TugasAnalisisDeretWaktu I

PERAMALAN KASUS COVID-19

DI ROMANIA

disusununtukmemenuhi
tugasmatakuliahAnalisisDeretWaktu I

oleh :
RINA ARISKA
1708108010039

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SYIAH KUALA
DARUSSALAM, BANDA ACEH
2020
a. Deskripsi Data
Berikut merupakan data kasus Virus Corona setiap harinya yang ada di Negara
Romania .Data tersebut bersumber dari situs www.worldometers.info/coronavirus/.
Data yang digunakan untuk melakukan analisis deret waktu terhadap kasus tersebut dari
tanggal 10 Maret sampai 9 April Tahun 2020. Data tersebut ditambilkan pada table
sebagai berikut:
Tabel 1. Data KasusVirus Corona Setiap Harinya di Negara Romania
Daily new
No Tanggal cases
1 10Maret 29
2 11Maret 47
3 12Maret 59
4 13Maret 95
5 14Maret 123
6 15Maret 139
7 16Maret 168
8 17Maret 217
9 18Maret 260
10 19Maret 277
11 20Maret 308
12 21Maret 367
13 22Maret 433
14 23Maret 576
15 24Maret 794
16 25Maret 906
17 26Maret 1029
18 27Maret 1292
19 28Maret 1452
20 29Maret 1815
21 30Maret 2109
22 31Maret 2245
23 1-Apr 2460
24 2-Apr 2738
25 3-Apr 2738
26 4-Apr 3183
27 5-Apr 3613
28 6-Apr 3864
29 7-Apr 4057
30 8-Apr 4417
31 9-Apr 4761
 Sumber :https://www.worldometers.info/coronavirus/country/Romania/

a. Plot Sebaran Data

Hal pertama yang harus dilakukan adalah membuat plot sebaran data untuk
melihat penyebaran data dan untuk melihat kestasioneran data.

Interpretasi:
Berdasarkan output diatas dapat dilihat bahwa data kasus baru Virus Corona
setiap harinya di Romania memiliki kasus terbanyak sebesar 23060 pada tanggal 26
Maret dan kasus terrendah sebesar 372 pada tanggal 10 Maret. Dimana rata-rata data
tersebut sebesar 3,753 kasus baru Virus Corona di Romania dari tanggal 10 Maret
sampai 9 April.
Pada grafik dapat dilihat bahwa data kasus Virus Corona di Romania dari
tanggal 10 Maret sampai 9 April tidak stationer karena data tidak fluktuasi atau
tidak menyebar disekitar mean, panjang pada plot bagian atas dan bawah tidak sama
dan juga memiliki trend atau musiman. Agar lebih meyakinkan, dilakukan analisa
secara inferensia untuk melihat kestasioneran data.

b. Uji Stationer Terhadap Varian

Interpretasi :Didapat nilai lambda sebesar 0.2150067. Karena nilai lambda tidak sama
dengan 1, maka dilakukan transformasi data.
 Interpretasi :Didapatnilai lambda sebesar 0.4322806. Karena nilai lambda tidak
sama dengan 1, maka dilakukan transformasi data.

Interpretasi :Didapatnilai lambda sebesar 1.085884 ≈ 1. Karena nilai lambda

sudahsamadengan 1, maka data sudah stationer terhadapvarian.

c. Uji Stasioner Terhadap Mean

• Hipotesis
H0: Data tidak stasioner
Ha: Data stasioner
• TarafNyata
α = 0,05
• Daerah Penolakan
TolakH0 jikaPvalue<α

• StatistikUji

• Keputusan
Karena Pvalue> α (0,5106 > 0,05), maka keputusannya adalah Tidak dapat
menolak H0.
• Kesimpulan
 Berdasarkan keputusan diatas maka dapat disimpulkan bahwa data tidak
stasioner.

d. Differencing
Dikarenakan data tersebut tidak stasioner maka perlu dilakukan differencing sampai
data tersebut stasioner dan diuji kembali untuk melihat kestasioneritas terhadap
meannya. Diperoleh hasil sebagai berikut:

Setelah dilakukan differencing sebanyak 2 kali didapatkan nilai Pvalue<α yaitu

0,01< 0,05 maka dapat disimpulkan Tolak Ho yang artinya data tersebut telah stasioner
terhadap mean saat di differencing ke-2.

e. Menentukan Model
Mendeteksi model peramalandari data kasus Virus Corona di Romania melalui plot
ACF dan PACF sebagaiberikut:

Interpretasi:
Berdasarkan output plot ACF dan PACF pada gambar di atas dari data jumlah
kasus Covid-19 di Seden pada tanggal 10 Maret 2020 s/d 09 Maret 2020, dapat
dilihat bahwa garis lag yang berada diatas garis barlett, sehingga data tersebut tidak
stasioner.
f. Membuat Model

> #AR = ACF = Bentuk Exponensial (menurun), PACF = Terpotong

> #MA = ACF = Terpotong , PACF Bentuk Eksponensial (Menurun)
> #ARMA = ACF = Menurun, PACF = Menurun
>
> #Model
> #Order (p, d, q)
> model1 = arima(datatransformasi, order = c(1,1,0))
> model1

Call:
arima(x = datatransformasi, order = c(1, 1, 0))

Coefficients:
ar1
0.8169
s.e. 0.0984

sigma^2 estimated as 1.87: log likelihood = -52.51, aic = 109.01

> model2 = arima (datatransformasi, order = c(2,1,0))
> model2

Call:
arima(x = datatransformasi, order = c(2, 1, 0))

Coefficients:
ar1 ar2
0.5418 0.3353
s.e. 0.1668 0.1698

sigma^2 estimated as 1.646: log likelihood = -50.7, aic = 107.41

> model3 = arima(datatransformasi, order = c(3,1,0))
> model3

Call:
arima(x = datatransformasi, order = c(3, 1, 0))

Coefficients:
ar1 ar2 ar3
0.3763 0.0727 0.4843
s.e. 0.1552 0.1707 0.1547

sigma^2 estimated as 1.227: log likelihood = -46.68, aic = 101.36

> model4 = arima (datatransformasi, order = c(4,1,0))
> model4

Call:
arima(x = datatransformasi, order = c(4, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4
0.3497 0.0702 0.4655 0.0509
s.e. 0.1817 0.1702 0.1687 0.1804

sigma^2 estimated as 1.224: log likelihood = -46.64, aic = 103.28

> model5 = arima (datatransformasi, order = c(5,1,0))
> model5

Call:
arima(x = datatransformasi, order = c(5, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4 ar5
0.3443 0.0159 0.4560 0.0114 0.1159
s.e. 0.1810 0.1895 0.1688 0.1898 0.1812

sigma^2 estimated as 1.205: log likelihood = -46.44, aic = 104.88

> model6 = arima(datatransformasi, order = c(6,1,0))
Error in arima(datatransformasi, order = c(6, 1, 0)) :
non-stationary AR part from CSS
> model6

Call:
arima(x = datatransformasi, order = c(6, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4 ar5 ar6
-0.5465 -0.0748 -0.1326 0.2653 0.2501 0.0346
s.e. 0.1819 0.2007 0.1892 0.1864 0.1951 0.1839

sigma^2 estimated as 7.695: log likelihood = -73.63, aic = 161.26

> model7 = arima (datatransformasi, order = c(7,1,0))
Error in arima(datatransformasi, order = c(7, 1, 0)) :
non-stationary AR part from CSS
> model7

Call:
arima(x = datatransformasi, order = c(7, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4 ar5 ar6 ar7
-0.5509 -0.0910 -0.1610 0.2792 0.2575 0.0661 0.0734
s.e. 0.1815 0.2038 0.2008 0.1881 0.1949 0.1995 0.1839

sigma^2 estimated as 7.634: log likelihood = -73.55, aic = 163.1

> model8 = arima(datatransformasi, order = c(8,1,0))
Error in arima(datatransformasi, order = c(8, 1, 0)) :
non-stationary AR part from CSS
> model8

Call:
arima(x = datatransformasi, order = c(8, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4 ar5 ar6 ar7 ar8
-0.5587 -0.1025 -0.1828 0.2389 0.2801 0.0810 0.1182 0.1036
s.e. 0.1810 0.2042 0.2029 0.1980 0.1973 0.2006 0.1997 0.1849

sigma^2 estimated as 7.545: log likelihood = -73.39, aic = 164.79

> model9 = arima (datatransformasi, order = c(9,1,0))
Error in arima(datatransformasi, order = c(9, 1, 0)) :
non-stationary AR part from CSS
> model9

Call:
arima(x = datatransformasi, order = c(9, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4 ar5 ar6 ar7 ar8
ar9
-0.5684 -0.1201 -0.1937 0.2080 0.2394 0.1162 0.1382 0.1682
0.1198
s.e. 0.1802 0.2047 0.2013 0.2019 0.2066 0.2069 0.2007 0.2125
0.2011

sigma^2 estimated as 7.429: log likelihood = -73.22, aic = 166.44

> model10 = arima (datatransformasi, order = c(10,1,0))
Error in arima(datatransformasi, order = c(10, 1, 0)) :
non-stationary AR part from CSS
> model10

Call:
arima(x = datatransformasi, order = c(10, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4 ar5 ar6 ar7 ar8
ar9 ar10
-0.5773 -0.1292 -0.2049 0.1997 0.2275 0.1012 0.1593 0.1840
0.1570 0.0574
s.e. 0.1826 0.2072 0.2054 0.2034 0.2084 0.2133 0.2145 0.2192
0.2412 0.2090

sigma^2 estimated as 7.394: log likelihood = -73.18, aic = 168.36

>
>AIC(model1,model2,model3, model4,model5,model6,model7,model8,model9,model10)
df AIC
model1 2 109.0132
model2 3 107.4094
model3 4 101.3599
model4 5 103.2805
model5 6 104.8759
model6 7 161.2555
model7 8 163.0975
model8 9 164.7866
model9 10 166.4365
model10 11 168.3615
>
>
> summary(model1)

Call:
arima(x = datatransformasi, order = c(1, 1, 0))

Coefficients:
ar1
0.8169
s.e. 0.0984

sigma^2 estimated as 1.87: log likelihood = -52.51, aic = 109.01

Training set error measures:

ME RMSE MAE MPE MAPE MASE
ACF1
Training set 0.4227885 1.345202 1.017591 1.770816 3.863332 0.4798839 -
0.3997477
> summary(model2)

Call:
arima(x = datatransformasi, order = c(2, 1, 0))

Coefficients:
ar1 ar2
0.5418 0.3353
s.e. 0.1668 0.1698

sigma^2 estimated as 1.646: log likelihood = -50.7, aic = 107.41

Training set error measures:

ME RMSE MAE MPE MAPE MASE
ACF1
Training set 0.3203402 1.261942 1.006351 1.404935 3.689145 0.4745831 -
0.2329494
> summary(model3)

Call:
arima(x = datatransformasi, order = c(3, 1, 0))

Coefficients:
ar1 ar2 ar3
0.3763 0.0727 0.4843
s.e. 0.1552 0.1707 0.1547

sigma^2 estimated as 1.227: log likelihood = -46.68, aic = 101.36

Training set error measures:

ME RMSE MAE MPE MAPE MASE
ACF1
Training set 0.2232356 1.089685 0.8260508 1.096017 3.14265 0.3895557 -
0.07339123
> summary(model4)

Call:
arima(x = datatransformasi, order = c(4, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4
0.3497 0.0702 0.4655 0.0509
s.e. 0.1817 0.1702 0.1687 0.1804

sigma^2 estimated as 1.224: log likelihood = -46.64, aic = 103.28

Training set error measures:

 ME RMSE MAE MPE MAPE MASE
ACF1
Training set 0.2204937 1.088171 0.8101509 1.091834 3.101477 0.3820575 -
0.05353808
> summary(model5)

Call:
arima(x = datatransformasi, order = c(5, 1, 0))

Coefficients:
ar1 ar2 ar3 ar4 ar5
0.3443 0.0159 0.4560 0.0114 0.1159
s.e. 0.1810 0.1895 0.1688 0.1898 0.1812

sigma^2 estimated as 1.205: log likelihood = -46.44, aic = 104.88

Training set error measures:

ME RMSE MAE MPE MAPE MASE
ACF1
Training set 0.2180329 1.079711 0.8033801 1.080293 3.055684 0.3788645 -
0.09213229
> #tabel : model|order|AIC|RMSE|MAE|MAPE

Order AIC MAPE MAE MPE RMSE MASE

Model1 109.0132 Inf 1.017591 -Inf 1.345202 0.4798839

Model 2 107.4094 Inf 1.006351 -Inf 1.361942 0.4745831

Model 3 101.3599 Inf 0.8260508 -Inf 1.089685 0.3895557

Model 4 103.2805 Inf 0.8101509 -Inf 1.088171 0.3820575

Model 5 104.8759 Inf 0.8033801 -inf 1.079711 0.3788645

Interpretasi :Berdasarkan table diatas diduga bahwa model terbaik adalah model ke-5
(ARIMA (5,1,0)), dimana model ke-5 memilikinilaiterkecil pada 3 kriteria (MAE,
RMSE, MASE).
 Berdasarkan output diatas dapat disimpulkan bahwa model terbaik untuk
data ini adalah model ke-3 yaitu (3,1,0) karena parameter didalam model tersebut
signifikan dengan tingkat signifikan sebesar 0,05 dan memiliki nilai AIC terkecil
sebesar 101,3599. Namun, model ini tidak bisa langsung dipilih menjadi model
terbaik, karena harus diuji dahulu diagnostiknya dengan menggunakan white
noise.

g. Pemeriksaan diagnostik menggunakan White Noise

a. Hipotesis
H0: Residual memenuhi syarat White Noise (residual bersifat acak)
Ha: Residual tidak memenuhi syarat White Noise (residual tidak bersifat \
acak)

b. Taraf Nyata (α = 0,05)

c. Daerah Penolakan: Tolak H0 jika Pvalue < α

d. Statistik Uj
 e. Kesimpulan

Karena p-value model 3 lebih besar dari tingkat signifikansi, maka dapat dikatakan
bahwa residual memenuhi syarat wwhite noise. Setelah dilakukan uji signifikansi dan
uji diagnostic dengan menggunakan white house , model 3 memenuhi kedua syarat
tersebut. Maka keputusan untuk mendapatkan model terbaik kembali dengan melihat
nilai AIC, MAPE, MAE, MPE,RMSE dan MASE. Berdasarkan 6 kriteria tersebut
model 1 memenuhi kriteria yang ada dengan nilai yang terkecil. Maka model terbaik
yang dipilih adalah model 1untuk melakukan peramalan.

h. Peramalan

Peramalan data jumlah kasus Covid-19 baru setiap harinya di Romania pada 10
Maret 2020 s/d 09 April 2020 untuk periode ke depan menggunakan model
terbaik ARMA (3,1,0) diperoleh peramalan sebagai berikut:

Berdasarkan output diatas dapat dilihat bahwa prediksi jumlah kasus

Covid-19 baru di Romania selama 5 hari kedepan pada April 2020. Hasil ramalan
dapat dilihat pada tabel dibawah :