Langkah Kerja Peramalan Data Dengan Minitab 16 [PDF]

Citation preview

Langkah Kerja Peramalan Data dengan Minitab 16 Software Minitab dalam mata kuliah metode runtun waktu digunakan utuk mengidentifikasi berbagai Model Runtun Waktu Box-Jenkin’s dengan mengamati : 1.



Plot Data Runtun Waktu



2.



Pola Fungsi Autokorelasi (FAK/ACF)



3.



Pola Fungsi Autokorelasi Parsial (FAKP/PACF)



Setelah mengamati 3 hal tersebut kita bias mengamati apakah data runtun waktu tersebut termasuk model ARMA atau ARIMA. Adapun Langklah kerja dalam Software minitab adalah sebagai berikut: 1.



Setelah layar minitab muncul, inputkan data runtun waktu “Pembelian Ayam” dengan memberi judul di kolom C1.



2.



Untuk mengetauhi Plot Data Runtun Waktu pilih menu Stat. Klik sub menu Time Series - klik Time Series Plot, akan muncul kotak dialog sebagai berikut: Selanjutnya muncul kotak dialog Time Series Plot-simple, pada Series inputkan C1 pembelian ayam, dan pada labels isikan judul untuk plot. Klik OK maka muncul plot seperti dibawah ini, amati hasilnya.



3.



Untuk mengetahui Pola Fungsi Autokorelasi (FAK/ACF) klik menu Stat. Klik sub menu Time Series, klik Autocorrelation… , selanjutnya akan muncul kotak dialog autokorelasi (Autocorrelation function) pada Series ketikan C1 pembelian ayam - klik Store ACF, pada title ketikkan judul “Fungsi Autokorelasi Data Pembelian Ayam”.Klik Ok dan amati Hasilnya.



4.



Untuk mengetahui Pola Fungsi Autokorelasi (FAK/ACF) klik menu Stat. Klik sub menu Time Series, klik Autocorrelation… , selanjutnya akan muncul kotak dialog autokorelasi (Autocorrelation function) pada Series ketikan C1 pembelian ayam - klik Store ACF, pada title ketikkan judul “Fungsi Autokorelasi Data Pembelian Ayam”.



5.



Untuk mengetahui Pola Fungsi Autokorelasi Parsial (FAKP/PACF) klik menu Stat. Klik sub menu Time Series, klik Partial Autocorrelation… selanjutnya akan muncul kotak dialog autokorelasi parsial (Partial Autocorrelation function) pada Series ketikan C1 pembelian ayam - klik Store ACF, pada title ketikkan judul “Fungsi Autokorelasi Parsial Data Pembelian Ayam”.klik OK dan amati hasilnya.



6.



Dari pengamatan hasil output langkah ke 2, 3, dan 4 bandingkan dengan teoritik. Bias disimpulkan model apa yang kira-kira bisa di identifikasi dari data runtun waktu, apakah stasioner dan termasuk model AR, MA, atau ARMA.



7.



Jika dari langkah 2, 3, dan 4 menunjukkan bawa data tidak stasioner, lakukan penyelisihan pertama dengan cara: klik menu Stat, klik sub menu Time Series, klik Differences selanjutnya muncul kotak dialog (Differences),



pada Series ketikan C1 data runtun waktu awal. Pada Store Difference ketikkan C4 (kolom tempat data selisih akan diletakkan), pada lag ketikkan 1 (jika selisih pertama). OK lalu amati hasilnya. Catatan : Untuk selisih yang lebih tinggi dapat dilakukan dengan cara yang sama dengan memperhatikan kolom tempat selisih akan diletakkan dan selisih yang diinginkan. 8.



Untuk melihat model data selisih dilakukan hal yang sama seperti pada lagkah ke-2, 3, dan 4 tetapi dengan time series yang disesuaikan, selanjutnya amati apakah termasuk model ARI, IMA, atau ARIMA.



9.



Langkah selanjutnya setelah mengidentifikasi Model adalah estimasi parameter pada model ARMA(p,q) dan ARIMA (p,d,q) Amati FAK dan FAKP nya, identifikasi model ARMA(p,q) yang sesuai.



10. Lakukan estimasi parameter, dengan langkah-langkah sebagai berikut: Klik menu Stat, Klik sub menu Time



Series, klik ARIMA, lalu akan muncul kotak dialog ARIMA. Pada Series ketikkan C1, pada nonseasional isikan sesuai dengan identifikasi yang telah dilakukan. Klik OK dan amati Hasilnya pada final estimate 11. Periksalah:  Nilai parameter beserta SE nya, uji keberartian koefisien  Nilai rata-rata beserta SE nya, uji keberartian rata-rata.  Nilai konstan beserta SE nya uji keberartian nilai konstan. 12. Untuk menentukan nilai estimasi variansi sesatan, lihat pada residual, gunakan rumus (SS-MS)/DF atau dapat



juga ditentukan dengan cara: Pada langkah ke-8 lanjutkan dengan klik storage: klik residual isikan kolom dimana data tersebut akan disimpan. Dari data residual dapat ditentukan berbagai nilai statistic termasuk variansi. Caranya klik calc, klik column statistic pada input variable isi dengan kolom dimana data residual disimpan. Klik standar deviasi. Klik OK, nilai variansi sesatan diperoleh setelah nilai standar deviasi dikuadratkan. 13. Setelah melakukan Identifikasi dan estimasi parameter untuk berbagai model ARMA dan ARIMA, selanjutnya



adalah tahap verifikasi (Uji Kecocokan ) Model dan Penggunaan Model yang paling cocok untuk peramalan.Ingat kembali model yang diidentifikasi untuk data runtun waktu pembelian ayam. Setelah dilakukan estimasi amati nilai koefisien, rata-rata, juga nilai konstanta beserta 2SE dari masing-masing nilai tersebut. Caranya yaitu klik menu Stat- klik sub menu Time Series, klik ARIMA, isi sesuai dengan identifikasi yang telah dilakukan. 14. Jika pada langkah 10 memberi kesimpulan bahwa koefisien cukup berarti (tidak berbeda secara signifikan



dengan nol), lanjutkan dengan uji kecocokan dengan langkah lihat Chi-kuadrat hitung dari langkah 11 (nilai chi-square pada output) dengan Chi-kuadrat tabel (bisa diperoleh dari software Microsoft Excel) untuk berbgai lag. Bisa juga dengan menggunakan kriteria Tolak H0 , jika Pvalue < alfa .Setelah diperoleh model yang paling memadai untuk data runtun waktu pembelian ayam, kita dapat menentukan ramalan beberapa langkah kedepan dengan cara: klik menu Stat- klik sub menu Time Series, klik ARIMA, isi sesuai dengan model yang



paling memadai, klik forecasting. Akan muncul kotak dialog ARIMA-forecast, isikan pada kotak Lead banyak periode yang akan kita ramalkan. Pada kotak Origin inputkan jumlah data asli keseluruhan. 15. Klik Ok dan Amati Hasil Peramalan