Kelas B

LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 7 : SARIMA

`
Nomor Tanggal Tanda Tangan
Nama Praktikan
Mahasiswa Kumpul Praktikan
Rafi Ilmi Badri U 18611085 11/12/2020

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Halima Tusyakdiah
Kamaluddin Simamora
Arum Handini Primandari, S. Pd.
Si., M. Si.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2020
Daftar Isi

Halaman sampul ................................................................................................... i

1 Pendahuluan ................................................................................................. 6
2 Deskripsi Kerja ............................................................................................ 6
2.1 Studi Kasus ............................................................................................ 9
2.2 Langkah Kerja ....................................................................................... 9
3 Pembahasan ............................................................................................... 10
4 Penutup ...................................................................................................... 24
4.1 Kesimpulan.......................................................................................... 24
5 Daftar Pustaka ............................................................................................ 24

2
Daftar Tabel

Tabel 1.1. Panduan identifikasi Model................................................................. 7

Tabel 4.1. Kesimpulan Model ARIMA .............................................................. 24

3
Daftar Gambar

Gambar 1.1. Rumus umum SARIMA ................................................................. 6

Gambar 2.1. Mengaktifkan packages forecast dan tseries ................................... 9
Gambar 2.2. Input data ‘penumpang domestik Ngurah [Link]’ .......................... 9
Gambar 2.3. Menampilkan nama-nama variabel ................................................. 9
Gambar 2.4. Menggunakan variabel [Link] dan menampilkan output-nya .. 9
Gambar 2.5. Mengubah menjadi objek runtun waktu ........................................ 10
Gambar 2.6. Membuat plot data runtun waktu .................................................. 10
Gambar 2.7. Menampilkan statistik deskriptif ................................................... 10
Gambar 2.8. Melakukan uji ACF untuk menguji stasioneritas ........................... 10
Gambar 2.9. Melakukan diferensi musiman agar data stasioner ........................ 10
Gambar 2.10. Membuat plot dari data yang didiferensikan ............................... 10
Gambar 2.11. Melakukan uji ADF untuk melihat kestasioneritasannya ............. 11
Gambar 2.12. Melakukan uji ACF kembali ....................................................... 11
Gambar 2.13. Melakukan differencing dan uji ADF .......................................... 11
Gambar 2.14. Menampilkan plot ACF .............................................................. 11
Gambar 2.15. Menampilkan plot ACF dan PACF ............................................. 11
Gambar 2.16. Membuat fungsi ‘printstatarima’................................................. 12
Gambar 2.17. Melihat fitting model .................................................................. 12
Gambar 2.18. Melakukan uji diagnostik ........................................................... 12
Gambar 2.19. Melakukan peramalan 4 periode ke depan .................................. 13
Gambar 2.20. Mengembalikan ke data awal...................................................... 13
Gambar 2.21. Menampilkan nilai prediksi ........................................................ 13
Gambar 2.22. Membuat plot dari data aktual dan peramalannya ....................... 13
Gambar 2.23. Mencari nilai MAPE dan akurasi peramalan ............................... 13
Gambar 3.1. Output data variabel ‘[Link]’ ................................................ 14
Gambar 3.2. Plot data yang telah diubah menjadi objek runtun waktu .............. 15
Gambar 3.3. Menampilkan statistk deskriptif .................................................... 15
Gambar 3.4. Output plot ACF (1) ..................................................................... 16
Gambar 3.5. Output diferensi musiman ............................................................ 16
Gambar 3.6. Output plot data yang telah didiferensi ......................................... 17
Gambar 3.7. Output uji ADF ............................................................................ 17
Gambar 3.8. Output plot ACF (2) ..................................................................... 18
Gambar 3.9. Output differencing ...................................................................... 18
Gambar 3.10. Output plot ACF (3) ................................................................... 19
Gambar 3.11. Output plot ACF dan PACF........................................................ 19
Gambar 3.12. Output fitting model 1 ................................................................ 20
Gambar 3.13. Output fitting model 2 ................................................................ 20
Gambar 3.14. Output fitting model 3 ................................................................ 20
Gambar 3.15. Output fitting model 4 ................................................................ 21
Gambar 3.16. Output fitting model 5 ................................................................ 21
Gambar 3.17. Output uji diagnostik model 4 ..................................................... 21
Gambar 3.18. Output uji diagnostik model 5 ..................................................... 22
Gambar 3.19. Output peramalan 4 periode ke depan ......................................... 22
4
Gambar 3.20. Output peramalan 4 periode ke depan dengan data awal ............. 22
Gambar 3.21. Output nilai peramalan ............................................................... 23
Gambar 3.21. Plot data aktual dan data peramalan ............................................ 23
Gambar 3.23. Output MAPE dan akurasi peramalan ......................................... 23

5
1 Pendahuluan

1.1. ARIMA
Seasonal ARIMA merupakan model ARIMA yang mengandung faktor
musiman. Musiman mengartikan bahwa data memiliki kecenderungan
mengulangi pola tingkah gerak dalam periode musim. Biasanya dapat berupa
mingguan, bulanan, triwulan, semesteran. Misalnya, musiman satu tahun untuk
data bulanan. Oleh sebab itu, runtun waktu musiman mempunyai karakteristik
yang ditunjukkan oleh adanya korelasi beruntun yang kuat pada jarak musiman
(periode musim), yaitu waktu yang berkaitan dengan banyak observasi pada per
periode musim.
[Link] ARIMA dan Rumus Umum SARIMA
Notasi ARIMA dapat diperluas untuk menangani aspek musiman, notasi
umumnya adalah (M. Ulwan, 2014) :
SARIMA(p,d,q)(P,D,Q)s
dengan :
p,d,q : bagian yang tidak musiman dari model
(P,D,Q)s : bagian musiman dari model
s : Jumlah periode musiman
Adapun rumus umum dari SARIMA(p,d,q)(P,D,Q)s sebagai berikut :

Gambar 1.1. Rumus umum SARIMA

dimana :
∅𝑃 (𝐵) : AR non seasonal
∅𝑃 (𝐵)𝑆 : AR seasonal
(1 − 𝐵)𝑑 : differencing non seasonal
(1 − 𝐵 𝑆 )𝐷 : differencing seasonal
𝜃𝑃 (𝐵) : MA non seasonal
𝜃𝑃 (𝐵)𝑆 : MA seasonal

6
[Link] Melakukan SARIMA
Terdapat beberapa langkah untuk melakukan metode SARIMA ini yaitu :
1. Pra Pengolahan Data
Data yang mengandung musiman, harus dihilangkan dari efek musimannya
dengan cara diferensi menggunakan orde panjang musiman. Setelah
dilakukan diferensi, data diuji stasioneritasnya menggunakan uji akar unit.
Selain itu, dapat juga diuji normalitasnya.
2. Identifikasi Model
Identifikasi lag musiman yaitu kelipatan dari panjang musiman, contoh 1s,
2s, dst, diperoleh untuk menentukan orde musiman.
Tabel 1.1. Panduan identifikasi Model
Proses Sampel ACF musiman Sampel PACF musiman
Seasonal Signifikan pada lag ke Meluruh menuju nol
ARIMA(0,0,0)(0,0,1)s s, setelahnya tidak ada secara eksponensial
lag yang signifikan pada lag musiman (1s,
2s, 3s, dst)
Seasonal Meluruh menuju nol Signifikan pada lag ke
ARIMA(0,0,1)(0,0,0)s secara eksponensial s, setelahnya tidak ada
pada lag musiman (1s, lag yang signifikan
2s, 3s, dst)

3. Estimasi Parameter Model

Estimasi parameter model dapat dilakukan dengan metode Maximum

Likelihood Estimator (MLE), Least Square, dll.

4. Diagnostic Checking

Pada langkah ini dilakukan uji diagnostic dari model yang telah didapatkan,

meliputi uji autokorelasi dan uji normalitas residual (walaupun dapat

diabaikan untuk kenormalan dari galat). Statistik uji yang digunakan adalah

Box-Pierce atau Ljung-Box.

5. Peramalan (Forecasting)

7
Setelah diperoleh model-model yang lulus uji diaggnostik, model terbaik

dipilih berdasarkan nilai kesalahan AIC (Akaike Information Criteria) atau

SBC (Schwarzt Bayesian Information Criteria)

8
2 Deskripsi Kerja

2.1 Studi Kasus

Gunakan data "Penumpang Domestik Ngurah Rai":
1. Analisis lah dengan menggunakan Seasonal ARIMA .
2. Lakukan overfitting, maksimal 5 model.
3. Berikan peramalan dengan model terbaik pada 4 periode ke depan.

2.2 Langkah Kerja

Berikut adalah langkah-langkah yang harus dilakukan oleh praktikan untuk
bekerja dengan RStudio agar dapat menyelesaikan studi kasus di atas.
1. Pertama praktikan mengaktifkan 2 packages terlebih dahulu yaitu packages
forecast dan tseries seperti pada gambar berikut.

Gambar 2.1. Mengaktifkan packages forecast dan tseries

2. Selanjutnya praktikan memasukkan data dari file “penumpang domestik
Ngurah [Link]” yang telah diunduh dan disimpan dalam folder dan variabel
datanya diberi nama ‘penumpang’, dengan syntax pengerjaannya seperti
gambar berikut.

Gambar 2.2. Input data ‘penumpang domestik Ngurah [Link]’

3. Setelah itu menampilkan nama-nama variabelnya dengan menggunakan syntax
seperti pada gambar berikut.

Gambar 2.3. Menampilkan nama-nama variabel

4. Karena data yang akan digunakan hanya pada variabel [Link] dan
tampilkan output-nya dengan menggunakan syntax seperti pada gambar berikut.

Gambar 2.4. Menggunakan variabel [Link] dan menampilkan output-nya

9
5. Lalu praktikan mengubah data dari bulan Januari 2014 menjadi objek runtun
waktu dengan frekuensinya 12 maka menggunakan syntax seperti gambar
berikut.

Gambar 2.5. Mengubah menjadi objek runtun waktu

6. Selanjutnya praktikan membuat plot dengan data runtun waktu dengan syntax
seperti pada gambar berikut.

Gambar 2.6. Membuat plot data runtun waktu

7. Selanjutnya menampilkan statistik deskriptif dari data yang telah dijadikan
objek runtun waktu tadi dengan menggunakan syntax seperti pada gambar
berikut.

Gambar 2.7. Menampilkan statistik deskriptif

8. Praktikan akan melakukan uji ACF untuk menguji stasioneritas dengan
menggunakan syntax seperti pada gambar berikut.

Gambar 2.8. Melakukan uji ACF untuk menguji stasioneritas

9. Jika datanya tidak stasioner maka praktikan melakukan diferensi musiman agar
data tersebut stasioner dengan menggunakan syntax seperti pada gambar
berikut.

Gambar 2.9. Melakukan diferensi musiman agar data stasioner

10. Selanjutnya menampilkan plot dari data yang didiferensi dengan menggunakan
syntax seperti pada gambar berikut.

Gambar 2.10. Membuat plot dari data yang didiferensikan

10
11. Setelah itu praktikan melakukan uji ADF untuk membuktikan bahwa data
tersebut sudah stasioner atau belum dengan menggunakan syntax seperti pada
gambar berikut.

Gambar 2.11. Melakukan uji ADF untuk melihat kestasioneritasannya

12. Jika data sudah stasioner atau p-value < α atau Tolak H0 dimana H0 nya yaitu
data mengandung unit root maka bias dilanjutkan ke langkah selanjutnya.
Karena data yang ada menunjukkan bahwa belum stasioner maka dilakukan uji
ACF lagi seperti pada gambar berikut.

Gambar 2.12. Melakukan uji ACF kembali

13. Selanjutnya karena data belum stasioner melakukan differencing lagi,
digunakan data yang telah di diferensikan tadi, dan dilanjut dengan uji ADF
untuk melihat apakah data sekarang telah stasioner atau belum menggunakan
syntax seperti gambar berikut.

Gambar 2.13. Melakukan differencing dan uji ADF

14. Setelah itu praktikan menampilkan plot ACF dengan menggunakan syntax
seperti pada gambar berikut.

Gambar 2.14. Menampilkan plot ACF

15. Kemudian praktikan menampilkan plot PACF dan ACF dengan membagi layar
visual untuk menampilkan plot-nya dangan menggunakan syntax seperti pada
gambar berikut.

Gambar 2.15. Menampilkan plot ACF dan PACF

11
16. Selanjutnya karena praktikan akan melihat signifikansi dari koefisien model,
maka praktikan membuat fungsi baru yaitu ‘printstatarima’ seperti pada gambar
berikut.

Gambar 2.16. Membuat fungsi ‘printstatarima’

17. Selanjutnya karena praktikan diminta untuk membuat maksimal 5 model, dan
diketahui model utamanya yaitu (0,1,1) (1,1,2) maka ditampilkan fitting dari
masing-masing modelnya dengan manggunakan syntax seperti pada gambar
berikut.

Gambar 2.17. Melihat fitting model

18. Lalu selanjutnya praktikan melakukan uji diagnostik yaitu dengan
menggunakan uji autokorelasi dengan menggunakan syntax seperti pada
gambar berikut.

Gambar 2.18. Melakukan uji diagnostik

12
19. Kemudian praktikan melakukan peramalan 4 periode ke depan dengan melihat
dari model yang memiliki AIC paling kecil, disini diketahui bahwa model yang
memiliki AIC paling kecil yaitu model 4. Maka berikut adalah syntax untuk
peramalan 4 periode ke depan dari model 4.

Gambar 2.19. Melakukan peramalan 4 periode ke depan

20. Selanjutnya praktikan mengembalikan ke data awal, karena transformasi tadi
menggunakan log maka digunakan perintah eksponensial dengan menggunakan
syntax seperti pada gambar berikut.

Gambar 2.20. Mengembalikan ke data awal

21. Selanjutnya praktikan menampilkan nilai prediksinya dengan menggunakan
syntax seperti pada gambar berikut.

Gambar 2.21. Menampilkan nilai prediksi

22. Kemudian praktikan menampilkan plot yang terdiri dari data aktualnya dan data
nilai prediksinya dengan menggunakan syntax seperti pada gambar berikut.

Gambar 2.22. Membuat plot dari data aktual dan peramalannya

23. Yang terakhir untuk mengetahui berapa besar akurasi dari nilai peramalan tadi
maka praktikan mencari nilai MAPE dengan menggunakan syntax seperti pada
gambar berikut.

Gambar 2.23. Mencari nilai MAPE dan akurasi peramalan

13
3 Pembahasan

Pada bab kali ini praktikan akan menjelaskan penyelesaian studi kasus yang
mana telah dipaparkan langkah pengerjaannya pada bab sebelumnya. Pertama
praktikan menampilkan data yang telah dimasukkan ke dalam RStudio, praktikan
menampilkan data yang telah dimasukkan ke dalam RStudio dimana data hanya
teridiri dari variabel ‘[Link]’ dengan syntax seperti pada Gambar 2.4. dan
berikut tampilan datanya

Gambar 3.1. Output data variabel ‘[Link]’

Gambar diatas hanya memperlihatkan sebagian datanya, dari gambar diatas dapat
dilihat tampilan data variabel ‘[Link]’ dari file ‘penumpang domestik Ngurah
[Link]’ yang telah dimasukkan ke dalam RStudio, data urut dari data terlama yaitu
bulan Januari 2014 hingga Desember 2019. Setelah praktikan mengubah data
menjadi objek runtun waktu dan praktikan menampilkan output dari plot data
tersebu, dan berikut adalah output-nya.

14
 Gambar 3.2. Plot data yang telah diubah menjadi objek runtun waktu
Dari hasil plot diatas datanya cukup berfluktuasi. Selanjutnya praktikan
menampilkan statistik deskriptifnya seperti pada gambar berikut.

Gambar 3.3. Menampilkan statistk deskriptif

Diketahui dari output diatas rata-rata dari data penumpang yaitu 405916, nilai
minimumnya 289400, dan nilai maksimumnya 547576.
Selanjutnya praktikan mencari tahu apakah data sudah stasioner dalam rata-rata dan
variansi atau belum. Dimana data stasioner yaitu apabila pola pergerakan antar
observasi atau waktu stabil pada nilai tengah (rata-rata) dan ragam (variansi). Dari
plot data diketahui bahwa data yang dimiliki yaitu membentuk pola musiman yang
berarti bahwa data tersebut tidak stasioner.
Kemudian untuk mengetahui bahwa data tersebut stasioner atau tidak dapat
dibuktina dengan melihat dari plot ACF dan uji ADF. Untuk menampilkan plot
ACF denga menggunakan syntax seperti pada Gambar 2.8. maka output-nya
seperti pada gambar berikut.

15
 Gambar 3.4. Output plot ACF (1)
Dari hasil plot ACF diketahui bahwa data yang stasioner yaitu ketika grafik
menunjukkan meluruh menuju 0 secara eksponensial atau adanya gelombang-
gelombang yang sama secara berulang. Maka dari itu deilakukan diferensi musiman
dan melakukan transformasi log karena data berjumlah besar, dengan menggunakan
syntax seperti pada Gambar 2.9. maka output-nya seperti pada gambar berikut.

Gambar 3.5. Output diferensi musiman

Selanjutnya menampilkan plot data yang tlah didiferensi dan dilakukan
transformasi log dengan syntax seperti pada Gambar 2.10. maka output-nya seperti
pada gambar berikut.

16
 Gambar 3.6. Output plot data yang telah didiferensi
Dari output diatas bias dilihat bahwa data sudah cukup stasioner dalam rata-rata
tetapi belum stasioner dalam variansi karena rentang yang ada masih cukup besar.
Maka untuk mengetahui apakah data tersebut sudah stasioner atau belum maka
dicek dengan menggunakan uji ADF, dengan H0 : data mengandung unit root
dengan daerah kritisnya Tolak H0 jika p-value < α. Dengan pengerjaan seperti yang
ditunjukkan pada Gambar 2.11. maka didapatkan output seperti pada gambar
berikut.

Gambar 3.7. Output uji ADF

Berdasarkan hasil diatas diketahui p-value = 0.4802 yang berarti H0 gagal ditolak
yang berarti data belum stasioner. Maka perlu dilakukan differencing satu kali lagi,
sebelumnya ditampilkan plot ACF nya terlebih dahulu seperti gambar berikut.

17
 Gambar 3.8. Output plot ACF (2)
Barulah praktikan melakukan differencing kembali dengan menggunakan data yang
tadi telah di-differencing dengan syntax seperti pada Gambar 2.13. maka
didapatkan output seperti gambar berikut.

Gambar 3.9. Output differencing

Berdasarkan output diatas diketahui p-value = 0.01 yang berarti Tolak H0 dimana
data sudah stasioner. Selanjutnya melihat plot ACF kembali dengan menggunakan
syntax seperti pada Gambar 2.14. maka output-nya seperti pada gambar berikut.

18
 Gambar 3.10. Output plot ACF (3)
Dari output diatas sudah tidak terdapat lagi pola yang berulang. Selanjutnya
praktikan menampilkan plot ACF dan PACF untuk menentukan model awal dengan
menggunakan syntax seperti pada Gambar 2.15. maka output-nya seperti pada
gambar berikut.

Gambar 3.11. Output plot ACF dan PACF

Karena menggunakan metode SARIMA dimana notasinya yaitu (p,d,q)(P,D,Q)
maka diketahui untuk p dilhat dari ar dari PACF, sedangkan P dilihat berdasarkan
sar dari PACF, kemudian untuk q dilihat dari ma dari ACF, sedangkan Q dilihat
dari sma dari ACF. Yang terakhir untuk d dan D dilihat dari diferensinya, berapa
kali dilakukan differencing. Maka didapatkan model awal yaitu (0,1,2)(1,1,2).
Setelah itu dibuat sebuah fungsi baru yaitu fungsi ‘printstatarima’ seperti pada

19
Gambar 2.16. maka dilakukan fitting model dengan menampilkan summary dari
model tersebut dan signifikansi dari koefisien masing-masing model dengan
menggunakan syntax seperti pada Gambar 2.17. maka diketahui output seperti
pada gambar berikut.

Gambar 3.12. Output fitting model 1

Gambar 3.13. Output fitting model 2

Gambar 3.14. Output fitting model 3

20
 Gambar 3.15. Output fitting model 4

Gambar 3.16. Output fitting model 5

Diketahui dari kelima output diketahui bahwa model yang signifikan yaitu hanya
model 4 dan model 5 saja, sehingga untuk melakukan uji diagnostic hanya
menggunakan 2 model tersebut. Kemudian untuk nilai AIC yang terendah yaitu
model -79.46 dimiliki oleh model 4, dan model ini yang digunakan untuk peramalan
nantinya. Selanjutnya dilakukan uji diagnostik dengan menggunakan model 4 dan
model 5. Berikut output-nya.

Gambar 3.17. Output uji diagnostik model 4

21
 Gambar 3.18. Output uji diagnostik model 5
Terlihat dari hasil uji diagnostik diatas, residual model bersifat white noise (WN).
Ditandai dengan tidak adanya lag (≥ 1) yang keluar dari batas interval. Selain itu,
p-value pada L-jung Box juga di atas batas 5%, yang menandakan hipotesis nol
residual tidak mengandung korelasi serial diterima.
Selanjutnya adalah melakukan peramalan, dikarenakan nilai AIC dari semua model
tadi yang paling kecil adalah model 4 maka model ini yang digunakan untuk
melakukan peramalan 4 periode ke depan.

Gambar 3.19. Output peramalan 4 periode ke depan

Output diatas belum menunjukkan data awal karena tadi telah dilakukan
transformasi menggunakan log maka untuk menampilkan data awalnya yaitu engan
menggunakan perintah eksponensial dengan syntax seperti pada Gambar 2.20. Dan
berikut output-nya.

Gambar 3.20. Output peramalan 4 periode ke depan dengan data awal

22
Selanjutnya ditampilkan output dari nilai peramalannya seperti pada gambar
berikut.

Gambar 3.21. Output nilai peramalan

Setelah itu praktikan menampilkan output dari plot data aktual dan data peramalan
seperti pada gambar berikut.

Gambar 3.22. Plot data aktual dan data peramalan

Dari output diatas diketahui data aktual ditunjukkan dengan garis berwarna orange,
data peramalan berwarna biru, dan hijau untuk nilai prediksinya.
Yang terakhr praktikan melihat akurasi dari nilai peramalannya dengan
menggunakan MAPE dengan syntax seperti pada Gambar 2.23 maka output-nya
seperti pada gambar berikut.

Gambar 3.23. Output MAPE dan akurasi peramalan

23
4 Penutup

4.1 Kesimpulan
1. Diketahui bahwa data ‘penumpang domestic Ngurah [Link]’ tidak
stasioner maka dilakukannya diferensi.
2. Kesimpulan dari model ARIMA dipaparkan pada table berikut.
Tabel 4.1. Kesimpulan Model ARIMA

Tipe AIC P
SARIMA MA -79.46 0.0003
(0,1,1)(1,1,0) SAR
SARIMA AR -77.5 0.0002
(1,1,1)(0,1,0) MA 0.0374

3. Untuk melakukan peramalan 4 periode ke depan digunakan model dengan

AIC yang paling kecil yaitu terdapat pada model 4 atau model
SARIMA(0,1,1)(1,1,0) Diketahui hasilnya yaitu pada bulan Januari 2020-
April 2020 sebesar 433538.8; 369770.5; 386606.9; 393947.7

24
5 Daftar Pustaka

Primandari, A. H. ([Link].). Modul Praktikum Analisis Runtun Waktu. Yogyakarta:

FMIPA UII.

25