Kapita Selekta

TUGAS KAPITA SELEKTA
PERAMALAN JUMLAH PRODUKSI PADI DI INDONESIA
NAMA : EGA WAHYU PERTIWI

NIM : 212409002
1. Variabel : Jumlah produksi padi di Indonesia dalam satuan Ton

2. Sumber Data : https://ourworldindata.org/. (Data UN Food and Agriculture Organization
(FAO)
3. Analisis peramalan menggunakan metode Box-Jenkins :
a. Identifikasi pola stasioner
Gambar 1. Time Series Plot
Time Series Plot of C1

90
80
70
60
50
C1
40
30
20
10
1 6 12 18 24 30 36 42 48 54
Index
Gambar 1 menunjukkan titik titik bergerak naik membentuk tren, maka dapat dikatakan pola data
tidak stasioner dalam mean dan varians. Dilakukan differencing pertama sebagai berikut :
Gambar 2. Time Series Plot Setelah Satu Kali Differencing
Time Series Plot of C2

5
2
C2
-1
-2
1 6 12 18 24 30 36 42 48 54
Index
Gambar 2 menunjukkan titik titik bergerak di sekitar rata – rata, maka dapat dikatakan pola data telah
stasioner dalam mean ataupun varians.
b. Menentukan plot ACF dan PACF
Gambar 3. Plot ACF
Autocorrelation Function for C2

(with 5% significance limits for the autocorrelations)
1,0
0,8
0,6
0,4
Autocorrelation 0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Lag
Gambar 4. Plot PACF
Partial Autocorrelation Function for C2

(with 5% significance limits for the partial autocorrelations)
1,0
0,8
0,6
Partial Autocorrelation
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Lag
Gambar 3 dan Gambar 4 menunjukkan bahwa plot ACF terdapat cut off pada lag ke-3 dan pada plot
PACF terdapat cut off pada lag ke-3. Maka model yang dapat terbentuk adalah :
• ARIMA (3,1,3)
• ARIMA (0,1,3)
• ARIMA (3,1,0)
4. Pengujian Asumsi White Noise dan Distribusi Normal

Pengujian asumsi dilakukan pada masing masing model yang terbentuk untuk mencari model
yang terbaik dari ketiganya.
a. Model ARIMA (3,1,3)
Hipotesis :
H0 : Model telah memenuhi asumsi white noise
H1 : Model belum memenuhi asumsi white noise
Daerah signifikan : α : 0,05
Daerah penolakan : Tolak H0 apabila nilai p-value lebih kecil dari nilai α (0,05).
Statistik Uji :
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 3,5 12,0 22,9 41,2
DF 6 18 30 42
P-Value 0,741 0,849 0,821 0,506
Nilai p-value berikut lebih dari nilai α, maka dapat diputuskan untuk gagal tolak H0. Maka dapat
disimpulkan bahwa model telah memenuhi asumsi white noise.
Gambar 5. Plot Distribusi Normal Model ARIMA (3,1,3)
Normal Probability Plot

(response is C2)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-4 -3 -2 -1 0 1 2 3 4
Residual
Gambar 5 menunjukkan bahwa titik titik plot berada di sekitar garis normal. Maka dapat
disimpulkan bahwa model ARIMA (3,1,3) telah memenuhi asumsi distribusi normal.
b. Model ARIMA (0,1,3)

Hipotesis :
Statistik Uji :
Modified
c. Box-Pierce (Ljung-Box) Chi-Square statistic
Lag d. 12 24 36 48
Chi-Square 6,0 15,1 25,1 36,9
DF e. 9 21 33 45
P-Value 0,736 0,817 0,835 0,800
f.
Nilai p-value berikut lebih dari nilai α, maka dapat diputuskan untuk gagal tolak H0. Maka
dapat disimpulkan bahwa model telah memenuhi asumsi white noise.

(response is C2)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-4 -3 -2 -1 0 1 2 3 4
Residual
Gambar 6 menunjukkan bahwa titik titik plot berada di sekitar garis normal. Maka dapat disimpulkan
bahwa model ARIMA (0,1,3) telah memenuhi asumsi distribusi normal.
c. Model ARIMA (3,1,0)

Hipotesis :
Statistik Uji :
Modified
a. Box-Pierce (Ljung-Box) Chi-Square statistic
Lag b. 12 24 36 48
Chi-Square 5,6 13,4 25,4 41,0
DF c. 9 21 33 45
P-Value 0,780 0,896 0,827 0,641
d.
Nilai p-value berikut lebih dari nilai α, maka dapat diputuskan untuk gagal tolak H0. Maka
dapat disimpulkan bahwa model telah memenuhi asumsi white noise.

(response is C2)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-4 -3 -2 -1 0 1 2 3 4
Residual
Gambar 6 menunjukkan bahwa titik titik plot berada di sekitar garis normal. Maka dapat disimpulkan
bahwa model ARIMA (3,0,1) telah memenuhi asumsi distribusi normal.
5. Menentukan Model Terbaik

Ketiga model yaitu ARIMA (3,1,3), ARIMA (0,1,3), ARIMA (3,1,0) memenuhi asumsi white noise
dan distribusi normal, maka untuk dapat menentukan mana model terbaik, dapat dilakukan
perbandingan pada nilai MS (Mean Square) pada ketiga model tersebut.
• Model ARIMA (3,1,3)

Differencing: 1 regular difference
Number of observations: Original series 57, after differencing 56
Residuals: SS = 115,245 (backforecasts excluded)
MS = 2,305 DF = 50

MS = 2,298 DF = 53

MS = 2,284 DF = 53
Untuk menentukan model terbaik, dapat dilihat pada nilai MS (Mean Square) terkecil. Diantara ketiga
model ARIMA, pada model ARIMA (3,1,0) memiliki nilai MS paling kecil. Maka model terbaik
yang dapat dipilih adalah ARIMA (3,1,0).
6. Persamaan Model ARIMA (3,1,0)

ARIMA (3,1,0) → p,d,q (3,1,0)
(1 − ∅1 𝐵 − ∅2 𝐵2 − ∅3 𝐵3 )(1 − 𝐵)𝑍𝑡 = (1 − 𝜃1 𝐵 − 𝜃2 𝐵2 − 𝜃3 𝐵3 )𝛼𝑡
(1 − ∅1 𝐵 − ∅2 𝐵2 − ∅3 𝐵3 )(𝑍𝑡 − 𝑍𝑡−1 ) = (1)𝛼𝑡
𝑍𝑡 − ∅1 𝑍𝑡−1 − ∅2 𝑍𝑡−2 − ∅3 𝑍𝑡−3 − 𝑍𝑡−1 + ∅1 𝑍𝑡−2 + ∅2 𝑍𝑡−3 + ∅3 𝑍𝑡−4 = 𝛼𝑡

𝑍𝑡 = ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + ∅3 𝑍𝑡−3 + 𝑍𝑡−1 − ∅1 𝑍𝑡−2 − ∅2 𝑍𝑡−3 − ∅3 𝑍𝑡−4 + 𝛼𝑡
𝑍𝑡 = −0,8402𝑍𝑡−1 − 0,8250𝑍𝑡−2 − 0,2799𝑍𝑡−3 + 𝑍𝑡−1 + 0,8402𝑍𝑡−2 + 0,8250𝑍𝑡−3 + 0,2799𝑍𝑡−4
DATA
Rice Production
Entity Code Year (1.000.000 tonnes)
Indonesia IDN 1961 12,08

Kapita Selekta

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kapita Selekta

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS KAPITA SELEKTA

PERAMALAN JUMLAH PRODUKSI PADI DI INDONESIA

NAMA : EGA WAHYU PERTIWI

1. Variabel : Jumlah produksi padi di Indonesia dalam satuan Ton

Time Series Plot of C1

Time Series Plot of C2

Autocorrelation Function for C2

Gambar 4. Plot PACF

Partial Autocorrelation Function for C2

4. Pengujian Asumsi White Noise dan Distribusi Normal

Normal Probability Plot

b. Model ARIMA (0,1,3)

Normal Probability Plot

c. Model ARIMA (3,1,0)

Normal Probability Plot

5. Menentukan Model Terbaik

• Model ARIMA (3,1,3)

• Model ARIMA (0,1,3)

• Model ARIMA (3,1,0)

6. Persamaan Model ARIMA (3,1,0)

𝑍𝑡 − ∅1 𝑍𝑡−1 − ∅2 𝑍𝑡−2 − ∅3 𝑍𝑡−3 − 𝑍𝑡−1 + ∅1 𝑍𝑡−2 + ∅2 𝑍𝑡−3 + ∅3 𝑍𝑡−4 = 𝛼𝑡

Anda mungkin juga menyukai