Anda di halaman 1dari 11

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri

Pemodelan dan Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri di Bawah Mandor (Supervisor) di Indonesia
Wiggo Windi Riswandy (H34090010), Khonsa Tsabita (H34090021) Departemen Agribisnis, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor, Jawa Barat, Indonesia INTISARI Pada jurnal ini penulis melakukan peramalan rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia dari akhir tahun 1996 sampai bulan Juni 2011 untuk beberapa beriode mendatang. Peramalan yang dilakukan menggunakan metode ARIMA, yaitu metode peramalan yang mengandung unsur autoregressive dan moving average. Syarat agar dapat melakukan peramalan dengan metode ini adalah data harus stasioner dan tidak ada unsur musiman atau nonseasonal. Dengan menggunakan metode peramalan ARIMA, dapat memproyeksikan rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) dengan tingkat error yang kecil. Kata Kunci: stasioner, autoregressive, moving average. Desember 2011 PENDAHULUAN Latar Belakang_________________________________ Dalam istilah ekonomi, industri mempunyai dua pengertian, yaitu pengertian secara luas dan pengertian secara sempit. Dalam pengertian secara luas, industri mencakup semua usaha dan kegiatan bidang ekonomi yang bersifat produktif. Sedangkan pengertian secara sempit, industri adalah suatu kegiatan yang mengubah suatu barang dasar secara mekanis, kimia atau dengan tangan sehingga menjadi barang setengah jadi. Menurut Undang-Undang No.5 tahun 1984, industri adalah kegiatan ekonomi yang mengolah bahan mentah, bahan baku, bahan setengah jadi atau barang jadi dengan nilai yang lebih tinggi untuk penggunaannya termasuk rancang bangunan dengan rekayasa industri. Dalam kegiatan industri, aktivitasnya sangat ditentukan oleh tenaga kerja atau buruh. Buruh industri dalam melakukan kegiatan produktifnya sangat ditentukan oleh tingkat upah yang diberikan. Sehingga dengan pemberian upah pada buruh diharapkan dapat meningkatkan produktivitas buruh-buruh tersebut dalam menghasilkan barang atau jasa yang bermanfaat bagi masyarakat di Indonesia. Tingkat upah akan mempengaruhi tinggi rendahnya biaya produksi perusahaan. Kenaikan tingkat upah akan mengakibatkan kenaikan biaya produksi yang selanjutnya akan meningkatkan harga per unit produk yang dihasilkan. Apabila harga per unit produk yang dijual ke konsumen naik, reaksi yang biasanya timbul adalah mengurangi pembelian atau bahkan tidak lagi membeli produk tersebut. Kondisi ini memaksa produsen untuk mengurangi jumlah produk yang dihasilkan, yang selanjutnya juga dapat mengurangi akibat perubahan skala produksi disebut efek skala produksi (scale effect). Suatu kenaikan upah dengan asumsi harga barangbarang modal yang lain tetap, maka pengusaha mempunyai kecenderungan untuk menggantikan tenaga kerja dengan mesin. Penurunan jumlah tenaga kerja akibat adanya penggantian dengan mesin disebut efek substitusi (substitution effect). Oleh karena itu, dengan menyusun jurnal ini diharapkan dapat membantu berbagai pihak yang berkepentingan untuk mengetahui proyeksi rata-rata upah nominal per bulan buruh industry di bawah mandor (supervisor) di masa yang akan datang. Tujuan________________________________________ 1. Mengetahui alur peramalan dengan metode Box Jenkins. 2. Meramalkan Rata-rata Upah per Bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia beberapa periode ke depan. Manfaat Penulisan______________________________ Penelitian tentang rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia dari akhir tahun 1996 sampai bulan Juni 2011 ini diharapkan dapat bermanfaat bagi berbagai pihak yang ingin mengetahui lebih mendalam tentang proyeksi ratarata upah nominal per bulan buruh industri di bawah mandor (supervisor) di masa yang akan datang. Selain itu penelitian ini dapat dijadikan bahan pertimbangan pengambilan keputusan penentuan upah nominal buruh industry di bawah mandor di Indonesia. TINJAUAN TEORI Peramalan Peramalan merupakan suatu kegiatan yang bertujuan untuk memprediksi kejadian yang akan terjadi di masa yang akan datang. Peramalan dibutuhkan ketika tidak ada kepastian yang terdapat dalam lingkungan bisnis atau ekonomi yang diperlukan dalam perencanaan. Peramlan bukanlah hasil akhir, melainkan sebagai masukan dalam proses pengambilan keputusan. Alasan utama dilakukan peramalan adalah adanya selang waktu (time lag) antara kebutuhan mendatang dengan peristiwa yang terjadi sekarang. Peramalan yang dilakukan untuk menduga peristiwa yang terjadi di masa yang akan datang ini didasari oleh intuisi atau kecermatan peramal yang sering bersifat subjektif. Untuk itulah, perlu adanya metode peramalan yang cukup akurat yang mampu dikuantitatifkan berdasarkan keadaan historis dan menggambarkan kecenderungan pergerakan pola data dari data historis yang ada dengan mengasumsikan faktor-faktor eksternal lainnya konstan. Identifikasi Pola Data Peramalan dilakukan dengan menganalisis data historis yang kita peroleh. Data historis atau deret waktu adalah data yang dikumpulkan dan diamati atas rentang waktu tertentu (Firdaus, 2006). Untuk dapat menentukan metode peramalan yang dapat digunakan dari suatu deret

Page 1

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri


data historis, terlebih dahulu kita perlu mengetahui komponen atau perilaku data sepanjang periode yang diamati. Komponen data historis dapat dibedakan menjadi empat pola: 1. Pola Trend Trend merupakan komponen data historis yang menunjukkan kenaikan atau penurunan sekuler jangka panjang dalam data. Ada tidaknya unsur trend dalam suatu data dapat dilihat dengan memplotkan data tersebut dalam grafik dan melalui analisis autocorrelation (Hanke, 1996). 2. Pola Musiman (Seasonal) Pola ini terjadi apabila suatu data historis dipengaruhi oleh faktor musiman. Data yang mengandung musiman cenderung akan berulang sepanjang waktu pengamatan yang sama, dan biasanya unsur musiman ini disebabkan oleh beberapa faktor, diantaranya yaitu hari raya, cuaca, dan sebagainya. 3. Pola Siklus (Cycle) Terdapatnya unsur siklus dalam satu deret data historis terjadi karena data dipengaruhi oelh fluktuasi ekonomi jangka panjang yang terjadi pada siklus bisnis. Data ini akan membentuk gelombang di sepanjang trend atau disebut juga musiman jangka panjang yang berulang biasanya lima sampai sepuluh tahun (Firdaus, 2006). 4. Pola Acak (Random) Pola acak adalah pola data yang tidak mengandung ketiga pola data yang telah disebutkan di atas. Pola data ini adalah pola horizontal yang terjadi di sekitar nilai rataan data yang konstan atau disebut pola data stasioner. Metode Peramalan Time Series ARIMA (Box-Jenkins) Metode ARIMA merupakan metode peramalan yang menyajikan suatu set kriteria kelayakan model yang lengkap dan jelas. Metode ini memberikan kajian yang teliti, tidak dapat diterapkan dengan baik apabila tidak dapat dimengerti dengan baik. Hal yang menarik pada metode ini dengan nilai p, d, q dan P, D, Q yang kecil, kita dapat menangani bermacam himpunan data (Markidakis, et all, 1999). Output yang ditampilkan dan enam kriteria kelayakan dari metode ini dapat menerangkan signifikansi parameter, kesederhanaan model, ada atau tidaknya autokorelasi, dan ketetapan model dengan keadaan yang sebenarnya. Menurut Henke, et all, (2003), kelebihan dan kelemahan metode ARIMA adalah sebagai berikut: Tabel 1. Kelebihan dan Kelemahan Metode ARIMA Kelebihan Kelemahan 1. Baik untuk peramalan 1. Diperlukan data dalam jangka pendek jumlah yang banyak 2. Fleksibel dan dapat Tidak ada cara 2 mewakili rentang memperbaharui model . yang lebar dari apabila terjadi karakter deret waktu penambahan data (time series) yang terjadi dalam jangka pendek 3. Terdapat prosedur 3. Pembentukan model yang formal dalam yang baik seringkali pengujian kesesuaian membutuhkan waktu dan model sumberdaya yang lain 4. Interval ramalan dan prediksi sudah mengikuti modelnya. yang besar 4. Tidak dapat mengetahui pengaruh variabelvariabel lain terhadap variabel dependent yang diamati di masa yang akan datang selain berdasarkan informasi variabel dependent dari lag sebelumnya

Model ARIMA (Autoregressive Integrated Moving Average) meruapakan gabungan dari auto-regresi dengan rata-rata bergerak yang dapat mewakili deret data yang stasioner maupun non-stasioner. Metode ARIMA tidak mengikuti variabel bebas dalam pembentukan modelnya. Metode ini mengandalkan perilaku masa lalu dari variabel yang diramal dengan menganggap bahwa data antara deret waktu saling berkaitan dan mempengaruhi ramalan di masa depan (Henke, et all, 2003). Model yang terbentuk dari autoregressive (AR) dan moving average (MA) ini ditulis dalam bentuk ordo menjadi ARIMA (p,d,q) dimana p adalah ordo yang mewakili AR, d adalah ordo yang mewakili differencing pada model tersebut, dan q adalah ordo yang mewakili MA. Bila dalam suatu deret data terdapat komponen musiman maka untuk membentuk model dibutuhkan perbedaan musiman beserta ordo musimannya. L Modelnya menjadi ARIMA (p, d, q) (P, D, Q) dimana P adalah ordo AR musiman (SAR), D adalah perbedaan secara musiman, dan Q adalah ordo MA musiman (SMA). Menurut Firdaus (2006), tahapan peramalan dengan menggunakan metode ini adalah: 1. Identifikasi pola data. Tahap ini dilakukan untuk mengetahui pola data, apakah stasioner atau ada pola trend dalam data. Selain itu mengetahui pola Autocorelation function dan Partial Autocorelation function. 2. Estimasi. Tahap ini dilakukan untuk nilai-nilai dari parameter atau koefisien dari model tentatif. Estimasi ini dilakukan dengan software Minitab 13.20. Estimasi ini dilakukan untuk melihat signifikansi dari suatu parameter. Selain itu, tahap ini dilakukan untuk menghitung nilai MSE dan MAPE dari suatu model. 3. Evaluasi model. Model-model tentatif yang dihasilkan kemudian dievaluasi dengan enam kriteria kelayakan untuk memilih model yang paling baik, sebagai model yang digunakan untuk meramalkan kondisi di masa depan. Enam kriteria kelayakan yang dilakukan antara lain: a) Pengecekan residual, b) Kesederhanaan model, c) Signifikansi model, d) Kondisi invertibilitas model dan stasioneritas, e) Iterasi konvergen, dan f) MSE terkecil. Apabila semua kriteria kelayakan itu terpenuhi maka pengolahan data dilanjutkan ke tahap selanjutnya. 4. Peramalan. Model yang diperoleh tersebut kemudian dapat dijadikan acuan dalam melakukan peramalan rata-rata upah nominal per bulan di bawah mandor (supervisor) Indonesia.

Page 2

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri


PEMBAHASAN Alur Box-Jenkins_______________________________ Metode peramalan yang digunakan adalah metode Box-Jenkins (ARIMA). Menurut Hanke (1996), metode ini dapat digunakan pada data yang bersifat stasioner, nonstasioner (mengandung unsur trend) dan data yang mengandung komponen musiman. Metode Box-Jenkins adalah metode terbaik yang memiliki MAPE ( Mean Absolute Percentage Error) terkecil, artinya ini memiliki persentase penyimpangan hasil ramalan terkecil dari metode peramalan lainnya. Metode yang digunakan dalam meramalkan ratarata upah nominal per bulan di bawah mandor (supervisor) Indonesia adalah model peramalan ARIMA. Melalui metode ini, dihasilkan model-model tentatif yang akan diuji kelayakannya dengan prosedur formal untuk mencari model terbaik dalam meramalkan rata-rata upah nominal per bulan di bawah mandor (supervisor) Indonesia beberapa periode ke depan. Langkah-langkah yang dilakukan dalam pengolahan data ini adalah sebagai berikut: 1. Identifikasi Model Tentatif Langkah pertama dalam mengidentifikasi model yaitu dengan menentukan apakah deretnya stasioner atau tidak. Hal ini dapat dilihat dari plot deret. Setelah deret stasioner didapat, kita harus dapat mengidentifikasi bentuk dari model yang akan digunakan. Tahapan ini diselesaikan melalui pembandingan antara ACF dan PACF dari berbagai model ARIMA. Tabel 2. Beberapa Kemungkinan Model Berdasarkan Pola ACF dan PACF Model Pola ACF Pola PACF Dies down AR (p) Cut-off setelah selang p (p=1 atau p=2) Cut-off setelah Dies down MA (q) selang p (p=1 atau p=2) Dies down ARIMA (p, q) Dies down Estimasi Parameter pada model ARIMA diestimasi melalui minimisasi jumlah kuadrat error. Estimasi kuadrat terkecil harus didapat dengan menggunakan prosedur non-linier kuadrat terkecil. Setelah estimasi kuadrat dan galat bakunya ditentukan, t dapat dihitung dan diterjemahkan seperti biasanya. Parameter yang dinilai signifikan dipertahankan di dalam model, parameter yang tidak signifikan dikeluarkan dari model. Evaluasi Model a) Proses iterasi harus konvergen. Pada proses ini dapat dilihat pada output software MINITAB dan menunjukkan Relative change in each estimate less than 0.0010. b) Parameter yang diestimasi harus sudah signifikan atau sudah berbeda dengan nol. c) Kondisi inversibilitas dan stasioneritas model terpenuhi. Kondisi ini harus memenuhi syarat Invertibility [MA<1] dan Stationarity [AR<1]. d) Parsimonitas model. Apabila modelnya sama, model sederhana lebih disukai dibandingkan model yang kompleks. Hal ini disebut prinsip hemat (parsimony). Dengan jumlah data terbatas, relatif lebih mudah mencari suatu model dengan parameter banyak yang secara baik cocok dengan data. e) Residual (error) peramalan bersifat acak. Secara mendasar, model sudah memadai apabila residualnya tidak dapat dipergunakan untuk memperbaiki ramalan. Auto-korelasi residual yang signifikan pada selang rendah atau selang musiman menunjukkan model yang tidak memadai dan harus dipilih model modifikasi. f) MSE terkecil. Model yang dipilih adalah model yang menghasilkan Mean Square Error dengan nilai yang paling kecil. Peramalan Model yang telah didapat kemudian dijadikan sebagai acuan untuk meramalkan rata-rata upah nominal per bulan di bawah mandor (supervisor) Indonesia. Data yang diperoleh untuk penelitian ini dimulai dari 1996-2011, sehingga sudah memenuhi kriteria yang dibutuhkan. Rumus yang didapat untuk peramalan rata-rata upah nominal per bulan buruh industridi bawah mandor (supervisor) Indonesia yaitu:

4.

2.

Hasil Yang Diperoleh____________________________ Pada kasus pemodelan rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia dari akhir tahun 1996 sampai bulan Juni 2011, mengacu pada himpunan prosedur untuk mengidentifikasi, mencocokan dan memeriksa model ARIMA dengan data historis. Metode ini menggunakan pendekatan iterative, dengan memilih dari sekelompok model umum yang sesuai untuk pola data historis, sedemikian sehingga model akhir adalah model yang paling akurat untuk data historis tersebut. Adapun proses pemodelan mengikuti tahapan sebagai berikut. a. Identifikasi Model Nonseasional ARIMA Tentarif Model tentatif ditentukan berdasarkan data yang berpola stasioner. Berdasarkan plot historis rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia dari akhir tahun 1996 sampai bulan Juni 2011, tampak bahwa polanya tidak stasioner. Plot data dapat dilihat pada Gambar 1 di bawah ini.

3.

Page 3

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri


Gambar 1. Time series Plot Rata-Rata Upah Nominal Per Bulan Buruh Industri di Bawah Mandor (Supervisor) di Indonesia kemudian dilakukan diagnostic checking. Model-model yang akan diajukan tersebut adalah sebagai berikut: a) ARIMA (1,1,1) b) ARIMA (1,1,0) c) ARIMA (0,1,1) c. Evaluasi Model (Diagnostic Checking/ Model Checking) Berdasarkan estimasi beberapa model tentative yang diajukan, akan dilakukan proses evaluasi model dugaan (Diagnostic checking) dengan menggunakan enam indikator sehingga diinginkan model yang memiliki kondisi: 1. Error bersifat acak/random 2. Proses iterasi konvergen 3. Model sederhana (Prinsip parsimonious) 4. Parameter model signifikan 5. Invertibility [MA<1] Stationarity [AR<1] 6. Mean Square Error (MSE) kecil Berikut adalah diagnostic checking yang dilakukan terhadap model ARIMA (1,1,1), ARIMA (1,1,0) dan ARIMA (0,1,1). Tabel 3. Diagnostic Checking Model Kondisi Error bersifat acak Uji LJung-Box P-Value > 0.05 Proses iterasi konvergen Model sederhana (prinsip parsimonious) Parameter model signifikan P-Value < 0.05 Invertibility [MA<1] Stationarity [AR<1] MSE ARIMA (1,1,1) ARIMA (1,1,0) ARIMA (0,1,1)

Karena datanya belum stasioner, maka perlu dilakukan proses differencing untuk membuat datanya stasioner. Proses differencing dapat dilakukan dengan menggunakan software Minitab. Setelah dilakukan proses differencing tampak bahwa polanya sudah stasioner. Plot data setelah First Differencing dapat dilihat pada Gambar 2. Gambar 2. Time Series Plot First Differencing Rata-Rata Upah Nominal Per Bulan Buruh Industri di Bawah Mandor (Supervisor) di Indonesia

(P-Value AR=0.452) 1035.4

(P-Value MA=0.115) 1021.5

(P-Value AR = 0.655 P-Value MA=0.417) 1027.4

Selanjutnya dari data tersebut dihitung autokorelasi dan autokorelasi parsial dan hasilnya disajikan dalam bentuk ACF dan PACF. ACF dan PACF dapat dipesan memalui software Minitab. Pembacaan ACF dan PACF dapat dilihat pada lampiran Gambar 3 dan Gambar 4. Dari Gambar 3 dan Gambar 4 tampak bahwa ACF dan PACF sama-sama berpola Dies Down Sinusoidally. Bila pola ACF dan PACF kasus ini dibandingkan dengan pola ACF dan PACF teoritis, maka model nonseasonal ARIMA tentative yang sesuai untuk kasus tersebut adalah ARIMA (0,1,0). b. Estimasi Model Untuk mengestimasi model ARIMA (0,1,0) berdasarkan data historis untuk kasus rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) tersebut dapat menggunakan software Minitab. Namun setelah dilakukan pembacaan dengan software Minitab, Minitab menolak model ARIMA (0,1,0) karena model ini tidak mengandung autoregressive dan moving average (Model contains no autoregressive or moving average term). Sehingga dalam mengestimasi model ini ada beberapa model yang diajukan untuk

Dari hasil diagnostic checking di atas, model yang dipilih adalah ARIMA (0,1,1) karena berdasarkan Metode Nonlinear Least Square & Metode Maximum Likelihood (Metode kemungkinan maksimum) dari kelima indikator yang diuji, model ARIMA (0,1,1) memenuhi persyaratan paling banyak yaitu empat indikator dibanding model lainnya. Keempat indikator yang dapat terpenuhi oleh model tersebut adalah error bersifat acak, proses iterasi konvergen, model sederhana, serta invertibility-nya memenuhi. Selain itu, berdasarkan algoritmanya, dari model yang dipilih didapat mean square error terkecil dengan nilai 1021.5.

Page 4

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri


d. Peramalan Rumus umum untuk menentukan model ARIMA adalah ( ) ( ) Dari model yang terpilih, dimana p=0; d=1; q=1; Maka dapat langsung disubstitusikan ke dalam rumus umum untuk menentukan model ARIMA. Sehingga ( ) ( ) ( )

Artinya batas bawah untuk proyeksi peramalan ratarata upah nominal per bulan Buruh Industri di Bawah Mandor (Supervisor) adalah dan batas atasnya adalah . Dengan demikian, rata-rata upah nominal per bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia pada tahun 2011 triwulan III diperkirakan sejumlah . KESIMPULAN

Model tersebut masih dalam bentuk Backshift Lag Operator. Maka harus ditransformasikan ke dalam model standar, yaitu ; . Sehingga

Untuk meramalkan perkiraan rata-rata upah per bulan Buruh Industri pada tahun 2011 triwulan III dapat dihitung dengan menggunakan persamaan diatas. Hasil perhitungannya adalah sebagai berikut: Diketahui bahwa triwulan III = Periode 60 (t=60) Dengan

Metode peramalan yang paling cocok digunakan dalam meramalkan proyeksi rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia pada beberapa periode ke depan adalah model ARIMA (0,1,1). Hal ini karena dari tiga model lain yang diajukan, model inilah yang paling banyak memenuhi syarat indikator model yang diinginkan seperti error yang bersifat acak, proses iterasi konvergen, model sederhana, serta invertibility-nya memenuhi. Selain itu, berdasarkan algoritmanya, dari model yang dipilih didapat mean square error terkecil dengan nilai 1021.5. Hasil proyeksi berdasarkan model terpilih, yaitu , dapat meramalkan rata-rata upah nominal per bulan buruh industri pada tahun 2011 triwulan III (bulan September) yaitu diperkirakan sejumlah .

Maka, *( ) ( )+

DAFTAR PUSTAKA BPS.2011. IHK dan Rata-rata Upah per Bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia, 1996 Juni 2011 (IHK 1996=100) [http://www.bps.go.id/tab_sub/view.php?tabel=1&d aftar=1&id_subyek=19&notab=4] [Diakses tanggal 2 Desember 2011] Hanke, J.E. , D.W. Winchern & A.G. Reitsch. 2003. Peramalan Bisnis, edisi ke-7. Alihbahasa Devy Anantanur. Prenhallindo: Jakarta. Harmini. 2010. Modul 4, Metodologi Box-Jenkins. Bogor.

Hasilnya sesuai dengan yang diperlihatkan output Minitab, namun ada sedikit perbedaan karena pembulatan koma. Untuk deret stasioner, 95% limit diprediksi diperkirakan dimana adalah ramalan dan s adalah akar Mean Square Eror. Sehingga perkiraan 95% limit prediksi untuk periode 60 adalah

LAMPIRAN Tabel 4. Rata-rata Upah Nominal per Bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia periode 1996 - Juni 2011 (IHK 1996=100) Tahun 1996 Maret 1997 Juni September Desember 1998 Maret Triwulan (Bulan) t 1 2 3 4 5 6 Upah Nominal (000) 184.8 201.0 215.1 221.1 224.6 227.1 RESI1* -2.3 -4.0 -11.7 -12.5 -13.3 FITS1* 203.3 219.1 232.8 237.1 240.4

Page 5

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri


Juni September Desember Maret 1999 Juni September Desember Maret 2000 Juni September Desember Maret 2001 Juni September Desember Maret 2002 Juni September Desember Maret 2003 Juni September Desember Maret 2004 Juni September Desember Maret 2005 Juni September Desember Maret 2006 Juni September Desember Maret 2007 Juni September Desember Maret 2008 Juni September Desember 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 242.6 269.1 275.1 290.6 323.1 313.3 322.7 333.0 384.0 412.3 427.3 473.1 535.3 556.3 548.1 633.9 666.4 653.6 671.2 691.5 722.3 725.2 749.0 819.1 853.2 840.7 855.5 876.6 911.6 937.6 930.7 982.4 990.9 954.2 957.4 1006.2 1003.7 1015.7 1050.4 1093.4 1091.0 1098.1 1103.4 -0.1 7.9 -14.4 0.1 13.9 -31.5 -2.2 -7.8 34.2 2.1 -4.1 28.1 37.4 -5.9 -25.5 72.9 -2.3 -30.9 5.9 0.4 12.1 -18.4 9.3 49.4 4.5 -32.1 3.4 1.8 16.0 3.8 -26.3 39.0 -18.8 -51.1 -4.0 31.1 -28.0 -0.3 16.2 20.8 -25.6 -5.8 -12.0 242.7 261.2 289.5 290.5 309.2 344.8 324.9 340.8 349.9 410.2 431.4 445.0 498.0 562.2 573.6 561.0 668.7 684.5 665.3 691.1 710.2 743.6 739.7 769.7 848.7 872.8 852.1 874.8 895.6 933.8 957.0 943.4 1009.7 1005.3 961.4 975.1 1031.7 1016.1 1034.2 1072.6 1116.6 1103.9 1115.4

Page 6

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri


Maret 2009 Juni September Desember Maret 2010 Juni September Desember 2011 Maret*) Juni **) 50 51 52 53 54 55 56 57 58 59 1134.7 1148.6 1160.1 1172.8 1182.4 1222.2 1386.4 1386.7 1359.2 1282.6 15.4 -8.1 -5.3 -4.7 -7.9 23.0 140.5 -49.6 -35.0 -87.4 1119.3 1156.7 1165.4 1177.5 1190.3 1199.2 1245.9 1436.3 1394.3 1370.0

Keterangan *) Diperoleh dari Output software Minitab Sumber: Badan Pusat Statistik Republik Indonesia (Statistics Indonesia) Output Software MINITAB Model ARIMA (1,1,1) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 58577.2 0.100 0.100 17.125 1 58226.5 0.135 0.066 16.272 2 57872.9 -0.014 -0.084 19.110 3 57577.5 -0.162 -0.234 21.915 4 57334.9 -0.307 -0.384 24.652 5 57081.7 -0.440 -0.534 27.130 6 56810.9 -0.290 -0.418 24.244 7 56667.2 -0.414 -0.568 26.538 8 56566.3 -0.264 -0.437 23.690 9 56506.8 -0.278 -0.477 23.885 10 56506.5 -0.282 -0.481 23.934 11 56506.5 -0.283 -0.482 23.950 12 56506.5 -0.284 -0.483 23.971 13 56506.5 -0.283 -0.483 23.964 14 56506.5 -0.283 -0.483 23.964 Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type Coef SE Coef AR 1 -0.2832 0.6295 MA 1 -0.4826 0.5900 Constant 23.964 6.245 T -0.45 -0.82 3.84 P 0.655 0.417 0.000

Differencing: 1 regular difference Number of observations: Original series 59, after differencing 58 Residuals: SS = 56506.3 (backforecasts excluded) MS = 1027.4 DF = 55 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 10.3 19.3 30.5 38.6 DF 9 21 33 45 P-Value 0.330 0.567 0.592 0.738 ==============================================================================================

Page 7

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri


Model ARIMA (1,1,0) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 57991.9 0.100 17.125 1 57983.3 0.109 16.692 2 57983.3 0.110 16.667 3 57983.3 0.110 16.666 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0.1097 0.1449 Constant 16.666 4.234 T 0.76 3.94

0.0010 P 0.452 0.000

Differencing: 1 regular difference Number of observations: Original series 59, after differencing 58 Residuals: SS = 57983.2 (backforecasts excluded) MS = 1035.4 DF = 56 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 13.6 22.5 35.2 43.2 DF 10 22 34 46 P-Value 0.193 0.431 0.410 0.592 ============================================================================================== Model ARIMA (0,1,1) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 59792.7 0.100 19.028 1 58310.4 -0.026 18.864 2 57526.3 -0.122 18.727 3 57267.4 -0.179 18.648 4 57212.7 -0.206 18.610 5 57204.1 -0.217 18.594 6 57203.0 -0.221 18.588 7 57202.8 -0.222 18.586 8 57202.8 -0.222 18.585 9 57202.8 -0.223 18.585 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef MA 1 -0.2226 0.1391 Constant 18.585 5.134 T -1.60 3.62

0.0010 P 0.115 0.001

Differencing: 1 regular difference Number of observations: Original series 59, after differencing 58 Residuals: SS = 57202.6 (backforecasts excluded) MS = 1021.5 DF = 56 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48

Page 8

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri


Chi-Square DF P-Value 11.6 10 0.313 21.1 22 0.512 33.4 34 0.495 41.2 46 0.672

============================================================================================== Forecasts from period 59** 95 Percent Limits Period Forecast Lower Upper Actual 60 1281.73 1219.07 1344.39 61 1300.31 1201.35 1399.28

Keterangan: **)Peramalan dengan metode ARIMA (0,1,1) Gambar 1. Time Series Plot

Gambar 2. Time Series Plot First Differencing

Page 9

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri

Gambar 3. Autocorrelation Function (ACF)

Gambar 4. Partial Autocorrelation Function (PACF)

Page 10

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri

Page 11