Analisis Data Runtun Dengan Metode Arima PDF
Analisis Data Runtun Dengan Metode Arima PDF
SKRIPSI
Untuk memenuhi sebagian persyaratan guna
memperoleh derajat Sarjana S-1
Diajukan oleh
Dewi Nur Samsiah
NIM. 04610041
Kepada
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SUNAN KALIJAGA
YOGYAKARTA
2008
i
ii
iii
iv
KATA PENGANTAR
Segala Puji dan syukur bagi Allah SWT Tuhan semesta alam atas
limpahan rahmat dan kasih sayang-Nya. Atas ridhlo Allah lah tulisan ini dapat
(Matematika). Skripsi ini berisi tentang pembahasan analisis data runtun waktu
Keberhasilan dalam penulisan skripsi ini tidak lepas dari bantuan, arahan,
bimbingan, dan dukungan berbagai pihak. Oleh karena itu penulis menyampaikan
1. Ibu Dra. Maizer Said Nahdi, M.Si, selaku Dekan Fakultas Sains dan
2. Ibu Dra. Khurul Wardati, M.Si, selaku ketua Prodi Matematika atas
skripsi ini.
bimbingan, arahan dan ilmu yang diberikan kepada peneliti dengan penuh
kesabaran.
v
4. Bapak Moh. Farhan Qudratullah, M.Si, selaku pebimbing kedua yang
perkuliahan.
7. Ayah dan bundaku tercinta yang selalu setia menjadi tempat curahan,
terimakasih atas semua doa yang setiap saat engkau panjatkan untuk
8. Kakek dan nenek yang selalu memberi kasih sayang dan perhatiannya.
Mbak Neng dan Mas Slamet atas perhatian dan dorongan semangat yang
terselesaikan.
dalam suka maupun duka, Rara, Serli, Haya, Ani dan semua teman-teman
10. Mbak Nisa, Mbak Vivi, Eta, Brian, Surya Thanks atas Doa, motivasi,
penulis, meskipun jarak kita jauh tapi aku tidak akan melupakan kalian.
vi
11. Temen-temen pendidik PAUD yang telah memberikan kesempatan
12. Kepada seluruh keluarga dan teman yang tidak dapat saya sebutkan satu
penulisan skripsi ini, untuk itu sangat diharapkan saran dan kritik yang bersifat
berharap semoga skripsi ini bermanfaat dan dapat membantu terwujudnya bangsa
yang cerdas.
Penulis
vii
PERSEMBAHAN
menganugerahkan kedua orang tua yang penuh kasih, sujud dan ikhlas
viii
MOTTO
pakaian tetapi tidak menemukan pakaian yang lebih baik dari pada
takwa. Aku merenungkan tentang segala jenis amal baik, namun tidak
mendapatkan yang lebih baik dari pada memberi nasehat baik. Aku
mencari segala bentuk rezeki, tapi tidak menemukan rezeki yang lebih
(Khalifah Umar)
keikhlasan hatimu..
ix
DAFTAR ISI
BAB I PENDAHULUAN
1.1. Latar Belakang ............................................................................ 1
1.2. Batasan Masalah ......................................................................... 4
1.3. Rumusan Masalah ....................................................................... 5
1.4. Tujuan Penelitian ........................................................................ 5
1.5. Manfaat Penelitian ...................................................................... 6
1.6. Tinjauan Pustaka ......................................................................... 7
1.7. Metode Penelitian………………………………………………. 9
1.8. Sistematika Penulisan…………………………………………... 10
x
3.2 Langkah-langkah Analisis Data Runtun Waktu Model ARIMA 29
3.2.1. Identifikasi Model ........................................................... 29
3.2.2. Penaksiran Parameter ...................................................... 31
3.2.3. Pemeriksaan Diagnosa .................................................... 34
3.2.4. Peramalan........................................................................ 36
3.3 Kriteria Pemilihan Model Terbaik .............................................. 37
BAB V PENUTUP
5.1. Kesimpulan .................................................................................. 73
5.2. Saran-saran................................................................................... 74
LAMPIRAN.................................................................................................... 77
xi
DAFTAR GAMBAR
Gambar 4.2 Grafik data pendapatan pajak hasil transformasi log .................. 43
Gambar 4.1 Grafik data pendapatan pajak hasil transformasi logdata dan
Gambar 4.5 Grafik hasil ramalan dan hasil aktual untuk pendapatan pajak
xii
DAFTAR TABEL
xiii
Tabel 4.22 Perbandingan nilai berdasarkan model ........................................ 68
Tabel 4.24 Tabel perbandingan hasil ramalan dan hasil aktual untuk empat
periode ke depan………………………………………………… 71
xiv
DAFTAR LAMPIRAN
xv
ANALISIS DATA RUNTUN WAKTU MENGGUNAKAN MODEL
ARIMA(p,d,q)
(Aplikasi: Data Pendapatan Pajak Kendaraan Bermotor di Propinsi Daerah
Istimewa Yogyakarta)
ABSTRAKSI
Kata kunci: Peramalan, data runtun waktu, Metode Box-Jenkins, AIC, BIC
xvi
BAB I
PENDAHULUAN
perlombaan untuk meraih kejayaan dan menjadi yang terbaik. Oleh karena
terjadinya suatu peristiwa dimasa depan dan kejadian nyata peristiwa itu
dipisahkan oleh waktu yang cukup lama. Beda waktu inilah yang merupakan
(forecasting). Jika beda waktu itu sama dengan nol atau cukup kecil, maka
tidak diperlukan perencanaan. Sebaliknya jika beda waktu itu besar dan
terkontrol, maka dalam hal ini suatu perencanaan akan sangat berperan
penting.
1
2
tergantung pada beberapa faktor yang tidak dapat kita lihat pada waktu
keputusan itu sendiri diambil. Berbagai bidang baik itu ekonomi, keuangan,
yang disusun sangat ditentukan oleh ketepatan ramalan yang dibuat. Oleh
karena itu ketepatan ramalan merupakan hal yang sangat penting. Meskipun
demikian perlu disadari bahwa suatu perkiraan adalah tetap perkiraan, dimana
1
Zanzawi Soejoeti, Metode Statistik I (Jakarta:Universitas Terbuka, 1984), hal 1
3
model yang ada. Model yang telah dipilih diuji lagi dengan data historis untuk
atau tidak.
terbesar suatu daerah berasal dari pajak, dimana pajak tersebut berasal dari
bentuk fasilitas, sarana dan prasarana penunjang. Dari sinilah penulis merasa
Yogyakarta.
penelitian yaitu studi literatur tentang metode peramalan. Salah satu metode
data runtun waktu (time series) menggunakan model ARIMA (p,d,q) mulai
data yang digunakan adalah data bulanan dari bulan Januari 2003 sampai
propinsi DIY?
propinsi DIY.
1. Bagi Penulis
mengajar.
penelitian yang relevan dengan tema yang diambil penulis. Salah satunya
adalah skripsi yang ditulis oleh Fakhriwan Aries (2004) yang berjudul
pada PT. Karimun Granite, Tanjung Balai Karimun, Riau)” yang membahas
tentang data produksi granit tertiary dan produksi granit road base. Selama
periode Januari 2001 sampai Desember 2002. Dari data-data tersebut dapat
peramalan besar produksi granit tertiary dan produksi granit road base dari PT.
Karimun Granite, digunakan langkah atau cara dengan metode time series
produki granit road base menggunakan model ARIMA (1,0,1) sebagai model
peramalannya.
Penelitian yang lain adalah skripsi yang ditulis oleh Ida Aryani (2003)
census II pada jumlah penjualan kaos oblong bocah pada PT. Aseli Dagadu
Djogja dari tahun 1998 sampai dengan tahun 2001. metode dekomposisi
klasik meliputi metode rasio pada multiplikatif dan metode aditif. Pembahasan
granit yang mengambil data selama periode Januari 2001 sampai Desember
2002. Dengan adanya data yang hanya dua tahun menjadikan peramalannya
mengambil data dari bulan Januari 2003 sampai bulan Agustus 2008 untuk
dengan penelitian ini. Di samping studi literatur penulis juga melakukan studi
adalah melakukan simulasi dan analisis data. Dalam hal ini, data yang
propinsi DIY dari bulan Januari 2003 sampai dengan bulan Agustus 2008.
penelitian studi literatur ini. Sistematika penulisan ini terdiri dari lima bab
sebagai berikut:
Bab I Pendahuluan
Bab ini memuat tentang latar belakang masalah, batasan masalah, rumusan
Bab ini membahas tentang landasan teori yang digunakan sebagai dasar
analisis runtun waktu, stasioner & non stasioner, ACF & PACF, metode
Box-Jenkins.
Bab ini merupakan inti dari penelitian ini. Bab ini membahas langkah-
Bab ini merupakan penerapan dan aplikasi dari hasil studi literatur yaitu
perpajakan. Dalam hal ini data yang digunakan adalah data pendapatan
Adapun data yang digunakan adalah data bulanan dari bulan Januari 2003
Bab ini memuat kesimpulan atas hasil penelitian studi literature yang
LANDASAN TEORI
(i). Data cross-section adalah jenis data yang dikumpulkan untuk jumlah
variabel pada suatu titik waktu tertentu. Model yang digunakan untuk
(ii). Data runtun waktu (time series) adalah jenis data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu. Model yang
(iii). Data panel adalah jenis data yang dikumpulkan menurut urutan waktu
yang digunakan untuk memodelkan tipe ini adalah model data panel,
variabel itu di waktu yang lalu. Nilai dari suatu variabel dapat diramal jika
sifat dari variabel tersebut diketahui di waktu sekarang dan di waktu yang
2
Dedi Rosadi, Pengantar Analisis Runtun Waktu, (Yogyakrta: Universitas Gadjah Mada, 2006)
hal.1
11
12
Urutan waktu seperti ini dinamakan runtun waktu, dengan kata lain runtun
gejala atau variabel yang diambil dari waktu ke waktu, dicatat secara teliti
Adapun waktu yang digunakan dapat berupa mingguan, bulan, tahun, dan
sebagainya.
dalam memilih suatu metode runtun waktu (time series) yang tepat adalah
tepat dengan pola data tersebut dapat diuji. Pola data dapat dibedakan
i. Pola horizontal terjadi pada saat nilai data berfluktuasi di sekitar nilai
rata-rata yang konstan. (deret seperti itu adalah stasioner terhadap nilai
stasioner.
ii. Pola musiman terjadi bilamana suatu deret dipengaruhi oleh faktor
iv. Pola trend terjadi pada saat terdapat kenaikan atau penurunan sekuler
lainnya.3
t t
Pola Horisontal Pola Musiman
t t
3
Spyros Makridakis (ed), Metode dan Aplikasi Peramalan (Jakrta: Erlangga, 1999) hal.10
14
jika rata-rata tetap pada keadaan waktu yang kondusif atau jika tidak ada
unsur trend dalam data dan apabila suatu diagram time series berfluktuasi
secara lurus. Time series plot dapat membantu secara visual yaitu dengan
jalan membuat plot terhadap data runtun waktu. Jika hasil plot tidak
menunjukkan gejala trend maka dapat diduga bahwa data sudah stasioner.
Perlu diperhatikan bahwa time series plot sangat sensitif terhadap perubahan
B Xt = Xt-1 (2.1)
dimana: B = Pembeda
(differencing) pertama.
Pembedaan pertama
Pembedaan pertama
= (1 - B)Xt (2.4)
= Xt - 2Xt-1 + Xt-2
= (1 - 2B + B2 ) Xt
= (1 - B )2 Xt (2.5)
kedua tidak sama dengan pembedaan kedua yang diberi notasi (1 - B2),
pertama (1 - B).
Pembedaan kedua
X t2 = Xt - Xt-2
= (1 - B2) Xt (2.6)
stasioneritas dan secara umum, apabila terdapat pembedaan orde ke-d untuk
Sebagai deret yang stasioner dan model umum ARIMA (0,d,0) akan
menjadi:
ARIMA (0,d,0)
(1 − B )d X t = et (2.7)
et : nilai kesalahan
struktur data dari waktu ke waktu mempunyai fluktuasi data yang tetap atau
17
konstan dan tidak berubah-ubah, atau tidak ada perubahan variansi dalam
besarnya fluktuasi secara visual untuk melihat hal tersebut dapat dibantu
dengan menggunakan time series plot yaitu dengan melihat fluktuasi data
T (X ) = x t
−1
, dengan λ disebut parameter transformasi.
λ
t
-1 1
Xt
-0,5 1
Xt
0 ln X t
0,5 Xt
1 Xt (tidak ditransformasikan)
0,1,2 periode atau lebih, autokorelasi menghitung dan membuat plot nilai
korelasi antara dua variabel X dan Y yang dinotasikan sebagai rxy untuk n
berikut:
Cov xy Cov xy
rxy = = (2.8)
Cov xx Cov yy SxSy
tersebut dengan lag 1, 2, 3 periode atau lebih misalnya antara Xt dan Xt-1.
tengah Xt dan Xt-k dapat diasumsikan bernilai sama dan dua nilai variansi
(atau deviasi standar) dapat diukur satu kali saja yaitu dengan menggunakan
γ k = Cov( X t , X t − k )
γ 0 = VarX t = VarX t − k = S X × S X t t −k
γk
rk =
γ0
Cov( X t , X t −1 )
rxt xt −1 =
S X t × S X t −1
n
−
−
∑
t =2
X t − X t
X t −1 − X t −1
=
n 2 n 2
−
−
∑ X t − X t −1
t =1
∑ X t −1 − X t −1
t =2
n
−
−
∑ X t − X X t −1 − X
= t =2
2
n
−
(2.9)
∑ X
t
t −2
− X
n = Jumlah data
Xt = nilai x orde ke t
−
x = nilai rata-rata (mean)
20
ρ*
~ k
a kk = (2.11)
ρ
~ k
ρ1
ρ
ρ* adalah ρ dengan kolom terakhir diganti dengan 2 , sehingga:
~k ~k M
ρ k
a11 = ρ 1
1 ρ1
ρ1 ρ2
a 22 =
1 ρ1
ρ1 1
ρ 2 − ρ 12
=
1 − ρ 12
1 ρ1 ρ1
ρ1 1 ρ2
ρ2 ρ1 ρ3
a 33 =
1 ρ1 ρ2
ρ1 1 ρ1
ρ2 ρ1 1
ρ 13 − 2 ρ 1 ρ 2 + ρ 1 ρ 22 − ρ 12 ρ 3 + ρ 3
=
1 − 2 ρ 12 + 2 ρ 12 ρ 2 − ρ 22
21
.
.
.
1 ρ1 ρ2 L ρ k −2 ρ1
ρ1 1 ρ1 L ρ k −3 ρ2
M M M M M
ρ k −1 ρ k −2 ρ k −3 L ρ 1 ρk
a kk =
1 ρ1 ρ 2 L ρ k −2 ρ k −1
ρ1 1 ρ1 L ρ k −3 ρ k −2
M M M M M
ρ k −1 ρ k −2 ρ k −3 L ρ1 1
k −1
ρ k − ∑ a k −1, j ρ k − j
j =1
= k −1
1 − ∑ a k −1, j ρ j (2.12)
j =1
untuk selisih waktu yang cukup besar, dimana fungsi autokorelasi parsial
1
Var (a kk ) ≈ (2.13)
N
distribusi normal.4
4
Zanzawi Soejoeti, Analisis Runtun Waktu (Jakarta: Universitas Terbuka, 1987) hal. 2.11
22
telah dipelajari secara mendalam oleh George Box dan Gwilym Jenkins, dan
penafsiran (untuk proses AR, MA, dan ARMA campuran), perluasan dari
hasil tersebut untuk mencakup runtun waktu musiman (seasonal time series)
1. Tahap Identifikasi
3. Tahap Penerapan
Penaksiran parameter
Tahap II pada model sementara
Penaksiran dan
Pengujian
Pemeriksaan diagnosa
(Apakah model memadai?)
Ya
ARIMA (p,d,q)
berkorelasi, dengan:
E(X t ) = µ
Var ( X t ) = σ 2 σ2 suatu konstanta
autokovariansinya adalah:
σ a2 k = 0
γk = (3.1)
0 k≠0
dan fungsi autokorelasi dengan bentuk yang sederhana, yaitu:
1 k = 0
ρk = (3.2)
0 k ≠ 0
24
25
X t = a1 X t −1 + a 2 X t −2 + ... + a p X t − p + et (3.3)
Xt-1, … , Xt-p = variabel bebas ( nilai masa lalu deret waktu yang
bersangkutan)
a(B )X t = et (3.4)
dimana a (B ) = 1 − a1 B − a 2 B 2 − ... − a p B p
sebagai berikut:
X t − k X t = a1 X t − k X t −1 + ... + a p X t − k X t − p + X t − k et
γ k = a1 ρ k −1 + ... + a p ρ k − p (3.5)
Autokorelasi parsial akan nol setelah lag p atau kurva akan terputus
setelah suku ke-p untuk setiap proses. Kurva estimasi akan dipandang
(Soejoeti,1987).
tertentu.
bersangkutan)
b(B )X t = et
q
γ 0 = σ a2 ∑ b 2j
j =0
bk + b1bk +1 + ... + bq − k bq
, k = 1,2,..., q
ρk = 1 + b12 + ... + bq2 (3.11)
0 k>q
X t = a1 X t −1 + a 2 X t − 2 + L + a p X t − p + et − b1et −1 − b2 et − 2 − L − bq et − q (3.12)
a p (B )X t = bq (B )et (3.13)
bq (B ) = 1 − b1 B − ... − bq B q
lagi mengikuti proses MA. Dalam kasus seperti ini data dikatakan
yang setelah diambil selisih dari lag tertentu atau dilakukan pembedaan
29
a p (B )(1 − B ) X t = b0 + bq (B )et
d
(3.14)
bq (B ) = 1 − b1 B − ... − bq B q
ARI (p,d).
berkisar pada nilai-nilai 0,1 atau 2. model yang dipilih hendaknya model
moving average.
didasarkan pada nilai tengah (mean) dan variansi konstan. Oleh karena itu,
kita perlu memiliki notasi yang berlainan untuk runtun waktu non stasioner
(differencing).
Jika ACF meluruh secara eksponensial dan PACF signifikan pada lag
meluruh secara eksponensial dan ACF signifikan pada lag q maka proses
bobot tertentu.
MA, namun difference orde d-nya memenuhi. Dalam kondisi seperti ini Xt
31
1. Model Autoregressive
X t = a1 X t −1 + a 2 X t − 2 + ... + a p X t − p + et
hasilnya adalah
X t − k X t = a1 X t − k X t −1 + a 2 X t − k X t − 2 + ... + a p X t − k X t − p + X t − k et (3.16)
menghasilkan:
γ k = a1γ k −1 + a 2 γ k − 2 + a3γ k −3 + L + a p γ k − p
γk
ρk = , persamaan tersebut akan menjadi:
γ0
ρ k = a1 ρ k −1 + a 2 ρ k −2 + a3 ρ k −3 + L + a p ρ k − p (3.17)
32
ρ1 = a1 + a 2 ρ1 + a3 ρ 2 + L + a p ρ p −1
ρ 2 = a1 ρ1 + a 2 + a3 ρ1 + L + a p ρ p − 2
ρ 3 = a1 ρ 2 + a 2 ρ1 + a3 + L + a p ρ p −1
.
.
.
ρ p = a1 ρ p −1 + a 2 ρ p −2 + a3 ρ p −3 + L + a p
∧ ∧ ∧ ∧
Persamaan diatas akan dipakai untuk mencari nilai-nilai a1 , a 2 , a3 , L , a p
sebagai berikut:
∧
a1 = r1 (3.18)
∧ ∧ ∧ ∧
Kemudian diperoleh nilai taksiran a1 , a 2 , a3 , L , a p sebagai berikut:
∧ r1 (1 − r2 )
a1 =
1 − r12
∧ r2 − r12
a2 =
1 − r12
berikut:
33
− bk + b1bk +1 + ... + bq − k bq
, k = 1,2,..., q
ρk = 1 + b12 + ... + bq2
0 k>q
− b1
, k =1
ρ1 = 1 + b12 (3.19)
0 k≥2
diperoleh:
∧ ∧
r1 b12 + b1 + r1 = 0
− b1 + b1b2
ρ1 =
1 + b12 + b22
− b1 (1 − b2 )
= (3.20)
1 + b12 + b22
− b2
ρ2 =
1 + b12 + b22
γ k = a1 E ( X t X t − k ) + L + a p E (X t − p X t − k ) + E (et X t −k ) − b1 E (et −1 X t − k ) −
L − bq E (et − q X t − k )
γ k = a1γ k −1 + a 2 γ k − 2 + L + a p γ k − p (3.21)
berikut:
X t = a1 X t −1 + et − b1et −1
dengan mengalikan kedua sisi dan memasukkan nilai harapan nya, maka
1 + a12 − 2a1b1
γ0 =
1 − a12
(3.22)
γ1 =
(1 − a1b1 )(a1 − b1 )
1 − a12
γ0
untuk persamaan ρ1 = diperoleh:
γ1
(1 − a1b1 )(a1 − b1 )
ρ1 = (3.23)
1 + b12 − 2a1b1
ρ 2 = a1 ρ1 (3.24)
tersebut memadai. Ada dua cara mendasar untuk melakukan hal ini, yaitu:
apabila autokorelasi dan parsial dari nilai sisa telah diperoleh kita berharap
akan menemukan tidak ada korelasi yang nyata dan tidak ada parsial yang
nyata.
autokorelasi.
3.2.4 Peramalan
selanjutnya dari model terbaik. Jika data semula sudah melalui transformasi,
suatu data baik dilakukan untuk jangka waktu yang singkat sedangkan
prediksi untuk jangka waktu yang panjang hanya diperlukan untuk melihat
panjang kurang baik untuk dilakukan sebab bila kita meramalkan jauh ke
depan tidak akan diperoleh nilai empiris untuk residual setelah beberapa
Dalam analisis time series atau lebih umum analisis data mungkin
ada beberapa jenis model sesuai yang dapat digunakan untuk menunjukan
data. Alat untuk mengidentifikasi seperti ACF dan PACF digunakan hanya
untuk mengidentifikasi model yang cocok. Residual dari semua model yang
cocok adalah white noise. Beberapa kriteria yang digunakan untuk pemilihan
AIC (M ) = n ln σˆ a2 + 2M (3.25)
n = jumlah observasi
BIC (M ) = n ln σˆ a2 + M ln n (3.26)
n = jumlah observasi
n
SSE = ∑ ei2 (3.27)
i =1
n
MPE = ∑ PEi n (3.28)
i =1
Error)
Semakin kecil MAPE maka dapat dikatakan model semakin baik, secara
n
MAPE = ∑ PEi n (3.29)
i =1
model terkecil.
BAB IV
Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data
runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan
Daerah Istimewa Yogyakarta dari bulan Januari 2003 sampai dengan bulan
model ARIMA (p,d,q) atau lebih dikenal dengan metode Box-Jenkins adalah
sebagai berikut:
1. Plot data
Langkah pertama yang harus dilakukan adalah memplot data asli, dari
plot tersebut bisa dilihat apakah data sudah stasioner dalam mean (rata-
rata) dan variansi (penyimpangan data terhadap mean) atau kah belum.
Jika data belum stasioner dalam mean maka perlu dilakukan proses
differencing dan jika data belum stasioner dalam variansi maka perlu
2. Identifikasi model
adalah melihat plot ACF dan PACF dari correlogram. Dari plot ACF
40
41
3. Estimasi model
pada koefisien. Bila koefisien dari model tidak signifikan maka model
dengan nilai SSR, AIC dan BIC-nya. Idealnya, model yang terbaik
adalah model yang memenuhi semua asumsi dan memiliki nilai SSR,
sebagai berikut:
terkecil.
6. Peramalan
peramalan dari model yang dianggap paling baik, dan bisa diramalkan
Langkah pertama yang harus dilakukan adalah membuat plot data. Dalam
hal ini adalah membuat plot data pendapatan pajak kendaraan bermotor,
untuk melihat apakah sudah stasioner dalam mean maupun variansi. Jika
differencing dan jika data belum stasioner dalam variansi maka perlu
rupiah
Plot data di atas tampak bahwa data belum stasioner baik dalam
mean (masih terdapat unsur trend) maupun dalam variansi, sehingga data
transformasi log.
Gambar 4.2 Grafik data pendapatan pajak hasil Transformasi log (logdata)
Dari plot data terlihat bahwa data masih belum stasioner dalam mean
maupun variansi. Hal ini bisa dilihat masih ada unsur trend dalam data
Gambar 4.3 Grafik data pendapatan pajak hasil Transformasi log dan differencing
(dlogdata)
44
Pada plot data hasil Transformasi log dan differencing, didapat bahwa data
ARIMA.
Apabila data sudah stasioner dalam mean dan variansi maka asumsi
digunakan.
Dari correlogram ACF dan PACF hasil dari transformasi log dan
differencing terlihat bahwa ACF tidak signifikan pada lag ke-1 sehingga
diduga data dibangkitkan oleh MA(1). Dari plot PACF dapat dilihat bahwa
nilai autokorelasi parsial tidak signifikan pada lag ke-1 dan lag ke-2,
di atas adalah:
di atas adalah:
di atas adalah:
mungkin.
di atas adalah:
mungkin.
di atas adalah:
mungkin.
Selanjutnya akan dilakukan uji asumsi residual untuk model yang terpilih
meliputi:
1. Uji Non-autokorelasi
Pada output di atas terlihat nilai prob > tingkat signifikan α = 0.05
2. Uji Homoskedastisitas
tingkat signifikan α = 0.05 dan tidak ada time lag yang keluar dari batas
• Uji hipotesis
1. Uji Non-autokorelasi
Pada output di atas terlihat nilai prob > tingkat signifikan α = 0.05
2. Uji Homoskedastisitas
tingkat signifikan α = 0.05 dan tidak ada time lag yang keluar dari batas
• Uji hipotesis
1 Uji Non-autokorelasi
Pada output di atas terlihat nilai prob > tingkat signifikan α = 0.05
2. Uji Homoskedastisitas
tingkat signifikan α = 0.05 dan tidak ada time lag yang keluar dari batas
• Uji hipotesis
1 Uji Non-autokorelasi
nilai prob yang lebih kecil dari tingkat signifikan α = 0.05 dan terdapat
tidak terpenuhi.
63
2. Uji Homoskedastisitas
• Uji hipotesis
1 Uji Non-autokorelasi
Pada output di atas terlihat nilai prob > tingkat signifikan α = 0.05
2. Uji Homoskedastisitas
66
• Uji hipotesis
maka kita dapat melakukan pemilihan model terbaik dari semua kemungkinan
Untuk model ini terlihat dari uji t koefisien dari model ada yang bersifat
data diatas.
Untuk model ini terlihat dari model uji t koefisien dari model signifikan
dan uji residual menunjukan sudah tidak terdapat korelasi serial dalam
data di atas.
Untuk model ini terlihat dari uji t koefisien dari model ada yang bersifat
Untuk model ini terlihat dari uji koefisien model signifikan, tetapi uji
Untuk model ini terlihat dari model uji t koefisien dari model signifikan
dan uji residual menunjukan sudah tidak terdapat korelasi serial dalam
data di atas. .
model ARIMA (0,1,1). Untuk memilih model terbaik, dari kedua model
nilai BIC dan AIC minimum dibandingkan model ARIMA (2,1,0) oleh karena
itu, dapat disimpulkan bahwa model ARIMA (0,1,1) adalah model yang
Persamaan model ARIMA (0,1,1) untuk data dlogdata secara umum ditulis:
Dengan kata lain, model terbaik untuk data pendapatan pajak kendaraan
4.5 Peramalan
71
Tabel 4.24
72
Tabel perbandingan hasil ramalan dan hasil aktual untuk empat periode ke depan.
Data perbandingan hasil ramalan dan hasil aktual untuk satu tahun ke
25.000.000.000
20.000.000.000
PPKB
15.000.000.000
10.000.000.000
5.000.000.000
0
M i
Fe a ri
Ag uli
ni
et
se er
r
ril
ei
O er
pe r
s
r
be
No o be
ua
Se stu
Ju
Ap
ar
De mb
M
b
J
nu
m
em
br
kt
Ja
pt
Tahun 2008
Gambar 4.5 Grafik hasil ramalan dan hasil aktual untuk pendapatan pajak
kendaraan bermotor tahun 2008
selisih (error) yang tidak terlalu besar. Hal ini menunjukkan bahwa dari
PENUTUP
5.1 Kesimpulan
Analisis data runtun waktu menggunakan model ARIMA (p,d,q) maka dapat
2. Model runtun waktu yang terbaik berdasarkan nilai kebaikan model dan
73
74
5.2 Saran-Saran
2. Hasil suatu peramalan (forecasting) bukanlah suatu nilai yang pasti akan
hasil akhirnya.
dan ARIMAX. Oleh karena itu, peneliti lain dapat mempelajari lebih
Arga, W, 1984. Analisa Runtun Waktu Teori & Aplikasi. Yogyakarta: BPFE-
Yogyakarta
Yogyakarta: BPFE-Yogyakarta.
Rosadi, D, 2005 Pengantar Analisa Data Runtun Waktu dengan Eviews 4.0.
Mada.
Yogyakarta.
75
76
Yogyakarta.
Company.
77
78
Lampiran 2