Kelas C

LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 3 : Dekomposisi dan SARIMA

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul Praktikan
Mahasiswa
Muchamad Nur Kholis 19611095 22 Desember 2021

Tanggal Tanda Tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Duhania Oktasya Mahara
Puspita Putri Nabilah
Mujiati Dwi Kartikasari, S.Si, M.Sc.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2021
Daftar Isi

Daftar Isi.................................................................................................................. ii
Daftar Gambar ........................................................................................................ iii
1 Pendahuluan .................................................................................................... 1
1.1 Metode Dekomposisi ................................................................................ 1
1.1.1 Dekomposisi Additive....................................................................... 1
1.1.2 Dekomposisi Multiplicative .............................................................. 1
1.2 ARIMA ..................................................................................................... 2
1.3 The Akaike Information Criterion (AIC).................................................. 2
1.4 Mean Absolute Percentage Error (MAPE) .............................................. 3
2 Deskripsi Kerja................................................................................................ 4
2.1 Studi Kasus ............................................................................................... 4
2.2 Langkah Kerja .......................................................................................... 4
3 Pembahasan ................................................................................................... 10
3.1 Data Tingkat Hunian Hotel di DI Yogyakarta ....................................... 10
3.2 Dekomposisi + ARIMA ......................................................................... 11
3.3 Peramalan 5 Periode ke Depan ............................................................... 20
4 Penutup.......................................................................................................... 22
4.1 Kesimpulan ............................................................................................. 22
Daftar Pustaka ....................................................................................................... 24

ii
Daftar Gambar

Gambar 2. 1. Logo RStudio ................................................................................... 4

Gambar 2. 2. Tampilan Awal RStudio ................................................................... 4
Gambar 2. 3. Mengimpor Data .............................................................................. 5
Gambar 2. 4. Mengubah Data ke Dalam Bentuk Time Series ............................... 5
Gambar 2. 5. Membuat Plot Data .......................................................................... 5
Gambar 2. 6. Melakukan Dekomposisi “Additive” ............................................... 5
Gambar 2. 7. Membuat Plot Dekomposisi ............................................................ 5
Gambar 2. 8. Mengakses Komponen Hasil Dekomposisi ..................................... 5
Gambar 2. 9. Melakukan Peramalan Indeks Musiman .......................................... 6
Gambar 2. 10. Data Non-Musiman dan Visualisasinya ........................................ 6
Gambar 2. 11. Melakukan Uji ADF ...................................................................... 6
Gambar 2. 12. Melakukan Diferensi ..................................................................... 6
Gambar 2. 13. Melakukan Uji ADF Ulang ........................................................... 7
Gambar 2. 14. Melakukan Identifikasi Model ....................................................... 7
Gambar 2. 15. Fungsi untuk Memunculkan Statistik ARIMA .............................. 7
Gambar 2. 16. Membuat Model ARIMA Awal..................................................... 7
Gambar 2. 17. Overfitting Model........................................................................... 8
Gambar 2. 18. Membuat Dataframe Ukuran Kesalahan ....................................... 8
Gambar 2. 19. Melakukan Uji Diagnostik............................................................. 8
Gambar 2. 20. Melakukan Peramalan 5 Periode ke Depan ................................... 8
Gambar 2. 21. Mencari Fitted Value ..................................................................... 9
Gambar 2. 22. Mencari Nilai MAPE ..................................................................... 9
Gambar 2. 23. Membuat Plot Hasil Peramalan ..................................................... 9
Gambar 3. 1. Data Time Series Tingkat Hunian Hotel ........................................ 10
Gambar 3. 2. Plot Data Tingkat Hunian Hotel .................................................... 10
Gambar 3. 3. Plot Dekomposisi “Additive” ........................................................ 11
Gambar 3. 4. Nilai Komponen Dekomposisi “Additive” .................................... 12
Gambar 3. 5. Hasil Peramalan Indeks Musiman “Additive” ............................... 13
Gambar 3. 6. Plot Data Deseasonalized Additive ............................................... 13
Gambar 3. 7. Hasil Uji ADF ................................................................................ 14
Gambar 3. 8. Plot Hasil Diferensiasi ................................................................... 15
Gambar 3. 9. Hasil Uji ADF pada Data Terdiferensiasi ...................................... 15
Gambar 3. 10. Plot ACF dan PACF .................................................................... 16
Gambar 3. 11. Hasil Identifikasi Model ARIMA Awal ...................................... 17
Gambar 3. 12. Model ARIMA(1,1,1) .................................................................. 18
Gambar 3. 13. Model ARIMA(0,1,2) .................................................................. 18
Gambar 3. 14. Ukuran Error ............................................................................... 19
Gambar 3. 15. Uji Diagnostik.............................................................................. 19
Gambar 3. 16. Peramalan 5 Periode ke Depan .................................................... 20
Gambar 3. 17. Fitted Value ................................................................................. 20
Gambar 3. 18. Nilai MAPE ................................................................................. 21
Gambar 3. 19. Visualisasi Hasil Peramalan ........................................................ 21

iii
1 Pendahuluan

1.1 Metode Dekomposisi

Metode dekomposisi merupakan metode untuk memisahkan masing-
masing komponen dari pola dasar yang ada pada data runtun waktu. Komponen
tersebut adalah faktor trend, faktor siklus, dan faktor musiman. Metode
dekomposisi mempunyai asumsi bahwa data runtun waktu tersusun sebagai
berikut: (Primandari, Utari, & Kartikasari, 2017)

1.1.1 Dekomposisi Additive

Pola model aditif diasumsikan fluktuasi musiman dari data relatif stabil dan
tidak bergantung pada level atau rata-rata dari runtun. Adapun bentuk dari model
aditif adalah sebagai berikut:
yt = St + Tt + Et
yt : data aktual periode ke-t
St: komponen musiman periode ke-t
Tt: komponen trend-siklus periode ke-t
Et: komponen kesalahan atau random periode ke-t
(Primandari, Utari, & Kartikasari, 2017)

1.1.2 Dekomposisi Multiplicative

Pada model multiplikatif diasumsikan amplitudo dari fluktuasi musiman
berubah-uabh, tergantung pada level dari runtun. Adapun bentuk model
multiplikatif adalah sebagai berikut:
yt = St x Tt x Et
yt : data aktual periode ke-t
St: komponen musiman periode ke-t
Tt: komponen trend-siklus periode ke-t
Et: komponen kesalahan atau random periode ke-t
(Primandari, Utari, & Kartikasari, 2017)

1
1.2 ARIMA
ARIMA sering juga disebut metode Box-Jenkins. ARIMA sangat baik
ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan jangka
panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung flat
(mendatar /konstan) untuk periode yang cukup panjang. Model Autoregresiive
Integrated Moving Average (ARIMA) adalah model yang secara penuh
mengabaikan independen variabel dalam membuat peramalan. ARIMA
menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi
dari deret waktu (timeseries) secara statistik berhubungan satu sama lain
(dependent). Tujuan model ARIMA adalah untuk menentukan hubungan statistik
yang baik antar variabel yang diramal dengan nilai historis variabel tersebut
sehingga peramalan dapat dilakukan dengan model tersebut.
Model ARIMA sendiri hanya menggunakan suatu variabel (univariate) deret
waktu. Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat
non-stasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya
berkenaan dengan deret berkala yang stasioner. Stasioneritas berarti tidak terdapat
pertumbuhan atau penurunan pada data. Data secara kasarnya harus horizontal
sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di sekitar suatu
nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi
tersebut pada pokoknya tetap konstan setiap waktu. Suatu deret waktu yang tidak
stasioner harus diubah menjadi data stasioner dengan melakukan differencing.
Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih
nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak.
Jika belum stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner,
maka dilakukan transformasi logaritma. (Hendrawan, 2013)
1.3 The Akaike Information Criterion (AIC)
The Akaike Information Criterion (sering disebut hanya sebagai AIC ) adalah
kriteria untuk memilih antara model statistik atau ekonometrik bersarang. AIC pada
dasarnya adalah perkiraan ukuran kualitas setiap model ekonometrik yang tersedia

2
karena terkait satu sama lain untuk kumpulan data tertentu, menjadikannya metode
yang ideal untuk pemilihan model.
Kriteria Informasi Akaike (AIC) dikembangkan dengan dasar dalam teori
informasi. Teori informasi adalah cabang matematika terapan tentang kuantifikasi
(proses penghitungan dan pengukuran) informasi. Dalam menggunakan AIC untuk
mencoba mengukur kualitas relatif model ekonometrik untuk kumpulan data
tertentu, AIC memberikan perkiraan informasi yang akan hilang jika model tertentu
akan digunakan untuk menampilkan proses yang menghasilkan data kepada
peneliti. Dengan demikian, AIC bekerja untuk menyeimbangkan trade-off antara
kompleksitas model tertentu dan kesesuaiannya , yang merupakan istilah statistik
untuk menggambarkan seberapa baik model "sesuai" dengan data atau kumpulan
pengamatan. (Greelane, 2019)
1.4 Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) merupakan ukuran kesalahan
relatif, merupakan ukuran ketepan relatif yang digunakan untuk mengetahui
persentase penyimpangan hasil pendugaan. Pendekatan ini berguna ketika ukuran
atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan.
MAPE mengindikasi seberapa besar kesalahan dalam menduga yang dibandingkan
dengan nilai nyata.
𝑛
𝑦𝑖 − ŷ𝑖
𝑀𝐴𝑃𝐸 = ∑ | | × 100%
ŷ𝑖
𝑡=1

Dimana ;
MAPE = Mean Absolute Percentage Error
n = Jumlah data
y = Nilai hasil aktual
ŷ = Nilai hasil pendugaan
(Aindhae, 2019)

3
2 Deskripsi Kerja

2.1 Studi Kasus

1. Gunakan data tingkat hunian kamar hotel di DI Yogyakarta (dalam %).
2. Lakukan analisis Dekomposisi dilanjutkan ARIMA dengan ketentuan berikut:
a. Gunakan dekomposisi additive, kemudian lanjutkan dengan ARIMA
b. Pada ARIMA, bentuk maksimal 2 model
c. Pilih salah satu yang terbaik untuk melakukan peramalan 5 periode ke
depan. Lakukan peramalan dengan menggunakan metode terbaik.

2.2 Langkah Kerja

Berikut adalah langkah-langkah yang dilakukan praktikan dalam
menyelesaikan studi kasus.
1. Sebelum memasuki studi kasus, buka RStudio seperti pada Gambar 2. 1.

Gambar 2. 1. Logo RStudio

2. Kemudian, akan muncul tampilan awal RStudio seperti pada Gambar 2. 2.

Gambar 2. 2. Tampilan Awal RStudio

4
3. Lalu, praktikan menimpor data tingkat hunian kamar hotel di DI Yogyakarta
ke dalam R dengan syntax read_csv() seperti pada Gambar 2. 3.

Gambar 2. 3. Mengimpor Data

4. Selanjutnya, praktikan mengubah data tingkat hunian kamar hotel ke dalam
bentuk data time series dengan syntax ts() seperti pada Gambar 2. 4.

Gambar 2. 4. Mengubah Data ke Dalam Bentuk Time Series

5. Setelah itu, praktikan membuat plot dari data tingkat hunian kamar hotel
dengan syntax plot() seperti pada Gambar 2. 5.

Gambar 2. 5. Membuat Plot Data

6. Langkah selanjutnya, praktikan melakukan dekomposisi “additive” dengan
syntax decompose(type=”additive”) seperti pada Gambar 2. 6.

Gambar 2. 6. Melakukan Dekomposisi “Additive”

7. Kemudian, praktikan membuat plot hasil dekomposisi dengan syntax
autoplot() seperti pada Gambar 2. 7.

Gambar 2. 7. Membuat Plot Dekomposisi

8. Lalu, praktikan mengakses komponen masing-masing hasil dekomposisi
untuk menganalisis data dari penyesuaian musiman yang ada dengan syntax
seperti pada Gambar 2. 8.

Gambar 2. 8. Mengakses Komponen Hasil Dekomposisi

5
9. Langkah selanjutnya, praktikan melakukan peramalan indeks musiman.
Untuk melakukan peramalan ini, diperlukan packages “forecast” sehingga
praktikan perlu mengaktifkan packages tersebut dengan syntax library().
Sedangkan, untuk melakukan peramalan indeks musiman digunakan syntax
sindexf() seperti pada Gambar 2. 9.

Gambar 2. 9. Melakukan Peramalan Indeks Musiman

10. Lalu, praktikan membuat data non-musiman dengan syntax seasadj() dan
membuat visualisasinya dengan syntax autoplot() seperti Gambar 2. 10.

Gambar 2. 10. Data Non-Musiman dan Visualisasinya

11. Selanjutnya, praktikan, melakukan uji ADF untuk data non-musiman. Untuk
melakukan uji ini, diperlukan packages “tseries” sehingga praktikan perlu
mengaktifkan packages tersebut dengan syntax library(). Sedangkan,
untuk melakukan peramalan uji ADF digunakan syntax adf.test()seperti
Gambar 2. 11.

Gambar 2. 11. Melakukan Uji ADF

12. Kemudian, praktikan melakukan diferensi sebanyak 1 kali dengan syntax
diff() seperti Gambar 2. 12.

Gambar 2. 12. Melakukan Diferensi

6
13. Lalu, praktikan melakukan uji ADF ulang dengan data yang sudah
didiferensikan dengan syntax seperti pada Gambar 2. 13.

Gambar 2. 13. Melakukan Uji ADF Ulang

14. Kemudian, praktikan melakukan identifikasi model dengan melihat plot ACF
dan PACF. Untuk membuat plot ACF gunakan syntax Acf() sedangkan
untuk membuat plot PACF gunakan syntax Pacf() seperti Gambar 2. 14.

Gambar 2. 14. Melakukan Identifikasi Model

15. Lalu, praktikan membuat fungsi untuk memunculkan statistik dari model
ARIMA. Syntax yang digunakan seperti Gambar 2. 15.

Gambar 2. 15. Fungsi untuk Memunculkan Statistik ARIMA

16. Langkah selanjutnya, praktikan membuat model ARIMA awal yang didapat
dari hasil identifikasi model dan melihat statistik dari model ARIMA tersebut.
Syntax yang digunakan seperti Gambar 2. 16.

Gambar 2. 16. Membuat Model ARIMA Awal

7
17. Karena terdapat nilai yang tidak signifikan, maka praktikan membuat 2 model
ARIMA yang lain yaitu model ARIMA(1,1,1) dan model ARIMA(0,1,2).
Kemudian, menampilkan statistik dari masing-masing model yang dibuat.
Syntax yang digunakan seperti Gambar 2. 17.

Gambar 2. 17. Overfitting Model

18. Kemudian, praktikan memilih model terbaik dengan melihat ukuran
kesalahannya. Dalam hal ini, praktikan akan melihat dari nilai AIC dan
MAPE. Untuk melihat nilai AIC dan MAPE, dapat dilihat dari output syntax
summary(model). Praktikan akan membuatnya ke dalam dataframe agar
lebih mudah dibaca. Syntax yang digunakan seperti Gambar 2. 18.

Gambar 2. 18. Membuat Dataframe Ukuran Kesalahan

19. Lalu, praktikan melakukan uji diagnostik dari model terbaik dengan syntax
tsdiag() seperti Gambar 2. 19.

Gambar 2. 19. Melakukan Uji Diagnostik

20. Langkah selanjutnya, praktikan melakukan peramalan 5 periode ke depan
dengan model terbaik. Syntax yang digunakan seperti Gambar 2. 20.

Gambar 2. 20. Melakukan Peramalan 5 Periode ke Depan

8
21. Kemudian, praktikan mencari fitted value dari peramalan dengan metode
terbaik. Syntax yang digunakan seperti Gambar 2. 21.

Gambar 2. 21. Mencari Fitted Value

22. Lalu, praktikan mencari nilai MAPE dari peramalan dengan metode terbaik.
Syntax yang digunakan seperti Gambar 2. 22.

Gambar 2. 22. Mencari Nilai MAPE

23. Selanjutnya, praktikan akan membuat visualisasi data aktual, fitted value, dan
hasil peramalan dalam satu plot. Untuk membuat plot digunakan packages
“ggplot2” dan “ggfortify”. Syntax yang digunakan seperti pada Gambar 2. 23.

Gambar 2. 23. Membuat Plot Hasil Peramalan

9
3 Pembahasan

Sebelumnya telah dipaparkan deskripsi kerja mengenai langkah kerja untuk

menyelesaikan studi kasus. Pada bab pembahasan ini praktikan akan menjelaskan
lebih detil lagi mengenai hal tersebut.

3.1 Data Tingkat Hunian Hotel di DI Yogyakarta

Sebelum memasuki studi kasus, praktikan mengimpor data tingkat hunian
kamar hotel di DI Yogyakarta ke dalam R dengan syntax read_csv() seperti pada
Gambar 2. 3. Lalu, praktikan mengubah data tingkat huian kamar hotel ke dalam
bentuk data time series dengan syntax ts() seperti pada Gambar 2. 4. Maka, data
yang telah diinput akan seperti pada Gambar 3. 1.

Gambar 3. 1. Data Time Series Tingkat Hunian Hotel

Setelah itu, praktikan membuat plot dari data tingkat hunian kamar hotel
dengan syntax plot() seperti pada Gambar 2. 5. Maka, data time series akan
menjadi seperti pada Gambar 3. 2.

Gambar 3. 2. Plot Data Tingkat Hunian Hotel

10
 Dari Gambar 3. 2. tersebut, dapat dilihat bahwa data tingkat hunian hotel
memiliki komponen musiman sehingga data ini cocok untuk dianalisis dengan
metode dekomposisi + ARIMA.

3.2 Dekomposisi + ARIMA

Kemudian, praktikan melakukan dekomposisi “additive” sesuai dengan yang
diminta studi kasus, dengan syntax decompose(type=”additive”) seperti pada
Gambar 2. 6. Dan membuat visualisasinya dengan syntax autoplot() seperti pada
Gambar 2. 7. Maka, plot yang dihasilkan akan seperti pada Gambar 3. 3.

Gambar 3. 3. Plot Dekomposisi “Additive”

Dari Gambar 3. 3. dapat diketahui plot pertama adalah plot dari data aktual,
untuk plot kedua adalah plot estimasi untuk komponen trend, plot ketiga adalah plot
estimasi untuk komponen musiman, dan plot keempat adalah plot untuk komponen
acak. Kemudian untuk output data hasil dekomposisi “additive” pada masing-
masing komponen adalah seperti Gambar 3. 4.

11
 Gambar 3. 4. Nilai Komponen Dekomposisi “Additive”
Dari Gambar 3. 3. dan Gambar 3. 4. dapat diketahui, berdasarkan komponen
tren, data hunian kamar hotel dari tahun 2016 hingga 2019 stasioner sedangkan dari
tahun 2019 mengalami penurunan hingga tahun 2021. Kemudian jika dilihat
berdasarkan komponen musiman menunjukkan bahwa jumlah produksi tertinggi
terjadi pada bulan November, sedangkan jumlah produksi terendah pada bulan
April tiap tahunnya. Pada komponen random terlihat pada pertengahan tahun 2016
mengalami penurunan drastis dan mencapai puncaknya pada bulan Januari 2017,
namun mengalami penurunan kembali sampai bulan Juni 2017.
Langkah selanjutnya, praktikan melakukan peramalan indeks musiman.
Untuk melakukan peramalan ini, diperlukan packages “forecast” sehingga
praktikan perlu mengaktifkan packages tersebut dengan syntax library().
Sedangkan, untuk melakukan peramalan indeks musiman digunakan syntax
sindexf() seperti pada Gambar 2. 9. Maka, akan didapat hasil seperti pada
Gambar 3. 5.

12
 Gambar 3. 5. Hasil Peramalan Indeks Musiman “Additive”
Dari Gambar 3. 5. dapat diketahui didapatkan hasil permalan indeks
musiman untuk 5 periode ke depan dimana periode yang dimaksud adalah bulan
November 2021, Desember 2021, Januari 2022, Februari 2022, dan Maret 2022.
Pada bulan November 2021 didapatkan tingkat hunian kamar hotel meningkat
sebesar 7.2652604, Desember 2021 meningkat sebesar 14.65359338, Januari 2022
menurun sebesar 3.0574062, Februari 2022 menurun sebesar 0.3579896, dan Maret
2022 menurun sebesar 1.8323229.
Kemudian, praktikan membuat data non-musiman dengan syntax seasadj()
dan membuat visualisasinya dengan syntax autoplot() seperti Gambar 2. 10.
Maka, akan didapat hasil visualisasi seperti pada Gambar 3. 6.

Gambar 3. 6. Plot Data Deseasonalized Additive

Selanjutnya, praktikan, melakukan uji ADF untuk data non-musiman. Untuk
melakukan uji ini, diperlukan packages “tseries” sehingga praktikan perlu
mengaktifkan packages tersebut dengan syntax library(). Sedangkan, untuk

13
melakukan peramalan uji ADF digunakan syntax adf.test()seperti Gambar 2.
11. Maka, akan didapatkan hasil sebagai berikut.

Gambar 3. 7. Hasil Uji ADF

Uji Hipotesis
1. Hipotesis uji
H0 : data tidak stasioner
H1 : data stasioner
2. Taraf signifikansi
𝛼 = 5% = 0.05
3. Daerah Kritis
H0 ditolak jika p-value ≤ 𝛼.
4. Statistik Uji
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.3853
5. Keputusan
Gagal tolak H0 karena p-value = 0.3853 > 𝛼 = 0.05
6. Kesimpulan
Dengan tingkat kepercayaan 95%, data yang ada gagal tolak H0 yang artinya
data tingkat hunian kamar hotel tidak stasioner

Karena data tidak stasioner, maka perlu dilakukan diferensiasi. Dalam hal ini,
praktikan melakukan diferensi sebanyak 1 kali pada data tingkat hunian kamar hotel
dengan tujuan agar data tersebut menjadi stasioner. Untuk melakukan diferensiasi
digunakan syntax diff() lalu praktikan membuat plot dari data yang sudah
didiferensikan dengan syntax autoplot() seperti Gambar 2. 12. Maka, didapat
hasil seperti pada Gambar 3. 8.

14
 Gambar 3. 8. Plot Hasil Diferensiasi
Dari plot pada Gambar 3. 8. Dapat dilihat bahwa data tingkat hunian kamar
hotel sudah stasioner.
Selanjutnya, praktikan melakukan uji ADF ulang untuk memastikan apakah
data tingkat hunian kamar hotel sudah stasioner dengan syntax seperti pada
Gambar 2. 13. Maka, didapat hasil seperti pada Gambar 3. 9.

Gambar 3. 9. Hasil Uji ADF pada Data Terdiferensiasi

Uji Hipotesis
1. Hipotesis uji
H0 : data tidak stasioner
H1 : data stasioner
2. Taraf signifikansi
𝛼 = 5% = 0.05
3. Daerah Kritis
H0 ditolak jika p-value ≤ 𝛼.

15
4. Statistik Uji
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.01
5. Keputusan
Tolak H0 karena p-value = 0.01 < 𝛼 = 0.05
6. Kesimpulan
Dengan tingkat kepercayaan 95%, data yang ada menolak H0 yang artinya
data tingkat hunian kamar hotel sudah stasioner

Karena data sudah stasioner, langkah selanjutnya, praktikan melakukan

identifikasi model dengan melihat plot ACF dan PACF. Untuk membuat plot ACF
gunakan syntax Acf() sedangkan untuk membuat plot PACF gunakan syntax
Pacf() seperti Gambar 2. 14. Maka, didapat hasil seperti pada Gambar 3. 10.

Gambar 3. 10. Plot ACF dan PACF

Untuk melihat orde AR(p) dilihat dari plot PACF sedangkan orde MA(q)
dapat dilihat dari plot ACF. Dari output pada Gambar 3. 10. tersebut dapat
diketahui bahwa pada plot PACF terdapat batang PACF yang keluar pada lag ke-2,
sehingga orde AR yaitu 2. Dapat diketahui juga pada plot ACF terdapat batang ACF
yang keluar pada lag ke-2, sehingga orde MA yaitu 2. Secara umum, model
ARIMA dituliskan dengan ARIMA(p,d,q) dengan p merupakan orde AR, d

16
merupakan banyaknya diferensi, dan q merupakan orde MA. Oleh karena itu,
didapat model hasil identifikasi model yaitu ARIMA(2,1,2).
Kemudian, praktikan membuat fungsi untuk memunculkan statistik dari
model ARIMA. Syntax yang digunakan seperti Gambar 2. 15. Lalu, praktikan
membuat model ARIMA yang didapat dari hasil identifikasi model yaitu model
ARIMA(2,1,2) dan melihat statistik dari model ARIMA tersebut. Syntax yang
digunakan seperti Gambar 2. 16. Maka, didapat hasil seperti pada Gambar 3. 11.

Gambar 3. 11. Hasil Identifikasi Model ARIMA Awal

Dari output pada Gambar 3. 11. tersebut dapat diketahui bahwa masih
terdapat koefisien model yang belum signifikan sehingga perlu menurunkan orde
pada model ARIMA tersebut. Maka dari itu, praktikan membuat 2 model ARIMA
yang lain yaitu model ARIMA(1,1,1) dan model ARIMA(0,1,2). Kemudian,
menampilkan statistik dari masing-masing model yang dibuat. Syntax yang
digunakan seperti Gambar 2. 17. Untuk model ARIMA(1,1,1) dihasilkan output
seperti pada Gambar 3. 12.

17
 Gambar 3. 12. Model ARIMA(1,1,1)
Sedangkan, untuk model ARIMA(0,1,2) dihasilkan output seperti pada
Gambar 3. 13.

Gambar 3. 13. Model ARIMA(0,1,2)

Dari Gambar 3. 12. dan Gambar 3. 13. dapat diketahui bahwa baik model
ARIMA(1,1,1) maupun model ARIMA(0,1,2) memiliki koefisien yang signifikan.
Oleh karena itu, untuk melihat model yang terbaik dapat dilihat dari ukuran error-
nya, model terbaik adalah model yang memiliki ukuran error terkecil. Dalam hal
ini, praktikan akan melihat dari nilai AIC dan nilai MAPE.

18
 Untuk melihat nilai AIC dan MAPE, dapat dilihat dari output syntax
summary(model). Praktikan akan membuatnya ke dalam dataframe agar lebih
mudah dibaca. Syntax yang digunakan seperti Gambar 2. 18. Maka didapat hasil
sebagai berikut.

Gambar 3. 14. Ukuran Error

Dari Gambar 3. 14. dapat diketahui bahwa model ARIMA(1,1,1) memiliki
nilai AIC sebesar 511.4929 dan nilai MAPE sebesar 21.32733. Sedangkan, model
ARIMA(0,1,2) memiliki nilai AIC sebesar 509.8090 dan nilai MAPE sebesar
20.87948. Dari hasil tersebut dapat dilihat bahwa model ARIMA(0,1,2) memiliki
nilai AIC dan MAPE yang lebih kecil. Sehingga model terbaik yang didapat adalah
model ARIMA(0,1,2).
Kemudian, praktikan perlu melakukan uji diagnostik dari model terbaik yaitu
ARIMA(0,1,2) dengan syntax tsdiag() seperti Gambar 2. 19. Maka didapat hasil
seperti pada Gambar 3. 15.

Gambar 3. 15. Uji Diagnostik

19
 Dari Gambar 3. 15. dapat dilihat bahwa nilai ACF residual tidak ada yang
keluar sehingga dapat disimpulkan bahwa tidak ada autokorelasi antar residual.
Selanjutnya, dapat dilihat dari p-value Ljung Box bahwa semua nilai p-value sudah
melebihi 0.05 yang artinya data bersifat white noise.

3.3 Peramalan 5 Periode ke Depan

Kemudian, praktikan juga diminta melakukan peramalan 5 periode ke depan
dengan menggunakan metode terbaik yang didapat yaitu ARIMA(0,1,2). Untuk
melakukan peramalan 5 periode ke depan ini digunakan syntax seperti Gambar 2.
20. Maka akan didapat hasil seperti Gambar 3. 16.

Gambar 3. 16. Peramalan 5 Periode ke Depan

Dari output pada Gambar 3. 16. diketahui hasil peramalan untuk tingkat
hunian kamar hotel 5 periode ke depan, dimana periode yang dimaksud adalah
bulan November 2021, Desember 2021, Januari 2022, Februari 2022, dan Maret
2022. Dari hasil peramalan, tingkat hunian kamar hotel pada bulan November 2021
sebesar 43.73672, bulan Desember 2021 sebesar 49.92273, bulan Januari 2022
sebesar 32.21173, bulan Februari 2022 sebesar 34.91114, dan bulan Maret 2022
sebesar 33.43681. Dari hasil tersebut dapat disimpulkan bahwa peramalan pada
awal tahun 2022, tingkat hunian kamar hotel akan mengalami penurunan yang
cukup drastis.
Kemudian, praktikan mencari fitted value dari peramalan dengan metode
terbaik. Syntax yang digunakan seperti Gambar 2. 21. Maka akan didapat hasil
seperti Gambar 3. 17

Gambar 3. 17. Fitted Value

20
 Kemudian, praktikan mencari akan nilai MAPE dari peramalan dengan
metode terbaik. Syntax yang digunakan seperti Gambar 2. 22. Maka akan didapat
hasil seperti Gambar 3. 18.

Gambar 3. 18. Nilai MAPE

Dari Gambar 3. 18. didapat nilai MAPE sebesar 25.37509 yang artinya
persentase kesalahan dari peramalan dengan metode ARIMA(0,1,2) adalah sebesar
25.37509%. Hal ini menunjukkan bahwa model ARIMA(0,1,2) merupakan model
yang cukup baik untuk melakukan peramalan.
Selanjutnya, praktikan akan membuat visualisasi data aktual, fitted value, dan
hasil peramalan dalam satu plot. Untuk membuat plot digunakan packages
“ggplot2” dan “ggfortify”. Syntax yang digunakan seperti pada Gambar 2. 23.
Maka akan didapat hasil seperti Gambar 3. 19.

Gambar 3. 19. Visualisasi Hasil Peramalan

Dari Gambar 3. 19. dapat diketahui bahwa garis berwarna hitam merupakan
data actual, garis warna biru merupakan fitted value, dan garis warna merah
merupakan data peramalan 5 periode ke depan. Dari plot tersebut terlihat bahwa
data actual dan data fitted value memiliki pola yang mirip hal ini menunjukkan
bahwa model cukup baik untuk melakukan peramalan. Dari hasil peramalan 5
perode ke depan data diketahui bahwa tingkat hunian kamar hotel akan mengalami
peningkatan terlebih dahulu lalu disusul dengan penurunan yang cukup drastis.

21
4 Penutup

4.1 Kesimpulan
Dari studi kasus dan percobaan yang telah praktikan lakukan, praktikan dapat
menarik beberapa kesimpulan, yaitu:
1. Berdasarkan plot yang telah dibuat, dapat diketahui bahwa data tingkat hunian
hotel memiliki komponen musiman sehingga data ini cocok untuk dianalisis
dengan metode dekomposisi + ARIMA.
2. Berdasarkan komponen tren, data hunian kamar hotel dari tahun 2016 hingga
2019 stasioner sedangkan dari tahun 2019 mengalami penurunan hingga
tahun 2021. Kemudian jika dilihat berdasarkan komponen musiman
menunjukkan bahwa jumlah produksi tertinggi terjadi pada bulan November,
sedangkan jumlah produksi terendah pada bulan April tiap tahunnya. Pada
komponen random terlihat pada pertengahan tahun 2016 mengalami
penurunan drastis dan mencapai puncaknya pada bulan Januari 2017, namun
mengalami penurunan kembali sampai bulan Juni 2017.
3. Untuk membuat plot ACF gunakan syntax Acf() sedangkan untuk membuat
plot PACF gunakan syntax Pacf(). Untuk melihat orde AR(p) dilihat dari
plot PACF sedangkan orde MA(q) dapat dilihat dari plot ACF. Dari output
pada Gambar 3. 10. tersebut dapat diketahui bahwa pada plot PACF terdapat
batang PACF yang keluar pada lag ke-2, sehingga orde AR yaitu 2. Secara
umum, model ARIMA dituliskan dengan ARIMA(p,d,q) dengan p
merupakan orde AR, d merupakan banyaknya diferensi, dan q merupakan
orde MA. Oleh karena itu, dari hasil plot ACF dan PACF didapat model yaitu
ARIMA(2,1,2).
4. Karena masih terdapat koefisien model yang belum signifikan sehingga perlu
menurunkan orde pada model ARIMA tersebut. Maka dari itu, praktikan
membuat 2 model ARIMA yang lain yaitu model ARIMA(1,1,1) dan model
ARIMA(0,1,2).

22
5. Dapat diketahui bahwa baik model ARIMA(1,1,1) maupun model
ARIMA(0,1,2) memiliki koefisien yang signifikan. Oleh karena itu, untuk
melihat model yang terbaik dapat dilihat dari ukuran error-nya, model terbaik
adalah model yang memiliki ukuran error terkecil. Dalam hal ini, praktikan
akan melihat dari nilai AIC dan nilai MAPE. Model ARIMA(1,1,1) memiliki
nilai AIC sebesar 511.4929 dan nilai MAPE sebesar 21.32733. Sedangkan,
model ARIMA(0,1,2) memiliki nilai AIC sebesar 509.8090 dan nilai MAPE
sebesar 20.87948. Dari hasil tersebut dapat dilihat bahwa model
ARIMA(0,1,2) memiliki nilai AIC dan MAPE yang lebih kecil. Sehingga
model terbaik yang didapat adalah model ARIMA(0,1,2).
6. Dari hasil uji diagnostk dapat dilihat bahwa nilai ACF residual tidak ada yang
keluar sehingga dapat disimpulkan bahwa tidak ada autokorelasi antar
residual. Selanjutnya, dapat dilihat dari p-value Ljung Box bahwa semua nilai
p-value sudah melebihi 0.05 yang artinya data bersifat white noise.
7. Didapat hasil peramalan untuk tingkat hunian kamar hotel 5 periode ke depan,
tingkat hunian kamar hotel pada bulan November 2021 sebesar 43.73672,
bulan Desember 2021 sebesar 49.92273, bulan Januari 2022 sebesar
32.21173, bulan Februari 2022 sebesar 34.91114, dan bulan Maret 2022
sebesar 33.43681. Dari hasil tersebut dapat disimpulkan bahwa peramalan
pada awal tahun 2022, tingkat hunian kamar hotel akan mengalami penurunan
yang cukup drastis.
8. Didapat nilai MAPE sebesar 25.37509 yang artinya persentase kesalahan dari
peramalan dengan metode ARIMA(0,1,2) adalah sebesar 25.37509%. Hal ini
menunjukkan bahwa model ARIMA(0,1,2) merupakan model yang cukup
baik untuk melakukan peramalan.
9. Dai plot hasil peramalan, terlihat bahwa data actual dan data fitted value
memiliki pola yang mirip hal ini menunjukkan bahwa model cukup baik untuk
melakukan peramalan. Dari hasil peramalan 5 perode ke depan data diketahui
bahwa tingkat hunian kamar hotel akan mengalami peningkatan terlebih
dahulu lalu disusul dengan penurunan yang cukup drastis.

23
Daftar Pustaka

Aindhae. (2019, Desember 17). CARA MENGHITUNG MEAN ABSOLUTE

PERCENTAGE ERROR (MAPE) DENGAN EXCEL. Retrieved from
aindhae.com: https://www.aindhae.com/2019/12/cara-menghitung-mean-
absolute.html
Greelane. (2019, April 10). Definisi / Penggunaan Kriteria Informasi Akiake
(AIC) dalam Ekonometrika. Retrieved from Greelane:
https://www.greelane.com/id/sains-teknologi-matematika/ilmu-
sosial/introduction-to-akaikes-information-criterion-1145956/
Hendrawan, B. (2013). Penerapan Model ARIMA Dalam Memprediksi IHSG.
Politeknik Batam, 2.
Primandari, A. H., Utari, D. T., & Kartikasari, M. D. (2017). Modul Analisis
Runtun Waktu dengan R. Yogyakarta: Universitas Islam Indonesia.

24