LAPORAN KERJA PRAKTIK

DI DINAS KEPENDUDUKAN DAN PENCATATAN SIPIL

KOTA CIMAHI

PERAMALAN JUMLAH PENGANGGURAN UNTUK 5 BULAN KEDEPAN

DI KOTA CIMAHI DENGAN MENGGUNAKAN METODE BOX JENKINS

disusun untuk memenuhi salah satu persyaratan mata kuliah PLA

Oleh :
Gina Safitri

NIM 1200114

Rizki Pramasta

NIM 1205901

PROGRAM STUDI MATEMATIKA

DEPARTEMEN PENDIDIKAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
2015

LAPORAN KERJA PRAKTIK

Dinas Kependudukan dan Pencatatan Sipil (DISDUKCAPIL)
Kota Cimahi
PERAMALAN JUMLAH PENGANGGURAN UNTUK 5 BULAN KEDEPAN
DI KOTA CIMAHI DENGAN MENGGUNAKAN METODE BOX JENKINS

Menyetujui:

Pembimbing Kerja Praktik,

Dosen Pembimbing 1,

Taufik Deden Senjaya, AP

Dr.Bambang Avip Priatna M, M.Si

NIP. 19750612 199212 1 003

NIP. 19641205 1990031 001

Koordinator PLA,

Drs. Endang Dedy , M.Si

NIP. 19580515 198403 1 001

Mengetahui:

Kepala Dinas Kependudukan

dan Pencatatan Sipil Kota Cimahi

Ketua Program Studi Matematika

Universitas Pendidikan Indonesia

DRS. HADI

Dra.Entit Puspita, M.Si

NIP. 19560216 198603 1 005

NIP. 19670408 199403 2 002

KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT, karena dengan
karunia dan hidayah-Nya, penulis dapat menyelesaikan Laporan Kerja Praktik
yang berjudul Peramalan jumlah pengangguran untuk 5 bulan kedepan di
Kota Cimahi dengan menggunakan Metode Box Jenkins.
Laporan Kerja Praktik ini disusun berdasarkan kegiatan yang telah kami
lakukan di Dinas Kependudukan dan Pencatatan Sipil Kota Cimahi yang
beralamat di Jl. Rd. Demang Hardjakusumah Blok Jati, Cihanjuang, Cimahi, pada
tanggal 2 Februari 2015 sampai dengan 8 April 2015.
Kerja Praktik ini merupakan mata kuliah wajib yang harus ditempuh setiap
mahasiswa di Program Studi Matematika Universitas Pendidikan Indonesia. Kerja
Praktik ini diharapkan mampu memberikan manfaat kepada mahasiswa baik dari
segi akademik maupun untuk pengalaman yang tidak ditemukan saat berada
dalam bangku kuliah.
Penulis menyadari sepenuhnya bahwa laporan kerja praktik ini tidak
mungkin terwujud tanpa adanya bimbingan dan dorongan dari berbagai pihak.
Maka dalam kesempatan ini perkenankanlah penulis mengucapkan terimakasih
yang sebesar-besarnya kepada:
1

Orang tua penulis yang selalu memberikan dukungan baik moril

maupun materil.
Bapak Drs. Endang Dedi, M.Si dan Ibu Dian Usdiyana, M.Si, selaku
koordinator Program Latihan Akademik yang telah meluangkan
waktunya untuk membimbing penulis dalam pelaksanaan maupun

penyusunan makalah.
Bapak Bambang Avip Priatna selaku Dosen Pembimbing yang selalu

memberikan pengarahan dan motivasi kepada penulis.

Bapak DRS. Hadi sebagai Kepala Dinas Kependudukan dan

Pencatatan Sipil.
Bapak H.Aris selaku Ketua Bidang penyimpanan dan pengolahan data,
yang telah memberikan ijin praktik kerja lapangan kepada penulis.

Bapak Taufik Deden, AP selaku Pembimbing Kerja Praktik di Dinas

Kependudukan dan Pencatatan sipil Kota Cimahi.

Bapak Subari Rahman , Ibu Khamsa, dan Ibu Dewi yang telah banyak
memberikan pengarahan dan bimbingannya selama pelaksanaan kerja

praktik.
Semua pihak yang tidak dapat disebutkan satu persatu.

Bandung,

April 2015

Penulis

DAFTAR ISI

LAPORAN KERJA PRAKTIK.......................................................................2

KATA PENGANTAR................................................................................... 3

DAFTAR ISI.............................................................................................. 5
DAFTAR TABEL........................................................................................ 7
DAFTAR GAMBAR.................................................................................... 8
DAFTAR LAMPIRAN................................................................................. 9
BAB II................................................................................................... 14
KAJIAN TEORI....................................................................................... 14
2.1 Peramalan....................................................................................... 14
Macam Metode Peramalan...................................................................15
2.2 Analisis Runtun Waktu........................................................................16
2.2.1 Data Runtun Waktu......................................................................17
2.2.2 Fungsi Autokorelasi & Fungsi AutoKorelasi Parsial...............................18
2.2.3 Metode Box Jenkins......................................................................19
2.2.4 Peramalan/ Forecasting.................................................................35
BAB III.................................................................................................. 36
Uraian kegiatan......................................................................................... 36
3.1 Profil Singkat Instansi.........................................................................36
3.1.1 Visi Instansi................................................................................ 36
3.1.2 Misi Instansi............................................................................... 36
3.1.3 Tugas Pokok dan Fungsi Dinas Kependudukan dan Pencatatan Sipil Kota
Cimahi.......................................................................................... 38
3.1.4 Motto Perusahaan.........................................................................38
3.2 Struktur Organisasi............................................................................ 39
3.3 Deskripsi Kerja Setiap Bidang..............................................................40
3.4 Jadwal Pelaksanaan Kegiatan...............................................................44
3.5 Prosedur Pelaksanaan Kegiatan.............................................................44
BAB IV.................................................................................................. 47
PEMBAHASAN....................................................................................... 47
4.1 Identifikasi Model............................................................................. 49
4.2 Verifikasi Model............................................................................... 58
4.4 Peramalan (Forecasting)......................................................................63
BAB V................................................................................................... 65
PENUTUP............................................................................................... 65
5.1 Kesimpulan...................................................................................... 65
5.2 Saran 6

DAFTAR TABEL

DAFTAR GAMBAR

DAFTAR LAMPIRAN

BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengangguran atau tuna karya adalah istilah bagi orang yang tidak
bekerja sama sekali, sedang mencari kerja, bekerja kurang dari dua hari
selama seminggu atau seseorang yang sedang berusaha mendapatkan

pekerjaan yang layak. Pengangguran juga dapat diartikan sebagai seseorang

yang telah mencapai usia tertentu yang tidak memiliki pekerjaan dan sedang
mencari pekerjaan agar memperoleh upah atau keuntungan.
Penyebab pengangguran dapat diakibatkan oleh berbagai hal seperti
kurangnya

lapangan

pekerjaan

atau

sedikitnya

kesempatan

untuk

mendapatkan sebuah pekerjaan. Pengangguran juga dapat diakibatkan karena

kompetensi pencari kerja tidak sesuai dengan pasar kerja. Selain itu juga
kurang efektifnya informasi pasar kerja bagi para pencari kerja.
Pengangguran umumnya kebanyakan terdapat di kota yang sedang
berkembang seperti di Kota Cimahi. Pengangguran yang terjadi berlarut-larut
dapat menyebabkan berkurangnya kesejahteraan masyarakat karena tidak
adanya penghasilan untuk memenuhi kebutuhan sehari-hari seperti makan,
pakaian dan lain-lain. Tingkat pengangguran yang terlalu tinggi juga dapat
menyebabkan kekacauan politik keamanan sosial sehingga mengganggu
pertumbuhan dan pembangunan ekonomi pada suatu daerah tertentu.
Angka pengangguran di suatu kota dapat memperlihatkan bagaimana
kualitas hidup penduduk atau kesejahteraan penduduk di kota tersebut. Secara
logika, semakin tinggi angka pengangguran di suatu kota, maka semakin
banyak penduduk yang tingkat kesejahteraannya rendah.
Dinas Kependudukan dan Pencatatan Sipil di suatu kota berkewajiban
untuk mencatat seluruh data kependudukan, termasuk penduduk yang tidak
bekerja. Tidak hanya sebagai sumber data kependudukan, pencatatan ini dapat
memberikan informasi sejauh mana tingkat kesejahteraan penduduk di kota
tersebut. Data kependudukan ini akan dijadikan suatu parameter bagi
pemerintah setempat dalam upayanya meningkatkan kualitas hidup penduduk
dan kesejahteraannya. Dari data-data ini, pemerintah kota harus bisa membuat
prediksi-prediksi tentang kondisi perekonomian kotanya, sehingga mampu
merespon dengan cepat tanpa harus menunggu kemungkinan buruk yang
mungkin saja bisa terjadi.
Dewasa ini telah dikembangkan sejumlah metode peramalan dengan
berbagai asumsi mengenai data yang akan diramalkan untuk masa yang akan
datang. Dengan adanya berbagai metode peramalan diharapkan akan tercipta

suatu implementasi yang lebih baik yang dapat terwujud di berbagai bidang
kehidupan yang salah satunya adalah bidang perekonomian. Dengan
menggunakan metode peramalan Box Jenkins maka dapat diperkirakan
jumlah pengangguran di suatu kota untuk 5 bulan kedepan, sehingga bisa
menjadi bahan pertimbangan untuk pemerintah kota dalam upayanya
meningkatkan kesejahteraan penduduknya.
Model Peramalan Box Jenkins atau yang lebih dikenal dengan model
Autoregresive Integrated Moving Average (ARIMA) merupakan model
peramalan yang menghasilkan ramalan ramalan yang berdasarkan sintesis
dari pola data secara historis. Dalam membuat peramalan, model ini sama
sekali mengabaikan variabel independen. ARIMA merupakan suatu alat yang
menggunakan nilai-nilai sekarang dan nilai-nilai lampau dari variabel
dependen untuk menghasilkan peramalan jangka pendek yang akurat.
1.2 Rumusan Masalah
Masalah yang akan dibahas dalam laporan ini meliputi:
a. Model apakah yang cocok digunakan untuk meramalkan jumlah
pengangguran di suatu kota untuk 5 bulan kedepan?
b. Bagaimana hasil peramalan yang dihasilkan dari metode peramalan
Box Jenkins dalam meramalkan jumlah pengangguran di suatu kota
untuk 5 bulan kedepan?
1.3 Batasan Masalah
Peramalan yang dilakukan hanya pada data yang bersumber dari Dinas
Kependudukan dan Pencatatan Sipil Kota Cimahi. Sebenarnya banyak sekali
faktor yang dapat mempengaruhi kondisi perekonomian Kota Cimahi dan
banyak hal yang dapat dipertimbangkan dalam upaya pemerintah kota Cimahi
untuk meningkatkan kualitas kesejahteraan penduduknya. Namun akibat
keterbatasan penulis, maka hal yang diangkat dalam laporan ini hanya pada
persoalan peramalan angka pengangguran di kota Cimahi.
1.4 Tujuan Pelaksanaan Kegiatan
Adapun tujuan dari penulisan laporan ini adalah:

a. Mengetahui model yang cocok untuk meramalkan jumlah pengangguran

untuk 5 bulan kedepan di Kota Cimahi.
b. Mengetahui ramalan yang dihasilkan untuk jumlah pengangguran untuk 5
bulan kedepan dengan menggunakan metode peramalan Box Jenkins.
.
1.5 Manfaat Kegiatan
Manfaat yang diharapkan dalam laporan ini adalah:
1. Dapat memberikan informasi kepada penulis dan pembaca pada
umumnya mengenai metode peramalan box Jenkins serta model-model
apa saja yang digunakan dalam metode peramalan ini.
2. Dapat mengetahui jumlah pengangguran di periode mendatang yang
mungkin akan menjadi bahan pertimbangan dalam mengatasi kualitas
kesejahteraan penduduk.

BAB II
KAJIAN TEORI
Runtun waktu merupakan salah satu prosedur statistika yang diterapkan
untuk meramalkan struktur probabilitas keadaan yang akan datang dalam rangka
pengambilan keputusan. Dasar pemikiran runtun waktu adalah pengamatan
sekarang (Zt) dipengaruhi oleh satu atau beberapa pengamatan sebelumnya (Zt-k).
Dengan kata lain, model runtun waktu dibuat dibuat berdasarkan data yang lalu.
Tujuan analisis runtun waktu antara lain untuk menentukan pola data masa lalu
yang telah dikumpulkan secara teratur, memahami dan menjelaskan mekanisme
peramalan dalam runtun waktu, meramalkan suatu nilai di masa yang akan datang.

1 Peramalan
Peramalan adalah kegiatan dalam penggunaan data atau informasi
untuk menentukan kejadian pada masa depan, dalam bentuk perhitungan
atau prakiraan dari data yang lalu. Untuk memprediksikan hal tersebut
diperlukan data yang akurat di masa lalu, agar dapat melihat situasi di
masa yang akan datang.
Metode peramalan dapat memberikan cara pengerjaan yang teratur
dan terarah, sehingga dengan demikian dapat dimungkinkan penggunaan
teknik-teknik penganalisaan yang lebih maju. Peranan peramalan
menjelajah ke dalam banyak bidang, seperti misalnya ekonomi, keuangan,
pemasaran, produksi, riset operasional, administrasi negara, meteorologi,
geofisika, dan kependudukan. Kegunaan peramalan terlihat pada suatu
pengambilang keputusan. Keputusan yang baik adalah keputusan yang
didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan
itu dilaksanakan. Baik tidaknya hasil suatu penelitian dalam suatu kegiatan
sangat ditentukan oleh ketepatan ramalan yang dibuat. Walaupun
demikian, suatu ramalan adalah tepat ramalan, dimana selalu ada unsur
kesalahannya. Sehingga yang penting diperhatikan adalah usaha untuk
memperkecil kemungkinan kesalahan tersebut.
Macam Metode Peramalan
Dibawah ini merupakan macam-macam metode peramalan:
a

Peramalan Subjektif
Yaitu peramalan yang dilakukan karena keterbatasan dana dan
waktu. Peramalan ini bergantung pada seseorang yang melakukan
peramalan dan yang bersangkutan lebih percaya intuisinya dibanding
dengan peramalan-peramalan yang melibatkan fungsi matematik.
Contoh : seorang pedagang pakaian menjual lebih banyak produk baju
koko pada saat akan idul fitri karena berdasarkan tahun-tahun
sebelumnya permintaan baju koko meningkat pada saat akan idul fitri.

Peramalan Struktural
Merupakan peramalan yang melibatkan fungsi matematik dan
statistik untuk menyatakan hubungan sebab akibat sebagai gambaran
persoalan yang dihadapinya. Misalkan evaluasi proyek investasi
memerlukan hasil pendapatan yang akan datang, maka diperlukan suatu
peramalan tentang harga barang yang akan diproduksi pada waktu yang
akan datang. Dalam model lingkungan perusahaan yang paling
sederhana bahwa harga akan ditentukan dalam pasar persaingan bebas
dengan fungsi penawaran dan permintaan. Dalam pemodelannya timbul
hubungan dengan ekonomi, maka dinamakan model ekonometrik, dan
estimasi

paramter-parameter

merupakan

masalah

aplikasi

teori

ekonometrika.
c

Model Deterministik
Model ini merupakan kelas peramalan yang memperlakukan
variabel sebagai fungsi dari waktu. Model yang paling dikenal dalam
model ini adalah model pertumbuhan dan peluruhan. Jika digunakan
untuk peramalan jangka panjang, model ini kurang cocok digunakan.
Misalnya kita ingin meramal jumlah penduduk indonesia tahun 2050
sejak tahun 2002, karena waktunya sangat lama, kita tidak tahu faktor
apa saja yang terjadi dalam tahun-tahun kedepan, misalnya terjadi
faktor perang, bencana dan lain-lain. Oleh karena itu model
deterministik cocok untuk peramalan jangka pendek. Pada intinya
kelemahan model deterministik terletak pada perhitungan jangka
panjang, terlihat sangat eksak (dapat ditentukan dengan tepat) padahal
banyak faktor yang mempengaruhi model.

Model peramalan Ad-Hoc

Teknik peramalan yang hanya bergantung pada sejarah yang lalu.
Notasi:

Z^t (1)=f ( Z 1 , Z 2 , , Z t 1 , Z t )
dimana

Z^ t (1)

menunjukkan peramalan yang dibuat pada waktu t

untuk runtun waktu

Z t +1 . Salah satu contoh model yang

menggunakan rumus peramalan Ad Hoc adalh model Moving Average.

2.2 Analisis Runtun Waktu
Metode peramalan ini membahas proyeksi masa depan dari suatu
variabel didasarkan pada data masa lalu dan sekarang. Analisis runtun waktu
adalah suatu metode kuantitatif untuk menentukan pola data masa lalu yang
telah dikumpulkan secara teratur.
Ciri-ciri analisis waktu adalah deretan observasi pada suatu variabel
dipandang sebagai realisasi dari variabel random berdistribusi bersama. Yaitu
dengan kita menganggap adanya fungsi probabilitas bersama pada variabel
random.

Data Runtun Waktu

Data runtun waktu adalah data yang diurut menurut waktu.
Dilihat dari jenisnya, data runtun waktu dibagi ke dalam 2 bagian yaitu
runtun waktu diskrit dan runtun waktu kontinu. Data runtun waktu yang
dimaksud dalam hal ini adalah diskrit, artinya data diambil secara rutin
berdasarkan waktu yang tetap misalnya harian, mingguan, bulanan,
tahunan. Model data diskrit yaitu Z 1 , Z 2 , Z 3 Z n ,
Jika data yang diperoleh data kontinu, kita masih bisa membuat data
tersebut menjadi data yang diskrit dengan cara mencatatkan data untuk
setiap periode tertentu.
Sedangkan dilihat dari polanya, data runtun waktu dibagi 2 menjadi:
a Deterministik

Yaitu jika data dari pengalaman yang lalu, keadaan yang akan datang
bisa ditentukan dengan pasti. Grafik dibawah merupakan pola data
deterministik.

Grafik 2.2.1.a (Pola Data Deterministik)

Stokastik
Jika data dari pengalaman data yang lalu, hanya dapat menentukan
struktur probabilistik keadaan yang akan datang.

Grafik 2.2.1.b (Pola Data Stokastik)

Suatu data runtun waktu Zt dapat dianggap sebagai realisasi variabel

random Zt dengan fkp (Zt). Jika

f (z1 , z2 , z3 , , z n)

oleh perubahan waktu maka runtun waktu

1
2

tidak dipengaruhi

z1 , z2 , z3 , , zn

disebut

disebut

stationer. Dalam runtun waktu stationer berlaku:

z
E( t )=

Cov ( z t , zt k )= k

Dimana

adalah rata- rata dari proses runtun waktu dan

dengan auto-kovarian lag ke-k.

2.2.2 Fungsi Autokorelasi & Fungsi AutoKorelasi Parsial

1. Fungsi Autokorelasi
Autokorelasi lag ke-k didefinisikan oleh:

tk
z

var

Cov ( z t , z tk )
k =

Fungsi autokorelasi (FAK) adalah himpunan semua autokorelasi untuk

berbagai lag. Ditulis { k
Pada

prkateknya

, k dan k

jika

; k = 1,2,3,...} dengan 0=1 .

Z1 , Z2 , Z3, Zn,
dimiliki data

maka

ditaksir oleh

=z =

1
z
N t 1 t

z
( t z )(z t k z )

N
1
^k =Ck =
n t1
^
k =r k =

sedangkan autokorelasi lag ke-k ditaksir oleh

^k C k
=
^0 C 0 .

Untuk lag yang cukup besar, Bartlett menyatakan bahwa variansi dari

rk

1
2
dirumuskan sebagai var ( r k ) N 1+2 r 1 , N 50 .
t =1

FAK dikatakan terputus setelah lag ke-k jika:

|r k|< 2 SE(r k )
2 Fungsi Autokorelasi Parsial

PN =

1
1
2
3

N 1

1
1
1
2

2
1

3
2
1
1

1
1

N 2 N3 N 4

Autokorelasi parsial lag ke-k dinotasikan oleh

N1
N2
N3
N4

1
kk

yang didefinisikan

oleh:

|P k|
|P k|

kk =

, di mana

Pk

adalah

Pk

oleh

[]
1
2

dengan kolom terakhir diganti

Fungsi autokorelasi parsial (fakp) adalah himpunan autokorelasi

parsial untuk berbagai lag, ditulis

{ kk , k =1, 2, } . Untuk lag yang

cukup besar, Quinouille menyatakan bahwa

|r k|< 2 SE(r k )

var ( kk )

1
N . Jika

untuk k > K, maka fakp tidak berbeda secara signifikan

dengan nol (terputus setelah lag ke-K).

2.2.3 Metode Box Jenkins

Dalam metode Box-Jenkins digunakan 2 operator yaitu :
a Operator Backshift B, yang didefinisikan
BZ t =Z t 1

Operator differensi yang didefinisikan sebagai:

Z t =Z t Z t 1=(1B)Z t

Adapun Hubungan antara kedua operator tersebut bisa diperoleh dengan

cara berikut:
Z t =Z t Z t 1
Z t B. Z t
(1B)Z t
Dengan demikian hubungan antara operator backshift dan operator
differensi dapat dituliskan sebagai =1B
Sedangkan untuk yang berderajat dua dituliskan sebagai berikut:
2 Z t=( Zt )
( Z t Z t 1)

(1B)

Atau secara umum operator diferensi dapat dituliskan sebagai

n=(1B)n
Model linear yang sering digunakan dalam analisis runtun waktu adalah

 ( B ) Zt =(B)at

( B ) Zt = ( B ) .a t
dimana

dan

adalah polinomial dan {a t } suatu runtun getaran

yang dibangkitakan oleh proses white noise (gerakan random). Runtun

{a t }

independen dan berdistribusi normal dengan mean 0 dn variansi

2
2
konstan a ditulis at N (0; a) .

Runtun waktu Zt dapat diperoleh dengan melewatkan proses white noise

at

melalui

linear

filter

dengan

fungsi

transfer

( B )=1+ 1 B+ 2 B2 +
at

Filter Linear

Zt

Linear filter adalah operator linear yang mentransformasikan

z t . Jika barisan

, 1, 2 ,

at

ke

berhingga atau tak berhingga tapi

konvergen maka filter tersebut stabil dan runtun waktu yang dihasilkan
dikatakan stasioner.
Langkah Iteratif dalam memilih model

Rumuskan kelompok model-model umum

Tidak

Identifikasi Model

Ya

Estimasi Parameter

Verifikasi Model
(Apakah model memadai?)

Gunakan model untuk forecasting

2.2.3.1 Model Data stasioner

a. Proses Autoregresif
Bentuk umum dari proses AR tingkat p, ditulis AR (p) adalah:
Z t = 1 Z t 1 + 2 Z t 2+ + p Z t p + at
2
atau ( B ) z t=at dimana at N ( 0, a) .

Atau dapat ditulis :

(11 B2 B 2.. p B p ) Z t =at

 ( B ) Z t =a t
2

dengan ( B ) =11 B2 B .. p B

a
b

adalah operator AR(p).

Ciri teoritis AR(p):

fak turun menuju nol
fakp terputus setelah lag ke-p

AR(1)
Bentuk umum dari proses AR (1) adalah
Z t = Z t 1+ at .
Variansi dari

zt

adalah

z=

2a
1 2 , sehingga daerah

stasioneritas untuk proses AR (1) harus memenuhi

Adapun ciri dari proses AR (1) terdiri dari :
k
1 Fak untuk AR (1) adalah k = . Pada selang

1< < 1 .

0<<1 , fak

turun secara eksponensial menuju nol sedangkan pada selang

1< < 0 , fak turun secara eksponensial menuju nol sambil
bergantian tanda.
2 Fakp terputus setelah lag ke-1 ( 11 =1= , kk =0, k 2 ) .
Ilustrasi:

Gambar Grafik FAK & FAK AR(1)

AR(2)
Bentuk umum dari proses AR (2) adalah
z t=1 z t1 + 2 z t 2+ at
Variansi dari

zt

adalah

( 1 2 ) 2a
=
( 1+ 2 ) ( 1 1 2 ) ( 1+ 12 )
2
z

sehingga daerah stasioneritas untuk proses AR (2) harus memenuhi

1< 2 ,

1 + 2 <1 , dan 1+ 2<1 .

Adapun ciri dari proses AR (2) terdiri dari :

k = 1 k1 + 2 k2 , turun

Fak untuk proses AR (2) adalah

secara eksponensial menuju nol.

Fakp
terputus
setelah

11 =

1
, = , =0, k 3
1 2 22 2 kk

lag

ke-2

Ilustrasi:

Gambar Grafik FAK & FAK AR(2)

Dari grafik tersebut dapat dilihat bahwa FAK turun secara

eksponensial menuju nol, dan FAKP terputus setelah lag
ke-2.

b. Proses Moving Average

Bentuk umum dari proses MA orde q, ditulis MA (q) adalah
z t=at +1 at 1+ 2 a t2 ++ q atq

atau

z t= ( B ) at , di mana

at N (0, 2a) .
( B )=1+1 B+ 2 B2 +..+ p B p

merupakan operator MA(q)

Jika q berhingga, maka runtun waktu tersebut selalu

stasioner.
1

Bentuk

( B ) z t=at
Jika

atau

1 , 2 ,

z t= ( B ) at

dapat

ditulis

(1 1 B 2 B2 ) z t=at

sebagai

merupakan deret yang konvergen, maka

proses MA (q) tersebut dikatakan invertibel (dapat dibalik).

Dengan kata lain, proses MA ekivalen dengan proses AR, yaitu :
MA (q) dengan model z t= ( B ) at ekivalen dengan proses AR
( B ) z t=at dengan orde
AR (p) dengan model
z t= (B) at
1

( B ) z t=at

ekivalen dengan proses MA

dengan orde

MA(1)
Bentuk umum dari proses MA (1) adalah
z t=at +1 at 1 .

, at N ( 0, a )

Ciri dari proses MA (1) terdiri dari :

a Fak terputus setelah lag ke-1

0=1, 1=

, k =0, k 2
1+2

bFakp untuk proses MA (1) adalah

11 =1=
2
1+
221
2
22=
=
121 1+2+4

kk =

(1 )k1 k ( 1k )
12 (k +1)
Fakp turun secara geometris menuju nol.

Daerah invertibel memenuhi

Ilustrasi:

Gambar Grafik FAK & FAK MA(1)

MA(2)
Bentuk umum dari proses MA (2) adalah
z t=at +1 at 1+ 2 a t2

1<< 1

Ciri dari proses MA (2) terdiri dari :

a

Fak terputus setelah lag ke-2

1 +1 2
2
, 2=
, k =0 , k 3 )
( 1=
2
2
2
2
1+1 +2
1+1 +2

b Fakp turun secara geometris menuju nol.

c Daerah invertibel memenuhi
i 2 <1
ii

12 <1 , dan

iii

1 2<1

Gambar Grafik MA(2)

Model Campuran
Model Campuran ditulis ARMA(p,q) dengan bentuk umum:
z t=1 z t1 ++ p z t p +a t +1 at 1 + + q at q atau
( B ) z t= (B) at .
Model ARMA dapat ditulis sebagai model MA, yaitu

z t= (B)at

atau

( B ) z t=at

di

model

( B )=1(B) ( B) dan

AR,

yaitu

mana

( B )=1 (B) Adapun ciri teoretik

dari proses ARMA (p, q) adalah grafik dari fak dan fakpnya turun
secara eksponensial menuju nol.
ARMA(1,1)
Bentuk umum dari ARMA(1,1) adalah:
Z t = Z t 1 +a t +at 1
Ciri teoritis ARMA(1,1):
a
b

FAK turun menuju nol

FAKP turun menuju nol
Ilustrasi ARMA (1,1)
Gambar Grafik ARMA (1,1)

Dapat dilihat dalam grafik diatas grafik dari fak dan fakpnya turun
secara eksponensial menuju nol.
2.2.3.2 Model data tidak Stasioner
Umumnya runtun waktu yang tidak stasionerlah yang sering
dijumpai dalam praktik.Padahal FAK dan FAKP yang dimiliki
didasarkan pada asumsi stasioner. Ketidakstasioneritasan tersebut bisa
disebabkan oleh rata-rata yang tidak konstan. Runtun waktu ini
mempunyai kelebihan yaitu runtun waktu selisih (derajat tertentu) nilai
yang berurutan dari runrun waktu aslinya (ditulis Wt) adalah stasioner.
Jadi model-model ARMA dapat dipandang sebagai kasus khususnya,
yaitu apabila runtun waktu aslinya sudah stasioner.
Runtun waktu yang seperti diatas disebut tidak stasioner homogen,
artinya adalah walapun runtun waktu tidak bergerak bebas pada lokasi
tertentu tetapi tingkah geraknya pada periode lain adalah relatif sama.

Jenis-jenis non stasioneritas :

1 Non stasioner dalam tingkat :

( 1B )

Zt

( B)

at
2

Non stasioner dalam tingkat dan lerengan :

=

(B)

( 1B )2 ( B )

at

Runtun waktu non stasioner dapat disajikan sebagai

berikut.
1 Model deferensi
Model runtun waktu yang disajikan sebagai jumlahan
data yang lalu dan sesatan yang lalu
2 Model Sesatan Random
Penyajian
runtun
waktu
nonstasioner

yang

dinyatakan sebagai jumlahan sesatan sekarang dan

sesatan yang lainnya, diperoleh dari model deferensi
dengan mensubstitusi :

Z t 1 , Z t 2 , Zt 33 ,

Runtun waktu non-stasioner dinyatakan dengan model

Autoregresif Integrated Moving Average ARIMA (p,d,q) dimana d
menyatakan banyaknya penyelisihan yang dilakukan sampai runtun
waktu menjadi stasioner. Ini berarti bahwa data runtun waktu
tersebut akan stasioner menjadi ARMA (p,q) setelah diselisihkan d
kali yang mempunyai model Autoregresif derajat p, dan Moving
Average derajat q. Selanjutnya proses ARIMA yang tidak
mempunyai bagian Moving Average ditulis sebagai ARI (p,d) dan
ARIMA tanpa bagian Autoregresif ditulis IMA (d,q). (Soejoeti,
1987).
Bentuk umum model ARIMA adalah
(B) Zt=(B)at

Persamaan tersebut dapat ditulis dalam bentuk (contoh ambil

ARIMA (p,1,q)) :
Z t =( 1+ 1 ) Z t 1+ ( 2 1 ) Z t 2+ +

( p p1)Z t p p Z t p1 +a t +1 at 1 ++ q at q

Dengan memanfaatkan operasi backship, diperoleh

(1-B) ( B ) Zt =B at
( B ) Z t =( B)at
Dimana

( B ) = (1-B) ( B )

dan merupakan polynomial

berderajat p+1 demiana debuah akarnya bernilai 1 dan yang lainnya

terletak diluar lingkaran satuan.
Runtun waktu akan stasioner jika sudah diselisihkan d
kali, maka operator regresif terubahnya berbentuk:
( B) =

(1B)d ( B ) ,

( B)

merupakan

polynomial berderajat p+q dimana d buah akarnya bernilai 1 dan

p akar lainnya terletak diluar lingkaran satuan.
Ciri dari runtun waktu non stasioner terdiri dari:
a
b

plot data runtun waktu memiliki trend

fak turun secara lambat dan linear
c

pada grafik fakp hanya nilai

11

yang mendekati satu

sedangkan yang lainnya tidak berbeda secara signifikan

dengan nol.
Ilustrasi:

Plot Data Runtun Waktu Non Stasioner

Pada Gambar diatas dapat dilihat pada plot yang pertama ada
plot data asli, terlihat bahwa data tidak stasioner. Sedangkan plot
kedua dan ketiga memperlihatlan plot data yang sudah di
differensing 2x, diperoleh data yang stasioner karena plot data
sudah berfluktuasi secara normal.
3

Tahap-Tahap Peramalan dalam metode Box jenkins

Metode Box jenkins mempunyai tahap-tahap peramalan agar
mendapatkan ramalan yang baik dan terstruktur. Adapun tahaptahapnya akan dijelaskan dalam bagan sebagai berikut:

Rumuskan kelompok model-model umum

Tidak

Identifikasi Model

Ya

Estimasi Parameter

Verifikasi Model
(Apakah model memadai?)

Gunakan model untuk forecasting

Bagan tahap-tahap peramalan runtun waktu

Langkah-langkah untuk melakukan peramalan dalam analisis runtun

waktu adalah sebagai berikut:

A Identifikasi Model

Identifikasi model bertujuan untuk mengidentifikasi

model yang merupakan representasi data runtun waktu
z 1 , z 2 , , z n . Adapun langkah-langkah yang dilakukan
adalah sebagai berikut :
1
2

Menentukan mean dan variansi data runtun waktu.

Menentukan fak beserta 2 SE ( k ) dari data runtun waktu.

Menentukan fakp beserta 2 SE ( kk ) dari data runtun waktu.

4

Membandingkan fak dan fakp data runtun waktu dengan fak

dan fakp teoretik.

Berikut ini adalah tabel pendekatan

{r k } dan { kk } untuk

berbagai model.
Pendekatan

model

( N1 ) , k > p

kk N 0,

AR (p)
kk

terputus setelah lag ke-p

( (

r k N 0,

))

1
1+2 r 2i , k >q
N
i=1

MA (q)
r k terputus setelah lag ke-q

Sebelum pemodelan dilakukan, hal berikut adalah mutlak

diperlukan

1
2
3

Plot data untuk melihat kestasioneran data.

Grafik dari distribusi frekuensi untuk melihat asumsi
normalitas.
Informasi lain (kemiringan, keruncingan, dll).
Jika

E ( z t ) =z 0 ,

^z t=z t z

H 0 : z =0

model

sehingga perlu diuji apakah

yang harus diuji adalah

H 0 : z =0

maka

dituliskan

sebagai

z =0 . Hipotesis

Jika

|z|<2 SE ( z ) , maka H0 diterima. Nilai pendekatan

Model

pendekatan
C 0 ( 1+ r 1 )

AR (1)

N ( 1r 1 )
MA (1)

C 0 ( 1+ 2r 1 )
N

AR (2)

C 0 ( 1+ r 1 ) ( 12 r 21 +r 2 )
N ( 1r 1 ) ( 1r 2 )

MA (2)

C 0 ( 1+ 2r 1 +2 r 2 )
N

ARMA (1, 1)

C0
2 r 21
1+
N
r 1r 2

var ( z )

untuk proses ARMA (p, q), dengan

adalah sebagai berikut :

p+q 2

B Estimasi Parameter
Setelah melakukan identifikasi terhadap model-model
tertentu, langkah selanjutnya adalah mengestimasi parameter
yang ada pada model. Estimasi yang efisien yaitu estimasi
yang meminimumkan kuadrat selisih antara nilai estimasi
dengan nilai parameter sebenarnya. Untuk data yang cukup
banyak, estimasi yang efisien adalah estimasi yang
memaksimumkan fungsi Likelihood.
Diperlukan taksiran interval untuk estimasi parameter.
Di sini perlu diuji apakah

atau

berbeda secara

signifikan dengan nol atau tidak.

Jika

^ SE ( ^ )
<2
, maka

tidak berbeda secara

signifikan dengan nol.

Begitu pula jika

^ <2 SE ( ^ ) , maka

tidak berbeda

secara signifikan dengan nol.

Variansi pendekatan untuk estimasi parameter berbagai
model sederhana dapat pula diperoleh dari rumus berikut :
model

pendekatan

AR (1)

1
var ( ^ )
N

MA (1)

1
var ( ^ )
N

AR (2)

1 2
var ( ^ 1) , var ( ^ 2 )
N

MA (2)

var ( ^ 1 ) , var ( ^ 2 )

var ( )

122
N

( 1 2 ) ( 1+ )2
N ( + )

ARMA (1, 1)

var ( )

( 12 ) ( 1+ )2
N ( + )

C Verifikasi Model

Langkah terakhir untuk menemukan model yang cocok

untuk digunakan dalam peramalan adalah tahap verifikasi,
dalam tahap ini akan diuji kecocokan model, artinya apakah
model yang sudah kita identifikasi dan estimasi cukup cocok
dengan data yang menurunkannya, Dari proses verifikasi
biasanya nampak ke arah mana model tersebut harus
diperbaiki.
Langkah-langkah yang harus dilakukan pada tahap verifikasi
ini adalah sebagai berikut.
Uji Keberartian Koefisien ( atau )
Hipotesis dari uji keberartian koefisien adalah sebagai

berikut:
H0 : koefisien tidak berbeda secara signifikan dengan
nol.
H1 : koefisien berbeda secara signifikan dengan nol.
Adapun kriteria untuk uji keberartian koefisien adalah
sebagai berikut:
a

Tolak H0 jika |koef |>2 SE ( koef )

Tolak H0 jika P .Value <=0,05

Uji Kecocokan model

b
b

Uji ini dilakukan untuk mengetahui apakah model sesuai

atau tidaknya untuk dilakukan peramalan.
Hipotesis yang harus diuji adalah
H0 : model sesuai
H1 : model tidak sesuai
Statistik uji :
k

R=N r i

i=1

Dimana r merupakan autokorelasi.

Adapun kriteria untuk uji kecocokan adalah sebagai
berikut :
2

Tolak H0 jika

hit > tabel

Tolak H0 jika

P .Value<0,05

Uji Variansi Sesatan

Jika terdapat 2 model atau lebih yang lolos pada tahap
identifikasi model dan estimasi parameter, maka hal yang
selanjutnya dilakukan adalah uji variansi sesatan. Karena
ingin memilih model yang baik maka dari model yang
lolos haruslah dipilih variansi sesatan terkecil.
SSMS
2
a=
, di mana
DF
SS : Kuadrat jumlah (Sum Square)
MS : Kuadrat Rata-rata (Mean Square)
DF : Derajat Kebebasan (Degree Free)

Peramalan/ Forecasting
Sampailah pada tujuan, pada tahap ini akan diperoleh ramalan data yang
akan datang berdasarkan data yang telah lalu melalui model yang lolos
dalam tahap-tahap peramalan yang telah dijelaskan sebelumnya.

BAB III
Uraian kegiatan

3.1 Profil Singkat Instansi

3.1.1 Visi Instansi
Terwujudnya Tertib Administrasi Kependudukan melalui Sistem
Jaringan dan data penduduk yang handal berbasis Informasi
Teknologi.
3.1.2 Misi Instansi
1

Meningkatkan kualitas dan kuantitas jaringan dan data

Administrasi Kependudukan.
Perubahan/peningkatan Versi jaringan ke sistem yang lebih
baik, Koneksitas internal dari bidang Pencatatan sipil dan
pendaftaran penduduk melaui penyediaan ruang server data

yang refresentatif.
Meningkatkan kualitas di bidang Informasi Data dan
Kependudukan.
Data yang memiliki validitasi yang baik tidak terlepas dari
pendataan yang serius dan kontinu melalui suatu kegiatan
tetapi

juga

diperlukan

kedipsilinan

terutama

dari

penyelenggara administrasi kependudukan juga masyarakat

3

terhadap peristiwa-peristiwa kependudukan.

Meningkatkan pelayanan dibidang Kependudukan.

Pelayanan Kependudukan tidak hanya terkonsentrasi di dinas

tapi lebih disederhanakan melalui suatu bentuk desentralisasi
pelayanan yaitu yang bebasis di kelurahan seperti penerbitan
Kartu Keluarga, Surat Keterangan Kematian. Begitupun
pelayanan KTP yang terus dimaksimalkan dengan sasaran
masyarakat di perumahan dan lokasi tertentu guna mencapai
4

sasaran SPM melalui operasionalisasi mobil keliling.

Meningkatkan pelayanan di bidang Pencatatan Sipil.
Seperti halnya pelaksanaan pembuatan KK, pelaksanaan
pencatatan sipil juga tetap melakukan pola jemput bola baik
yang bertempat di kelurahan maupun di beberapa titik

keramaian/terintegrasi dengan mobil keliling.

Pengendalian Migrasi dan Urbanisasi Penduduk.
Pelaksanaan operasi Simpatik maupun operasi

Biasa,

pelaksanaan sosialisasi terus menjadi fokus utama yang

ditujukan bagi penduduk pendatang. Mereka diharuskan untuk
membuat dokumen Kartu Identitas Penduduk Musiman (Kipem)
6

atau Kartu Identitas Kerja (KIK).

Penguatan Kesekretariatan dalam mendukung administrasi
kependudukan.
Penyediaan Sumber daya yang berkualifikasi Tekhnologi
Informasi yang berasal dari Tenaga Harian Lepas (THL)
menjadi penting mengingat keterbatasan sumber daya manusia
yang ada. Diarahkan guna menjamin berjalannya system

administrasi kependudukan yang efektif dan effisien.

Peningkatan Koordinasi kelembagaan.
Koordinasi kelembagaan dari berbagai tingkatan pemerintahan
dari berbagai sektor sebagai suatu yang harus dilakukan karena
mekanisme dan prosedur yang mengharuskan adanya tahapan
dalam penyelenggaraan administrasi kependudukan tersebut.
Koordinasi dimaksud berupa hierarki dari RT-RW-KelurahanKecamatan dan Dinas serta Instansi vertikal lainnya.

3.1.3 Tugas Pokok dan Fungsi Dinas Kependudukan dan Pencatatan

Sipil Kota Cimahi.
a) Tugas Pokok
Dinas Kependudukan dan Pencatatan Sipil Kota Cimahi mempunyai
tugas pokok melaksanakan sebagian Kewenangan Daerah dibidang
Kependudukan.
b) Fungsi :
- Merumuskan kebijakan teknis dibidang Kependudukan.
- Melaksanakan tugas teknis operasional dibidang Kependudukan yang
meliputi Pencatatan, Mobilitas, Pengendalian dan Data Kependudukan.
- Melaksanakan pelayanan teknis administrasi meliputi, Administrasi
Program, Kepegawaian, Umum dan Administrasi Keuangan Dinas.
3.1.4 Motto Perusahaan
Bersama Anda Layanan Kami CERMAT.
C: Cepat, Penyelesaian pelayanan dengan Tepat Waktu.
E: Effisien, Pelayanan hemat waktu dan biaya
R: Ramah, Pelayanan sopan santun
M: Mudah, Pelayanan jelas dan tidak Rumit
A: Adil, Pelayanan yang berlandas pada kesamaan derajat
T: Tepat, Pelayanan sesuai dengan tarif yang berlaku

3.2 Struktur Organisasi

Kepala Dinas

: Drs. Hadi

Sekertaris

: Nendra Nugraha, SE

Kabid Data dan Informasi

: H Aris Pramono, S.sos M.Si

Kabid Kependudukan

: Drs.Dodi Molyohadi

Kabid Pencatatan Sipil

: Dra. Ipit Rospitawati

Kasubag Program dan Pelaporan

: Erwandi, S.Sos

Kasi Pengendalian Migrasi & Urbanisasi

: Dennyla Hermawan S.H

Kasi Pencatatan kelahiran & kematian

: Dra. Neni Herliani

Kasubag Keuangan

: Erlis Ekafitriyana, S.Sos

Kasi Pendaftaran Penduduk

: Sri Surya Ekawati S.Sos

Kasi Sistem Informasi Kependudukan

: Subari Rahman S.STP

Kasi Pencatatan Perkawinan, Perceraian, Pengakuan Anak :Sopandi, S.STP

Kasi Pengolahan dan Penyimpanan Data

: Taufik Deden Senjaya, AP

3.3 Deskripsi Kerja Setiap Bidang

Dinas Kependudukan dan Pencatatan Sipil dibagi dalam tiga bidang,
dimana setiap bidang mempunyai tugas dan fungsi berbeda-beda. Deskripsi
dari setiap bidang tersebut adalah sebagai berikut:
1

Kepala Dinas
Tugas Pokok : memimpin, merencanakan, mengatur, melaksanakan dan
mengendalikan penyelenggaraan sebagian urusan pemerintahan daerah
berdasarkan asas desentralisasi di bidang kependudukan dan pencatatan
sipil.
Fungsi :
a Perumusan Kebijakan teknis dalam bidang kependudukan dan

pencatatan sipil
Penyelenggaraan urusan pemerintahan daerah dan pelayanan umum

bidang kependudukan, dan pencatatan sipil.

Pengawasan dan pembinaan tugas bidang kependudukan dan

d
e

pencatatan sipil.
Pengelolaan administrasi kesekretariatan
Pelaksaan tugas lain yang diberikan oleh walikota sesuai dengan tugas

dan fungsinya.
Sekertaris
Tugas Pokok : memimpin, merencanakan, mengatur, mengoordinasikan
dan mengendaikan kegiatan operasional administrasi program, pelaporan,
keuangan, umum dan kepegawaian.
Fungsi :

Perencanaan

operasional

urusan

umum,

perencanaan evaluasi dan pelaporan.

Pengelolaan, Pengoordinasian urusan

keuangan, umum dan kepegawaian.

Pengendalian, evaluasi dan pelaporan urusan program, pelaporan,

keuangan, umum dan kepegawaian.

Pelaksanaan tugas lain yang diberikan oleh atasan sesuai dengan

tugas dan fungsinya.

Kepala Sub Bagian Program dan Pelaporan
Tugas Pokok :

keuangan

program,

serta

pelaporan,

Merencanakan kegiatan, melaksanakan, membagi tugas dan

konsultasi urusan Perencanaan, evaluasi dan pelaporan yang

meliputi penghimpunan rencana program/kegiatan.

Mengevaluasi dan menghimpun laporan dari masing-masing

bidang pada Dinas Kependudukan dan Pencatatan sipil.

Kepala Sub Bagian Umum dan Kepegawaian
Tugas pokok :
Merencanakan kegiatan, melaksanakan, membagi tugas,

dan

mengontrol urusan kepegawaian, kehumasan dan dokumentasi,

perlengkapan, perbekalan dan keperluan tulis serta perkantoran.

Kepala Sub Bagian Keuangan
Tugas Pokok :
Merencanakan kegiatan, melaksanakan, membagi tugas dan mengontrol

urusan administrasi keuangan.

Kepala Bidang Kependudukan
Tugas Pokok :
Merencanakan
operasional,

mengelola,

mengoordinasikan,

mengendalikan, mengevaluasi dan melaporkan perencanaan teknis dan

pengendalian teknis kependudukan.
Fungsi :
a Perencanaan Operasional Pengelolaan bidang kependudukan
b Pelaksanaan tugas lain yang diberikan oleh atasan yang sesuai
dengan tugas dan fungsinya.

Kepala Seksi Pendaftaran Penduduk

Tugas Pokok :
Merencanakan kegiatan, melaksanakan, membagi tugas dan mengontrol
urusan penyelenggaraan pendaftaran kependudukan.
Kepala Seksi Pengendalian Migrasi dan Urbanisasi
Tugas Pokok:
Merencanakan kegiatan, melaksanakan, membagi tugas dan mengontrol
urusan penyelenggaraan pengendalian Migrasi dan Urbanisasi.

Kepala Bidang Pencatatan Sipil

Tugas Pokok :

Merencanakan

operasional,

mengelola,

mengkoordinasikan,

mengendalikan, mengevaluasi dan melaporkan perencanaan teknis dan

pengendalian teknis pencatatan sipil
Fungsi :
1. Perencanaan operasional bidang
2. Pengelolaan, pengendalian, evaluasi

dan

pelaporan

urusan

pencatatan sipil
3. Pelakasanaan tugas lain yang diberikan atasan sesuai dengan tugas

dan fungsinya
Kepala Seksi Pencatatan Kelahiran dan Kematian
Tugas Pokok :
Merencanakan

kegiatan,

melaksanakan,

membagi

tugas,

dan

mengontrol urusan penyelenggaraan pelayanan pencatatan kelahiran

dan kematian.

Kepala Seksi Pencatatan Perkawinan, Perceraian, Pengakuan dan

Pengesahan Anak
Tugas Pokok :
Merencanakan kegiatan, melaksanakan, membagi tugas tugas dan
mengontrol urusan penyelenggaraan pelayanan pencatatan perkawinan,
perceraian, pengakuan dan pengesahan anak

Kepala Bidang Data dan Informasi

Tugas Pokok :
Merencanakan

operasional,

mengelola,

mengkoordinasikan,

mengendalikan, mengevaluasi dan melaporkan perencanaan teknis dan

pengendalian teknis data dan informasi
Fungsi :

1.
2.
3.
4.

Perencanaan operasional bidang data dan informasi

Pengelolaan urusan data dan informasi
Pengendalian, evaluasi dan pelaporan urusan data dan informasi
Pelaksanaan tugas lain yang diberikan oleh atasan sesuai dengan tugas
dan fungsinya
Kepala Seksi Sistem Informasi Kependudukan
Tugas Pokok :
Merencanakan kegiatan, melaksanakan, membagi tugas dan mengontrol
urusan penyelenggaraan sistem informasi kependudukan

Kepala Seksi Pengelolaan dan Penyimpanan Data Kependudukan

Tugas Pokok :
Merencanakan kegiatan, melaksanakan, membagi tugas dan mengontrol
urusan

penyelenggaraan

pengelolaan

dan

penyimpanan

data

kependudukan

Jadwal Pelaksanaan Kegiatan

Tanggal

: 2 Februari 2015 s/d 8 April 2015

Hari

: Senin & Rabu

Pukul

: 08.00 WIB 16.00 WIB

Tempat

: Dinas Kependudukan dan Pencatatan Sipil Kota Cimahi

Alamat

: Jl. Rd Demang Hardjakusumah Blok Jati, Cihanjuang,

Cimahi

Telp

: (022) 6654274

Fax

: (022) 6654274

Prosedur Pelaksanaan Kegiatan

Nama

Kegiatan

Bulan
Februari

Maret

April

Perkenalan
lingkungan
Kerja di Dinas
1.

Kependuduka
n

dan

Pencatatan
Sipil
Penempatan di
Bidang
Penyimpanan
dan
Pengolahan
data.
2

Perkenalan
Software

dan

Website Dinas
Kependuduka
n

dan

Pencatatan
sipil
Perkenalan
Software

dan

Website Dinas
3

Kependuduka
n

dan

Pencatatan
sipil
Mengkuti
4

Pelayanan
Mobil Keliling
Membantu

Pelayanan

di

Dinas
Kependuduka
6

n
Pencatatan

sipil
Membantu
Pencetakan

dan

11

23

2
5

11

1
6

18

3
0

KTP, KK dan
8

Akta
Kelahiran
dengan
website Dinas

Kependuduka
n

dan

Pencatatan
Sipil
Mengikuti
10

Pelayanan
Mobil Keliling

11

12

Penginputan
data

13
Membantu
14

Pembuatan
Buku Agregat
Bulan Februari

15

Pengolahan
data
Membantu

16

Pembuatan
Buku Agregat
Bulan Maret

17

Penyusunan
Laporan
Penyusunan

18

Laporan
Kunjungan
Dosen

&

BAB IV
PEMBAHASAN
Data berikut diperoleh dari data sekunder dari Dinas Kependudukan dan
Pencatatan Sipil. Adapun data yang akan dibahas dalam makalah ini adalah data
mengenai: Jumlah Pengangguran di Kota Cimahi dari Maret 2010 sampai dengan
Bulan Februari 2015.
No
1
2
3
4
5
6
7
8
9

Tahun
2010

Bulan
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November

Jumlah Pengangguran
43261
41241
43187
43241
43225
43267
42190
42133
41167

No
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
50

Tahun

2011

2012

2013

2014

Bulan
Desember
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari
Februari
Maret
April

Jumlah Pengangguran
41258
40261
40335
40456
40496
40649
40848
40932
40937
40968
41093
41088
41091
41150
41093
41268
41283
41384
41501
41401
41554
41647
41801
41847
41897
41931
42085
42172
42228
41898
42657
30847
30909
30889
31893
31975
31049
31084
31191
31187
31331

No
51
52
53
54
55
56
57
58
59
60

Tahun

2015

Bulan
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari
Februari

Jumlah Pengangguran
31376
31499
31554
35609
33217
32556
31843
42089
42318
45673

Dari data diatas, peneliti bermaksud untuk meramalkan jumlah masyarakat

yang tidak bekerja (Pengangguran) di Kota Cimahi untuk 5 bulan kedepan, yaitu
bulan Maret 2015-Juli 2015.

Hal itu dilakukan agar pemerintah dapat

memperkirakan jumlah masyarakat yang tidak bekerja pada waktu yang akan
datang agar lebih memikirkan langkah selanjutnya untuk mengatasi hal tersebut,
misalnya mencari jalan agar angka pengangguran di Kota Cimahi Berkurang.
Dengan menggunakan software minitab 16 peneliti akan memperlihatkan
hasil dari pengolahan data dari data diatas. Sebelumnya seperti telah dijelaskan
pada bab 2 langkah-langkah yang digunakan adalah Identifikasi model, Estimasi
parameter, Verifikasi model, dan peramalan. Berikut hasil output data diatas:

1.1 Identifikasi Model

Dari data pada tabel 4.1 dengan menggunakan software Minitab 16, diperoleh
plot data sebagai berikut:

Time Series Plot of C1

46000
44000
42000

C1

40000
38000
36000
34000
32000
30000
1

12

18

24

30
Index

36

42

48

54

60

Gambar 3.1 Plot Data Banyaknya Masyarakat Kota Cimahi yang tidak bekerja
Bulan Maret 2010 s/d Februari 2015

FAK dari banyaknya masyarakat Kota Cimahi yang tidak bekerja

1,0
0,8

Autocorrelation

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 3.2 FAK dari Data Banyaknya Masyarakat Kota Cimahi yang tidak bekerja
Bulan Maret 2010 s/d Februari 2015

FAKP dari banyaknya masyarakat Kota Cimahi yang tidak bekerja

1,0

Partial Autocorrelation

0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 3.3 FAKP dari Data Banyaknya Masyarakat Kota Cimahi yang tidak bekerja
Bulan Maret 2010 s/d Februari 2015

Trend Analysis Plot for C1

Linear Trend Model
Yt = 43584 - 154,109* t
46000

Variable
Actual
Fits

44000

Accuracy Measures
MAPE
8
MAD
3012
MSD
15672057

42000

C1

40000
38000
36000
34000
32000
30000
1

12

18

24

30
36
Index

42

48

54

60

Gambar 3.3 Grafik Trend Banyaknya Masyarakat Kota Cimahi yang tidak bekerja
Bulan Maret 2010 s/d Februari 2015

Berdasarkan plot data diatas, dapat dilihat bahwa plot data tidak berfluktuasi
secara normal dan FAK turun secara lambat, selain itu juga dapat dilihat dari
grafik Trend nya bahwa data mempunyai trend yang tinggi, artinya data tersebut
belum stasioner. Oleh karena itu dilakukan differensing dari data tersebut.

Berikut ini adalah hasil output, plot, FAK dan FAKP dari data selisih pertama dari
data tersebut.

Plot Data Differensing pertama dari Banyaknya Masyarakat Kota Cimahi yang tidak bekerja

15000

10000

C2

5000

-5000

-10000

12

18

24

30
Index

36

42

48

54

60

Gambar 3.5 Plot Data selisih pertama banyaknya masyarakat Kota Cimahi yang tidak bekerja
Bulan Maret 2010 s/d Februari 2015

FAK diferensing pertama

1,0
0,8

Autocorrelation

0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 3.5 FAK selisih pertama banyaknya masyarakat Kota Cimahi yang tidak bekerja
Bulan Maret 2010 s/d Februari 2015

Autocorrelation Function: C2
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

ACF
-0,505823
0,184738
-0,171693
0,168317
-0,043725
0,039020
0,011348
-0,013567
0,010603
0,020872
-0,020587
-0,006989
-0,186387
0,354597
-0,334324

T
-3,89
1,15
-1,05
1,01
-0,26
0,23
0,07
-0,08
0,06
0,12
-0,12
-0,04
-1,10
2,04
-1,80

LBQ
15,88
18,03
19,93
21,78
21,91
22,01
22,02
22,03
22,04
22,07
22,10
22,11
24,83
34,88
44,02

FAKP dif pertama banyaknya masyarakat Kota Cimahi yang tidak bekerja
1,0

Partial Autocorrelation

0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
Lag

10

11

12

13

14

15

Gambar 3.5 FAKP selisih pertama banyaknya masyarakat Kota Cimahi yang tidak bekerja
Bulan Maret 2010 s/d Februari 2015

Partial Autocorrelation Function: C2

Lag
1
2
3
4
5
6
7
8
9
10
11
12

PACF
-0,505823
-0,095573
-0,159574
0,033160
0,088394
0,070199
0,104223
0,043563
0,015364
0,037026
-0,014215
-0,042289

T
-3,89
-0,73
-1,23
0,25
0,68
0,54
0,80
0,33
0,12
0,28
-0,11
-0,32

13
14
15

-0,302123
0,170572
-0,117676

-2,32
1,31
-0,90

Trend Analysis Plot for C2

Linear Trend Model
Yt = -566 + 19,6* t
15000

Variable
Actual
Fits

10000

Accuracy Measures
MAPE
695
MAD
1618
MSD
15131266

C2

5000
0
-5000
-10000
1

12

18

24

30
36
Index

42

48

54

60

Gambar 3.5 Grafik Trend selisih pertama banyaknya masyarakat Kota Cimahi yang tidak bekerja
Bulan Maret 2010 s/d Februari 2015

Berdasarkan Plot data, FAK, FAKP dan grafik trend dari data selisih
pertama dapat dilihat bahwa data tersebut sudah stasioner karena plot
data sudah berfluktuasi secara normal. Dan peneliti mengidentifikasi
model dari hasil output sebagai berikut:
1. AR(1)
Karena jika dilihat dari FAK terputus setelah lag ke 1, FAKP turun
menuju nol.
2. MA(1)
Karena jika dilihat dari FAKP terputus setelah lag ke 1, FAK turun
menuju nol.
3. ARMA(1,1)
Berdasarkan FAK & FAKP turun menuju nol.

3.2 Estimasi Parameter

a. AR (1)

Estimates at each iteration

Iteration
0
1
2
3
4
5
6
7

SSE
999122601
856029756
752717982
689183661
665427637
665240084
665239348
665239345

Parameters
0,100 36,883
-0,050 33,136
-0,200 33,334
-0,350 37,340
-0,500 46,339
-0,514 50,342
-0,514 50,814
-0,515 50,856

Relative change in each estimate less than 0,0010

Final Estimates of Parameters
Type
AR
1
Constant
Mean

Coef
-0,5146
50,9
33,6

SE Coef
0,1145
444,5
293,5

T
-4,49
0,11

P
0,000
0,909

Number of observations: 59
Residuals:
SS = 664418414 (backforecasts excluded)
MS = 11656463 DF = 57
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
6,3
10
0,786

24
18,4
22
0,680

36
18,8
34
0,984

48
19,3
46
1,000

Seperti yang kita ketahui model AR (1) mempunyai

bentuk:

W t =W t1 +at

=W t1W
+ at
W t W

dengan W t =Z t Z t1

Dari tabel output diatas diperoleh :

Nilai mean:

|w |= 33,6 = 33,6
2SE( w )|=|2(293,5) |= 587

Karena

|w |<2 SE( w)

dengan nol artinya w

maka

tidak berbeda secara signifikan

tidak diperhitungkan dalam model.

Jadi model yang digunakan adalah model bentuk pertama, yaitu:

W t =W t1 +at
= 0,5146W t1 +at

b. MA(1)
Estimates at each iteration
Iteration
0
1
2
3
4
5
6
7
8
9

SSE
819410943
733621218
680797164
662259605
662182451
662172065
662170699
662170445
662170431
662170420

Parameters
0,100 40,981
0,250 30,321
0,400 17,066
0,550 -4,152
0,538 -4,908
0,542 -6,117
0,541 -5,779
0,541 -5,914
0,541 -5,863
0,541 -5,883

Unable to reduce sum of squares any further

Final Estimates of Parameters
Type
MA
1
Constant
Mean

Coef
0,5412
-5,9
-5,9

SE Coef
0,1237
206,0
206,0

T
4,37
-0,03

P
0,000
0,977

Number of observations: 59
Residuals:
SS = 661874838 (backforecasts excluded)
MS = 11611839 DF = 57
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
6,4
10
0,778

24
23,6
22
0,366

36
24,4
34
0,887

48
25,3
46
0,994

Model MA(1) yang mungkin adalah :

w t=at +1 at 1

w
w t=z t z t1
( tw)=a

t + 1 a t1 dengan

atau

Dari tabel output diatas diperoleh :

Nilai mean:

|w |=5,9 = 5,9
2SE( w )|=|2(206,0) |= 412
Karena

|w |<2 SE( w)

dengan nol artinya w

maka

tak berbeda secara signifikan

tidak diperhitungkan dalam model.

Jadi model yang digunakan adalah model bentuk pertama, yaitu:

w t=at +1 at 1
w t=at +0,5412 at 1

c. ARMA(1,1)
Estimates at each iteration
Iteration
0
1
2
3
4
5
6

SSE
899304067
711299941
654151971
649644426
649629464
649629435
649629435

Parameters
0,100 36,883
0,250 22,596
0,400 13,679
0,358 15,847
0,363 16,317
0,363 16,353
0,363 16,357

0,100
-0,050
-0,137
-0,249
-0,248
-0,248
-0,248

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type
AR
1
MA
1
Constant
Mean

Coef
-0,2484
0,3634
16,4
13,1

SE Coef
0,2434
0,2456
283,6
227,2

T
-1,02
1,48
0,06

P
0,312
0,145
0,954

Number of observations: 59
Residuals:
SS = 649103494 (backforecasts excluded)
MS = 11591134 DF = 56
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
5,5
9
0,791

24
18,7
21
0,601

36
19,4
33
0,971

48
20,0
45
1,000

Model ARMA(1,1) yang mungkin adalah:

w t=1 w t1 +at + 1 at1

( w t w ) = ( wt 1w ) +at +1 at1

atau

Dari tabel output diatas diperoleh :

Nilai mean:

|w |=13,1 = 13,1
2SE( w )|=|2(227,2) |= 454,4
Karena

|w |<2 SE( w)

dengan nol artinya w

maka

tak berbeda secara signifikan

tidak diperhitungkan dalam model.

Jadi model yang digunakan adalah model bentuk pertama,yaitu :

w t=1 w t1 +at + 1 at1
w t=0,2484 1 w t1 +at +0,3634 at 1

1.2 Verifikasi Model

Dalam tahap ini ada 3 hal yang harus dilakukan. Yaitu: Uji keberartian
koefisien, Uji Kecocokan model dan Variansi sesatan. Peneliti akan
memperlihatkan hasil uji verifikasi model yaitu sebagai berikut:
1) Uji Keberartian Koefisien
a. Untuk AR(1)
Final Estimates of Parameters
Type
AR
1
Constant
Mean

Coef
-0,5146
50,9
33,6

SE Coef
0,1145
444,5
293,5

T
-4,49
0,11

P
0,000
0,909

Berdasarkan hasil output dari AR(1) diatas:

Hipotesis yang diuji adalah:
H0 : Koefisien tidak berarti
H1 : Koefisien berarti (berpengaruh terhadap model)
Kriteria uji: Tolak Ho jika : ||>2 SE
Dalam hal ini ||=|0,5146|=0,5146
2 SE=2 x 0,1145=0,2290
Dapat dilihat bahwa

0,5146 >

0,2290 Maka berdasarkan

kriteria uji Ho ditolak, artinya koefisien berarti secara signifikan

terhadap model.
Model AR(1) diatas dapat ditulis sebagai persamaan
W t =0,5146 W t1 +a t

b. MA(1)
Final Estimates of Parameters
Type
MA
1
Constant
Mean

Coef
0,5412
-5,9
-5,9

SE Coef
0,1237
206,0
206,0

T
4,37
-0,03

P
0,000
0,977

Hipotesis yang diuji adalah:

H0 : Koefisien tidak berarti
H1 : Koefisien berarti (berpengaruh terhadap model.
Kriteria uji: Tolak Ho jika ||>2 SE
Dalam hal ini ||=|0,5412|=0,5412
2 SE=2 x 0,1237=0,2474
Dapat dilihat bahwa 0,5412 > 0,2474
Maka berdasarkan kriteria uji Ho ditolak, artinya koefisien berarti
secara signifikan terhadap model.
Model MA(1) diatas dapat ditulis sebagai persamaan
W t =at +0,5412 at1
c. Untuk ARMA (1,1)

Final Estimates of Parameters

Type
AR
1
MA
1
Constant
Mean

Coef
-0,2484
0,3634
16,4
13,1

SE Coef
0,2434
0,2456
283,6
227,2

T
-1,02
1,48
0,06

P
0,312
0,145
0,954

Hipotesis yang diuji adalah:

H0 : Koefisien tidak berarti
H1 : Koefisien berarti (berpengaruh terhadap model.
Kriteria uji: Tolak Ho jika ||>2 SE

| 2 SE
Dalam hal ini
||=|0,2484|=0,2484
| |0,3634|=0,3634
2 SE ( AR )=2 x 0,2434=0,4868
2 SE ( MA )=2 x 0,2456=0,4912
Dapat dilihat bahwa

0,2484

0,4868

<

untuk AR dan

0,3634

< 0,4912 untuk MA.

Ini berarti Ho diterima, artinya koefisien tidak berarti secara
signifikan terhadap model. Model

ARMA(1,1)

tidak

bisa

dituliskan dalam sebuah model persamaan dari data.

Berdasarkan Uji Keberartian Koefisien maka Model yang lolos

untuk Uji berikutnya adalah Model AR(1) dan Model MA(1).
2) Uji Kecocokan Model
a. Untuk AR(1)
Berdasarkan output hasil pengolahan data diperoleh sbb:
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
6,3
10
0,786

24
18,4
22
0,680

36
18,8
34
0,984

4 8
19,3
46
1,000

Hipotesis uji:
H0 : model sesuai
H1 : model tidak sesuai
Kriteria Uji :
Tolak H 0 jika
Terima H 0 jika

Lag ke-

P .Value<=0,05
P .Value> =0,05

P value

Kesimpulan

12
24
36
48

0,786

Terima Ho
Terima Ho
Terima Ho
Terima Ho

0,680
0,984
1,000

Berdasarkan tabel diatas, maka dapat disimpulkan bahwa

H0

diterima, artinya model cukup sesuai dengan data yang

menurunkannya.
b. Untuk MA (1)
Berdasarkan output hasil pengolahan data diperoleh sbb:
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
6,4
10
0,778

24
23,6
22
0,366

36
24,4
34
0,887

48
25,3
46
0,994

Hipotesis uji:
H0 : model sesuai
H1 : model tidak sesuai
Kriteria Uji :
Tolak H 0 jika
Terima H 0 jika
Lag ke12
24
36
48

P .Value< =0,05
P .Value> =0,05
P value
0,778
0,366
0,887
0,994

Kesimpulan
Terima Ho
Terima Ho
Terima Ho
Terima Ho

Berdasarkan tabel diatas, maka dapat disimpulkan bahwa

H0

diterima, artinya model cukup sesuai dengan data yang

menurunkannya.

Berdasarkan hasil uji diatas, maka model yang lolos dalam Uji
kecocokan model adalah AR(1) dan MA(1). Selanjutnya akan
dilakukan Uji variansi sesatan.

3) Uji Variansi Sesatan

Untuk AR (1)
Number of observations: 59
Residuals:
SS = 664418414 (backforecasts excluded)
MS = 11656463 DF = 57

Untuk MA(1)
Number of observations: 59
Residuals:
SS = 661874838 (backforecasts excluded)
MS = 11611839 DF = 57

Dalam uji ini, kita akan memilih varians terkecil dari model yang
telah lolos dalam 2 uji sebelumnya yaitu model AR(1) dan MA(1).
Hal ini dilakukan karena model yang lolos dalam 2 uji sebelumnya
dan akan dicari model yang paling tepat. Perhatikan varians dari
masing-masing model dibawah ini:
SSMS 66441841411656463
=
=11.451.964,05
Var AR(1) :
df
57

Var MA(1) :

SSMS 66187483811611839
=
=11408122,78
df
57

Jadi, karena variansi sesatan dari MA(1) lebih kecil dari variansi
sesatan AR(1), maka model yang digunakan untuk peramalan adalah
MA(1).

4.4 Peramalan (Forecasting)

Langkah selanjutnya dan terpenting yang digunakan dalam metode runtun
waktu adalah peramalan. Dalam hal ini peneliti akan meramal banyaknya
masyarakat kota Cimahi yang tidak bekerja (pengangguran), yaitu dari
bulan Maret 2015 -Juli 2015. Berikut hasil peramalan dengan
menggunakan minitab 16:

ARIMA Model: C1
Estimates at each iteration
Iteration
0
1
2
3
4
5
6
7
8
9

SSE
819410943
733621218
680797164
662259605
662182451
662172065
662170699
662170445
662170431
662170420

Parameters
0,100 40,981
0,250 30,321
0,400 17,066
0,550 -4,152
0,538 -4,908
0,542 -6,117
0,541 -5,779
0,541 -5,914
0,541 -5,863
0,541 -5,883

Unable to reduce sum of squares any further

Final Estimates of Parameters
Type
MA
1
Constant

Coef
0,5412
-5,9

SE Coef
0,1237
206,0

T
4,37
-0,03

P
0,000
0,977

Differencing: 1 regular difference

Number of observations: Original series 60, after differencing 59
Residuals:
SS = 661874838 (backforecasts excluded)
MS = 11611839 DF = 57
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag
Chi-Square
DF
P-Value

12
6,4
10
0,778

24
23,6
22
0,366

36
24,4
34
0,887

48
25,3
46
0,994

Forecasts from period 60

Period
61
62
63
64
65

Forecast
42364,4
42358,5
42352,6
42346,7
42340,9

95% Limits
Lower
Upper
35684,1 49044,7
35008,7 49708,3
34389,4 50315,8
33814,1 50879,4
33274,5 51407,2

Actual

Hasil diatas merupakan peramalan dari banyaknya pengangguran di Kota

Cimahi bulan Maret 2015 sampai Juli 2015.
Peramalan dari banyaknya pengangguran di Kota Cimahi bulan Maret
2015 sampai Juli 2015

Bulan ke -

Bulan
Maret 2015

61
62
63
64
65

April 2015
Mei 2015
Juni 2015
Juli 2015

Ramalan banyaknya
tiket kereta yang
terjual
42364
42358
42352
42346
42340

Berdasarkan tabel diatas dapat diketahui ramalan dari banyaknya pengangguran di

Kota Cimahi untuk 5 bulan kedepan sehingga bisa menjadi bahan pertimbangan
untuk pemerintah kota dalam upayanya meningkatkan kesejahteraan
penduduknya.

BAB V
PENUTUP
5.1 Kesimpulan
Model

yang

cocok

digunakan

untuk

meramalkan

banyaknya

pengangguran di Kota Cimahi untuk 5 bulan kedepan adalah dengan

menggunakan metode Box Jenkins adalah model MA(1). Dengan hasil
peramalan adalah sebagai berikut:
Bulan ke 61

Bulan
Maret 2015

Ramalan banyaknya
tiket kereta yang
terjual
42364

62
63
64
65

5.2 Saran

April 2015
Mei 2015
Juni 2015
Juli 2015

42358
42352
42346
42340