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

1 Data

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
tspesanan<- ts(pesanan$Jumlah.Pesanan)

2 Transformasi

Data ‘pesanan’ tersebut tidak stasioner berdasarkan uji stasioneritas yang saya lakukan di soal no 3 sehingga dilakukan differencing data agar datanya menjadi stasioner dan saya melakukan differencing data sebanyak satu kali.

diff1<-diff(tspesanan,differences=1)
ts.plot(diff1,main='Time Series DIFF1 Plot')

Berdasarkan plot Diff1, data pesanan yang sudah differencing tersebut dapat dikatakan stasioner.

3 Estimasi Parameter

Estimasi parameter model dapat dilakukan seperti berikut ini.

log_pesanan <- log(pesanan$Jumlah.Pesanan)
arima_model   <- arima(log_pesanan, 
                      order = c(0,1,1), 
                      seasonal = list(order = c(0,0,0), period = NA), 
                      include.mean = FALSE)

summary(arima_model)
## 
## Call:
## arima(x = log_pesanan, order = c(0, 1, 1), seasonal = list(order = c(0, 0, 0), 
##     period = NA), include.mean = FALSE)
## 
## Coefficients:
##           ma1
##       -0.0390
## s.e.   0.1233
## 
## sigma^2 estimated as 0.01347:  log likelihood = 34.53,  aic = -65.06
## 
## Training set error measures:
##                      ME      RMSE        MAE       MPE     MAPE      MASE
## Training set 0.04549417 0.1148496 0.08333346 0.9297401 1.731133 0.9939755
##                    ACF1
## Training set -0.1946791