Haviva Inayah 202001671 Laporan UK 3 Metode Peramalan
Haviva Inayah 202001671 Laporan UK 3 Metode Peramalan
Disusun Oleh :
Haviva Inayah (202001671)
Tahun
Bulan
2015 2016 2017 2018
Januari 35,68 37,54 39,23 40,16
s
d
a
Dari data diatas dapat digolongkan kedalam jenis data musiman yang
mana terlihat data mengalami kenaikan setiap tahun pada bulan Juni dan
Desember dari tahun 2015-2018 atau dengan kata lain mengalami
kenaikan setiap 6 bulan sekali. Karena data tergolong data musiman maka
dapat dilakukan peramalan dengan metode SARIMA.
Sama halnya dengan metode ARIMA setelah data di plotkan maka perlu
diperhatikan stasioner varians dan stasioner rata-rata dengan menggunakan
metode box-cox serta melihat plot ACF dan plot ACF nya.
• Stasioner Varians
Untuk melihat apakah data tersebut stasioner varians adalah
dengan melakukan transformasi Box-Cox. Transformasi ini hanya
bisa dilakukan sekali saja tanpa perlu melihat nilai Lamda (λ) nya.
Tetapi pada ketentuannya nilai Lamda (λ) sama dengan satu
barulah dikatakan transformasi itu sempurna. Berikut adalah Plot
transformasi Box Cox.
H
b
h
j
g
h
j
g
H
b
a
• Stasioner Rata-Rata
Pada metode SARIMA ini stasioner rata-rata terbagi menjadi dua
yaitu stasioner rata-rata non musiman dan stasioner rata-rata
musiman. Keduanya harus dicek dengan melihat plot ACF dan
PACF. Untuk stasioner rata-rata non musiman yang dilihat adalah
lag ke-1,2,3 dst sedangkan untuk stasioner rata-rata musiman yang
dilihat adalah lag ke-12 lag ke-24 lag ke-36 dst tergantung pada
data yang dipakai mengandung berapa musiman. Berikut plot ACF
dan PACF untuk musiman dan non musiman.
G
h
g
g
h
h
g
g
f
f
N
Plot ACF dan PACF yang telah di differencing satu kali diatas
menunjukkan nilai SARIMA (p,d,q) (P,D,Q) adalah SARIMA
(1,0,1) (1,1,1)12. Maka dapat dikatakan bahwa model awal yang
terbrntuk adalah SARIMA (1,0,1) (1,1,1)12 yang mana akan
memunculkan 8 model baru seperti dibawah ini :
C
SARIMA 1,0,1 1,1,1
N
SARIMA 1,0,1 0,1,1
C
SARIMA 1,0,1 1,1,0
N
SARIMA 0,0,1 1,1,1
K
SARIMA 0,0,1 0,1,1
S
SARIMA 0,0,1 1,1,0
N
SARIMA
C 1,0,0 1,1,1
SARIMA 1,0,0 0,1,1
SARIMA 1,0,0 1,1,0
3. UJI MODEL
Dari kesembilan model SARIMA diatas perlu dilakukan pengecekan
Estimasi parameter, Diagnosing Checking, serta Normalitas untuk melihat
manakah model yang paling baik diantara semua model yang ada.
• Estimasi Parameter
Nilai p-value < nilai alfa (0,05) maka Signifikan
Nilai p-value > nilai alfa (0,05) maka Tidak Signifikan
Estimasi Parameter
Model Keterangan
AR 1 SAR 12 MA 1 SMA 12
SARIMA (1,0,1) (1,1,1)12 0,000 0,061 0,964 0,459 Tidak
Signifikan
SARIMA (1,0,1) (0,1,1)12 0,000 0,779 0,114 Tidak
Signifikan
SARIMA (1,0,1) (1,1,0)12 0,000 0,013 0,001 Signifikan
SARIMA (0,0,1) (1,1,1)12 0,883 0,000 0,658 Tidak
Signifikan
SARIMA (0,0,1) (0,1,1)12 0,000 0,352 Tidak
Signifikan
SARIMA (0,0,1) (1,1,0)12 0,546 0,000 Tidak
Signifikan
SARIMA (1,0,0) (1,1,1)12 0,000 0,059 0,540 Tidak
Signifikan
SARIMA (1,0,0) (0,1,1)12 0,000 0,624 Tidak
Signifikan
SARIMA (1,0,0) (1,1,0)12 0,000 0,250 Tidak
Signifikan
• Diagnosing Checking
Nilai p-value > nilai alfa maka Signifikan atau White Noise
Nilai p-value < nilai alfa maka Tidak Signifikan atau Tidak White
Noise
Dikarenakan pada uji estimasi parameter sebelumnya hanya ada
satu model SARIMA yang memiliki nilai p-value signifikan
terhadap nilai alfa 5% maka untuk diagnosing checking hanya
diperuntukkan bagi model SARIMA yang signifikan tersebut. Dari
uji diatas diketahui yang signifikan adalah model SARIMA (1,0,1)
(0,1,1)12
• Normalitas Test
Nilai p-value > nilai alfa maka Normal
Nilai p-value < nilai alfa maka Tidak Normal
Model Normalitas test Keterangan
SARIMA (1,0,1) (0,1,1)12 0,010
Tidak Normal
< Nilai alfa (0,05)
Lag 12 24 36 48
Chi-Square 9,51 12,16 * *
DF 7 19 * *
Lag 12 24 36 48
Chi-Square 8,92 9,81 * *
DF 8 20 * *
Lag 12 24 36 48
Chi-Square 11,84 15,68 * *
DF 8 20 * *
Lag 12 24 36 48
Chi-Square 15,36 16,97 * *
DF 8 20 * *
Lag 12 24 36 48
Chi-Square 17,83 21,61 * *
DF 9 21 * *
Lag 12 24 36 48
Chi-Square 14,82 16,54 * *
DF 9 21 * *
Lag 12 24 36 48
Chi-Square 9,30 11,92 * *
DF 8 20 * *
Lag 12 24 36 48
Chi-Square 8,42 10,36 * *
DF 9 21 * *
Lag 12 24 36 48
Chi-Square 9,21 9,86 * *
DF 9 21 * *