TUGAS PRAKTIKUM ANALISIS RUNTUN WAKTU

TUGAS KELAS B
PRAKTIKUM ANALISIS RUNTUN WAKTU
Dosen Pengampu
Prof. Dr.rer.nat Dedi Rosadi, S.Si., M.Sc
Asisten Praktikum
Dwi Aji Widiantoro (16225)
Robertus Indrakurniawan (16218)
Disusun Oleh:
15/383355/PA/17015
LABORATORIUM KOMPUTASI MATEMATIKA DAN STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2017

SOAL
The data have been obtained in [Box, G.E.P. and Jenkins, G.M. (1976). Time Series Analysis:
Forecasting and Control. Holden-Day, San Francisco], and correspond to monthly international
airline passengers (in thousands) from January 1949 to December 1960. Please do forecast
analysis for up to five months ahead and give suggestions for the airport or the company that
take care of air traffic, such as Angkasa Pura.
Month International Airline Passengers (thousands)
Dec-60 432
Nov-60 390
Oct-60 461
Sep-60 508
Aug-60 606
Jul-60 622
Jun-60 535
May-60 472
Apr-60 461
Mar-60 419
Feb-60 391
Jan-60 417
Dec-59 405
Nov-59 362
Oct-59 407
Sep-59 463
Aug-59 559
Jul-59 548
Jun-59 472
May-59 420
Apr-59 396
Mar-59 406
Feb-59 342
Jan-59 360
Dec-58 337
Nov-58 310
Oct-58 359
Sep-58 404
Aug-58 505
Jul-58 491
Jun-58 435
May-58 363
Apr-58 348
Mar-58 362
Feb-58 318
Jan-58 340
Dec-57 336
Nov-57 305
Oct-57 347
Sep-57 404
Aug-57 467
Jul-57 465
Jun-57 422

May-57 355
Apr-57 348
Mar-57 356
Feb-57 301
Jan-57 315
Dec-56 306
Nov-56 271
Oct-56 306
Sep-56 355
Aug-56 405
Jul-56 413
Jun-56 374
May-56 318
Apr-56 313
Mar-56 317
Feb-56 277
Jan-56 284
Dec-55 278
Nov-55 237
Oct-55 274
Sep-55 312
Aug-55 347
Jul-55 364
Jun-55 315
May-55 270
Apr-55 269
Mar-55 267
Feb-55 233
Jan-55 242
Dec-54 229
Nov-54 203
Oct-54 229
Sep-54 259
Aug-54 293
Jul-54 302
Jun-54 264
May-54 234
Apr-54 227
Mar-54 235
Feb-54 188
Jan-54 204
Dec-53 201
Nov-53 180
Oct-53 211
Sep-53 237
Aug-53 272
Jul-53 264
Jun-53 243
May-53 229
Apr-53 235
Mar-53 236
Feb-53 196

Jan-53 196
Dec-52 194
Nov-52 172
Oct-52 191
Sep-52 209
Aug-52 242
Jul-52 230
Jun-52 218
May-52 183
Apr-52 181
Mar-52 193
Feb-52 180
Jan-52 171
Dec-51 166
Nov-51 146
Oct-51 162
Sep-51 184
Aug-51 199
Jul-51 199
Jun-51 178
May-51 172
Apr-51 163
Mar-51 178
Feb-51 150
Jan-51 145
Dec-50 140
Nov-50 114
Oct-50 133
Sep-50 158
Aug-50 170
Jul-50 170
Jun-50 149
May-50 125
Apr-50 135
Mar-50 141
Feb-50 126
Jan-50 115
Dec-49 118
Nov-49 104
Oct-49 119
Sep-49 136
Aug-49 148
Jul-49 148
Jun-49 135
May-49 121
Apr-49 129
Mar-49 132
Feb-49 118
Jan-49 112

JAWAB
1. Meramalkan jumlah Peserta KB Aktif yang menggunakan alat kontrasepsi berupa suntik
pada Provinsi Daerah Istimewa Yogyakarta untuk 5 periode mendatang.
 Grafik Data Asli
Interpretasi:
Dari grafik data asli di atas, dapat dilihat bahwa data masih belum stasioner
terhadap variansi dikarenakan range data sangat besar yakni dari sekitaran 0 sampai
700. Selain itu, data juga belum stasioner terhadap mean karena pada grafik diatas
tampak bahwa data tidak berada di sekitar 0. Dari dari grafik tersebut terdapat efek
musiman setiap bulanan atau 12 pengamatan setiap periode seperti pada penyajian
data, maka akan digunakan metode musiman multiplikatif, dan perlu dilakukan
transformasi dan differencing terlebih dahulu.
 DIFFERENCING 0 (DDIF0)
Grafik
0
100
200
300
400
500
600
700
49 50 51 52 53 54 55 56 57 58 59 60
DATA

Interpretasi:
Dari grafik diatas dapat dilihat bahwa pada differencing data yang ke-nol, mean
data menjadi memiliki interval antara -10 sampai 80. Pada differencing ke-nol ini
tampak bahwa data secara keseluruhan belum mendekati nol(0), tetapi ada juga data
yang jauh dari titik nol. Jika data sudah berada disekitar garis nol, maka asumsi
terpenuhi bahwa DDIF0 sudah stasioner terhadap mean, tetapi pada grafik tersebut
data tidak berada di sekitar garis nol, sehingga belum stasioner terhadap mean.
Tetapi untuk lebih memastikan apakah sudah stasioner terhadap mean, akan
dilakukan uji ADF Test.
ADF TEST DDIF0
- Hipotesis
H0 : Data tidak stasioner terhadap mean
H1 : Data stasioner terhadap mean
- Tingkat signifikansi
α = 5%
- Statistik uji
Nilai ADF Test Statistic = -3,383021
Test Critical Value:
-10
0
10
20
30
40
50
60
70
80
49 50 51 52 53 54 55 56 57 58 59 60
DDIF0

1% level = -3,481217
5% level = -2,883753
10% level = -2,578694
- Daerah kritik
H0 ditolak jika nilai ADF Test Statistic < semua Test Critical Value
(ADF Test = -3,383021) > (1% level = -3,481217)
(ADF Test = -3,383021) < (5% level = -2,883753; 10% level = -2,578694)
Maka H0 tidak ditolak
- Kesimpulan
H0 ditolak, maka dapat disimpulkan bahwa DDIF 0 belum stasioner
terhadap mean.
Karena DDIF 0 masih belum stasioner terhadap mean, maka akan
dilanjutkan ke Differencing 1.
Grafik
Interpretasi:
Dari grafik diatas dapat dilihat bahwa pada differencing data yang pertama, mean
data menjadi memiliki interval antara -40 sampai 60. Pada differencing pertama ini
tampak bahwa data secara keseluruhan mendekati nol(0), tetapi ada juga data yang
jauh dari titik nol. Jika data sudah berada digaris nol, maka asumsi terpenuhi bahwa
DDIF1 sudah stasioner terhadap mean. Tetapi untuk lebih memastikan apakah
sudah stasioner terhadap mean, akan dilakukan uji ADF Test.
-40
-20
0
20
40
60
49 50 51 52 53 54 55 56 57 58 59 60
DDIF1

ADF TEST DDIF1
- Hipotesis
α = 5%
- Statistik uji
1% level = -3,481217
5% level = -2,883753
10% level = -2,578694
- Daerah kritik
(ADF Test = -15,59562) < (1% level = -3,481217; 5% level = -2,883753;
10% level = -2,578694)
Maka H0 ditolak
- Kesimpulan
H0 ditolak, maka dapat disimpulkan bahwa DDIF 1 stasioner terhadap
mean.
Meskipun DDIF1 sudah stasioner terhadap mean, tetapi untuk lebih
memastikan akan dilakukan DDIF3.
Grafik

Interpretasi:
Dari grafik diatas dapat dilihat bahwa pada differencing data yang kedua, mean data
menjadi memiliki interval antara -80 sampai 100. Pada differencing kedua ini
tampak bahwa data secara keseluruhan mendekati nol(0), tetapi ada juga data yang
jauh dari titik nol. Jika data sudah berada digaris nol, maka asumsi terpenuhi bahwa
DDIF2 sudah stasioner terhadap mean. Tetapi untuk lebih memastikan apakah
sudah stasioner terhadap mean, akan dilakukan uji ADF Test.
ADF TEST DDIF2
- Hipotesis
α = 5%
- Statistik uji
1% level = -3,484653
5% level = -2,885249
-80
-60
-40
-20
0
20
40
60
80
100
49 50 51 52 53 54 55 56 57 58 59 60
DDIF2

10% level = -2,579491
- Daerah kritik
(ADF Test = -8,097600) < (1% level = -3,484653; 5% level = -2,885249;
10% level = -2,579491)
Maka H0 ditolak
- Kesimpulan
H0 ditolak, maka dapat disimpulkan bahwa DDIF 2 stasioner terhadap
mean.
KESIMPULAN DIFFERENCING
Nilai ADF Test DDIF0 = -3,383021 > Nilai Test DDIF1 = -15,59562, tetapi setalah
diuji DDIF2 diketahui bahwa Nilai ADF Test DDIF2 = -8,097600 > Nilai Test
DDIF2 = -15,59562. Untuk menentukan Differencing dipillih nilai ADF Test yang
terkecil, maka yang dipakai adalah DDIF1.
Meskipun DDIF1 sudah stasioner terhadap mean, tetapi pada grafik DDIF1 di atas,
dapat dilihat bahwa data masih belum stasioner terhadap variansi dikarenakan range
data sangat besar yakni dari sekitaran -40 sampai 60, maka akan dilakukan
transformasi.
 TRANSFORMASI (DTRANS1)
Grafik
Interpretasi:
-.15
-.10
-.05
.00
.05
.10
.15
49 50 51 52 53 54 55 56 57 58 59 60
DTRANS1

Dari grafik diatas, dapat diketahui bahwa trasformasi telah berhasil
menstasionerkan data terhadap variansi, hal ini dapat dilihat dari range data yang
menjadi kecil. Yang pada awalnya range data berada disekitar -40 sampai 60.
Setelah dilakukan transformasi, range data berada disekitar -0,15 sampai 0,15. Jadi,
data telah stasioner terhadap variansi.
 CORRELOGRAM
Interpretasi:
Model yang akan didapat adalah model SARIMA (p,d,q)(P,D,Q)s dengan d atau
difference = 1 dan s = 12. Karena data asli di differencing menggunakan ddif1.
Dengan nilai batas (garis) = 0,1719033718, maka didapat nilai p,q,P,Q :
- Dilihat dari kolom Autocorrelation kita dapat mengetahui nilai q atau nilai

MA yaitu 1 karena terjadi cut off setelah lag ke 1.
- Dilihat dari kolom Partial Correlation kita dapat mengetahui nilai p atau
nilai AR yaitu 1 karena terjadi cut off setelah lag ke 1
- Dilihat dari PACF kelipatan 12,24,dst terjadi perulangan sebanyak 1 kali
sehingga nilai P atau SAR yaitu 1
- Dilihat dari ACF kelipatan 12,24,dst terjadi perulangan sebanyak 1 kali
sehingga nilai Q atau SMA yaitu 1
Sehingga didapat model awal = SARIMA (1,1,1) (1,1,1) 12
Didapatkan 12 model yaitu:
SARIMA(1,1,1)(1,1,0)12 dengan Konstan SARIMA(1,1,1)(1,1,0)12 Tanpa Konstan
 UJI SIGNIFIKANSI PARAMETER
- Hipotesis
H0 : Variabel/konstan tidak signifikan masuk model
H1 : Variabel/konstan signifikan masuk model
α = 5%
- Statistik uji
p-value pada probability
- Daerah kritik
H0 ditolak jika p-value < α
- Kesimpulan
Jika P-value < α maka variabel/konstan signifikan masuk model.
No. Model Variabel P-value Kesimpulan Kesimpulan
Model

1. SARIMA
(1,1,1)
(1,1,0) 12
C
AR(1) 0,7959 Variabel tidak signifikan terhadap
model
Model tidak
signifikan
SAR(12) 0,0000 Variabel signifikan terhadap model
MA(1) 0,0012 Variabel signifikan terhadap model
Konstan 0,6830 Konstan tidak signifikan terhadap
model
2. SARIMA
(1,1,1)
(1,1,0) 12
AR(1) 0,8398 Variabel tidak signifikan terhadap
model
Model tidak
signifikan
3. SARIMA
(1,1,1)
(0,1,1) 12
C
AR(1) 0,0000 Variabel signifikan terhadap model Model signifikan
SMA(12) 0,0000 Variabel signifikan terhadap model
Konstan 0,0010 Konstan signifikan terhadap model
4. SARIMA
(1,1,1)
(0,1,1) 12
5. SARIMA
(1,1,0)
(1,1,0) 12
C
AR(1) 0,0000 Variabel signifikan terhadap model Model tidak
signifikanSAR(12) 0,0000 Variabel signifikan terhadap model
model
6. SARIMA
(1,1,0)
(1,1,0) 12
7. SARIMA
(1,1,0)
(0,1,1) 12
C
AR(1) 0,0003 Variabel signifikan terhadap model Model tidak
signifikanSMA(12) 0,0000 Variabel signifikan terhadap model
model
8. SARIMA
(1,1,0)
(0,1,1) 12
9. SARIMA
(0,1,1)
MA(1) 0,0000 Variabel signifikan terhadap model Model tidak
signifikanSAR(12) 0,0000 Variabel signifikan terhadap model

(1,1,0) 12
C
model
10. SARIMA
(0,1,1)
(1,1,0) 12
MA(1) 0,0000 Variabel signifikan terhadap model Model signifikan
11. SARIMA
(0,1,1)
(0,1,1) 12
C
MA(1) 0,0000 Variabel signifikan terhadap model Model tidak
signifikanSMA(12) 0,0000 Variabel signifikan terhadap model
model
12. SARIMA
(0,1,1)
(0,1,1) 12
MA(1) 0,0000 Variabel signifikan terhadap model Model signifikan
Output model di atas:

Interpretasi:
Setelah di uji dengan tingkat singnifikansi 5%, maka didapatkan model yang signifikan yaitu:
Model Signifikan
SARIMA (1,1,1) (0,1,1) 12 DENGAN KONSTAN
SARIMA (1,1,1) (0,1,1) 12 TANPA KONSTAN

Setelah didaptkan model yang signifikan, akan dilakukan diagnostic checking dengan model
yang signifikan
 DIGANOSTIC CHECKING
a. Normalitas Residual
- Hipotesis
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
α = 5%
- Daerah kritik
H0 ditolak jika p-value < α
- Statistik uji dan kesimpulan
1) SARIMA (1,1,1) (0,1,1) 12 Dengan Konstan
P-value= 0,056192 > α= 0,05 maka H0 tidak ditolak.
Jadi dapat disimpulkan residual berdistribusi normal.
2) SARIMA (1,1,1) (0,1,1) 12 Tanpa Kontans
0
4
8
12
16
20
-0.10 -0.05 -0.00 0.05 0.10
Series: Residuals
Sample 1950M03 1960M12
Observations 130
Mean 0.003271
Median 0.005483
Maximum 0.098105
Minimum -0.120578
Std. Dev. 0.035444
Skewness -0.420503
Kurtosis 3.596420
Jarque-Bera 5.757951
Probability 0.056192

3) SARIMA (1,1,0) (1,1,0) 12 Tanpa Konstan
0
4
8
12
16
20
-0.10 -0.05 -0.00 0.05 0.10
Series: Residuals
Sample 1950M03 1960M12
Observations 130
Mean -0.000396
Median -0.001488
Maximum 0.100640
Minimum -0.133950
Std. Dev. 0.036246
Skewness -0.189702
Kurtosis 3.868557
0
4
8
12
16
20
-0.10 -0.05 -0.00 0.05 0.10
Series: Residuals
Sample 1951M03 1960M12
Observations 118
Mean -0.000822
Median -0.000281
Maximum 0.102561
Minimum -0.106731
Std. Dev. 0.038081
Skewness 0.115344
Kurtosis 3.333840
0
4
8
12
16
20
24
-0.10 -0.05 -0.00 0.05 0.10
Series: Residuals
Sample 1950M03 1960M12
Observations 130
Mean 7.72e-05
Median -0.001757
Maximum 0.095441
Minimum -0.113635
Std. Dev. 0.036524
Skewness -0.079998
Kurtosis 3.199225

b. Homoskedastisitas Residual
Terpenuhi jika tidak ada log yang melewati batas.
𝑩𝒂𝒕𝒂𝒔 = 𝟏, 𝟗𝟔/√𝒋𝒖𝒎𝒍𝒂𝒉 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒔𝒊
0
4
8
12
16
20
-0.10 -0.05 -0.00 0.05 0.10
Series: Residuals
Sample 1951M02 1960M12
Observations 119
Mean -0.001404
Median -0.001902
Maximum 0.108101
Minimum -0.118794
Std. Dev. 0.037684
Skewness 0.120806
Kurtosis 3.496903
0
4
8
12
16
20
-0.10 -0.05 -0.00 0.05 0.10
Series: Residuals
Sample 1950M02 1960M12
Observations 131
Mean 0.000319
Median -0.002719
Maximum 0.097004
Minimum -0.122149
Std. Dev. 0.036354
Skewness -0.086751
Kurtosis 3.469368

1) SARIMA (1,1,1) (0,1,1) 12 dengan Konstan
Interpretasi:
Dari gambar di atas, dapat diketahui bahwa tidak ada lag yang keluar dari garis
batas. Sehingga dapat diambil kesimpulan bahwa model SARIMA (1,1,1)
(0,1,1) 12 dengan Konstan bersifat Homoskedastisitas atau asumsi terpenuhi.

Interpretasi:
Dari gambar di atas, dapat diketahui bahwa ada lag yang keluar dari garis batas
yaitu pada lag ke 33. Sehingga dapat diambil kesimpulan bahwa model
SARIMA (1,1,1) (0,1,1) 12 Tanpa Konstan bersifat Heteroskedastisitas atau
asumsi tidak terpenuhi.

Interpretasi:
yaitu pada lag ke 10, 13, dan 23. Sehingga dapat diambil kesimpulan bahwa
model SARIMA (1,1,0) (1,1,0) 12 Tanpa Konstan bersifat Heteroskedastisitas
atau asumsi tidak terpenuhi.

Interpretasi:
yaitu pada lag ke 1 dan 10. Sehingga dapat diambil kesimpulan bahwa model

Interpretasi:
yaitu pada lag ke 10, 13, 23, dan 33. Sehingga dapat diambil kesimpulan bahwa
model SARIMA (0,1,1) (1,1,0) 12 Tanpa Konstan bersifat Heteroskedastisitas
atau asumsi tidak terpenuhi.

Interpretasi:
yaitu pada lag ke 10 dan 33. Sehingga dapat diambil kesimpulan bahwa model

c. No Autokorelasi Residual
Terpenuhi jika tidak ada lag yang keluar batas.
𝑩𝒂𝒕𝒂𝒔 = 𝟏, 𝟗𝟔/√𝒋𝒖𝒎𝒍𝒂𝒉 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒔𝒊
1) SARIMA (1,1,1) (0,1,1) 12 dengan Konstan
Dari gambar di atas, dapat diketahui bahwa terdapat lag yang keluar dari garis
batas yaitu pada lag ke 16, 20, dan 33. Sehingga dapat diambil kesimpulan
bahwa model SARIMA (1,1,1) (0,1,1) 12 dengan Konstan bersifat
Autokorelasi Residual atau asumsi tidak terpenuhi.

Dari gambar di atas, dapat diketahui bahwa terdapat lag yang keluar dari
garis batas yaitu pada lag ke 16 dan 23. Sehingga dapat diambil kesimpulan
bahwa model SARIMA (1,1,1) (0,1,1) 12 Tanpa Konstan bersifat
Autokorelasi Residual atau asumsi tidak terpenuhi.

garis batas yaitu pada lag ke 9, 24, 28, dan 34. Sehingga dapat diambil
kesimpulan bahwa model SARIMA (1,1,0) (1,1,0) 12 Tanpa Konstan
bersifat Autokorelasi Residual atau asumsi tidak terpenuhi.

garis batas yaitu pada lag ke 4, 16, dan 23. Sehingga dapat diambil

garis batas yaitu pada lag ke 24, 28, dan 33. Sehingga dapat diambil

garis batas yaitu pada lag ke 23. Sehingga dapat diambil kesimpulan bahwa
model SARIMA (0,1,1) (0,1,1) 12 Tanpa Konstan bersifat Autokorelasi
Residual atau asumsi tidak terpenuhi.

Ringkasan dari diagnostic checking:
No. Model Normalitas
Residual
Homoskedastisit
as Residual
No
Autokorelasi
Residual
1. SARIMA (1,1,1)
(0,1,1) 12 Tanpa
Konstan
√ √ X
2. SARIMA (1,1,1)
(0,1,1) 12 Tanpa
Konstan
√ X X
3. SARIMA (1,1,0)
(1,1,0) 12 Tanpa
Konstan
√ X X
4. SARIMA (1,1,0)
(0,1,1) 12 Tanpa
Konstan
√ X X
5. SARIMA (0,1,1)
(1,1,0) 12 Tanpa
Konstan
√ X X
6. SARIMA (0,1,1)
(0,1,1) 12 Tanpa
Konstan
√ X X
Ket : X = tidak memenuhi asumsi
√ = memenuhi asumsi
Interpretasi:
Dari diagnostic checking di atas, maka didapatkan model terbaik yaitu SARIMA (1,1,1) (0,1,1)
12 dengan Konstan.

 Pemilihan Model Terbaik
No. Model R2
Adj R2
AIC SBC SSR
1.
SARIMA (1,1,1)
(0,1,1) 12 dengan
konstan
0,398528 0,384207 -3,779382 -3,691150 0,163448
2.
SARIMA (1,1,1)
(0,1,1) 12 tanpa
konstan
0,376276 0,366453 -3,758438 -3,692264 0,169494
3.
SARIMA (1,1,0)
(1,1,0) 12 tanpa
konstan
0,320492 0,314634 -3,672328 -3,625367 0,169752
4.
SARIMA (1,1,0)
(0,1,1) 12 tanpa
konstan
0,366723 0,361775 -3,758623 -3,714507 0,172090
5.
SARIMA (0,1,1)
(1,1,0) 12 tanpa
konstan
0,336699 0,331030 -3,692593 -3,645885 0,167804
6.
SARIMA (0,1,1)
(0,1,1) 12 tanpa
konstan
0,371245 0,366370 -3,768099 -3,724203 0,171819
Dari 5 model yang diperoleh, setelah dilakukan pemilihan dengan kriteria :
- Nilai R-Square yang semakin besar, model semakin baik
- Nilai Adjusted R-square yang semakin besar, model semakin baik
- Nilai SBC yang semakin kecil, model semakin baik
- Nilai AIC yang semakin kecil, model semakin baik
- Nilai SSR yang semakin kecil, model semakin baik
Didapatkan Model SARIMA (1,1,1) (0,1,1) dengan Konstan adalah model terbaik,
karena model SARIMA (1,1,1) (0,1,1) dengan Konstan paling baik dalam 5 kriteria
yaitu nilai R-Square yang paling besar, nilai Adjusted R-square yang paling besar, nilai
AIC yang paling kecil, dan nilai SSR yang paling kecil.


FORECASTING
 Hasil Peramalan Penumpang Penerbangan Internasional di Angkasa Pura dari bulan
Januari 1961 sampai dengan bulan Mei 1961. Menggunakan model SARIMA
(1,1,1) (0,1,1) dengan Konstan.
Januari 1961
Dari model SARIMA (1,1,1) (0,1,1) dengan Konstan, dapat dicari nilai ramalan
Penumpang Penerbangan Internasional di Angkasa Pura pada periode Januari 1961
yaitu sebesar 442,3954. Dengan nilai RMSE atau error sebesar 11,02263.
100
200
300
400
500
600
700
50 51 52 53 54 55 56 57 58 59 60
DATAF1 ± 2 S.E.
Forecast: DATAF1
Actual: DATA
Forecast sample: 1949M01 1961M01
Adjusted sample: 1950M03 1961M01
Included observations: 130
Root Mean Squared Error 11.02263
Mean Absolute Error 8.145610
Mean Abs. Percent Error 2.803923
Theil Inequality Coefficient 0.017389
Bias Proportion 0.017416
Variance Proportion 0.042671
Covariance Proportion 0.939913

Februari 1961
Penumpang Penerbangan Internasional di Angkasa Pura pada periode Februari
1961 yaitu sebesar 429,4586 atau mengalami penurunan daripada bulan Januari.
Dengan nilai RMSE atau error sebesar 10,98048.
Maret 1961
Penumpang Penerbangan Internasional di Angkasa Pura pada periode Maret 1961
yaitu sebesar 490,4022 atau mengalami kenaikan daripada bulan Februari. Dengan
nilai RMSE atau error sebesar 10,93881.
100
200
300
400
500
600
700
50 51 52 53 54 55 56 57 58 59 60
DATAF2 ± 2 S.E.
Forecast: DATAF2
Actual: DATA
100
200
300
400
500
600
700
50 51 52 53 54 55 56 57 58 59 60
DATAF ± 2 S.E.
Forecast: DATAF
Actual: DATA

April 1961
Penumpang Penerbangan Internasional di Angkasa Pura pada periode April 1961
yaitu sebesar 484,8223 atau mengalami penurunan daripada bulan Maret. Dengan
Mei 1961
Penumpang Penerbangan Internasional di Angkasa Pura pada periode Mei 1961
100
200
300
400
500
600
700
50 51 52 53 54 55 56 57 58 59 60
DATAF4 ± 2 S.E.
Forecast: DATAF4
Actual: DATA
100
200
300
400
500
600
700
50 51 52 53 54 55 56 57 58 59 60
DATAF5 ± 2 S.E.
Forecast: DATAF5
Actual: DATA

yaitu sebesar 490,9336 atau mengalami kenaikan daripada bulan April. Dengan
Saran:
Setelah dilakukan peramalan pada data Penumpang Penerbangan Internasional di
PT. Angkasa Pura, peneliti menyarankan pada bulan Maret dan Mei sebaiknya
armada pesawat ditambah untuk mengantisipasi kelonjakan penumpang.
Sedangkan pada bulan Februari dan April, penumpang mengalami penurunan,
sebaiknya pihak PT. Angkasa Pura lebih memperhatikan kepuasan dan kenyamanan
penumpang agar tidak terjadi penurunan penumpang.

TUGAS PRAKTIKUM ANALISIS RUNTUN WAKTU

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à TUGAS PRAKTIKUM ANALISIS RUNTUN WAKTU

Similaire à TUGAS PRAKTIKUM ANALISIS RUNTUN WAKTU (20)

Plus de Farida Dadari

Plus de Farida Dadari (15)

Dernier

Dernier (20)

TUGAS PRAKTIKUM ANALISIS RUNTUN WAKTU