Template
Sistem Basis Data
Garry Julius (20204920003)
May 28, 2022
Email : garryjuliusperman@gmail.com
rpubs :
https://rpubs.com/Garr
Jurusan : Statistika
Bisnis
Address : ARA Center, Matana University Tower
Jl. CBD Barat Kav, RT.1, Curug Sangereng,
Kelapa Dua, Tangerang, Banten 15810.
1 soal
- Jelaskan bagaimana anda membangun ketiga model tersebut
- Bandingkan hasil prediksi dari ketiga model tersebut
- Berikan pendapatkan kalian mengenai kelebihan dan kekurangan penggunaan model tersebut pada kasus (dataset) anda.
2 time series regression model
dataset yang dipakai adalah data dari saham perusahaan Tesla, yang dimana Tesla ini merupakan salah satu perusahaan yang dimiliki oleh Elon Musk. yang diluncurkan di pasar modal pada tanggal 26 mei 2010.
tsla = read.csv("TSLA.csv")
datatable(tsla)datasaham <- tsla %>%
mutate(Date = ymd(Date)) %>%
arrange(Date) %>%
select(Date, High) %>%
pad() %>%
mutate(High = na.fill(High, na.aggregate(High)))## pad applied on the interval: dayglimpse(datasaham)## Rows: 2,191
## Columns: 2
## $ Date <date> 2016-05-26, 2016-05-27, 2016-05-28, 2016-05-29, 2016-05-30, 2016~
## $ High <dbl> 45.052, 45.186, 45.186, 45.186, 45.186, 44.950, 44.480, 43.982, 4~pada data ini memiliki baris sebanyak 2,191 dan terdiri dari 2 kolom. yang dimana kolom tersebut memuat data tanggal dan harga tertinggi saham tersebut.
range(datasaham$Date)## [1] "2016-05-26" "2022-05-25"jarak data yang digunakan memiliki interval harian yang berasal dari tanggal 26 mei 2016 sampai tanggal 25 mei 2022
ts.plot(tsla$High)
dalam plot ini menunjukan bahwa harga saham sempat mengalami kenaikan
harga yang sangat tinggi dibandingkan pada tahun tahun sebelumnya.
3 uji asumsi
untuk menganalisa suatu program linear, ada beberapa asumsi yang harus dipenuhi, yaitu :
datatable(tsla)3.1 Normalitas
uji normalitas adalah uji yang dilakukan untuk mengecek apakah data penelitian kita berasal dari populasi yang sebarannya normal. uji ini perlu dilakukan karena semua perhitungan statistik parametrik memiliki asumsi normalitas sebaran.
data <- data.frame(tsla)
datatable(data)y <- as.integer(tsla$Open)
x <- as.integer(tsla$High)
tslalm <- lm(x~y, data = tsla)
tslalm##
## Call:
## lm(formula = x ~ y, data = tsla)
##
## Coefficients:
## (Intercept) y
## -0.08472 1.02271par(mfrow=c(2,2))
plot(tslalm)
dari output “Normal Q-Q”
3.2 heterokedastisitas
Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi linear. Uji ini merupakan salah satu dari uji asumsi klasik yang harus dilakukan pada regresi linear.
par(mfrow=c(2,2))
plot(tslalm)
Dari output yang dihasilkan, pada output Residuals vs Fitted ini terlihat bahwa data yang pada titik ini tidak menyebar melainkan bergerombol maka dapat dikatakan bahwa tidak terjadi perbedaan varians residual sehingga ini memenuhi uji asumsi pada heteroskedastisitas.
3.3 Autokorelasi
Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk mengetahui adakah korelasi variabel yang ada di dalam model prediksi dengan perubahan waktu.
dwtest(tslalm)##
## Durbin-Watson test
##
## data: tslalm
## DW = 1.9699, p-value = 0.2703
## alternative hypothesis: true autocorrelation is greater than 0Dari output diatas pada nilai Durbin-Watson test menghasilkan niali p-value = 0.2703 yang mana lebih besar dari nilai alpha 0.05 sehingga dapat disimpulkan bahwa tidak ada terjadi pengaruh antara data yang lama dengan data yang baru ini. Maka demikian bahwa asumsi autokorelasi ini tidak ada pada data ini.
summary(tslalm)##
## Call:
## lm(formula = x ~ y, data = tsla)
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.555 -1.435 -0.414 0.586 86.187
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.0847239 0.2943205 -0.288 0.773
## y 1.0227110 0.0006871 1488.417 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.809 on 1509 degrees of freedom
## Multiple R-squared: 0.9993, Adjusted R-squared: 0.9993
## F-statistic: 2.215e+06 on 1 and 1509 DF, p-value: < 2.2e-16Dari output diatas, nilai Y pada hasil estimate yaitu Y = -0.0847239 + 1.0227110. significant nilai t value yaitu 1488.417 dan nilai Pr(>|t|) yaitu <2e-16 *** yang berarti signifikan.
3.4 kesimpulan
Bila nilai signifikansi t < 0.05 sedangkan t value yaitu 1488.417 maka H0 diterima, artinya tidak terdapat pengaruh yang signifikan antara satu variabel independen terhadap variabel dependen
4 Exponential smoothing Models
Dalam model peramalan pemulusan eksponensial, apabila forecast error adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A-F > 0), maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalan. Sebaliknya apabila forecasts error adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A-F < 0), maka model pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan.
4.1 Single Exponential Smoothing
Metode single exponential smoothing merupakan metode yang digunakan pada peramalan jangka pendek yang biasanya hanya 1 bulan ke depan yang mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap tanpa trend atau pola pertumbuhan konsisten.
Y<-as.integer(data$Open)
X<-as.integer(data$High)tslases<-ses(data$High ,h=10)
plot(tslases)
4.2 Holt-Winters
Metode Holt-Winters adalah metode prediksi kuantitatif yang digunakan untuk memprediksi data tren dan musiman. Beberapa variasi dari metode Holt-Winters adalah Multiplicative Holt-Winters, Additive Holt-Winters dan Double Seasonal Holt-Winters.
Pada R ini, metode Holt-Winter menggunakan parameter alpha, gamma, dan beta.
tslalog <- log(tsla$High)
tslalog[is.infinite(tslalog)]<-0
tslaholt<-HoltWinters(tslalog, beta = FALSE, gamma = FALSE)
tslaholt## Holt-Winters exponential smoothing without trend and without seasonal component.
##
## Call:
## HoltWinters(x = tslalog, beta = FALSE, gamma = FALSE)
##
## Smoothing parameters:
## alpha: 0.9999279
## beta : FALSE
## gamma: FALSE
##
## Coefficients:
## [,1]
## a 6.506261predic<-forecast(tslaholt,h=10)
predic## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 1512 6.506261 6.463121 6.549400 6.440284 6.572237
## 1513 6.506261 6.445254 6.567267 6.412959 6.599562
## 1514 6.506261 6.431544 6.580977 6.391992 6.620530
## 1515 6.506261 6.419986 6.592535 6.374315 6.638206
## 1516 6.506261 6.409803 6.602718 6.358741 6.653780
## 1517 6.506261 6.400597 6.611924 6.344662 6.667859
## 1518 6.506261 6.392131 6.620390 6.331714 6.680807
## 1519 6.506261 6.384251 6.628270 6.319663 6.692858
## 1520 6.506261 6.376850 6.635671 6.308344 6.704177
## 1521 6.506261 6.369850 6.642671 6.297639 6.714883nilai akurasi
SSE<-tslaholt$SSE
SSE## [1] 1.714719plot(tslaholt)
Dari output yang muncul pada tingkat akurasi terlihat bahwa data hanya
dapat memunculkan nilai SSE dan pada metode pemulusan dengan nilai lamda
sebesar 0.1 ini memiliki nilai akurat yang jauh lebih kecil sehingga
dapat dinyatakan bahwa metode ini lebih baik
4.3 Double Exponential Smoothing
Metode Double expoential smoothing adalah suatu metode yang paling luas digunakan untuk menentukan persamaan trend data pemulusan kedua melalui proses smoothing. Sistem peramalan ini menangkap pola dari data yang telah lalu kemudian digunakan untuk memproyeksikan data yang akan datang.
tslawinters<-HoltWinters(tslalog,gamma = FALSE, beta = FALSE, alpha = 0.1)
plot(tslawinters)
predic<-forecast(tslawinters,h=10)
predic## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 1512 6.663289 6.552927 6.773652 6.494504 6.832075
## 1513 6.663289 6.552376 6.774202 6.493662 6.832916
## 1514 6.663289 6.551829 6.774750 6.492825 6.833754
## 1515 6.663289 6.551283 6.775295 6.491991 6.834588
## 1516 6.663289 6.550741 6.775838 6.491162 6.835417
## 1517 6.663289 6.550201 6.776377 6.490336 6.836243
## 1518 6.663289 6.549664 6.776915 6.489514 6.837064
## 1519 6.663289 6.549129 6.777449 6.488697 6.837882
## 1520 6.663289 6.548597 6.777982 6.487883 6.838696
## 1521 6.663289 6.548067 6.778511 6.487073 6.839506nilai akurasi
tslasse<-tslawinters$SSE
tslasse## [1] 11.73079plot(tslawinters)
Dari output yang muncul pada tingkat akurasi terlihat bahwa data hanya
dapat memunculkan nilai SSE pada metode double exponential smoothing
dengan nilai lamda sebesar 0.1 dan gamma sebesar 0.1 ini memiliki nilai
akurat yang jauh lebih kecil sehingga dapat dinyatakan bahwa metode ini
lebih baik.
4.4 Kesimpulan
tslaholt$SSE## [1] 1.714719tslawinters$SSE## [1] 11.73079Pada nilai SSE antar metode Holt-winter dengan Double exponential smoothing ini dapat dilihat bahwa metode Double Exponential Smoothing memiliki nilai yang lebih kecil dengan lambda sebesar 0.1 dan gamma sebesar 0.1 sehingga dapat dinyatakan bahwa metode ini lebih baik untuk digunakan.
5 Arima Models
Model ARIMA memberikan pendekatan lain dalam peramalan deret waktu. Model ARIMA merupakan salah satu pendekatan yang paling banyak digunakan dalam peramalan deret waktu, dan memberikan pendekatan pelengkap untuk suatu masalah. Model ARIMA bertujuan dalam menggambarkan autokorelasi dalam data.
str(tsla)## 'data.frame': 1511 obs. of 7 variables:
## $ Date : chr "2016-05-26" "2016-05-27" "2016-05-31" "2016-06-01" ...
## $ Open : num 44.1 45 44.6 44.3 43.9 ...
## $ High : num 45.1 45.2 45 44.5 44 ...
## $ Low : num 43.8 44.2 44.3 43.4 43.4 ...
## $ Close : num 45 44.6 44.6 43.9 43.8 ...
## $ Adj.Close: num 45 44.6 44.6 43.9 43.8 ...
## $ Volume : int 20362000 18251500 13945000 14913500 10164000 11145000 11247500 31068000 29860000 22460500 ...tstsla <- ts(tsla)
str(tstsla)## Time-Series [1:1511, 1:7] from 1 to 1511: 1 2 3 4 5 6 7 8 9 10 ...
## - attr(*, "dimnames")=List of 2
## ..$ : NULL
## ..$ : chr [1:7] "Date" "Open" "High" "Low" ...summary(tstsla)## Date Open High Low
## Min. : 1.0 Min. : 36.22 Min. : 36.95 Min. : 35.40
## 1st Qu.: 378.5 1st Qu.: 55.48 1st Qu.: 56.19 1st Qu.: 54.63
## Median : 756.0 Median : 68.94 Median : 69.84 Median : 67.65
## Mean : 756.0 Mean : 273.80 Mean : 279.97 Mean : 266.97
## 3rd Qu.:1133.5 3rd Qu.: 521.95 3rd Qu.: 543.00 3rd Qu.: 514.00
## Max. :1511.0 Max. :1234.41 Max. :1243.49 Max. :1217.00
## Close Adj.Close Volume
## Min. : 35.79 Min. : 35.79 Min. : 8297500
## 1st Qu.: 55.34 1st Qu.: 55.34 1st Qu.: 23045750
## Median : 68.90 Median : 68.90 Median : 32116500
## Mean : 273.65 Mean : 273.65 Mean : 41085943
## 3rd Qu.: 538.62 3rd Qu.: 538.62 3rd Qu.: 47846350
## Max. :1229.91 Max. :1229.91 Max. :304694000tsladata <- tstsla[,2]plot(tsladata)
ts.plot(tsladata)
ts.plot(tsladata, main = "Grafik 01",
xlab=" Saham",
ylab=" Tahun")
plot(diff(tsladata), main="Grafik 02",
xlab=" Saham",
ylab=" Tahun")
Dapat dilihat pada plot tsla, grafik yang dihasilkan cenderung arah nya
naik. Namun pada plot kedua terlihat hasil grafiknya lebih stabil dan
bergerak pada sumbu horizontal sehingga ini merupakan stasioner.Maka
dari itu akan dilakukan uji stasioneritas.
5.1 Dickey-Fuller test for variable
Uji stationeritas Augmented Dickey-Fuller atau ADF adalah pengujian hipotesis nol yang menyatakan bahwa unit root ada dalam model autoregresif. pada data ini memiliki stasioneritas jika perubahan waktu tidak menyebabkan perubahan dalam bentuk distribusi.
adf.test(tsladata)##
## Augmented Dickey-Fuller Test
##
## data: tsladata
## Dickey-Fuller = -1.9689, Lag order = 11, p-value = 0.5915
## alternative hypothesis: stationaryDapat dilihat pada p-value = 0.5815, ini melebihi nilai alpha maka tidak stasioner.
5.2 ADF test for differenced variable
adf.test(diff(tsladata))## Warning in adf.test(diff(tsladata)): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: diff(tsladata)
## Dickey-Fuller = -10.638, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationaryNamun dilihat dari output diff(tsladata) dengan nilai p-value = 0.01 yang mana ini lebih rendah dari nilai alpha, sehingga dapat disebut sudah stasioner.Kemudian setelah dilakukan uji stasioneer ini akan di identifikasi model.
5.3 ACF and PCF
Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF) dimana ACF mengukur korelasi antar pengamatan dengan jeda k; sedangkan PACF mengukur korelasi antar pengamatan dengan jeda k dan dengan mengontrol korelasi antar dua pengamatan dengan jeda kurang dari k.
par(mfrow=c(2,1))
acf(diff(tsladata))
pacf(diff(tsladata))
Dapat dilihat dari 2 partisi diatas bahwa ada beberapa lag yang melewati batas dan tidak stabil.
tslaa1<-arima(tsladata,order=c(1,1,0))
summary(tslaa1)##
## Call:
## arima(x = tsladata, order = c(1, 1, 0))
##
## Coefficients:
## ar1
## -0.0818
## s.e. 0.0257
##
## sigma^2 estimated as 329.5: log likelihood = -6519.83, aic = 13043.65
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.4167147 18.14681 8.44384 0.1081299 2.662791 0.9977895
## ACF1
## Training set 0.0002058923tslaa2<-arima(tsladata,order=c(0,1,1))
summary(tslaa2)##
## Call:
## arima(x = tsladata, order = c(0, 1, 1))
##
## Coefficients:
## ma1
## -0.0799
## s.e. 0.0253
##
## sigma^2 estimated as 329.6: log likelihood = -6519.95, aic = 13043.9
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.4187554 18.1483 8.438672 0.1086656 2.66209 0.9971787
## ACF1
## Training set -0.001828816tslaa3<-arima(tsladata,order=c(1,1,1))
summary(tslaa3)##
## Call:
## arima(x = tsladata, order = c(1, 1, 1))
##
## Coefficients:
## ar1 ma1
## -0.2939 0.2140
## s.e. 0.5331 0.5457
##
## sigma^2 estimated as 329.5: log likelihood = -6519.71, aic = 13045.41
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.4103827 18.14534 8.461322 0.1064423 2.664244 0.9998553
## ACF1
## Training set -0.001372601tslaa4<-arima(tsladata,order=c(0,1,2))
summary(tslaa4)##
## Call:
## arima(x = tsladata, order = c(0, 1, 2))
##
## Coefficients:
## ma1 ma2
## -0.0809 0.0144
## s.e. 0.0257 0.0251
##
## sigma^2 estimated as 329.5: log likelihood = -6519.79, aic = 13045.57
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.4123551 18.14631 8.449658 0.1069922 2.663052 0.998477
## ACF1
## Training set -0.0007016925tslaa5<-arima(tsladata,order=c(2,1,0))
summary(tslaa5)##
## Call:
## arima(x = tsladata, order = c(2, 1, 0))
##
## Coefficients:
## ar1 ar2
## -0.0810 0.0099
## s.e. 0.0257 0.0257
##
## sigma^2 estimated as 329.5: log likelihood = -6519.75, aic = 13045.51
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.4123737 18.14591 8.452439 0.1069867 2.663344 0.9988055
## ACF1
## Training set -0.0004881687coeftest(tslaa1)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.081822 0.025664 -3.1882 0.001432 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1coeftest(tslaa2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ma1 -0.079878 0.025297 -3.1576 0.001591 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1coeftest(tslaa3)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.29389 0.53313 -0.5513 0.5815
## ma1 0.21396 0.54573 0.3921 0.6950coeftest(tslaa4)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ma1 -0.080870 0.025742 -3.1416 0.00168 **
## ma2 0.014395 0.025053 0.5746 0.56558
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1coeftest(tslaa5)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.0810089 0.0257494 -3.1461 0.001655 **
## ar2 0.0099267 0.0257388 0.3857 0.699739
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Dapat diliat hari output coeftest() ini pada :
Arima pertama nilai dari Pr(>|z|) = 0.001432 yaitu signifikan pada ar1
Arima kedua nilai dari Pr(>|z|) = 0.001591 yaitu signifikan pada ma1
Arima ketiga nilai dari Pr(>|z|) = 0.63825 yaitu tidak signifikan .
Arima keempat nilai dari Pr(>|z|) = 0.00168 . yaitu signifikan hanya ma1.
Arima kelima nilai dari Pr(>|z|) = 0.001655 * yaitu signifikan pada ar1.
Setelah itu akan dilakukan diagnostic checking pada arima yang signifikan
tsdiag(tslaa1)
tsdiag(tslaa2)
tsdiag(tslaa4)
tsdiag(tslaa5)
Selanjutnya akan dilakukan uji nilai tengah terhadap residual pada
setiap model.
resid1=tslaa1$residuals
t.test(resid1, mu=0, alternative = "two.sided")##
## One Sample t-test
##
## data: resid1
## t = 0.89257, df = 1510, p-value = 0.3722
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -0.4990703 1.3324996
## sample estimates:
## mean of x
## 0.4167147resid2=tslaa2$residuals
t.test(resid2, mu=0, alternative = "two.sided")##
## One Sample t-test
##
## data: resid2
## t = 0.89687, df = 1510, p-value = 0.3699
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -0.4971024 1.3346132
## sample estimates:
## mean of x
## 0.4187554resid4=tslaa4$residuals
t.test(resid4, mu=0, alternative = "two.sided")##
## One Sample t-test
##
## data: resid4
## t = 0.88325, df = 1510, p-value = 0.3772
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -0.5034098 1.3281199
## sample estimates:
## mean of x
## 0.4123551resid5=tslaa5$residuals
t.test(resid5, mu=0, alternative = "two.sided")##
## One Sample t-test
##
## data: resid5
## t = 0.88331, df = 1510, p-value = 0.3772
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -0.5033711 1.3281184
## sample estimates:
## mean of x
## 0.4123737resid1=tslaa1$residuals
t.test(resid1, mu=0, alternative = "two.sided")##
## One Sample t-test
##
## data: resid1
## t = 0.89257, df = 1510, p-value = 0.3722
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -0.4990703 1.3324996
## sample estimates:
## mean of x
## 0.4167147Dapat dilihat dari output t.test() untuk nilai p-values melebihi nilai alpha.
Resid1 : p-value = 0.1988 Resid2 : p-value = 0.1775 Resid4 : p-value = 0.1988 Resid5 : p-value = 0.1775
str<-stargazer(tslaa1, tslaa2, tslaa4, tslaa5, type="text", digits=2, out="TSLA.rtf")##
## =========================================================
## Dependent variable:
## ---------------------------------------
## tsladata
## (1) (2) (3) (4)
## ---------------------------------------------------------
## ar1 -0.08*** -0.08***
## (0.03) (0.03)
##
## ma1 -0.08*** -0.08***
## (0.03) (0.03)
##
## ma2 0.01
## (0.03)
##
## ar2 0.01
## (0.03)
##
## ---------------------------------------------------------
## Observations 1,510 1,510 1,510 1,510
## Log Likelihood -6,519.83 -6,519.95 -6,519.79 -6,519.75
## sigma2 329.52 329.58 329.51 329.49
## Akaike Inf. Crit. 13,043.65 13,043.90 13,045.57 13,045.51
## =========================================================
## Note: *p<0.1; **p<0.05; ***p<0.01Dari output Dependent variable terlihat pada tslaa1 dan tslaa5 signifikan pada ar1 sedangkan untuk tslaa2 dan tslaa4 signifikan pada ma1. Dan untuk perbandingan Akaike, terlihat bahwa tslaa5 memiliki nilai akaike lebih kecil sebesar 13.045,51
accuracy(tslaa1)## ME RMSE MAE MPE MAPE MASE
## Training set 0.4167147 18.14681 8.44384 0.1081299 2.662791 0.9977895
## ACF1
## Training set 0.0002058923accuracy(tslaa2)## ME RMSE MAE MPE MAPE MASE
## Training set 0.4187554 18.1483 8.438672 0.1086656 2.66209 0.9971787
## ACF1
## Training set -0.001828816accuracy(tslaa4)## ME RMSE MAE MPE MAPE MASE
## Training set 0.4123551 18.14631 8.449658 0.1069922 2.663052 0.998477
## ACF1
## Training set -0.0007016925accuracy(tslaa5)## ME RMSE MAE MPE MAPE MASE
## Training set 0.4123737 18.14591 8.452439 0.1069867 2.663344 0.9988055
## ACF1
## Training set -0.0004881687Dari hasil perbandingan menggunakan error dengan function accuracy() terlihat pada kolom RMSE,dan MAE pada tslaa5 yang lebih kecil.
Sehingga dapat dikatakan tslaa2 dengan model AR1 ordo=(1,0,1) adalah model yang dipilih
pred.data=predict(tslaa2,n.ahead=6)
pred.data## $pred
## Time Series:
## Start = 1512
## End = 1517
## Frequency = 1
## [1] 626.2601 626.2601 626.2601 626.2601 626.2601 626.2601
##
## $se
## Time Series:
## Start = 1512
## End = 1517
## Frequency = 1
## [1] 18.15430 24.66999 29.79325 34.15652 38.02233 41.529836 perbandingan
Model Regresi time series memiliki suatu kelebihan dimana tentunya kita dapat memperkirakan atau meramalkan nilai data pada periode berikutnya dengan hanya berdasar pada data-data yang sudah dikumpulkan sebelumya. Dan pada model ini merupakan model terbaik dalam melakukan peramalan, dikarenakan data yang dipakai disini digunakan untuk ramalan jangka panjang.
Model Exponential Smoothing dalam pengujiannya itu banyak mengurangi masalah penyimpanan data, sehingga tidak perlu lagi menyimpan semua data historis atau sebagian hanya pengamatan terakhir, ramalan terakhir, dan suatu nilai konstanta yang harus disimpan metode ini cukup sering digunakan untuk peramalan, namun metode ini kurang baik untuk digunakan pada data ini dikarenakan mengunakan peramalan jangka panjang dan metode ini memiliki tingkat keraguan yang tinggi sehingga peneliti butuh memperhatikan nilai konstanta agar akurat
Model ARIMA juga merupakan model yang bagus untuk digunakan pada data ini, dikarenakan model ini membutuhkan data yang banyak untuk peramalan. namun metode ini lebih baik untuk peramalan jangka pendek.
7 pendapat
menurut saya metode yang paling pas dalam menganalisis dan melakukan peramalan adalah metode model regresi time series dan metode arima, dikarenakan yang satu baik untuk peramalan jangka panjang dan satunya lagi baik dikarenakan metode tersebut bagus untuk pengunaan data yang banyak.