NIM : G1D016010
UNIVERSITAS MATARAM
Jawab:
a. Time series plot data diatas
95
90
C1
85
80
1 10 20 30 40 50 60 70 80 90 100
Index
Time series plot diatas menunjukkan sebuah interverensi pada waktu ke-t yait
ke-44.
b. Membagi data menjadi dua bagian
Pada tahap ini data akan dibagi menjadi dua bagian yaitu data sebelum intervensi
yaitu data ke-1 sampai dengan 42 dan data saat intervensi yaitu ke-43 dan setelah
intervensi yaitu data ke 44 samapai dengan ke-100.
c. Identifikasi model data sebelum intervensi
Time series plot
89
88
87
C2 86
85
84
83
82
4 8 12 16 20 24 28 32 36 40
Index
Dari time series plot diatas dapat dilihat data tersebut tidak stasioner
dalam rata-rata sehingga perlu dilakukan differencing
a. Differencing 1
0
C3
-1
-2
-3
4 8 12 16 20 24 28 32 36 40
Index
Dari time series plot diatas masih cenderung menunjukkan trend naik
sehingga dilakukan differencing dua kali.
b. Differencing 2
C4
-1
-2
-3
-4
4 8 12 16 20 24 28 32 36 40
Index
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 5 10 15 20 25 30 35
Lag
Partial Autocorrelation Function for C4
(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 5 10 15 20 25 30 35
Lag
Dari ACF dan PACF diatas dapat diperoleh beberapa model yang mungkin
1. ARIMA (0,2,1)
3. ARIMA (1,2,1)
Final Estimates of Parameters
Dari 3 kemungkinan model tersebut hanya model ARIMA (1,2,0) dan ARIMA (0,2,1)
sehingga dicari model terbaik yaitu yang mempunyai nilai MSE paling kecil yaitu
ARIMA (0,2,1)
Diagnostic checking
a. Kenormalan Error
Untuk melihat kenormalan error dapat dilakukan dengan QQ plot residual
Normal Probability Plot
(response is C2)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Residual
Karena QQ plot tersebut cenderung membentuk garis lurus dan sudut 45 derajat
maka dapat disimpulkan residual berdistribusi normal.
b. Identik residual
Dengan plot antara nilai prediksi dengan residual
Versus Fits
(response is C2)
3
1
Residual
-1
-2
-3
82 83 84 85 86 87 88 89
Fitted Value
Karena plot diatas acak dan tidak berpola maka dapat disimpulkan bahwa
residual identik.
c. Independensi residual
Dengan membuat ACF dan PACF residual
ACF of Residuals 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
Lag
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
Lag
Karena batang ACF dan PACF diatas tidak ada yang keluar lag/ batas selang
kepercayaan maka dapat disimpulkan residual independen.
Peramalan
Pada tahap ini akan dilakukan peramalan dengan time origin 42 dan dilakukan
peramalan 58 data. Berikut ini merupakan time series plot data asli dengan nilai
ramalan.
Time Series Plot for C2
(with forecasts and their 95% confidence limits)
150
125
C2
100
75
50
1 10 20 30 40 50 60 70 80 90 100
Time
Chart of res
10
0
res
-5
-10
-15
-20
1 2 34 5 6 7 8910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788899091929394959697989900
1
C9
Untuk menentukan batas selang kepercayaan bar chat diatas dapat dihitung dengan
formula sebagai berikut:
Batas = 3 x √Mse
= 3 x √1.4824
= 3.6526
Setelah diketahui batas selang kepercayaan maka dapat dicari orde b yaitu waktu mulai
dampak intervensi, s waktu delay data mulai stabil dihitung dari waktu terjadinya intervensi
waktu dan r time lag berikutnya setelah b dan s saat data membentuk pola yang jelastime-
lag berikutnya setelah b dan s dari bar chat tersebut yaitu b=0 s= 1 r=1
sehingga diperoleh model intervensi
s B B b
Zt Pt N t
r B