LAPORAN PRAKTEK KERJA LAPANGAN

PERBANDINGAN PERAMALAN METODE

REGRESI LINIER DENGAN METODE ARIMA
PADA DATA TRANSAKSI BERJALAN INDONESIA
SEKTOR JASA TRANSPORTASI

Tugas Disusun untuk Memenuhi Tugas Mata Kuliah

Praktek Kerja Lapangan

Disusun Oleh:
Adam Victorio Alexis (3125163357)

Program Studi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Jakarta
2020
 LEMBAR PENGESAHAN

FAKTOR-FAKTOR YANG MEMPENGARUHI IMPOR

BARANG KONSUMSI DI INDONESIA DENGAN METODE
REGRESI LINIER BERGANDA

Disusun sebagai Salah Satu Syarat untuk Mengikuti Ujian

Presentasi Hasil Praktek Kerja Lapangan Mahasiswa
Program Studi Matematika,
FMIPA UNJ

Dilaksanakan pada:
1 Agustus 2019 s/d 31 Agustus 2019

Disusun Oleh:
Adam Victorio (3125163357)

Disetujui Oleh: Telah Diperiksa Oleh:

Dosen Pembimbing Pembimbing Lapangan

Debby Agustine, M.Si Henny Puspaningrum, S.Sos, M.B.A

NIP. 19870821 2012122 2 002 NIP. 19711008 199303 2 001
 KATA PENGANTAR

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

2. Pak Sahattua, Pak Paulus, dan Bu Heny selaku instruktur di Puslitbang

Transportasi LSDP Kemenhub yang telah memberikan ilmu baru bagi
penulis serta memberikan pengarahan dengan baik selama kegiatan PKL.

3. Seluruh pegawai Puslitbang Transportasi LSDP Kemenhub yang telah

membantu penulis selama kegiatan PKL dalam menjalankan kewajiban
yang diberikan instruktur PKL.

4. Keluarga, teman-teman PKL di Balitbang, dan sahabat yang telah mem-

berikan doa dan semangat kepada penulis selama proses pembuatan la-
poran PKL.

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,

Adam Victorio Alexis

iii
 DAFTAR ISI

LEMBAR PENGESAHAN i

KATA PENGANTAR ii

DAFTAR ISI iv

DAFTAR TABEL vi

DAFTAR GAMBAR viii

I PENDAHULUAN 2
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Tujuan Makalah . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

II PUSLITBANG TRANSPORTASI LSDP BALITBANG KE-

MENHUB 5
2.1 Sejarah Balitbang Kemenhub . . . . . . . . . . . . . . . . . . . 5
2.2 Profil Balitbang Kemenhub . . . . . . . . . . . . . . . . . . . . 5
2.2.1 Tugas dan Fungsi . . . . . . . . . . . . . . . . . . . . . . 5
2.2.2 Visi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.3 Misi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.4 Motto dan Lambang . . . . . . . . . . . . . . . . . . . . 6
2.2.5 Jadwal Kegiatan Praktek Kerja Lapangan . . . . . . . . 7
2.2.6 Identitas Lembaga . . . . . . . . . . . . . . . . . . . . . 7
2.2.7 Struktur Organisasi . . . . . . . . . . . . . . . . . . . . . 7

III LANDASAN TEORI 9

3.1 Analisis Runtun Waktu . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.1 Definisi . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Peramalan (Forecasting) . . . . . . . . . . . . . . . . . . . . . . 10
3.3 Metode Regresi Linier . . . . . . . . . . . . . . . . . . . . . . . 11
3.4 ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4.1 Model Autoregressive (AR) . . . . . . . . . . . . . . . . 15
3.4.2 Model Moving Average (MA) . . . . . . . . . . . . . . . 16

iv
 3.4.3 Model ARMA . . . . . . . . . . . . . . . . . . . . . . . . 16
3.5 Penggunaan Software Minitab untuk ARIMA . . . . . . . . . . 17

IV Hasil Kegiatan dan Pembahasan 24

4.1 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2 Peramalan dengan Metode Regresi Linier . . . . . . . . . . . . . 25
4.2.1 Data Ekspor . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.2 Data Impor . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3 Peramalan dengan Metode ARIMA . . . . . . . . . . . . . . . . 34
4.3.1 Data Ekspor . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3.2 Data Impor . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 Pemilihan Model Terbaik dari Metode Regresi Linier dan ARIMA 52
4.4.1 Data Ekspor . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.2 Data Impor . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5 Hasil Peramalan . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5.1 Data Ekspor . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5.2 Data Impor . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.6 Pembahasan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

V PENUTUP 59
5.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

DAFTAR PUSTAKA 60

v
 DAFTAR TABEL

4.1 Transaksi Berjalan Jasa Transportasi Bagian Ekspor (Juta USD)

4.2 Transaksi Berjalan Jasa Transportasi Bagian Impor (Juta USD)
4.3 Proses Pengolahan Tabel Data Ekspor
4.4 Hasil Peramalan Transaksi Bagian Ekspor (Juta USD)
4.5 Penghitungan Mean Square Error Peramalan Regresi Ekspor
4.6 Proses Pengolahan Tabel Data Impor
4.7 Hasil Peramalan Transaksi Bagian Impor (Juta USD)
4.8 Penghitungan Mean Square Error Peramalan Regresi Impor
4.9 Final Estimates of Parameters of Model I
4.10 Residual Sums of Squares of Model I
4.11 Final Estimates of Parameters of Model II
4.12 Residual Sums of Squares of Model II
4.13 Final Estimates of Parameters of Model III
4.14 Residual Sums of Squares of Model III
4.15 Final Estimates of Parameters of Model IV
4.16 Residual Sums of Squares of Model IV
4.17 Final Estimates of Parameters of Model V
4.18 Residual Sums of Squares of Model V
4.19 Final Estimates of Parameters of Model VIII
4.20 Residual Sums of Squares of Model VIII
4.21 Final Estimates of Parameters of Model IX
4.22 Residual Sums of Squares of Model IX
4.23 Final Estimates of Parameters of Model X
4.24 Residual Sums of Squares of Model X
4.25 Final Estimates of Parameters of Model XI
4.26 Residual Sums of Squares of Model XI
4.27 Final Estimates of Parameters of Model XII
4.28 Residual Sums of Squares of Model XII
4.29 Final Estimates of Parameters of Model XIII
4.30 Residual Sums of Squares of Model XIII
4.31 Final Estimates of Parameters of Model XIV
4.32 Residual Sums of Squares of Model XIV
4.33 Final Estimates of Parameters of Model XV
4.34 Residual Sums of Squares of Model XV
4.35 Final Estimates of Parameters of Model XVI
4.36 Residual Sums of Squares of Model XVI

vii
 DAFTAR GAMBAR

2.1 Lambang Balitbang Kemenhub

2.2 Struktur Organisasi Balitbang Kemenhub
2.3 Struktur Organisasi Puslitbang LSDP, Balitbang Kemenhub
3.1 Tampilan Worksheet Minitab
3.2 Grafik Data Runtun Waktu
3.3 Grafik Trend
3.4 Grafik F. Autokorelasi
3.5 Grafik F. Autokorelasi Parsial
3.6 Mencari Data Selisih
3.7 Peramalan
4.1 Plot Transaksi Berjalan Jasa Barang Ekspor
4.2 Grafik Analisis Trend pada Data Ekspor
4.3 Grafik Fungsi Autokorelasi pada Data Ekspor
4.4 Grafik Fungsi Autokorelasi Parsial pada Data Ekspor
4.5 Plot Data Selisih Pertama pada Data Ekspor
4.6 Grafik Trend Analisis Data Selisih Pertama pada Data Ekspor
4.7 Grafik FAK Data Selisih Pertama pada Data Ekspor
4.8 Grafik FAKP Data Selisih Pertama pada Data Ekspor
4.9 Plot Data Selisih Kedua pada Data Ekspor
4.10 Grafik Trend Analisis Data Selisih Kedua pada Data Ekspor
4.11 Grafik FAK Data Selisih Kedua pada Data Ekspor
4.12 Grafik FAKP Data Selisih Kedua pada Data Ekspor
4.13 Plot Data Selisih Ketiga pada Data Ekspor
4.14 Plot Data Transaksi Berjalan Jasa Barang Impor
4.15 Grafik Analisis Trend pada Data Impor
4.16 Grafik FAK pada Data Impor
4.17 Grafik FAKP pada Data Impor
4.18 Plot Data Selisih Pertama pada Data Impor
4.19 Grafik Trend Analisis Data Selisih Pertama pada Data Impor
4.20 Grafik FAK Data Selisih Pertama pada Data Impor
4.21 Grafik FAKP Data Selisih Pertama pada Data Impor
4.22 Plot Data Selisih Kedua pada Data Impor
4.23 Grafik Trend Analisis Data Selisih Kedua pada Data Impor
4.24 Grafik FAK Data Selisih Kedua pada Data Impor
 1

4.25 Grafik FAKP Data Selisih Kedua pada Data Impor

4.26 Plot Data Ekspor dengan Hasil Forecastnya
4.27 Plot Data Impor dengan Hasil Forecastnya
4.28 Plot Data Ekspor dengan Hasil Forecastnya
4.29 Analisis Trend Data Ekspor dengan Hasil Forecastnya
4.30 Plot Data Impor dengan Hasil Forecastnya
4.31 Analisis Trend Data Impor dengan Hasil Forecastnya
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Indonesia memiliki kondisi geografis yang berbentuk kepulauan. Luas wi-
layah Indonesia sebesar 7,81 juta km2 . Perbandingan luas lautan dan daratan
sangatlah jauh. Luas daratan yaitu pulau besar dan kecil di Indonesia sebesar
2,01 juta km2 . Luas lautan Indonesia sebesar 5,80 juta km2 . Ini berarti luas
lautan Indonesia mencapai 74 persen dari total seluruh luas yang dimiliki.
Memperhatikan luas wilayah lautan atau perairan yang dimiliki, maka po-
sisi Indonesia merupakan jalur perdagangan internasional yang menggunakan
moda angkutan laut sebagai moda yang sangat strategis untuk mengangkut
barang perdagangan keluar negeri di samping untuk pengangkutan barang
dalam negeri. Pendistribusian barang pastilah banyak menggunakan kapal-
kapal yang menggunakan laut. Namun, kapal-kapal yang mengangkut barang-
barang ekspor dan impor Indonesia adalah kapal milik asing. Hal ini membuat
Indonesia tidak mampu menguasai potensi ekonomi dari sektor jasa transpor-
tasinya.
Ketidakmampuan Indonesia menguasai sektor jasa transportasi, baik da-
lam kegiatan ekspor dan impor, membuat Indonesia banyak mengalami defisit
keuangan dalam neraca transaksi jasa transportasi. Jasa transportasi dike-
lompokkan berdasarkan tipenya menjadi jasa penumpang (passenger service),
jasa angkutan barang (freight service), dan jasa lainnya. Data transaksi ber-
jalan jasa transportasi yang dibahas adalah pada jasa angkutan barang (freight
service).
Transaksi berjalan jasa transportasi Indonesia dicatat oleh Bank Indonesia
dalam Neraca Pembayaran Indonesia. Neraca Pembayaran Indonesia (NPI)
merupakan pencatatan atas transaksi ekonomi yang terjadi antara penduduk
dengan bukan penduduk Indonesia pada suatu periode tertentu. Transaksi
ekonomi yang dicatat dalam NPI terutama diakibatkan oleh terjadinya per-
tukaran atau transfer nilai ekonomi antara penduduk dan bukan penduduk
Indonesia.

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.

1.2 Rumusan Masalah

1. Bagaimana hasil peramalan pada data Transaksi Berjalan Indonesia pa-
da Sektor Jasa Transportasi Barang Ekspor dan Impor dengan menggu-
nakan metode regresi linier?

2. Bagaimana hasil peramalan data Transaksi Berjalan Indonesia pada Sek-

tor Jasa Transportasi Barang Ekspor dan Impor dengan menggunakan
metode ARIMA?
 4

3. Metode apa yang terbaik dalam peramalan data transaksi berjalan In-
donesia pada sektor jasa transportasi?

1.3 Tujuan Makalah

1. Mengetahui hasil peramalan dari data transaksi berjalan Indonesia pada
sektor jasa transportasi dengan menggunakan metode regresi linier.

2. Mengetahui hasil peramalan dari data transaksi berjalan Indonesia pada

sektor jasa transportasi dengan menggunakan metode ARIMA.

3. Mengetahui metode terbaik antara regresi linier dan ARIMA dalam per-
amalan data transaksi berjalan Indonesia pada sektor jasa transportasi.

4. Menjadi pertimbangan bagi pihak terkait untuk menyiapkan strategi

menghadapi neraca pembayaran Indonesia pada transaksi berjalan sek-
tor jasa transportasi yang defisit.
 BAB II

PUSLITBANG TRANSPORTASI LSDP

BALITBANG KEMENHUB

2.1 Sejarah Balitbang Kemenhub

Badan Penelitian dan Pengembangan Kementerian Perhubungan diben-
tuk berdasarkan Keputusan Presiden Nomor 45 Tahun 1974 Juncto Kepu-
tusan Presiden Nomor 47 Tahun 1979. Sebagai pelaksana Keputusan Pre-
siden di atas, Organisasi dan Tata Kerja Badan ini disempurnakan melalui
Keputusan Menteri Perhubungan Nomor KM 91/OT.002/Phb-80, dan selan-
jutnya disetujui Menteri Penertiban Aparatur Negara dalam suratnya Nomor
B-299/1/MENPAN/4/80 tanggal 22 April 1980.
Badan Penelitian dan Pengembangan Perhubungan adalah pelaksana tu-
gas penelitian dan pengembangan (LITBANG) dipimpin oleh seorang Kepala
Badan yang bertanggung jawab langsung kepada Menteri Perhubungan. Tuju-
an Penelitian dan Pengembangan Perhubungan adalah berusaha menemukan
jawaban yang tepat dalam memecahkan permasalahan pokok yang dihadapi
oleh Kementerian Perhubungan baik dibidang pengaturan, pembangunan ma-
upun operasional di bidang transportasi, sehingga dapat tercapai tujuan untuk
dapat menyediakan jasa perhubungan yang selalu sesuai, bahkan dapat men-
dahului tingkat kebutuhan yang diperlukan bagi kesejahteraan dan kemajuan
bangsa dan negara.

2.2 Profil Balitbang Kemenhub

2.2.1 Tugas dan Fungsi
Badan Penelitian dan Pengembangan Perhubungan mempunyai tugas me-
laksanakan penelitian dan pengembangan di bidang perhubungan. Badan Pe-
nelitian dan Pengembangan Perhubungan menyelenggarakan fungsi:

1. Perumusan kebijakan teknis penelitian dan pengembangan di bidang ma-

najemen transportasi multimoda, perhubungan darat, perhubungan laut,

5
 6

perhubungan udara.

2. Perumusan rencana dan program serta koordinasi penelitian dan pe-

ngembangan di bidang manajemen transportasi multimoda, perhubung-
an darat, perhubungan laut, perhubungan udara.

3. Pelaksanaan penelitian dan pengembangan di bidang manajemen trans-

portasi multimoda, perhubungan darat, perhubungan laut, perhubungan
udara.

4. Pemberian pelayanan penelitian dan pengembangan serta informasi il-

miah di bidang manajemen transportasi multimoda, perhubungan darat,
perhubungan laut, 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:

1. Memberikan masukan kepada para pengambil keputusan dalam bentuk

pertimbangan ilmiah yang tepat waktu dan aplikatif.

2. Melakukan penelitian dan pengembangan dalam rangka penetapan kebi-

jakan transportasi.

3. Melakukan penelitian dan pengembangan dalam rangka penetapan stan-

dar, kriteria dan pedoman di bidang transportasi.

4. Menyajikan dan menyebarluaskan informasi ilmiah di bidang transpor-

tasi.

2.2.4 Motto dan Lambang

Motto:
The Power of Transport Development
 7

Lambang:

Gambar 2.1: Lambang Balitbang Kemenhub

2.2.5 Jadwal Kegiatan Praktek Kerja Lapangan

Tempat: Puslitbang LSDP, Balitbang, Kemenhub.
Alamat: Jalan Medan Merdeka Timur No. 5, RT.2/RW.1, Gambir, Kota
Jakarta Pusat, DKI Jakarta 10110
Waktu: 01 Agustus 2019 s.d. 31 Agustus 2019

2.2.6 Identitas Lembaga

Alamat: Jl. Medan Merdeka Tim. No.5, RT.2/RW.1, Gambir, Kota Jakarta
Pusat, DKI Jakarta 10110
Email: balitbanghub@dephub.go.id
Telepon: (021) 34833060

2.2.7 Struktur Organisasi

Balitbang Kemenhub merupakan bagian dari Kemenhub yang melakuk-
an penelitian dan pengembangan sarana transportasi di Indonesia. Struktur
organisasi Balitbang Kemenhub ditampilkan pada Gambar 2.2. Puslitbang
Transportasi LSDP (Laut, Sungai, Danau, dan Penyeberangan) merupakan
bagian dari Balitbang Kemenhub tersebut. Susunan organisasi Puslitbang
LSDP ditampilkan pada Gambar 2.3.
 8

Gambar 2.2: Struktur Organisasi Balitbang Kemenhub.

Gambar 2.3: Struktur Organisasi Puslitbang LSDP, Balitbang Kemenhub.

 BAB III

LANDASAN TEORI

Sebelum membandingkan hasil peramalan data transaksi berjalan jasa In-

donesia dengan menggunakan metode regresi linier dan ARIMA, berikut akan
dibahas terlebih dahulu mengenai dasar-dasar teori yang digunakan dalam tu-
gas ini. Di antaranya mengenai analisis runtun waktu, peramalan, metode
regresi linier, metode ARIMA, dan penggunaan aplikasi Minitab dalam pera-
malan model ARIMA.

3.1 Analisis Runtun Waktu

3.1.1 Definisi
Analisis runtun waktu pertama kali diperkenalkan oleh George Box dan
Gwilyn Jenkins. Analisis runtun waktu adalah suatu metode kuantitatif untuk
menentukan pola data masa lampau yang telah dikumpulkan secara teratur.
Jika kita telah menemukan pola data tersebut maka kita dapat mengguna-
kannya untuk mengadakan peramalan di masa yang datang. Runtun waktu
adalah himpunan observasi berurut dalam waktu atau dimensi apa saja yang
lain.
Ciri-ciri analisis runtun waktu yang menonjol adalah bahwa deretan ob-
servasi pada suatu variabel dipandang sebagai realisasi dari variabel random
berdistribusi bersama. Yakni kita menganggap adanya fungsi probabilitas ber-
sama pada variabel random Z1 . . . Zn misalnya f1..,n (Z1 . . . Zn ) subskrip 1, . . . , n
pada fungsi kepadatan itu bergantung pada titik waktu tertentu yang kita per-
hatikan. Model ini dinamakan proses stokastik, karena observasi berturutan
yang tersusun melalui waktu mengikuti suatu hukum probabilitas. Sebagai
contoh yang sederhana dari proses stokastik adalah random walk, di mana
dalam setiap perubahan yang berurutan diambil secara independent dari su-
atu distribusi probabilitas dengan mean nol. Maka variabel Zt mengikuti
Zt –Zt−1 = at atau Zt = Zt−1 + at .
Zt+k adalah ramalan yang dibuat pada waktu t untuk k langkah ke dep-
an yang dipandang sebagai nilai ekspektasi dengan syarat diketahui observasi

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

3.2 Peramalan (Forecasting )

Forecasting adalah tugas statistik yang umum dalam bisnis, di mana ini
akan membantu dalam menyediakan perencanaan jangka panjang yang strate-
gis. Tetapi, peramalan sering dibingungkan dengan perencanaan, dan tujuan.
Peramalan, perencanaan, dan tujuan adalah hal yang berbeda.
Peramalan adalah tentang memprediksi masa depan dengan seakurat mung-
kin, menggunakan informasi-informasi yang tersedia, termasuk data historis
dan pengetahuan tentang kejadian-kejadian masa depan yang mungkin ber-
dampak terhadap peramalan.
Tujuan adalah sesuatu yang anda inginkan terjadi. Tujuan harus terkait
dengan peramalan dan perencanaan, tetapi tidak selalu. Seringnya, tujuan
dibuat tanpa perencanaan untuk bagaimana mencapainya, dan tidak ada per-
amalan untuk menentukan apakah hal tersebut realistis.
Perencanaan adalah sebuah tindakan terhadap peramalan dan tujuan. Me-
lakukan perencanaan termasuk menentukan aksi yang tepat yang dibutuhkan
untuk membuat peramalan sejalan dengan tujuan.
Peramalan harus menjadi bagian integral dalam pengambilan keputusan
dalam manajemen, yang mana bisa memainkan peran penting dalam banyak
area dalam sebuah perusahaan. Organisasi-organisasi modern membutuhkan
 11

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.

3.3 Metode Regresi Linier

Pada metode ini ramalan disusun atas dasar pola hubungan data yang re-
levan di masa lalu. Ada 3 kondisi untuk dapat mempergunakan metode regresi
ini, yaitu:
1. Adanya informasi tentang keadaan yang lalu.
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk kata.
3. Dapat dianggap atau diasumsikan bahwa pola hubungan yang ada, dan
data yang telah lalu akan berkelanjutan di masa yang akan datang.

Pada metode regresi umumnya variabel yang diramalkan seperti penjualan

atau permintaan suatu produk, dinyatakan sebagai variabel yang dicari (de-
pendent variable), variabel ini dipengaruhi besarnya oleh variabel bebas (inde-
pendent variable). Hubungan antara variabel-variabel bebas dengan variabel
 12

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 ).

Peramalan dengan menggunakan analisa deret waktu, mendasarkan hasil

ramalan yang disusun atas pola hubungan antara variabel yang dicari atau di-
ramalkan dengan variabel waktu yang merupakan satu satunya variabel yang
mempengaruhinya. Peramalan dengan menggunakan analisa cross section
mendasarkan hasil ramalan yang disusun atas pola hubungan antara varia-
bel yang dicari atau diramalkan dengan variabel-variabel yang mempengaruhi
atau bebas yang bukan waktu.
Dalam peramalan ini, diasumsikan bahwa faktor atau variabel yang dira-
malkan menunjukkan suatu hubungan pengaruh sebab akibat dengan satu va-
riabel bebas. Jadi maksud dari analisa cross section atau causal model adalah
untuk menemukan bentuk pola hubungan yang saling mempengaruhi antara
variabel yang dicari dengan variabel yang mempengaruhinya, serta mengguna-
kannya untuk meramalkan nilai-nilai dari variabel yang diramalkan pada masa
yang akan datang.
Analisa deret waktu dan causal model mempunyai beberapa keuntungan
atau keunggulan dari yang lain dalam keadaan tertentu. Keuntungan terse-
but adalah bahwa model-model deret waktu sering dapat dipergunakan secara
mudah dalam peramalan, sedangkan causal model dapat dipergunakan dalam
peramalan dengan keberhasilan atau ketepatan yang lebih besar, sering dipakai
untuk pengambilan keputusan dan kebijaksanaan.
Bila data yang dibutuhkan dalam peramalan tersedia, maka suatu hubung-
an yang dipergunakan dalam peramalan tersebut dihipotesakan sebagai salah
satu fungsi dari waktu, atau fungsi dari variabel lain yang bukan waktu, dan
kemudian selanjutnya dilakukan pengetasan.
Suatu langkah yang penting dalam memilih metode deret waktu adalah
mempertimbangkan jenis pola yang terdapat dari data observasi, sehingga
metode tersebut dapat diuji.
Pola yang ditunjukkan dengan analisa regresi yang sederhana mengasum-
sikan bahwa hubungan antara 2 variabel dapat dinyatakan dengan suatu garis
lurus. Notasi regresi sederhana yang merupakan pola garis lurus itu menurut
 13

Sofyan Assauri (l,h.35) dinyatakan sebagai berikut:

Y = a + bX, (3.1)

di mana Y adalah variabel yang diramalkan, x adalah variabel waktu, serta a

dan b adalah parameter atau koefisien regresi.

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

Syarat–syarat regresi linier:

 14

1. Datanya interval atau rasio.

2. Data berdistribusi normal.

3. Untuk memprediksi diperlukan persamaan regresi linier, yang berarti

bahwa terdapat korelasi atau hubungan garis lurus antara variabel X
dan Y.

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:

1. Model Autoregresive yaitu suatu model yang menggambarkan bahwa

variabel dependent dipengaruhi oleh variabel dependent itu sendiri pada
periode-periode atau waktu-waktu sebelumnya.

2. Model Moving Average yaitu rata-rata bergerak yang digunakan untuk

data observasi baru yang tersedia dan dipergunakan secara random.

Secara umum model ARIMA p, d, q dapat dirumuskan dengan notasi sebagai

berikut:

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)

Untuk ARIMA(1,1,1) model runtun waktunya adalah:

Zt = (1 + φ1 )Zt−1 + (φ)Zt−2 + at + θ1 at−1 (3.8)

Dengan:
AR: p menunjukan orde/derajat autoregresive
I: d menunjukan orde/derajat differencing (pembedaan)
MA: q menunjukan orde/derajat moving average

Runtun waktu yang non stasioner fungsi autokorelasinya akan menurun

secara linear dan lambat.
 15

3.4.1 Model Autoregressive (AR)

Bentuk umum suatu proses Autoregresive tingkat P (AR)p adalah:

Zt = (φ1 )Zt−1 + (φ)Zt−2 + ... + φp Zt−p + at , (3.9)

yaitu nilai sekarang suatu proses dinyatakan sebagai jumlah tertimbang nilai-
nilai yang lalu ditambah dengan satu sesatan (goncangan random) sekarang.

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:

Yk = φ1 Yk−1 + ... + φp Yk−p ; k > 0 (3.10)

Dengan autokorelasinya:

ρk = φ1 ρk−1 + ... + φp ρk−p ; k > 0 (3.11)

1. Model AR berorde 1 (AR)1 dapat ditulis dengan notasi ARIMA (1,0,0)

Bentuk umum dari (AR)1 adalah

Zt = (φ1 )Zt−1 + at (3.12)

Syarat supaya runtun waktu stasioner adalah autokorelasi yang menurun

secara exponensial, satu autokorelasi yang signifikan dan fungsi autoko-
relasi parsial terputus pada lag p.

2. Model AR berorde 2 (AR)2

Bentuk umum dari model (AR)2 adalah

Zt = (φ1 )Zt−1 + (φ2 )Zt−2 + at (3.13)

Secara teoritik sifat-sifat yang tergolong dalam model (AR)2 adalah au-
tokorelasi seperti gelombang sinus teredam dan dua autokorelasi yang
signifikan.
 16

3.4.2 Model Moving Average (MA)

Bentuk umum model Moving Average (MA) berorde q atau (MA)q adalah
sebagai berikut.
Zt = at − θ1 at−1 − ... − θq at−q , (3.14)

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)

1. Proses MA(1) mempunyai model:

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.

2. Proses MA(2) mempunyai model:

Zt : at − θ1 at−1 − θ2 at−2 (3.16)

Untuk model ini autokorelasi parsial seperti gelombang sinus teredam

dan dua autokorelasi yang signifikan.

3.4.3 Model ARMA

Model ini merupakan model campuran antara AR dan MA, bentuk umum
ARMA adalah sebagai berikut:

Zt = φ1 Zt−1 + ... + φp Zt−p + at + θ1 at−1 + ... + θq at−q (3.17)

Ciri dari model ARMA ini adalah autokorelasi dan autokorelasi parsial yang
mendekati nol secara eksponential. Proses ARMA (1,1) mempunyai model:

Zt = φZt−1 + at − φat−1 (3.18)

 17

3.5 Penggunaan Software Minitab untuk ARI-

MA
Perkembangan ilmu pengetahuan dan teknologi sekarang ini telah mencip-
takan perangkat yang memudahkan dan mempersingkat kerja manusia dalam
berbagai hal seperti pengolahan data statistik. Minitab merupaka salah satu
perangkat lunak yang dibuat untuk mempermudah proses peramalan jika data
yang digunakan sangat banyak. Penggunaan software minitab dalam kegiatan
ini bertujuan agar proses peramalan mudah dilakukan dan hasil peramalan
yang diperoleh juga lebih akurat. Minitab merupakan perangkat lunak yang
digunakan sebagai media pengolahan data yang dapat menyediakan berbagai
jenis perintah yang menyediakan perintah dalam proses pemasukan data, ma-
nipulasi data, pembuatan grafik, penganalisaan numerik, dan analisis statistik.
Adapun langkah-langkah penggunaan software Minitab dalam melakukan per-
amlan adalah sebagai berikut:

1. Pemasukan / Input Data ke Dalam Program Minitab

Langkahnya yaitu jalankan software Minitab dengan cara klik Start →
Minitab 11 for Window → Minitab, maka akan muncul tampilan seperti
pada Gambar 3.1. Untuk memasukan data runtun waktu yang akan kita

Gambar 3.1: Tampilan Worksheet Minitab

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.

2. Menggambar Grafik Data Runtun Waktu Langkah-langkahnya adalah:

a. Pilih menu Stat, caranya dengan klik tombol kiri pada mouse pilih
menu Time Series → Time Series Plot.
b. Kemudian klik data yang akan digambar grafiknya misal kolom C1,
kemudian klik Select, maka kolom Y baris pertama akan muncul tulisan
C1. Kalau data yang ingin digambar grafiknya lebih dari satu. Letakan
kursor pada Y baris 2 dan seterusnya. Kemudian pilih kolom data yang
akan digambarkan grafiknya. Maka akan muncul tampilan seperti di
bawah ini:

Gambar 3.2: Grafik Data Runtun Waktu

3. Menggambar grafik trend

Trend analisis digunakan untuk menentukan garis trend dari data terse-
but. Langkah-langkahnya:
a. Pilih Stat → Time Series → Trend Analiysis. Selanjutnya akan
muncul tampilan seperti pada gambar 3.3.

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

Gambar 3.3: Grafik Trend

yaitu apakah grafik trend nya akan ditampilkan atau tidak dan
pengaturan outputnya.

4. Menggambar Grafik Fungsi Autokorelasi (fak) dan Fungsi Autokorelasi

Parsial (fakp)
Fak dan fakp digunakan untuk menentukan kestasioneran data runtun
waktu dan model dari data tersebut.
Langkah-langkahnya:
a. Pilih Stat → Time Series → Autocorrelation. . . Untuk menggambar
grafik fak atau Partial Autocorelation untuk menggambar fakp. Sehingga
akan muncul tampilan seperti pada Gambar 3.4.

Gambar 3.4: Grafik F. Autokorelasi

 20

Gambar 3.5: Grafik F. Autokorelasi Parsial

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.

5. Menghitung Data Selisih

Data selisih digunakan untuk menentukan kestasioneran data runtun
waktu jika data asli tidak stasioner.
Langkah-langkahnya adalah:
a. Pilih Stat → Time Series → Differences, sehingga akan muncul tam-
pilan seperti pada Gambar 3.5.

Gambar 3.6: Mencari Data Selisih

 21

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.

Gambar 3.7: Peramalan

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

7. Verifikasi hasil peramalan

Ada beberapa parameter yang akan dibandingkan:

• 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.

• P untuk estimasi akhir parameter

Nilai-p adalah probabilitas yang mengukur bukti terhadap hipotesis
nol. Probabilitas yang lebih rendah memberikan bukti yang lebih
kuat terhadap hipotesis nol.
• Untuk menentukan apakah hubungan antara respons dan setiap su-
ku dalam model signifikan secara statistik, bandingkan nilai p untuk
suku dengan tingkat signifikansi yang dipilih untuk menilai hipote-
sis nol. Hipotesis nol adalah istilah tersebut tidak berbeda secara
signifikan dari 0, yang menunjukkan bahwa tidak ada hubungan
antara istilah dan respons. Biasanya, tingkat signifikansi (dilam-
bangkan sebagai α atau alpha) 0,05 berfungsi dengan baik. Sebuah
tingkat signifikansi 0,05 menunjukkan sebuah risiko 5% menyim-
pulkan bahwa suku tersebut tidak secara signifikan berbeda dari 0
ketika suku tersebut secara signifikan berbeda dari 0.
Jika nilai p kurang dari atau sama dengan tingkat signifikansi, da-
pat disimpulkan bahwa koefisiennya signifikan secara statistik.
Jika nilai-p lebih besar dari tingkat signifikansi, tidak dapat disim-
pulkan bahwa koefisiennya signifikan secara statistik.

• SS (Sum of Squares)
 23

Jumlah kuadrat untuk residu adalah penjumlahan residu menggu-

nakan estimasi parameter akhir, tidak termasuk perkiraan kemba-
li. Minitab menggunakan jumlah kuadrat untuk menghitung mean
square error.

• MS (Mean Squares Error )

Kesalahan kuadrat rata-rata adalah ukuran keakuratan model yang
dipasang. Semakin kecil rata-rata galat kuadrat biasanya menun-
jukkan model pemasangan yang lebih baik. Gunakan mean square
error untuk membandingkan kecocokan model ARIMA yang ber-
beda.

• 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

Hasil Kegiatan dan Pembahasan

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.

4.2 Peramalan dengan Metode Regresi Linier

Data jasa kegiatan ekspor dan impor pada Tabel 4.1 dan 4.2 akan dilakukan
forecasting sampai 42 kuartal (triwulan) ke depan, sesuai dengan banyaknya
jumlah data yang diperoleh.

4.2.1 Data Ekspor

Sebelum menemukan variabel a dan b untuk persamaan Y 0 = a + bX yang
P P P
memenuhi data ekspor, perlu ditemukan variabel besaran x, y, x.y,
P 2 P 2
(x ), dan ( x) . Variabel x menunjukkan periode peramalan. Variabel y
menunjukkan data yang dimiliki pada data aktual. Proses pengolahan data
ini terdapat pada Tabel 4.3.
 26

Tabel 4.3: Proses Pengolahan Tabel Data Ekspor

 27

Maka didapatkanlah:
P
x = 2667
P
y = 17081
P
x.y = 1079041
P 2
(x ) = 175525
( x) = 26672 = 7112889
P 2

Dengan didapatkannya nilai-nilai di atas, maka nilai a dan b bisa ditemuk-

an dengan menggunakan rumus pada Persamaan 3.3 dan 3.4.
P P P
n xy − ( X)( Y ) 42(1079041) − (2667)(17081)
b= P 2 P 2 = = −0, 907949113
n X − ( X) 42(175525) − 7112889
P P
y−b x 17081 − (−0, 907949113 ∗ 2667)
a= = = 464, 3452448
n 42
Dengan ditemukannya variabel a dan b, hasil peramalan (y 0 ) dapat dihi-
tung. Hasil peramalan menggunakan rumus y 0 = a + bx. List hasil peramalan
periode 43 s.d. 84 terdapat pada Tabel 4.4.

Tabel 4.4: Hasil Peramalan Transaksi Bagian Ekspor (Juta USD)

 28

Untuk mengukur keakuratan hasil peramalan tersebut, digunakan persa-

maan mean square error. Semakin kecil mean square error menunjukkan model
orecast)2
P
peramalan tersebut semakin akurat. Rumus MSE adalah = (Aktual−F n−1
.
Nilai aktual dilambangkan dengan y dan nilai hasil peramalan dilambangkan
dengan y 0 .
Proses perhitungan MSE membutuhkan nilai dari (y − y 0 )2 . Pada Tabel
4.5 menampilkan bagaimana proses perhitungan nilai dari (y − y 0 )2 . Lalu nilai
(y − y 0 )2 pada setiap periode dijumlah, yaitu (y − y 0 )2 .
P
 29

Tabel 4.5: Penghitungan Mean Square Error Peramalan Regresi Ekspor

(Aktual−F orecast)2 (y−y 0 )2

P P
191837,477
M SE = n−1
= n−1
= 42−1
= 4678, 962854
 30

4.2.2 Data Impor

Sebelum menemukan variabel a dan b untuk persamaan Y 0 = a + bX yang
P P P
memenuhi data impor, perlu ditemukan variabel besaran x, y, x.y,
P 2 P 2
(x ), dan ( x) . Variabel x menunjukkan periode peramalan. Variabel
y menunjukkan data yang dimiliki pada aktual. Proses pengolahan data ini
terdapat pada Tabel 4.6.

Tabel 4.6: Proses Pengolahan Tabel Data Impor

 31

Maka didapatkan:
P
x = 2667
P
y = −79199
P
x.y = −5057115
P 2
(x ) = 175525
( x) = 26672 = 7112889
P 2

Dengan didapatkannya nilai-nilai di atas, maka nilai a dan b bisa ditemuk-

an dengan menggunakan rumus pada Persamaan 3.3 dan 3.4.
P P P
n xy − ( X)( Y ) 42(−5057115) − (2667)(−79199)
b= P 2 P 2 = = −4, 534235475
n X − ( X) 42(175525) − 7112889
P P
y−b x −79199 − (−4, 534235475 ∗ 2667)
a= = = −1597, 766524
n 42
Dengan ditemukannya variabel a dan b, hasil peramalan (y 0 ) dapat dihi-
tung. Hasil peramalan menggunakan rumus y 0 = a + bx. List hasil peramalan
periode 43 s.d. 84 terdapat pada Tabel 4.7.
 32

Tabel 4.7: Hasil Peramalan Transaksi Bagian Impor (Juta USD)

Untuk mengukur keakuratan hasil peramalan tersebut, digunakan persa-

maan mean square error. Semakin kecil mean square error menunjukkan model
orecast)2
P
peramalan tersebut semakin akurat. Rumus MSE adalah = (Aktual−F n−1
.
Nilai aktual dilambangkan dengan y dan nilai hasil peramalan dilambangkan
dengan y 0 .
 33

Proses perhitungan MSE membutuhkan nilai dari (y − y 0 )2 . Pada Tabel

4.8 menampilkan bagaimana proses perhitungan nilai dari (y − y 0 )2 . Lalu nilai
(y − y 0 )2 pada setiap periode dijumlah, yaitu (y − y 0 )2
P

Tabel 4.8: Penghitungan Mean Square Error Peramalan Regresi Impor

 34

(Aktual−F orecast)2 (y−y 0 )2

P P
6930510,802
M SE = n−1
= n−1
= 42−1
= 169036, 8488

4.3 Peramalan dengan Metode ARIMA

Analisis peramalan dengan ARIMA akan meliputi empat kegiatan pokok
yakni:
a. Identifikasi Model, yaitu memilih model yang tepat yang bisa mewakili deret
pengamatan. Identifikasi model dapat dilakukan dengan membuat plot time
series, menganalisis FAK (fungsi autokorelasi) dan FAKP (fungsi autokorelasi
parsial).
b. Estimasi Parameter Model, yaitu menentukan nilai-nilai parameter yang
ada dengan melihat model ARIMA dari output program Minitab.
c. Verifikasi, yaitu memeriksa apakah model yang diestimasi cukup sesuai
dengan data yang dipunyai. Apabila kita jumpai penyimpangan yang cukup
serius maka kita membuat model baru dan selanjutnya kita estimasi dan veri-
fikasi dengan melihat nilai Mean Square (MS) terkecil.
d. Peramalan, dilakukan untuk mengetahui perkiraan angka transaksi berjal-
an jasa transportasi barang pada kegiatan impor dan ekspor Indonesia pada
periode selanjutnya. Peramalan dengan menggunakan analisis runtun waktu
memerlukan data historis minimal 50 data runtun waktu.

Pada peramalan dengan ARIMA ini, data yang digunakan sebanyak 42

data untuk masing-masing sektor ekspor dan impor dalam Neraca Pembayaran
Indonesia pada sektor jasa transportasi barang yang tercantum pada Tabel 4.1
dan Tabel 4.2. Dengan menggunakan Minitab 11 for Window diperoleh hasil
dan analisisnya sebagai berikut.
 35

4.3.1 Data Ekspor

A. Identifikasi Model

Gambar 4.1: Plot Transaksi Berjalan Jasa Barang Ekspor

Pertama akan dikenali bagaimana plot data ekspor. Lalu diteliti bagaimana
trend dari plot tersebut.

Gambar 4.2: Grafik Analisis Trend pada Data Ekspor

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.

Gambar 4.3: Grafik Fungsi Autokorelasi pada Data Ekspor

 36

Dari grafik fungsi autokorelasi (FAK) terlihat nilai autokorelasinya turun

lambat (berkurang secara perlahan) dan eksponensial sehingga data tersebut
belum stasioner sehingga tidak terbentuk model.

Gambar 4.4: Grafik Fungsi Autokorelasi Parsial pada Data Ekspor

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.

Gambar 4.5: Plot Data Selisih Pertama pada Data Ekspor

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

Sedangkan dari grafik FAKP terlihat mengikuti grafik sinus.

Pada suatu kondisi akan terdapat lag pada grafik FAK dan FAKP yang
memotong garis. Garis tersebut adalah white noise. Garis white noise tergan-
tung dengan besaran selang kepercayaan yang digunakan. Pada analisis ini,
selang kepercayaan yang digunakan adalah 5%.
Dengan melihat grafik FAK dan FAKP, terlihat tidak ada lag yang memo-
tong garis white noise. Sehingga akan dipilih model ARIMA (p,d,q) antara
(1,1,1), (0,1,1), dan (1,1,0).

Gambar 4.9: Plot Data Selisih Kedua pada Data Ekspor

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).

B. Estimasi Parameter pada Model

Setelah melakukan identifikasi data maka langkah selanjutnya yaitu mela-

kukan estimasi parameter. Hasil output yang diperoleh dengan menggunakan
Minitab adalah sebagai berikut.

1. Model ARIMA I (1,1,1)

 40

Tabel 4.9: Final Estimates of Parameters of Model I

Type Coef SE Coef T-Value P-Value
AR 1 0,630 0,156 4,04 0,000
MA 1 0,963 0,101 9,52 0,000
Constant -0,021 0,628 -0,03 0,973

Tabel 4.10: Residual Sums of Squares of Model I

DF SS MS
38 124494 3276,15

2. Model ARIMA II (0,1,1)

Tabel 4.11 : Final Estimates of Parameters of Model II

Type Coef SE Coef T-Value P-Value
MA 1 0,238 0,157 1,52 0,136
Constant 2,41 7,07 0,34 0,735

Tabel 4.12: Residual Sums of Squares of Model II

DF SS MS
39 137675 3530,13

3. Model ARIMA III (1,1,0)

Tabel 4.13: Final Estimates of Parameters of Model III

Type Coef SE Coef T-Value P-Value
AR 1 -0,222 0,158 -1,41 0,167
Constant 3,05 9,28 0,33 0,744

Tabel 4.14: Residual Sums of Squares of Model III

DF SS MS
39 137599 3528,18

4. Model ARIMA IV (1,2,1)

Tabel 4.15: Final Estimates of Parameters of Model IV

Type Coef SE Coef T-Value P-Value
AR 1 -0,234 0,172 -1,36 0,182
MA 1 0,964 0,132 7,29 0,000
Constant -0,046 0,744 -0,06 0,951
 41

Tabel 4.16: Residual Sums of Squares of Model IV

DF SS MS
37 142029 3838,61

5. Model ARIMA V (4,2,1)

Tabel 4.17: Final Estimates of Parameters of Model V

Type Coef SE Coef T-Value P-Value
AR 1 -1,305 0,186 -7,00 0,000
AR 2 -0,465 0,341 -1,36 0,182
AR 3 -0,315 0,342 -0,92 0,362
AR 4 -0,156 0,184 -0,85 0,403
MA 1 -0,9872 0,0254 -38,87 0,000
Constant -3,2 24,1 -0,13 0,896

Tabel 4.18: Residual Sums of Squares of Model V

DF SS MS
34 198597 5841,08
 42

4.3.2 Data Impor

1. Identifikasi Model

Gambar 4.14: Plot Data Transaksi Berjalan Jasa Barang Impor

Pertama akan dikenali bagaimana plot data impor. Lalu diteliti bagaimana
trend dari plot tersebut.

Gambar 4.15: Grafik Analisis Trend pada Data Impor

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

Gambar 4.16: Grafik FAK pada Data Impor

Grafik FAK data di atas menunjukkan model belum stasioner. Nilai au-
tokorelasinya turun lambat (berkurang secara perlahan) dan eksponensial se-
hingga menandakan belum stasioner.

Gambar 4.17: Grafik FAKP pada Data Impor

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

Gambar 4.18: Plot Data Selisih Pertama pada Data Impor

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

Gambar 4.22: Plot Data Selisih Kedua pada Data Impor

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).

Estimasi Parameter Dalam Model

Setelah melakukan identifikasi data maka langkah selanjutnya yaitu mela-

kukan estimasi parameter. Hasil output yang diperoleh dengan menggunakan
 48

Minitab adalah sebagai berikut.

1. Model ARIMA VI (2,1,2)

Model ini tidak bisa diestimasi dengan data yang ada.

2. Model ARIMA VII (2,1,4)

Model ini tidak bisa diestimasi dengan data yang ada.

3. Model ARIMA VIII (4,1,2)

Tabel 4.19: Final Estimates of Parameters of Model VIII

Type Coef SE Coef T-Value P-Value
AR 1 -1,003 0,226 -4,44 0,000
AR 2 -0,229 0,255 -0,90 0,375
AR 3 0,322 0,231 1,40 0,171
AR 4 0,545 0,170 3,20 0,003
MA 1 -1,376 0,230 -5,97 0,000
MA 2 -0,542 0,232 -2,34 0,026
Constant -29,0 63,7 -0,45 0,652

Tabel 4.20: Residual Sums of Squares of Model VIII

DF SS MS
34 649006 19088,4

4. Model ARIMA IX (4,1,4)

 49

Tabel 4.21: Final Estimates of Parameters of Model IX

Type Coef SE Coef T-Value P-Value
AR 1 -1,165 0,353 -3,30 0,002
AR 2 -0,748 0,595 -1,26 0,218
AR 3 -0,207 0,554 -0,37 0,712
AR 4 0,373 0,302 1,23 0,226
MA 1 -1,589 0,364 -4,36 0,000
MA 2 -1,262 0,701 -1,80 0,081
MA 3 -0,854 0,651 -1,31 0,199
MA 4 -0,361 0,316 -1,14 0,262
Constant -52 112 -0,47 0,645

Tabel 4.22: Residual Sums of Squares of Model IX

DF SS MS
32 624755 19523,6

5. Model ARIMA X (5,1,2)

Tabel 4.23: Final Estimates of Parameters of Model X

Type Coef SE Coef T-Value P-Value
AR 1 0,426 0,145 2,95 0,006
AR 2 0,546 0,158 3,45 0,002
AR 3 0,164 0,176 0,93 0,358
AR 4 0,329 0,159 2,07 0,046
AR 5 -0,707 0,151 -4,68 0,000
MA 1 0,171 0,165 1,04 0,308
MA 2 0,736 0,164 4,50 0,000
Constant -0,48 3,28 -0,15 0,883

Tabel 4.24: Residual Sums of Squares of Model X

DF SS MS
33 617321 18706,7

6. Model ARIMA XI (5,1,4) Model tidak dapat dihasilkan karena kemung-

kinan tidak stasioner atau tidak invertible.

7. Model ARIMA(1,2,1)
 50

Tabel 4.25: Final Estimates of Parameters of Model XI

Type Coef SE Coef T-Value P-Value
AR 1 -0,466 0,170 -2,73 0,010
MA 1 0,682 0,151 4,51 0,000
Constant 8,50 9,62 0,88 0,383

Tabel 4.26: Residual Sums of Squares of Model XI

DF SS MS
37 1322300 35737,8

8. Model ARIMA XII (1,2,4)

Tabel 4.27: Final Estimates of Parameters of Model XII

Type Coef SE Coef T-Value P-Value
AR 1 0,313 0,203 1,54 0,134
MA 1 1,460 0,163 8,96 0,000
MA 2 -0,796 0,276 -2,88 0,007
MA 3 0,285 0,327 0,87 0,389
MA 4 0,027 0,216 0,13 0,901
Constant 2,86 2,00 1,43 0,162

Tabel 4.28: Residual Sums of Squares of Model XII

DF SS MS
34 1252414 36835,7

9. Model ARIMA XIII (1,2,5)

Tabel 4.29: Final Estimates of Parameters of Model XIII

Type Coef SE Coef T-Value P-Value
AR 1 -0,604 0,253 -2,39 0,023
MA 1 0,507 0,277 1,83 0,076
MA 2 0,392 0,309 1,27 0,213
MA 3 0,084 0,201 0,42 0,680
MA 4 -0,172 0,204 -0,84 0,407
MA 5 0,482 0,204 2,36 0,024
Constant 3,726 0,642 5,81 0,000
 51

Tabel 4.30: Residual Sums of Squares of Model XIII

DF SS MS
33 820977 24878,1

10. Model ARIMA XIV (3,2,1)

Tabel 4.31: Final Estimates of Parameters of Model XIV

Type Coef SE Coef T-Value P-Value
AR 1 -1,522 0,132 -11,52 0,000
AR 2 -1,152 0,197 -5,85 0,000
AR 3 -0,627 0,131 -4,78 0,000
MA 1 -0,842 0,117 -7,18 0,000
Constant 32,0 42,3 0,76 0,455

Tabel 4.32: Residual Sums of Squares of Model XIV

DF SS MS
35 737617 21074,8

11. Model ARIMA XV (3,2,4)

Tabel 4.33: Final Estimates of Parameters of Model XV

Type Coef SE Coef T-Value P-Value
AR 1 -1,17 1,07 -1,09 0,284
AR 2 -0,25 1,47 -0,17 0,868
AR 3 -0,072 0,437 -0,17 0,870
MA 1 -0,66 1,08 -0,61 0,547
MA 2 0,989 0,904 1,09 0,282
MA 3 0,688 0,910 0,76 0,455
MA 4 -0,175 0,945 -0,19 0,854
Constant 8,30 4,35 1,91 0,066

Tabel 4.34: Residual Sums of Squares of Model XV

DF SS MS
32 733991 22937,2

12. Model ARIMA XVI (3,2,5)

 52

Tabel 4.35: Final Estimates of Parameters of Model XVI

Type Coef SE Coef T-Value P-Value
AR 1 -0,503 0,596 -0,84 0,405
AR 2 0,243 0,326 0,75 0,461
AR 3 -0,142 0,483 -0,29 0,771
MA 1 0,380 0,596 0,64 0,529
MA 2 0,558 0,346 1,61 0,117
MA 3 -0,144 0,552 -0,26 0,796
MA 4 0,017 0,355 0,05 0,962
MA 5 0,412 0,237 1,74 0,092
Constant 6,2351 0,0217 287,53 0,000

Tabel 4.36: Residual Sums of Squares of Model XVI

DF SS MS
31 776956 25063,1

4.4 Pemilihan Model Terbaik dari Metode Re-

gresi Linier dan ARIMA
Pada tahap ini bertujuan untuk memeriksa estimasi model yang telah di-
lakukan cukup cocok atau tidak yaitu dengan cara mencari nilai MS (Mean
Square) terkecil pada model yang terbentuk. Dari hasil estimasi diperoleh
hasil sebagai berikut:

4.4.1 Data Ekspor

• Model regresi linier mempunyai MS sebesar 4678,96

• Model ARIMA (1,1,1) mempunyai MS sebesar 3276,15

• Model ARIMA (0,1,1) mempunyai MS sebesar 3530,13

• Model ARIMA (1,1,0) mempunyai MS sebesar 3528,18

• Model ARIMA (1,2,1) mempunyai MS sebesar 3838,61

• Model ARIMA (4,2,1) mempunyai MS sebesar 5841,08

 53

Ternyata dari model-model tersebut, model ARIMA (1,1,1) mempunyai MS

terkecil. Dengan demikian model yang tepat untuk data ekspor ini adalah
ARIMA (1,1,1).

4.4.2 Data Impor

• Model regresi linier mempunyai MS sebesar 169036,84

• Model ARIMA (2,1,2) mempunyai MS sebesar -

• Model ARIMA (2,1,4) mempunyai MS sebesar -

• Model ARIMA (4,1,2) mempunyai MS sebesar 19088,4

• Model ARIMA (4,1,4) mempunyai MS sebesar 19523,6

• Model ARIMA (5,1,2) mempunyai MS sebesar 18706,7

• Model ARIMA (5,1,4) mempunyai MS sebesar -

• Model ARIMA (1,2,1) mempunyai MS sebesar 35737,8

• Model ARIMA (1,2,4) mempunyai MS sebesar 36835,7

• Model ARIMA (1,2,5) mempunyai MS sebesar 24878,1

• Model ARIMA (3,2,1) mempunyai MS sebesar 21074,8

• Model ARIMA (3,2,4) mempunyai MS sebesar 22937,2

• Model ARIMA (3,2,5) mempunyai MS sebesar 25063,1

Ternyata dari kedua model tersebut, model ARIMA (5,1,2) mempunyai MS

terkecil. Dengan demikian model yang tepat untuk data produksi textil ini
adalah ARIMA (5,1,2).

4.5 Hasil Peramalan

4.5.1 Data Ekspor
Berdasarkan model runtun waktu yang telah diperoleh yakni model ARI-
MA (1,1,1), maka dapat dilakukan peramalan dengan bantuan Minitab dan
 54

diperoleh hasil periode peramalan ke-43 s.d. ke-84 sebagai berikut.

Langkah-langkah pada Minitab untuk hasil peramalan tersebut adalah meng-

gunakan menu Stat → Time Series → ARIMA lalu masukkan orde (p,d,q)
 55

yaitu (1,1,1). Lalu pada opsi Forecasts masukkan lead sebanyak yang dibu-
tuhkan.

Gambar 4.26: Plot Data Ekspor dengan Hasil Forecastnya.

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.

4.5.2 Data Impor

Berdasarkan model runtun waktu yang telah diperoleh yakni model ARI-
MA (5,1,2), maka dapat dilakukan peramalan dengan bantuan Minitab dan
diperoleh hasil periode peramalan ke-43 s.d. ke-84 sebagai berikut.
 56

Langkah-langkah pada Minitab untuk hasil peramalan tersebut adalah meng-

gunakan menu Stat → Time Series → ARIMA lalu masukkan orde (p,d,q)
yaitu (5,1,2). Lalu pada opsi Forecasts masukkan lead sebanyak yang dibu-
tuhkan.

Gambar 4.27: Plot Data Impor dengan Hasil Forecastnya.

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.

Gambar 4.28: Plot Data Ekspor dengan Hasil Forecastnya

Gambar 4.28 menunjukkan hasil peramalan Data Transaksi Berjalan Indo-

nesia pada Jasa Transportasi Barang Ekspor memakai model ARIMA (1,1,1).
Model ini dipilih berdasarkan nilai MSE terkecil dibandingkan dengan model
regresi linier dan model ARIMA lainnya.

Gambar 4.29: Analisis Trend Data Ekspor dengan Hasil Forecastnya

 58

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: Plot Data Impor dengan Hasil Forecastnya

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: Analisis Trend Data Impor dengan Hasil Forecastnya

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:

1. Hasil peramalan dengan menggunakan metode regresi linier menunjukk-

an bahwa metode regresi linier menghasilkan data ramalan yang akurat
dengan periode yang lebih singkat dibanding ARIMA. Hal ini juga ka-
rena metode regresi linier tidak dapat mendeteksi pola plot data yang
dianalisis.

2. Hasil peramalan menggunakan model ARIMA menunjukkan model ARI-

MA dapat menghasilkan data ramalan dalam periode yang cukup pan-
jang. Peramalan dengan metode ARIMA mampu mendeteksi pola plot
data dengan syarat nilai dari parameter-parameter input yaitu (p,d,q)
merupakan nilai yang tepat untuk data tersebut.

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.

2. Bagi pembaca, penulis menggunakan metode regresi linier dan ARIMA.

Oleh karena itu, penulis menyarankan pembaca menemukan metode lain
dalam menentukan metode terbaik agar tujuan keakuratan tercapai.

59
 DAFTAR PUSTAKA

Zunaidhi, Rival, dkk. Aplikasi Peramalan Penjualan Menggunakan Metode Re-

gresi Linier. Jurnal Teknik Informatika. UPN Veteran, Jawa Timur.
10 Fakta Menarik tentang Lautan Indonesia. [ON LINE] Tersedia:
https://www.goodnewsfromindonesia.id/2018/11/10/yuk-kenali-10-
fakta-menarik-tentang-lautan-indonesia. Diakses pada 14 Januari
2020.
Neraca Pembayaran Indonesia dan Posisi Investasi Internasional Indone-
sia: Konsep, Sumber Data, dan Metode. [ON LINE] Tersedia: ht-
tps://www.bi.go.id/id/publikasi. Diakses pada 14 Januari 2020.
Hyndman, R. J. dan Athanasopoulos, G. 2018. Forecasting: Principles
and Practice. Monash University, Australia. [ON LINE] Tersedia: ht-
tps://otexts.com/fpp2/index.html. Diakses pada 14 Januari 2020.
Haryawan, Hendrayana. 2015. Teknik Peramalan Penjualan Sepeda Motor
dengan Menggunakan Metode Regresi Linier Sederhana pada CV. Niaga
Pratama Motor. STMIK, Bali.
Sutarti. 2009. Penggunaan Metode Analisis Runtun Waktu dengan Bantuan
Minitab 11 for Window untuk Forecasting Produksi Tekstil pada PT. Pri-
matexco Indonesia Kabupaten Batang Tahun 2009. Jurusan Matematika.
FMIPA. Universitas Negeri Semarang, Semarang.
Model statistics for ARIMA. [ON LINE] Tersedia:
https://support.minitab.com/en-us/minitab/19/help-and-how-
to/modeling-statistics/time-series/how-to/arima/interpret-the-
results/all-statistics-and-graphs/model-statistics/. Diakses pada 03
Februari 2020.
Badan Penelitian dan Pengembangan Perhubungan. [ON LINE] Tersedia: ht-
tp://dephub.go.id/ppid/litbang/227. Diakses pada 07 Februari 2020.

60