Tugas Analisis Deret Waktu I

PERAMALAN KASUS COVID-19

Studi Kasus Italia

disusun untuk memenuhi

tugas mata kuliah Analisis Deret Waktu I

oleh :

NADIA ULFA
1708108010002

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SYIAH KUALA
DARUSSALAM,BANDA ACEH
2020
1. Deskripsi Data
Data yang digunakan adalah data COVID-19 dari tanggal 10 Maret 2020 hingga 9
April 2020 di Negara Italia

Tabel 1 Data yang digunakan

Hari ke- Kasus Harian Covid Hari ke- Kasus Harian Covid
1 977 17 6203
2 2313 18 5909
3 2651 19 5974
4 2547 20 5217
5 3497 21 4050
6 3590 22 4053
7 3233 23 4782
8 3526 24 4668
9 4207 25 4585
10 5322 26 4805
11 5986 27 4316
12 6557 28 3599
13 5560 29 3039
14 4789 30 3836
15 5249 31 4204
16 5210
Sumber data : https://www.worldometers.info/coronavirus/country/italy/

2. Grafik Kasus Harian Corona di Italia ( 10 Maret – 9 April 2020 )

Gambar 1. Grafik harian kasus Corona

3. Summary Data

Minimum Maximum Mean Median Quartile 1 Quartile 3

977 6557 4337 4316 3558 5233

Berdasarkan output summary diatas dapat dilihat bahwa rata-rata kasus harian corona
dari tanggal 10 Maret 2020 hingga 9 April 2020 adalah 4337 kasus dengan kasus
tertinggi 6557 kasus dan kasus terendah adalah 977 kasus

4. Plot Sebaran Data

Gambar 2. Plot data

Berdasarkan plot diatas dapat dilihat bahwa data kasus harian corona tanggal 10
Maret hingga 9 April 2020 di Italia tidak stasioner diilihat dari data yang tidak
berfluktuasi dan menyebar di sekitar mean dan tidak adanya trend naik maupuun
trend turun pada data.

5. Plot ACF dan PACF

Plot ACF dan PACF juga dapat digunakan untuk melihat kestasioneran data,
berdasarkan plot ACF dan PACF dibawah ini juga dapat dilihat bahwa data tidak
stasioner dilihat dari masih adanya datayang berada diluar garis barlet.
 Gambar 3. Plot ACF dan PACF data Awal

6. Uji kestasioneran suatu data dari varians

Sintaks Nilai Lambda

BoxCox.Lambda(Kasus.Harian.Covid) 0,5084992
Gambar 4. Nilai lambda berdasarkan rumus Boxcox

Berdasarkan output diatas dapat dilihat bahwa nilai lambda 0,5084992 hal ini
menunjukkan bahwa data tidak stasioner mengacu pada persyaratan suatu data
dikatakan stasioner apabila nilai lambda 1 sehingga perlu dilakukannya transformasi
data.

Sintaks Nilai Lambda

datatransformasi = sqrt (Kasus Harian Corona)
1,039238
Boxcox.Lambda(datatransformasi)
Gambar 5. Nilai lambda setelah transformasi data

Berdasarkan output diatas dapat dilihat setelah dilakukan transformasi terhadap

data nilai lambda menjadi 1,039238 yang berarti bahwa data kasus harian corona
tanggal 10 Maret hingga 9 April 2020 di Italia sudah stasioner.
7. Uji kestasioneran data terhadap Mean
Hipotesis
H0 = Data tidak stationer
Ha = Data stationer

Taraf Nyata
α = 0,05

Kriteria Penolakan
Tolak H0 jika, P-value < α

Statistik Uji
P value = 0,4597

Keputusan
Dikarenakan nilai p value < α (0.4597 > 0.05), maka keputusnnya adalah tidak
dapat menolak H0.

Kesimpulan
Berdasarkan keputusan tidak dapat menolak H0 ., maka dapat disimpulkan
bahwa data diatas tidak stationer.

Dikarenakan data diatas tidak stasioner maka perlu dilakukan differencing atau uji
dickey

8. Uji Dickey – Fuller untuk differencing data X

Hipotesis
H0 = Data tidak stationer
Ha = Data stationer

Taraf Nyata
α = 0,05

Kriteria Penolakan
Tolak H0 jika, P-value < α

Statistik Uji
P value = 0,01
 Keputusan
Dikarenakan nilai p value < α (0.01 < 0.05), maka keputusnnya adalah tolak
H0.

Kesimpulan
Berdasarkan keputusan tolak H0., maka dapat disimpulkan bahwa data diatas
sudah stationer.

9. Menentukan Model

Gambar 6. Plot ACF dan PACF setelah data stasioner

Berdasarkan plot ACF dan PACF diatas dapat dilihat bahwa nilai lag pada plot ACF
menurun secara eksponensial sedangkan pada plot PACF pola garis menurun secara
drastis atau cut off setelah log p sehingga dapat kita simpulkan bahwa model untuk
data kasus harian corona tanggal 10 Maret hingga 9 April 2020 adalah model AR(p).
10. Membuat model

Tabel 2 Penentuan model terbaik dari nilai AIC

Model Order AIC
1 0,1,1 187,9362
2 0,1,2 189,2551
3 1,1,0 189,1290
4 1,1,1 188,6561
5 2,1,1 190,3635

Dalam menentukan model terbaik dilakukan beberapa kali percobaan terhadap nilai p
pada model. Berdasarkan output diatas maka didapatkan model terbaik adalah model
1 dilihat dari nilai AIC terkecil pada model 1 yaitu 187,9362 dengan nilai p = 0, d =
1, dan q = 1 sehingga dapat disimpulkan bahwa model 1 adalah model yang lebih
baik dari pada model lainnya.

11. Uji Signifikansi Parameter

Hipotesis
H0 = Parameter tidak signifikan dalam model
Ha = Parameter signifikan dalam model

Taraf Nyata
α = 0,05

Kriteria Penolakan
Tolak H0 jika, P-value < α

Statistik Uji
Nilai P value 0,03423

Keputusan
Dari 5 model model yang signifikan adalah model ke-1 dikarenakan nilai p
value < α , maka keputusnnya adalah tolak H0.

Kesimpulan
Berdasarkan keputusan tolak H0., maka dapat disimpulkan bahwa Parameter
signifikan dalam model

Dikarenakan model 1 adalah model yang signifikan maka selanjutnya akan dilakukan
pemeriksaan diagnostik menggunakan model 1
12. Pemeriksaan Diagnostik menggunakan White Noise

Hipotesis
H0 = Residual memenuhi syarat White Noise
Ha = Residual tidak memenuhi syarat White Noise

Taraf Nyata
α = 0,05

Kriteria Penolakan
Tolak H0 jika, P-value < α

Statistik Uji
P value = 0.299
Keputusan
Dikarenakan nilai p value > α (0.299 > 0.05), maka keputusnnya adalah tidak
dapat menolak H0.

Kesimpulan
Berdasarkan keputusan tidak dapat menolak H0 ., maka dapat disimpulkan
bahwa Residual memenuhi syarat White Noise.

13. Peramalan

Tabel 3 Peramalan data kasus harian Covid menggunakan model 1

Time Series Nilai Ramalan Frequensi

64,443388
64,443388
Start = Hari ke 32 ( 10 April 2020)
64,44338 1
End = Hari ke 36 ( 14 April 2020)
64,443388
64,443388

Dikarenakan dilakukannya transformasi untuk mendapatkan data yang stasioner

terhadap varians maka data ramalan perlu ditransformasi kembali kebentuk awal
 Tabel 4 Peramalan Akhir data kasus harian Covid menggunakan model 1 setelah
ditransformasi ulang

Time Series Nilai Ramalan Frequensi

4152,949

Start = Hari ke 32 ( 10 April 2020) 4152,949

4152,949 1
End = Hari ke 36 ( 14 April 2020)
4152,949
4152,949

Hasil peramalan untuk 5 hari kedepan yaitu tanggal 10 April 2020 hingga 14 April
2020 di Negara Italia menggunakan model IMA ( 1,1) atau ARIMA (0,1,1) adalah
sebagai berikut :

Tabel 5 Hasil Peramalan Akhir

Peramalan Kasus
Tanggal
Harian
10 April 2020 4152,949
11 April 2020 4152,949
12 April 2020 4152,949
13 April 2020 4152,949
14 April 2020 4152,949

14. Perbandingan Data Ramalan dengan data Aktual

Tanggal Data Aktual Data Ramalan

10-Apr-20 3951 4152.949

11-Apr-20 4694 4152.949
12-Apr-20 4092 4152.949
13-Apr-20 3153 4152.949
14-Apr-20 2972 4152.949
Grafik Perbandingan

Gambar 7 Grafik perbandingan data aktual dan data ramalan Covid ( selama 5 hari )