BAB VI ANALISIS PEMECAHAN MASALAH
6.1. Analisis Pemeriksaan Kestasioneran Data
Pemeriksaan kestasioneran data dapat dilakukan secara manual, pemeriksaan kestasioneran variansi, dan pemeriksaan kestasioneran mean. Pada
data penjualan Parachetamol, data dinyatakan telah stasioner secara manual. Akan tetapi secara variansi, data belum stasioner karena nilai lambda bernilai -1.
Olehkarena itu dilakukan transformasi untuk mengubah nilai lambda menjadi 1 sehingga data menjadi stasioner dalam variansi dengan menggunakan persamaan
1Z. Setelah ditransformasi, data dinyatakan telah stasioner karena nilai lambda adalah 1. Grafik autokorelasi dan autokorelasi parsial menunjukkan bahwa data
parachetamol telah stasioner dalam mean sehingga tidak perlu dilakukan proses differencing.
Untuk data penjualan Antalgin, secara manual data belum stasioner. Akan tetapi ketika dilakukan pengujian kestasioneran dalam variansi, data dinyatakan
stasioner karena nilai lambda bernilai 1. Secara mean, data penjualan Antalgin belum stasioner, oleh karena itu perlu dilakukan differencing agar data menjadi
stasioner. Setelah dilakukan differencing sebanyak satu kali, data penjualan Antalgin dinyatakan telah stasioner dalam mean.
Pada tahapan pengujian kestasioneran data dari variansi dan mean, hendaknya dilakukan dengan teliti. Hal ini dikarenakan apabila tidak dilakukan
secara teliti, maka hasil peramalan yang diperoleh tidak akan akurat ataupun
Universitas Sumatera Utara
model peramalan akan dinyatakan tidak layak pada saat melalui tahapan pengujian model peramalan.
6.2. Analisis Pengidentifikasian Model
Model yang terbentuk pada data penjualan Parachetamol adalah model ARp karena pada grafik autokorelasinya, data menurun cepat dan pada grafik
autokorelasi parsialnya, data terputus setelah lag ke sekian. Oleh karena data menurun cepat setelah lag 1 dan data terputus setelah lag 1, maka nilai p adalah 1
sehingga model yang terbentuk adalah AR1. Model yang terbentuk pada data penjualan Antalgin adalah model
IMAd,q karena pada grafik autokorelasi, data terputus setelah lag ke sekian dan data menurun cepat pada grafik autokorelasi parsial dan juga terjadi proses
differencing. Karena data terputus dan data menurun cepat, maka model yang terbentuk adalah IMA1,1.
Di dalam menentukan kemungkinan model ARIMA yang akan terbentuk, harus diperhatikan dengan seksama apakah model yang terbentuk adalah AR,
MA, ARI, IMA, ARMA, atau model ARIMA. Di dalam menentukan kemungkinan model ARIMA yang akan terbentuk, harus diperhatikan dengan
seksama apakah model yang terbentuk adalah AR, MA, ARI, IMA, ARMA, atau model ARIMA.
Universitas Sumatera Utara
6.3. Analisis Pengestimasian Parameter Model
Kategori