Disusun Oleh:
Adam Victorio Alexis (3125163357)
Dilaksanakan pada:
1 Agustus 2019 s/d 31 Agustus 2019
Disusun Oleh:
Adam Victorio (3125163357)
Segala puji dan syukur penulis panjatkan kehadirat Allah subhaanahu wa-
ta’ala yang telah melimpahkan rahmat dan nikmat-Nya sehingga akhirnya
penulis dapat menyelesaikan kegiatan dan laporan Praktek Kerja Lapangan
(PKL) di PT. Kereta Api Indonesia (Persero) yang berjudul ”PERBANDING-
AN PERAMALAN METODE REGRESI LINIER DENGAN METODE ARI-
MA PADA DATA TRANSAKSI BERJALAN INDONESIA SEKTOR JASA
TRANSPORTASI” dengan lancar dan tanpa hambatan yang berarti.
Penulisan laporan PKL ini disusun sebagai salah satu syarat untuk meme-
nuhi tugas Mata Kuliah Praktek Kerja Lapangan. Selama pelaksanaan PKL
dan penyelesaian laporan ini, penulis telah menerima bimbingan, do’a, du-
kungan, pengarahan, petunjuk, saran, serta fasilitas. Oleh karena itu, dalam
kesempatan kali ini penulis ingin memberikan ucapan terima kasih kepada:
1. Ibu Debby Agustine selaku Dosen Pembimbing yang dengan sabar telah
membimbing, serta memberikan pengarahan sehingga laporan ini dapat
terselesaikan
Penulis menyadari sepenuhnya bahwa makalah ini masih jauh dari sem-
purna, masih banyak kekurangan baik dari segi kelengkapan, penyajian, peng-
kajian materi, bahasa maupun tata cara penulisan. Karena itu, penulis akan
menerima kritik dan saran yang membangun dari semua pihak sehingga dapat
menjadi lebih baik lagi kedepannya.
ii
Akhirnya penulis berharap makalah ini dapat berguna dan memberikan
sumbangan yang bermanfaat bagi lingkungan akademik di mana penulis sela-
ma ini menuntut ilmu, instansi tempat penulis menjalankan kegiatan PKL ya-
itu Puslitbang Transportasi LSDP Kemenhub, maupun pihak lain yang mem-
butuhkan.
Jakarta,
iii
DAFTAR ISI
LEMBAR PENGESAHAN i
KATA PENGANTAR ii
DAFTAR ISI iv
DAFTAR TABEL vi
I PENDAHULUAN 2
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Tujuan Makalah . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
iv
3.4.3 Model ARMA . . . . . . . . . . . . . . . . . . . . . . . . 16
3.5 Penggunaan Software Minitab untuk ARIMA . . . . . . . . . . 17
V PENUTUP 59
5.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
DAFTAR PUSTAKA 60
v
DAFTAR TABEL
vii
DAFTAR GAMBAR
PENDAHULUAN
2
3
Data yang digunakan pada makalah ini merupakan transaksi berjalan dari
tahun ke tahun. Transaksi berjalan mengukur penerimaan dan pengeluar-
an Indonesia yang berasal dari transaksi barang dan jasa, pendapatan, dan
transfer berjalan antara penduduk dengan bukan penduduk. Data transaksi
berjalan jasa transportasi Indonesia menunjukkan defisit yang besar.
Peramalan atau forecasting adalah tugas statistik yang umum dalam bisnis,
di mana ini akan membantu dalam menyediakan perencanaan jangka panjang
yang strategis. Peramalan adalah tentang memprediksi masa depan dengan
seakurat mungkin, menggunakan informasi-informasi yang tersedia, termasuk
data historis dan pengetahuan tentang kejadian-kejadian masa depan yang
mungkin berdampak terhadap peramalan. Dengan menggunakan ilmu fore-
casting, pergerakan angka transaksi berjalan dapat diprediksi agar dapat di-
persiapkan langkah-langkah strategis berikutnya.
Peramalan-peramalan yang digunakan pada makalah ini menggunakan me-
tode regresi linier dan ARIMA. Metode regresi linier menemukan bentuk po-
la hubungan yang saling mempengaruhi antara variabel yang dicari dengan
variabel yang mempengaruhinya, serta menggunakannya untuk meramalkan
nilai-nilai dari variabel yang diramalkan pada masa yang akan datang. Me-
tode ARIMA dapat digunakan untuk meramal pola data yang menunjukkan
tidak adanya musiman (seasonal ).
Perbandingan kedua metode tersebut bertujuan untuk memperoleh model
peramalan terbaik untuk data yang akan dianalisis. Dengan didapatkannya
model peramalan, diharapkan hasil peramalan ini dapat menjadi pertimbangan
untuk pemangku kebijakan untuk menyiapkan strategi menghadapi defisitnya
neraca transaksi berjalan Indonesia pada jasa transportasi.
3. Metode apa yang terbaik dalam peramalan data transaksi berjalan In-
donesia pada sektor jasa transportasi?
3. Mengetahui metode terbaik antara regresi linier dan ARIMA dalam per-
amalan data transaksi berjalan Indonesia pada sektor jasa transportasi.
5
6
perhubungan udara.
2.2.2 Visi
Mewujudkan Badan Penelitian dan Pengembangan Perhubungan sebagai
pusat pengkajian dan informasi ilmiah di bidang transportasi.
2.2.3 Misi
Misi dari litbang adalah sebagai berikut:
Lambang:
LANDASAN TEORI
9
10
yang lalu sampai Zt . Di mana suatu variabel random dengan mean nol dan
diambil secara independent setiap periode, sehingga membuat setiap langkah
berurutan yang dijalani Z adalah random. Jika dipunyai suatu runtun waktu
yang dapat digambarkan dengan baik dengan model random walk dan jika ki-
ta ingin melakukan peramalan yang dimulai dengan observasi Z1 . . . Zn untuk
meramalkan realisasi Zn+1 yang akan datang. Dengan mengingat bahwa Zn+1
adalah variabel random, karena terdiri dari bilangan Zn yang telah diobservasi
ditambah dengan variabel random an+1 maka nilai harapan (ekspektasi) ber-
syarat Zn+1 jika Zn , Zn−1 telah diobservasi adalah:
E(Zn+1 . . . , Zn+1 , Zn ) = E(Zn + an+1 | . . . .., Zn−1 , . . . Zn−1 , Zn )
= E(Zn | . . . . . . , Zn−1 , . . . ., Zn−1 , Zn ) + E(an+1 | . . . , Zn−1 , Zn )
= E(Zn ) + 0
= E(Zn )
= Zn
peramalan jangka pendek, jangka menengah, dan jangka panjang dalam pro-
sesnya.
Peramalan jangka pendek
diperlukan untuk penjadwalan personel, produksi dan transportasi. Sebagai
bagian dari proses penjadwalan, perkiraan permintaan seringkali juga diper-
lukan.
Prakiraan jangka menengah
diperlukan untuk menentukan kebutuhan sumber daya di masa depan, untuk
membeli bahan baku, mempekerjakan tenaga, atau membeli mesin dan pera-
latan.
Prakiraan jangka panjang
digunakan dalam perencanaan strategis. Keputusan semacam itu harus mem-
pertimbangkan peluang pasar, faktor lingkungan, dan sumber daya internal.
Organisasi perlu mengembangkan sistem peramalan yang melibatkan be-
berapa pendekatan untuk memprediksi peristiwa yang tidak pasti. Sistem
peramalan seperti itu membutuhkan pengembangan keahlian dalam mengiden-
tifikasi masalah peramalan, menerapkan berbagai metode peramalan, memilih
metode yang tepat untuk setiap masalah, dan mengevaluasi serta menyempur-
nakan metode peramalan dari waktu ke waktu. Penting juga untuk memiliki
dukungan organisasi yang kuat untuk penggunaan metode peramalan formal
jika mereka ingin digunakan dengan sukses.
yang dicari merupakan fungsi. Pada dasarnya terdapat dua macam analisa
hubungan dalam penyusunan ramalan, yaitu:
1. Analisa deret waktu (time series)
2. Analisa cross section atau model sebab akibat (causal model ).
Y = a + bX, (3.1)
Untuk mencari garis lurus tersebut, kita perlu mencari besaran a dan b,
besaran tersebut merupakan nilai konstan yang tidak akan berubah di dalam
penganalisaan yang dilakukan, artinya bila diperoleh nilai atau besaran a dan
b, maka untuk setiap nilai x atau variabel waktu akan dapat diperoleh besaran
Y.
Pada prinsipnya teknik dan metode yang ada mendasarkan proses analisa-
nya pada usaha untuk mendapatkan suatu garis lurus yang tepat melalui atau
mendekati titik-titik yang berserakan (scatter ) dari data observasi.
Garis tersebut dinyatakan sebagai berikut:
Y 0 = a + bX, (3.2)
untuk mendapatkan nilai a dan b maka bisa didapatkan dari rumus berikut:
P P
y−b x
a= (3.3)
n
P P P
n xy − ( X)( Y )
b= P P (3.4)
n X 2 − ( X)2
Rumus MAPE (Mean Absolute Presetage Error ) dan MSE (Mean Square
Error ) yang terdapat adalah:
Pn
t=1 (Yt − Yt0 )
M SE = , (3.5)
n
Pn
|(Yt −Yt0 )|
100 t=1
Yt
M AP E = , (3.6)
n
di mana:
Y 0 : Nilai yang diramalkan
a: Konstanta (intercept)
b: Koefisien regresi (slope)
X: Variabel yang mempengaruhi (waktu: tahun, bulan, hari)
n: Jumlah data
3.4 ARIMA
Model ARIMA yaitu suatu model runtun waktu non stasioner homogenity
yang menggunakan prosedur bagi penerapan model atau skema Autoregresive
dan Moving Average dalam penyusunan ramalan. Model ARIMA terdiri dari:
Zt = (1+φ1 )Zt−1 +(φ2 −φ1 )Zt−2 +...+(φp −φp−1 )Zt−p −φp Zt−p−1 +at +θ1 at−1 +...+θq at−q
(3.7)
Dengan:
AR: p menunjukan orde/derajat autoregresive
I: d menunjukan orde/derajat differencing (pembedaan)
MA: q menunjukan orde/derajat moving average
Keterangan:
Zt : nilai variabel dependent pada waktu t
Zt−p : variabel independent dalam hal ini merupakan lag (beda waktu) dari
variabel dependent pada suatu periode sebelumnya hingga p periode sebelum-
nya.
at : Sesatan (goncangan random)
φ1 , φ2 , φp : koefisien/parameter dari model Autoregresive
Dengan autokovariannya adalah:
Dengan autokorelasinya:
Secara teoritik sifat-sifat yang tergolong dalam model (AR)2 adalah au-
tokorelasi seperti gelombang sinus teredam dan dua autokorelasi yang
signifikan.
16
di mana:
Zt : variabel dependent pada waktu t
θ1 , θ2 , θp : koefisien model MA yang menunjukan bobot
at−1 : Nilai residual sebelumnya, i = 1, 2, 3, .., q
at : sesatan (goncangan random)
Zt : at − θat−1 (3.15)
Dimana at suatu proses white noise, secara teoritik model MA(1) adalah
Autokorelasi Parsial yang menurun secara eksponential, satu autokore-
lasi yang signifikan dan dukungan spektrum garis.
Ciri dari model ARMA ini adalah autokorelasi dan autokorelasi parsial yang
mendekati nol secara eksponential. Proses ARMA (1,1) mempunyai model:
olah terlebih dahulu klik pada cell baris 1 kolom C1. Kemudian ketik
18
data pertama dan seterusnya secara menurun dalam kolom yang sama.
Dengan format kolom tersebut harus angka/numerik.
b. Klik data yang akan dianalisis garis trend nya kemudian klik →
Select maka nama kolom dari data tersebut akan ditampilkan kotak di
samping Variable. Setelah itu pilih model yang dianggap sesuai dengan
data tersebut apakah linier, quadratik atau yang lainnya. Selanjutnya
ketik judul dari grafik trend pada kotak sebelah → Title tersebut →
OK. Tombol Option berisi tentang pilihan pengaturan trend analysis
19
yaitu apakah grafik trend nya akan ditampilkan atau tidak dan
pengaturan outputnya.
b. Klik data yang akan dicari fak dan fakp kemudian klik tombol →
Select maka nama kolom dari data akan tampil dalam kotak di samping
Series setelah itu ketik judul grafik pada kotak di sebelah Title → OK.
b. Klik data yang ingin dicari selisihnya. Kemudian klik tombol Select,
maka nama kolom dari data tersebut akan tampil di samping series. Isi
kolom mana yang akan ditempati hasil selisih data tadi. Untuk lag
selalu diisi dengan angka 1. Jika kita ingin mencari data ke-n maka
data yang dipilih di dalam series adalah data ke n − 1.
6. Melakukan Peramalan
Langkah-langkahnya adalah:
a. Pilih Stat → Time Series → ARIMA, sehingga akan muncul tampilan
seperti pada gambar 3.6.
b. Klik data yang akan diramalkan, data tersebut adalah data asli
bukan data selisih. Kemudian klik Select, maka nama kolom dari data
tersebut akan tampil dalam kotak di samping Series. Setelah itu isi
kotak Autoregressive, Difference, dan Moving Average sesuai model
yang cocok. Misalkan model yang cocok adalah AR(1) maka kotak di
samping difference diisi sesuai dengan data selisih keberapa data
tersebut stasioner artinya jika data tersebut stasioner pada selisih ke-2
maka diisi dengan 2.
c. Klik tombol Forecast, kemudian isi kolom di samping lead dengan
jumlah periode waktu peramalan. Misalnya jika periode waktu yang
digunakan adalah bulanan dan kita ingin meramalkan 2 tahun ke depan
maka kita isi dengan 24.
22
• SE Coef
Kesalahan standar koefisien (SE Coef) memperkirakan variabilitas
antara perkiraan parameter yang akan diperoleh jika diambil sampel
dari populasi yang sama berulang kali. Kesalahan standar estimasi
digunakan untuk mengukur ketepatan estimasi parameter. Sema-
kin kecil kesalahan standar, semakin tepat estimasi.
• T
Nilai-t mengukur rasio antara koefisien dan kesalahan standarnya.
• SS (Sum of Squares)
23
• DF (Degrees of Freedom)
Derajat kebebasan adalah jumlah informasi dalam data Anda. Mi-
nitab menggunakan derajat kebebasan untuk residu untuk menghi-
tung mean square error.
BAB IV
Pada bab ini akan ditampilkan hasil kegiatan berupa data yang ingin dia-
nalisis, model peramalan menggunakan metode regresi linier, model peramalan
menggunakan metode ARIMA (Autoregressive Integrated with Moving Avera-
ge), perbandingan model peramalan yang diperoleh antara kedua metode ter-
sebut, dan hasil peramalan. Sub bab selain hasil kegiatan yaitu pembahasan.
Pembahasan akan membahas hasil kegiatan yang telah dilakukan.
4.1 Data
Data yang digunakan dalam penulisan makalah ini didapat dari Neraca
Pembayaran Indonesia dan Posisi Investasi Internasional Indonesia yang diri-
lis oleh Bank Indonesia. Data yang diambil adalah besaran transaksi berjalan
Indonesia pada bidang jasa transportasi barang. Data tersebut mencakup ke-
giatan ekspor dan impor. Data diambil dari tahun 2009 triwulan I sampai
dengan tahun 2019 triwulan II. Data tersebut disajikan dalam Tabel 4.1 dan
Tabel 4.2.
Tabel 4.1: Transaksi Berjalan Jasa Transportasi Bagian Ekspor (Juta USD)
Pada data jasa kegiatan ekspor di atas terlihat bahwa angka transaksi ber-
gerak turun naik setiap periode pada interval 200 s.d. 700 juta US Dollar.
24
25
Peramalan akan dilakukan pada data di atas agar dapat diketahui angka tran-
saksi berjalan yang terjadi pada beberapa periode ke depan.
Tabel 4.2: Transaksi Berjalan Jasa Transportasi Bagian Impor (Juta USD)
Pada data jasa kegiatan impor di atas terlihat bahwa angka transaksi ber-
gerak turun naik setiap periode pada interval -800 juta s.d. -2 miliar US Dollar.
Angka transaksi jasa kegiatan impor ini bernilai negatif karena pengeluaran
Indonesia pada kegiatan ini lebih besar dari pemasukan. Peramalan akan di-
lakukan pada data di atas agar dapat diketahui angka transaksi berjalan yang
terjadi pada beberapa periode ke depan.
Maka didapatkanlah:
P
x = 2667
P
y = 17081
P
x.y = 1079041
P 2
(x ) = 175525
( x) = 26672 = 7112889
P 2
Maka didapatkan:
P
x = 2667
P
y = −79199
P
x.y = −5057115
P 2
(x ) = 175525
( x) = 26672 = 7112889
P 2
Pertama akan dikenali bagaimana plot data ekspor. Lalu diteliti bagaimana
trend dari plot tersebut.
Pada grafik trend analysis data dapat diketahui bahwa data transaksi ber-
jalan jasa transportasi barang ekspor mengalami penurunan seiring bertam-
bahnya waktu dan nilai aktualnya masih jauh dari garis linier dan mempunyai
varians yang besar, sehingga tidak stasioner dalam rata-rata.
Grafik fungsi autokorelasi parsial (FAKP) data asli di atas sudah terlihat
tidak turun secara lambat. Namun karena pada grafik FAK belum stasioner
akan dilakukan differencing.
Pada gambar FAK dan FAKP menunjukan 11 lag, dalam minitab apabi-
la banyaknya lag tidak diminta maka secara otomatis akan menampakan lag
sebanyak pengamatan n ≤ 240, dalam hal ini jumlah pengamatan adalah 42
sehingga mempunyai lag sebanyak n4 = 42 4
= 10, 5 ≈ 11.
Pada identifikasi data asli ini belum terbentuk model sehingga diperlukan
data selisih pertama untuk menstasionerkan data tersebut.
Data selisih adalah selisih setiap data ke-n dengan data ke-(n-1). Pada
data selisih pertama ini berarti data asli dicari selisihnya pada setiap data
ke-n dengan data ke-(n-1).
37
Gambar 4.6: Grafik Trend Analisis Data Selisih Pertama pada Data
Ekspor
Dari plot dan analisis trend data selisih pertama dapat dilihat data su-
dah stasioner, karena rata-rata data ekspor tidak bergerak bebas dalam suatu
waktu tertentu dan memiliki variansi cukup kecil dan nilai aktualnya sudah
mendekati garis linier.
Gambar 4.7: Grafik FAK Data Selisih Pertama pada Data Ekspor
Dari grafik FAK terlihat data sudah stasioner karena grafiknya tidak turun
lambat sehingga dapat langsung diperkirakan modelnya.
Gambar 4.8: Grafik FAKP Data Selisih Pertama pada Data Ekspor
38
Data selisih kedua akan dicari sebagai pembanding dengan data selisih per-
tama. Data selisih kedua adalah selisih data ke-n dengan data ke-(n-1) dari
data selisih pertama.
Gambar 4.10: Grafik Trend Analisis Data Selisih Kedua pada Data
Ekspor
Berdasarkan plot dan trend analisis data selisih kedua terlihat data sudah
stasioner karena nilai variansi cukup kecil dan nilai-nilai aktualnya sudah men-
dekati garis linier.
39
Gambar 4.11: Grafik FAK Data Selisih Kedua pada Data Ekspor
Pada grafik data FAK terlihat lag-lag tidak turun lambat. Namun ada
lag pertama yang signifikan. Ini menandakan ketidakstasioneran. Grafik FAK
memotong white noise pada lag-1. Angka 1 ini akan diuji coba sebagai orde q.
Gambar 4.12: Grafik FAKP Data Selisih Kedua pada Data Ekspor
Pada grafik FAKP terlihat memotong white noise pada lag-1 dan lag-4.
Angka 1 dan 4 ini akan diuji coba sebagai orde p.
Berdasarkan hasil analisis pada data selisih kedua ini, akan dipilih model
ARIMA (p,d,q) antara (1,2,1), dan (4,2,1).
Pertama akan dikenali bagaimana plot data impor. Lalu diteliti bagaimana
trend dari plot tersebut.
Berdasarkan plot data dan grafik trend analysis data di atas dapat diketa-
hui bahwa data transaksi berjalan jasa transportasi barang impor mengalami
penurunan seiring bertambahnya waktu dan nilai aktualnya masih jauh dari
garis linier dan mempunyai variansi yang besar, sehingga trend ini termasuk
time series yang tidak stasioner dalam rata-rata.
43
Grafik FAK data di atas menunjukkan model belum stasioner. Nilai au-
tokorelasinya turun lambat (berkurang secara perlahan) dan eksponensial se-
hingga menandakan belum stasioner.
Pada grafik FAKP ini ada lag yang signifikan yang menandakan belum
stasioner. Dengan tidak stasionernya data impor ini, disimpulkan belum ter-
bentuk model sehingga diperlukan data selisih pertama untuk menstasionerkan
data tersebut.
44
Data selisih adalah selisih setiap data ke-n dengan data ke-(n-1). Pada
data selisih pertama ini berarti data asli dicari selisihnya pada setiap data
ke-n dengan data ke-(n-1).
Gambar 4.19: Grafik Trend Analisis Data Selisih Pertama pada Data
Impor
Berdasarkan plot dan trend analisis data selisih pertama terlihat data su-
dah lebih stasioner dari data asli karena nilai variansi juga lebih kecil dan
nilai-nilai aktualnya sudah mendekati garis linier.
45
Gambar 4.20: Grafik FAK Data Selisih Pertama pada Data Impor
Pada grafik FAK ini data lag-lag sudah tidak menurun melambat sehingga
lebih stasioner daripada data yang sebelum di-differencing. Terlihat pada lag-
lag grafik FAK memotong white noise pada lag-ke 2 dan ke-4. Angka 2 dan 4
ini akan dijadikan percobaan untuk orde q.
Gambar 4.21: Grafik FAKP Data Selisih Pertama pada Data Impor
Pada grafik FAKP terlihat lag ke 2, 4, dan 5. Angka 2, 4, dan 5 ini akan
digunakan percobaan untuk orde p. Jadi model ARIMA (p,d,q) yang akan
dianalisis adalah (2,1,2), (2,1,4), (4,1,2), (4,1,4), (5,1,2), dan (5,1,4).
46
Data selisih kedua akan dicari sebagai pembanding dengan data selisih
pertama. Data selisih kedua adalah selisih data ke-n dengan data ke-(n-1)
dari data selisih pertama.
Gambar 4.23: Grafik Trend Analisis Data Selisih Kedua pada Data
Impor
Terlihat pada grafik trend analysis data selish kedua impor bahwa nilai-
nilai aktual sudah lebih mendekati garis linier dibanding dengan data selisih
pertama.
47
Gambar 4.24: Grafik FAK Data Selisih Kedua pada Data Impor
Pada proses differencing kedua ini, dapat dilihat ada lag yang signifikan
pada lag ke-1. FAK data yang stasioner adalah tidak adanya lag yang signi-
fikan. Lag-lag grafik FAK ini memotong white noise atau selang kepercayaan
pada lag ke-1, 4, dan 5. Angka 1, 4 dan 5 ini akan dijadikan percobaan untuk
orde q pada data selisih kedua.
Gambar 4.25: Grafik FAKP Data Selisih Kedua pada Data Impor
Pada grafik FAKP terlihat lag ke-1 dan 3. Angka 1 dan 3 ini akan digunakan
percobaan untuk orde p. Jadi model ARIMA (p,d,q) yang akan dianalisis
adalah (1,2,1), (1,2,4), (1,2,5), (3,2,1), (3,2,4), dan (3,2,5).
7. Model ARIMA(1,2,1)
50
yaitu (1,1,1). Lalu pada opsi Forecasts masukkan lead sebanyak yang dibu-
tuhkan.
Pada hasil peramalan yang telah digambarkan pada plot di Gambar 4.26,
terlihat hasil peramalan memprediksi angka transaksi berjalan jasa transpor-
tasi barang ekspor cenderung stagnan dan menurun melambat.
Pada hasil peramalan yang telah digambarkan pada plot di Gambar 4.27,
terlihat hasil peramalan memprediksi angka transaksi berjalan jasa transpor-
tasi barang impor berjalan naik turun tapi dengan tren yang menurun.
57
4.6 Pembahasan
Model peramalan terbaik adalah model yang mempunyai nilai mean square
error terkecil, dengan tujuan untuk memperoleh nilai kesalahan dalam mera-
mal seminimal mungkin. Kalau model peramalan memiliki MSE yang besar,
tentu model peramalan tersebut tidak sesuai dengan data yang dimiliki.
Berdasarkan hasil kegiatan di atas dapat dilihat bahwa peramalan regresi
linier dapat meramal waktu dalam periode yang lebih singkat dibandingkan
dengan ARIMA. Model peramalan dengan regresi linier juga tidak bisa men-
deteksi pola yang terjadi pada plot data.
Peramalan dengan model ARIMA dapat mendekati pola data yang dimiliki
dengan menggunakan parameter yang cocok. Parameter-parameter ini dida-
patkan bisa dengan hasil analisis atau dengan percobaan random.
Pada Gambar 4.29 terdapat analisis trend dari data Transaksi Berjalan
Jasa Transportasi Barang Ekspor. Analisis trend menunjukkan data aktual
dan hasil ramalannya cenderung stagnan dan menurun melambat.
Gambar 4.30 menunjukkan nilai aktual dan hasil peramalan Data Transaksi
Berjalan Indonesia pada Jasa Transportasi Barang Impor menggunakan model
ARIMA (5,1,2). Model ini dipilih berdasarkan nilai MSE terkecil dibandingkan
dengan model regresi linier dan model ARIMA lainnya.
Gambar 4.31 menunjukkan analisis trend dari Data Transaksi Berjalan In-
donesia pada Jasa Transportasi Barang Impor. Analisis trend dari data aktual
dan hasil ramalan tersebut menunjukkan tren menaik namun tidak signifikan.
Hasil peramalan menunjukkan tren menurun pada jasa transportasi barang
ekspor dan berkubangnya di angka negatif pada data impor. Dikhawatirkan
defisit semakin membesar di masa depan pada Neraca Pembayaran Indone-
sia. Diharapkan adanya langkah-langkah strategis dari pihak terkait untuk
mengurangi defisit ini dan merubahnya menjadi surplus.
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil analisa dan pembahasan yang telah dilakukan, maka
dapat disimpulkan bahwa:
3. Model ARIMA lebih baik dari model regresi linier dalam membuat per-
amalan pada data ekspor dan impor. Parameter pembandingnya adalah
mean square error -nya.
5.2 Saran
1. Bagi pihak terkait, hasil forecasting ini dapat digunakan sebagai acu-
an untuk menyiapkan langkah-langkah strategis menghadapi tantangan
defisitnya Neraca Pembayaran Indonesia pada Transaksi Berjalan Jasa
Transportasi Barang.
59
DAFTAR PUSTAKA
60