Uji Stationer_MPDW Praktikum

library(readxl)
library(tseries)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

library(urca)
library(tseries)

Import Data

data.sales = read_excel("C:\\Users\\MUTHI'AH IFFA\\Downloads\\Semester 5\\MPDW\\Praktikum\\Tugas Mandiri Iffa_MPDW_(store sales) 301_400.xlsx")

Cek Struktur Data

data.sales

## # A tibble: 100 × 2
##    Date                Total_Sales
##    <dttm>                    <dbl>
##  1 2022-10-28 00:00:00        238.
##  2 2022-10-29 00:00:00        204.
##  3 2022-10-30 00:00:00        207.
##  4 2022-10-31 00:00:00        250.
##  5 2022-11-01 00:00:00        236.
##  6 2022-11-02 00:00:00        286.
##  7 2022-11-03 00:00:00        226.
##  8 2022-11-04 00:00:00        214.
##  9 2022-11-05 00:00:00        230.
## 10 2022-11-06 00:00:00        204.
## # ℹ 90 more rows

str(data.sales)

## tibble [100 × 2] (S3: tbl_df/tbl/data.frame)
##  $ Date       : POSIXct[1:100], format: "2022-10-28" "2022-10-29" ...
##  $ Total_Sales: num [1:100] 238 204 207 250 236 ...

head(data.sales)

## # A tibble: 6 × 2
##   Date                Total_Sales
##   <dttm>                    <dbl>
## 1 2022-10-28 00:00:00        238.
## 2 2022-10-29 00:00:00        204.
## 3 2022-10-30 00:00:00        207.
## 4 2022-10-31 00:00:00        250.
## 5 2022-11-01 00:00:00        236.
## 6 2022-11-02 00:00:00        286.

Buat Data Time Series

# Ammbil kolom nilai penjualan
y = data.sales$Total_Sales
head(y)

## [1] 238.49 204.26 207.48 250.01 236.39 286.10

# Buat Objek Time series 
ts.data = ts(y, frequency = 1, start = 1) # frequency 1 karena data berjumlah 100
head(ts.data)

## Time Series:
## Start = 1 
## End = 6 
## Frequency = 1 
## [1] 238.49 204.26 207.48 250.01 236.39 286.10

data bulanan –> frquency = 12 (karena 12 bulan/tahun)

data kuartal –> frequency = 4

data harian satu tahun penuh –> frequency = 365

tidak tahu ada musiman/data pendek –> frequency = 1

# Plot deret waktu 
plot(ts.data, 
     main = "Total Sales (Time Series)",
     ylab = "Total Sales", 
     xlab = "Observation (1-100)")

• Data tidak menunjukkan adanya tren/musiman terlihat jelas.

• Pergerakan rataan relatif konstan di sekitar 240.

• Ragam juga cenderung stabil karena sebaran data cenderung terlihat sama.

Artinya dari grafik dapat diasumsikan bahwa data sudah stationer, namun agar lebih terlihat dan teruji bahwa data stationer akan dilakukan beberapa uji.

Cek Stationeritas

# Plot ACF dan PACF 
acf(ts.data, main = "ACF - Total Sales") # plot ACF

pacf(ts.data, main = "PACF - Total Sales") # plot PACF

Uji stationeritas

ADF Test

ADF test mendeteksi unit root

\(H_0\) = data tidak stationer

\(H_1\) = data stationer

tolak \(H_0\) ketika < 0.05

# Uji ADF 
adf.test(ts.data) 

## Warning in adf.test(ts.data): p-value smaller than printed p-value

## 
##  Augmented Dickey-Fuller Test
## 
## data:  ts.data
## Dickey-Fuller = -6.0915, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary

\(p-value\) berdasarkan uji ADF bernilai 0.01, artinya \(p-value\) < 0.05 maka tolak \(H_0\). Artinya dapat disimpulkan data sudah stationer.

KPSS (Kwiatkowski-Phillips-Schmidt-Shin) Test

KPSS test mendeteksi kestationeran di sekitar mean atau tren

\(H_0\) = data stationer

\(H_1\) = data tidak stationer

tolak \(H_0\) ketika p-value < 0.05

# Uji KPSS 
kpss.test(ts.data)

## Warning in kpss.test(ts.data): p-value greater than printed p-value

## 
##  KPSS Test for Level Stationarity
## 
## data:  ts.data
## KPSS Level = 0.21043, Truncation lag parameter = 4, p-value = 0.1

\(p-value\) berdasarkan uji KPSS bernilai 0.121043 artinya \(p-value\) > 0.05 maka gagal tolak \(H_0\). Artinya dapat disimpulkan data sudah stationer.