Professional Documents
Culture Documents
PENDAHULUAN
1.1 Latar Belakang
Analisis Runtun Waktu (ARW) merupakan salah satu prosedur statistika yang
diterapkan untuk meramalkan struktur probabilistik keadaan yang akan terjadi dimasa yang
akan datang dalam rangka pengambilan keputusan untuk sebuah perencanaan tertentu
(Sediono,2016). Data runtun waktu adalah jenis data yang dikumpulkan menurut urutan waktu
dalam suatu rentan waktu tertentu. Model yang digunakan untuk memodelkan model tipe ini
adalah model-model time series baik secara seasional maupun non seasional .
Berdasarkan data time series non seasional didapatkan sejumlah data bulanan
mengenai jumlah penjualan komoditisi hasil kekayaan laut ke negara lain. Kegiatan menjual
barang atau jasa ke negara lain disebut ekspor, modal ekspor utama Indonesia adalah kekayaan
alam. Dari kekayaan alam yang dimiliki, dapat diproduksi berbagai macam barang ekspor.
Kegiatan sedemikian itu akan menghasilkan devisa bagi negara. Kegiatan ekspor itu sendiri
terbagi menjadi dua yaitu ekspor migas dan ekspor non migas. Eskpor migas artinya komoditi
yang merupakan turunan dari hasil minyak bumi dan gas, seperti bensin, solar, minyak tanah
dan gas alam. Sedangkan eskpor non migas artinya segala sesuatu yang merupakan hasil alam
maupun industri tetapi bukan termasuk kategori minyak bumi dan gas alam.
Secara historis, Indonesia dan maritim memang tidak dapat dipisahkan satu sama lain.
Besarnya potensi kekayaan laut yang dimiliki Indonesia, harus dimanfaatkan untuk
menjadikan Indonesia sebagai poros maritim dunia. Upaya Pemerintah untuk menjadikan
Indonesia sebagai poros maritim dunia patut untuk diapresiasi dan didukung secara penuh.
Faktor sumber daya, kedaulatan, ekosistem dan geografis yang strategis, menjadi beberapa
instrumen penting yang dapat menjadikan Indonesia sebagai poros maritim dunia. Oleh sebab
itu, Instrumen-instrumen ini harus terus dikembangkan dan dijaga, agar mimpi agar Indonesia
untuk bisa menjadi poros maritim dunia bisa terealisasikan.
Indonesia terkenal sebagai negara dengan sumber daya alam yang melimpah. Semua
sumber daya alam ini bernilai ekonomis, sehingga dapat dimanfaatkan untuk kepentingan
bangsa dan negara. Berbicara mengenai sumber daya alam yang ada di laut, maka Indonesia
1
kaya akan hal itu, mulai dari ikan, crustacea, mollusca , dan berbagai jenis hasil laut lainnya.
Kekayaan tersebut merupakan salah satu potensi untuk menambah devisa negara dengan
adanya kegiatan ekspor yang dilakukan oleh pemerintah.
Guna mengetahui seberapa besar potensi tersebut , maka diperlukan suatu ilmu analisis
runtun waktu untuk meramalkan kondisi ekspor hasil kekayaan laut yang akan terjadi di waktu
selanjutnya, sehingga perlu adanya suatu kumpulan data yang berisi jumlah ekspor hasil
kekayaan laut (ikan, crustacea, mollusca, dll ) kemudian dapat dianalisis dan diperoleh hasil
peramalan yang baik. Maka dari itu penulis ingin menerapkan ilmu metode analisis runtun
waktu yang telah diperoleh dalam bidang ekspor hasil kekayaan laut sehingga dapat membantu
memperoleh suatu gambaran mengenai potensi ekspor hasil kekayaan laut yang akan terjadi di
waktu ke depannya.
Berdasarkan data time series seasional didapatkan sejumlah data mengenai jumlah
tenaga kerja di negara Australia.Negara persemakmuran Australia merupakan sebuah negara di
belahan bumi selatan yang juga menjadi nama benua terkecil di dunia. Sebagai sebuah negara
maju yang makmur, Australia adalah ekonomi terbesar ke-13 di dunia. Australia berperingkat
tinggi dalam banyak perbandingan kinerja antarbangsa seperti pembangunan, mutu kehidupan,
perawatan kesehatan, harapan hidup, pendidikan umum, kebebasan ekonomi, dan perlindungan
kebebasan sipil dan hak-hak politik. Sebagai salah satu negara maju di dunia, Australia
memiliki tingkat kesejahteraan penduduk yang tinggi. Tingginya tingkat kesejahteraan
penduduk di Australia dapat dilihat dari tinggi nya jumlah tenaga kerja yang ada di Australia.
Angkatan kerja banyak yang membutuhkan lapangan pekerjaan, namun umumnya baik
di Negara berkembang maupun Negara maju, laju pertumbuhan penduduknya lebih besar dari
pada laju pertumbuhan lapangan kerjanya. Oleh karena itu, dari sekian banyak angkatan kerja
tersebut, sebagian tidak bekerja atau menganggur. Dengan demikian, kesempatan kerja dan
pengangguran berhubungan erat dengan ketersedianya lapangan kerja bagi masyarakat.
Semakin banyak lapangan kerja yang tersedia di suatu Negara, semakin besar pula kesempatan
kerja bagi penduduk usia produktifnya, sehingga semakin kecil tingkat penganggurannya.
2
potensi sumber daya alam yang tinggi, sehingga pemerintah dapat memanfaatkan SDA yang
tersedia untuk menambah jumlah lapangan pekerjaan. Pemerintah Australia akan selalu
berupaya untuk meningkatkan jumlah lapangan pekerjaan guna mengurangi tingkat
pengangguran.
3
2. Memperoleh model terbaik pada data bulanan jumlah jumlah tenaga kerja di Australia
pada tahun 1981-1990 sehingga mampu meramalakan jumlah tenaga kerja pada negara
tersebut dalam waktu yang diinginkan. Hasil peramalan dapat digunakan sebagai
acuan tindak lanjut kedepannya yang harus dilakukan pemerintah Australia.
4
BAB 2
TINJAUAN PUSTAKA
5
3. Konsep Differencing
Konsep differencing dalam analisis runtun waktu berfungsi untuk mengatasi
persoalan pemodelan jika terdapat proses yang tidak stationer dalam mean (terdapat
kecenderungan). Ide dasar differencing adalah mengurangkan antara pengamatan Zt
dengan pengamatan sebelumnya Zt-1.
4. Konsep Transformasi Box-cox
Konsep Transformasi box-cox berfungsi untuk mengatasi permasalahan dalam
pemodelan yang didalamnya mengalami ketidakstationeran dalam variansi. Biasanya data
yang belum stationer dalam varian juga belum stationer dalam mean.
5. Konsep Fungsi Autokorelasi
Konsep fungsi autokorelasi (ACF) berperan khusus untuk mendeteksi awal sebuah
model dan kestationeran data. Apabila diagram ACF cenderung turun lambat atau turun
secara linear maka dapat disimpulkan bahwa data belum stationer dalam mean. Selain itu
fungsi tersebut juga mampu menunjukkan besarnya korelasi (hubungan linear) antara
pengamatan pada waktu t saat sekarang dengan pengamatan pada waktu-waktu
sebelumnya (t-1, t-2, … , t-k).
6. Konsep Fungsi Partial Autokorelasi
Konsep Partial autokorelasi (PACF) berfungsi untuk mendeteksi awal sebuah model.
PACF digunakna untuk mengukur keeratan anatar Zt dan Zt-k apabila pengaruh dari lag
waktu t = 1,2,3, … , k-1 dianggap terpisah. Selain itu PACF juga mampu menunjukkan
besarnya korelasi parsial (hubungan linear secara terpisah) antara pengamatan pada
waktu-waktu sebelumnya (t-1, t-2, … , t-k).
7. Konsep White Noise
Konsep white noise biasanya identik dengan galat (dalam regresi) dan disimbolkan
dengan ɑt yang merupakan variabel random berdistribusi iid N(0,σ2) yang tidak saling
berkorelasi dengan γ0 = cov(𝑎t, 𝑎t-k) = 0, k ≠ 0.
8. Konsep Parsimony
Prinsip parsimony ini mecari parameter yang minimal tetapi dapat menjelaskan model
secara baik (model dengan jumlah parameter yang sedikit). Untuk mendeteksi model valid
tidaknya dapat dilakukan melalui tahap-tahap berikut :
a. Uji signifikansi parameter
6
b. Uji white noise
c. Uji normalitas
d. Uji MSE, IAC, SBC
e. Uji parsimony
Dari ke delapan konsep tersebut, dapat digunakan untuk pembentukan model ARIMA Box-
Jenkins, yakni : identifikasi model, penaksiran parameter, pemeriksaan diagnostik dan
peramalan.
(1-ΦB) p Zt = (1-ɵB) q 𝑎t
7
Berikut rincian model-model analisis runtun waktu musiman:
8
Jika data setelah differencing musiman, maka nilai ACF dan PACFnya akan mengikuti
nilai-nilai ACF dan PACF model ARIMA musiman yang stasioner, sesuai dengan orde
SAR dan SMA atau ARIMA (P,0,Q)12 = SARMA (P,Q) = ARMA (P,Q)12.
3. Model ARIMA (p,d,q)(P,D,Q)S Musiman Multiplikatif Stasioner.
Beberapa model yang termasuk dalam kelompok ini, antara lain:
a) Model ARIMA (0,0,1)(0,0,1)12 MASMA
Ż𝑡 = (1 − 𝜃1 𝐵)(1 − Θ1 𝐵12 )𝑎𝑡
b) Model ARIMA (1,0,0)(1,0,0)12 ARSAR
(1 − ∅1 𝐵)(1 − Φ1 𝐵12 )Ż𝑡 = 𝑎𝑡
c) Model ARIMA (0,0,1)(1,0,0)12 MASAR
(1 − Φ1 𝐵12 )Ż𝑡 = (1 − 𝜃1 𝐵)𝑎𝑡
d) Model ARIMA (1,0,0)(0,0,1)12 ARSMA
(1 − ∅1 𝐵)Ż𝑡 = (1 − Θ1 𝐵12 )𝑎𝑡
4. Model ARIMA (p,d,q)(P,D,Q)S Musiman Non Stasioner dalam Mean Non Musiman.
Bentuk umum model ini adalah :
∅𝑝 (𝐵)Φ𝑃 (𝐵 𝑠 )(1 − 𝐵)𝑑 (1 − 𝐵 𝑠 )𝐷 Ż𝑡 = 𝜃𝑞 (𝐵)Θ𝑄 (𝐵 𝑠 )𝑎𝑡
Dimana orde d tidak sama dengan nol. Hal ini menunjukkan bahwa model adalah non
stasioner dalam rata-rata non musiman.
5. Model ARIMA (p,d,q)(P,D,Q)S Musiman Non Stasioner dalam Mean Musiman.
Bentuk umum model ini adalah :
∅𝑝 (𝐵)Φ𝑃 (𝐵 𝑠 )(1 − 𝐵)𝑑 (1 − 𝐵 𝑠 )𝐷 Ż𝑡 = 𝜃𝑞 (𝐵)Θ𝑄 (𝐵 𝑠 )𝑎𝑡
Dimana orde D tidak sama dengan nol. Hal ini menunjukkan bahwa model adalah non
stasioner dalam rata-rata musiman.
6. Model ARIMA (p,d,q)(P,D,Q)SMusiman Non Stasioner dalam Mean Non Musiman dan
Mean Musiman.
Bentuk umum model ini adalah :
∅𝑝 (𝐵)Φ𝑃 (𝐵 𝑠 )(1 − 𝐵)𝑑 (1 − 𝐵 𝑠 )𝐷 Ż𝑡 = 𝜃𝑞 (𝐵)Θ𝑄 (𝐵 𝑠 )𝑎𝑡
Dimana orde d dan D tidak sama dengan nol. Hal ini menunjukkan bahwa model adalah
non stasioner dalam rata-rata non musiman maupun musiman.
9
2. 5 Forecasting
Forecasting (Peramalan) adalah kegiatan mengestimasi apa yang akan terjadi pada masa
yang akan datang dengan waktu yang diinginkan. Sedangkan ramalan adalah situasi atau
kondisi yang akan diperkirakan akan terjadi pada masa yang akan datang. Untuk
memprediksikan hal tersebut diperlukan data yang akurat di masa lalu, untuk dapat melihat
situasi di masa yang akan datang.
10
BAB 3
METODELOGI PENELITIAN
3. 1 Sumber Data
Data non – musiman yang dianalisis bersumber dari direkapitulasi oleh Kantor
Perwakilan Bank Indonesia Provinsi Kalimantan Timur yang memberikan informasi
mengenai nilai ekspor komoditi migas dan non migas di Kalimantan Timur dari tahun 2000
sampai dengan tahun 2017. Data ini diperoleh ketika penulis mengikuti lomba Pekan Analisis
Statistika yang diadakan oleh Univertsitas Mulawarman pada tahun 2018 . Data ini merupakan
salah satu persoalan dalam lomba tersebut. Terdapat berbagai sektor material yang di ekspor
antara lain (Mineral Fuel, Mineral Oil Products; Wood and Articles of Wood; Inorganic
Chemicals,Fertilizers, Animal or Vegt, Fats and Oils; Fish,Crustaceans,Moluscs,Oth;
Organic Chemicals; Nuclear React, Boilers,Mech.Appli; Vehicles other than railway; dan
Articles of iron and steel). Sedangkan data yang diambil untuk dianalisis hanya nilai ekspor
kekayaan laut yaitu ikan,crustacea,mollusca,dll) dari tahun 2000 sampai dengan 2009 yang
total berjumlah 120 data.
Data musiman yang dianalisis bersumber dari website Data Market. Data diakses pada
10 Mei 2018 yang berisi tentang data bulanan dari tahun1989 sampai dengan 1990 mengenai
jumlah jumlah tenaga kerja di Australia dalam satuan ribu orang.
11
Stat → Control Charts → Box-Cox Transformation → masukkan kolom data → OK
[pada hasil output yang keluar akan terlihat apakah data sudah stasioner dalam varian atau
belum dengan melihat nilai λ (rounded value). Apabila nilai λ = 1 berarti data sudah
stasioner dalam mean dan varian, maka lanjutkan dengan langkah berikutnya. Jika belum
stasioner dalam varian maka identifikasi (plot time series dan Box Cox Transformation),
juga cek plot ACF dan PACF pada hasil transformasi Box-cox (seperti tahap sebelumnya)]
Stat → Control Charts → Box-Cox Transformation → masukkan kolom data → options
→ isi storage untuk menyimpan data transformasi → OK. [Apabila data belum stasioner
dalam varian, maka belum stasioner pula dalam mean, sehingga perlu dilakukan tahap
differencing yang mana berfungsi untuk menstationerkan dalam mean]
Stat → Time series → Difference → masukkan kolom data → isi storage (kolom
menyimpan hasil difference) → isi lag = 1 → OK.
[Gunakan data ini untuk mengecek plot time series, ACF, dan PACF seperti langkah
sebelumnya. Apabila masih belum stationer, maka lakukan differencing kedua untuk data
transformasi tersebut.]
Klik Stat → Time series → Difference → masukkan kolom data → isi storage (kolom
menyimpan hasil difference) → isi lag = 1 → OK
2. Menentukan model ARIMA non-musiman dan atau musiman dari plot ACF dan PACF
yang sudah stationer dalam mean maupun varians.
Klik Stat → Time Series → ARIMA → isi Autoregressive, difference, dan Moving
Average sesuai dengan kemungkinan-kemungkinan model (lag pada plot) → OK.
[membandingkan tiap-tiap model yang terlah dianalisis, dengan didasari pada syarat-
syarat yang telah dijelaskan sebelumnya]
3. Menguji normalitas residu pada data model yang berpeluang menjadi model terbaik.
Klik Stat → Time Series → ARIMA → isi Autoregressive, difference, dan Moving
Average sesuai dengan kemungkinan model data yang sudah terpilih → storage →
centang residual → OK.
[muncul output hasil residu data di worksheet Minitab]
Stat → Basic Statistics → Normality test → pilih Kolmogorov- Smirnov → OK
12
[Apabila nilai P-Value > 0,05, maka residu data dikatakan berdistribusi normal. Apabila
residu data tidak berdistribusi normal, maka masih bisa dilakukan forecasting namun
dengan hasil yang bias atau kurang baik]
4. Meramalkan data (forecasting)
Klik Stat → Time Series → ARIMA → masukkan orde sesuai dengan plot ACF dan plot
PACF → forecast → masukkan berapa lama waktu yang akan digunakan untuk
meramalkan data → masukkan jumlah data asli → OK
[keluar hasil output hasil forecasting dari data]
13
BAB 4
PEMBAHASAN
4.1 Pemodelan Data Non-Musiman
Menampilkan plot, ACF dan PACF dari data asli, untuk mengetahui kestationeran dalam
mean dan varians dari data.
15000000
12500000
Nilai Ekspor
10000000
7500000
5000000
1 12 24 36 48 60 72 84 96 108 120
Index
Gambar 1. Plot time series data bulanan nilai ekspor kekayaan laut (ikan,
crustacea,mollusca,dll )di Kalimantan Timur pada periode tahun 2000-2009
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 2. Plot ACF data bulanan nilai ekspor kekayaan laut (ikan,
crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun 2000-2009
14
Partial Autocorrelation Function for Nilai Ekspor
(with 5% significance limits for the partial autocorrelations)
1.0
0.8
0.6
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 3. Plot PACF data bulanan nilai ekspor kekayaan laut (ikan,
crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun 2000-2009
Lower CL -0.30
Upper CL 0.75
4000000
Rounded Value 0.00
StDev
3000000
2000000
Limit
1000000
-5.0 -2.5 0.0 2.5 5.0
Lambda
15
Box-Cox Plot of ln zt
Lower CL Upper CL
60000 Lambda
(using 95.0% confidence)
Estimate 0.96
58000
Lower CL -0.65
Upper CL 2.72
StDev
54000
52000
50000 Limit
Gambar 5. Hasil Transformasi box-cox data bulanan nilai ekspor kekayaan laut (ikan,
crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun 2000-2009 [data stationer
dalam varians]
1200000
1100000
ln zt
1000000
900000
800000
1 12 24 36 48 60 72 84 96 108 120
Index
Gambar 6. Plot time series Transformasi box-cox data bulanan nilai ekspor kekayaan laut
(ikan, crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun 2000-2009
16
Autocorrelation Function for ln zt
(with 5% significance limits for the autocorrelations)
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 7. Plot ACF transformasi box-cox data bulanan nilai ekspor kekayaan laut (ikan,
crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun 2000-2009
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 8. Plot PACF transformasi Box-cox data bulanan nilai ekspor kekayaan laut
(ikan, crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun 2000-2009
Pada gambar 4 tercantumkan bahwa nilai rounded value = 0.00 yang artinya data perlu di
transformasi menjadi ln 𝑍𝑡 dan setelah data di transformasi box-cox data menjadi stationer
dalam varians, namun belum stationer dalam mean, sehingga perlu dilanjutkan pada tahap
differencing.
17
Time Series Plot of differencing
200000
100000
differencing 0
-100000
-200000
1 12 24 36 48 60 72 84 96 108 120
Index
Gambar 9. Plot time series setelah transformasi dan differencing data bulanan nilai ekspor
kekayaan laut (ikan, crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun
2000-2009
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 10. Plot ACF setelah transformasi dan differencing data bulanan nilai ekspor
kekayaan laut (ikan, crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun
2000-2009
18
Partial Autocorrelation Function for differencing
(with 5% significance limits for the partial autocorrelations)
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 11. Plot PACF setelah transformasi dan differencing data bulanan nilai ekspor
kekayaan laut (ikan, crustacea,mollusca,dll ) di Kalimantan Timur pada periode tahun
2000-2009
Berdasarkan output yang dihasilkan oleh hasil differencing plot time series sudah terlihat
stationer dalam varians dan mean. Sedangkan untuk plot ACF keluar pada lag 1 dan pada
PACF keluar pada lag 1 dan 2.
Menurut data yang telah di-differencing terdapat beberapa model yang berkemungkinan
menjadi model terbaik bagi data, yaitu ARIMA(0,1,1), ARIMA(2,1,0), dan ARIMA(2,1,1)
Lag 12 24 36 48
Chi-Square 13.2 24.3 31.5 42.8
DF 10 22 34 46
19
P-Value 0.215 0.330 0.589 0.605
Lag 12 24 36 48
Chi-Square 13.0 24.3 31.5 43.0
DF 11 23 35 47
P-Value 0.291 0.389 0.638 0.640
Lag 12 24 36 48
Chi-Square 8.0 16.3 27.8 39.7
DF 9 21 33 45
P-Value 0.538 0.750 0.726 0.696
20
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 8.0 16.4 27.7 39.7
DF 10 22 34 46
P-Value 0.629 0.793 0.767 0.732
Lag 12 24 36 48
Chi-Square 8.4 17.3 27.0 38.3
DF 8 20 32 44
P-Value 0.400 0.633 0.719 0.714
Lag 12 24 36 48
Chi-Square 8.0 16.8 27.0 38.5
DF 9 21 33 45
P-Value 0.533 0.723 0.761 0.741
Berdasarkan hasil output minitab beberapa model dapat dibuat ringkasan data dalam
bentuk tabel
21
No Model P-value (Signifikansi) P-value L Jung Box (WN) MSE
AR 1 AR 2 MA 1 Constan 12 24 36 48
1 ARIMA 0.00 0.176 0.215 0.33 0.589 0.605 0.02797
(0,1,1) D
2 ARIMA 0.00 0.291 0.389 0.638 0.64 0.02815
(0,1,1) P
3 ARIMA 0 0.007 0.315 0.750 0.726 0.696 0.02720
(2,1,0) D 0.538
Mengacu pada data tabel dapat diketahui bahwa model yang baik yaitu ARIMA (0,1,1)
Probabilistik dan ARIMA(2,1,0) Probabilistik, kemudian memeriksa lebih rinci pada nilai
MSE yang mana untuk memperoleh model terbaik harus memiliki nilai MSE yang paling
kecil. Sehingga model terbaik adalah ARIMA (2,1,0). Kemudian dilanjutkan dengan uji
normalitas pada residual model ARIMA (2,1,0).
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 12. Plot ACF residual pada model ARIMA (2,1,0) Probabilistik
22
PACF of Residuals for ln Zt
(with 5% significance limits for the partial autocorrelations)
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 13. Plot PACF residual pada model ARIMA (2,1,0) Probabilistik
60
50
40
30
20
10
5
0.1
-0.50 -0.25 0.00 0.25 0.50
RESI1
Gambar 14. Plot normalitas residual pada model ARIMA (2,1,0) Probabilistik
Hipotesis :
𝐻0 : Residual data berdistibusi normal
𝐻1 : Residual data tidak berdistibusi normal
Daerah kritis : Ho ditolak jika P-Value < 0.05
Statistik Uji : Nilai P-Value (> 0,150)
Keputusan : Ho diterima, karena nilai P-value > 0.05
Kesimpulan : Residu dari data yang telah ditransformasi dan di differencing
berdistribusi normal. Sehingga dapat dilakukan forecasting.
23
Berdasarkan hasil output data normalitas residual model berdistribusi normal. Maka dari
itu ARIMA(2,1,0) telah memenuhi semua syarat, termasuk syarat parsimony yang dapat
didefinisikan data yang memiliki parameter sedikit namun mampu menjelaskan dengan baik,
sehingga ARIMA (2,1,0) merukan model terbaik pada data ini.
Hasil dari forecasting data awal dengan model ARIMA (2,1,0) probabilistik 10 bulan
setelah Desember 2009:
Period Forecast Lower Upper Actual
121 16.4907 16.1674 16.8141
122 16.4784 16.1432 16.8136
123 16.4858 16.1046 16.8670
124 16.4834 16.0659 16.9008
125 16.4834 16.0377 16.9290
126 16.4840 16.0073 16.9606
127 16.4835 15.9798 16.9872
128 16.4837 15.9539 17.0135
129 16.4837 15.9289 17.0385
130 16.4836 15.9051 17.0622
Menampilkan plot, ACF dan PACF dari data asli, sehingga bisa diketahui kestationeran
mean dan varians dari data.
24
Time Series Plot of Jumlah Tenaga Kerja
8000
7500
6500
6000
1 12 24 36 48 60 72 84 96 108 120
Index
Gambar 15. Plot Time Series data asli Jumlah Tenaga Kerja di Australia tahun 1989-1990
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 16. Grafik ACF data asli Jumlah Tenaga Kerja di Australia tahun 1989-1990
25
Partial Autocorrelation Function for Jumlah Tenaga Kerja
(with 5% significance limits for the partial autocorrelations)
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 17. Grafik PACF data asli Jumlah Tenaga Kerja di Australia tahun 1989-1990
Karena terlihat adanya tren pada plot time series data asli Jumlah Tenaga Kerja di Australia
tahun 1989-1990, maka dilanjutkan mengeluarkan output hasil transformasi box-cox sehingga
bisa distationerkan dalam mean dengan differencing.
60
59
Limit
58
57
-5.0 -2.5 0.0 2.5 5.0
Lambda
Gambar 18. Plot Box-Cox data asli Jumlah Tenaga Kerja di Australia tahun 1989-1990
26
Time Series Plot of Hasil Box-Cox
90.0
87.5
82.5
80.0
1 12 24 36 48 60 72 84 96 108 120
Index
Gambar 19. Plot Time Series data hasil transformasi box-cox Jumlah Tenaga Kerja di
Australia tahun 1989-1990
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 20. Grafik ACF data hasil transformasi box-cox Jumlah Tenaga Kerja di Australia
tahun 1989-1990
Pada gambar 18 tercantumkan bahwa nilai rounded value = 0.05 yang artinya data perlu di
transformasi menjadi √𝑍𝑡 dan setelah data di transformasi box-cox data menjadi stationer
dalam varians, namun belum stationer dalam mean, sehingga perlu dilanjutkan pada tahap
differencing.
27
Time Series Plot of diff1
1.0
0.5
0.0
diff1
-0.5
-1.0
-1.5
1 12 24 36 48 60 72 84 96 108 120
Index
Gambar 21. Plot Time Series data hasil differencing 1 kali Jumlah Tenaga Kerja di Australia
tahun 1989-1990
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 22. Grafik ACF data hasil differencing 1 kali Jumlah Tenaga Kerja di Australia
tahun 1989-1990
28
Partial Autocorrelation Function for diff1
(with 5% significance limits for the partial autocorrelations)
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 23. Grafik PACF data hasil differencing 1 kali Jumlah Tenaga Kerja di Australia
tahun 1989-1990
Berdasarkan hasil data hasil differencing 1 kali grafik ACF dan PACF terlihat bahwa lag
1 juga muncul kemudian muncul lag 12, yang berarti data Tenaga Kerja di Australia tahun
1989-1990 diduga merupakan data musiman multiplikatif (campuran antara musiman dan non
musiman) sehingga perlu di differencing sebanyak 12 kali. Namun sebelum itu, karena
terdapat beberapa lag yang tidak diinginkan maka perlu dilakukan differencing kedua
menggunakan data hasil differencing 1 kali.
1
diff 2
-1
-2
1 12 24 36 48 60 72 84 96 108 120
Index
Gambar 24. Plot Time Series data hasil differencing kedua kali Jumlah Jumlah Tenaga Kerja
di Australia tahun 1989-1990
29
Autocorrelation Function for diff 2
(with 5% significance limits for the autocorrelations)
1.0
0.8
0.6
0.4
Autocorrelation 0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 25. Grafik ACF dat hasil differencing kedua kali Jumlah Jumlah Tenaga Kerja di
Australia tahun 1989-1990
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Gambar 26. Grafik PACF dat hasil differencing kedua kali Jumlah Jumlah Tenaga Kerja di
Australia tahun 1989-1990
Berdasarkan hasil data hasil differencing 2 kali grafik ACF dan PACF terlihat bahwa lag
1 juga muncul kemudian muncul lag 12, yang berarti data Tenaga Kerja di Australia tahun
1989-1990 diduga merupakan data musiman multiplikatif (campuran antara musiman dan non
musiman) sehingga perlu di differencing sebanyak 12 kali.
30
Time Series Plot of diff 12
1.0
0.5
diff 12 0.0
-0.5
-1.0
1 12 24 36 48 60 72 84 96 108 120
Index
Gambar 27. Plot Time Series data hasil differencing lag 12 Jumlah Jumlah Tenaga Kerja di
Australia tahun 1989-1990
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26
Lag
Gambar 28. Grafik ACF dat hasil differencing lag 12 Jumlah Jumlah Tenaga Kerja di
Australia tahun 1989-1990
31
Partial Autocorrelation Function for diff 12
(with 5% significance limits for the partial autocorrelations)
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26
Lag
Gambar 29. Grafik PACF dat hasil differencing lag 12 Jumlah Jumlah Tenaga Kerja di
Australia tahun 1989-1990
Menurut hasil grafik ACF dan PACF baik data differencing 1 kali maupun 12 kali dapat
diperoleh beberapa model yang mungkin merupakan model terbaik dengan ACF(1,12) dan
PACF(1,2,12, dan 24). Sehingga beberapa kemungkinan model yang terbentuk beserta output
minitab nya adalah :
32
Residuals: SS = 7.14849 (backforecasts excluded)
MS = 0.06874 DF = 104
33
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 36.8 45.6 76.7 92.7
DF 9 21 33 45
P-Value 0.000 0.001 0.000 0.000
34
ARIMA (1,2,0)(2,1,1)12 Deterministik
Final Estimates of Parameters
35
AR 2 -0.5303 0.0843 -6.29 0.000
SAR 12 -0.5883 0.0828 -7.11 0.000
Differencing: 2 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 106
Residuals: SS = 5.15438 (backforecasts excluded)
MS = 0.05004 DF = 103
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 17.0 33.7 52.2 63.0
DF 9 21 33 45
P-Value 0.049 0.039 0.018 0.039
36
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 14.7 23.3 42.0 55.8
DF 9 21 33 45
P-Value 0.098 0.326 0.135 0.129
37
ARIMA (2,2,0)(2,1,1)12 Deterministik
Final Estimates of Parameters
Lag 12 24 36 48
Chi-Square 15.4 24.6 46.4 61.2
DF 7 19 31 43
P-Value 0.032 0.175 0.037 0.035
38
SAR 12 -0.5925 0.0838 -7.07 0.000
MA 1 0.9519 0.0400 23.80 0.000
Lag 12 24 36 48
Chi-Square 20.4 38.5 72.3 92.0
DF 8 20 32 44
P-Value 0.009 0.008 0.000 0.000
39
Lag 12 24 36 48
Chi-Square 15.7 21.8 44.4 59.2
DF 9 21 33 45
P-Value 0.072 0.411 0.089 0.076
40
SAR 12 -1.0677 0.3175 -3.36 0.001
SAR 24 -0.4705 0.1956 -2.41 0.018
MA 1 0.9695 0.0393 24.69 0.000
SMA 12 -0.3048 0.3395 -0.90 0.371
Constant -0.0022718 0.0008530 -2.66 0.009
Differencing: 2 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 106
Residuals: SS = 4.51379 (backforecasts excluded)
MS = 0.04469 DF = 101
41
MS = 0.04574 DF = 103
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 15.0 35.6 62.6 74.1
DF 9 21 33 45
P-Value 0.091 0.024 0.001 0.004
42
ARIMA (1,2,1)(0,1,1)12 Probabilistik
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 -0.2621 0.1084 -2.42 0.017
MA 1 0.8269 0.0632 13.08 0.000
SMA 12 0.8818 0.0781 11.28 0.000
Differencing: 2 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 106
Residuals: SS = 3.54760 (backforecasts excluded)
MS = 0.03444 DF = 103
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 9.8 16.8 39.5 51.0
DF 9 21 33 45
P-Value 0.371 0.721 0.202 0.249
43
Number of observations: Original series 120, after differencing 106
Residuals: SS = 3.32951 (backforecasts excluded)
MS = 0.03330 DF = 100
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 8.2 15.4 40.5 50.2
DF 6 18 30 42
P-Value 0.227 0.632 0.095 0.180
44
ARIMA (2,2,1)(2,1,0)12 Deterministik
Final Estimates of Parameters
45
AR 2 -0.1835 0.1192 -1.54 0.127
MA 1 0.7435 0.0901 8.26 0.000
SMA 12 0.8888 0.0767 11.59 0.000
Differencing: 2 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 106
Residuals: SS = 3.47770 (backforecasts excluded)
MS = 0.03410 DF = 102
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 6.9 13.7 36.2 48.1
DF 8 20 32 44
P-Value 0.545 0.844 0.279 0.310
46
Differencing: 2 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 106
Residuals: SS = 4.64051 (backforecasts excluded)
MS = 0.04687 DF = 99
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 12.8 31.4 58.4 68.5
DF 5 17 29 41
P-Value 0.026 0.018 0.001 0.004
Berdasarkan hasil output minitab beberapa model dapat dibuat ringkasan data dalam bentuk tabel
47
ARIMA
(1,2,0)(0,1,1)12 0,000 0,000 0,000 0,002 0,000 0,000 0,04953
Probabilistik
ARIMA
(1,2,0)(1,1,1)12 0,000 0,383 0,000 0,866 0,000 0,001 0,000 0,000 0,04989
Deterministik
ARIMA
(1,2,0)(1,1,1)12 0,000 0,223 0,000 0,000 0,001 0,000 0,000 0,04928
Probabilistik
ARIMA
(1,2,0)(2,1,1)12 0,000 0,035 0,075 0,000 0,715 0,000 0,000 0,000 0,000 0,05035
Deterministik
ARIMA
(1,2,0)(2,1,1)12 0,000 0,000 0,080 0,000 0,000 0,000 0,000 0,000 0,07127
Probabilistik
ARIMA
(2,2,0)(1,1,0)12 0,000 0,000 0,000 0,993 0,030 0,028 0,013 0,031 0,05053
Deterministik
ARIMA
(2,2,0)(1,1,0)12 0,000 0,000 0,000 0,049 0,039 0,018 0,039 0,05004
Probabilistik
ARIMA
(2,2,0)(2,1,0)12 0,025 0,000 0,000 0,000 0,805 0,033 0,194 0,044 0,041 0,04413
Deterministik
ARIMA
(2,2,0)(2,1,0)12 0,000 0,000 0,000 0,000 0,056 0,246 0,035 0,030 0,04356
Probabilistik
ARIMA
(2,2,0)(0,1,1)12 0,000 0,000 0,000 0,686 0,057 0,225 0,103 0,102 0,03889
Deterministik
ARIMA
(2,2,0)(0,1,1)12 0,000 0,000 0,000 0,098 0,326 0,135 0,129 0,03853
Probabilistik
ARIMA
(2,2,0)(1,1,1)12 0,000 0,000 0,358 0,000 0,767 0,026 0,141 0,049 0,033 0,03834
Deterministik
ARIMA
(2,2,0)(1,1,1)12 0,000 0,000 0,315 0,000 0,054 0,217 0,074 0,049 0,03793
Probabilistik
ARIMA
(2,2,0)(2,1,1)12 0,000 0,000 0,136 0,201 0,000 0,575 0,018 0,128 0,024 0,025 0,03940
Deterministik
ARIMA
(2,2,0)(2,1,1)12 0,000 0,000 0,134 0,301 0,000 0,032 0,175 0,037 0,035 0,03914
Probabilistik
48
ARIMA
(0,2,1)(1,1,0)12 0,000 0,000 0,075 0,007 0,000 0,000 0,000 0,04699
Deterministik
ARIMA
(0,2,1)(1,1,0)12 0,000 0,000 0,012 0,001 0,000 0,000 0,04768
Probabilistik
ARIMA
(0,2,1)(2,1,0)12 0,000 0,000 0,004 0,043 0,009 0,008 0,000 0,000 0,04215
Deterministik
ARIMA
(0,2,1)(2,1,0)12 0,000 0,000 0,000 0,021 0,061 0,000 0,000 0,04221
Probabilistik
ARIMA
(0,2,1)(0,1,1)12 0,000 0,000 0,363 0,072 0,411 0,089 0,076 0,03627
Deterministik
ARIMA
(0,2,1)(0,1,1)12 0,000 0,000 0,119 0,503 0,123 0,103 0,03614
Probabilistik
ARIMA
(0,2,1)(1,1,1)12 0,000 0,004 0,000 0,000 0,061 0,24 0,018 0,012 0,03317
Deterministik
ARIMA
(0,2,1)(1,1,1)12 0,000 0,092 0,000 0,147 0,515 0,086 0,068 0,03463
Probabilistik
ARIMA
(0,2,1)(2,1,1)12 0,000 0,001 0,018 0,000 0,371 0,002 0,000 0,000 0,000 0,04469
Deterministik
ARIMA
(0,2,1)(2,1,1)12 0,000 0,054 0,184 0,000 0,161 0,668 0,126 0,158 0,03561
Probabilistik
ARIMA
(1,2,1)(1,1,0)12 0,009 0,000 0,000 0,691 0,059 0,016 0,001 0,003 0,04609
Deterministik
ARIMA
(1,2,1)(1,1,0)12 0,009 0,000 0,000 0,091 0,024 0,001 0,004 0,04574
Probabilistik
ARIMA
(1,2,1)(2,1,0)12 0,005 0,000 0,000 0,000 0,556 0,087 0,261 0,004 0,007 0,04008
Deterministik
ARIMA
(1,2,1)(2,1,0)12 0,005 0,000 0,000 0,000 0,127 0,267 0,005 0,008 0,03994
Probabilistik
ARIMA
(1,2,1)(0,1,1)12 0,017 0,000 0,000 0,277 0,253 0,614 0,145 0,189 0,03458
Deterministik
49
ARIMA
(1,2,1)(0,1,1)12 0,017 0,000 0,000 0,371 0,721 0,202 0,249 0,03444
Probabilistik
ARIMA
(1,2,1)(1,1,1)12 0,038 0,000 0,108 0,000 0,031 0,225 0,545 0,084 0,111 0,03329
Deterministik
ARIMA
(1,2,1)(1,1,1)12 0,028 0,000 0,124 0,000 0,320 0,688 0,134 0,173 0,03352
Probabilistik
ARIMA
(1,2,1)(2,1,1)12 0,047 0,000 0,023 0,075 0,000 0,001 0,227 0,632 0,095 0,180 0,03330
Deterministik
ARIMA
(1,2,1)(2,1,1)12 0,019 0,000 0,003 0,070 0,000 0,202 0,654 0,031 0,055 0,03515
Probabilistik
ARIMA
(2,2,1)(1,1,0)12 0,002 0,107 0,000 0,000 0,767 0,137 0,053 0,004 0,013 0,04553
Deterministik
ARIMA
(2,2,1)(1,1,0)12 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,07383
Probabilistik
ARIMA
(2,2,1)(2,1,0)12 0,000 0,051 0,000 0,000 0,000 0,532 0,490 0,713 0,062 0,080 0,03908
Deterministik
ARIMA
(2,2,1)(2,1,0)12 0,000 0,044 0,000 0,000 0,000 0,611 0,733 0,092 0,107 0,03894
Probabilistik
ARIMA
(2,2,1)(0,1,1)12 0,005 0,128 0,000 0,000 0,298 0,376 0,740 0,197 0,231 0,03426
Deterministik
ARIMA
(2,2,1)(0,1,1)12 0,005 0,127 0,000 0,000 0,545 0,844 0,279 0,310 0,03410
Probabilistik
ARIMA
(2,2,1)(1,1,1)12 0,010 0,177 0,000 0,095 0,000 0,434 0,447 0,784 0,203 0,231 0,03323
Deterministik
ARIMA
(2,2,1)(1,1,1)12 0,008 0,154 0,000 0,140 0,000 0,611 0,889 0,296 0,325 0,03332
Probabilistik
ARIMA
(2,2,1)(2,1,1)12 0,003 0,152 0,000 0,000 0,061 0,002 0,712 0,026 0,018 0,001 0,004 0,04687
Deterministik
ARIMA
(2,2,1)(2,1,1)12 0,002 0,105 0,000 0,000 0,052 0,004 0,057 0,023 0,001 0,005 0,04623
Probabilistik
50
Setelah diringkas dalam bentuk tabel, sekilas diketahui bahwa terdapat beberapa model
terbaik diantaranya ARIMA (2,2,0)(0,1,1)12 probabilistik , ARIMA (1,2,1)(0,1,1)12 probabilistik ,
dan (2,2,1)(2,1,0)12 probabilistik. Kemudian perhatikan nilai MSE, model terbaik memiliki nilai
MSE paling kecil, sehingga dapat diketahui bahwa model terbaik sementara adalah ARIMA
(1,2,1)(0,1,1)12 probabilistik. Dikatakan sementara karena belum diketahui apakah residual sudah
normal atau belum, untuk mengetahui data residual sudah normal atau belum, maka perlu
dilakukan pengujian normalitas.
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
3 6 9 12 15 18 21 24
Lag
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
3 6 9 12 15 18 21 24
Lag
51
Gambar 31. Plot PACF residual pada model ARIMA(1,2,1)(0,1,1)12 Probabilistik
60
50
40
30
20
10
5
0.1
-0.75 -0.50 -0.25 0.00 0.25 0.50
RESI2
52
(1 − 𝜃1 𝐵)2 (1 − Θ1 𝐵12 )2 𝑎𝑡 2
𝑍𝑡 =
(1 − ∅1 𝐵)2 (1 − 𝐵)4 (1 − 𝐵12 )2
2
(1 − 𝜃1 𝐵)(1 − Θ1 𝐵12 )𝑎𝑡
𝑍𝑡 =[ ]
(1 − ∅1 𝐵)(1 − 𝐵)2 (1 − 𝐵12 )
2
(1 − 0,8269𝐵)(1 − 0,8818𝐵12 )𝑎𝑡
𝑍𝑡 =[ ]
(1 + 0,2621𝐵)(1 − 𝐵)2 (1 − 𝐵12 )
Hasil dari forecasting data Jumlah tenaga kerja di Australia pada tahun 1981 -1990 dengan
model ARIMA(1,2,1)(0,1,1)12 probabilistik pada data setelah ke 120
95% Limits
Period Forecast Lower Upper Actual
121 87.8473 87.4835 88.2111
122 88.4394 87.9473 88.9316
123 88.8696 88.2336 89.5057
124 88.7390 87.9615 89.5165
125 88.7368 87.8131 89.6604
126 88.6694 87.5954 89.7434
127 88.7153 87.4860 89.9446
128 88.3161 86.9266 89.7057
129 88.9143 87.3594 90.4693
130 88.6412 86.9159 90.3666
131 88.6739 86.7731 90.5747
132 89.0728 86.9916 91.1540
53
BAB 5
PENUTUP
5.1 Kesimpulan
Setelah menganalisis data non – musiman , diperoleh model terbaik bagi data bulanan
nilai ekspor kekayaan laut (ikan, crustacea,mollusca,dll ) di Kalimantan Timur pada periode
tahun 2000-2009 adalah ARIMA (2,1,0) dengan model
(1 + 0.7273𝐵 +0.2404B2) (1 – B)d ln 𝑍𝑡 = 𝑎𝑡
Diperoleh pula hasil forecasting berdasarkan data, sebagai berikut
Karena data yang digunakan untuk forecasting adalah data transformasi box-cox maka
untuk mencari peramalan yang sesuai dengan data asli adalah dengan cara memasukkan data
hasil forecasting ke dalam model yang telah ada.
54
16.48367
129 14413411
16.48364
130 14413030
Setelah menganalisis data musiman , diperoleh model terbaik bagi data bulanan
jumlah tenaga kerja di Australia pada periode tahun 1989 – 1990 adalah
ARIMA(1,2,1)(0,1,1)12 probabilistik dengan model
(1 − ∅1 𝐵)(1 − 𝐵)2 (1 − 𝐵12 )Ż𝑡 = (1 − 𝜃1 𝐵)(1 − Θ1 𝐵12 )𝑎𝑡 , 𝑑𝑒𝑛𝑔𝑎𝑛 Ż𝑡 = √𝑍𝑡
2
(1 − 0,8269𝐵)(1 − 0,8818𝐵12 )𝑎𝑡
𝑍𝑡 =[ ]
(1 + 0,2621𝐵)(1 − 𝐵)2 (1 − 𝐵12 )
Diperoleh pula hasil forecasting berdasarkan data, sebagai berikut
95% Limits
Period Forecast Lower Upper Actual
121 87.8473 87.4835 88.2111
122 88.4394 87.9473 88.9316
123 88.8696 88.2336 89.5057
124 88.7390 87.9615 89.5165
125 88.7368 87.8131 89.6604
126 88.6694 87.5954 89.7434
127 88.7153 87.4860 89.9446
128 88.3161 86.9266 89.7057
129 88.9143 87.3594 90.4693
130 88.6412 86.9159 90.3666
131 88.6739 86.7731 90.5747
132 89.0728 86.9916 91.1540
Karena data yang digunakan untuk forecasting adalah data transformasi box-cox maka
untuk mencari peramalan yang sesuai dengan data asli adalah dengan cara memasukkan data
hasil forecasting ke dalam model yang telah ada.
Hasil forecasting 12 bulan setelah Desember 1990
55
128 88.3161 7799.74
129 88.9143 7905.76
130 88.6412 7857.27
131 88.6739 7863.06
132 89.0728 7933.97
5.2 Saran
1. Lebih memperhatikan dalam proses pengambilan data, karena jika saat pengambilan data
maupun dalam proses memasukkan data terdapat kesalahan bisa mempengaruhi hasil
forecasting, sehingga hasil forecasting yang seharusnya mampu berguna bagi pemerintah
malah tidak berguna bagi pemerintah.
2. Hasil forecasting hanyalah berupa peramalan, sehingga belum tentu akan terjadi sespesifik
data forecasting.
56
DAFTAR PUSTAKA
NN.” Monthly number of employed persons in Australia: thousands. Feb 1978 – Apr 1991”. 10
Mei 2018. https://datamarket.com/data/set/22t8/monthly-number-of-employed-persons-in-
australia-thousands-feb-1978-apr-1991#!ds=22t8&display=line
57
LAMPIRAN
58