Você está na página 1de 5

Ardhi Zakaria 1307100045

Analisis Data II
Nomer 7

January 1960 1977 N = 216


Time Series Plot of Data_Asli
20

15
Data_Asli

10

0 1 22 44 66 88 110 Index 132 154 176 198

Dari time series plot di atas terlihat plot belum stationer. untuk mengetahui kondisi stasioneritas data maka perlu dilakukan identifikasi. Kestasioneran dalam varians dapat dilihat dari identifikasi dengan menggunakan transformasi Box-Cox.

Box-Cox Plot of Data_Asli


10
Lower CL Upper CL Lambda (using 95.0% confidence) Estimate Lower CL Upper CL Rounded Value -0.07 -0.27 0.11 0.00

6
StDev

2 Limit -3 -2 -1 0 1 2 Lambda 3 4 5

Gambar boxplot diatas belum stasioner terhadap varians maka dilakukan transformasi data karena pada batas atas dan batas bawah belum memuat 1, atau dilihat rounded value yang masih bernilai 0.00, sehingga dilakukan transformasi.
Box-Cox Plot of C3
1.4 1.2 1.0
Lower C L Upper C L Lambda (using 95.0% confidence) Estimate Lower C L Upper C L Rounded Value 0.86 0.56 1.19 1.00

StDev

0.8 0.6 0.4 0.2 Limit 0.0 -5.0 -2.5 0.0 Lambda 2.5 5.0

Gambar diatas menunjukkan bahwa data upper dan lower yang telah memuat nilai 1. Sehingga untuk langkah selanjutnya yaitu melihat kestasioneran dalam rata-rata.

Time Series Plot of Box_2


3.0

2.5

Box_2

2.0

1.5

1.0

0.5 1 22 44 66 88 110 Index 132 154 176 198

Time series plot di atas terlihat plot belum stationer terhadap varian, maka data yang ada di difference

Time Series Plot of Diff_1


0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 1 22 44 66 88 110 Index 132 154 176 198

Time Series Plot diatas menunjukkan data sudah stasioner terhadap varian

Diff_1

(with 5% significance limits for the autocorrelations) 1.0 0.8 0.6


Autocorrelation

Autocorrelation Function for Diff_1

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1 5 10 15 20 25 Lag 30 35 40 45 50

(with 5% significance limits for the partial autocorrelations) 1.0 0.8


Partial Autocorrelation

Partial Autocorrelation Function for Diff_1

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1 5 10 15 20 25 Lag 30 35 40 45 50

AR1

SS = 283.391 (backforecasts excluded) MS = 1.330 DF = 213 SS = 279.748 (backforecasts excluded) MS = 1.313 DF = 213

MA1

AR1MA1 SS = 243.577 (backforecasts excluded) MS = 1.149 DF = 212

Berdasarkan Tabel diatas menunjukkan bahwa model terbaik adalah ARMA (1,1,1). Karena berdasarkan kriteria model terbaik yaitu MAPE dan RMSE nilainya lebih kecil jika dibandingkan dengan nilai AR1 (1,0,0) dan MA1 (0,1,1) Setelah itu kita dapat meramalkan 10 bulan ke depan yaitu
95% Limits Forecast Lower Upper Actual 217 16.8301 14.7288 18.9314 218 16.7502 14.2893 19.2111 219 16.7396 14.1381 19.3411 220 16.7659 14.0936 19.4382 221 16.8118 14.0955 19.5281 222 16.8682 14.1194 19.6169 223 16.9301 14.1545 19.7058 224 16.995 14.1952 19.7949 225 17.0615 14.239 19.884 226 17.1289 14.2845 19.9732

Period