TUGAS V

PRAKTIKUM ANALISIS RUNTUN WAKTU

Nama : Deni Pratiwi

NIM : G1D016010

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS MATARAM

TAHUN PELAJARAN 2018/2019

MODEL INTERVENSI

1. Buat model intervens iuntuk data-data berikut

Jawab:
a. Time series plot data diatas

Time Series Plot of C1

100

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

Time Series Plot of C2

90

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

Time Series Plot of C3

3

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

Time Series Plot of C4

4

C4
-1

-2

-3

-4
4 8 12 16 20 24 28 32 36 40
Index

Setelah dilakukan differencing dua kali data sudah cenderung

stasioner sehingga dapat dilakukan langkah selanjutnya.
 ACF dan PACF
Dalam hal ini akan dilakkan identifikasi model dengan ACF dan PACF

Autocorrelation Function for C4

(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 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)

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 0.9517 0.0973 9.78 0.000

Differencing: 2 regular differences

Number of observations: Original series 42,
after differencing 40
Residuals: SS = 57.8126 (backforecasts
excluded)
MS = 1.4824 DF = 39
2. ARIMA (1,2,0)
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 -0.5570 0.1330 -4.19 0.000

Differencing: 2 regular differences

Number of observations: Original series
42, after differencing 40
 Residuals: SS = 83.7385
(backforecasts excluded)
MS = 2.1471 DF = 39

3. ARIMA (1,2,1)
Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.0886 0.1699 -0.52 0.605
MA 1 0.9504 0.1043 9.11 0.000

Differencing: 2 regular differences

Number of observations: Original series 42, after
differencing 40
Residuals: SS = 57.4057 (backforecasts excluded)
MS = 1.5107 DF = 38

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

PACF of Residuals 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
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

Setelah diperoleh nilai ramalan(forecast) maka dapat dilakukan langkah

selanjutnya.
4. Identifikasi respon intervensi
Menentukan orde model intervensi dengan barchat residual keseluruhan data. Dimana
residual saat dan setelah intervensi dapat diperoleh dari data ramalan dikuragi dengan
data asli.

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 