Tugas Analisis Deret Waktu I

PENERAPAN MODEL ARIMA PADA PERAMALAN

TOTAL KASUS COVID-19 DI FILIPINA

Disusun untuk memenuhi

tugas mata kuliah Analisis Deret Waktu I

Oleh:

ALIYA FATHINAH
1708108010045

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SYIAH KUALA
DARUSSALAM, BANDA ACEH
2020
1. Deskripsi Data
Data yang digunakan adalah data total kasus Covid-19 di negara Filipina yang bersumber
dari situs www.worldometers.info/coronavirus/. Data tersebut berupa total kasus positif
Covid-19 di negara Filipina setiap harinya mulai tanggal 10 Maret hingga 9 April 2020.
Berikut data total kasus Covid-19 di Filipina.
Tabel 1. Data Total Kasus Covid-19 di Filipina.
Waktu Total Kasus
10 Maret 33
11 Maret 49
12 Maret 52
13 Maret 64
14 Maret 111
15 Maret 140
16 Maret 142
17 Maret 187
18 Maret 202
19 Maret 217
20 Maret 230
21 Maret 307
22 Maret 380
23 Maret 462
24 Maret 552
25 Maret 636
26 Maret 707
27 Maret 803
28 Maret 1075
29 Maret 1418
30 Maret 1546
31 Maret 2084
1 April 2311
2 April 2633
3 April 3018
4 April 3094
5 April 3246
6 April 3660
7 April 3764
8 April 3870
9 April 4076
 Total Kasus Covid-19 di Filipina
4500
4000
3500
3000
2500
2000
1500
1000
500
0

Total Kasus

Gambar 1. Grafik Total Kasus Covid-19 di Filipina.

Berdasarkan grafik diatas dapat dilihat bahwa total kasus positif Covid-19 di Filipina setiap
harinya mengalami peningkatan. Total kasus pada tanggal 10 Maret 2020 berjumlah 33 kasus
dan berjumlah 4076 kasus di tanggal 9 April 2020.

2. Plot ACF dan PACF Awal

Gambar 2. Grafik ACF dan PACF sebelum pengujian stasioner data.

 Interpretasi:
Berdasarkan output di atas dapat dilihat bahwa plot ACF dan PACF menurun secara
perlahan (tails off) sehingga dapat diduga bahwa model yang cocok untuk data ini
adalah model ARMA. Selanjutnya pada kedua plot tersebut dapat dilihat pula bahwa
terdapat beberapa lag yang panjangnya melewati garis Bartlett. Hal tersebut
menyebabkan munculnya pendugaan bahwa data yang digunakan tidak stasioner.

3. Uji Stasioner terhadap Varian

Interpretasi :
Berdasarkan output diatas dapat diketahui bahwa data tidak stasioner terhadap varian.
Hal tersebut dapat dilihat dari nilai lambda yang tidak mendekati 1, yaitu sebesar
0,4286284. Oleh karena data tidak stasioner terhadap varian, maka perlu dilakukan
transformasi data. Dikarenakan nilai lambda yang diperoleh mendekati 0,5 sehingga
transformasi yang dapat dicoba adalah transformasi akar.

λ 0,4286284
λ setelah transformasi akar 0,8653123

Interpretasi :
Berdasarkan output diatas dapat diketahui bahwa data yang telah ditransformasi
merupakan data yang stasioner terhadap varian. Hal ini dapat dilihat dari nilai lambda
yang telah mendekati 1, yaitu sebesar 0,8653123.

4. Uji Stasioner terhadap Mean

1) Hipotesis:
H0 : Data tidak stasioner
H1: Data stasioner
2) Taraf nyata:
α = 0,05
3) Daerah penolakan:
Tolak H0 jika P-value < α
 4) Statistik uji:

5) Keputusan:
Karena P-value (0,5058) > α (0,05) maka tidak dapat menolak H0
6) Kesimpulan:
Karena tidak dapat menolak H0, mata data tidak stasioner terhadap mean.

Dikarenakan data tidak stasioner terhadap mean, maka dilakukan differencing.

Banyaknya Differencing P value

Differencing satu kali 0,9052
Differencing dua kali 0,3264
Differencing tiga kali 0,02645
Setelah dilakukan differencing sebanyak 3 kali diperoleh p-value sebesar 0,02645.
Nilai P-value (0,02645) < α (0,05) maka tolak H0. Sehingga dapat disimpulkan data
telah stasioner terhadap mean.

5. Plot ACF dan PACF Setelah Data Stasioner

Gambar 3. Grafik ACF dan PACF setelah data stasioner.

 Interpretasi :
Berdasarkan output di atas dapat dilihat bahwa plot ACF plot PACF bergerak secara
perlahan (tails off) sehingga dapat diduga bahwa model yang cocok untuk data ini
adalah model ARMA. Dikarenakan sebelumnya mengalami differencing sebanyak
tiga kali, maka model untuk data kasus harian Covid-19 di Filipina adalah ARIMA
dengan nilai d sebesar 3.

6. Penentuan Order Model

Untuk mendapatkan model terbaik, maka dilakukan beberapa kali percobaan dengan
mengganti nilai p dan q pada model.

Tabel 2. Penentuan Order Model

Model Order AIC RMSE MAE MAPE
1 1,3,1 114,74 1,481607 1,138861 4,382477
2 1,3,2 112,53 1,378137 1,059391 4,072467
3 1,3,3 113,72 1,333192 1,031074 3,981913
4 2,3,1 109,11 1,298345 1,004891 3,857256
5 2,3,2 111,01 1,292821 0,998062 3,82614
6 2,3,3 112,59 1,268492 0,9702443 3,731769

Untuk mendapatkan model terbaik, maka dilakukan beberapa kali percobaan dengan
mengganti nilai p dan q pada model. Berdasarkan output di atas, dapat dilihat nilai AIC,
RMSE, MAE, dan MAPE dari masing-masing model yang telah dicoba. Model terbaik
yang diperoleh adalah model 4 karena memiliki nilai AIC paling kecil dibandingkan
model-model lainnya.

7. Uji Signifikansi Parameter

1) Hipotesis:
H0 : = 0 (Parameter tidak signifikan dalam model)
H1: ≠ 0 (Parameter signifikan dalam model)
2) Taraf nyata:
α = 0,05
3) Daerah penolakan:
Tolak H0 jika P-value < α
 4) Statistik uji:
Model Order AR1 AR2 MA1 MA2 MA3
-16
1 1,3,1 0,002141 < 2,2x10
2 1,3,2 0,3684 3,153x10-11 0,0118
3 1,3,3 0,8568306 0,0002141 0,0969587 0,2539691
4 2,3,1 7,405 x10-6 0,002869 6,775x10-7
5 2,3,2 0.002397 0.004155 0.014378 0.751478
6 2,3,3 0.030652 0.005851 0.154501 0.771970 0.551358
5) Keputusan:
Karena semua P-value < α (0,05) pada model 1 dan model 4, maka tolak H0.
6) Kesimpulan:
Karena tolak H0, maka parameter signifikan pada model 1 dan model 4.

8. Pemeriksaan diagnostik menggunakan White Noise

1) Hipotesis:
H0 : Residual memenuhi syarat White Noise.
H1: Residual tidak memenuhi syarat White Noise.
2) Taraf nyata:
α = 0,05
3) Daerah penolakan:
Tolak H0 jika P-value < α
4) Statistik uji:
Model X-Squared P-value
Model 1 2,3377 0,1263
Model 4 0,0013399 0,9708

5) Keputusan:
Karena pada model 1, P-value (0,1263) > α (0,05) maka tidak dapat menolak H0.
Karena pada model 2, P-value (0,9708) > α (0,05) maka tidak dapat menolak H0.
6) Kesimpulan:
Residual pada model 1 dan 4 memenuhi syarat White Noise.

Model 1 dan model 4 memiliki parameter yang signifikan terhadap model serta
keduanya juga memenuhi syarat White Noise. Untuk memutuskan model yang
akan digunakan dalam peramalan, maka dilihat kembali nilai AIC, RMSE, MAE,
 dan MAPE. Model 4 memiliki nilai AIC, RMSE, MAE, dan MAPE dibandingkan
dengan model 1. Sehingga diputuskan model 4 digunakan dalam meramalkan total
kasus Covid-19 di Filipina.

9. Peramalan
Hasil peramalan tanggal menggunakan model ARIMA(2,3,1) adalah sebagai berikut.

Tabel 3. Hasil Peramalan Total Kasus Covid-19 di Filipina

Waktu Total Kasus Covid-19
10-Apr 4185
11-Apr 4302
12-Apr 4443
13-Apr 4541
14-Apr 4640
15-Apr 4738
16-Apr 4814

Grafik Perbandingan Data Aktual dan Data Ramalan Total

Kasus Covid-19 di Filipina
6000

5000
Total Kasus

4000

3000

2000

1000

0
10-Apr 11-Apr 12-Apr 13-Apr 14-Apr 15-Apr 16-Apr
10-Apr 11-Apr 12-Apr 13-Apr 14-Apr 15-Apr 16-Apr
Data Aktual 4195 4428 4648 4932 5223 5453 5660
Data Ramalan 4185 4302 4443 4541 4640 4738 4814

Data Aktual Data Ramalan

Gambar 3. Grafik perbandingan data aktual dan data ramalan total kasus Covid-19 di
Filipina.