19049.00 29588.58 24846.06 30955.01 35131.9
16 Juli 28079.00 22520.12 24255.96 28756.99 36743.05
17 Juli 27903.00 19359.08 25531.91 28763.90 27878.53
18 Juli 29264.00 16317.82 26555.70 28682.57 26771.97

29-Sep 3077.00 1989.3 1712.83 1808.05 8195.932

30-Sep 2848.00 1863.72 1396.14 1527.33 9199.517
1 Oktober 2811.00 2051.2 1110.62 1336.19 9071.958
2 Oktober 2380.00 2475.88 889.33 1264.37 7453.759
3 Oktober 2020.00 2081.16 643.10 1187.65 7348.044
4 Oktober 2656.00 1604.8 389.02 1104.21 7872.564
 5 Oktober 2558.00 1725.2 326.72 1257.77 7714.452
6 Oktober 2851.00 1844.56 279.96 1439.03 6295.05
7 Oktober 1946.00 2092.44 323.46 1727.36 6159.581
8 Oktober 3514.00 2091.02 202.97 1790.14 6726.209
9 Oktober 1507.00 2996.18 436.40 2257.40 5564.157
10 Oktober 2398.34 254.86 2184.78 5947.915
Berdasarkan perhitungan peramalan menggunakan metode DMA, DES BROWN, DES
HOLT, dan Dekomposisi pada data kasus jumlah covid19 sembuh untuk satu periode kedepan
yaitu 10 Oktober 2021 didapatkan hasil peramalan jumlah orang sembuh covid19 pada tanggal
10 Oktober adalah seperti tercantum di tabel, setelah dilakukan perhitungan selanjutnya dapat
dilakukan membuat plot data aktual dan hasil pemulusan seperti berikut :

Plot Data Aktual dan Hasil Pemulusan

60000.00

50000.00

40000.00

30000.00

20000.00

10000.00

0.00

1 Oktober
5 Oktober
9 Oktober
3-Sep
7-Sep

27-Sep
11-Sep
15-Sep
19-Sep
23-Sep
1 Juli
5 Juli
9 Juli

2 Agustus
6 Agustus
13 Juli
17 Juli
21 Juli
25 Juli
29 Juli

10 Agustus
14 Agustus
18 Agustus
22 Agustus
26 Agustus
30 Agustus

Data Kasus Sembuh DMA DES BROWN DES HOLT DEKOMPOSISI

Gambar 1.7 Plot Data Aktual dan Hasil Pemulusan Menggunakan 4 Metode

Berdasarkan Gambar 1.2 dapat diketahui bahwa plot hasil pemulusan dari metode DMA,
DES BROWN, DES HOLT memiliki pergerakan yang tidak jauh berbeda dengan plot data
aktualnya , sehingga dapat dikatakan bahwa peramalan data kasus jumlah covid19 sembuh
menggunakan metode DMA, DES BROWN, DES HOLT sesuai. Diketahui plot hasil pemulusan
dari metode Dekomposisi memiliki pergerakan yang berbeda dengan plot data aktualnya ,
sehingga dapat dikatakan bahwa peramalan data kasus jumlah covid19 sembuh menggunakan
metode Dekomposisi tidak sesuai. Namun untuk lebih meyakinkan hasil dari peramalan
menggunakan keempat metode akan dihitung nilai akurasi dari peramalan mengunakan nilai
MAPE, MAE, dan RMSE dan didapatkan hasil seperti berikut:

Tabel 1.19. Tabel Nilai Akurasi Dari 4 Metode

DMA DES BROWN DES HOLT DEKOMPOSISI
MAPE MAPE MAPE MAPE
28.89128939 26.16070292 22.17522917 62.9723987
MAE MAE MAE MAE
5041.286813 4264.237628 3638.413531 7760.845676
MSE MSE MSE MSE
50003468.505446100 30086390.08916020 26658529.46 97311989.16
RMSE RMSE RMSE RMSE
7071.313068 5485.106206 5163.189853 9864.683936
Berdasarkan hasil perbandingan nilai akurasi dari keempat metode didapatkan hasil bahwa
nilai akurasi yang memiliki hasil paling sesuai adalah pada metode DES HOLT karena
memiliki nilai akurasi lebih kecil disbanding ketiga metode yang lain yaitu dengan nilai
MAPE sebesar 22.175%, nilai MAE sebesar 3638.414, dan nilai RMSE sebesar 5163.189,
meski pada metode DES HOLT sendiri nilai MAPE masih terlalu besar tetapi jika
dibandingkan 3 metode yang lain nilai MAPE metode DES HOLT adalah yang paling kecil.
Jadi dapat disimpulkan bahwa metode peramalan yang cocok dan sesuai digunakan untuk
meramalkan data jumlah kasus covid19 sembuh untuk satu periode kedepan antara metode
DMA, DES BROWN, DES HOLT, dan Dekomposisi adalah metode DES HOLT dengan
hasil peramalan pada tanggal 10 Oktober 2021 adalah sebesar 2184,78 ribu jiwa kasus
sembuh.
6. Pengaplikasian Data Kasus Jumlah Covid19 Sembuh di Indonesia menggunakan pemodelan
Box Jenkins
 Mencari nilai ACF pada Data Aktual
Berikut adalah tabel hasil dari perhitungan dalam mencari nilai lag 0, 1, 2, dan .
Tabel 1.20. Perhitungan Nilai ACF Lag 0, 1, 2, dan 3
(Z(t)-
(Z(t)-Zbar)*(Z(t-1)- (Z(t)-Zbar)*(Z(t-2)- Zbar)*(Z(t-3)-
(Z(t)-Zbar)^2 Zbar) Zbar) Zbar)
136862199.4 116927424 96992648.54 98805964.38
99896264.54 82865105.09 84414300.94 71530988.42
68737561.65 70022637.49 59335780.98 47338976.18
71331738.33 60445086.82 48223997.03 56906291.64
51219956.3 40864049.51 48221252.12 2775496.679
32601951.72 38471638.33 2214332.887 -42265101.67
45398108.95 2613003.501 -49874551.05 -47085096.93
150398.0552 -2870656.499 -2710102.38 -4282291.747

382312452.5 369876864.1 371793039.7 366064065.8

357845771.7 359699619.3 354156993.4 371276708.2
361563070.9 355991731 373200135.7 343384910.7
350506240.1 367449479.9 338093678.8 375668355.3
385211744.6 354436903.6 393827915
326120686.6 362364722
402636806.5
14476482201 14037470655 13811102946 13505053709
Berdasarkan tabel diatas didapatkan nilai ACF dan Plot ACF dari Lag 0, 1, 2, dan 3 adalah
sebagai berikut :

Berdasarkan perhitungan diatas didapatkan plot ACF seperti berikut :

 1.05
ACF
1

0.95

0.9

0.85

0.8

0.75
Lag 0 Lag 1 Lag 2 Lag 3

Gambar 1.8 Grafik ACF Data Jumlah Kasus Sembuh Covid19 di Indonesia
Berdasarkan Gambar 1.8 diketahui bahwa data jumlah kasus sembuh covid19 di Indonesia
jika dilakukan perhitungan ACF didapatkan nilai ACF pada lag 0 sebesar 1, nilai ACF pada lag 1
sebesar 0.9697, nilai ACF pada lag 2 sebesar 0.9540, dan nilai ACF pada lag 3 adalag sebesar
0.9329

 Plot Time Series

Plot Data Kasus Orang Sembuh Covid19

50000.00
40000.00
30000.00
20000.00
10000.00
0.00
30 Agustus

1 Oktober
5 Oktober
9 Oktober
10 Agustus
14 Agustus
18 Agustus
22 Agustus
26 Agustus

27-Sep
3-Sep
7-Sep
11-Sep
15-Sep
19-Sep
23-Sep
2 Agustus
6 Agustus
1 Juli
5 Juli
9 Juli
13 Juli
17 Juli
21 Juli
25 Juli
29 Juli

Data Kasus Sembuh

Gambar 1.9. Plot Runtun Waktu Data Kasus Orang Sembuh Covid19 Di Indonesia Periode Juli
sampai Oktober 2021

Berdasarkan pengujian data covid19 jumlah orang sembuh di Indonesia periode 1 Juli
sampai 9 Oktober 2021 dengan menggunakan time series plot, secara visual dapat dilihat bahwa
data covid19 jumlah orang sembuh di Indonesia mengalami tidak stasioner atau pergerakan data
tersebut dari waktu ke waktu tidak berfluktuasi disekitar rata-rata melainkan menunjukkan pola
cenderung mengalami kenaikanpada periode 1 Juli-8 Agustus dan penurunan jangka panjang
setelahnya serta terdapat perulangan pola pergerakan data setiap 7 hari sehingga dapat
disimpulkan bahwa data kasus covid19 jumlah orang sembuh di Indonesia mengalami pola trend
dan musiman.
Dalam pemodelan menggunakan Box Jenkins salah satu syarat adalah data harus memiliki
pola yang stasioner dalam varians dan rata-rata, oleh karena itu akan dilakukan transformasi
pangkat dan akan dilihat boxcox dari data transformasi untuk mengetahui nilai lambdanya serta
melakukan differencing pada data hasil transformasi agar data memenuhi syarat stasioner dalam
varians dan dalam rata-rata.

 Transformasi Boxcox
Dalam tranformasi pangkat kali ini akan digunakan sintak R untuk memunculkan boxcox
dari data jumlah kasus covid19 sembuh seperti berikut :

95%
-250
-300
log-Likelihood

-350
-400
-450

-2 -1 0 1 2

Gambar 1.10. Box Cox Data Aktual

Berdasarkan Gambar 1.10 dan hasil output R dapat diketahui bahwa nilai lambda adalah
sebesar 0.532 dimana nilai tersebut masih jauh dari angka 1 sehingga dapat disimpulkan bahwa
data aktual tidak memiliki pola yang stasioner, sehingga akan dilakukan transformasi pangkat
dan akan diperiksa lagi box cox dari data hasil transformasi seperti berikut
 95%

-160
-180
log-Likelihood

-200
-220
-240

-2 -1 0 1 2

Gambar 1.11. Box Cox Data Hasil Transformasi

Berdasarkan Gambar 1.11 dan hasil output R dapat diketahui bahwa nilai lambda setelah
dialkukan transformasi adalah sebesar 0.997 dimana nilai tersebut sudah mendekati angka 1
sehingga dapat disimpulkan bahwa data hasil transformasi telah memiliki pola data yang
stasioner dalam varians, berikut adalah plot data hasil transformasi :
500
400
datatransformasi

300
200
100

0 20 40 60 80 100

Time

Gambar 1.12. Plot Time Series Data Hasil Transformasi

Berdasarkan Gambar 1.12 dapat diketahui bahwa plot dari data transformasi jumlah kasus
covid19 sembuh telah memiliki pola yang stasioner dalam varians.

 Differencing
 Setelah dilakukan transformasi pangkat didapatkan bahwa data telah memenuhi syarat pola
staisioner dalam varians selanjutnya akan di cek apakah data yang telah ditransformasi itu
memiliki pola yang stasioner dalam rata-rata dengan menghitung nilai ACF dan membentuk plot
ACF seperti berikut :

Autocorrelation Function

1.0
0.5
ACF

0.0

0 20 40 60 80 100

Lag

Gambar 1.13. Plot ACF Data Hasil Transformasi

Berdasarkan Gambar dapat diketahui bahwa pergerakan plot ACF mengalami penurunan
yang perlahan sehingga dapat diartikan bahwa data hasil transformasi tidak stasioner dalam rata-
rata sehingga data hasil transformasi akan di differencing dengan orde 1 sehingga didapatkan
data baru hasil differencing seperti berikut :
Tabel 1.21 Data Hasil Differencing
Data
Differencing
orde 1
21.87989
20.41358
-1.80398
14.7127
15.79843
-11.1501
64.12016
67.28605
-3.34364
31.82876
 16.04455
-121.836
-23.2089

-0.88718
-10.7701
-9.72133
16.71387
-2.44197
7.17843
-23.5469
38.60972
-51.9067

Berdasarkan data diatas dapat dilihat hasil plot time series-nya seperti berikut :
50
0
diff

-50
-100

0 20 40 60 80 100

Time

Gambar 1.14 Plot Time Series Data Hasil Transformasi dan Differencing
Berdasarkan Gambar 1.13 dapat diketahui bahwa data jumlah kasus covid19 sembuh
setelah di transformasi dan di differencing orde 1 sudah membentuk pola yang stasioner,
sehingga sudah memenuhi syarat ke stasioneran untuk melakukan pemodelan Box Jenkins.
 Mencari Nilai ACF Pada Data Hasil Transformasi dan Differencing
Tabel 1.22 Perhitungan Nilai ACF Data Setelah Transformasi dan Differencing
(Z(t)- (Z(t)-
(Z(t)-Zbar)*(Z(t-
(Z(t)-Zbar)^2 Zbar)*(Z(t-1)- Zbar)*(Z(t-2)-
3)-Zbar)
Zbar) Zbar)
549.7337152 515.3540231 -5.56779572 381.6889051
483.124396 -5.2195924 357.8185354 381.6829795
0.056391573 -3.86580956 -4.123636887 2.275813402
265.0127075 282.6875352 -156.0137565 1069.327169
301.5411725 -166.418979 1140.645158 1195.620651
91.84575505 -629.516034 -659.8567177 17.03132839
4314.738734 4522.695508 -116.7336943 2193.624169
4740.675142 -122.35989 2299.349923 1212.566643
3.158187838 -59.3477077 -31.29712881 213.7350665
1115.244118 588.1261496 -4016.444526 -722.7547827
310.149466 -2118.07981 -381.1461369 253.3497441
14464.83901 2602.931898 -1730.181855 -9861.836299
468.3947373 -311.344325 -1774.626615 -2.741898821
206.9521307 1179.603189 1.822553864 181.1522938

84.70660454 75.05384883 -168.2456628 8.057392094

66.50107455 -149.073199 7.13921059 -71.31341108
334.1723258 -16.0037258 159.8608506 -401.8089711
0.766428636 -7.65583809 19.24288789 -35.17264695
76.47399134 -192.216766 351.3387648 -440.222066
483.135307 -883.087179 1106.494647
1614.129529 -2022.47946
2534.135645

123483.73 -12808.01 -1881.26 -8098.34

1234.84 -129.37 -19.20 -83.49

Berdasarkan tabel diatas didapatkan nilai ACF dan Plot ACF dari Lag 0, 1, 2, dan 3 adalah
sebagai berikut :
Berdasarkan perhitungan diatas didapatkan plot ACF seperti berikut :

ACF Setelah Transformasi dan Differencing

1.2

0.8

0.6

0.4

0.2

0
Lag 0 Lag 1 Lag 2 Lag 3
-0.2

Gambar 1.15 Grafik Nilai ACF Data Hasil Transformasi dan Differencing
Berdasarkan Gambar 1.15 diketahui bahwa datahasil transformasi dan differencing pada
jumlah kasus sembuh covid19 di Indonesia jika dilakukan perhitungan ACF didapatkan nilai
ACF pada lag 0 sebesar 1, nilai ACF pada lag 1 sebesar -0.014, nilai ACF pada lag 2 sebesar -
0.015, dan nilai ACF pada lag 3 adalag sebesar -0.066.
 Pemodelan Box Jenkins

Autocorrelation Function

1.0
0.8
0.6
ACF

0.4
0.2
0.0
-0.2

0 20 40 60 80 100

Lag

Gambar 1.16 Grafik Nilai ACF Data Hasil Transformasi dan Differencing

Partial Autocorrelation Function

0.2
0.1
Partial ACF

0.0
-0.1
-0.2

0 20 40 60 80

Lag

Gambar 1.16 Grafik Nilai PACF Data Hasil Transformasi dan Differencing
 Berdasarkan Gambar 1.15 dan Gambar 1.16 didapatkan bahwa data hasil transformasi dan
differencing telah membentuk pola stasioner dan terdapat cut off pada grafik ACF di lag 0 dan
tidak ada lagi cut off di lag kecil setelah itu, oleh karena itu untuk menentukkan model arimanya
maka akan dilakukan pengambilan cut off di lag 2 menggunakan prinsip parsimony sehingga
didapatkan model arimanya adalah kombinasi dari 0, 1, 2 seperti berikut
 ARIMA (0,1,0)
Model runtun waktu Box Jenkins ARIMA (0,1,0) adalah sebagai berikut:

Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

 ARIMA (0,1,1)
Model runtun waktu Box Jenkins ARIMA (0,1,1) adalah sebagai berikut:

Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

 ARIMA (0,1,2)
Model runtun waktu Box Jenkins ARIMA (0,1,2) adalah sebagai berikut:

Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

 ARIMA (1,1,0)
Model runtun waktu Box Jenkins ARIMA (1,1,0) adalah sebagai berikut:

Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

 ARIMA (1,1,1)
Model runtun waktu Box Jenkins ARIMA (1,1,1) adalah sebagai berikut:

Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

 ARIMA (1,1,2)
 Model runtun waktu Box Jenkins ARIMA (1, 1, 2) adalah sebagai berikut:

Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

 ARIMA (2,1,0)
Model runtun waktu Box Jenkins ARIMA (2,1,0) adalah sebagai berikut:

Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

 ARIMA (2,1,1)
Model runtun waktu Box Jenkins ARIMA (0,1,1) adalah sebagai berikut:

Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

 ARIMA (2,1,2)
Model runtun waktu Box Jenkins ARIMA (2,1,2) adalah sebagai berikut:
+
Model tersebut dapat dituliskan kembali menggunakan operator backshift sebagai berikut:

LAMPIRAN
Sintak
library(MASS)
library(car)
#Memanggil Data Aktual dan Membuat Time Series Plot
data=read.table(file.choose(),header=T)
datatimeseries <- ts(data,start=c(1))
plot.ts(datatimeseries)

#BoxCox method for default

boxcox(data$sembuh~1)
p<-powerTransform(data$sembuh)
p
transform1<-bcPower(data$sembuh,p$lambda)
transform1
boxcox(transform1~1)
q<-powerTransform(transform1~1)
q

#Membuat Time Series Plot Hasil Transformasi

datatransformasi <- ts(transform2,start=c(1))
plot.ts(datatransformasi)
acf(datatransformasi,lag.max =99 ,main="Autocorrelation
Function",type = c("correlation", "covariance",
"partial"),plot = TRUE,na.action = na.contiguous,demean =
TRUE)

#Memanggil Data Hasil Transformasi dan Differencing

#Membuat Time Series Plot Hasil Transformasi dan Differencing
data=read.table(file.choose(),header=T)
datadifferencing <- ts(data,start=c(1))
plot.ts(datadifferencing)
#ACF
acf(datadifferencing,lag.max =99 ,main="Autocorrelation
Function",type = c("correlation", "covariance",
"partial"),plot = TRUE,na.action = na.contiguous,demean =
TRUE)
#PACF
pacf(datadifferencing,lag.max = 90,main="Partial
Autocorrelation Function",plot = TRUE,na.action =
na.contiguous,demean = TRUE)