Pengujian ini menggunakan hipotesis nol dan alternatif berikut:<\/span><\/p>\n Jika p-value<\/a> pengujian berada di bawah tingkat signifikansi tertentu (misalnya \u03b1 = 0,05), maka kita menolak hipotesis nol dan menyimpulkan bahwa deret waktu tidak mempunyai tren yang stasioner.<\/span><\/p>\n Jika tidak, kita akan gagal menolak hipotesis nol.<\/span><\/p>\n Contoh berikut menunjukkan cara melakukan tes KPSS dengan Python.<\/span><\/p>\n Pertama, mari buat beberapa data palsu dengan Python untuk digunakan:<\/span> <\/p>\n Kita dapat menggunakan fungsi kpss()<\/strong> dari paket statsmodels<\/b> untuk melakukan pengujian KPSS pada data deret waktu ini:<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Nilai p-nya adalah 0,1<\/strong> . Karena nilai ini tidak kurang dari 0,05, kami gagal menolak hipotesis nol uji KPSS.<\/span><\/p>\n Artinya kita dapat berasumsi bahwa deret waktu mempunyai tren yang stasioner.<\/span><\/p>\n Catatan 1<\/strong> : Nilai p sebenarnya masih lebih besar dari 0,1, namun nilai terendah yang dihasilkan fungsi kpss() adalah 0,1.<\/span><\/p>\n Catatan 2<\/strong> : Anda harus menggunakan argumen regresi=’ct’<\/strong> untuk menentukan bahwa hipotesis nol dari pengujian ini adalah bahwa data memiliki tren stasioner.<\/span><\/p>\n Pertama, mari buat beberapa data palsu dengan Python untuk digunakan:<\/span> <\/p>\n Sekali lagi, kita dapat menggunakan fungsi kpss()<\/strong> dari paket statsmodels<\/b> untuk melakukan pengujian KPSS pada data deret waktu ini:<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Nilai p-nya adalah 0,0458<\/strong> . Nilai ini kurang dari 0,05, kami menolak hipotesis nol uji KPSS.<\/span><\/p>\n Artinya deret waktu tidak<\/em> stasioner.<\/span><\/p>\n Catatan<\/strong> : Anda dapat menemukan dokumentasi lengkap untuk fungsi kpss() dari paket statsmodels di sini<\/a> .<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang cara bekerja dengan data deret waktu dengan Python:<\/span><\/p>\n Cara melakukan tes Dickey-Fuller augmented dengan Python<\/a> Uji KPSS dapat digunakan untuk mengetahui apakah suatu deret waktu mempunyai tren yang stasioner. Pengujian ini menggunakan hipotesis nol dan alternatif berikut: H 0 : Deret waktu mempunyai tren yang stasioner. H A : Deret waktu tidak mempunyai tren yang stasioner. Jika p-value pengujian berada di bawah tingkat signifikansi tertentu (misalnya \u03b1 = 0,05), maka […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Contoh 1: Tes KPSS dengan Python (dengan data stasioner)<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np<\/span>\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seed<\/span> ( 1<\/span> )\n\n#create time series data\n<\/span>data = np. random<\/span> . normal<\/span> (size= 100<\/span> )\n\n#create line plot of time series data\n<\/span>plt. plot<\/span> (data)<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kpss3.jpg\")
<\/p>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#perform KPSS test\n<\/span>sm. tsa<\/span> . stattools<\/span> . kpss<\/span> (data, regression=' ct<\/span> ')\n\n(0.0477617848370993,\n 0.1,\n 1,\n {'10%': 0.119, '5%': 0.146, '2.5%': 0.176, '1%': 0.216})\n\nInterpolationWarning: The test statistic is outside of the range of p-values available\nin the look-up table. The actual p-value is greater than the p-value returned.\n<\/strong><\/span><\/pre>\n\n
Contoh 2: Tes KPSS dengan Python (dengan data non-stasioner)<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np<\/span>\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seed<\/span> ( 1<\/span> )\n\n#create time series data\n<\/span>data =np. array<\/span> ([0, 3, 4, 3, 6, 7, 5, 8, 15, 13, 19, 12, 29, 15, 45, 23, 67, 45])\n\n#create line plot of time series data\n<\/span>plt. plot<\/span> (data)<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kpss4.jpg\")
<\/p>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#perform KPSS test\n<\/span>sm. tsa<\/span> . stattools<\/span> . kpss<\/span> (data, regression=' ct<\/span> ')\n\n(0.15096358910843685,\n 0.04586367574296928,\n 3,\n {'10%': 0.119, '5%': 0.146, '2.5%': 0.176, '1%': 0.216})\n<\/strong><\/span><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span>
<\/span><\/h3>\n
Cara Melakukan Tes Tren Mann-Kendall dengan Python<\/a>
Cara memplot deret waktu di Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"