Project UAS 4

library(readxl)
library(ggplot2)
library(tseries)
library(forecast)

1 A.Transformasi Awal

data_nih <- read_excel("E:/KULIAH/ANALISIS RUNTUN WAKTU/data nih.xlsx", 
    col_types = c("numeric", "numeric"))

y= t(data_nih)
colnames(y) = y[1,]
y= y[-1,] 
x = ts(y, frequency = 1)
plot(x)

ini adalah plot dari data transaksi sebuah toko sparepart

Datatransaksi.Diff1 <- diff(x,differences=1)
#Plot Output hasil differencing dapat dilakukan dengan
plot(Datatransaksi.Diff1)

ini adalah plot dengan data yang sudah di differencing

Datatransaksi.Log.Diff1 <- diff(log(x),diff=1)
ts.plot(Datatransaksi.Log.Diff1)

ini adalah plot dengan data yang sudah di differencing

Dapat dilihat di plot x bahwa data x yaitu data transaksi sebuah toko sparepart belum stasioner , lalu kita lakukan transformasi , yaitu dengan differencing data , dapat dilihat hasil dari plot differencing datanya menunjukan sudah stasioner dalam variansi ,serta variansi datanya juga relatif stabil.

1.1 plot ACF/PACF

lalu setelah mentransformasi data , selanjutnya kita lakukan identifikasi dari model ARMA dengan menggunakan plot ACF/PACF

par(mfrow=c(1,2))
acf(Datatransaksi.Log.Diff1, lag.max = 36,type = c("correlation","covariance","partial"),plot = TRUE, na.action = na.pass)
pacf(Datatransaksi.Log.Diff1,lag.max=36,na.action=na.pass)

Berdasarkan plot diatas , dapat dilihat fungsi ACF/PACF meluruh menuju nol , yang menandakan bahwa data tersebut sudah stasioner

2 ARIMA test

Dapat disimpulkan model yang mungkin untuk menggambarkan sifat data menurut prinsip pemodelan adalah

• model 1 AR(1)

yaitu log(Datatransaksi) adalah model ARIMA (1,1,0)

• model 2 MA(1)

yaitu log(Datatransaksi) adalah model ARIMA (0,1,1)

• model 3 ARMA (1,1)

yaitu log(Datatransaksi) adalah model ARIMA (1,1,1)

library(forecast)
Datatransaksi.log <-log(x)
arimamodel1 <-arima(Datatransaksi.log, order = c(1,1,1),seasonal=list(order=c(0,0,0),period=NA),include.mean = FALSE)
summary(arimamodel1)

## 
## Call:
## arima(x = Datatransaksi.log, order = c(1, 1, 1), seasonal = list(order = c(0, 
##     0, 0), period = NA), include.mean = FALSE)
## 
## Coefficients:
##           ar1      ma1
##       -0.1071  -0.9019
## s.e.   0.1087   0.0577
## 
## sigma^2 estimated as 0.1377:  log likelihood = -44.98,  aic = 95.97
## 
## Training set error measures:
##                       ME      RMSE       MAE        MPE     MAPE      MASE
## Training set -0.04304158 0.3693047 0.3134943 -0.8274168 4.326419 0.7266476
##                     ACF1
## Training set -0.02349841

dari summary diatas , didapatkan ar 1 sebesar -0,1071 , ma 1 sebesar -0,9019 , dan untuk standart error masing masing adalah 0,1087 untuk ar1 , dan 0,0577 untuk ma1