Data :
36.14 | 44.29 | 44.6 | 50.09 | 44.15 | 48.42 | 35.72 | 41.39 |
36.19 | 46.11 | 44.63 | 53.44 | 46.95 | 53 | 36.9 | 42.52 |
39.66 | 44.61 | 49.72 | 55.18 | 44.49 | 52.24 | 36.54 | 41.66 |
41.44 | 47.84 | 49.07 | 54.27 | 48.98 | 52.31 | 39.59 | 42.03 |
1. Memeriksa stasioner dalam varians dengan boxcox
Gambar 1. Box-Cox
Berdasarkan Gambar 1 diketahui bahwa data sudah stasioner terhadap varians karena confidence interval sudah melewati 1 (-3.19 sampai 2.38).
2. Memeriksa stasioner dalam mean.
Gambar 2. ACF
Berdasarkan Gambar 2 diketahui bahwa data sudah stasioner terhadap mean karena gambar menunjukkan bahwa lag yang terbentuk cepat menuju nol. Jadi tidak perlu didifference sehingga model yang didapat IMA (0, 1).
3. Estimasi Model
Gambar 3. PACF
Berdasarkan Gambar 3 menunjukkan bahwa lag 1 cut off sehingga modelnya adalah AR (1).
Jadi ARIMA yang bisa digunakan untuk meramal adalah ARIMA (1, 0, 1).
1. Uji Asumsi
a. Uji L-jung Box
Hipotesis.
H0 : White Noise
H1 : Tidak White Noise
Tingkat Signifikan.
α = 5% = 0,05.
Lag | 12 | 24 | 36 | 48 |
Chi-Square | 16.2 | 24.6 | * | * |
DF | 9 | 21 | * | * |
P-Value | 0.063 | 0.625 | * | * |
Berdasarkan Tabel 1 diketahui bahwa P-Value lebih dari α sehingga gagal tolak H0 yang berarti bahwa residual data sudah white noise.
b. Semua Parameter Signifikan
Hipotesis.
H0 : Tidak Signifikan
H1 : Signifikan
Tingkat Signifikan.
α = 5% = 0,05.
Type | Coef | SE Coef | T | P |
AR 1 | 0.7493 | 0.1639 | 4.57 | 0 |
MA 1 | -0.0234 | 0.2413 | -0.1 | 0.923 |
Constant | 11.0735 | 0.736 | 15.05 | 0 |
Mean | 44.173 | 2.936 |
Berdasarkan Tabel 2 diketahui P-Value untuk MA 1 lebih dari α sehingga gagal tolak H0 yang berarti bahwa parameter tidak signifikan. Oleh karena itu model ARIMA (1, 0, 1) tidak dapat digunakan untuk meramal , sehingga tidak perlu diteruskan lagi.
1. Jika dilihat dari gambar 2 dapat diketahui kemungkinan model yang bisa digunakan adalah model ARIMA (1, 0, 0)
Uji Asumsi
a. Uji L-jung Box
Hipotesis.
H0 : White Noise
H1 : Tidak White Noise
Tingkat Signifikan.
α = 5% = 0,05.
Lag | 12 | 24 | 36 | 48 |
Chi-Square | 16.2 | 24.7 | * | * |
DF | 10 | 22 | * | * |
P-Value | 0.094 | 0.309 | * | * |
Berdasarkan Tabel 3 diketahui bahwa P-Value lebih dari α sehingga gagal tolak H0 yang berarti bahwa residual data sudah white noise.
b. Semua Parameter Signifikan
Hipotesis.
H0 : Tidak Signifikan
H1 : Signifikan
Tingkat Signifikan.
α = 5% = 0,05.
Type | Coef | SE Coef | T | P |
AR 1 | 0.7605 | 0.1212 | 6.28 | 0.000 |
Constant | 10,5677 | 0.7075 | 14.94 | 0.000 |
Mean | 44.131 | 2.955 |
Berdasarkan Tabel 4 diketahui P-Value kurang dari α sehinggatolak H0 yang berarti bahwa parameter signifikan.
c. Uji Residual Berdistribusi Normal
Hipotesis .
H0 : Berdistribusi normal
H1 : Tidak berdistribusi normal
Tingkat Signifikan.
α = 5% = 0,05.
Gambar 4. Normality Plot
Berdasarkan Gambar 4 didapatkan P-value sebesar 0.065 yang berarti bahwa gagal tolak H0 pada tingkat signifikan 5%. Sehingga kesimpulan yang di dapat adalah residual data berdistribusi normal.
Karena model ARIMA (1, 0, 0) sudah memenuhi semua asumsi maka model ARIMA sudah dapat digunakan untuk meramal.
Dan model yang didapat adalah Zt = 10,5677 + 0,7605 Zt-1
Dan hasil ramalannya 8 satuan waktu ke depan adalah sebagai berikut.
42.53322 |
42.91593 |
43.207 |
43.42838 |
43.59674 |
43.72478 |
43.82217 |
43.89623 |
0 komentar:
Posting Komentar