Data penjualan industri bulanan dalam ribuan franch

untuk kertas cetak dan kertas tulis antara tahun 1963 sampai 1972

562.674 599 668.516 597.798 579.889

668.233 499.232 215.187 555.813 586.935
546.136 571.111 634.712 639.283 712.182
621.557 621 675.989 501.322 220.286
560.727 602.53 626.379 605.508 646.783
658.442 712.906 687.714 723.916 707.183
629 237.53 613.296 730.444 734.925
651.812 676.155 748.183 810.681 729.363
701.108 790.079 594.621 230.716 617.189
691.389 701.067 705.777 747.636 773.392
813.788 766.713 728.875 749.197 680.954
241.424 680.234 708.326 694.238 772.071
795.337 788.421 889.968 797.393 751
821.255 691.605 290.655 727.147 868.355
812.39 799.556 843.038 847 941.952
804.309 840.307 871.528 656.33 370.508
742 847.152 731.675 898.527 778.139
856.075 938.833 813.023 783.417 828.11
657.311 310.032 780 860 780
807.993 895.217 856.075 893.268 875
835.088 934.595 832.5 300 791.443
900 781.729 880 875.024 992.968
976.804 968.697 871.675 1006.852 832.037
345.587 849.528 913.871 868.746 993.733
1. Identifikasi Kestasioneran Data
Tahap ini dilakukan untuk mengetahui kestasioneran data dan menentukan model sementara.
Identifikasi kestasioneran data meliputi identifikasi secara visual dilihat dari plot data aktual
dan grafik analisis trend data.

Gambar 1 Plot data penjualan industry kertas cetak dan kertas tulis

Gambar 2 Grafik Trend data penjualan industry kertas cetak dan kertas tulis
Berdasarkan plot data dan garfik trend analisis data di atas dapat diketahui bahwa
penjualan industry kertas cetak dan kertas tulis mengalami kenaikan seiring
bertambahnya waktu dan nilai aktualnya masih jauh dari garis linear serta adanya pola
musiman, sehingga trend ini termasuk time series yang tidak stasioner dalam rata-rata
nonmusiman maupun dalam rata-rata musiman.

Data akan distasionerkan terhadap rata-rata dengan melakukan differences.

Differences 1 Non Musiman
Berikut hasil differencing 1 non musiman

* 340.441 -28.255 23.266 371.492 -39.912

36.326 41.803 88.971 -6.916 105.152 99.507
69.516 23.849 -195.458 101.547 -115.477 -102.095
-70.718 -20.871 -363.905 -92.575 166.852 -532.5
-17.909 41.275 386.473 -46.393 -120.388 491.443
88.344 11.659 74.2 70.255 77.936 108.557
-169.001 54.464 9.678 -129.65 82.758 -118.271
-284.045 -25.192 4.71 -400.95 -125.81 98.271
340.626 36.202 41.859 436.492 -29.606 -4.976
31.122 -16.733 25.756 141.208 44.693 117.944
-40.799 -78.183 40.396 -55.965 -170.799 -16.164
24.975 -391.47 -47.075 -12.834 -347.279 -8.107
63.601 375.766 -37.838 43.482 469.968 -97.022
4.571 117.148 20.322 3.962 80 135.177
72.899 4.481 -68.243 94.952 -80 -174.815
-90.625 -83.113 -439.53 -137.643 27.993 -486.45
-0.557 24.343 438.81 35.998 87.224 503.941
54.989 72.028 28.092 31.221 -39.142 64.343
-174.667 62.498 -14.088 -215.198 37.193 -45.125
-281.036 -81.318 77.833 -285.822 -18.268 124.987
Gambar 3 Plot time series setelah differencing satu non musiman

Gambar 4 Grafik analisis trend diffrencing satu non musiman

Gambar 5 ACF differencing 1 non musiman

Autocorrelations

Lag ACF T LBQ

1 -0,257421 -2,81 8,09

2 -0,335793 -3,44 21,96

3 0,189208 1,77 26,41

4 0,020137 0,18 26,46

5 -0,142901 -1,30 29,04

6 0,037883 0,34 29,22

7 -0,110182 -0,99 30,78

8 0,021181 0,19 30,84

9 0,160854 1,43 34,23

10 -0,300904 -2,64 46,19

11 -0,198238 -1,64 51,43

12 0,830836 6,74 144,32

13 -0,187586 -1,15 149,10

14 -0,300868 -1,82 161,51

15 0,151454 0,89 164,69

16 0,024775 0,14 164,77

17 -0,128925 -0,75 167,12

18 0,042976 0,25 167,38

19 -0,102720 -0,60 168,90

20 0,022597 0,13 168,98

21 0,127619 0,74 171,37

22 -0,250262 -1,44 180,67

23 -0,185773 -1,05 185,84

24 0,725985 4,08 265,73

25 -0,143842 -0,71 268,90

26 -0,273665 -1,35 280,49

27 0,129463 0,63 283,12

28 0,042720 0,21 283,40

29 -0,142278 -0,69 286,64

30 0,038016 0,18 286,88

Gambar 6 PACF differencing 1 non musiman

Partial Autocorrelations

Lag PACF T

1 -0,257421 -2,81

2 -0,430591 -4,70

3 -0,059551 -0,65

4 -0,095811 -1,05

5 -0,130983 -1,43

6 -0,086092 -0,94

7 -0,282337 -3,08

8 -0,173630 -1,89

9 -0,039503 -0,43

10 -0,423426 -4,62
 11 -0,785573 -8,57

12 0,207123 2,26

13 0,052632 0,57

14 0,179948 1,96

15 -0,037767 -0,41

16 -0,075981 -0,83

17 -0,008349 -0,09

18 0,100438 1,10

19 0,070159 0,77

20 0,040923 0,45

21 -0,057672 -0,63

22 0,034079 0,37

23 -0,101643 -1,11

24 0,058630 0,64

25 -0,032901 -0,36

26 -0,008600 -0,09

27 -0,024285 -0,26

28 0,078060 0,85

29 -0,012505 -0,14

30 -0,043895 -0,48

Di lihat dari kedua grafik pada gambar 3, 4, 5 dan 6 terlihat bahwa data sudah
stasioner dalam rata-rata non musiman tetapi belum stationer terhadap rata-rata
musiman. Oleh karena itu dilakukan proses differencing satu musiman 12 dari data
differencing satu non musiman.
 Differencing satu non musiman dan musiman 12
Berikut hasil proses differencing satu musiman 12 dari data differencing satu non
musiman.

* * -22.326 -16.932 17.516 -18.593 20.216 -163.87 207.612 -92.2

* -31.755 7.088 60.369 -46.272 -32.672 10.878 73.974 -117.078 157.086
* 3.383 -18.435 8.034 -22.102 61.151 -6.595 -12.194 -45.565 -53.357
* -19.907 65.433 -56.126 34.243 -45.5 -45.068 11.833 107.542 10.161
* 17.352 36.759 -64.457 -9.583 -8.555 82.391 -65.604 -10.306 -57.11
* -33.355 -71.722 105.704 -68.649 49.933 -39.034 13.472 54.814 35.67
* -5.666 96.484 -117.275 127.215 -61.407 -85.548 44.399 68.704 -72.72
* 3.009 -110.434 27.565 -75.625 38.58 115.128 -61.457 -185.221 46.05
* -0.185 35.325 10.707 52.337 -2.318 -65 98.476 21.475 12.498
* 10.681 75.345 -42.948 -46.108 113.116 -36.056 -25.152 28.557 -44.214
* 64.648 -19.368 5.197 -23.766 -41.877 -59.512 35.477 -38.271 73.146
* -45.846 -62.242 87.823 73.123 -90.667 179.686 -138.859 70.278 26.716

Gambar 7 Plot time series hasil differencing satu musiman 12

dari data differencing satu non musiman.
Gambar 8 ACF hasil differencing satu musiman 12
dari data differencing satu non musiman.

Autocorrelations

Lag ACF T LBQ

1 -0,551891 -5,71 33,51

2 0,047608 0,39 33,76

3 0,045972 0,37 34,00

4 0,018626 0,15 34,04

5 -0,095836 -0,78 35,09

6 0,030423 0,25 35,20

7 0,060444 0,49 35,62

8 -0,068058 -0,55 36,17

9 0,039213 0,32 36,35

10 -0,034628 -0,28 36,50

11 0,247345 1,99 43,93

12 -0,444144 -3,44 68,15

13 0,279493 1,96 77,84

14 -0,044039 -0,30 78,08

15 -0,033116 -0,22 78,22

16 -0,061094 -0,41 78,70

17 0,133047 0,90 80,99

18 -0,085898 -0,58 81,96

19 0,034214 0,23 82,12

20 -0,024820 -0,17 82,20

21 -0,027707 -0,18 82,30

22 0,069140 0,46 82,96

23 -0,043828 -0,29 83,23

24 0,039175 0,26 83,44

25 -0,093010 -0,62 84,67

26 0,119686 0,79 86,73

27 -0,038279 -0,25 86,95

Gambar 9 PACF differencing satu musiman 12
dari data differencing satu non musiman.

Partial Autocorrelations

Lag PACF T

1 -0,551891 -5,71

2 -0,369527 -3,82

3 -0,203150 -2,10

4 -0,052790 -0,55

5 -0,125799 -1,30

6 -0,154636 -1,60

7 -0,047397 -0,49

8 -0,056755 -0,59

9 -0,014236 -0,15

10 -0,064863 -0,67
 11 0,353981 3,66

12 -0,134293 -1,39

13 -0,084752 -0,88

14 -0,055071 -0,57

15 -0,015141 -0,16

16 -0,124201 -1,28

17 -0,054781 -0,57

18 -0,094154 -0,97

19 0,025771 0,27

20 -0,090314 -0,93

21 -0,144584 -1,50

22 -0,061275 -0,63

23 0,188866 1,95

24 -0,022873 -0,24

25 -0,127713 -1,32

26 0,031889 0,33

27 0,154698 1,60

Berdasarkan diagram dereat waktu, diagram ACF hasil differencing satu non musiman
dan differencing satu musiman 12 terlihat bahwa data sudah stationer dalam rata-rata.
2. Penentuan Model ARIMA
Dari diagram ACF dimana lag 1 signifikan berbeda dari nol (cut off setelah lag 1), dan
diagram PACF dimana lag awal yaitu lag 1, lag 2 dan lag 3 signifikan berbeda dari nol (turun
secara exponensial pada lag awal) dapat menguatkan bahwa proses tersebut adalah proses
MA(1) yang tidak musiman (p=0 dan q=1). Selanjutnya, berdasarkan diagram ACF, terlihat
pada lag musiman lag 12 signifikan berbeda dari nol, lag 11, dan lag 13 juga signifikan
berbeda dari nol (efek multiplikatif), yang dapat dikatakan terpotong setelah lag 12,
sedangkan pada diagram PACF tidak terdapat pola tertentu. Andaikan pada diagram PACF,
lag 12, lag 24, lag 36 dan seterusnya turun secara eksponensial, dapat menguatkan kita bahwa
proses tersebut adalah MA(1) musiman 12. Berdasarkan bentuk ACF dan PACFnya , dapat
dicoba beberapa model untuk data penjualan industri bulanan tersebut yaitu :
ARIMA (0,1,1)(0,1,1)12
ARIMA (0,1,1)(1,1,1)12
ARIMA (0,1,1)(1,1,0)12

3. Menentukan parameter model

Setelah diperoleh model sementara pada identifikasi model, tahap selanjutnya adalah
menentukan parameter pada model dengan menggunakan metode kuadrat terkecil, karena data
yang digunakan dalam jumlah banyak sehingga untuk mempermudah pengolahan data maka
digunakan software Minitab. Berikut parameter yagn diperoleh :
ARIMA (0,1,1)(0,1,1)12

ARIMA Model: Zt
Estimates at Each Iteration

Iteration SSE Parameters

0 416431 0,100 0,100

1 335444 0,250 0,204

2 279644 0,400 0,300

3 239371 0,550 0,396

 4 210106 0,700 0,505

5 196678 0,850 0,578

6 190697 0,847 0,717

7 190042 0,859 0,747

8 189869 0,864 0,761

9 189820 0,866 0,768

10 189807 0,867 0,772

11 189803 0,868 0,774

12 189803 0,868 0,775

13 189803 0,868 0,776

Relative change in each estimate less than 0,001

Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

MA 1 0,8685 0,0496 17,51 0,000

SMA 12 0,7761 0,0870 8,92 0,000

Differencing: 1 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 107

Residual Sums of Squares

DF SS MS

105 180421 1718,29

Back forecasts excluded
 Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48

Chi-Square 6,61 14,98 21,76 34,06

DF 10 22 34 46

P-Value 0,761 0,863 0,948 0,904

ARIMA (0,1,1)(1,1,1)12

ARIMA Model: Zt
Estimates at Each Iteration

Iteration SSE Parameters

0 452323 0,100 0,100 0,100

1 353144 0,035 0,250 0,165

2 328899 0,145 0,299 0,315

3 296995 0,235 0,372 0,465

4 247813 0,261 0,522 0,609

5 214482 0,175 0,672 0,641

6 193998 0,062 0,822 0,683

7 190597 0,001 0,847 0,723

8 190013 -0,006 0,859 0,746

9 189857 -0,008 0,864 0,758

10 189811 -0,009 0,867 0,765

11 189798 -0,009 0,868 0,769

12 189794 -0,009 0,869 0,771

13 189793 -0,009 0,869 0,773

14 189793 -0,009 0,869 0,773

Relative change in each estimate less than 0,001

Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

SAR 12 -0,009 0,156 -0,06 0,956

MA 1 0,8691 0,0508 17,12 0,000

SMA 12 0,773 0,129 5,99 0,000

Differencing: 1 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 107

Residual Sums of Squares

DF SS MS

104 180473 1735,32

Back forecasts excluded

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48

Chi-Square 6,65 15,08 21,87 34,09

DF 9 21 33 45

P-Value 0,673 0,819 0,930 0,882

 ARIMA (0,1,1)(1,1,0)12

ARIMA Model: Zt
Estimates at Each Iteration

Iteration SSE Parameters

0 496064 0,100 0,100

1 376516 -0,050 0,248

2 307127 -0,157 0,398

3 262370 -0,247 0,548

4 232938 -0,334 0,698

5 220684 -0,455 0,846

6 220116 -0,486 0,825

7 220106 -0,486 0,822

8 220106 -0,485 0,821

9 220106 -0,485 0,821

Relative change in each estimate less than 0,001

Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

SAR 12 -0,4848 0,0929 -5,22 0,000

MA 1 0,8212 0,0579 14,18 0,000

Differencing: 1 regular, 1 seasonal of order 12
Number of observations: Original series 120, after differencing 107
Residual Sums of Squares

DF SS MS

105 218118 2077,31

Back forecasts excluded
 Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48

Chi-Square 5,33 20,71 31,24 46,89

DF 10 22 34 46

P-Value 0,868 0,538 0,604 0,436

4. Uji Signifikan Parameter Model

Dilakukan uji statistik terhadap parameter dan konstanta menggunakan uji signifikan dengan
membandingkan nilai P-value terhadap level toleransi, seperti pada tabel berikut:

Model Parameter Kesimpulan

MA 1
ARIMA (0,1,1)(0,1,1)12 Model layak digunakan
SMA 12

SAR 12
12 Model tidak layak
ARIMA (0,1,1)(1,1,1) MA 1
digunakan
SMA 12

SAR 12
ARIMA (0,1,1)(1,1,0)12 Model layak digunakan
MA 1

Berdasarkan dapat diketahui bahwa untuk ARIMA (0,1,1) (1,1,0)12 dan ARIMA
(0,1,1) (0,1,1)12 model signifikan, sedangkan untuk model ARIMA (0,1,1) (1,1,1)12
parameter SAR 12 tidak signifikan. Dengan demikian dapat diambil kesimpulan bahwa model
ARIMA (0,1,1) (1,1,0)12 dan ARIMA (0,1,1) (0,1,1)12 akan digunakan sebagai model
sementara.
5. Uji Proses Ljung-Box-Pierce
Uji independensi dilakukan dengan membandingkan nilai P-value pada output proses Ljung-
Box Pierce dengan level toleransi (). Berikut akan disajikan Output Uji Proses Ljung-Box-
Pierce

P-Value

Lag ARIMA ARIMA ARIMA

(0,1,1)(, , ) (0,1,1)(, , ) (0,1,1)(, , )
12 0,761 0,673 0,868
24 0,863 0,819 0,538
36 0,948 0,930 0,604
48 0,904 0,882 0,436
:

Berdasarkan Tabel 4.4 untuk model ARIMA (0,1,1)(0,1,1)12 pada lag 12 residual model
memenuhi proses random karena nilai P-value (0,761 > 0,05). Begitu pula pada lag 24, 36 dan
48 nilai P-value > (0,05). Pada model ARIMA (0,1,1)(1,1,0)12 untuk lag 12 residual model
juga memenuhi proses random karena nilai P-value (0,868> 0,05). Begitu juga pada lag 24,
36 dan 48 nilai P-value > (0,05). Dan pada model ARIMA (0,1,1)(1,1,1)12 untuk lag 12
residual model juga memenuhi proses random karena nilai P-value (0,673 > 0,05). Begitu
juga pada lag 24, 36 dan 48 nilai P-value > (0,05). Sehingga dapat disimpulkan bahwa
seluruh model telah memenuhi proses random (Independen).

6. Uji Kenormalan Residual

Selain menggunakan uji independensi, pada penelitian juga akan dilakukan uji kenormalan
residual dengan melihat p-value pada probalility plot residual ketiga model berikut:
 Gambar 10 Residual ARIMA (0,1,1)(0,1,1)12

Gambar 11 Residual ARIMA (0,1,1)(1,1,1)12

 Gambar 12 Residual ARIMA (0,1,1)(1,1,0)12

Model P-Value Kesimpulan

ARIMA (0,1,1)(0,1,1)12 0,15 Normal
ARIMA (0,1,1)(1,1,1)12 0,15 Normal
ARIMA (0,1,1)(1,1,0)12 0,027 Tidak Normal

7. Kesimpulan

Uji Signifikan Uji Normalitas

Model Uji Indepedensi
Parameter Residual
ARIMA Model layak Normal Independen
(0,1,1)(0,1,1)12 digunakan
ARIMA Model tidak layak Normal Independen
(0,1,1)(1,1,1)12 digunakan
ARIMA Model layak Tidak Normal Independen
(0,1,1)(1,1,0)12 digunakan

Jadi dapat disimpulkan bahwa model yang sesuai adalah ARIMA (0,1,1)(0,1,1)12