PEMBAHASAN A.

Diagnosis Model Sementara

1. Plot Data Data diperoleh dari BPS Kota Malang data inflasi Kota Malang Mulai November 2005 – Januari 2012 sebagai berikut.
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 Inflasi 1.06 0.06 1.33 1.00 -0.17 0.76 0.36 0.14 0.44 0.07 0.09 0.55 -0.04 1.24 0.77 0.35 0.17 0.08 0.18 -0.13 0.48 0.59 1.03 0.86 0.72 0.68 2.17 0.40 1.44 1.54 0.33 2.77 1.54 0.45 0.91 0.56 -0.11 -0.07 Bulan November December January February March April May June July August September October November December January February March April May June July August September October November December January February March April May June July August September October November December Tahun 2005 2005 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 No 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 Inflasi 0.28 0.39 0.61 -0.21 0.04 0.32 0.31 0.67 0.62 0.21 -0.15 0.48 0.79 0.37 -0.17 0.14 0.35 0.74 1.71 0.79 0.05 0.19 0.68 0.88 0.67 0.14 -0.09 -0.42 0.10 0.56 0.73 0.94 0.22 0.12 0.34 0.67 0.27 Bulan January February March April May June July August September October November December January February March April May June July August September October November December January February March April May June July August September October November December January Tahun 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2012

Dari data di atas akan dibuat plot data untuk mengetahui pola data inflasi kota malang , dengan bantuan minitab diperoleh gambar plot sebagai berikut:

0 0.5 untuk masingmasing data.5 1.5 1 7 14 21 28 35 42 Index 49 56 63 70 Dari gambar diatas terlihat bahwa data tidak ada data pencilan/outlier dan juga sata sudah cenderung mempunyai trend mendatar .Time Series Plot of Inflasi Kota Malang 3.36 0.0% confidence) Estimate Lower CL Upper CL Rounded Value 0.5 6 5 4 StDev Lower CL Upper CL Lambda (using 95.0 2.5 0.Untuk selanjutnya akan diuji stasioneritas data baik dalam varians maupun rata-rata.0 1.01 0.5 Inflasi Kota Malang 2.70 0. Dengan Bantuan Minitab diperoleh : Box-Cox Plot of inflasi+0. Namun karena data ada yang bernilai negative maka data perlu ditranslasi dengan menambahkan nilai 0. jika lambda mendekati 1 maka data telah stasioner. Stasioneritas dalam Varians Untuk mengetahui stasioneritas data dalam varians kita akan melihat box-cox plot untuk mengetahui nilai estimasi lambda yang diperoleh. namun jika belum maka perlu di transformasi terlebih dahulu. 2.50 3 2 1 Limit 0 -2 -1 0 1 2 Lambda 3 4 5 .0 -0.

5 5.00 0.0 -2.6 Lower CL Upper CL Lambda (using 95.10 2.36 maka diperoleh Box-Cox Plot of transformasi 0. Selanjutnya dilakukan pengecekan stasioneritas dalam rata-rata . Stasioneritas Dalam Rata-rata Untuk melihat stasioneritas dalam rata-ratakita akan menggunakan grafik trends linier dari data yang telah ditransformasi.Dari gambar diatas nilai estimasi lambda 0.0 Dari gambar diatas terlihat bahwa nilai estimasi lambdanya 0.2 Limit -5.5 0.36 .01 1. jika trens linier mendekati sejajar dengan sumbu horizontal maka data sudah stasioner.maka dapat disimpulkan data belum stasioner dalam varians maka perlu adanya transformasi .5 Lower CL Upper CL Rounded Value StDev 0.4 0. Dengan bantuan minitab diperoleh data .3 0. 3.0 Lambda 2.99 0.0% confidence) Estimate 0. namun jika terlihat tidak sejajar dengan sumbu horizontal maka data perlu didifferensiasi . setelah dilakukan transformasi box-cox dengan lambda 0.99 hal ini menhindikasikan bahwa data sudah stasioner dalam varians.

00 -0.75 0.Trend Analysis Plot for transformasi Linear Trend Model Yt = 1.1473 MSD 0. dengan bantuan minitab didapatkan : Trend Analysis Plot for C6 Linear Trend Model Yt = -0. dengan bantuan minitab diperoleh: .5855 MA D 0.50 1 7 14 21 28 35 42 Index 49 56 63 70 Dari gambar diatas terlihat bahwa unsur trend sudah mendekati sejajar dengan sumbu horizontal .50 0.001102*t 1.50 1 7 14 21 28 35 42 Index 49 56 63 70 Dari gambar diatas terlihat bahwa unsur trends linierdirasa masih belum sejajar dengan sumbu horizontal maka dari itu perlu dilakukan differensiasi data dengan lag 1 .0093 + 0.25 Variable Actual Fits Accuracy Measures MAPE 99.0. dan kemudian dilakukan pengujian kembali unsur trend liniernya.25 -0.50 Variable Actual Fits Accuracy Measures MA PE 16.0164 . kita menggunakan alat bantu grafik ACF dan PACF dari data yang telah stasioner baik dalam varians maupun rata-rata .0358 1.1838 MSD 0. Pendugaan Model Untuk melakukan pendugaan model .4283 MAD 0.000150*t 0.00 0.75 0.25 transformasi 1.0521 C6 0. maka dapat kita simpulkan data sudah stasioner dalam rata-rata 4.

0 -0.0. maka diestimasi model MA(1) atau MA(2).2 0.2 -0.8 -1.6 Autocorrelation Autocorrelation Function for C6 0.2) .8 -1.0.0 2 4 6 8 10 Lag 12 14 16 18 (with 5% significance limits for the partial autocorrelations) 1.0.0 2 4 6 8 10 Lag 12 14 16 18 Dari plot acf terlihat bahwa grafik terpotong pada lag pertama namun pada lag kedua tidak menurun drastic .0 0.4 -0.0 -0.4 0.4 -0.1). B. dari grafik PACF maka terlihat bahwa grafik terpotong pada lag 2 maka diduga AR(2) maka didapatkan model ARIMA (2.2 0.0 0.2 -0. atau ARIMA(2 .0) atau ARIMA(0.2).0.1) atau ARIMA (2.8 0. Pendugaan Parameter .(with 5% significance limits for the autocorrelations) 1.8 Partial Autocorrelation Partial Autocorrelation Function for C6 0.0. ARIMA(0.4 0.6 -0.6 -0.6 0.

0.3663 MA 1 0.0.6832 MA 2 0.2) ARIMA (0.41 12.000 Signifikansi ya tidak tidak ya ya ya tidak ya ya ya ya ya 2 ARIMA (2.18 12.5071 AR 1 -0.Dalam pendugaan parameter dilakukan dengan bantuan program minitab didapatkan nilai sebagai berikut No 1 Model ARIMA(2.04 1.0.ARIMA (0.0. karena semua nilai p.2) ARIMA(0.069 .0. No 1 2 3 Model ARIMA(2.000 0.002 0.0.4612 AR 2 -0.0.78 P-Value 0.000 0.5372 AR 2 0.1) .20 -3.0.38 -4.0) ARIMA (0.209 0.71 3.0) ARIMA (0.1) Pada tabel diatas terlihat bahwa model yang parameternya signifikan adalah ARIMA (2.100 0.27 0.001 0. Diagnosis Model Diagnosis model dilakukan melakukan 2 tahap yaitu uji normalitas residual dan uji independensi residual/white noise .150 Kenormalan ya ya ya Dari tabel diatas terlihat bahwa semua model memenuhi asumsi normalitas residual .2) dan ARIMA (0.dalam hal ini melakukan pengujian normalitas dengan uji Kolmogorov-smirnov dan uji white noise dengan uji Ljung Box.18 -4. untuk lebih meyakinkan berikut .ARIMA (0.0. selanjutnya akan dilakukan diagnosis model dari model ARIMA (2.0.000 0.2) dan ARIMA (0.0).8931 AR 2 -0.0.3061 MA 1 0.0296 MA 2 0.15 -4.2) Estimasi Parameter AR 1 -0.value lebih dari alfa yaitu 0.0.685 0.0.1) C.33 8.071 P-Value >0.9719 AR -0.0.0).4863 MA 1 -0.1655 MA 1 0.8314 T hitung -4.0.000 0.55 -2.000 0.056 0.035 0.05 .1) D hitung 0.1) 3 4 5 ARIMA(2.150 0.000 0.

0.007168 0.50 Gambar Tes Normalitas Model ARIMA (0.25 0.150 Percent -0.50 -0.adalah plot normalitas residual dari masing masing model Probability Plot of RESI1 Normal 99.1 Mean StDev N KS P-Value -0.50 -0.1943 74 0.004704 0.056 >0.25 0.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.75 -0.00 RESI1 0.2014 74 0.2) .25 0.25 0.150 Percent -0.071 >0.50 Gambar Tes Normalitas Model ARIMA (2.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.0) Probability Plot of RESI3 Normal 99.0.1 Mean StDev N KS P-Value -0.75 -0.00 RESI3 0.

0 (.76 65.0.75 Gambar Tes Normalitas Model ARIMA (0.50 -0.3 51.007 0.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1842 74 0.76 65.6 48.1) Dari ketiga gambar semua data telah bergerah diatara garis normal.00 RESI2 0. UJi Independensi Residual Dengan bantuan minitab untuk masing masing model dilakukan uji inde pendensi residual didapatkan dalam tebel sebagai berikut No 1 Model ARIMA (2.000 0.037 0.002 0.50 18.236 0.2 20.383 0.069 Percent -0.9 15.003800 0.5 72.68 35.17 49.0.038 0.1) 12 24 36 Df 10 22 34 46 10 22 34 46 11 23 35 Statistic Uji Ljung-Box 32.Probability Plot of RESI2 Normal 99.50 19.118 0.070 .0.df) 18.5 36.25 0.2) 12 24 36 48 3 ARIMA (0.25 0.5 48. 1.307 33.307 33.0) Lag(K) 12 24 36 48 2 ARIMA (0.924 49.924 49.118 0.6 39.2 62.1 Mean StDev N KS P-Value 0.100 0.4 27.50 0.80 p-value 0.0.000 0.

2) dengan nilai kesalahan E.027856 0.335793 -0.2) D.454264 -0. Peramalan Setelah diperoleh model terbaik untuk data yang telah di stasionerkan melakui transformasi dan differensiasi adalah model ARIMA (0.391505 0.166 Dari tabel ditas terlihat bahwa model yang memenuhi uji independensi residual ini adalah model ARIMA (0.454264 .000000 Lower -0.465821 0.17 0. Namun kenyataannya model yang memenuhi hanya ARIMA (0. Pemilihan Model terbaik Dalam memilih model terbaik akan dibandingkan nilai ukuran kesalahan model dalam hal ini penulis membandingkan nilai SS(sum square) dan MSE (mean Square Error) .454264 0.454264 -0.025409 0.415003 -0.2) dengan signifikansi untuk semua lag adalah lebih dari dan juga nilai Statistic Uji maka dapat disimpulkan model yang memenuhi uji independensi residual atau White Noise adalah ARIMA (0.3 65.2) dengan nilai parameter maka dapat diperoleh model sebagai berikut: dan Setelah dilakukan peramalan untuk 5 periode kedepan diperoleh : Periode 76 77 78 79 80 Peramalan 0.0.454264 0.000000 0.0.0.000000 0.454264 Upper 0.0.48 47 56.

025409 0.0000475 0.0000000 .0000000 0.36 selanjutnya untuk mendapatkan nilai yang sesungguhnya maka dikembalikan maka diperoleh nilai Periode 76 77 78 79 80 Peramalan 0.Hasil peramalan diatas merupakan nilai yang telah ditransformasi dengan lambda 0.0000000 0.0000368 0.000000 Nilai asli 0.000000 0.000000 0.027856 0.

Sign up to vote on this title
UsefulNot useful