LAPORAN UJI KOMPETENSI

METODE SARIMA PADA JUMLAH PENUMPANG KERETA

API WILAYAH JAWA PADA TAHUN 2015-2018

Disusun guna memenuhi tugas Mata Kuliah Metode Peramalan

Dosen Pengampu : Dra. Wellie Sulistijanti, M.Sc.

Disusun Oleh :

Nisa Prima Ramadhani (202001643)

PROGRAM STUDI D3 STATISTIKA

INSTITUT TEKNOLOGI STATISTIKA & BISNIS
MUHAMMADIYAH SEMARANG
TAHUN 2022
 UJI KOMPETENSI 2

1. Data ini didapat dari BPS tentang Data Jumlah Penumpang Kereta Api Wilayah Jawa
(Jabodetabek+Non Jabodetabek) pada tahun 2015-2018.
BULAN 2015 2016 2017 2018
JANUARI 24254 27886 30359 34107
FEBRUARI 22394 26058 26837 30721
MARET 26841 28156 31612 35272
APRIL 26150 28000 30934 35135
MEI 27450 30176 33157 34877
JUNI 27118 28730 30181 32270
JULI 27077 28216 33669 36089
AGUSTUS 27351 29125 33255 34560
SEPTEMBER 27125 29019 31921 33878
OKTOBER 28280 29765 34498 35602
NOVEMBER 27253 29178 33798 34637
DESEMBER 29328 31530 36140 37197
Sumber : https://bps.go.id

2. Hasil dari data tersebut telah ditemukan nilai rata-ratanya didapatkan hasil plot chart nya
sebagai berikut :

Dari plot diatas terlihat merupakan plot data musiman, sehingga bisa dipakai untuk
peramalan dengan metode SARIMA.
 IDENTIFIKASI DATA
Ada dua syarat yang harus diperhatikan untuk data stationer yaitu data harus
stationer varians dan harus stationer rata-rata. Seperti pada plot diatas tersebut tidak
mengandung stasioner varians. Maka kita menstasionerkannya dengan metode Box
Cox dengan menggunakan aplikasi minitab
Untuk stasioner varians dilakukan dengan mentransformasikan data
menggunakan Uji Box Cox Transformation pada minitab dan transformasi ini hanya
dilakukan sekali saja. Adapun outputnya sebagai berikut :

Data dapat dikatakan stasioner terhadap varians adalah Ketika data sudah
ditransformasikan. Pada plot Box Cox diatas sudah menunjukkan bahwa data Jumlah
Penumpang Kereta Api Wilayah Jawa (Jabodetabek+Non Jabodetabek) pada tahun
2015-2018 sudah stasioner varians, setelah dilakukan transformasi maka akan
muncul variabel baru hasil dari transformasi Box Cox.
Adapun data hasil transformasi :
Y TRANS Y TRANS Y TRANS Y TRANS
24254 155,737 27886 166,991 30359 174,2383 34107 184,6808
22394 149,6462 26058 161,4249 26837 163,82 30721 175,2741
26841 163,8322 28156 167,7975 31612 177,7976 35272 187,8084
26150 161,7096 28000 167,332 30934 175,8806 35135 187,4433
27450 165,6804 30176 173,7124 33157 182,0906 34877 186,7538
27118 164,6754 28730 169,4993 30181 173,7268 32270 179,6385
27077 164,5509 28216 167,9762 33669 183,4911 36089 189,9711
27351 165,3814 29125 170,6605 33255 182,3595 34560 185,9032
27125 164,6967 29019 170,3496 31921 178,6645 33878 184,0598
28280 168,1666 29765 172,5254 34498 185,7364 35602 188,6849
27253 165,0848 29178 170,8157 33798 183,8423 34637 186,1102
29328 171,2542 31530 177,5669 36140 190,1052 37197 192,8652

Dari plot diatas pola data untuk data mengandung musiman sehingga belum

stationer rata-rata. Untuk itu maka kita perlu melihat plot ACF dan PACF nya, jika

plot ACF dan PACF nya dies down (turun secara perlahan) maka itu tidak stationer

rata-rata maka diperlukan differencing, data dikatakan stationer rata-rata jika plot
ACF dan PACF nya cuts off (turun tajam). Berikut adalah plot ACF dan PACF dari
data Jumlah Penumpang Kereta Api Wilayah Jawa (Jabodetabek+Non Jabodetabek)
pada tahun 2015-2018. Kemudian apabila data sudah stationer varians maka langkah
selanjutnya adalah menganalisis data stasioner rata-rata dengan menggunakan
autocorrelation function dan partial autocorrelation function sebagai berikut :

Setelah itu lihatlah plot Autocorrelation Function (ACF) dan Partial

Autocorrelation Function (PACF)
Setelah melakukan transformasi sebanyak dua kali dan dilihat berdasarkan nilai

plot ACF dan PACF ternyata nilai plot ACF data terlihat dies down di non musiman
maupun di musiman artinya data tidak stationer rata-rata sehingga diperlukan metode

differencing untuk menstationerkan rata-rata. Berikut adalah hasil differencing nya :

Dan diperoleh Plot data differencing seperti ini :

Dari plot diatas sudah terlihat data sudah tidak mengandung trend karena

sudah bergerak disekitaran rata-rata. Dilanjutkan dengan menganalisis plot ACF dan

PACF untuk melihat apakah sudah benar-benar stationer rata-rata. Berikut

merupakan plot ACF dan PACF setelah di differencing:

Sehingga untuk sarima non musiman (p,d,q) adalah (2,2,1). Berdasarkan plot PACF dan ACF
diatas pada data musiman yaitu lag 12,24,36 dan 48 sudah menunjukkan Cut Off jadi tidak
diperlukan differencing lagi pada data musiman, maka untuk model musiman P,D,Q (1,0,1).
 ESTIMATION

Ketika sudah mendapatkan model SARIMA melalui output ACF dan PACF
maka model tersebut merupakan kunci untuk memunculkan model dugaan yang lain
seperti ;

1. Sarima ( 2,2,1 ) (1,0,1)12

2. Sarima ( 1,2,1 ) (1,0,1)12

3. Sarima ( 0,2,1 ) (1,0,1)12

4. Sarima ( 1,2,0 ) (1,0,1)12

5. Sarima ( 2,2,0 ) (1,0,1)12

6. Sarima ( 2,2,1 ) (0,0,1)12

7. Sarima ( 1,2,1 ) (0,0,1)12

8. Sarima ( 0,2,1 ) (0,0,1)12

9. Sarima ( 1,2,0 ) (0,0,1)12

10. Sarima ( 2,2,0 ) (0,0,1)12

11. Sarima ( 2,2,1 ) (1,0,0)12

12. Sarima ( 1,2,1 ) (1,0,0)12

13. Sarima ( 0,2,1 ) (1,0,0)12

14. Sarima ( 1,2,0 ) (1,0,0)12

15. Sarima ( 2,2,0 ) (1,0,0)12

 Namun model diatas belum merupakan model terbaik. Kita harus memilih 1
model terbaik dari 15 model tersebut dengan cara Estimates Of Parameter dengan
melihat apakah signifikan atau tidak. Dan melihat White Noise.

 DIAGNOSTIC CHECKING
Diagnostic checking dilihat berdasarkan White Noise dan Distribusi Normal dengan
syarat p-value harus > 0,05.
Diatas merupakan parameter dari model dugaan sementara model sarima. Dari table
diatas tidak ada yang dapat memenuhi syarat untuk melanjutkan Forecasting karena
dari ke 14 model tidak ada yang terdapat whitenoise.


 KESIMPULAN
Dikarenakan dari beberapa model diatas tidak ada yang memenuhi syarat untuk
forecasting yaitu ( signifikansi, Whitenoise, dan normal) maka data penumpang
kereta api pada wilayah jawa di tahun 2015-2018 tidak dapat diforecasting.