library(ggplot2)
library(tsibble)
##
## Attaching package: 'tsibble'
## The following objects are masked from 'package:base':
##
## intersect, setdiff, union
library(tseries)
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
library(MASS)
library(forecast)
library(TSA)
## Registered S3 methods overwritten by 'TSA':
## method from
## fitted.Arima forecast
## plot.Arima forecast
##
## Attaching package: 'TSA'
## The following objects are masked from 'package:stats':
##
## acf, arima
## The following object is masked from 'package:utils':
##
## tar
library(TTR)
library(aTSA)
##
## Attaching package: 'aTSA'
## The following object is masked from 'package:forecast':
##
## forecast
## The following objects are masked from 'package:tseries':
##
## adf.test, kpss.test, pp.test
## The following object is masked from 'package:graphics':
##
## identify
library(graphics)
library(rio)
data <- import("https://raw.githubusercontent.com/ignaciatarigan/MPDW/main/Pertemuan%2067/newdata.csv")
databaru <- data[,-1]
databaru
## Period WS50M
## 1 1 5.58
## 2 2 4.59
## 3 3 3.05
## 4 4 2.95
## 5 5 3.56
## 6 6 3.94
## 7 7 9.41
## 8 8 5.88
## 9 9 6.23
## 10 10 3.70
## 11 11 4.92
## 12 12 2.99
## 13 13 3.38
## 14 14 4.52
## 15 15 4.35
## 16 16 7.56
## 17 17 3.32
## 18 18 4.70
## 19 19 9.16
## 20 20 5.31
## 21 21 2.69
## 22 22 4.03
## 23 23 7.52
## 24 24 8.99
## 25 25 5.33
## 26 26 2.85
## 27 27 8.15
## 28 28 6.35
## 29 29 7.84
## 30 30 5.08
## 31 31 5.76
## 32 32 6.21
## 33 33 7.67
## 34 34 3.83
## 35 35 7.62
## 36 36 3.70
## 37 37 3.46
## 38 38 4.23
## 39 39 5.00
## 40 40 5.99
## 41 41 3.41
## 42 42 6.52
## 43 43 2.95
## 44 44 5.02
## 45 45 6.31
## 46 46 10.16
## 47 47 10.45
## 48 48 11.49
## 49 49 5.56
## 50 50 5.31
## 51 51 8.53
## 52 52 5.64
## 53 53 6.41
## 54 54 8.20
## 55 55 7.39
## 56 56 4.77
## 57 57 5.74
## 58 58 9.46
## 59 59 3.88
## 60 60 6.41
## 61 61 12.77
## 62 62 8.73
## 63 63 3.26
## 64 64 2.23
## 65 65 6.92
## 66 66 5.51
## 67 67 4.87
## 68 68 4.30
## 69 69 7.79
## 70 70 4.16
## 71 71 3.00
## 72 72 7.55
## 73 73 9.27
## 74 74 5.75
## 75 75 6.96
## 76 76 6.20
## 77 77 4.20
## 78 78 5.14
## 79 79 4.80
## 80 80 12.04
## 81 81 6.55
## 82 82 3.90
## 83 83 6.41
## 84 84 6.01
## 85 85 6.63
## 86 86 4.73
## 87 87 10.36
## 88 88 5.78
## 89 89 3.66
## 90 90 5.20
## 91 91 3.83
## 92 92 5.41
## 93 93 3.88
## 94 94 8.37
## 95 95 8.28
## 96 96 6.60
## 97 97 3.43
## 98 98 4.93
## 99 99 5.95
## 100 100 5.16
## 101 101 3.44
## 102 102 3.96
## 103 103 8.62
## 104 104 8.38
## 105 105 5.33
## 106 106 4.21
## 107 107 6.52
## 108 108 9.04
## 109 109 4.89
## 110 110 3.52
## 111 111 4.84
## 112 112 7.41
## 113 113 4.96
## 114 114 3.63
## 115 115 5.20
## 116 116 7.97
## 117 117 5.77
## 118 118 7.88
## 119 119 11.09
## 120 120 6.11
## 121 121 8.13
## 122 122 9.84
## 123 123 5.39
## 124 124 4.30
## 125 125 10.66
## 126 126 4.95
## 127 127 3.07
## 128 128 5.63
## 129 129 8.23
## 130 130 4.24
## 131 131 2.98
## 132 132 4.31
## 133 133 4.84
## 134 134 4.22
## 135 135 5.23
## 136 136 7.20
## 137 137 11.88
## 138 138 4.45
## 139 139 3.13
## 140 140 3.73
## 141 141 12.25
## 142 142 5.89
## 143 143 3.92
## 144 144 4.78
## 145 145 6.76
## 146 146 3.62
## 147 147 4.09
## 148 148 5.06
## 149 149 8.52
## 150 150 4.13
## 151 151 4.58
## 152 152 4.36
## 153 153 4.70
## 154 154 3.98
## 155 155 10.30
## 156 156 4.07
## 157 157 3.09
## 158 158 3.35
## 159 159 3.44
## 160 160 4.15
## 161 161 3.09
## 162 162 4.04
## 163 163 5.94
## 164 164 5.42
## 165 165 3.70
## 166 166 3.48
## 167 167 4.00
## 168 168 5.70
## 169 169 4.35
## 170 170 6.40
## 171 171 4.90
## 172 172 4.30
## 173 173 3.59
## 174 174 3.86
## 175 175 5.02
## 176 176 3.81
## 177 177 2.77
## 178 178 2.40
## 179 179 3.45
## 180 180 6.30
## 181 181 3.85
## 182 182 3.84
## 183 183 6.18
## 184 184 4.70
## 185 185 2.53
## 186 186 2.20
## 187 187 3.21
## 188 188 4.14
## 189 189 4.29
## 190 190 3.17
## 191 191 3.48
## 192 192 2.18
## 193 193 2.38
## 194 194 2.64
## 195 195 3.40
## 196 196 3.21
## 197 197 2.65
## 198 198 3.03
## 199 199 5.15
## 200 200 3.55
## 201 201 3.15
## 202 202 3.25
## 203 203 3.83
## 204 204 4.05
## 205 205 3.20
## 206 206 2.73
## 207 207 4.45
## 208 208 6.37
## 209 209 4.88
## 210 210 7.26
## 211 211 4.55
## 212 212 2.30
## 213 213 4.92
## 214 214 3.91
## 215 215 6.88
## 216 216 4.02
## 217 217 2.43
## 218 218 2.97
## 219 219 4.07
## 220 220 8.31
## 221 221 14.21
## 222 222 9.35
## 223 223 3.04
## 224 224 3.66
## 225 225 6.73
## 226 226 11.66
## 227 227 4.63
## 228 228 4.59
## 229 229 4.80
## 230 230 10.56
## 231 231 8.08
## 232 232 6.91
## 233 233 6.12
## 234 234 6.40
## 235 235 3.09
## 236 236 4.66
## 237 237 5.07
## 238 238 3.00
## 239 239 3.84
## 240 240 2.26
## 241 241 4.73
## 242 242 3.61
## 243 243 4.03
## 244 244 3.64
## 245 245 5.20
## 246 246 4.20
## 247 247 4.57
## 248 248 5.80
## 249 249 6.17
## 250 250 5.55
## 251 251 3.96
## 252 252 3.16
## 253 253 4.20
## 254 254 3.14
## 255 255 3.37
## 256 256 4.16
## 257 257 2.80
## 258 258 4.00
## 259 259 5.57
## 260 260 4.17
## 261 261 8.38
## 262 262 7.58
## 263 263 5.04
## 264 264 3.41
## 265 265 5.58
## 266 266 4.63
## 267 267 3.17
## 268 268 6.35
## 269 269 4.64
## 270 270 5.91
## 271 271 5.02
## 272 272 3.68
## 273 273 2.73
## 274 274 12.77
## 275 275 4.93
## 276 276 4.16
## 277 277 5.91
## 278 278 4.65
## 279 279 5.62
## 280 280 4.16
## 281 281 4.96
## 282 282 5.21
## 283 283 4.40
## 284 284 5.83
## 285 285 5.84
## 286 286 5.33
## 287 287 3.55
## 288 288 2.42
## 289 289 4.98
## 290 290 8.10
## 291 291 6.47
## 292 292 4.53
## 293 293 7.33
## 294 294 4.93
## 295 295 6.31
## 296 296 8.03
## 297 297 3.34
## 298 298 5.75
## 299 299 6.48
## 300 300 2.57
## 301 301 6.23
## 302 302 7.34
## 303 303 3.32
## 304 304 2.55
## 305 305 3.28
## 306 306 4.83
## 307 307 4.48
## 308 308 3.68
## 309 309 4.27
## 310 310 4.30
## 311 311 5.34
## 312 312 5.12
## 313 313 5.73
## 314 314 7.51
## 315 315 7.52
## 316 316 6.63
## 317 317 3.65
## 318 318 5.41
## 319 319 4.01
## 320 320 5.05
## 321 321 3.92
## 322 322 2.58
## 323 323 3.09
## 324 324 5.23
## 325 325 2.40
## 326 326 6.55
## 327 327 5.91
## 328 328 7.40
## 329 329 6.45
## 330 330 4.00
## 331 331 7.97
## 332 332 6.92
## 333 333 4.09
## 334 334 6.65
## 335 335 10.86
## 336 336 5.06
## 337 337 6.14
## 338 338 6.20
## 339 339 5.34
## 340 340 4.97
## 341 341 7.70
## 342 342 11.40
## 343 343 7.37
## 344 344 3.17
## 345 345 2.75
## 346 346 5.85
## 347 347 7.75
## 348 348 2.07
## 349 349 3.93
## 350 350 4.11
## 351 351 7.46
## 352 352 7.64
## 353 353 3.95
## 354 354 3.32
## 355 355 4.16
## 356 356 7.01
## 357 357 6.09
## 358 358 3.59
## 359 359 5.77
## 360 360 6.82
## 361 361 4.54
## 362 362 5.61
## 363 363 4.55
## 364 364 7.17
## 365 365 5.51
Sebelum masuk dalam tahap pemodelan, dilakukan eksplorasi data dengan plot deret waktu untuk melihat pola data.
#--PLOT TIME SERIES--#
plot(databaru,
col = "black",
lwd = 1,
type = "o",
xlab = "Time",
ylab = "Data")
abline(h = mean(databaru$WS50M), col = "red", lty = 2)
mean(databaru$WS50M)
## [1] 5.337589
Berdasarkan plot data deret waktu di atas, terlihat data cenderung tidak stasioner dalam ragam. Data stasioner dalam rataan karena menyebar/bergerak di sekitar nilai tengahnya dan dikatakan stasioner dalam ragam karena memiliki lebar pita yang cenderung sama. Sedangkan pada plot diatas terlihat bahwa data cukup menyebar/bergerak di sekitar nilai tengahnya yakni 5.337589 namun lebar pita menunjukkan cenderung jauh/berbeda. Selain dengan plot data deret waktu, akan dilakukan pengecekan stasioneritas data dengan plot ACF dan uji ADF.
Membuat data time series dari data awal
databaru.ts <- ts(databaru$WS50M)
Data kemudian dibagi menjadi data latih dan data uji.
databaru.train <- databaru.ts[1:292]
databaru.test <- databaru.ts[293:365]
databaru.train<- ts(databaru.train)
databaru.test <- ts(databaru.test)
acf(databaru.train, main="ACF", lag.max=20)
Berdasarkan plot ACF, terlihat bahwa plot ACF pada data tersebut cenderung tails off dan membentuk gelombang sinus.
tseries::adf.test(databaru.train, k = 6)
## Warning in tseries::adf.test(databaru.train, k = 6): p-value smaller than
## printed p-value
##
## Augmented Dickey-Fuller Test
##
## data: databaru.train
## Dickey-Fuller = -4.5224, Lag order = 6, p-value = 0.01
## alternative hypothesis: stationary
$H_0$ : Data tidak stasioner dalam rataan
$H_1$ : Data stasioner dalam rataan
Berdasarkan uji ADF tersebut, didapat *p-value* sebesar 0.01 yang lebih kecil dari taraf nyata 5% sehingga tolak $H_0$ dan menandakan bahwa data memang stasioner dalam rataan. Hal ini sesuai dengan hasil eksplorasi menggunakan plot time series dan plot ACF.
index <- seq(1:292) #sebanyak row data
bc = boxcox(databaru.train~index, lambda = seq(-3,2,by=0.01))
#Nilai Rounded Lambda
lambda <- bc$x[which.max(bc$y)]
lambda
## [1] -0.34
#SK
bc$x[bc$y > max(bc$y) - 1/2 * qchisq(.95,1)]
## [1] -0.60 -0.59 -0.58 -0.57 -0.56 -0.55 -0.54 -0.53 -0.52 -0.51 -0.50 -0.49
## [13] -0.48 -0.47 -0.46 -0.45 -0.44 -0.43 -0.42 -0.41 -0.40 -0.39 -0.38 -0.37
## [25] -0.36 -0.35 -0.34 -0.33 -0.32 -0.31 -0.30 -0.29 -0.28 -0.27 -0.26 -0.25
## [37] -0.24 -0.23 -0.22 -0.21 -0.20 -0.19 -0.18 -0.17 -0.16 -0.15 -0.14 -0.13
## [49] -0.12 -0.11 -0.10 -0.09 -0.08
Plot Boxcox menunjukkan nilai *rounded value* ($\lambda$) optimum sebesar **-0.34** dan pada selang kepercayaan 95% nilai memiliki batas bawah **-0.60** dan batas atas **-0.08**. Selang tersebut tidak memuat nilai satu sehingga dapat dikatakan bahwa data yang digunakan tidak stasioner dalam ragam.
acf(databaru.train, main="ACF", lag.max=20)
Berdasarkan plot tersebut, terlihat bahwa plot ACF cenderung cuts
off pada lag ke 1
pacf(databaru.train)
Berdasarkan plot tersebut, terlihat bahwa plot PACF cenderung cuts off pada lag ke 1
eacf(databaru.train)
## AR/MA
## 0 1 2 3 4 5 6 7 8 9 10 11 12 13
## 0 x o o x x o x x o o x x o o
## 1 x o o x o o o x o o o o o o
## 2 x o o x o o o x o o o o o o
## 3 x x x o o o o o o o o o o o
## 4 o x x o o o o o o o o o o o
## 5 o x x o x o o o o o o o o o
## 6 x x o o o o o o o o o o o o
## 7 x x x o x o x o o o o o o o
Identifikasi model menggunakan plot EACF dilakukan dengan melihat ujung segitiga pada pola segitiga nol. Dalam hal ini model tentatif yang terbentuk adalah ARIMA(0,0,1), ARIMA(1,0,2), (2,0,4), dan (3,0,3).
model1.da=Arima(databaru.train, order=c(1,0,1),method="ML")
summary(model1.da)
## Series: databaru.train
## ARIMA(1,0,1) with non-zero mean
##
## Coefficients:
## ar1 ma1 mean
## -0.0416 0.3564 5.3149
## s.e. 0.1394 0.1249 0.1609
##
## sigma^2 = 4.511: log likelihood = -632.82
## AIC=1273.64 AICc=1273.78 BIC=1288.34
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -1.672912e-05 2.112905 1.620568 -13.96551 32.80017 0.8016476
## ACF1
## Training set -0.000227047
lmtest::coeftest(model1.da)
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.041571 0.139351 -0.2983 0.765459
## ma1 0.356431 0.124890 2.8540 0.004318 **
## intercept 5.314901 0.160904 33.0315 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC=1273.64 Peubah Tidak Signifikan
model2.da=Arima(databaru.train, order=c(0,0,1),method="ML")
summary(model2.da)
## Series: databaru.train
## ARIMA(0,0,1) with non-zero mean
##
## Coefficients:
## ma1 mean
## 0.3220 5.3154
## s.e. 0.0543 0.1634
##
## sigma^2 = 4.496: log likelihood = -632.86
## AIC=1271.73 AICc=1271.81 BIC=1282.76
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -0.0004224296 2.113221 1.621308 -13.93594 32.79426 0.8020139
## ACF1
## Training set -0.00630013
lmtest::coeftest(model2.da)
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ma1 0.32204 0.05432 5.9285 3.057e-09 ***
## intercept 5.31535 0.16336 32.5384 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC=1271.73 Peubah Signifikan
model3.da=Arima(databaru.train, order=c(1,0,2),method="ML")
summary(model3.da)
## Series: databaru.train
## ARIMA(1,0,2) with non-zero mean
##
## Coefficients:
## ar1 ma1 ma2 mean
## 0.1378 0.1740 -0.0650 5.3152
## s.e. 0.5427 0.5387 0.1742 0.1589
##
## sigma^2 = 4.525: log likelihood = -632.77
## AIC=1275.55 AICc=1275.76 BIC=1293.93
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -0.0002067826 2.112584 1.62083 -13.98363 32.81699 0.8017771
## ACF1
## Training set 0.003059641
lmtest::coeftest(model3.da)
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.137804 0.542694 0.2539 0.7996
## ma1 0.174025 0.538705 0.3230 0.7467
## ma2 -0.064959 0.174198 -0.3729 0.7092
## intercept 5.315167 0.158920 33.4456 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC=1275.55 Peubah Tidak Signifikan
model4.da=Arima(databaru.train, order=c(2,0,4),method="ML")
summary(model4.da)
## Series: databaru.train
## ARIMA(2,0,4) with non-zero mean
##
## Coefficients:
## ar1 ar2 ma1 ma2 ma3 ma4 mean
## 0.5856 0.3206 -0.3006 -0.5541 -0.1081 0.2126 5.2897
## s.e. 0.2367 0.2298 0.2293 0.1703 0.0825 0.0549 0.3076
##
## sigma^2 = 4.235: log likelihood = -621.76
## AIC=1259.52 AICc=1260.03 BIC=1288.94
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.01176945 2.033145 1.537181 -12.48004 30.66279 0.7603984
## ACF1
## Training set -0.004062779
lmtest::coeftest(model4.da)
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.585561 0.236662 2.4742 0.0133517 *
## ar2 0.320626 0.229839 1.3950 0.1630163
## ma1 -0.300621 0.229322 -1.3109 0.1898885
## ma2 -0.554103 0.170324 -3.2532 0.0011410 **
## ma3 -0.108056 0.082512 -1.3096 0.1903380
## ma4 0.212607 0.054927 3.8707 0.0001085 ***
## intercept 5.289738 0.307561 17.1990 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC=1259.52 Peubah Tidak Signifikan
model5.da=Arima(databaru.train, order=c(3,0,3),method="ML")
summary(model5.da)
## Series: databaru.train
## ARIMA(3,0,3) with non-zero mean
##
## Coefficients:
## ar1 ar2 ar3 ma1 ma2 ma3 mean
## 0.7850 -0.5294 0.6555 -0.5107 0.2450 -0.4773 5.2906
## s.e. 0.1242 0.1726 0.1257 0.1400 0.1891 0.1345 0.3279
##
## sigma^2 = 4.187: log likelihood = -620.11
## AIC=1256.22 AICc=1256.73 BIC=1285.63
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.0116148 2.021437 1.510328 -12.23736 30.03778 0.7471153
## ACF1
## Training set 0.003853821
lmtest::coeftest(model5.da)
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.78503 0.12423 6.3190 2.633e-10 ***
## ar2 -0.52941 0.17255 -3.0682 0.0021539 **
## ar3 0.65550 0.12569 5.2151 1.838e-07 ***
## ma1 -0.51065 0.14000 -3.6476 0.0002648 ***
## ma2 0.24495 0.18907 1.2956 0.1951263
## ma3 -0.47728 0.13451 -3.5482 0.0003878 ***
## intercept 5.29056 0.32794 16.1326 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
AIC=1256.22 Peubah Tidak Signifikan
Model terbaik hasil identifikasi kemudian dicek asumsi sisaannya. Sisaan model ARIMA harus memenuhi asumsi normalitas, kebebasan sisaan, dan kehomogenan ragam. Diagnostik model dilakukan secara eksplorasi dan uji formal.
#Eksplorasi
sisaan.da <- model2.da$residuals
par(mfrow=c(2,2))
qqnorm(sisaan.da)
qqline(sisaan.da, col = "blue", lwd = 2)
plot(c(1:length(sisaan.da)),sisaan.da)
acf(sisaan.da)
pacf(sisaan.da)
par(mfrow = c(1,1))
Berdasarkan plot kuantil-kuantil normal, secara eksplorasi ditunjukkan sisaan tidak menyebar normal ditandai dengan titik titik yang cenderung tidak mengikuti garis \(45^{\circ}\). Kemudian dapat dilihat juga lebar pita sisaan yang cenderung tidak sama menandakan bahwa sisaan memiliki ragam yang heterogen. Plot ACF dan PACF sisaan ARIMA(0,0,1) juga tidak signifikan pada 20 lag awal yang menandakan saling bebas. Kondisi ini akan diuji lebih lanjut dengan uji formal.
ks.test(sisaan.da,"pnorm") #tak tolak H0 > sisaan menyebar normal
##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: sisaan.da
## D = 0.25145, p-value = 2.22e-16
## alternative hypothesis: two-sided
Selain dengan eksplorasi, asumsi tersebut dapat diuji menggunakan uji formal. Pada tahapan ini uji formal yang digunakan untuk normalitas adalah uji Kolmogorov-Smirnov (KS). Hipotesis pada uji KS adalah sebagai berikut.
\(H_0\) : Sisaan menyebar normal
\(H_1\) : Sisaan tidak menyebar normal
Berdasarkan uji KS tersebut, didapat p-value sebesar < 2.22e-16 yang kurang dari taraf nyata 5% sehingga tolak \(H_0\) dan menandakan bahwa sisaan tidak menyebar normal. Hal ini sesuai dengan hasil eksplorasi menggunakan plot kuantil-kuantil normal.
Box.test(sisaan.da, type = "Ljung") #tak tolak H0 > sisaan saling bebas
##
## Box-Ljung test
##
## data: sisaan.da
## X-squared = 0.011709, df = 1, p-value = 0.9138
Selanjutnya akan dilakukan uji formal untuk kebebasan sisaan menggunakan uji Ljung-Box. Hipotesis yang digunakan adalah sebagai berikut.
\(H_0\) : Sisaan saling bebas
\(H_1\) : Sisaan tidak tidak saling bebas
Berdasarkan uji Ljung-Box tersebut, didapat p-value sebesar 0.9138 yang lebih besar dari taraf nyata 5% sehingga tak tolak \(H_0\) dan menandakan bahwa sisaan saling bebas. Hal ini berbeda dengan eksplorasi
Box.test((sisaan.da)^2, type = "Ljung") #tak tolak H0 > sisaan homogen
##
## Box-Ljung test
##
## data: (sisaan.da)^2
## X-squared = 0.10739, df = 1, p-value = 0.7431
Hipotesis yang digunakan untuk uji kehomogenan ragam adalah sebagai berikut.
\(H_0\) : Ragam sisaan homogen
\(H_1\) : Ragam sisaan tidak homogen
Berdasarkan uji Ljung-Box terhadap sisaan kuadrat tersebut, didapat p-value sebesar 0.7431 yang lebih dari taraf nyata 5% sehingga tolak \(H_0\) dan menandakan bahwa ragam sisaan tidak homogen.
t.test(sisaan.da, mu = 0, conf.level = 0.95) #tak tolak h0 > nilai tengah sisaan sama dengan 0
##
## One Sample t-test
##
## data: sisaan.da
## t = -0.00341, df = 291, p-value = 0.9973
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -0.2442352 0.2433903
## sample estimates:
## mean of x
## -0.0004224296
Terakhir, dengan uji-t, akan dicek apakah nilai tengah sisaan sama dengan nol. Hipotesis yang diujikan sebagai berikut.
\(H_0\) : nilai tengah sisaan sama dengan 0
\(H_1\) : nilai tengah sisaan tidak sama dengan 0
Berdasarkan uji-ttersebut, didapat p-value sebesar 0.9973 yang lebih besar dari taraf nyata 5% sehingga tak tolak \(H_0\) dan menandakan bahwa nilai tengah sisaan sama dengan nol. Hal ini berbeda dengan eksplorasi.
Peramalan dilakukan menggunakan fungsi forecast() .
Contoh peramalan berikut ini dilakukan untuk 30 tahun ke depan.
#---FORECAST---#
ramalan.da <- forecast::forecast(model1.da, h = 30)
ramalan.da
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 293 5.042758 2.320943 7.764572 0.8801018 9.205414
## 294 5.326214 2.472671 8.179757 0.9620970 9.690332
## 295 5.314431 2.460665 8.168196 0.9499733 9.678888
## 296 5.314921 2.461155 8.168686 0.9504626 9.679379
## 297 5.314900 2.461135 8.168666 0.9504422 9.679358
## 298 5.314901 2.461135 8.168667 0.9504431 9.679359
## 299 5.314901 2.461135 8.168667 0.9504430 9.679359
## 300 5.314901 2.461135 8.168667 0.9504430 9.679359
## 301 5.314901 2.461135 8.168667 0.9504430 9.679359
## 302 5.314901 2.461135 8.168667 0.9504430 9.679359
## 303 5.314901 2.461135 8.168667 0.9504430 9.679359
## 304 5.314901 2.461135 8.168667 0.9504430 9.679359
## 305 5.314901 2.461135 8.168667 0.9504430 9.679359
## 306 5.314901 2.461135 8.168667 0.9504430 9.679359
## 307 5.314901 2.461135 8.168667 0.9504430 9.679359
## 308 5.314901 2.461135 8.168667 0.9504430 9.679359
## 309 5.314901 2.461135 8.168667 0.9504430 9.679359
## 310 5.314901 2.461135 8.168667 0.9504430 9.679359
## 311 5.314901 2.461135 8.168667 0.9504430 9.679359
## 312 5.314901 2.461135 8.168667 0.9504430 9.679359
## 313 5.314901 2.461135 8.168667 0.9504430 9.679359
## 314 5.314901 2.461135 8.168667 0.9504430 9.679359
## 315 5.314901 2.461135 8.168667 0.9504430 9.679359
## 316 5.314901 2.461135 8.168667 0.9504430 9.679359
## 317 5.314901 2.461135 8.168667 0.9504430 9.679359
## 318 5.314901 2.461135 8.168667 0.9504430 9.679359
## 319 5.314901 2.461135 8.168667 0.9504430 9.679359
## 320 5.314901 2.461135 8.168667 0.9504430 9.679359
## 321 5.314901 2.461135 8.168667 0.9504430 9.679359
## 322 5.314901 2.461135 8.168667 0.9504430 9.679359
data.ramalan.da <- ramalan.da$mean
plot(ramalan.da)
Berdasarkan hasil plot ramalan di atas, dapat dilihat bahwa ramalan
ARIMA(0,0,1) cenderung stabil hingga akhir periode tetapi terdapat tren
pada awal.
pt_1 <- databaru.train[292] #nilai akhir data
hasil.forc.Diff <- data.ramalan.da
hasil <- diffinv(hasil.forc.Diff, differences = 1) + pt_1
#has.1 sama hasilnta dengan: cumsum(c(pt_1,hasil.forc.Diff))
ts.plot(databaru.train,hasil)
perbandingan.da<-matrix(data=c(head(databaru.train, n=30), hasil[-1]),
nrow = 30, ncol = 2)
colnames(perbandingan.da)<-c("Aktual","Hasil Forecast")
perbandingan.da
## Aktual Hasil Forecast
## [1,] 5.58 9.572758
## [2,] 4.59 14.898972
## [3,] 3.05 20.213403
## [4,] 2.95 25.528324
## [5,] 3.56 30.843224
## [6,] 3.94 36.158125
## [7,] 9.41 41.473026
## [8,] 5.88 46.787928
## [9,] 6.23 52.102829
## [10,] 3.70 57.417730
## [11,] 4.92 62.732631
## [12,] 2.99 68.047532
## [13,] 3.38 73.362433
## [14,] 4.52 78.677335
## [15,] 4.35 83.992236
## [16,] 7.56 89.307137
## [17,] 3.32 94.622038
## [18,] 4.70 99.936939
## [19,] 9.16 105.251840
## [20,] 5.31 110.566741
## [21,] 2.69 115.881643
## [22,] 4.03 121.196544
## [23,] 7.52 126.511445
## [24,] 8.99 131.826346
## [25,] 5.33 137.141247
## [26,] 2.85 142.456148
## [27,] 8.15 147.771049
## [28,] 6.35 153.085951
## [29,] 7.84 158.400852
## [30,] 5.08 163.715753
accuracy(ts(hasil[-1]), head(databaru.train, n=30))
## ME RMSE MAE MPE MAPE ACF1 Theil's U
## Test set -81.38501 93.20725 81.38501 -1690.577 1690.577 0.8951105 34.40476
accuracy(ts(hasil[-1]), head(databaru.test, n=30))
## ME RMSE MAE MPE MAPE ACF1 Theil's U
## Test set -81.59967 93.84929 81.59967 -1863.287 1863.287 0.8944824 49.71147