Oleh :
Gina Safitri
NIM 1200114
Rizki Pramasta
NIM 1205901
Menyetujui:
Dosen Pembimbing 1,
Koordinator PLA,
Mengetahui:
DRS. HADI
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
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
Pencatatan Sipil.
Bapak H.Aris selaku Ketua Bidang penyimpanan dan pengolahan data,
yang telah memberikan ijin praktik kerja lapangan kepada penulis.
praktik.
Semua pihak yang tidak dapat disebutkan satu persatu.
Bandung,
April 2015
Penulis
DAFTAR ISI
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
lapangan
pekerjaan
atau
sedikitnya
kesempatan
untuk
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:
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.
Z^t (1)=f ( Z 1 , Z 2 , , Z t 1 , Z t )
dimana
Z^ t (1)
Yaitu jika data dari pengalaman yang lalu, keadaan yang akan datang
bisa ditentukan dengan pasti. Grafik dibawah merupakan pola data
deterministik.
Stokastik
Jika data dari pengalaman data yang lalu, hanya dapat menentukan
struktur probabilistik keadaan yang akan datang.
f (z1 , z2 , z3 , , z n)
1
2
tidak dipengaruhi
z1 , z2 , z3 , , zn
disebut
disebut
Cov ( z t , zt k )= k
Dimana
tk
z
var
Cov ( z t , z tk )
k =
prkateknya
, k dan k
jika
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 =
^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
|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
N1
N2
N3
N4
1
kk
yang didefinisikan
oleh:
|P k|
|P k|
kk =
, di mana
Pk
adalah
Pk
oleh
[]
1
2
|r k|< 2 SE(r k )
var ( kk )
1
N . Jika
(1B)
( B ) Zt =(B)at
( B ) Zt = ( B ) .a t
dimana
dan
2
2
konstan a ditulis at N (0; a) .
melalui
linear
filter
dengan
fungsi
transfer
( B )=1+ 1 B+ 2 B2 +
at
Filter Linear
Zt
, 1, 2 ,
at
ke
konvergen maka filter tersebut stabil dan runtun waktu yang dihasilkan
dikatakan stasioner.
Langkah Iteratif dalam memilih model
Tidak
Identifikasi Model
Ya
Estimasi Parameter
Verifikasi Model
(Apakah model memadai?)
( B ) Z t =a t
2
dengan ( B ) =11 B2 B .. p B
a
b
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
1< < 1 .
0<<1 , fak
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
11 =
1
, = , =0, k 3
1 2 22 2 kk
lag
ke-2
Ilustrasi:
atau
z t= ( B ) at , di mana
at N (0, 2a) .
( B )=1+1 B+ 2 B2 +..+ p B p
Bentuk
( B ) z t=at
Jika
atau
1 , 2 ,
z t= ( B ) at
dapat
ditulis
(1 1 B 2 B2 ) z t=at
sebagai
( B ) z t=at
dengan orde
MA(1)
Bentuk umum dari proses MA (1) adalah
z t=at +1 at 1 .
, at N ( 0, a )
0=1, 1=
, k =0, k 2
1+2
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.
Ilustrasi:
MA(2)
Bentuk umum dari proses MA (2) adalah
z t=at +1 at 1+ 2 a t2
1<< 1
1 +1 2
2
, 2=
, k =0 , k 3 )
( 1=
2
2
2
2
1+1 +2
1+1 +2
12 <1 , dan
iii
1 2<1
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
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
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.
( 1B )
Zt
( B)
at
2
(B)
( 1B )2 ( B )
at
yang
Z t 1 , Z t 2 , Zt 33 ,
( p p1)Z t p p Z t p1 +a t +1 at 1 ++ q at q
( B ) = (1-B) ( B )
(1B)d ( B ) ,
( B)
merupakan
11
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
Tidak
Identifikasi Model
Ya
Estimasi Parameter
Verifikasi Model
(Apakah model memadai?)
A Identifikasi Model
{r k } dan { kk } untuk
berbagai model.
Pendekatan
model
( N1 ) , k > p
kk N 0,
AR (p)
kk
( (
r k N 0,
))
1
1+2 r 2i , k >q
N
i=1
MA (q)
r k terputus setelah lag ke-q
1
2
3
E ( z t ) =z 0 ,
^z t=z t z
H 0 : z =0
model
maka
dituliskan
sebagai
z =0 . Hipotesis
Jika
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 )
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
^ SE ( ^ )
<2
, maka
^ <2 SE ( ^ ) , maka
tidak berbeda
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
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
b
b
R=N r i
i=1
Tolak H0 jika
Tolak H0 jika
P .Value<0,05
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
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
Biasa,
: Drs. Hadi
Sekertaris
: Nendra Nugraha, SE
Kabid Kependudukan
: Drs.Dodi Molyohadi
: Erwandi, S.Sos
Kasubag Keuangan
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
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,
keuangan
program,
serta
pelaporan,
dan
mengelola,
mengoordinasikan,
Merencanakan
operasional,
mengelola,
mengkoordinasikan,
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
operasional,
mengelola,
mengkoordinasikan,
1.
2.
3.
4.
penyelenggaraan
pengelolaan
dan
penyimpanan
data
kependudukan
Hari
Pukul
Tempat
Alamat
Telp
: (022) 6654274
Fax
: (022) 6654274
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
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:
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
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
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
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
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
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
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.
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
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
W t =W t1 +at
=W t1W
+ at
W t W
dengan W t =Z t Z t1
|w |= 33,6 = 33,6
2SE( w )|=|2(293,5) |= 587
Karena
|w |<2 SE( w)
maka
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
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
w t=at +1 at 1
w
w t=z t z t1
( tw)=a
t + 1 a t1 dengan
atau
|w |=5,9 = 5,9
2SE( w )|=|2(206,0) |= 412
Karena
|w |<2 SE( w)
maka
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
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
( w t w ) = ( wt 1w ) +at +1 at1
atau
|w |=13,1 = 13,1
2SE( w )|=|2(227,2) |= 454,4
Karena
|w |<2 SE( w)
maka
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
0,5146 >
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
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
| 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
ARMA(1,1)
tidak
bisa
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
H0
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
H0
Berdasarkan hasil uji diatas, maka model yang lolos dalam Uji
kecocokan model adalah AR(1) dan MA(1). Selanjutnya akan
dilakukan Uji variansi sesatan.
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).
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
Coef
0,5412
-5,9
SE Coef
0,1237
206,0
T
4,37
-0,03
P
0,000
0,977
12
6,4
10
0,778
24
23,6
22
0,366
36
24,4
34
0,887
48
25,3
46
0,994
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
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
BAB V
PENUTUP
5.1 Kesimpulan
Model
yang
cocok
digunakan
untuk
meramalkan
banyaknya
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