Oleh:
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SYIAH KUALA
DARUSSALAM, BANDA ACEH
2022
SOAL
1. Deskripsi data
2. Plot data
3. Plot ACF dan PACF
4. Stationer terhadap varians
5. Stationer terhadap mean
6. Model Tentatif
7. Penetuan Order Model
8. Uji normalitas Model
● Tuliskan hipotesis, taraf nyata, daerah penolakan, statistik uji, kesimpulan dan
keputusan.
9. Uji White Noise Model
● Tuliskan hipotesis, taraf nyata, daerah penolakan, statistik uji, kesimpulan dan
keputusan.
10. Uji Signifikansi Parameter Model
● Dilakukan untuk model yang memenuhi asumsi normalitas dan white noise.
● Tuliskan hipotesis, taraf nyata, daerah penolakan, statistik uji, kesimpulan dan
keputusan.
11. Residual model
● Residual model dilakukan untuk mengecek apakah model dengan semua
parameter signifikan merupakan model yang akan digunakan sebagai peramalan
Tabel 11
Model Order AIC RMSE MAE MAPE
1 (p,d,q)
2 (p,d,q)
Tabel 12
Interval Interpretation
<10 % Highly Acurate Forecasting
Lewis (1982)
PENYELESAIAN
1. Deskripsi data
Data yang digunakan adalah dataset rec yaitu data tentang rekruitmen (indeks
jumlah ikan baru) untuk jangka waktu 453 bulan berkisar antara tahun 1950-1987.
Dataset tersebut diperoleh dari packages R “astsa”.
2. Plot data
Interpretasi :
Berdasarkan plot data rec tersebut diketahui bahwa data merupakan data
stasioner. Hal ini terlihat dari bentuk grafik yang memiliki rata-rata dan varians yang
konstan terlihat horizontal di sepanjang sumbu waktu atau cenderung naik turun pada
interval yang sama. Dapat dilihat juga pada plot tidak membentuk pola musiman atau
trend. Fluktuasi berada disekitar nilai rata-rata yaitu sebesar 62.26 sehingga data rec
dikatakan stasioner.
3. Plot ACF dan PACF
Interpretasi :
Berdasarkan output diatas dapat diketahui bahwa pada plot ACF terdapat 16
garis lag yang berada diluar garis barlet dengan bentuk menurun secara perlahan
sehinggan dapat dikatakan dies down(turun), sedangkan pada plot PACF bentuk pola
garis menurun secara drastis sehingga dapat dikatakan cut off (terputus) setelah lag p.
Model yang tepat untuk data yaitu model AR (p).
Interpretasi :
Berdasarkan output diatas dapat diketahui bahwa data rekruitmen (indeks
jumlah ikan baru) untuk jangka waktu 453 bulan berkisar antara tahun 1950-1987
stasioner terhadap varians. Hal ini dapat dilihat dari nilai lamda yaitu 1.33584 yang
nilainya mendekati 1.
Berdasarkan output diatas dapat diketahui bahwa nilai Pvalue yaitu 0.01.
Keputusan
Tolak H0, karena nilai Pvalue < α yaitu 0.01 < 0.05.
Kesimpulan
Karena tolak H0 maka dapat disimpulkan bahwa data stasioner. Oleh karena data
tentang rekruitmen (indeks jumlah ikan baru) untuk jangka waktu 453 bulan berkisar
antara tahun 1950-1987 stasioner terhadap mean maka tidak diperlukan differencing.
6. Model Tentatif
Karena data stationer terhadap mean maka tidak dilakukan differencing lagi
sehingga tidak perlu model tentatif-nya.
α = 0,05
Daerah Penolakan
Tolak H0, jika Pvalue < α
Statistik Uji
Keputusan
Model 1: tolak H0 karena nilai Pvalue < α (2.734e-06. < 0.05)
Kesimpulan
Maka dapat disimpulkan bahwa ketiga model memiliki nilai residual tidak
menyebar secara normal.
9. Uji White Noise Model
Hipotesis
H0 : Residual memenuhi syarat White Noise
H1 : Residual tidak memenuhi syarat White Noise
Taraf Nyata
α = 0,05
Daerah Penolakan
Tolak H0, jika Pvalue < α
Statistik Uji
Keputusan
Model 1: tidak dapat tolak H0 karena nilai Pvalue > α (0.1613 > 0.05)
Model 3: tidak dapat tolak H0 karena nilai Pvalue > α (1.961e-07 < 0.05)
Kesimpulan
Makadapat disimpulkan bahwa hanya model 1 dan 3 yang memiliki nilai residual
memenuhi syarat White Noise.
Hipotesis
H0 : Parameter tidak signifikan dalam model
H1 : Parameter signifikan dalam model
Taraf Nyata
α = 0,05
Daerah Penolakan
Tolak H0, jika Pvalue < α
Statistik Uji
Keputusan
Model 1: tolak H0 karena nilai Pvalue < α (2.2 x 10-16 < 0.05)
Model 2: tolak H0 karena nilai Pvalue < α (2.2 x 10-16 < 0.05)
Model 3: tolak H0 karena nilai Pvalue < α (2.2 x 10-16 < 0.05)
Kesimpulan
Maka dapat diputuskan bahwa ketiga model mempunyai nilai parameter yang
signifikan dalam model.
12. Peramalan
Berdasarkan output di atas dapat diketahui bahwa hasil peramalan untuk 4 bulan
kedepan adalah sebagai berikut:
Tahun Bulan Jumlah
1987 Oct 20.24075
1987 Nov 25.84930
1987 Dec 32.58878
1988 Jan 39.22419
Nilai MAPE dari model 3 didapat sebesar 17.29705 atau 17.2%. Berdasarkan tabel
interval nilai MAPE, yaitu:
Interval Interpretation
<10% Highly Accurate Forecasting
10% - 20% Good Forecasting
20% - 50% Reasonable Forecasting
>50% Inacurate Forecasting
maka dapat dikatakan hasil peramalan ini termasuk dalam interval good forecasting
(peramalan yang baik).