2
Data Tanggal
Positif Harian
(Jakarta)
09/09/2020 1102
09/10/2020 1203
Data yang digunakan di penelitian ini adalah data Time 09/11/2020 1435
09/12/2020 1702
Series berupa data harian kasus positif Covid-19 di Provinsi 09/13/2020 768
DKI-Jakarta yang diperoleh di 09/14/2020 1263
09/15/2020 1037
https://corona.jakarta.go.id/id/data-pemantauan. Data harian 09/16/2020 1048
09/17/2020 1403
kasus positif (Jakarta) yang digunakan adalah data dari 9 09/18/2020 1166
September 2020 hingga 27 November 2020 dengan total 80 09/19/2020 1177
09/20/2020 929
data kasus positif harian (Jakarta). 09/21/2020 1265
09/22/2020 1187
09/23/2020 937
09/24/2020 1199
11/25/2020 1104
11/26/2020 1215
11/27/2020 1231
3
Pembagian data dilakukan dengan membagi dua data yaitu data training dan data testing,
dilakukan dengan metode mengambil 80% data sebagai data training dan 20% data
sebagai data testing. Sehingga menghasilkan data training = 64 data/hari dan data
testing = 16 data/perhari. Data mulai dari 9 September 2020 hingga 11 November
2020, ini digunakan sebagi data training. Sedangkan untuk menguji akurasi prediksi data,
data mulai dari 12 November 2020 hingga 27 November, digunakan sebagai data testing.
Tahapan Analisis Data Menggunakan
R studio
5
1.
Pengecekan Kestasioneran Data
• Stasioner dalam rataan
• Stasioner dalam ragam
Stasioner Dalam Rataan
7
Stasioner Dalam Ragam
Levent Test
##
## Modified robust Brown-Forsythe Levene-type test based on the absolute
## deviations from the median
##
## data: train$`Positif Harian (Jakarta)`
## Test Statistic = 0.69403, p-value = 0.7254
Berdasarkan hasil uji Levene dengan taraf signifikansi sebesar 0,05 didapat bahwa nilai p-value
sebesar 0,7254. Karena P-value = 0,7254 > nilai α = 0,05, maka H0 diterima. Jadi dapat disimpulkan
bahwa data stasioner dalam ragam.
8
2.
Mengidentifikasi Model
• Plot ACF
• Plot PACF
• Membuat model
• Diagnostik model
Plot ACF dan PACF
10
Fitting Model
Model AIC
876.5805
Model 1 = ARMA(1,0)
882.7512
Model 2 = ARMA(0,1) Berdasarkan hasil fit model ARMA(1,0),
871.8565 ARMA(0,1), ARMA(1,1), ARMA(1,2),
Model 3 = ARMA(1,1)
ARMA(2,1), dan ARMA(7,1). Didapatkan nilai
903.305
Model 4 = ARMA(1,2) AIC dari masing-masing model sebagai berikut :
Berdasarkan plot gambar diatas dapat dilihat pada plot ACF residual data merupakan model white
noise ditandai dengan tidak adanya lag yang keluar dari garis batas interval. Sedangkan dilihat dari
plot p-value for Ljung-Box statistic, nilai p-value ada yang lebih dari α=0,05 yang artinya tidak
terdapat autokorelasi pada data sehingga asumsi no-autokorelasi terpenuhi.
3.
Peramalan Model
Peramalan Model
#peramalan
pred.Data <-predict(mod6,n.ahead = 16)
pred.Data$pred
## Time Series:
## Start = 65
## End = 80
## Frequency = 1
## [1] 977.7102 995.9135 986.0961 719.6359 846.4504 980.3643 919.9954 945.8070
## [9] 961.2555 974.6326 804.6428 880.4345 957.3419 902.0790 931.5940 939.7784
Positif Harian (Jakarta)
18
Terima Kasih
19