seasonal;
S D
P B P ( B ) (1B ) ( 1B ) Z t= q ( B)q (B )a t .
dituliskan:
( 1B )d = differencing non-seasonal;
non-seasonal;
Dengan:
P ( B ) =AR non-
( 1B S )
= differencing seasonal;
q ( B ) =MA
q ( BS ) =MA seasonal. Dalam paper ini penulis akan mengaplikasikan metode SARIMA
dengan penyesuaian aditif untuk meramalkan jumlah penumpang kereta api di Indonesia 9 periode kedepan
(April 2015 Desember 2015) karena plot data runtun waktu yang dihasilkan konstan.
Kata kunci: Forecasting, Peramalan Metode SARIMA
1.
Pendahuluan
1.1. Latar Belakang
Salah satu alat transportasi darat yang
umum digunakan untuk jarak jauh adalah
kereta api. Jumlah penumpang kereta api di
Indonesia dari tahun ke tahun cenderung
fluktuatif dan konstan. Menurut data jumlah
penumpang kereta api dari BPS dari tahun
2009 2015, secara grafik menunjukkan
pola bahwa jumlah penumpang meningkat
banyak pada bulan Juli-Agustus, namun
tidak begitu banyak pada awal bulan. Hal ini
masuk akal jika dilihat bahwa antara bulan
Juli-Agustus sering bertepatan dengan hilir
mudik hari raya. Berdasarkan data tersebut,
dapat dipastikan bahwa jumlah penumpang
bergantung pada musiman.
Dalam analisis runtun waktu, salah satu
metode peramalannya adalah metode
SARIMA (Seasonal ARIMA). Dalam
penulisan paper ini, penulis akan
mengaplikasikan
metode
peramalan
SARIMA untuk meramalkan jumlah
penumpang kereta api di Indonesia untuk
periode April 2015 Desember 2015.
Langkah-langkah
pemodelan
data
runtun waktu dengan SARIMA adalah: 1)
tahap
identifikasi
umum,
2)
2.
2
model ARIMA pada data runtun waktu yang
memiliki pola musiman. Notasi SARIMA
adalah: SARIMA (p,d,q) (P,D,Q)S. Dengan
p,d,q: bagian yang tidak musiman dari model;
(P,D,Q)S: bagian musiman dari model; S: jumlah
periode per musim. Rumus umum SARIMA
dapat
dituliskan:
S
S D
Oktober
Novemb
er
Desemb
er
P ( B ) =AR
Januari
( 1B )
S D
( 1B )
q ( B ) =MA
3.
differencing
non-seasonal;
differencing
seasonal;
q ( BS )
non-seasonal;
=MA seasonal.
Untuk proses SARIMA yang umum, fungsi
peramalan jangka panjang bergantung pada pola
musiman individual paling akhir dalam data
percobaan, dan peramalan terdiri atas
pertambahan periodik pola dan komponen
modifikasi aditif (pertambahan) yang cenderung
sama dengan nol secara eksponensial secara
cepat karena horizon bertambah besar.
Metodologi Penelitian
Penulis menggunakan software EVIEWS
untuk menyelesaikan studi kasus yang diberikan.
Langkah kerjanya: Pilih New Workfile.
Kemudian pilih Monthly dan isikan 2009:1 pada
Start Date dan 2015:3 pada End Date.
Kemudian pilih Object New Object. Pilih
series pada Type of Object dan beri nama
sarima. Dan selanjutnya inputkan data pada
EVIEWS data berikut:
Tabel 3.1. Jumlah Penumpang Kereta Api Di
Indonesia Januari 2010 Maret 2015
2009
2010
Januari
14494
Januari
17424
Februari
13869
Februari
15207
Maret
17132
Maret
16992
April
16775
April
16832
Mei
17824
Mei
16988
Juni
18143
Juni
17259
Juli
18385
Juli
17680
Agustus
17527
Agustus
16477
Septem
ber
17281
Septem
ber
17301
17581
Novemb
er
Desemb
er
16908
16469
17733
2012
16891
Januari
16283
14890
Februari
15490
Maret
16978
Maret
17090
April
16441
April
16746
Mei
17522
Mei
17771
Juni
17265
Juni
18062
Juli
18132
Juli
18309
Agustus
non-seasonal;
16778
Oktober
2011
17281
14846
Agustus
17056
Septem
ber
16921
Septem
ber
16368
Oktober
16461
Oktober
17127
Novemb
er
Desemb
er
16179
16811
Novemb
er
Desemb
er
2013
15773
16104
2014
Januari
14900
Januari
21092
Februari
14594
Februari
19998
Maret
15826
Maret
22836
April
16000
April
21908
Mei
16113
Mei
22988
Juni
17301
Juni
23840
Juli
20245
Juli
22500
Agustus
19423
Agustus
23199
Septem
ber
19738
Septem
ber
23593
Oktober
20534
Oktober
24923
Novemb
er
Desemb
er
19919
21417
Novemb
er
Desemb
er
24356
26275
2015
Januari
24676
Februari
22790
Maret
27267
3
maka selanjutnya melakukan trasnformasi data
ke dalam bentuk ln agar data stasioner terhadap
varians, dengan pilih menu Quick Generate
Series dan tuliskan sintaks lnsarima =
log(sarima).
Kemudian setelah data ditransformasi, atau
dengan kata lain stasioner dalam varians, maka
selanjutnya melihat apakah data stasioner dalam
mean. Buka file lnsarima pilih menu view
unit root test untuk menguji stasioneritas data
dalam mean dengan uji ADF.
Berikutnya adalah melakukan differencing
musiman, yaitu untuk menghilangkan unsur
musiman. Dengan pilih menu Quick Generate
Series
ketikkan
dslogsarima
=
dlog(sarima,0,12). Selain itu melakukan
differencing non-musiman (jika data belum
stasioner dalam mean). Langkahnya klik Quick
Gnereate
Series
ketikkan
dsarima=d(lnsarima) OK. Kemudian
melakukan Unit Root Test kembali untuk
mengecek stasioneritasnya. Kemudian melihat
ACF dan PACF dengan pilih menu view
correlogram.
Langkah berikutnya adalah melakukan
overfitting model, kemudian uji asumsi klasik,
dan yang terakhir melakukan peramalan.
4.
b.
c.
Jumlah Prediksi
Penumpang
25924,48
26652,15
27008,61
27224,14
26400,33
6
September
Oktober
November
Desember
5.
26776,4
27044,98
26543,32
27468,8
Kesimpulan
Berdasarkan hasil pembahasan diatas, praktikan
dapat menarik kesimpulan sebagai berikut:
1. Hasil peramalan jumlah penumpang kereta
api di Indonesia untuk 6 bulan kedepan
(April-Desember) 2015 berturut-turut adalah:
2.
3.
April
25924,48
Mei
26652,15
Juni
27008,61
Juli
27224,14
Agustus
26400,33
September
26776,4
Oktober
27044,98
November
26543,32
Desember
27468,8
Berdasarkan uji asumsi klasik, diperoleh
informasi bahwa data memenuhi asumsi
normalitas, homoskedastisitas dan nonautokorelasi.
Model terbaik yang didapat adalah SARIMA
(1,1,0) (1,1,1)12
DAFTAR PUSTAKA
Ulwan, M Nasihun. 2014. Peramalan Data Runtun
Waktu Metode SARIMA dengan Eviews.
http://www.portalstatistik.com/2014/10/peramalan-data-runtunwaktu-metode.html (diakses pada tanggal 5
Juni 2015)
Sitepu, Robinson. 2008. Pemodelan dan Peramalan
Deret Waktu Musiman dengan Pendekatan
Filter Bank. Medan: Universitas Sumatera
Utara
Muhajir, Muhamad dan Primandari, Arum. 2015.
Modul Praktikum Analisis Runtun Waktu.
Yogyakarta: Universitas Islam Indonesia