Laporan Praktikum Analisis Deret Waktu I

TUGAS ADW

disusun untuk memenuhi

tugas matakuliah Analisis Deret Waktu I

Oleh:

AIDIL FITRA
1708108010017

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SYIAH KUALA
DARUSSALAM, BANDA ACEH
2019
Data yang digunakan merupakan data Kasus positif penderita COVID-19 di Negara Austria,
dimana data yang diperoleh merupakan data harian, dimulai dari 5 Maret 2020 s/d 4 April 2020.
Data yang digunakan sebagai berikut :

Tabel 1. Data yang digunakan

Daily New
Tanggal Cases
05-Mar 14
06-Mar 23
07-Mar 15
08-Mar 23
09-Mar 27
10-Mar 51
11-Mar 64
12-Mar 115
13-Mar 143
14-Mar 151
15-Mar 205
16-Mar 158
17-Mar 314
18-Mar 314
19-Mar 533
20-Mar 470
21-Mar 343
22-Mar 590
23-Mar 892
24-Mar 809
25-Mar 305
26-Mar 1321
27-Mar 788
28-Mar 574
29-Mar 517
30-Mar 830
31-Mar 562
01-Apr 531
02-Apr 418
03-Apr 395
04-Apr 257
Analisis Deskriptif
1) Grafik kasus Positif pada tanggal 5 Maret 2020 s/d 04 April 2020

Gambar 1. Diagram batang kasus Covid-19 harian

Grafik diatas menunjukkan bahwa jumlah kasus positif setiap harinya dapat dilihat
bahwa ada yang mengalami peningkatan da nada pula yang mengalami penurunan.
Peningkatan dan penurunan ada yang siginifikan namun ada pula secara eksponensial

Plot

Gambar 2. Plot Data

Grafik diatas menunjukkan bahwa data jumlah kasus positif di Austria pada
tanggal 05 Maret 2020 s/d 04 April 2020 tidak stationer. Dikarenakan nilai mean dan
varians tidak menyebar pada sumbu horizontal sepanjang sumbu waktu dan juga lebar
 pita pada setiap data nilainya jauh dan pada plot terlihat adanya trend atau musiman data
yang meningkat.

Plot ACF dan PACF

Gambar 3. Plot ACF dan PACF dari Data

Berdasarkan output plot ACF dan PACF di atas, dapat dilihat bahwa plot ACF
dan PACF dari data jumlah kasus positif di Austria pada tanggal 05 Maret 2020 s/d
04 April 2020 dengan jumlah kasus terdapat garis lag yang berada di atas garis
barlett, sehingga data tersebut tidak stasioner.

Uji Stationer Terhadap Mean

1) Hipotesis
H0: Data tidak stasioner
Ha: Data stasioner
2) Taraf Nyata (α = 0,05)
3) Daerah Penolakan
Tolak H0 jika Pvalue < α
4) Statistik Uji
5) Keputusan
Karena Pvalue > α (0,99 > 0,05), maka keputusannya adalah Tidak dapat menolak H0.
6) Kesimpulan
Karena keputusan tidak dapat menolak H0, maka dapat disimpulkan bahwa data tidak
stationer.
Karena data jumlah kasus positif COVID 19 di Austria pada tanggal 05 maret 2020 s/d
04 April 2020 tidak stationer terhadap mean maka perlu dilakukan differencing.

 Differences 1
1) Hipotesis
H0 : Data tidak stationer
H1 : Data stationer
2) Taraf nyata (α = 0,05)
3) Kriteria penolakan
Tolak H0 jika Pvalue < α
4) Statistik uji

5) Keputusan
Karena Pvalue > α (0,3015 > 0,05) dapat diputuskan Tidak dapat menolak H0.
6) Kesimpulan
Berdasarkan keputusan di atas maka dapat disimpulkan bahwa data tidak stationer.
Karena setelah dilakukan differencing 1 data belum stationer, maka perlu dilakukan
differencing 2.

 Differencing 2
1) Hipotesis
H0 : Data tidak stationer
H1 : Data stationer
2) Taraf nyata (α = 0,05)
3) Kriteria penolakan
Tolak H0 jika Pvalue < α
 4) Statistik uji

5) Keputusan
Karena Pvalue < α (0,01 < 0,05) dapat diputuskan Tolak H0.
6) Kesimpulan
Berdasarkan keputusan di atas maka dapat disimpulkan bahwa data stationer.

Melihat Kestationeran data Terhadap Varians

Output diatas menunjukkan bahwa data jumlah kasus positif COVID-19 di Austria sudah
stationer terhadap varian. Hal ini dapat dilihat dari nilai lamda 1,208734 setelah
dilakukannya dua kali transformasi

Menentukan Model

Gambar 4. Plot ACF dan PACF dari differencing 2

 Berdasarkan output di atas dapat dilihat bahwa pada plot ACF menurun secara cut off
setelah lag q . Sedangkan pada plot PACF menurun secara tails off oleh karena itu, model
yang akan digunakan adalah model MA(q).

Membuat Model
 Tabel 2. Nilai Kriteria pemilihan model terbaik

Model Order AIC MAPE MAE MPE RMSE MASE

1 0,2,1 -96.955 12.6479 0.030822 -5.593899 0.040005 0.930087
2 0,2,2 -103.742 10.2729 0.025643 -3.919301 0.033697 0.773808
3 0,2,3 -101.967 10.2731 0.025788 -3.99299 0.033341 0.778162
4 0,2,4 -100.333 10.1470 0.025326 -3.924473 0.032965 0.764244
5 0,2,5 -99.402 9.213 0.022725 -3.863857 0.030536 0.685751

Interpretasi:
Untuk mendapatkan model terbaik, maka dilakukan beberapa kali percobaan dengan
mengganti nilai q pada model. Berdasarkan output di atas, dapat dilihat nilai AIC, RMSE,
MAE, MPE, MASE dan MAPE dari masing-masing model yang telah dicoba. Model terbaik
yang diperoleh adalah model 5, karena berdasarkan 6 kriteria yang digunakan (AIC, MAPE,
MAE, MPE, RMSE dan MASE), model 5 memiliki 4 dari 6 kriteria dengan nilai yang diperoleh
paling kecil. Namun, perlu diperhatikan dan diuji pendugaan parameter untuk semua model,
dimana setiap parameter di dalam model tersebut haruslah signifikan sehingga dapat dikatakan
sebagai model terbaik meskipun nilai AIC nya bukanlah yang paling terkecil.
 Uji Signifikansi Parameter

Interpretasi :
Berdasarkan keputusan diatas maka dapat disimpulkan bahwa model 5 adalah model yang
memiliki nilai signifikan lebih banyak dibandingkan dengan model yang lain.

Pemeriksaan diagnostik menggunakan White Noise

1) Hipotesis
H0: Residual memenuhi syarat White Noise (residual bersifat acak)
Ha: Residual tidak memenuhi syarat White Noise (residual tidak bersifat acak)
2) Taraf Nyata (α = 0,05)
 3) Daerah Penolakan
Tolak H0 jika Pvalue < α
4) Statistik Uji

5) Keputusan
Tidak dapat menolak H0 karena nilai P-value > α (0,4533 > 0,05)
6) Kesimpulan
Berdasarkan keputusan diatas maka dapat disimpulkan bahwa residual memenuhi syarat
White Noise

Peramalan
Dikarenakan semua asumsi telah terpenuhi, maka dapat dilakukan peramalan data jumlah
kasus positif COVID-19 di Austria pada 5 Maret 2020 s/d 4 April 2020 untuk periode ke depan
menggunakan model 5 diperoleh peramalan sebagai berikut:

Berdasarkan output diatas dapat dilihat bahwa prediksi jumlah kasus positif di Austria
selama 6 hari kedepan pada April 2020. Hasil ramalan dapat dilihat pada tabel dibawah :
Tabel 3. Data hasil ramalan dan alktual
Tanggal Jumlah Kasus Ramalan Jumlah Kasus Aktual
5 April 2020 250 Orang 270 Orang
6 April 2020 202 Orang 246 Orang
7 April 2020 175 Orang 342 Orang
8 April 2020 137 Orang 303 Orang
9 April 2020 115 Orang 302 Orang
10 April 2020 98 Orang 316 Orang