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
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.
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
bt
2
k 1
St' St''
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 :
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
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.
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
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.
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
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
10000.00
y = -313.87x + 37580
0.00
0 20 40 60 80 100 120
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
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
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:
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
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
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
-160
-180
log-Likelihood
-200
-220
-240
-2 -1 0 1 2
300
200
100
0 20 40 60 80 100
Time
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
-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
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 :
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
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)