Anda di halaman 1dari 6

TOTAL BARANG DALAM NEGERI YANG DIBONGKAR DI 5 PELABUHAN

UTAMA
(TANJUNG PERAK)

Makalah ini disusun untuk memenuhi tugas mata kuliah time series
ASDOS : Fani Puspitasari

Di Susun Oleh:
BINTANG PUTRA PRATAMA
1111094000037

PRODI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2014

Berikut ini adalah data total barang dalam negeri yang dibongkar di 5 pelabuhan
utama dari tahun 2010 sampai 2014.
2010

2011

2012

2013

2014

Januari

645139

Januari

379456

Januari

390000

Januari

358954

Januari

333123

Februari

847066

Februari

457385

Februari

436022

Februari

350519

Februari

326501

Maret

632112

Maret

336146

Maret

379263

Maret

342084

April

711874

April

349505

April

456766

April

333649

Mei

625141

Mei

239542

Mei

552970

Mei

316778

Juni

838928

Juni

157561

Juni

481624

Juni

308343

Juli

640899

Juli

1034838

Juli

495432

Juli

299908

Agustus

608788

Agustus

479705

Agustus

529251

Agustus

305386

September

647371

September

498920

September

333522

September

416346

Oktober

661733

Oktober

500484

Oktober

449855

Oktober

413921

November

629050

November

456643

November

336191

November

448765

Desember

769711

Desember

440464

Desember

414543

Desember

607905

1. Analisis Pola Data


Berikut ini adalah pola data sebenarnya untuk 80% data-data total barang yang
dibongkar di 5 pelabuhan utama kota Tanjung perak. Hal ini penting untuk
mengetahui model prediksi yang dapat digunakan untuk total barang yang
dibongkar di 5 pelabuhan utama Tanjung perak.
Time Series Plot of total barang 80%
1100000
1000000

total barang 80%

900000
800000
700000
600000
500000
400000
300000
200000
4

12

16

20
24
Index

28

32

36

40

Plot diatas menunjukan hasil yang cendrung menurun. Maka kita akan gunakan
model trend yang mampu mengatasi pola pada data tersebut.

2. Validasi Model
Setelah diketahui pola data, maka selanjutnya yaitu menentukan model yang
dapat digunakan untuk prediksi yang dilihat dari error data (MAPE, MSE, AIC)
Dengan
1

1
| x 100% , MSE = ( )2 , AIC = a x (Ln MSE)+2 x M
MAPE = |

a = jumlah data

M = jumlah parameter

berikut ini adalah tampilan nilai MAPE, MSE dan AIC.


a. Trend linear
Trend Analysis Plot for total barang 80%
Linear Trend Model
Yt = 688904 - 8935.45*t

1100000

Variable
Actual
Fits

1000000

total barang 80%

900000

Accuracy Measures
MAPE
2.30493E+01
MAD
9.16942E+04
MSD
2.03799E+10

800000
700000
600000
500000
400000
300000
200000
4

12

16

20 24
Index

28

32

36

40

b. Trend kuadratik
Trend Analysis Plot for total barang 80%
Quadratic Trend Model
Yt = 757001 - 18664*t + 237*t**2

1100000

Variable
Actual
Fits

1000000

total barang 80%

900000

Accuracy Measures
MAPE
2.28787E+01
MAD
9.28740E+04
MSD
1.95817E+10

800000
700000
600000
500000
400000
300000
200000
4

12

16

20 24
Index

28

32

36

40

c. Trend eksponensial
Trend Analysis Plot for total barang 80%
Growth Curve Model
Yt = 667424 * (0.98361**t)

1100000

Variable
Actual
Fits

1000000
total barang 80%

900000

Accuracy Measures
MAPE
2.19815E+01
MAD
9.25416E+04
MSD
2.05686E+10

800000
700000
600000
500000
400000
300000
200000
4

12

16

20 24
Index

28

model
MAPE
MSE
AIC
MAPE
kuadratik
MSE
AIC
MAPE
eksponensial MSE
AIC
linear

32

36

40

eror
0.162456101
7020996869
230.7217105
0.140934811
5642919072
230.5366733
0.159644019
7211499087
230.9894268

Model S-Curve tidak dapat dimunculkan. Berdasarkan table diatas, kita


dapatkan model dengan eror terkecil yaitu model trend kuadratik, dengan
MAPE = 0.140934811 ; MSE = 5642919072 ; AIC = 230.5366733
maka kita dapatkan model trend yang tepat untuk memprediksi total
barang yang dibongkar di 5 pelabuhan utama Tanjung perak selama
setahun kedepan.
3. Tahap Prediksi
Setelah kita melakukan analisi pola data dengan menggunakan 80% data
jumlah barang melalui transportasi kereta api menurut pulau jawa dan
melakukan validasi model dengan menggunakan 20% data jumlah barang

sehingga didapatkan error terkecil dari setiap model trend, maka langkah
selanjutnya yaitu memprediksi jumlah barang untuk satu tahun ke depan.
Berikut ini model yang digunakan untuk memprediksi total barang yang
dibongkar selama setahun.
Trend Analysis Plot for total barang 100%
Quadratic Trend Model
Yt = 757919 - 18601*t + 229*t**2

1100000

Variable
Actual
Fits
Forecasts

1000000

total barang 100%

900000

Accuracy Measures
MAPE
2.21619E+01
MAD
8.93312E+04
MSD
1.73372E+10

800000
700000
600000
500000
400000
300000
200000
1

12

18

24

30 36
Index

42

48

54

60

Dari gambar diatas kita dapatkan parameter model untuk memprediksi jumlah
barang satu tahun kedepan, dengan model trend kuadratik sebagai berikut:
= 757919 18601 + 229 2
Dengan t adalah waktu yang dimulai dari bulan ke 51 karena data awal
berjumlah 50.
berikut ini adalah hasil plot 20% total barang yang dibongkar
total barang 20%

FITS1

RESI1

FITS2

316778

316915.879

-137.6393

255610.1371

308343

330422.928

-22079.93

309987.6806

299908 343929.9769

-44022.221

354147.6006

305386
416346
413921
448765
607905

-52051.026
45401.9252
29469.8762
50806.8272
196439.778

388089.8968
411814.5695
425321.6184
428611.0437
421682.8454

357437.0259
370944.0748
384451.1238
397958.1728
411465.2217

RESI2

FITS3

RESI3

61168.10261 316921.3 143.0416144


-1644.682879 327653.1 19310.07522
-54239.84472 338748.3 38840.51564
-82703.89684 350219.2 44833.18272
4531.43054 362078.5 54267.4707
-11400.61843 374339.5 39581.53532
20153.95626 387015.6 61749.41228
186222.1546
400121 207784.0422

333123 424972.2707

-91849.271

404537.0234

326501 438479.3197

-111978.32

377173.5778

pramape1
0.000434497
0.07160834
0.146785871
0.170443393
0.109048544
0.071196862
0.113214772
0.323142232
0.275721793
0.342964707

pramape2
0.193094395
0.005333939
0.180855092
0.270817578
0.010883809
0.027542981
0.044909822
0.306334303
0.214377342
0.155198844

-71414.0234 413670.1 80547.11025


-50672.57775 427678.1 101177.0728

pramape3
mape1
mape2
mape3
0.00045155
0.162456101 0.140934811 0.159644
0.06262531
0.12950821
0.14680825
0.13034224
0.09562582
0.13759855
0.34180348
0.2417939
0.30988289

mse1
mse2
mse3
aic1
aic2
aic3
7020996869 5.643E+09 7.21E+09 230.72171 230.5367 230.98943

Kesimpulan:
Berdasarkan hasil pengolahan data dengan program Minitab, maka dapat
disimpulkan bahwa estimasi model time series yang dapat digunakan untuk
memprediksi total barang yang dibongkar yang dibongkar di 5 pelabuhan
utama adalah model Trend Kuadratik. Hal ini karena nilai error model tersebut
menunjukkan nilai error (MAPE,MSE,dan AIC) terkecil dibanding trend model
lainnya.