Skip to content

Changes

Page history
Update user manual authored by Dewi Kusuma Hartati's avatar Dewi Kusuma Hartati
Hide whitespace changes
Inline Side-by-side
user-manual.md
View page @ 3bb2011b
**USER MANUAL** ### System Requirements
-------------
Berikut ini adalah tampilan utama aplikasi DELTA. 1. RAM minimal 4.00 GB
2. Minial OS Windows 7 64-bit
3. Harddisk minimal 1GB
![1](/uploads/f97c96ed27adab1f254f51ffca4dc1d1/1.png) ### Langkah Instalasi
**Input data** * Jalankan Setup - DELTA dan muncul jendela sebagai berikut.
![3](/uploads/6e33d27305a568632ec272464e0bc487/3.PNG)
* Pilih directory tujuan instalasi dan klik tombol **next** dan tunggu selama proses instalasi berjalan.
* Setelah proses instalasi selesai, klik tombol **finish** dan instalasi selesai dilakukan.
* Untuk menjalankan aplikasi DELTA, buka directory tujuan instalasi tadi kemudian jalankan file DELTA.exe dan muncul tampilan utama aplikasi sebagai berikut.
![3](/uploads/6e33d27305a568632ec272464e0bc487/3.PNG)
**Input Data**
Ada dua cara yang dapat dilakukan untuk memasukkan data pada aplikasi DELTA Ada dua cara yang dapat dilakukan untuk memasukkan data pada aplikasi DELTA
* Memasukkan data melalui import dari file yang ada di komputer dengan ekstensi .csv
atau .xls
![2](/uploads/bd36b9db52bab48969a2055cbe00c073/2.png) * Memasukkan data melalui import file yang ada di komputer dengan ekstensi .csv, .xls, atau .xlsx
![4](/uploads/bb87ed8b6a7fed68a400bf513f61896f/4.PNG)
* Memasukkan data secara langsung melalui spreadsheet table yang ada di halaman utama. * Memasukkan data secara langsung melalui spreadsheet table yang ada di halaman utama.
![3](/uploads/0de481036a290b69ffeec539445980e2/3.png) ![5](/uploads/c662fdb1c321a06cdf583291ab2158ed/5.PNG)
**Identifikasi**
Setelah data dimasukkan, dilakukan identifikasi dengan melihat deskriptif statistik, plot data, dekomposisi, dan stasioneritas.
1. Deskriptif Statistik **Tahapan Analisis ARIMA**
Analisis deskriptif dapat dilakukan dengan membuka menu Analysis --> Descriptive
Analysis.
![4](/uploads/26f5103042b6c566cb2a5f80aaac0fde/4.png) Metode *Box Jenkins* atau ARIMA dibentuk melalui 3 tahap, yaitu: identifikasi, estimasi dan pengujian, serta peramalan.
Hasil dari analisis deskriptif:
![5](/uploads/9e2e691982220926098a1e623eee4d37/5.png)
![6](/uploads/0a706a063fc0981733a9eaa216b7757a/6.png)
1. Dekomposisi
Analisis dekomposisi dapat dilakukan dengan membuka menu Analysis --> Decomposition. Analisis dekomposisi dilakukan untuk memisahkan komposisi dari data. Data terdiri dari empat komponen utama, antara lain:
* Trend
* Seasonal
* Cyclic
* Irregular
![7](/uploads/0b79a52ac05fd4a2ceafaa81c2779932/7.png)
Hasil dari proses dekomposisi:
![8](/uploads/652c1aee0060f31aefe99410aa851077/8.png)
![9](/uploads/828fa1a2388e98663b72b4fe289bd335/9.png)
Hasil dari dekomposisi menentukan model apa yang akan dibuat. Apabila data memiliki
komponen seasonal, analisis yang tepat dilakukan adalah analisis SARIMA.
Tahap identifikasi bertujuan untuk melihat pola data dan kestasioneran data. Identifikasi dilakukan dengan menggunakan modul analisis dekomposisi dan stasioneritas.
1. Stasioneritas * Dekomposisi
Asumsi yang harus dipenuhi dalam melakukan analisis ARIMA adalah data bersifat stasioner. Data
stasioner adalah data yang berfluktuasi di sekitar rata-rata yang konstan. Apabila data tidak Analisis dekomposisi dapat dilakukan dengan membuka menu **Analysis -> Decomposition**. Dekomposisi dilakukan untuk memisahkan komposisi data. Data time series terdiri dari empat komponen utama, antara lain:
bersifat stasioner, harus dilakukan proses differencing (pembedaan) atau transformasi. Pada
aplikasi DELTA, differencing dapat dilakukan pada tingkat level, pertama, dan kedua. Apabila * Trend
data tidak stasioner pada ragam, dapat dilakukan transformasi pada data. Stasioneritas dapat * Seasonal
dilakukan dengan membuka menu Analysis --> Stationarity. * Cyclic
* Irregular
![10](/uploads/a28d2b0d8c550cd887a62600e2b0948a/10.png)
Hasil dari proses stasioneritas: ![7](/uploads/0b79a52ac05fd4a2ceafaa81c2779932/7.png)
![11](/uploads/e90ecac4a316bb4fea7f711f4f2830ed/11.png) Hasil dari proses dekomposisi:
![8](/uploads/652c1aee0060f31aefe99410aa851077/8.png)
![9](/uploads/828fa1a2388e98663b72b4fe289bd335/9.png)
Hasil dari dekomposisi menentukan model apa yang akan dibuat. Apabila data memiliki komponen musiman, model yang tepat digunakan adalah model SARIMA.
![12](/uploads/661aac6c13bf53f260f2c87c858204b5/12.png)
![13](/uploads/9c3d2b9f3d16ea8af3818ba9f9b4b9da/13.png) * Stasioneritas
Asumsi yang harus dipenuhi sebelum melakukan analisis ARIMA adalah data bersifat stasioner, yaitu data yang berfluktuasi di sekitar rata-rata yang konstan. Apabila data tidak stasioner, harus dilakukan proses differencing (pembedaan) atau transformasi. Pada aplikasi DELTA, differencing dapat dilakukan pada tingkat level, pertama, dan kedua. Apabila data tidak stasioner pada ragam, dapat dilakukan transformasi pada data.
1. Estimasi Parameter Pengujian stasioneritas dapat dilakukan dengan membuka menu **Analysis -> Stationarity**.
Setelah dilakukan dekomposisi dan stasioneritas, dilakukan pemodelan metode ARIMA. Jendela ARIMA dapat dibuka dengan memilih menu Analysis --> ARIMA.
![10](/uploads/a28d2b0d8c550cd887a62600e2b0948a/10.png)
![14](/uploads/8da13bcf30a09c9b02eea6e639157a23/14.png) Hasil dari proses stasioneritas:
Saat pertama kali membuka jendela ARIMA, parameter autoregressive, moving average, dan differencing otomatis terisi berdasarkan hasil uji stasioneritas yang telah dilakukan. Pemodelan ARIMA pada aplikasi DELTA dapat dilakukan melalui cara manual dan otomatis. Pemodelan secara manual dapat dilakukan dengan mengisikan nilai-nilai parameter pada kolom ARIMA Specification. Terdapat beberapa model yang dapat dibentuk, yaitu: ![11](/uploads/e90ecac4a316bb4fea7f711f4f2830ed/11.png)
* Model Autoregressive (AR)
Model Autoregressive dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox Autoregressive.
* Model Moving Average (MA)
Model Moving Average dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox Moving Average.
* Model Autoregressive Moving Average (ARMA)
Model Autoregressive Moving Average dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox Autoregressive dan Moving Average .
* Model Autoregressive Integrated Moving Average (ARIMA)
Model Autoregressive Integrated Moving Average dapat dibentuk dengan mengisi nilai
parameter yang ada di dalam combobox Autoregressive, Differencing dan Moving Average.
* Model Sesonal Autoregressive Integrated Moving Average (SARIMA)
Model Seasonal Autoregressive Integrated Moving Average dapat dibentuk dengan
mencentang checkbox Seasonal dan mengisi semua nilai parameter yang ada di dalam grup Arima Specification
1. Pemilihan Model Terbaik ![12](/uploads/661aac6c13bf53f260f2c87c858204b5/12.png)
Pemilihan model terbaik dapat dilakukan secara iteratif dengan melihat nilai AIC dan SIC yang dilakukan. Semakin kecil nilai yang dihasilkan, semakin bagus model yang telah dibuat. Pemodelan dapat dilakukan secara otomatis dengan mencenteng checkbox Auto ARIMA. Model terbaik dipilih oleh program dengan melihat nilai AIC terkecil yang dihasilkan dari kombinasi model-model.
1. Peramalan ![13](/uploads/9c3d2b9f3d16ea8af3818ba9f9b4b9da/13.png)
Setelah didapatkan model ARIMA yang layak dan signifikan terhadap data, dilakukan peramalan. Peramalan dilakukan dengan mencentang checbox Generate Forecast lalu mengisi Step(s), yaitu seberapa jauh peramalan ingin dilakukan. Checkbox Forecasting Graph dan Save predicted value dapat dicentang apabila pengguna ingin menampilkan grafik dan menyimpan nilai prediksi ke spreadsheet table.
Hasil dari analisis ARIMA:
![15](/uploads/c03673bbd622fef46bee8c25681959b7/15.png) Tahap Estimasi, Pengujian, dan Peramalan pada modul ARIMA.
Setelah dilakukan dekomposisi dan pengujian stasioneritas, dilakukan pemodelan ARIMA. Fungsi pemodelan ARIMA dapat dibuka dengan memilih menu **Analysis -> ARIMA**.
![16](/uploads/21a8d257b5c3453298139f333c537c34/16.png) ![7](/uploads/ce816cc6acdfd1a98e8e84f59e0a9354/7.png)
\ No newline at end of file
Langkah-langkah pemodelan ARIMA antara lain:
* Pilih **variabel** yang akan digunakan.
* Pilih parameter yang ingin digunakan untuk untuk pemodelan ARIMA. Beberapa model yang dapat dibentuk, yaitu:
1. Model Autoregressive (AR)
Model AR dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox **Autoregressive**.
2. Model Moving Average (MA)
Model MA dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox **Moving Average**.
3. Model Autoregressive Moving Average (ARMA)
Model ARMA dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox **Autoregressive** dan **Moving Average**.
4. Model Autoregressive Integrated Moving Average (ARIMA)
Model ARIMA dapat dibentuk dengan mengisi nilai parameter yang ada di dalam combobox **Autoregressive, Differencing** dan **Moving Average**.
5. Model Sesonal Autoregressive Integrated Moving Average (SARIMA)
Model SARIMA dapat dibentuk dengan mencentang checkbox **Seasonal** dan mengisi semua nilai parameter yang ada.
6. Auto ARIMA
Auto ARIMA merupakan fungsi pemilihan model terbaik secara otomatis yang dapat dilakukan dengan mencentang checkbox **Auto ARIMA**. Model terbaik dipilih berdasarkan nilai AIC terkecil pada kombinasi model yang terbentuk.
* Centang **Generate Forecast** untuk melakukan peramalan, lalu isi **step(s)** untuk menentukan berapa periode peramalan yang ingin dilakukan.
* Isi nama output data peramalan pada kolom **Output Name**.
* Pilih output peramalan apa saja yang akan dihasilkan, yaitu:
* **Forecasting graph**, yaitu grafik dari data peramalan yang dihasilkan.
* **Save predict value**, yaitu menambahkan hasil predicted value menjadi variabel baru pada jendela halaman utama.
* Klik Ok.
Setelah itu, program akan menjalankan fungsi pemodelan dan peramalan. Output yang dihasilkan dari modul analisis ARIMA berupa result window, grafik, dan spreadsheet table.
* Result window menampilkan kriteria dari model beserta nilai akurasi peramalan.
![6](/uploads/ef4c9d7630e7a55038f2d314208f5853/6.png)
* Grafik menunjukkan perbandingan antara data aktual dan data hasil prediksi dari model.
![8](/uploads/ae65fb90de1377a12e5bd9052376a27a/8.png)
* Spread sheet table menampilkan hasil predicted value dan residual dari model yang terbentuk.
![9](/uploads/4a14550f7492a52958c9fb82c7920e4a/9.png)
\ No newline at end of file