Professional Documents
Culture Documents
Muhammad Kamal Azmi - 3125141769
Muhammad Kamal Azmi - 3125141769
Differencing
Forecasting
Stat Time Series ARIMA Series: Data, apabila data musiman
Fit seasonal model period: (periode musim), Autoregressive:
(orde AR), Difference (orde I), Moving Average (orde MA),
Graphs: Time series plot (including optional forecasts), ACF of
residuals, PACF of residuals, Four in one Lead: (jumlah
peramalan yang dikehendaki), Origin: (jumlah data), Storage-
Forecast: (kolom penempatan hasil peramalan).
Kasus I.
Data Yearly Number of Lynx Pelts Sold by the Hudsons Bay Company in Canada from 1857 to 1911 (Wei,1990).
1857 23362 1867 35971 1877 30508 1887 74050 1897 56407 1907 61478
1858 31642 1868 76556 1878 42834 1888 78773 1898 39437 1908 36300
1859 33757 1869 68392 1879 27345 1889 33899 1899 26761 1909 9704
1860 23226 1870 37447 1880 17834 1890 18886 1900 15185 1910 3410
1861 15178 1871 45686 1881 15386 1891 11520 1901 4473 1911 3774
1862 7272 1872 7942 1882 9443 1892 8352 1902 5781
1863 4448 1873 5123 1883 7599 1893 8660 1903 9117
1864 4926 1874 7106 1884 8061 1894 12902 1904 19267
1865 5437 1875 11250 1885 27187 1895 20331 1905 36116
1866 16498 1876 18774 1886 51511 1896 36853 1906 58850
Dilakukan plot terhadap 50 data awal dari 55 data yang tersedia. Hasilnya diperlihatkan
pada Time Series Plot of Data di bawah ini. Apabila diamati, data tersebut bukan merupakan
data musiman karena naiknya data tidak bergantung pada pengulangan kelipatan tertentu.
Time Series Plot of Data
80000
70000
60000
50000
Data
40000
30000
20000
1 0000
0
1 5 10 15 20 25 30 35 40 45 50
Index
Proses selanjutnya adalah menguji kestasioneran data tersebut terhadap ragam. Dilakukan
test for equal variances untuk mengetahui nilai p-value dari Uji Levene. Apabila nilai dari p-
value pada uji tersebut bernilai lebih dari = 5%, maka data tersebut telah stasioner terhadap
ragam.
Autocorrelation Function for Data" memerlihatkan plot ACF data yang menyerupai
kurva sinus. Sehingga dibutuhkan proses differencing terhadap data.
Test for Equal Variances: Data vs Kelompok
Multiple comparison intervals for the standard deviation, = 0.05
Multiple Comparisons
1 P-Value 0.21 9
Levenes Test
P-Value 0.240
2
Kelompok
3
1 .0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45
Lag
1 .0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45
Lag
Proses Differencing
Proses differencing dilakukan karena pada plot ACF dan PACF tidak terjadi cut-off. Kemudian
dilakukan differencing dan diperoleh plot ACF dan PACF untuk data yang telah di-differencing-kan:
1 .0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45
Lag
1 .0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45
Lag
Hasil plot di atas memerlihatkan bahwa plot ACF masih berbentuk menyerupai kurva sinus,
sedangkan pada plot PACF telah terjadi cut-off pada lag pertama dan ke-4. Sejauh ini dapat disimpulkan
bahwa salah satu model yang mungkin berlaku dalam kasus ini adalah model ARI(1,1) atau ARI(4,1).
1 .0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45
Lag
1 .0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45
Lag
Plot ACF untuk data tetap menyerupai grafik sinus sehingga nilai orde proses Moving
Average (MA) tetap bernilai nol. Plot PACF memerlihatkan terjadi cut-off pada lag ke-2 dan ke-
4. Disimpulkan, model lain yang kemungkinan dapat berlaku adalah ARI(2,2) atau ARI(4,2).
Diperoleh empat buah model, yaitu ARI(1,1), ARI(4,1), ARI(2,2), dan ARI(4,2). Model
ARI(1,1), ARI(2,2) dan ARI(4,1) terjadi error saat dijalankan, sehingga model tersebut tidak
berlaku. Untuk model (4,2), diperoleh:
Residual Plots for Data memerlihatkan histogram yang left-skewed yang berarti bahwa
model tersebut tidak bersifat homogen.
Peramalan (forecasting)
Proses peramalan dilakukan terhadap model terpilih ARI(4,2). Diperoleh hasil pada
jendela Session pada Minitab:
95% Limits
Period Forecast Lower Upper Actual
51 76165 42483 109847 61478
52 89854 22719 156990 36300
53 102599 1143 204055 9704
54 115238 -22364 252840 3410
55 130223 -41277 301724 3774
Kasus II.
Data Weekly Demand for Plastic Container (Montgomery et al ,1990)
5000 5087 4856 6798 6066 6132 5572 6675 6814 6030
4965 5082 4959 6740 6102 6111 5744 6882 6757 5944
4496 5039 5004 6778 6204 5948 6005 7011 6765 5543
4491 5054 5415 7005 6138 6056 6239 7140 6870 5416
4566 4940 5550 7045 5938 6342 6523 7197 6954 5571
4585 4913 5657 7279 5781 6626 6652 7411 6551 5571
4724 4871 6010 7367 5813 6591 6585 7233 6022 5627
4951 4901 6109 6934 5811 6302 6622 6958 5974 5679
4917 4864 6052 6506 5818 6132 6754 6960 6052 5455
4888 4750 6391 6374 5982 5837 6712 6927 6033 5443
Dilakukan plot terhadap 90 data awal dari 100 data yang tersedia. Hasilnya diperlihatkan
pada Time Series Plot of Data di bawah ini. Apabila diamati, data tersebut bukan merupakan
data musiman karena naiknya data tidak bergantung pada pengulangan kelipatan tertentu.
7000
6500
Data
6000
5500
5000
4500
1 9 18 27 36 45 54 63 72 81 90
Index
Proses selanjutnya adalah menguji kestasioneran data tersebut terhadap ragam. Dilakukan
test for equal variances untuk mengetahui nilai p-value dari Uji Levene. Apabila nilai dari p-
value pada uji tersebut bernilai lebih dari = 5%, maka data tersebut telah stasioner terhadap
ragam.
Autocorrelation Function for Data" memerlihatkan plot ACF data yang turun sedikit
demi sedikit. Pada Partial Autocorrelation Function for Data terlihat bahwa terjadi cut-off pada
lag ke-1 dan lag ke-2. Proses differencing diperlukan karena informasi ketidakstasioneran
terhadap rataan pada plot ACF.
7
8
9
10
11
12
13
14
15
0 1 000 2000 3000 4000 5000 6000
1 .0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45 50
Lag
Partial Autocorrelation Function for Data
(with 5% significance limits for the partial autocorrelations)
1 .0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45 50
Lag
Proses differencing
Dilakukannya proses differencing terhadap data menghasilkan plot ACF dan PACF:
Autocorrelation Function for D1
(with 5% significance limits for the autocorrelations)
1 .0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45 50
Lag
Partial Autocorrelation Function for D1
(with 5% significance limits for the partial autocorrelations)
1 .0
0.8
0.6
Partial Autocorrelation 0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1 .0
1 5 10 15 20 25 30 35 40 45 50
Lag
Terlihat bahwa terjadi cut-off pada lag pertama untuk plot ACF, sedangkan cut-off pada plot
PACF terjadi pada lag pertama. Sehingga model yang diperoleh adalah model AR(1), AR(2), dan
ARIMA(1,1,1).
Pada model AR(1) dan AR(2) terjadi error sehingga model tersebut tidak berlaku. Untuk
model ARIMA(1,1,1) diperoleh:
Residual Plots for Data memerlihatkan histogram yang berdistribusi normal, yang berarti
bahwa model tersebut bersifat homogen.
Peramalan (forecasting)
Proses peramalan dilakukan terhadap model terpilih ARIMA(1,1,1). Diperoleh hasil pada
jendela Session pada Minitab:
95% Limits
Period Forecast Lower Upper Actual
61 5670.89 5361.74 5980.04 5572.00
62 5694.95 5093.75 6296.14 5744.00
63 5700.45 4921.40 6479.50 6005.00
64 5707.76 4783.44 6632.07 6239.00
65 5714.89 4665.32 6764.47 6523.00
66 5722.04 4560.63 6883.45 6652.00