contoh_analisis_runtun_waktu_sarima.docx
TRANSCRIPT
-
8/17/2019 CONTOH_ANALISIS_RUNTUN_WAKTU_SARIMA.docx
1/6
1
PERAMALAN JUMLAH PENUMPANG KERETA API DENGAN METODE SARIMA ( SEASONAL
AUTOREGRESSIVE INTEGRETED MOVING AVERAGE )
Alvian Imron Rosadi (12611134)
Mahasiswa Program Studi Statistika Universitas Islam Indonesia
Program Studi Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam
niversitas Islam Indonesia
Alvianimron66!gmail"#om
A$S%RA&
SARIMA merupakan pengembangan dari model ARIMA pada data runtutan waktu yang memiliki unsur
musiman. Notasi SARIMA adalah: SARIMA p!d!"# P!$!%#S . $engan p!d!": bagian yang tidak musiman dari
model& P!$!%#S : bagian musiman dari model& S: 'umlah periode per musim. Rumus umum SARIMA dapat
dituliskan: ∅ P BS∅ P (B ) (1−B )
d (1−BS ) DZ t =θq(B)⊝q (B
S)a t . $engan: ∅ P (B ) (AR non)
seasonal& (1−B )d
( di**eren+ing non)seasonal& (1−BS
) D
( di**eren+ing seasonal& θq (B ) (MA
non)seasonal& ⊝q (BS ) (MA seasonal. $alam paper ini penulis akan mengaplikasikan metode SARIMA
dengan penyesuaian aditi* untuk meramalkan 'umlah penumpang kereta api di Indonesia , periode kedepan
April -/0 1 $esember -/0# karena plot data runtun waktu yang dihasilkan konstan.
&ata kun#i' 2ore+asting Peramalan Metode SARIMA
1. Pendahuluan
1.1. Latar ela!an"
Salah satu alat transortasi darat *ang
umum digunakan untuk +arak +auh adalah
kereta ai" ,umlah enumang kereta ai di
Indonesia dari tahun ke tahun #enderung
-luktuati- dan konstan" Menurut data +umlah
enumang kereta ai dari $PS dari tahun
2../ 0 2.1 se#ara gra-ik menun+ukkan
ola aha +umlah enumang meningkat
an*ak ada ulan ,uliAgustus namun
tidak egitu an*ak ada aal ulan" 5al ini
masuk akal +ika dilihat aha antara ulan
,uliAgustus sering erteatan dengan hilir
mudik hari ra*a" $erdasarkan data terseutdaat diastikan aha +umlah enumang
ergantung ada musiman"alam analisis runtun aktu salah satu
metode eramalann*a adalah metode
SARIMA (Seasonal ARIMA)" alam
enulisan aer ini enulis akan
mengalikasikan metode eramalan
SARIMA untuk meramalkan +umlah
enumang kereta ai di Indonesia untuk
eriode Aril 2.1 0 esemer 2.1"7angkahlangkah emodelan data
runtun aktu dengan SARIMA adalah' 1)
taha identi-ikasi umum 2)
mengidenti-ikasi model sementara 3)
estimasi arameter 4) emeriksaan
diagnostik dan emilihan model teraik )
eramalan"1.#. Ru$u%an Ma%alah
a" $eraakah rediksi +umlah enumang
kereta ai di Indonesia untuk eriode
,anuari 2.1. 0 Maret 2.18 " $agaimanakah model SARIMA *ang
#o#ok untuk melakukan eramalan *ang
aik8
#. Ka&'an Pu%ta!a
#.1. Anal'%'% Runtun a!tu
Analisis runtun aktu meruakan salah
satu rosedur statistika *ang diterakan untuk
meramalkan struktur roailitas keadaan *ang
akan datang dalam rangka engamilan
keutusan" asar emikiran runtun aktu adalah
engamatan sekarang (9t) diengaruhi oleh satu
atau eeraa engamatan seelumn*a (9tk)"
%u+uan analisis runtun aktu antara lain
memahami dan men+elaskan mekanisme
tertentu meramalkan suatu nilai di masa dean
dan mengotimalkan sistem kendali
(Makridakis dkk 1///)"#.#. SARIMA
Seasonal Autoregressive Integreted Moving Average (SARIMA) adalah engemangan dari
-
8/17/2019 CONTOH_ANALISIS_RUNTUN_WAKTU_SARIMA.docx
2/6
2
model ARIMA ada data runtun aktu *ang
memiliki ola musiman" :otasi SARIMA
adalah: SARIMA p!d!"# P!$!%#S . engan
d;' agian *ang tidak musiman dari model<
P!$!%#S : agian musiman dari model< S' +umlah
eriode er musim" Rumus umum SARIMAdaat dituliskan:
∅ P BS∅ P (B ) (1−B )
d (1−BS ) D Z t =θq(B)⊝q
engan'∅ P (B ) (AR non)seasonal&
(1−B )d ( di**eren+ing non)seasonal&
(1−BS ) D
( di**eren+ing seasonal&
θq (B ) (MA non)seasonal& ⊝q (BS )
(MA seasonal "
ntuk roses SARIMA *ang umum -ungsi
eramalan +angka an+ang ergantung ada ola
musiman individual aling akhir dalam data
er#oaan dan eramalan terdiri atas
ertamahan eriodik ola dan komonen
modi-ikasi aditi- (ertamahan) *ang #enderung
sama dengan nol se#ara eksonensial se#ara
#eat karena hori=on ertamah esar"
. Met*d*l*"' Penel't'anPenulis menggunakan so-tare >?I>@S
untuk men*elesaikan studi kasus *ang dierikan"
7angkah ker+an*a' Pilih New » Workfile"
&emudian ilih Monthly dan isikan 2../'1 ada
Start Date dan 2.1'3 ada End Date
&emudian ilih O!"e#t » New O!"e#t " Pilih
series ada Ty$e of O!"e#t dan eri nama
sarimaB" an selan+utn*a inutkan data ada
>?I>@S data erikut'Ta+el .1. Ju$lah Penu$,an" Kereta A,' D'
Ind*ne%'a Januar' #-1- Maret #-1/
2009 2010
Januari 14494 Januari 17424
Februari 13869 Februari 15207
Maret 17132 Maret 16992
April 16775 April 16832
Mei 17824 Mei 16988
Juni 18143 Juni 17259
Juli 18385 Juli 17680
Agustus 17527 Agustus 16477
Septem
ber 17281
Septem
ber 17301
Oktober 17281 Oktober 16908
o!emb
er 16778
o!emb
er 16469
"esemb
er 17581
"esemb
er 17733
2011 2012 Januari 16891 Januari 16283
Februari 14890 Februari 15490
Maret 16978 Maret 17090
April 16441 April 16746
Mei 17522 Mei 17771
Juni 17265 Juni 18062
Juli 18132 Juli 18309
Agustus 14846 Agustus 17056
Septem
ber
16921 Septem
ber
16368
Oktober 16461 Oktober 17127
o!emb
er 16179
o!emb
er 15773
"esemb
er 16811
"esemb
er 16104
2013 2014
Januari 14900 Januari 21092
Februari 14594 Februari 19998
Maret 15826 Maret 22836
April 16000 April 21908
Mei 16113 Mei 22988
Juni 17301 Juni 23840
Juli 20245 Juli 22500
Agustus 19423 Agustus 23199
Septem
ber 19738
Septem
ber 23593
Oktober 20534 Oktober 24923
o!emb
er 19919
o!emb
er 24356
"esemb
er 21417
"esemb
er 26275
2015
Januari 24676
Februari 22790
Maret 27267
7angkah erikutn*a adalah memuat lot
dataCgra-ik" Pilih menu View » Gra$h
&emudian menge#ek stasioneritas data
dalam varians denga ilih menu View »
De%#ri$ti&e Stati%ti#% ' Te%t% » (i%to)ra* and
Stat% ,ika data elum stasioner dalam varians
-
8/17/2019 CONTOH_ANALISIS_RUNTUN_WAKTU_SARIMA.docx
3/6
3
maka selan+utn*a melakukan trasn-ormasi data
ke dalam entuk ln agar data stasioner terhada
varians dengan ilih menu +,i#k » Generate
Serie% dan tuliskan sintaks lnsarima D
log(sarima)B"
&emudian setelah data ditrans-ormasi atau
dengan kata lain stasioner dalam varians maka
selan+utn*a melihat aakah data stasioner dalam
mean" $uka -ile lnsarimaB E ilih menu &iew »
,nit root te%t untuk mengu+i stasioneritas data
dalam mean dengan u+i AF"
$erikutn*a adalah melakukan di--eren#ing
musiman *aitu untuk menghilangkan unsur
musiman" engan ilih menu +,i#k » Generate
Serie% » ketikkan dslogsarima D
dlog(sarima.12)B" Selain itu melakukandi**eren+ing nonmusiman (+ika data elum
stasioner dalam mean)" 7angkahn*a klik +,i#k
» Gnereate Serie% » ketikkan
dsarimaDd(lnsarima)B E O- " &emudian
melakukan Unit Root Te%t kemali untuk
menge#ek stasioneritasn*a" &emudian melihat
AF dan PAF dengan ilih menu &iew »
#orrelo)ra*
7angkah erikutn*a adalah melakukan
over*itting model kemudian u+i asumsi klasik
dan *ang terakhir melakukan eramalan"
0. Ha%'l dan Pe$+aha%an
Ga$+ar 0.1 Pl*t Data Aal
aat diketahui aha data terseut
mengandung unsur musiman tia 12 eriode"
Stasioneritas dalam varians daat dilihat seagai
erikut
Ga$+ar 0.# (i%to)ra* and Stat%
erdasarkan hasil diatas daat dilakukan u+i
hiotesis seagai erikut'
• 5iotesis'
5. ' data erdistriusi normal51 ' data tidak erdistriusi normal
• %ingkat signi-ikansi' G D H
• aerah kritis' tolak 5. +ika sig" G• Statistik u+i' sig" D ....
• &eutusan' sig" G maka tolak 5.
• &esimulan' dengan menggunakan tingkat
keer#a*aan /H daat disimulkan aha
data tidak erdsitriusi normal" Maka dari itu
erlu dilakukan trans-ormasi data ke entuk
logaritma"
&arena data telah ditrans-ormasi dalam entuk
ln #ek kemali stasioneritasn*a (dalam varians)
hasiln*a adalah seagai erikut
Ga$+ar 0.# (i%to)ra* and Stat% ln
dengan menggunakan tingkat signi-ikansi H
daat diketahui aha hasil data *ang telah
ditrans-ormasi ke entuk logaritma menghasilkan
nilai roailitas ...J" Artin*a data masih elum
stasioner dalam varians atau dengan kata lain
data elum normal" Maka langkah selan+utn*a
adalah menstasionerkan data dalam mean dengan
#ara di**eren+ing " Kang ertama di**eren+ing
musiman didaat outut s
-
8/17/2019 CONTOH_ANALISIS_RUNTUN_WAKTU_SARIMA.docx
4/6
4
Ga$+ar 0. Unit Root Te%t 2d%l*"%ar'$a3
&arena nilai statistik AF L ttael ada
tingkat signi-ikansi H maka daat dikatakan
aha data tidak stasioner" Maka dari itu erlu
di#oa di**eren+ing nonmusiman" ari
di**eren+ing nonmusiman didaat outut erikut
Ga$+ar 0.0 Unit Root Te%t 2d%ar'$a3
• 5iotesis'
5. ' data mengandung unit root (tidak
stasioner)
51 ' data tidak mengandungunit root
(datastasioner)
• %ingkat signi-ikansi' G D H
• aerah kritis' tolak 5. +ika AF ttael
• Statistik u+i' AF D 12J/3 < ttael D 2/.1
• &eutusan' AF ttael maka tolak 5.
• &esimulan' dengan menggunakan tingkat
keer#a*aan /H daat disimulkan aha
data tidak mengandung unit root atau data
stasioner dalam mean"
Selan+utn*a adalah melihat nilai AF dan
PAF dari +orrelogram erikut
Ga$+ar 0./ .orrelo)ra* 2d%ar'$a3
erdasarkan +orrelogram diatas nilai dilihat
dari PAF ; dilihat dari AF" iketahui aha
ada AF terdaat 1 lag ertama (;D1) egitu
+uga dengan PAF terdaat 1 lag ertama (D1)"
&emudian nilai P dilihat dari nilai AF *ang
terdaat musiman dan keliatann*a maka dalam
hal ini adalah lag 24 dan lag 12 (PD2)" Sedangkan
nilai didaat dari nilai PAF *ang terdaat
musiman dan keliatann*a maka dalam hal ini
adalah lag 12 (D1)" $erdasarkan in-ormasi
terseut didaatkan model SARIMA (111)
(211)12" Model *ang mungkin adalah'
Ta+el 0.1. M*del SARIMA 4an" Mun"!'n
Model Signi-ikan
SARIMA (111) (211)
12
N %idak SARIMA (111) (211)12 %idak
SARIMA (11.) (111)12 Ka
$erdasarkan modelmodel diatas diilih model
*ang signi-ikan maka model *ang diilih SARIMA
(11.) (111)12" ntuk melihat modeln*a ilih menu
+,i#k » E%ti*ate E/,ation ihasilkan outut s'
-
8/17/2019 CONTOH_ANALISIS_RUNTUN_WAKTU_SARIMA.docx
5/6
5
Ga$+ar 0.5 E%ti*ate E/,ation
aat dilihat ada outut diatas aha semua
nilain*a sudah signi-ikan semua" Maka model ini
*ang digunakan untuk eramalan" Seelum
melakukan eramalan erlu dilakukan u+i asumsi
terleih dahulu"
0.1. U&' A%u$%' Kla%'!
a" +i :ormalitas Residual
Ga$+ar 0.5 Nor*ality Te%t
erdasarkan histogram diatas daat dilihat
aha residual #enderung normal"
" +i Autokorelasi
Ga$+ar 0.6 .orrelo)ra*0+0Stati%ti#%
erdasarkan #orrelogram diatas daat
dilihat aha tidak terdaat lag *ang
memiliki nilai roailitas .." Maka
daat disimulkan aha residual tidak
mengandung autokorelasi"#" +i 5eteroskedastisitas
Ga$+ar 0.7 .orrelo)ra* S/,ared
Re%id,al%
erdasarkan #orrelogram diatas daatdilihat aha nilai roailitas tidak ada
*ang .." Maka daat disimulkan
aha data homoskedastisitas"Setelah semua memenuhi asumsi
maka daat diastikan aha model
SARIMA (11.) (111)12 adalah model
*ang #o#ok digunakan untuk eramalan"
5asil eramalan *ang didaatkan
adalah s'
Ga$+ar 0.8 Ha%'l Pera$alan
erdasarkan outut diatas didaatkan hasil
eramalan untuk eriode Aril 2.1 0
esemer 2.1 (/ eriode kedean) s'
Ta+el 0.#. Ha%'l Pera$laan
Periode 2.1 ,umlah Prediksi
Penumang
Aril 2/244O
Mei 26621
,uni 2J..O61
,uli 2J22414Agustus 264..33
-
8/17/2019 CONTOH_ANALISIS_RUNTUN_WAKTU_SARIMA.docx
6/6
6
Setemer 26JJ64
ktoer 2J.44/O
:ovemer 264332
esemer 2J46OO
/. Ke%'$,ulan
$erdasarkan hasil emahasan diatas raktikan
daat menarik kesimulan seagai erikut'1" 5asil eramalan +umlah enumang kereta
ai di Indonesia untuk 6 ulan kedean
(Arilesemer) 2.1 erturutturut adalah'
Aril 2/244O
Mei 26621
,uni 2J..O61
,uli 2J22414
Agustus 264..33
Setemer 26JJ64
ktoer 2J.44/O
:ovemer 264332esemer 2J46OO
2" $erdasarkan u+i asumsi klasik dieroleh
in-ormasi aha data memenuhi asumsi
normalitas homoskedastisitas dan non
autokorelasi"3" Model teraik *ang didaat adalah SARIMA
(11.) (111)12
DA9TAR PUSTAKA
lan M :asihun" 2.14" Peramalan $ata Runtun
3aktu Metode SARIMA dengan 4views"
htt'CC"ortal
statistik"#omC2.14C1.Ceramalandataruntun
aktumetode"html (diakses ada tanggal
,uni 2.1)
Siteu Roinson" 2..O" Pemodelan dan Peramalan
$eret 3aktu Musiman dengan Pendekatan
2ilter 5ank " Medan' niversitas Sumatera
tara
Muha+ir Muhamad dan Primandari Arum" 2.1"
Modul Praktikum Analisis Runtun 3aktu"
Kog*akarta' niversitas Islam Indonesia