library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(ggplot2)
# Memuat dataset UKgas
data("UKgas")

# Memisahkan data menjadi data latihan
train_data <- window(UKgas, end = c(1991, 12))
## Warning in window.default(x, ...): 'end' value not changed
# Menentukan model ARIMA yang paling sesuai secara otomatis
auto_arima <- auto.arima(train_data)

# Melakukan peramalan menggunakan model ARIMA
forecast_result <- forecast(auto_arima, h = 12)  # Meramalkan 12 bulan ke depan

# Memvisualisasikan hasil peramalan
autoplot(forecast_result) +
  ggtitle("Peramalan Konsumsi Gas di Inggris") +
  xlab("Tahun") + ylab("Konsumsi Gas") +
  guides(colour = guide_legend(title = "Seri"))

# Menampilkan hasil peramalan
print(forecast_result)
##         Point Forecast     Lo 80     Hi 80     Lo 95     Hi 95
## 1987 Q1      1201.8956 1156.8276 1246.9637 1132.9700 1270.8213
## 1987 Q2       651.0956  605.9163  696.2750  581.9998  720.1915
## 1987 Q3       385.3956  340.1052  430.6860  316.1300  454.6613
## 1987 Q4       820.7956  775.3945  866.1968  751.3606  890.2307
## 1988 Q1      1239.8913 1173.6484 1306.1341 1138.5816 1341.2010
## 1988 Q2       689.0913  622.5459  755.6367  587.3188  790.8637
## 1988 Q3       423.3913  356.5447  490.2379  321.1582  525.6244
## 1988 Q4       858.7913  791.6448  925.9378  756.0996  961.4830
## 1989 Q1      1277.8869 1193.3215 1362.4523 1148.5553 1407.2186
## 1989 Q2       727.0869  641.9887  812.1852  596.9404  857.2335
## 1989 Q3       461.3869  375.7592  547.0147  330.4306  592.3433
## 1989 Q4       896.7869  810.6329  982.9410  765.0257 1028.5482

Dalam contoh ini, kami menggunakan dataset “UKgas” yang berisi data tahunan tentang konsumsi gas di Inggris dari tahun 1960 hingga 1991. Kami memisahkan data menjadi data latihan (train_data) hingga akhir tahun 1991 dan data uji (test_data) mulai tahun 1992.

Selanjutnya, kami menggunakan fungsi auto.arima() untuk menentukan model ARIMA yang paling sesuai secara otomatis berdasarkan data latihan. Setelah itu, kami melakukan peramalan menggunakan model ARIMA dengan menggunakan fungsi forecast(). Kami meramalkan 12 bulan ke depan dengan menetapkan h = 12.

Kemudian, kami memvisualisasikan hasil peramalan dan data aktual menggunakan fungsi autoplot() dari paket ggplot2. Kami juga menampilkan judul dan label sumbu pada plot.

Terakhir, kami mencetak hasil peramalan menggunakan fungsi print() untuk melihat nilai peramalan untuk setiap periode ke depan