Langsung ke konten utama

Seasonal ARIMA dengan Python (Step by Step)

SARIMA Model dengan Python

Pada sebuah unggahan beberapa waktu sebelumnya, kita telah membahas bersama bagaimana praktik memodelkan Seasonal Autoregressive Integrated and Moving Average (SARIMA) dengan R. Pada unggahan kali ini, kita akan mencoba melakukan praktik pemodelan SARIMA menggunakan Python dengan GUI-nya Jupyter Notebook.

SARIMA merupakan salah satu model runtun waktu (time series) yang sering digunakan dalam melakukan estimasi atau peramalan baik di masa lampau maupun masa depan dengan berbekal data masa lalu. Prinsip dasar dari SARIMA adalah melakukan pemodelan berdasarkan pola musiman dengan memerhatikan rata-rata dan varians data pada periode sebelumnya.

Tipe data runtun waktu yang mengandung pola musiman ditengarai dengan adanya efek-efek musim yang terlihat dalam data. Periode musiman bisa terjadi secara bulanan, triwulanan, semesteran, atau tahunan. Sebagaimana ketika kita amati produksi buah semangka. Sebagai buah musiman, produksi semangka tidak selalu banyak di setiap bulannya. Dalam setahun, buah ini biasanya dipanen sebanyak 3-4 kali.

Itu artinya, pada periode-periode tertentu, produksi semangka dapat mencapai puncaknya. Sedangkan di lain waktu, semangka justru sangat langka dan tidak mudah ditemui di pasaran.

Dalam praktikum pemodelan SARIMA kali ini, data yang kita pakai bukanlah data produksi semangka. Melainkan data harga emas yang dapat diperoleh pada tautan berikut. Setelah datanya telah diunduh dan siap dimodelkan, berikut langkah-langkah pemodelan SARIMA dengan Python sebagai berikut:

sarima


Hasil pemodelan SARIMA pada kasus ini dari sisi akurasi memang terbilang cukup baik. Terlihat dari perbandingan antara data hasil prediksi model dengan data aktual harga emas berhimpitan. Kendati demikian, uji normalitas residual model belum normal. Terlihat nilai p-value uji Jarque Bera < alpha atau 0,05 sehingga residual model tidak mengikuti distribusi normal sehingga bila digunakan untuk peramalan jangka panjang justru biasnya semakin besar.

Demikian sedikit sharing kali ini. Semoga bermanfaat. Jangan lupa untuk stay tune di blog sederhana ini. Selamat memahami dan mempraktikkan!

Komentar

Postingan populer dari blog ini

Mencari P - Value dan Titik Kritis Uji F, Uji t, Uji Chi Square, dan Uji Z Normal dengan R

Mencari nilai p-value dan titik kritis Bagi teman-teman yang pernah mengenal statistika, pasti familier dengan istilah p-value dan titik kritis. P-value biasanya didefinisikan sebagai probabiltas atau peluang maksimal yang diamati dari hasil uji statistik, bahasa gampangnya adalah besarnya kesalahan penelitian berdasarkan uji statistik. Sebagai contoh sederhana, dari 100 orang dengan nama masing-masing dan diklasifikasikan ke dalam gender nama perempuan dan nama laki-laki, didapatkan nilai p-value uji statistiknya sebesar 0,05 atau 5%. Itu artinya, dari 100 orang, ada kemungkinan sebanyak 5 orang yang namanya salah klasifikasi. Dari namanya terdeteksi sebagai nama perempuan, padahal aktualnya yang bersangkutan bergender laki-laki. Sedangkan titik kritis atau titik uji adalah nilai batas pengujian hipotesis statistik, apakah masuk dalam wilayah tolak hipotesis, ataukah gagal menolaknya. Titik ini berkaitan erat dengan nilai p-value . Kalau biasanya kita mendapatkan kedua nilai ini da...

Cara Mendowload dan Install R serta RStudio di Windows (Step by Step)

Cara Download dan Install R serta R Studio di Windows Halo teman-teman, mohon maaf karena beberapa waktu ini, blog ini sempat vakum dari unggahan. Kali ini saya akan coba berbagai mengenai bagaimana cara mengunduh ( download ) dan menginstal ( install ) program R sekaligus R Studio khususnya di Windows. Unggahan kali ini sedikit terbalik karena semestinya saya unggah terlebih dahulu pertama kali di blog ini, namun bukan masalah, mengingat kemarin ada beberapa pihak yang meminta untuk menerangkap bagaimana tahapan mengunduh dan instalasi R dan R Studio, jadinya saya dahulukan pada unggahan ini sebelum pembahasan mengenai Data Mining , Data Science , atau bahasan Big Data kita terlampau jauh. Baik, kita akan mulai dengan bagaimana mengunduh R dan R Studio melalui mesin pencari Google. R dan R Studio ini memang beberapa waktu terakhir ini booming , apalagi dengan munculnya konsep mengenai Big Data , Data Modelling, Data Mining, dan Data Science serta Data Visualization . Sebenarnya, men...

Analisis Tipologi Klassen (Klassen Typology) dan Visualisasi Spasialnya dengan R

Tipologi Klassen dan visualisasinya dengan R Halo teman-teman, sebelumnya kita telah membahas tentang analisis Shift Share dan Location Quotient (LQ) dengan menggunakan R. Kali ini, kita akan membahas mengenai satu lagi alat analisis yang sebenarnya merupakan alat analisis tiga serangkai dari SS dan LQ, yaitu analisis Tipologi Klassen. Dalam penelitian ekonomi kewilayahan, ketiga analisis ini seringkali digunakan, baik dalam rangka melihat perkembangan dan transformasi struktur ekonomi suatu wilayah maupun melihat keunggulan kompetitif dan keunggulan komparatif wilayah satu dengan wilayah lainnya dengan mengacu wilayah referensi. Terlebih dulu, sebelum melakukan visualisasi spasial menggunakan fungsi plot(), ada baiknya kita bahas terlebih dahulu mengenai Tipologi Klassen itu sendiri. Tipologi Klassen merupakan teknik pengelompokan sektor, subsektor, lapangan usaha, atau komoditas tertentu di wilayah analisis berdasarkan pertumbuhan nilai tambah wilayah analisis terhadap nasional atau...