Analisis : Dari plot (prw) diatas dapat disimpulkan bahwa data tidak stasioner dalam
variance dan mean. Karna data mengalami trand naik dan turun/ tidak
mendekati rata-ratanya.
b. Plot ACF
>acf(prw)
Analisis : Dari plot ACF (prw) dapat disimpulkan bahwa data tidak stasioner. Karna
nilai autokoreasi (prw) terputus pada lag ke-2 maka model yang cocok MA(2).
c. Plot PACF
>PACF(prw)
Analisis : Dari plot PACF (prw) dapat disimpulkan bahwa nilai parsial/ autokorelasi
terputus pada lag-2. Maka model yang cocok digunakan adalah AR(2).
Untuk lag = 2
UJI HIPOTESIS
a. Hipotesis
H0 : pk = 0 (Data prw stasioner)
H1 : pk ≠ 0 (Data prw tidak stasioner)
b. Signifikansi
Nilai α = 5%=0.05
c. Statistik uji
Nilai P-Value = 0.03727
d. Daerah kritis
H0 ditolak jika Nilai P-Value < alfa (α)
e. Keputusan
Nilai P-Value = 0.03727 < alfa (α) = 0.05 maka H0 ditolak.
f. Kesimpulan
Karena Nilai P-Value = 0.03727 < alfa (α) = 0.05 maka H0 ditolak. artinya dapat
dikatakan dataprw tidak stasioner.
2. Karna setelah di uji Ljung-box diperoleh data tidak stasioner, maka langkah
selanjutnya melakukkan transformasi (menggunakan ln), jika masih tidak stasioner
maka melakukan (differencing data).
Melakukan transformasi dan differencing
Data Transformasi (ln) Differencing
14494 9,58149005
13869 9,537411413 -0,044078637
17132 9,748703339 0,211291926
16775 9,727644962 -0,021058377
17824 9,788301143 0,060656181
18143 9,80604009 0,017738948
Analisis : Dari plot (dataprw) diatas dapat disimpulkan bahwa data stasioner dalam
mean.
b. Plot ACF
>acf(dataprw)
Analisis : Dari plot ACF (dataprw) dapat disimpulkan bahwa nilai autokorelasi terputus
pada lag ke-0. Maka model yang cocok MA(0)..
c. Plot PACF
>PACF(dataprw)
Analisis : Dari plot PACF (dataprw) dapat disimpulkan bahwa nilai parsial/ autokorelasi
tidak terputus dan turun secara eksponensial.
Untuk lag = 2
UJI HIPOTESIS
a. Hipotesis
H0 : pk = 0 (dataprw stasioner)
H1 : pk ≠ 0 (dataprw tidak stasioner)
b. Signifikansi
Nilai α = 5%=0.05
c. Statistik uji
Nilai P-Value = 0.08703
d. Daerah kritis
H0 ditolak jika Nilai P-Value < alfa (α)
e. Keputusan
Nilai P-Value = 0.08703 > alfa (α) = 0.05 maka H0 tidak ditolak.
f. Kesimpulan
Karena Nilai P-Value = 0.08703 > alfa (α) = 0.05 maka H 0 tidak ditolak. artinya dapat
dikatakan bahwa dataprw stasioner.
W t = − ∅1 + e t−1
W t = ln(Y ¿¿ t)¿ - ln(Y ¿¿ t−1)¿
^ t = -0.4526 Wt-1 - 0.3602 Wt-2 + 0.3553 e t−1 - 0.5345e t−2
W
4. Melakukan Diagnostic dan Peramalan
a. Mencari Residuals
UJI HIPOTESIS
a. Hipotesis
H0 : ρ1= ρ2=⋯ =ρk = 0 (Residual memenuhi syarat white noise)
H1 : pk ≠ 0 (Minimal ada satu residual tidak memenuhi syarat white noise)
b. Signifikansi
Nilai α = 5% = 0.05
c. Statistik uji
Nilai P-Value = 0.7545
d. Daerah kritis
H0 ditolak jika Nilai P-Value < alfa (α)
e. Keputusan
Nilai P-Value = 0.7545 > alfa (α) = 0.05 maka H0 tidak ditolak.
f. Kesimpulan
Karena Nilai P-Value = 0.7545 > alfa (α) = 0.05 maka H 0 tidak ditolak. artinya dapat
dikatakan bahwa residual memenuhi syarat white noise.
c. Uji Kenormalan
Menggunakan uji Kolmogorov-Semirnov
UJI HIPOTESIS
a. Hipotesis
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
b. Signifikansi
Nilai α = 5% = 0.05
c. Statistik uji
Nilai P-Value = 0.7009
d. Daerah kritis
H0 ditolak jika Nilai P-Value < alfa (α)
e. Keputusan
Nilai P-Value = 0.7009 > alfa (α) = 0.05 maka H0 tidak ditolak.
f. Kesimpulan
Karena Nilai P-Value = 0.7009 > alfa (α) = 0.05 maka H 0 tidak ditolak. artinya dapat
dikatakan bahwa data berdistribusi normal.
d. Peramalan
Menggunakan data hasil Transformasi
Analisis : Dari hasil peramalan diatas diperoleh prediksi jumlah penumpang pada bulan
Januari – Maret 2016
Ln(y) 1 = 50.99863 y61 = exp(50.99863) = 1,40742E+22
Ln(y) 2 = 55.75827 y62 = exp(55.75827) = 1,64251E+24
Ln(y) 3 = 55.76602 y63 = exp(55.76602) = 1,65529E+24