Email:
RPubs: https://rpubs.com/abgylrchmn/

1 Dari data yang kalian miliki,

Mengambil data yang saya miliki yaitu data pesanan dari sebuah toko kue

library(tseries)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(ggplot2)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(fracdiff)
library(forecast)
pesanan<-read.csv("pesanan.csv")
pesanan
##    Bulan Jumlah.Pesanan
## 1      1             43
## 2      2             46
## 3      3             58
## 4      4             64
## 5      5             75
## 6      6             88
## 7      7             60
## 8      8             70
## 9      9             75
## 10    10             83
## 11    11             85
## 12    12            100
## 13    13            110
## 14    14            124
## 15    15            136
## 16    16            150
## 17    17            160
## 18    18            175
## 19    19            187
## 20    20            150
## 21    21            210
## 22    22            225
## 23    23            244
## 24    24            250
## 25    25            233
## 26    26            241
## 27    27            247
## 28    28            256
## 29    29            268
## 30    30            257
## 31    31            248
## 32    32            250
## 33    33            260
## 34    34            275
## 35    35            277
## 36    36            300
## 37    37            253
## 38    38            282
## 39    39            285
## 40    40            290
## 41    41            295
## 42    42            299
## 43    43            300
## 44    44            307
## 45    45            315
## 46    46            320
## 47    47            335
## 48    48            350

1.1 a) Plot data kemudian Uji stasioneritas datanya (Nilai maksimal 10)

Untuk membuat plot dari data pesanan, saya menggunakan koding dibawah dan dapat kita lihat bahwa kita memiliki 48 data jumlah pesanan dari data pertama sampai data ke-48

tspesanan<- ts(pesanan$Jumlah.Pesanan)
tspesanan
## Time Series:
## Start = 1 
## End = 48 
## Frequency = 1 
##  [1]  43  46  58  64  75  88  60  70  75  83  85 100 110 124 136 150 160 175 187
## [20] 150 210 225 244 250 233 241 247 256 268 257 248 250 260 275 277 300 253 282
## [39] 285 290 295 299 300 307 315 320 335 350
ts.plot(tspesanan)

Sekarang kita akan menguji stasioneritas datanya dengan koding adf.test

adf.test(tspesanan)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  tspesanan
## Dickey-Fuller = -1.5222, Lag order = 3, p-value = 0.7649
## alternative hypothesis: stationary

Hipotesa: Ho : data ‘pesanan’ tidak stasioner Ha: data ‘pesanan’ stasioner Alpha 5% = 0,05

Kriteria Keputusan Karena nilai p-value=0,7649 > Alpha=0,05 maka terima Ho

Kesimpulan Dengan kata lain Data Emas tersebut tidak stasioner.

1.2 b) Nah Uji stasioneritas, juga bisa dilihat dari plot ACF yang meluruh lambat menuju nol. Sekarang, gunakan program R untuk membuktikan bahwa memang benar plot ACF kalian sesuai dengan hasil uji Dickey-Fuller/ADF. (Nilai maksimal 10 poin)

Untuk melihat stasioneritas dari ACF plot, saya akan membuat plot nya dengan koding acf

acf(tspesanan, main= 'Data pesanan ACF Plot')

Berdasarkan gambar plot ACF diatas dapat diketahui bahwa plot data pesanan berdasarkan bulan cenderung naik dan tidak berada di sekitar nilai rata-rata yang konstan yang berarti bahwa data tidak stasioner dalam mean atau dengan kata lain Ho diterima