Packages

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)

Input Data

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

Eksplorasi Data

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.

Data Time Series

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)

Cek Kestasioneran

Plot ACF

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.

ADF

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.

Boxcox

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.

Data hanya tidak stasioner dalam ragam maka langsung lanjut ke pemodelan

Identifikasi Model

Plot ACF

acf(databaru.train, main="ACF", lag.max=20)

Berdasarkan plot tersebut, terlihat bahwa plot ACF cenderung cuts off pada lag ke 1

Plot PACF

pacf(databaru.train)

Berdasarkan plot tersebut, terlihat bahwa plot PACF cenderung cuts off pada lag ke 1

Plot EACF

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).

Pendugaan Parameter Model Tentatif

ARIMA(1,0,1)

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

ARIMA(0,0,1)

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

ARIMA(1,0,2)

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

ARIMA(2,0,4)

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

ARIMA(3,0,3)

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

Analisis Sisaan

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 ARIMA (0,0,1)

#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.

Uji Formal

1. Sisaan Menyebar Normal

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.

2. Sisaan Saling bebas/tidak ada autokorelasi

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

3. Sisaan homogen

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.

4. Nilai tengah sisaan sama dengan nol

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

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.

Accuracy

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