Penggunakan auto arima mempermudah dalam melakukan pemilihan metode terbaik.

library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
?auto.arima
## starting httpd help server ...
##  done
library(readxl)
Harga_Emas <- read_excel("~/Harga Emas.xlsx")

#Mengubah format data dari numerik menjadi time series
tsdata=ts(Harga_Emas$`Harga Emas Antam 1 Gram`)
str(tsdata)
##  Time-Series [1:149] from 1 to 149: 810000 815000 827000 822000 837000 842000 851000 842000 839000 831000 ...
plot(tsdata)

#Permodelan
model=auto.arima(tsdata)
model
## Series: tsdata 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##           drift
##       1412.1622
## s.e.   839.5214
## 
## sigma^2 estimated as 1.05e+08:  log likelihood=-1576.26
## AIC=3156.51   AICc=3156.59   BIC=3162.51

Model terbaik adalah ARIMA 0,1,0 dengan AIC 3156.51

#Forecasting
prediksi=forecast(model, h=7)
prediksi
##     Point Forecast     Lo 80   Hi 80     Lo 95   Hi 95
## 150        1020412 1007278.7 1033546 1000326.2 1040498
## 151        1021824 1003250.8 1040398  993418.5 1050230
## 152        1023236 1000488.6 1045984  988446.6 1058026
## 153        1024649  998381.7 1050916  984476.8 1064821
## 154        1026061  996693.4 1055428  981147.3 1070974
## 155        1027473  995302.6 1059643  978272.7 1076673
## 156        1028885  994137.2 1063633  975742.7 1082028

Berdasarkan hasil di atas harga emas dalam tujuh hari berturut turut adalah Rp. 1.020.412, Rp. 1.021.824, Rp. 1.023.236, Rp. 1.024.649, Rp. 1.026.061, Rp. 1.027.473 dan Rp 1.028.885

#Hasil Prediksi
plot(prediksi)

Garis biru pada plot merupakan prediksi harga emas di masa yang akan datang.

#Nilai Residual
plot(prediksi$residuals)

Berdasarkan plot yang disajikan bahwa data harga emas sudah stasioner.

#Asumsi
qqnorm(prediksi$residuals)

Berdasarkan plot tersebut dengan titik semakin ke kanan atas berarti data berdistribusi normal

#Akurasi
summary(model)
## Series: tsdata 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##           drift
##       1412.1622
## s.e.   839.5214
## 
## sigma^2 estimated as 1.05e+08:  log likelihood=-1576.26
## AIC=3156.51   AICc=3156.59   BIC=3162.51
## 
## Training set error measures:
##                    ME    RMSE      MAE          MPE      MAPE    MASE
## Training set 5.426761 10179.1 7149.178 -0.002324388 0.7737113 1.00102
##                     ACF1
## Training set -0.05796164
accuracy(model)
##                    ME    RMSE      MAE          MPE      MAPE    MASE
## Training set 5.426761 10179.1 7149.178 -0.002324388 0.7737113 1.00102
##                     ACF1
## Training set -0.05796164