Responsi Praktikum Analisis Runtun Waktu (Genap)

Nama : Nidzar Zulmi Dwi Syahputra

NIM/Kelas : 19611130/E

Input data dan Analisis Plot

Berikut adalah data yang disedia pada soal responsi. Data uang beredar berupa uang
kartal dan giral yang diambil dari Januari tahun 2010 hingga Oktober 2021

Gambar 1 Data Uang Beredar

Selanjutnya, adalah membuat data hotel tersebut menjadi runtun waktu yaitu dengan
cara menggunakan sintaks ts yang dimulai dari bulan Januari 2016 dengan frekuensi sebanyak
12. Didapatkan hasil sebagai berikut
 Gambar 2 Time Series

Gambar 3 Plot Data

Berdasarkan plot gambar diatas terdapat 2 variabel yaitu sumbu X (Time) dan sumbu Y
(money.ts). Pergerakan pola pada grafik terdapat kecenderungan berfluktuasi dan cenderung
membentuk pola musiman, dimana jumlah tingkat uang beredar terbanyak ada pada
pertengahan setiap tahun sehingga data yang ada tidak stasioner dan cocok untuk digunakan
metode Seasonal Autoregressive Integrared Moving Average (SARIMA)
Uji Diferensiasi
Diferensiasi dilakukan dengan tujuan untuk membuat data menjadi stasioner dengan
dilanjutkan uji ADF atau Augmented Dickey-Fuller agar data menjadi stasioner dan selanjutnya
bisa dilakukan analisis SARIMA.

Gambar 4 Uji ADF (1)

Untuk data uang beredar setelah dilakukan diferensiasi sebanyak 1 kali dengan
tujuan mengetahui apakah data tersebut stasioner atau tidak dilakukan hipotesis sebagai
berikut

• Hipotesis
𝐻0 = data tidak stasioner (data mengandung unit root stasioner dalam mean
𝐻1 = data stasioner (data tidak mengandung unit root stasioner dalam mean)
• Tingkat signifikansi
α = 0.05
• Daerah kritis
Tolak 𝐻0 jika p-value < α
• Statistik Uji
p-value = 0.6674
• Keputusan
Gagal tolak 𝐻0 karena nilai p-value (0.6674) > α (0.05)
• Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada gagal tolak 𝐻0 yang berarti
bahwa data tidak stasioner.
 Gambar 5 Uji ADF (2)
Berdasarkan hasil diferesnsiasi kedua non- musiman order diatas maka dilakukan
hipotesis sebagai berikut

• Hipotesis
𝐻0 = data tidak stasioner (data mengandung unit root stasioner dalam mean
𝐻1 = data stasioner (data tidak mengandung unit root stasioner dalam mean)
• Tingkat signifikansi
α = 0.05
• Daerah kritis
Tolak 𝐻0 jika p-value < α
• Statistik Uji
p-value = 0.01
• Keputusan
Gagal tolak 𝐻0 karena nilai p-value (0.01) < α (0.05)
• Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada tolak 𝐻0 yang berarti bahwa
data sudah stasioner.

Grafik ACF dan PACF untuk menentukan model SARIMA

Pada pengujian kestasioneran digunakan untuk mengetahui apakah data Hotel
merupakan data stasioner atau tidak. Untuk mengetahui kestasioneran data dapat dilihat
menggunakan grafik ACF dan PACF yang menurun secara melambat dengan cara
mengaktifkan packages forecast dan sintaks “par(mfrow=c(1,2))” untuk membagi jendela
menjadi 2 bagian atau 2 hasil grafik dalam 1 baris
 Gambar 6 Grafik ACF dan PACF
Berdasarkan gambar diatas dapat ditentukan model SARIMA (p,d,q),(P,D,Q).
Langkah pertama yaitu menentukan model (p,d,q) terlebih dahulu dimana nilai q atau
MA dapat diperoleh dari 4 lag data di awal grafik ACF yang melewati batasan rata-rata
(digambarkan dengan garis putus-putus berwarna biru). Sehingga berdasarkan grafik
tersebut diketahui ridak ada yang melewati batas atas yang artinya q = 1. Nilai p atau
AR dapat diperoleh dari 4 lag data di awal grafik PACF yang melewati batasan rata-rata
(digambarkan dengan garis putus-putus berwarna biru). Sehingga pada grafik tersebut
diketahui terdapat 2 lag yang melewati batas atas yang artinya p = 2. Nilai d merupakan
jumlah diferensiasi yang dilakukan hingga data menjadi stasioner. Pada data
penumpang dilakukan proses diferensiasi sebanyak 1 kali sehingga menjadi stasioner,
sehingga d = 1. Sehingga didapatkan model SARIMA non-seasonal (p,d,q) adalah
(2,1,1).

Langkah kedua yaitu menentukan model (P,D,Q) yang menunjukkan data

musiman Nilai P atau SAR dilihat dari lag ke 12, lag 24, dan lag 36 pada grafik PACF
sedangkan nilai Q atau SMA dilihat dari lag ke 12, lag 24, dan lag 36 pada grafik ACF
yang melewati rentang atau batasan rata-rata atau pada grafik digambarkan dengan
garis putus-putus berwarna biru. Dari plot PACF diatas diketahui bahwa tidak terdapat
lag ke 12, 24, dan 36 yang keluar dari batas sehingga nilai P = 0, sedangkan dari plot
ACF juga terdapat 1 lag yang keluar dari batas sehingga nilai Q= 1, dan nilai D = 1
karena sebelumnya dilakukan differensi data sebanyak satu kali. Sehingga didapatkan
model awal SARIMA(2,1,1)(0,1,1). Namun untuk mendapatkan model terbaik maka
dilakukan overfitting model disekitar model utama, pada praktikum ini praktikan
 melakukan overfitting model sebanyak 3 kali . Maka model tersebut dipilih model1 :
SARIMA(1,1,0) (1,1,1), dan model2 : SARIMA(1,1,0) (0,1,1)

Model Seasonal ARIMA

Tahapan selanjutnya adalah melakukan estimasi parameter model. Dalam melakukan
estimasi parameter apabila tedapat parameter tidak signifikan setelah adanya uji- t, maka dapat
dilakukan proses overfitting. Proses overfitting adalah proses mengkajdi model lain
berdasarkan model utama.

Gambar 7 Model 1

Gambar 8 Model 2
Berdasarkan hasil estimasi model - model diatas maka akan dilakukan hipotesis untuk masing-
masing model untuk mengetahui signifikansi dari koefisien model dengan hipotesis sebagai berikut

• Hipotesis
𝐻0 = koefisien-koefisien tidak signifikan terhadap model
𝐻1 = koefisien-koefisien signifikan terhadap model
 • Tingkat signifikansi
α = 0.05
• Daerah kritis
Tolak 𝐻0 jika p-value < α
• Statistik Uji
Model Variabel P-Value Tanda Keputusan
1 (2,1,1)(0,1,1) ar1 0.2988 > Gagal Tolak H0
sar1 0.8079 > Gagal Tolak H0
sma1 0.2355 > Gagal Tolak H0
ma1 0.0208 < Tolak H0
2(1,1,0)(0,1,1) ar1 1e-04 < Tolak H0
sma1 0e+00 < Tolak H0
• Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada maka dapat disimpulkan bahwa
model 2 signifikan terhadap koefisien-koefisien atau model.

Uji Diagnostik dan Prediksi data

Setelah praktikan melakukan uji signifikansi terhadap model, praktikan memilih model
2 yaitu SARIMA (1, 1, 0) (0, 1, 1) untuk dilakukan uji diagnostik dengan tujuan melihat adanya
auto korelasi atau tidak

Gambar 8 Uji Diagnostik

Uji diagnostik digunakan untuk mengamati apakah residual dari model terestimasi
merupakan white noise atau tidak. Jika residual berupa white noise, berarti model terpilih cocok
dengan data. Dikatakan bersifat white noise jika ditandai dengan tidak adanya lag (≥1) yang
keluar dari batas interval. Selain itu, p-value pada L-jung Box digunakan sebagai uji
autokorelasi. Uji tersebut digunakan untuk mendeteksi terjadinya autokorelasi pada nilai
residual. Jika p-value pada L-jung Box berada di atas batas 5% maka residual tidak
mengandung korelasi.
Berdasarkan pada gambar diatas, yaitu model SARIMA (1,1,0)(0,1,1), diketahui bahwa
tidak terdapat lag yang keluar dari batas interval sehingga residual bersifat white noise. Dan
juga, berdasarkan L-jung Box, semua p- value berada di atas nilai 0.05 yang artinya residual
tidak mengandung korelasi.
Selanjutnya setelah mendapatkan model terbiak yaitu model 2 setelah itu dilakukan
prediksi data selama 12 periode kedepan dengan hasil sebagai berikut

Gambar 9 Prediksi data

Dapat dilihat pada hasil gambar diatas, didapatkan hasil prediksi data uang giral yang
beredar 12 periode ke depan yaitu dari bulan Oktober 2022 sampai September 2023. Pada bulan
Oktober terdapat 128% pada bulan November terdapat 129% dari bulan ke bulan hingga
periode terakhir yaitu pada September 2023 uang giral yang beredar naik secara signifikan.

Kemudian, praktikan membuat plot data dari hasil prediksi selama 12 periode sebagai
berikut
 Gambar 10 Plot Prediksi 12 Periode
Pada gambar diatas, garis hitam menunjukkan data aktual dan garis biru menunjukkan
prediksi selama 12 periode kedepan.