1. 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
2. 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
6. 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
7. 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
8. 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.
DIFFERENCING 1 (DDIF1)
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
9. ADF TEST DDIF1
- Hipotesis
H0 : Data tidak stasioner terhadap mean
H1 : Data stasioner terhadap mean
- Tingkat signifikansi
α = 5%
- Statistik uji
Nilai ADF Test Statistic = -15,59562
Test Critical Value:
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 = -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.
DIFFERENCING 2 (DDIF2)
Grafik
10. 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
H0 : Data tidak stasioner terhadap mean
H1 : Data stasioner terhadap mean
- Tingkat signifikansi
α = 5%
- Statistik uji
Nilai ADF Test Statistic = -8,097600
Test Critical Value:
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
11. 10% level = -2,579491
- Daerah kritik
H0 ditolak jika nilai ADF Test Statistic < semua Test Critical Value
(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
12. 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
13. 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
SARIMA(1,1,1)(0,1,1)12 dengan Konstan SARIMA(1,1,1)(0,1,1)12 Tanpa Konstan
SARIMA(1,1,0)(1,1,0)12 dengan Konstan SARIMA(1,1,0)(1,1,0)12 Tanpa Konstan
SARIMA(1,1,0)(0,1,1)12 dengan Konstan SARIMA(1,1,0)(0,1,1)12 Tanpa Konstan
SARIMA(0,1,1)(1,1,0)12 dengan Konstan SARIMA(0,1,1)(1,1,0)12 Tanpa Konstan
SARIMA(0,1,1)(0,1,1)12 dengan Konstan SARIMA(0,1,1)(0,1,1)12 Tanpa Konstan
UJI SIGNIFIKANSI PARAMETER
- Hipotesis
H0 : Variabel/konstan tidak signifikan masuk model
H1 : Variabel/konstan signifikan masuk model
- Tingkat signifikansi
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
14. 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
SAR(12) 0,0000 Variabel signifikan terhadap model
MA(1) 0,0017 Variabel signifikan terhadap model
3. SARIMA
(1,1,1)
(0,1,1) 12
C
AR(1) 0,0000 Variabel signifikan terhadap model Model signifikan
MA(1) 0,0000 Variabel signifikan terhadap model
SMA(12) 0,0000 Variabel signifikan terhadap model
Konstan 0,0010 Konstan signifikan terhadap model
4. SARIMA
(1,1,1)
(0,1,1) 12
AR(1) 0,0443 Variabel signifikan terhadap model Model signifikan
MA(1) 0,0000 Variabel signifikan terhadap model
SMA(12) 0,0000 Variabel signifikan terhadap model
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
Konstan 0,8165 Konstan tidak signifikan terhadap
model
6. SARIMA
(1,1,0)
(1,1,0) 12
AR(1) 0,0000 Variabel signifikan terhadap model Model signifikan
SAR(12) 0,0000 Variabel signifikan terhadap model
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
Konstan 0,6943 Konstan tidak signifikan terhadap
model
8. SARIMA
(1,1,0)
(0,1,1) 12
AR(1) 0,0003 Variabel signifikan terhadap model Model signifikan
SMA(12) 0,0000 Variabel signifikan terhadap model
9. SARIMA
(0,1,1)
MA(1) 0,0000 Variabel signifikan terhadap model Model tidak
signifikanSAR(12) 0,0000 Variabel signifikan terhadap model
15. (1,1,0) 12
C
Konstan 0,7035 Konstan tidak signifikan terhadap
model
10. SARIMA
(0,1,1)
(1,1,0) 12
MA(1) 0,0000 Variabel signifikan terhadap model Model signifikan
SAR(12) 0,0000 Variabel signifikan terhadap model
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
Konstan 0,6035 Konstan tidak signifikan terhadap
model
12. SARIMA
(0,1,1)
(0,1,1) 12
MA(1) 0,0000 Variabel signifikan terhadap model Model signifikan
SMA(12) 0,0000 Variabel signifikan terhadap model
Output model di atas:
16.
17. 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
SARIMA (1,1,0) (1,1,0) 12 TANPA KONSTAN
SARIMA (1,1,0) (0,1,1) 12 TANPA KONSTAN
SARIMA (0,1,1) (1,1,0) 12 TANPA KONSTAN
SARIMA (0,1,1) (0,1,1) 12 TANPA KONSTAN
18. 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
- Tingkat signifikansi
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
19. P-value= 0,087773 > α= 0,05 maka H0 tidak ditolak.
Jadi dapat disimpulkan residual berdistribusi normal.
3) SARIMA (1,1,0) (1,1,0) 12 Tanpa Konstan
P-value= 0,667107 > α= 0,05 maka H0 tidak ditolak.
Jadi dapat disimpulkan residual berdistribusi normal.
4) SARIMA (1,1,0) (0,1,1) 12 Tanpa Konstan
P-value= 0,837926 > α= 0,05 maka H0 tidak ditolak.
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
Jarque-Bera 4.865997
Probability 0.087773
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
Jarque-Bera 0.809609
Probability 0.667107
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
Jarque-Bera 0.353652
Probability 0.837926
20. Jadi dapat disimpulkan residual berdistribusi normal.
5) SARIMA (0,1,1) (1,1,0) 12 Tanpa Konstan
P-value= 0,469136 > α= 0,05 maka H0 tidak ditolak.
Jadi dapat disimpulkan residual berdistribusi normal.
6) SARIMA (0,1,1) (0,1,1) 12 Tanpa Konstan
P-value= 0,504893 > α= 0,05 maka H0 tidak ditolak.
Jadi dapat disimpulkan residual berdistribusi normal.
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
Jarque-Bera 1.513726
Probability 0.469136
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
Jarque-Bera 1.366818
Probability 0.504893
21. 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.
22. 2) SARIMA (1,1,1) (0,1,1) 12 Tanpa Konstan
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.
23. 3) SARIMA (1,1,0) (1,1,0) 12 Tanpa Konstan
Interpretasi:
Dari gambar di atas, dapat diketahui bahwa ada lag yang keluar dari garis batas
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.
24. 4) SARIMA (1,1,0) (0,1,1) 12 Tanpa Konstan
Interpretasi:
Dari gambar di atas, dapat diketahui bahwa ada lag yang keluar dari garis batas
yaitu pada lag ke 1 dan 10. Sehingga dapat diambil kesimpulan bahwa model
SARIMA (1,1,0) (0,1,1) 12 Tanpa Konstan bersifat Heteroskedastisitas atau
asumsi tidak terpenuhi.
25. 5) SARIMA (0,1,1) (1,1,0) 12 Tanpa Konstan
Interpretasi:
Dari gambar di atas, dapat diketahui bahwa ada lag yang keluar dari garis batas
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.
26. 6) SARIMA (0,1,1) (0,1,1) 12 Tanpa Konstan
Interpretasi:
Dari gambar di atas, dapat diketahui bahwa ada lag yang keluar dari garis batas
yaitu pada lag ke 10 dan 33. Sehingga dapat diambil kesimpulan bahwa model
SARIMA (0,1,1) (0,1,1) 12 Tanpa Konstan bersifat Heteroskedastisitas atau
asumsi tidak terpenuhi.
27. 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.
28. 2) SARIMA (1,1,1) (0,1,1) 12 Tanpa Konstan
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.
29. 3) SARIMA (1,1,0) (1,1,0) 12 Tanpa Konstan
Dari gambar di atas, dapat diketahui bahwa terdapat lag yang keluar dari
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.
30. 4) SARIMA (1,1,0) (0,1,1) 12 Tanpa Konstan
Dari gambar di atas, dapat diketahui bahwa terdapat lag yang keluar dari
garis batas yaitu pada lag ke 4, 16, dan 23. Sehingga dapat diambil
kesimpulan bahwa model SARIMA (1,1,0) (0,1,1) 12 Tanpa Konstan
bersifat Autokorelasi Residual atau asumsi tidak terpenuhi.
31. 5) SARIMA (0,1,1) (1,1,0) 12 Tanpa Konstan
Dari gambar di atas, dapat diketahui bahwa terdapat lag yang keluar dari
garis batas yaitu pada lag ke 24, 28, dan 33. Sehingga dapat diambil
kesimpulan bahwa model SARIMA (0,1,1) (1,1,0) 12 Tanpa Konstan
bersifat Autokorelasi Residual atau asumsi tidak terpenuhi.
32. 6) SARIMA (0,1,1) (0,1,1) 12 Tanpa Konstan
Dari gambar di atas, dapat diketahui bahwa terdapat lag yang keluar dari
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.
33. 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.
34. 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.
35. 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
36. Februari 1961
Dari model SARIMA (1,1,1) (0,1,1) dengan Konstan, dapat dicari nilai ramalan
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
Dari model SARIMA (1,1,1) (0,1,1) dengan Konstan, dapat dicari nilai ramalan
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
Forecast sample: 1949M01 1961M02
Adjusted sample: 1950M03 1961M02
Included observations: 131
Root Mean Squared Error 10.98048
Mean Absolute Error 8.083430
Mean Abs. Percent Error 2.782519
Theil Inequality Coefficient 0.017260
Bias Proportion 0.017283
Variance Proportion 0.041599
Covariance Proportion 0.941118
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
Forecast sample: 1949M01 1961M03
Adjusted sample: 1950M03 1961M03
Included observations: 132
Root Mean Squared Error 10.93881
Mean Absolute Error 8.022192
Mean Abs. Percent Error 2.761439
Theil Inequality Coefficient 0.017142
Bias Proportion 0.017152
Variance Proportion 0.040704
Covariance Proportion 0.942144
37. April 1961
Dari model SARIMA (1,1,1) (0,1,1) dengan Konstan, dapat dicari nilai ramalan
Penumpang Penerbangan Internasional di Angkasa Pura pada periode April 1961
yaitu sebesar 484,8223 atau mengalami penurunan daripada bulan Maret. Dengan
nilai RMSE atau error sebesar 10,89761.
Mei 1961
Dari model SARIMA (1,1,1) (0,1,1) dengan Konstan, dapat dicari nilai ramalan
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
Forecast sample: 1949M01 1961M04
Adjusted sample: 1950M03 1961M04
Included observations: 133
Root Mean Squared Error 10.89761
Mean Absolute Error 7.961874
Mean Abs. Percent Error 2.740677
Theil Inequality Coefficient 0.016990
Bias Proportion 0.017023
Variance Proportion 0.039184
Covariance Proportion 0.943794
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
Forecast sample: 1949M01 1961M05
Adjusted sample: 1950M03 1961M05
Included observations: 134
Root Mean Squared Error 10.85687
Mean Absolute Error 7.902457
Mean Abs. Percent Error 2.720224
Theil Inequality Coefficient 0.016846
Bias Proportion 0.016896
Variance Proportion 0.037816
Covariance Proportion 0.945288
38. yaitu sebesar 490,9336 atau mengalami kenaikan daripada bulan April. Dengan
nilai RMSE atau error sebesar 10,85687.
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.