Oleh:
NUR HAYATI
185090500111032
Asisten :
LABORATORIUM
MATEMATIKA PROGRAM
STUDI SARJANA MATEMATIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2020
BAB 1
METODOLOGI
2.1. Langkah-langkah
a. Buka Aplikasi R-Studio dengan cara klik dua kali
b. Untuk mebuat lembar kerja baru klik File -> New File -> R
Script. Atau bisa juga dengan menekan tombol Ctrl+Shift+N
secara bersamaan
#cek autokorelasi,
arahnya ke galat mendeskripsikan judul yaitu cek
sudah white noise autokorelasi
apa blm, jika acf
ada yg keluar maka
buang model iu
checkresiduals(m1) menampilkan plot residual dari
model m1
checkresiduals(m2) menampilkan plot residual dari
model m2
checkresiduals(m3) menampilkan plot residual dari
model m3
checkresiduals(m4)# menampilkan plot residual dari
dibuang model m4, dibuang karena ada lag
yang keluar dari batas
3.1. Data
Data yang digunakan untuk peramalan adalah data yang saya
ambil dari Gretl data 3-6, Disposable income and
Consumption, Ramanathan
Year Konsumsi
1959 7876
1960 7926
1961 7954
1962 8220
1963 8434
1964 8817
1965 9257
1966 9674
1967 9854
1968 10313
1969 10593
1970 10717
1971 10975
1972 11508
1973 11950
1974 11756
1975 11899
1976 12446
1977 12846
1978 13258
1979 13417
1980 13216
1981 13245
1982 13270
1983 13829
1984 14415
1985 14954
1986 15409
1987 15740
1988 16211
1989 16430
1990 16532
1991 16249
1992 16520
1993 16810
1994 17152
3.2. Interpretasi
Pada plot ACF dan PACF di atas dapat dilihat bahwa tidak
banyak lag yang keluar seperti sebelimnya, sehingga bisa
disimpulkan bahwa setelah dilakukan differencing 1x data sudah
stasioner terhadap rata-rata.
pada hasil ADF test terhadap kedua data tersebut didapati p-value
lebih dari alpha = 0.05 yang artinya data belum stasioner.
Forecast
Dari model terbaik didapatkan hasil forecasting sebagai berikut :
BAB IV
PENUTUP
4.1. Kesimpulan
Analisis peramalan menggunakan Software Rstudio,
dapat diketahui melalui laporan ini analisis peramalan
konsumsi 10 tahun kedepan akan meningkat seperti
tahun-tahun sebelumnya.
4.2. Saran
Harus teliti saat mengin[put syntax, lebih baik di Run
setiap baris agar tahu error dibagian awal-awal, karena
itu akan berpengaruh terhadap proses selanjutnya.
LAMPIRAN
> library(nortest)
> library(forecast)
> library(tseries)
> data=read.csv(file.choose(),header=TRUE,
sep=";")
> z=data$Konsumsi
> head(z)
[1] 7876 7926 7954 8220 8434 8817
> #type plot
> #d=titik, p
> plot(z, type="c")
>
> #mengecek stasioneritas ragam
> BoxCox.lambda(z) #kalau nilai nya 1 berarti
sudah stasioner ragam
[1] 0.8130052
> z1=BoxCox(z,0.8130052)
> plot(z1, type="b", col="blue")
> BoxCox.lambda(z1)
LAMPIRAN
[1] 1.000142
>
> #cek stasoneritas rata2 pakai ACF dan uji
normal
> layout(matrix(c(1,1,2,3),2,2, byrow=TRUE))
> plot(z1, type="l", col="blue")
>
> z2=diff(z1)
> plot(z2, type="l", col="blue")
> acf(z2) #sudah stasioner rata rata
> pacf(z2)
>
LAMPIRAN
> #p itu adalah pacf, q=acf, d=diff
> #menentukan model, karena pacf maka mulainya
dari 1, kalau acf mulainya dari nol, maka
> #p=1, d=1, q=1
data: z2
Dickey-Fuller = -3.4952, Lag order = 3, p-
value = 0.05995
alternative hypothesis: stationary
> adf.test(z1)
data: z1
Dickey-Fuller = -2.9253, Lag order = 3, p-
value = 0.2131
alternative hypothesis: stationary
>
> ##model Tentativ
> m1=Arima(z1, order=c(1,1,1)) #pakai z satu
karena diff nya udah di tulis satu
> m2=Arima(z1, order=c(0,1,1))
> m3=Arima(z1, order=c(1,1,0))
> m4=Arima(z1, order=c(0,1,0)) #0,1,0 itu
random walk
>
> #Cek normalitas Sisaan
> lillie.test(m1$residuals)$p.value #agar
normal maka harus terima h0
[1] 0.4613519
> lillie.test(m2$residuals)$p.value
[1] 0.502327
> lillie.test(m3$residuals)$p.value
LAMPIRAN
[1] 0.5287275
> lillie.test(m4$residuals)$p.value
[1] 0.1852677
>
> #cek autokorelasi, arahnya ke galat sudah
white noise apa blm, jika acf ada yg keluar
maka buang model iu
> checkresiduals(m1)
Ljung-Box test
> checkresiduals(m2)
Ljung-Box test
> checkresiduals(m3)
Ljung-Box test
Ljung-Box test
>
> #Penentuan model terbaik, cari yang paling
kecil,
> #prof heni :kalau misal keduanya tidak
berbeda signifikan maka pakai kedua duanya
> AIC(m1)
[1] 364.4758
> AIC(m2)
[1] 371.8553
> AIC(m3)
[1] 362.5175
>
> m3
Series: z1
ARIMA(1,1,0)
Coefficients: LAMPIRAN
ar1
0.7244
s.e. 0.1112
Coefficients:
ar1
0.7244
s.e. 0.1112