PEMBAHASAN A.

Diagnosis Model Sementara

1. Plot Data Data diperoleh dari BPS Kota Malang data inflasi Kota Malang Mulai November 2005 Januari 2012 sebagai berikut.
No 1 2 3 4 5 6 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 Inflasi 1.06 0.06 1.33 1.00 -0.17 0.76 0.36 0.14 0.44 0.07 0.09 0.55 -0.04 1.24 0.77 0.35 0.17 0.08 0.18 -0.13 0.48 0.59 1.03 0.86 0.72 0.68 2.17 0.40 1.44 1.54 0.33 2.77 1.54 0.45 0.91 0.56 -0.11 -0.07 Bulan November December January February March April May June July August September October November December January February March April May June July August September October November December January February March April May June July August September October November December Tahun 2005 2005 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 No 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 Inflasi 0.28 0.39 0.61 -0.21 0.04 0.32 0.31 0.67 0.62 0.21 -0.15 0.48 0.79 0.37 -0.17 0.14 0.35 0.74 1.71 0.79 0.05 0.19 0.68 0.88 0.67 0.14 -0.09 -0.42 0.10 0.56 0.73 0.94 0.22 0.12 0.34 0.67 0.27 Bulan January February March April May June July August September October November December January February March April May June July August September October November December January February March April May June July August September October November December January Tahun 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2012

Dari data di atas akan dibuat plot data untuk mengetahui pola data inflasi kota malang , dengan bantuan minitab diperoleh gambar plot sebagai berikut:

Time Series Plot of Inflasi Kota Malang

3.0 2.5

Inflasi Kota Malang

2.0 1.5 1.0 0.5 0.0 -0.5 1 7 14 21 28 35 42 Index 49 56 63 70

Dari gambar diatas terlihat bahwa data tidak ada data pencilan/outlier dan juga sata sudah cenderung mempunyai trend mendatar .Untuk selanjutnya akan diuji stasioneritas data baik dalam varians maupun rata-rata. 2. Stasioneritas dalam Varians Untuk mengetahui stasioneritas data dalam varians kita akan melihat box-cox plot untuk mengetahui nilai estimasi lambda yang diperoleh, jika lambda mendekati 1 maka data telah stasioner, namun jika belum maka perlu di transformasi terlebih dahulu. Namun karena data ada yang bernilai negative maka data perlu ditranslasi dengan menambahkan nilai 0.5 untuk masingmasing data, Dengan Bantuan Minitab diperoleh :
Box-Cox Plot of inflasi+0.5
6 5 4
StDev
Lower CL Upper CL Lambda (using 95.0% confidence) Estimate Lower CL Upper CL Rounded Value 0.36 0.01 0.70 0.50

3 2 1 Limit 0 -2 -1 0 1 2 Lambda 3 4 5

Dari gambar diatas nilai estimasi lambda 0.36 ,maka dapat disimpulkan data belum stasioner dalam varians maka perlu adanya transformasi . setelah dilakukan transformasi box-cox dengan lambda 0.36 maka diperoleh
Box-Cox Plot of transformasi
0.6
Lower CL Upper CL Lambda (using 95.0% confidence) Estimate 0.99 0.10 2.01 1.00

0.5

Lower CL Upper CL Rounded Value

StDev

0.4

0.3

0.2 Limit -5.0 -2.5 0.0 Lambda 2.5 5.0

Dari gambar diatas terlihat bahwa nilai estimasi lambdanya 0,99 hal ini menhindikasikan bahwa data sudah stasioner dalam varians. Selanjutnya dilakukan pengecekan stasioneritas dalam rata-rata .

3. Stasioneritas Dalam Rata-rata Untuk melihat stasioneritas dalam rata-ratakita akan menggunakan grafik trends linier dari data yang telah ditransformasi, jika trens linier mendekati sejajar dengan sumbu horizontal maka data sudah stasioner, namun jika terlihat tidak sejajar dengan sumbu horizontal maka data perlu didifferensiasi . Dengan bantuan minitab diperoleh data

Trend Analysis Plot for transformasi

Linear Trend Model Yt = 1.0164 - 0.001102*t

1.50

Variable Actual Fits Accuracy Measures MA PE 16.5855 MA D 0.1473 MSD 0.0358

1.25

transformasi

1.00

0.75

0.50 1 7 14 21 28 35 42 Index 49 56 63 70

Dari gambar diatas terlihat bahwa unsur trends linierdirasa masih belum sejajar dengan sumbu horizontal maka dari itu perlu dilakukan differensiasi data dengan lag 1 , dan kemudian dilakukan pengujian kembali unsur trend liniernya, dengan bantuan minitab didapatkan :
Trend Analysis Plot for C6
Linear Trend Model Yt = -0.0093 + 0.000150*t

0.75 0.50 0.25

Variable Actual Fits Accuracy Measures MAPE 99.4283 MAD 0.1838 MSD 0.0521

C6
0.00 -0.25 -0.50 1 7 14 21 28 35 42 Index 49 56 63 70

Dari gambar diatas terlihat bahwa unsur trend sudah mendekati sejajar dengan sumbu horizontal . maka dapat kita simpulkan data sudah stasioner dalam rata-rata

4. Pendugaan Model Untuk melakukan pendugaan model , kita menggunakan alat bantu grafik ACF dan PACF dari data yang telah stasioner baik dalam varians maupun rata-rata , dengan bantuan minitab diperoleh:

(with 5% significance limits for the autocorrelations) 1.0 0.8 0.6

Autocorrelation

Autocorrelation Function for C6

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2 4 6 8 10 Lag 12 14 16 18

(with 5% significance limits for the partial autocorrelations) 1.0 0.8

Partial Autocorrelation

Partial Autocorrelation Function for C6

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2 4 6 8 10 Lag 12 14 16 18

Dari plot acf terlihat bahwa grafik terpotong pada lag pertama namun pada lag kedua tidak menurun drastic , maka diestimasi model MA(1) atau MA(2), dari grafik PACF maka terlihat bahwa grafik terpotong pada lag 2 maka diduga AR(2) maka didapatkan model ARIMA (2,0,1), atau ARIMA(2 ,0,0) atau ARIMA(0,0,1) atau ARIMA (2,0,2), ARIMA(0,0,2) .

B. Pendugaan Parameter

Dalam pendugaan parameter dilakukan dengan bantuan program minitab didapatkan nilai sebagai berikut
No 1 Model ARIMA(2,0,2) Estimasi Parameter AR 1 -0.5372 AR 2 0.1655 MA 1 0.0296 MA 2 0.9719 AR -0.8931 AR 2 -0.4863 MA 1 -0.5071 AR 1 -0.4612 AR 2 -0.3663 MA 1 0.6832 MA 2 0.3061 MA 1 0.8314 T hitung -4.04 1.27 0.41 12.38 -4.18 -4.55 -2.15 -4.20 -3.33 8.71 3.18 12.78 P-Value 0.000 0.209 0.685 0.000 0.000 0.000 0.035 0.000 0.001 0.000 0.002 0.000 Signifikansi ya tidak tidak ya ya ya tidak ya ya ya ya ya

ARIMA (2,0,1)

3 4 5

ARIMA(2,0,0) ARIMA (0,0,2) ARIMA (0,0,1)

Pada tabel diatas terlihat bahwa model yang parameternya signifikan adalah ARIMA (2,0,0),ARIMA (0,0,2) dan ARIMA (0,0,1) , selanjutnya akan dilakukan diagnosis model dari model ARIMA (2,0,0),ARIMA (0,0,2) dan ARIMA (0,0,1) C. Diagnosis Model Diagnosis model dilakukan melakukan 2 tahap yaitu uji normalitas residual dan uji independensi residual/white noise .dalam hal ini melakukan pengujian normalitas dengan uji Kolmogorov-smirnov dan uji white noise dengan uji Ljung Box.

No 1 2 3

Model ARIMA(2,0,0) ARIMA (0,0,2) ARIMA(0,0,1)

D hitung 0,056 0,100 0,071

P-Value >0,150 0,069 .0,150

Kenormalan ya ya ya

Dari tabel diatas terlihat bahwa semua model memenuhi asumsi normalitas residual , karena semua nilai p- value lebih dari alfa yaitu 0,05 . untuk lebih meyakinkan berikut

adalah plot normalitas residual dari masing masing model

Probability Plot of RESI1
Normal
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N KS P-Value -0.004704 0.2014 74 0.056 >0.150

Percent

-0.75

-0.50

-0.25

0.00 RESI1

0.25

0.50

Gambar Tes Normalitas Model ARIMA (2,0,0)

Probability Plot of RESI3

Normal
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N KS P-Value -0.007168 0.1943 74 0.071 >0.150

Percent

-0.75

-0.50

-0.25

0.00 RESI3

0.25

0.50

Gambar Tes Normalitas Model ARIMA (0,0,2)

Probability Plot of RESI2

Normal
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N KS P-Value 0.003800 0.1842 74 0.100 0.069

Percent

-0.50

-0.25

0.00 RESI2

0.25

0.50

0.75

Gambar Tes Normalitas Model ARIMA (0,0,1)

Dari ketiga gambar semua data telah bergerah diatara garis normal.

1. UJi Independensi Residual Dengan bantuan minitab untuk masing masing model dilakukan uji inde pendensi residual didapatkan dalam tebel sebagai berikut
No 1 Model ARIMA (2,0,0) Lag(K) 12 24 36 48 2 ARIMA (0,0,2) 12 24 36 48 3 ARIMA (0,0,1) 12 24 36 Df 10 22 34 46 10 22 34 46 11 23 35 Statistic Uji Ljung-Box 32.3 51.2 62.5 72.9 15.4 27.6 39.6 48.2 20.5 36.5 48.0 (,df) 18,307 33,924 49,76 65,50 18,307 33,924 49,76 65,50 19.68 35.17 49.80 p-value 0.000 0.000 0.002 0.007 0.118 0.118 0.236 0.383 0.038 0.037 0.070

48

47

56.3

65.17

0.166

Dari tabel ditas terlihat bahwa model yang memenuhi uji independensi residual ini adalah model ARIMA (0,0,2) dengan signifikansi untuk semua lag adalah lebih dari dan juga nilai Statistic Uji

maka dapat disimpulkan model yang memenuhi uji independensi residual atau White Noise adalah ARIMA (0,0,2) D. Pemilihan Model terbaik Dalam memilih model terbaik akan dibandingkan nilai ukuran kesalahan model dalam hal ini penulis membandingkan nilai SS(sum square) dan MSE (mean Square Error) . Namun kenyataannya model yang memenuhi hanya ARIMA (0,0,2) dengan nilai kesalahan E. Peramalan Setelah diperoleh model terbaik untuk data yang telah di stasionerkan melakui transformasi dan differensiasi adalah model ARIMA (0,0,2) dengan nilai parameter maka dapat diperoleh model sebagai berikut: dan

Setelah dilakukan peramalan untuk 5 periode kedepan diperoleh :

Periode 76 77 78 79 80 Peramalan 0.027856 0.025409 0.000000 0.000000 0.000000 Lower -0.335793 -0.415003 -0.454264 -0.454264 -0.454264 Upper 0.391505 0.465821 0.454264 0.454264 0.454264

Hasil peramalan diatas merupakan nilai yang telah ditransformasi dengan lambda 0,36 selanjutnya untuk mendapatkan nilai yang sesungguhnya maka dikembalikan maka diperoleh nilai
Periode 76 77 78 79 80 Peramalan 0.027856 0.025409 0.000000 0.000000 0.000000 Nilai asli 0.0000475 0.0000368 0.0000000 0.0000000 0.0000000