TUGAS ADW
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 :
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
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.
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.
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.
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
Membuat Model
Tabel 2. Nilai Kriteria pemilihan model terbaik
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.
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