Professional Documents
Culture Documents
Dosen Pengampu:
Fachrur Rozi, M.Si
Oleh:
Mukhamad Lukman
NIM. 12610036
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGRI MAULANA MALIK IBRAHIM
MALANG
2015
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan zaman yang sangat pesat menghasilkan teknologi yang
Dalam kegiatan perencanaan sering kali antara kesadaran akan terjadinya suatu
peristiwa dimasa depan dan kejadian nyata peristiwa itu dipisahkan oleh waktu
yang cukup lama. Beda waktu inilah yang merupakan alasan utama diperlukannya
satu perencanaan (planning) dan peramalan (forecasting). Jika beda waktu itu
besar dan kejadian peristiwa dimasa depan dipengaruhi oleh faktor-faktor yang
terkontrol, maka dalam hal ini suatu perencanaan akan sangat berperan penting.
Salah satu unsur yang sangat penting dalam pengambilan keputusan adalah
dengan peramalan. Peramalan akan sangat diperlukan untuk mengetahui kapan
suatu peristiwa akan terjadi sehingga tindakan yang tepat dapat dilakuka.
Banyak jenis metode peramalan yang digunakan, dari metode yang paling
klasik sampai metode yang paling rumit. Dengan pesatnya kemajuan teknologi
dan dengan adanya penggunaan komputer yang semakin meluas di dalam
berbagai organisasi, maka metode analisis runtun waktu lebih umum dan
berdasarkan ilmu statistik yang dikenal dengan Box-Jenkins atau ARIMA
(Autoregressive Integrated Moving Average) telah dikembangkan lebih lanjut dan
diterapkan untuk peramalan. Selain itu. Metode ini bertujuan untuk mencari pola
data yang paling cocok dari data. Alasan menggunakan metode ARIMA adalah
memanfaatkan sepenuhnya data masa lalu dan data sekarang untuk menghasilkan
pola yang hampir menyerupai data aslinya.
Berdasarkan uraian diatas, maka pada tugas akhir ini penulis memodelkan
pola ARIMA terbaik berdasarkan data perkembangan penjualan motor kawasaki
tahun 2010-2014.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, maka permasalahan yang diambil adalah
bagaimana menganalisis data time series dalam menentukan model ARIMA
terbaik untuk data perkembangan penjualan motor kawasaki tahun 2010-2014?
1.3 Tujuan
Tujuan dari makalah ini adalah untuk mengetahui menganalisis data runtun time
series dalam menentukan model ARIMA terbaik untuk data perkembangan
penjualan motor kawasaki tahun 2010-2014.
BAB II
KAJIAN PUSTAKA
2.1 Pola Data
Jenis Pola Dat Statistika adalah ilmu yang mempelajari tentang data,
berdasarkan waktu pengumpulannya data dapat dibedakan menjadi tiga jenis,
yaitu:
a) Data cross-section adalah jenis data yang dikumpulkan untuk jumlah
variabel pada suatu titik waktu tertentu. Model yang digunakan untuk
memodelkan tipe data ini adalah model regresi.
b) Data runtun waktu (time series) adalah jenis data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu. Model yang
digunakan untuk memodelkan tipe data ini adalah model-model timeseries.
c) Data panel adalah jenis data yang dikumpulkan menurut urutan waktu
yang akan dalam suatu tentang waktu tertentu pada sejumlah kategori.
Model yang digunakan untuk memodelkan tipe ini adalah model data
panel, model runtun waktu multivariat.
Makridakis et.al (1999) mengungkapkan bahwa langkah penting dalam memilih
suatu metode runtun waktu (time series) yang tepat adalah dengan
mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan
pola data tersebut dapat diuji. Pola data dapat dibedakan menjadi empat, yaitu:
1.
Pola horizontal terjadi pada saat nilai data berfluktuasi di sekitar nilai
rata-rata yang konstan. Deret seperti biasanya stasioner terhadap nilai
rata-ratanya. Suatu produk yang penjualannya tidak meningkat atau
menurun selama waktu tertentu. Pola khas data horizontal atau
2.
stasioner.
Pola musiman terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kurtal tahun tertentu, bulan, atau hari-hari pada
minggu tertentu). Misalnya pada penjualan minuman ringan, es krim,
3.
4.
= pembeda
Xt
= nilai
pada orde ke t
X t 1 = nilai
pada orde ke t1
Notasi
X t 2 = nilai
pada orde ke t2
Apabila suatu runtun waktu tidak stasioner, maka data tersebut dapat
dibuat lebih stasioner dengan melakukan pembedaan (differencing) pertama.
Pembedaan pertama
X ' t =X t X t1
Dengan:
Sebagai deret yang stasioner dan model umum ARIMA(0,d,0) akan menjadi:
( 1B )d X t =et
Dimana: e t = nilai kesalahan (error)
2.2.2 Stasioner dan Non-Stasioner dalam Variansi
Suatu data runtun waktu dikatakan stasioner dalam variansi jika struktur
data dari waktu ke waktu mempunyai fluktuasi data yang tetap atau konstan dan
tidak berubah-ubah, atau tidak ada perubahan variansi dalam besarnya fluktuasi
secara visual untuk melihat hal tersebut dapat dibantu dengan menggunakan time
series plot yaitu dengan melihat fluktuasi dari data.
Xt
T ( Xt)
adalah fungsi
transformasi kuasa:
X t 1
T ( X t )=
Dengan
yang umum
2000:177). Menurut model Box Jenkins secara umum model ARIMA terdiri
dari:
2.3.1
Proses AR (Autoregressive)
Autoregressive adalah nilai sekarang suatu proses dinyatakan sebagai
jumlah tertimbang nilai-nilai yang lalu ditambah satu sesatan (goncangan random)
saat ini. Jadi dapat dipandang
Xt
diregresikan pada
p nilai
yang lalu.
X t 1 , , X t p= variabel
bebas
(nilai
masa
lalu
deret
waktu
yang
bersangkutan)
e t = nilai kesalahan pada saat t
Orde dari model AR diberi notasi p yang ditentukan oleh jumlah periode
variabel dependent yang masuk dalam model.
2.3.2
dengan karakteristik data periode sekarang merupakan kombinasi linier dari white
noise periode-periode sebelumnya dengan suatu bobot tertentu.
Model umum proses moving average adalah
X t =e t b1 et 1b2 e t2b q et q
Dimana:
e t1 , et 2 , , e tq=
bersangkutan)
e t=
diambil selisih dari lag tertentu atau dilakukan pembedahan menjadi stasioner
yang mempunyai model AR derajat p dan MA derajat q. model ARIMA
dinyatakan dalam rumus sebagai berikut:
d
a p ( B )( 1B ) X t =b0 +b q ( B ) e t
Dimana:
a p ( B )=1a1 Ba2 B2 a p B p
b p ( B )=1b1 Bb2 B2 b p B p
Jika
q=0 ,
dan
( X i , Y i)
i=1,2,3, , n
r xy
Xt
dan
X t 1 . Menurut
Xt
dan dinotasikan
Xt
dan
dapat diasumsikan bernilai sama dan dua variansi dapat diukur satu kali
Maka,
r xy
tk
Xt
r x x
t
t 1
Cov ( X t , X t1 )
SX S X
t
t 1
( X t X t )( X t 1 X t 1 )
=
t =2
2
( X t X t1 )
t=1
(
n
2
X t 1 X t 1 )
t =2
( X t X )( X t1 X )
t =2
( X t X )
t =2
( X t X )( X t 1 X )
t =2
( X t X )
t =2
Keterangan :
rk = Koefisien autokorelasi lag ke k, dimana k=0,1,2...,k
n = Jumlah data
Xt= nilai x orde ke t
X = nilai rata-rata mean
2.4.2
untuk berbagai lag k yang ditulis dengan ( akk ; k=1,2,3, , k ) yakni himpunan
autokorelasi parsial untuk berbagai lag k. fungsi autokorelasi parsial digunakan
untuk mengukur tingkat keeratan antara
X t dan
| k|
| k|
Dimana:
sehingga:
adalah
[]
1
2
a11 =1
a22
| |
| |
1
1
1
2
1
1
1
1
221
121
akk
|
|
1
1
1
1
k1
k2
|
|
k2 1
k3 2
1 k
1
1 k2 k1
1
1
k3 k2
k1 k 2
1 1
akk
dengan
untuk selisih waktu yang cukup besar, dimana fungsi autokorelasi parsial
sebagai berikut:
Var ( akk )
1
N
akk
normal.
2.5 Langkah-langkah melakukan peramalan dengan metode ARIMA
1. Menghasilkan data yang stasioner
Data stasioner yaitu data yang memiliki nilai rata-rata dan varians
yang tetap sepanjang waktu. Oleh karena itu data stasioner adalah data
yang bersifat trend yaitu tidak mengalami penurunan maupun kenaikan.
Misalnya data yang bersifat trend adalah contoh data yang tidak stasioner
karena data mengalami penurunan dan kenaikan atau mengalami pasang
surut dan memiliki nilai ratarata berubah-ubah sepanjang waktu. Bila data
yang menjadi input dari model ARIMA tidak stasioner, maka perlu
model
sementara
untuk
suatu
runtun
waktu
BAB III
HASIL KEGIATAN DAN PEMBAHASAN
3. Hasil Kegiatan
Pada makalah ini membahas perkembangan penjualan motor kawasaki
tahun 2010-2014 dengan menggunakan model ARIMA. Pemakalah mendapatkan
data pada Januari tahun 2010 sampai dengan Desember 2014 dari
http://triatmono.info/data-penjualan-tahun-2012/data-penjualan-motor-tahun2005/ dimana data yang diambil sebagai berikut
Data Penjualan Motor Kawasaki Tahun 2010-2014
Bulan
2010
2011
2012
2103
2014
Januari
5,9
5,3
8,6
10,6
8,2
Februari
6
7
10,7
10,9
12,2
Maret
7
7,5
12,2
9,7
10,1
April
5,8
7,4
9,7
15,4
16,2
Mei
5,9
7,4
13,1
14,8
15,8
Juni
4,2
9
12,1
8,4
15,8
Juli
4,1
9,6
11,2
14,7
12,7
Agustus
3,4
9,1
9,4
9
16,7
Septembe
r
4,0
9,1
10,7
10,6
16,1
Oktober
5,4
9,8
11,7
15
14,5
Nopember
6,3
5,7
11,8
15,4
11,2
Desember
7
6
10,4
18
10,7
Ket :
Sumber : http://triatmono.info/data-penjualan-tahun-2012/data-penjualan-motortahun-2005/
b.
d.
3.3 Pembahasan
1. Mengidentifikasi model
i. Data penjualan motor kawasaki dengan data asli
Grafik trend analysis dari penjualan motor kawasaki dengan data asli
menunjukkan tidak ada pola seasonal (musiman) karena tidak ada pola yang
teratur. Untuk menentukan bahwa data tersebut sudah stasioner atau tidak, bisa
dilihat dari grafik data tersebut. Terlihat bahwa data masih belum stasioner baik
dari mean maupun variasi karena masih terdapat unsur trend. Maka perlu
dilakukan proses transformasi data dengan melakukan differencing pada data
tersebut untuk melihat data telah stasioner
.
ii. Data Penjualan Motor Kawasaki dengan melakukan differencing data
Setelah dilakakukan transformasi differencing terlihat pada Grafik
Trend Analysis diperoleh data yang sudah stasioner, ini di tunjukkan pada
diagram time series yang berwarna merah berfluktuasi secara lurus. Maka
MA(0)
MA(1)
ARIMA(0,
1,1)
ARIMA(1,1,0 ARIMA(1,
1,1)
)
ARIMA(4,1,0 ARIMA(4,
1,1)
)
Model ARIMA(4,1,1)
Final Estimates of Parameters
Type
Coef SE Coef
T P
AR 1 -1,4680 0,1413 -10,39 0,000
AR 2 -0,7921 0,2351 -3,37 0,001
AR 3 -0,6018 0,2402 -2,50 0,015
AR 4 -0,3955 0,1429 -2,77 0,008
MA 1 -0,9751 0,0770 -12,67 0,000
Constant 0,4564 0,6123 0,75 0,459
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals: SS = 303,181 (backforecasts excluded)
MS = 5,720 DF = 53
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
12 24 36 48
Chi-Square 9,4 17,0 24,4 27,4
DF
6 18 30 42
P-Value 0,154 0,526 0,754 0,960
Pvalue> (5 )
atau
Pvalue< (5 )
atau 0,000<0,05 .
o Nilai koefisien AR(2) sebesar -0,7921, nilai statistik T-nya
Pvalue< (5 )
atau
0,001<0,05 .
o Nilai koefisien AR(3) sebesar -0,6018, nilai statistik T-nya
Pvalue< 5%)
atau 0,015<0,05 .
o Nilai koefisien AR(4) sebesar -0,3955 , nilai statistik T-nya
signifikan dengan nilai probabilitas
0,008<0,05 .
Pvalue< (5%)
atau 0,000<0,05 .
Model ARIMA(4,1,1)
yt 0,4564 1,468 yt 1 0,7921 yt 2 0,6016 yt 3 0,3955 yt 4 0,9751e
Model ARIMA(1,1,1)
Final Estimates of Parameters
Type
AR 1
MA 1
Constant
Coef SE Coef T P
0,0898 0,1529 0,59 0,559
0,9625 0,1107 8,69 0,000
0,12919 0,03164 4,08 0,000
Pvalue< (5 )
Pvalue> (5 )
atau
Pvalue< (5%)
Model ARIMA(1,1,1)
yt 0,12919 0,0898 yt 1 0,9625e
Model ARIMA(0,1,1)
Final Estimates of Parameters
Type
Coef SE Coef T P
MA 1 0,9611 0,1000 9,61 0,000
Constant 0,14406 0,03048 4,73 0,000
Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59
Residuals: SS = 258,513 (backforecasts excluded)
MS = 4,535 DF = 57
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
12 24 36 48
Chi-Square 10,6 16,6 28,0 32,3
DF
10 22 34 46
P-Value 0,390 0,787 0,755 0,938
atau 0,000<0.05 .
o Nilai koefisien MA (1) sebesar
Pvalue< (5 )
Pvalue< (5%)
atau 0,000<0,05 .
Model ARIMA(0,1,1)
yt 0,14406 0,9611e
(5 ) .
Dan nilai MS dari ARIMA(0,1,1) lebih kecil daripada ARIMA yang lain maka
dari itu ARIMA(0,1,1) dapat digunakan.
iv.
Model ARIMA(1,1,0)
Pvalue> (5 )
atau
Pvalue< (5 )
atau 0,001<0,05 .
Model ARIMA(1,1,0)
y t 0,1198 0,4226 y t 1
Berdasarkan analisis di atas diketahui bahwa koefisien parameter ARIMA
(1,1,1) tidak dapat digunakan karena tidak memenuhi tingkat signifikan nilai T
karena terdapa Pvalue yang lebih dari (5 ) pada koefisien constant(C).
v.
Model ARIMA(4,1,0)
Coef SE Coef
AR 1 -0,6039
AR 2 -0,3606
AR 3 -0,4695
AR 4 -0,3526
Constant 0,3480
Pvalue> (5 )
atau
Pvalue< (5 )
atau 0,000<0,05 .
o Nilai koefisien AR(2) sebesar -0,3606, nilai statistik T-nya
Pvalue< (5 )
atau
0,017<0,05 .
o Nilai koefisien AR(3) sebesar -0,4695, nilai statistik T-nya
Pvalue< 5%)
atau 0,003<0,05 .
o Nilai koefisien AR(4) sebesar -0,3526 , nilai statistik T-nya
signifikan dengan nilai probabilitas
0,011<0,05 .
Model ARIMA(4,1,0)
yt 0,3480 0,6039 yt 1 0,3606 yt 2 0,4695 yt 3 0,3526 yt 4
ARIMA(0,1,1) memiliki
MS
BIC=0,9055 .
2. Model ARIMA(1,1,1)
Dimana; n=60 k=4+1 MSE=4,580
n+k
AIC=log MSE +
nk2
60+2
AIC=log 4,580+
6022
AIC=1,768
k log n
n
BIC=log
2 log 60
4,580+
60
BIC=log
MSE+
BIC=0,720
Jadi untuk model ARIMA (1,1,1) diperoleh
BIC=0,720
AIC=1,768
dan
3. Model ARIMA(0,1,1)
Dimana; n=60 k=0+1 MSE=4,535
n+k
AIC=log MSE +
nk2
60+1
AIC=log 4,535+
6012
AIC=1,74429
k log n
n
BIC=log
1 log60
4,535+
60
BIC=log
MSE+
BIC=0,68621
Jadi untuk model ARIMA (0,1,1) diperoleh
AIC=1,74429
dan
AIC=1,8787
dan
BIC=0,68621
4. Model ARIMA(1,1,0)
Dimana; n=60 k=1+0 MSE=6,435
n+k
AIC=log MSE +
nk2
60+1
AIC=log 6,435+
6012
AIC=1,8787
k log n
n
BIC=log
MSE+
1 log60
60
BIC=log
6,435+
BIC=0,838
5. Model ARIMA(4,1,0)
Dimana; n=60 k=4+0 MSE=5,547
n+k
AIC=log MSE +
nk2
60+4
AIC=log5,547 +
6042
AIC=1,929
k log n
n
BIC=log
4 log 60
5,547+
60
BIC=log
BIC=0,8626
Jadi untuk model ARIMA (4,1,0) diperoleh
MSE+
AIC=1,929
dan
BIC=0,8626
Dari perolehan AIC dan BIC untuk setiap model dari ARIMA, AIC
dan BIC terkecil merupakan model terbaik untuk ARIMA (p,d,q) dalam
hal ini adalah ARIMA (0,1,1) yang memiliki
AIC=1,74429 , dan
adalah model terbaik.
MSE=4,535 ,