Kelompok 4

Attiyah Afifah 1314617011

Afifah Nur Mutia 1314618008
Anggita Nur Putritama 1314618026
Peramalan jumlah kasus positif
harian covid-19 di DKI-Jakarta
dengan arima pada minggu ke-3
dan ke-4 bulan november 2020

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

Berdasarkan plot time series data Jumlah

Kasus Positif Harian Jakarta diketahui
bahwa data sudah stasioner dalam rataanya,
karena nilai dari data kebanyakan berada
tidak jauh dari garis rataan dan ragam dari
Jumlah Kasus Positif Harian Jakarta
memiliki interval nilai yang tidak terlalu
besar dan equal dari hari-kehari.

Plot Time Series Data Jumlah Kasus Positif COVID-19 Harian

di DKI Jakarta per tanggal 9 September – 27 November 2020

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

Plot ACF terlihat bahwa nilainya tail off karena nilainya

turun menuju 0 secara perlahan.

Plot PACF terlihat bahwa nilainya tail off karena nilainya

turun menuju 0 secara perlahan.

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 :

Model 5 = ARMA(2,1) 869.9954

Model 6 = ARMA(7,1) 851.3085

 Diagnostik Model

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)

Tanggal Data Selisih

Data
sesungguh
Ramalan
nya
11/12/2020 1020 977,7102 42,2898
11/13/2020 987 995,9135 -8,9135
11/14/2020 949 986,0961 -37,0961
11/15/2020 844 719,6359 124,3641
11/16/2020 1158 846,4504 311,5496
11/17/2020 1189 980,3643 208,6357
11/18/2020 1087 919,9954 167,0046
11/19/2020 1165 945,8070 219,1930
11/20/2020 1216 961,2555 254,7445
11/21/2020 1094 974,6326 119,3674 Dapat dilihat bahwa data prediksi dan data sesungguhnya
11/22/2020 1009 804,6428 204,3572
terdapat perbedaan namun tidak cukup jauh.
11/23/2020 1102 880,4345 221,5655
11/24/2020 1141 957,3419 183,6581
11/25/2020 1104 902,0790 201,9210
11/26/2020 1215 931,5940 283,4060
11/27/2020 1231 939,7784 291,2216
 Akurasi Peramalan

cat( "MAPE of Prediction :",MAPE(y_pred=pred.Data$pred,

y_pred=test$`Positif Harian (Jakarta)`))
## MAPE of Prediction : 0.1599449

Nilai MAPE Akurasi Prediksi Hasil akurasi model peramalan dengan

MAPE ≤ 10% Tinggi menggunakan model ARMA(7,1) berdasarkan
10% < MAPE ≤ 20% Baik nilai MAPE 16% memiliki kemampuan baik
20% < MAPE ≤ 50% Cukup
untuk meramalkan.
MAPE > 50% Rendah
 3.
Kesimpulan
 Berdasarkan hasil peramalan yang telah kami modelkan, kami mengambil kesimpulan bahwa
model yang kami digunakan dapat melakukan peramalan terhadap jumlah kasus positif COVID-19 di
DKI-Jakarta dengan cukup baik. Hal ini disebabkan karena MAPE (Mean Absolute Percent Error) 15,9%.
MAPE dihitung berdasarkan model yang didapat setelah diidentifikasi dengan plot ACF dan PACF. Model
yang di dapat dari data yang telah di cek kestasionerannya dalam rataan dan ragam tersebut adalah model
ARMA(7,1), karena nilai AIC yang dihasilkan model tersebut lebih kecil dari model lain yang didapat
lainnya.

18
Terima Kasih

19