PENENTUAN JUMLAH SISWA BARU MENGGUNAKAN

METODE SEASONAL AUTOREGRESSIVE INTEGRATED

MOVING AVERAGE

(Studi kasus : Lembaga Bimbingan Belajar Danish Educa Pekayon)

PROPOSAL SKRIPSI

RAMADANI

1620160002

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM AS-SYAFI’IYAH

JAKARTA

2020
 DAFTAR ISI
BAB I PENDAHULUAN........................................................................................1

A. Latar Belakang..........................................................................................1

B. Rumusan Masalah.....................................................................................2

C. Batasan Masalah........................................................................................2

D. Tujuan Penelitian.......................................................................................3

E. Mannfaat Penelitian...................................................................................3

BAB II LANDASAN TEORI..................................................................................4

A. Deret Waktu..............................................................................................4

B. Pola Data Deret Waktu..............................................................................5

a. Pola Data Horizontal.................................................................................5

b. Pola Data Trend.....................................................................................5

c. Pola Data Musiman...................................................................................6

d. Pola Data Siklus.....................................................................................6

C. Stasioner....................................................................................................7

D. Fungsi Autokorelasi (ACF).......................................................................9

E. Fungsi Autokorelasi Parsial (PACF).......................................................10

F. Metode Box-Jenkins...................................................................................10

a. Proses Autoregressive (AR)....................................................................11

b. Proses Moving Average (MA).............................................................12

c. Proses Campuran Autoregressive dan Moving Average (ARMA).........12

d. Operator Backshift...............................................................................12

e. Model Autoregressive Integrated Moving Average (ARIMA)...............13

i
 f. Konstanta pada Model ARIMA..............................................................13

G. Model Seasonal ARIMA.........................................................................14

H. Asumsi White Noise................................................................................15

a. Residu Bersifat Acak...............................................................................15

b. Residu Bersifat Normal.......................................................................16

I. Evaluasi Model...........................................................................................16

a. Mean Square Error (MSE)......................................................................16

b. Mean Absolute Error (MAE)...............................................................16

c. Mean Absolute Percentage Error (MAPE)..............................................16

BAB III METODE PENELITIAN........................................................................18

A. Jenis Penelitian........................................................................................18

B. Sumber Data............................................................................................18

C. Variabel Penelitian..................................................................................18

D. Teknik Analisa Data................................................................................18

E. Diagram Alir Penelitian...........................................................................21

ii
 DAFTAR GAMBAR

Gambar a. Pola Data Horizontal..............................................................................5

Gambar b. Pola Data Trend......................................................................................6

Gambar d. Pola Data Siklus.....................................................................................6

Gambar E. Diagram Alir Penelitian.......................................................................22

iii
 DAFTAR TABEL

Tabel C. Transformasi Pangkat................................................................................9

iv
 BAB I
PENDAHULUAN
A. Latar Belakang
Berkembangnya ilmu pengetahuan sains dan teknologi, membuat keingintahuan
peristiwa mendatang semakin meningkat, yang mengakibatkan keperluan akan
berbagai ilmu peramalan semakin meningkat, contohnya peramalan di bidang
ekonomi, perdagangan, perindustrian dan sebagainya yang telah menghadirkan
berbagai macam hasil. Hasil tersebut nantinya akan digunakan untuk mengambil
sebuah keputusan. Hasil keputusan tersebut dapat digunakan sebagai
pertimbangan dalam menentukan langkah-langkah selanjutnya untuk kemajuan
sebuah perusahaan.

Sering kali kita menjumpai berbagai macam permasalahan di sekitar kehidupan

yang bersifat musiman. Sebagian orang menganggap masalah tersebut hanya
sesuatu hal yang tidak perlu diperhatikan. Namun jika mencermati dan meneliti,
struktur masalah musiman memiliki pola berulang, dimana pola tersebut dapat
digunakan untuk memberikan suatu perencanaan dan pengambilan keputusan
yang baik berdasarkan hasil peramalan.

Peramalan dalam perusahaan merupakan suatu rangkaian kegiatan yang tidak

dapat dipisahkan dalam pengambilan keputusan oleh pihak manajemen.
Perusahaan akan menentukan tujuan dalam menarik perhatian pangsa pasar
berdasarkan faktor keadaan, setelah itu akan memilih tindakan yang diharapkan
mampu menghasilkan pencapaian yang sudah ditentukan. Hal ini menimbulkan
kebutuhan akan permalan semakin bertambah seiring dengan kemajuan
perusahaan untuk mengurangi ketergantungan akan sesuatu yang tidak pasti
terhadap bagian-bagian yang penting, dimana bagian yang tidak penting tersebut
antara lain penjadwalan, ketersediaan sumber daya tambahan dan yang
diinginkan. Dari bagian-bagian tersebut merupakan bentuk umum dari kebutuhan
dalam suatu perusahaan dan, mungkin ada beberapa bagian yang perlu dilakukan
peramalan.

1
Kebutuhan peramalan tersebut terdapat juga di lingkungan perusahaan Lembaga
Bimbingan Belajar (LBB). Peramalan jumlah pendaftaran siswa baru terhadap
lembaga bimbingan belajar dapat membantu penyusunan jadwal kelas dan jam
belajar (penjadwalan sumber daya), menentukan kapan dibutuhkannya pengajar
tambahan dan buku materi tambahan untuk siswa baru (penyediaan sumber daya
tambahan), serta penentuan peralatan untuk mempermudah kegiatan belajar
mengajar (penentuan sumber daya yang dibutuhkan). Maka dari itu, peramalan
dalam menentukan jumlah pendaftaran siswa baru sangatlah penting, agar
kegiatan belajar mengajar tetap kondusif dan kebutuhan siswa dapat terpenuhi.

Untuk meramalkan jumlah pendaftaran siswa baru pada periode yang akan datang,
dapat menggunakan analisis deret waktu (time series analysis). Metode peramalan
tersebut berdasarkan hasil observasi masa lalu dan masa yang akan datang, yang
dipengaruhi oleh hasil observasi saat ini. Akan tetapi jumlah pendaftaran siswa
baru pada lembaga bimbingan belajar bersifat tak menentu (musiman), maka
metode yang dapat digunakan adalah metode Seasonal Integrated Moving
Average (SARIMA). Metode seasonal arima merupakan bentuk data musiman
model ARIMA. Berdasarkan uraian latar belakang di atas, penulis mengajukan
permasalahan penelitian dengan judul “Penentuan Jumlah Siswa Baru
Menggunakan Metode Seasonal Autoregressive Integrated Moving Average
(studi kasus Lembaga Bimbingan Belajar Danish Educa)”.

B. Rumusan Masalah
Rumusan masalah dalam penelitian sebagai berikut :
1. Bagaimana mengestimasi model SARIMA menggunakan metode Ordinary
Least Story (OLS)?
2. Bagaimana menerapkan model SARIMA untuk meramalkan jumlah siswa baru
pada beberapa periode ke depan?

C. Batasan Masalah
Batasan masalah dalam penelitian sebagai berikut :
1. Metode yang digunakan adalah Seasonal Autoregressive Integrated Moving
Average (SARIMA).

2
2. Dikarenakn perusahaan baru berdiri sejak 2010 maka data yang tersedia hanya
7 tahun terakhir.
3. Tidak membahas aspek pembiayaan.
4. Diasumsikan bahwa kondisi politik sosial ekonomi pada tahun 2020 sama
dengan tahun sebelumnya.

D. Tujuan Penelitian
Tujuan pe nelitian ini sebagai berikut :

1. Untuk mengestimasi model SARIMA menggunakan Ordinary Least Story

(OLS).
2. Untuk meramalkan jumlah pendaftaran siswa baru di periode berikutnya.

E. Mannfaat Penelitian
a. Manfaat Teoritis
1. Dengan penelitian ini, diharapkan hasil penelitian dapat menjadi sumbangan
teoritis pada kajian ilmu matematika.
2. Hasil penelitian akan menjadi kajian yang dapat digunakan sebagai referensi
dalam mengembangkan penelitian berikutnya.

b. Manfaat Praktis
1. Untuk perusahaan
Dengan hasil penelitian ini diharpakan memberikan kepastian kepada Lembaga
Bimbingan Belajar Danish Educa Pekayon dalam memprediksi jumlah siswa
pada tahun ajaran baru 2021/2022.
2. Untuk penulis
Menambah wawasan ilmu pengetahuan dalam penerapan model SARIMA pada
peramalan penentuan jumlah siswa baru Lembaga Danish Educa Pekayon.

3
 BAB II
LANDASAN TEORI
A. Deret Waktu
Peramalan (forecasting) merupakan alat penting dalam pengambilan kesimpulan
dari informasi yang diserap dari masa lalu, dan dapat digunakan sebagai dasar
keputusan. Maka dari itu, analisis deret waktu (times series analysis) adalah suatu
metode kuantitatif untuk menentukan pola data masa lalu yang telah dikumpulkan
secara teratur menurut rentetan waktu kejadian baik per jam, per hari, ataupun per
bulan. Misal data hasil dari observasi adalah Zt , karena analisis deret berkala
bertujuan memodelkan ketidakpastian hasil observasi maka dari itu Zt
diasumsikan sebagai variabel acak. Sehingga bentuk Zt akan mengikuti distribusi
peluang.

Selain dari asumsi, yang paling penting pada model deret berkala adalah hasil dari
masing–masing observasi dimana setiap kejadian waktu yang berbeda memiliki
ketergantungan antara satu sama lain. Dimana kebergantungan inilah yang nanti
akan diperiksa dalam analisis berkala. Maka bisa kita simpulkan bahwa kumpulan
dari variabel acak tersebut disebut sebagai proses stokastik.

Adapun proses stokastik yang perlu diperhatikan adalah rata – rata kovarians.
Untuk proses stokastik {Z t ≔0 ±1 ± 2, … . } fungsi rata – rata dapat didefiniskan,

μt =E(Z ¿¿ t)¿ untuk {t=0± 1 ±2 , … .}

Dimana nilai ekspetasi proses terhadap selang waktu t, artinya μ bisa berbeda
setiap selang waktu. Sedangkan fungsi autokovarians dapat didefinisikan sebagai
berikut,

γ t , s=Cov ( Z t , Zt )=E [ ( Z t −μt ) ( Z s−μ s ) ]=E ( Z t , Z t ) −μt μ s.

Dimana t , s=0 ±1 ±2 , … .

Untuk fungsi autokorelasi berlaku:

4
 ρt ,s =Corr ¿

Dimana t , s=0 ±1 ±2 , … .

Bedasarkan pengertian di atas maka dapat disimpulkan beberapa sifat umum,

antara lain:

1. γ t , s=Var ( Z t ) ρt ,t =1
2. γ t , s=γ s ,t ρt ,s =ρs , t
3. ¿ γ t , s∨¿ √ (γ ¿ ¿ t ,t ∙ γ s ,s )¿ ¿ ρt ,t ∨≤1

Nilai ρt ,s dikatakan memiliki ketergantungan yang kuat jika memiliki nilai ± 1,

jika nilainya mendekati 0 memiliki ketergantungan yang lemah (tidak terdapat
ketergantungan linier). Sedangkan Zt dan Z s tidak korelasi jika ρt ,s =0.

B. Pola Data Deret Waktu

Salah satu syarat dalam memilih metode peramalan yaitu dengan
mempertimbangkan pola data sehingga metode peramalan sesuai dengan data
yang diolah. Berikut ini merupakan pola deret waktu pada umumnya sebagai
berikut :

a. Pola Data Horizontal

Pola data horizontal terjadi saat ini data berfluktuasi di sekitaran suatu nilai
konstan (mean) yang membentuk garis horizontal. Data ini disebut juga sebagai
data stasioner. Pola data ini dapat digambarkan sebagai berikut :

Gambar a Pola Data Horizontal

5
b. Pola Data Trend
Pola data trend terjadi apabila data pengamatan mengalami kenaikan atau
penurunan selama periode jangka panjang. Suatu data pengamatan yang
mempunyai trend disebut nonstasioner. Pola data ini dapat digambarkan sebagai
berikut :

Gambar b Pola Data Trend

c. Pola Data Musiman
Pola data musiman terjadi apabila suatu deret dipengaruhi oleh faktor musiman.
Pola data musiman dapat mempunyai pola musiman yang berulang dari periode
ke periode berikutnya. Misal pola yang berulang setiap bulan tertentu, tahun
tertentu dan pada minggu tertentu. Pola data ini dapat digambarkan sebagai
berikut :

Gambar c Pola Data Musiman

d. Pola Data Siklus

Pola data siklus terjadi apabila deret data dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Pola data ini
dapat digambarkan sebagai berikut :

6
 Gambar d Pola Data Siklus

C. Stasioner
Suatu data dikatakan stasioner jika pola data berada pada kesetimbangan di sekitar
nilai rata-rata (mean) yang konstan, dan variansi disekitar rata-rata konstan selama
waktu tertentu. Sifat-sifat statistik di masa yang akan mendatang pada model
stasioner dapat diramalkan berdasarkan historis yang telah terjadi di masa lalu.
Berdasarkan pengertiannya, suatu proses stokastik {Z t } dikatakan stasioner jika
distribusi bersama Z(t¿¿ 1−k ), Z(t¿¿ 2−k ), . .. . Z (t ¿¿ n−k )¿ ¿ ¿ untuk setiap
waktu t dan s, serta untuk setiap selang waktu k.

Hal ini mengakibatkan jika n=1, maka E( Z ¿¿ t)=E (Z ¿¿ t−k )¿ ¿, untuk semua t
dan k, sehingga fungsi rata-ratanya ( μ¿¿ t)¿ konstan sepanjang waktu. Selain itu,
Var ( Z¿ ¿t )=Var ( Z¿ ¿t−k )¿ ¿ juga konstan sepanjang waktu. Jika n=2, maka
Cov (Z ¿ ¿ t , Z s)=Cov(Z ¿ ¿ t−k , Z s−k )¿ ¿. Apabila telah dipilih t = s, kemudian k =
t maka diperoleh :

γ t , s=Cov (Z ¿ ¿t , Z s )¿

¿ Cov ( Z t−s , Z 0 )

¿ Cov ( Z 0 , Z t−s )

¿ Cov ( Z 0 , Z|t−s|)

¿ γ 0 ,|t −s|

7
Hal ini mengakibatkan kovarians antara Zt dan Z s bergantung pada selisih waktu
bukan pada waktu t dan s. Maka dari itu, proses stokastik yang stasioner dapat
dinotasikan menjadi sederhana yaitu :

γ k =Cov (Z t , Z t−k ) dan ⍴k =Corr ( Z t , Z t −k )

Sehingga persamaan umum kovariansnya akan menjadi :

γ o=Var (Z t ), ⍴o=1
γ k =γ −k , ⍴k =⍴−k
¿ γ k ∨≤ γ 0, ¿ ⍴k ∨≤ 1

Maka dapat disimpulkan proses stokastik dikatakan stasioner dan memiliki

varians berhingga, jika fungsi kovariansnya hanya bergantung pada selang waktu.

Pengujian stasioner terhadap suatu deret berkala dapat dilakukan dengan cara uji
Augmented Dicky Fuller. dimana uji Augmented Dicky Fuller paling sering
digunakan dalam pengujian stasioner dari data, hanya dengan melihat apakah
terdapat akar satuan dalam model statistikanya :

Hipotesis : H o :δ =0 (data deret berkala tidak stasioner)

H o :δ < 0 (data deret berkala stasioner)

Uji statistik :

δ^
τ^ =
^
se( δ)

Kriteria pengujian :

Tolak H o jika |^τ δ|≥|τ (n , ∝)| Dickey Fuller

Dimana : δ = parameter yang ditaksir

n = jumlah data

a = taraf signifikan (5%)

τ = konstanta

8
Terkadang data dari suatu penelitian tidak selamanya menunjukkan kestasioneran,
hal ini disebabkan karena data belum stasioner secara rata-rata, varians atau
keduanya. Jika data yang belum stasioner secara varians maka dapat dilakukan

x λ −1
dengan cara transformasi Box-Cox dimana rumusnya adalah y= dengan
λ
λ ≠ 0. Selain rumus tersebut, dapat digunakan juga transformasi pangkat dengan
tolok ukur sebagai berikut :

Nilai λ Transformasi
-1,0 1
Zt
-0,5 1
√ Zt
0,0 lnZ t
0,5 √ Zt
1,0 Tanpa Transformasi

Tabel C Transformasi Pangkat

Dengan λ sebagai parameter transformasi yang dapat ditaksir dari data deret
waktu dimana t=1 , 2, 3 , … .. ,n. Jika data belum stasioner secara rata-rata ataupun
varians maka dapat dilakukan proses differencing, yaitu dengan mengurangi data
itu sendiri tapi dengan lag yang berbeda sesuai dengan kebutuhan.

D. Fungsi Autokorelasi (ACF)

Fungsi autokorelasi atau hubungan (korelasi) terhadap diri sendiri adalah korelasi
antara hasil suatu observasi dengan hasil observasi itu sendiri, namun dengan time
lag yang berbeda contoh Zt dengan Zt +k . Adapun autokorelasi pada lag ke-k suatu
observasi deret waktu menggunakan koefisien autokorelasi sampel.

9
 n−k

∑ ( Zt −Z)( Z t +k −Z)
r k = t =1 n
, k =0 , 1 ,2 , … .
2
∑ ( Z t −Z )
t=1

Dimana :

rk = koefisien korelasi untuk lag periode ke-k

Zt = nilai observasi pada periode ke-t
Zt +k = nilai observasi pada periode ke (t + k)
Z = rata-rata nilai observasi

Dikarenakan r k merupakan fungsi terhadap lag ke-k maka hubungan autokorelasi

dengan lagnya disebut juga sebagai fungsi autokorelasi. Dengan demikian rumus

1
kesalahan standar ser = dapat digunakan untuk memeriksa apakah r k berbeda
k
√n
secara nyata dari nol.

Sehingga mengakibatkan seluruh nilai korelasi dari suatu barisan data secara acak
(tidak autokorelasi bersignifikan) akan terletak di daerah nilai tengah nol
ditambah atau dikurangi nilai Z-score dengan taraf signifikan 95 % yaitu 1,96 kali
kesalahan standar.

E. Fungsi Autokorelasi Parsial (PACF)

Fungsi autokorelasi merupakan korelasi (hubungan) antara Zt dan Zt +k setelah
pengaruh dari variabel penganggu Zt −1 , Z t−2 , Z t−k+ 1 dihilangkan. Koefisien
autokorelasi parsial dapat dinotasikan :

∅ kk =Corr ( Z t , Z t −k| Z t−1 , Z t−2 , … , Z t−k +1 ¿

Dimana ∅ kk merupakan variabel korelasi antara dua buah peubah acak Zt dan Zt −k
dengan syarat Zt −1 , Z t−2 ,… , Zt −k+1 (Cryer, 1986). Pada umumnya metode yang
sering digunakan untuk menghitung koefisien autokorelasi parsial adalah
persamaan Yule-Walker. Dan untuk memperoleh nilai autokorelasi parsial adalah,

10
 k−1
ρk −∑ ∅k−1 j ρk− j
j=1
∅ kk = k−1
1−∑ ∅ k−1 j ρk− j
j=1

Dimana :
∅ kk =¿koefisien autokorelasi parsial lag periode ke-k

∅ kj =∅ k−1 j−∅ kk ∅ k−1, j−1 j=1 ,2 , … . k−1

F. Metode Box-Jenkins
Metode Box-Jenkins atau Arima (Autoregressive Integrated Moving Average)
adalah integrasi dari beberapa model rangkaian deret waktu yang terlebih dahulu
ada. Model Autoregressive pertama kali dipublikasikan oleh Yule (1926) lalu
dikembangkan oleh Walker (1931). Sedangkan model Moving Average pertama
kali dipakai oleh Slutzky (1937). Kemudian untuk teori dasar kombinasi dari
kedua model ARIMA dihasilkan oleh Wold (1938). Selanjutnya metode ini
dipelajari secara mendetail oleh George Box dan Gwilym Jenkins (1976), lalu
nama mereka sering disamakan dengan metode ARIMA itu sendiri.

a. Proses Autoregressive (AR)

Proses autoregressive {Z t } dapat dinyatakan dengan persamaan :

Zt =∅1 Z t −1 + ∅2 Z t −2+. . . ..+ ∅ p Z t − p+ at

Dimana Zt dapat diasumsikan sebagai stasioner dan E(Z ¿¿ t)=0 ¿. Sehingga, nilai
barisan Zt adalah kombinasi linier dari sejumlah p, nilai Zt akhir di masa lampau
dijumlah dengan a t menyatakan sesuatu yang tidak dapat dijelaskan oleh nilai Zt
dimasa lampau tersebut, dan a t merupakan variabel acak yang independent
dengan rata-rata nol. Secara umum untuk menghitung nilai autokorelasi dalam
proses AR( p) adalah :

ρt =∅ 1 ρk−1+ ∅ 2 ρk−2 +. . .. .+∅ p ρk− p untuk k ≥ 1

Dan varians dari proses AR( p) dapat diperoleh :

11
 σ 2α
γ 0=
1−∅1 ρ1−∅2 ρ2−. . .. .−∅ p ρ p

Dengan mengganti k =1 ,2 , . .. . . , p dan ρ0 =1 serta ρ−k =ρk , sehingga persamaan

tersebut diperoleh menjadi persamaan Yule – Walker, yaitu :

ρ1=∅1 + ∅2 ρ1 +. .. . .+ ∅ 2 ρ1−1

ρ2=∅ 1 ρ1 +∅ 2 +. .. . .+ ∅ p ρ p−2

ρ p =∅ 1 ρ p−1 + ∅ p−2 +. .. . .+∅ p

Jika nilai ∅ 1 , ∅2 , .. . . , ∅ p dimasukkan kedalam persamaan linier tersebut dapat

diselesaikan untuk memperoleh ρ1 , ρ2 , . . .. . , ρ1 dan untuk ρk pada orde yang lebih
tinggi. Jika suatu deret waktu mempunyai grafik fungsi autokorelasi yang turun
secara eksponensial dan fungsi autokorelasi parsial terputus pada lag ke-p, maka
deret waktu tersebut dapat diproses kedalam AR( p).

b. Proses Moving Average (MA)

Pada umumnya proses MA dengan orde q diperoleh dari :
Zt =a t−θ 1 a t−1−θ2 at −2−. .. . .−θ q at−q

Untuk nilai barisan Zt merupakan kombinasi linier dari sejumlah a t terakhir di

masa lampau. Sehingga, rumus untuk menghitung nilai autokorelasi pada proses
MA (q ) adalah :

−θ k +θ1 θ k+1 +θ2 θk+ 2+. . . ..+θ q−k θ q

ρk = , k =1 ,2 , .. . . .q
1+θ 21+θ 22+ .. . ..+θ 2q

Untuk k ≥ q+1

Sebagai pelengkap proses varians MA (q ) adalah :

γ 0=(1+θ21 +θ22 +. .. . .+θ2q )σ 2

Apabila suatu deret waktu mempunyai grafik fungsi autokorelasi yang terpisah
pada lag ke-q dan fungsi autokorelasi parsial turun secara eksponensial, maka
deret waktu tersebut dapat dioperasikan terhadap proses MA (q ).

12
c. Proses Campuran Autoregressive dan Moving Average (ARMA)
Jika suatu deret berkala memiliki model yang sebagian merupakan proses
Autoregressive dan Moving Averager maka deret tersebut dapat diasumsikan
memiliki model persamaan sebagai berikut :

Zt =∅1 Z t −1 + ∅2 Z t −2+. . .+∅ p Z t− p + at−θ 1 a t−1−θ 2 at −2−. . .−θq a t−q

Dimana Zt merupakan proses gabungan antara Autoregressive Moving Average

dengan orde p dan q ( ARMA¿¿( p , q))¿.

d. Operator Backshift
Operator backshift dinyatakan B dengan operasi sebagai berikut :
BX t= X t−1

Dengan demikian notasi B yang dipasangkan dengan X t mempunyai pengaruh

menggeser data satu periode ke belakang. Operator backshift biasa digunakan
untuk menggambarkan proses pembeda (differencing) untuk membuat data yang
rata-ratanya tidak stasioner sehingga mendekati bentuk stasioner.

e. Model Autoregressive Integrated Moving Average (ARIMA)

Suatu deret berkala {Z t } disebut sebagai model Autoregressive Integrated Moving
Average (ARIMA) jika pembeda ordo ke-d dari Zt merupakan proses ARMA (p , q),
sehingga Zt dapat disebut sebagai proses ARIMA( p ,d ,q ) dan dapat dinotasikan
sebagai berikut :

∅ ( B )( 1−B )d Z t=θ ( B)at

Dimana,

∅ ( B )=(1−∅ 1 B−∅ 2 B2−. . .. .−∅ p B p )

Merupakan operator backshift proses AR.

θ ( B )=(1−θ1 B−θ2 B2 −.. . . .−θ p B p)

Merupakan operator backshift proses MA.

13
(1−B)2=¿ operator differencing ordo ke-d.

f. Konstanta pada Model ARIMA

Pada dasarnya asumsi yang sering digunakan oleh semua model, dimulai dari
model AR hingga ARIMA, memiliki rata-rata nol dan model tersebut termasuk
dalam stasioner. Pada bagian ini akan dibahas bagaimana jika model tersebut
memiliki rata-rata konstan bukan nol. Model stasioner ARMA {W t } yang
memiliki rata-rata konstan μ bukan nol, maka bentuk persamaannya adalah :

W t −μ=∅ 1 ( W t−1−μ ) + ∅ 2 ( W t −2−μ ) +..+ ∅ p ( W t − p−μ ) + at −θ1 at−1−θ 2 a t−2−..−θq at −q

Atau,

W t =∅1 W t−1 + ∅2 W t−2 +..+∅ p W t −p + δ +a t−θ 1 a t−1−θ1 at −1−. ..−θ1 at−1

Dimana,

δ =μ−( ∅1 μ +∅ 2 μ+. . . ..+ ∅ p μ)

G. Model Seasonal ARIMA

Model seasonal ARIMA adalah bentuk khusus dari model ARIMA jika hasil
observasi terdapat unsur musiman {Z t }. Sehingga data memiliki pola berulang
dalam selang waktu yang tetap. Selain dilihat dari grafik data, unsur musiman
dapat juga dilihat melalui grafik ACF dan PACF. Untuk mengatasi
ketidakstasioneran data akibat unsur musiman, sehingga dilakukannya proses
differencing sebesar periode musimannya. Differencing musiman dari Zt dapat
ditulis x t , sehingga rumusnya dapat ditulis :

x t=(1−B s)Z t

Dimana s sebagai periode setiap musim. Model seasonal yang terjadi sebelumnya
memiliki jarak (lag) sepanjang musim yang terjadi, sehingga MA (Q) yang
bersifat seasonal dengan sepanjang musim s dapat dinyatakan :

Zt =a t−θ 1 a t−s −θ2 at−2 s −.. . . .−θQ a t−Qs

14
Bisa juga dalam bentuk operator backshift,

Zt =(1−θ1 B s−θ 2 B2 s−. . . ..−θQ B Qs) at

Zt =θ s (B) at

Lalu untuk model seasonal AR (P) dengan musim sepanjang s dapat dinyatakan :

Zt =∅1 Z t −s +∅ 1 Z t−s +. . .. .+ ∅ p Z t − p+ at

Bisa juga dalam bentuk operator backshift,

Zt −∅1 Z t −s +∅ 1 Z t−s +. . .. .+ ∅ p Z t − p=at

s 2s Qs
1−∅1 B −∅2 B −. . .. .−∅ Q B ¿ Z t =at

Maka, suatu hasil observasi {Z t } mengikuti proses yang dibentuk oleh gabungan
antara model ARIMA (p, d, q) dan SARIMA (P, D, Q), yang mengakibatkan
suatu model dapat dimanipulasi menggunakan operator backshift, yaitu :

∅ 1 ( B ) ∅ s ( B ) ∇s ∇ DS Z t=θ ( B ) θs ( B) at

Dimana,

∇ d =¿ operator differencing bukan musiman ordo ke-4

∇ DS =¿ operator differencing musiman ordo ke-D

H. Asumsi White Noise

Model deret waktu berkala dikatakan baik jika memiliki sifat white noise, dimana
memenuhi asumsi residual yang sifatnya acak dan berdistribusi normal.

a. Residu Bersifat Acak

Acaknya suatu barisan residu dapat diperiksa dengan mengamati fungsi
autokorelasi dari barisan residu tersebut. Barisan residu disebut acak jika tidak
terdapat autokorelasi yang signifikan untuk setiap lag yang ditentukan. Keacakan
residu dari suatu model dapat diuji dengan uji statistik Q Box-Pierce dengan
hipotesisnya yaitu,

15
H 0 :r 1=r 2=.. . ..=r k =0 (residu bersifat acak)

H 1 :∃ r i ≠ r j=0 (residu tidak bersifat acak)

Dimana α =0,05 dan uji statistiknya adalah :

m
r 2k
Q=n(n+2) ∑
k n−k

Dengan kriteria uji :

Terima H 0 jika nilai Q> X (a ,db ) atau p−value>α. Sehingga, autokorelasi dari
barisan residu yang diuji tidak berbeda dari nol, atau disebut juga residu bersifat
acak.

b. Residu Bersifat Normal

Untuk mengetahui apakah residu bersifat normal atau tidak, dapat diketahui
melalui uji normalitas Kolmogorov-Smirnov dengan hipotesisnya yaitu :

H 0 : residu berdistribusi normal

H 1 : residu tidak berdistribusi normal

Dimana α =0,05 dan uji statistiknya adalah :

D=maksimum|F0 ( X ) −S N (X )|

Dengan kriteria uji :

Terima H 0 jika Dhitung < Dtabel atau p−value>α. Maka residu bersifat normal.

I. Evaluasi Model
Suatu model dikatakan baik jika memiliki tingkat keakuratan yang benar. Untuk
mengukur tingkat keakuratan suatu model, ada beberapa alat ukur yang dapat
digunakan untuk mengevaluasi hasil peramalan model terhadap data observasi,
yaitu :

16
a. Mean Square Error (MSE)
n
1
MSE= ∑ (A −Ft )2
n t =1 t

b. Mean Absolute Error (MAE)

n
1
MSE= ∑| A −F t|
n t =1 t

c. Mean Absolute Percentage Error (MAPE)

n
1 At −F t
MSE= ∑
n t =1 | |
At

Dimana :

At =¿ nilai observasi pada periode ke-t

F t=¿ peramalan untuk periode ke-t

n=¿ banyaknya data observasi

17
 BAB III
METODE PENELITIAN
A. Jenis Penelitian
Jenis penelitian yang digunakan bersifat explanatory research dan aplikasinya
adalah mengumpulkan referensi yang berhubungan dengan permasalahan yang
diperoleh dari data penelitian. Kemudian mempelajari, membahas, serta
menjabarkan hasil pengamatan studi, lalu dituangkan ke dalam penulisan karya
tulis berupa tugas akhir ini.

B. Sumber Data
Jenis data pada penelitian ini adalah data sekunder berupa jumlah pendaftaran
siswa baru dimulai dari tahun ajaran 2013/2014 sampai dengan tahun ajaran
2019/2020. Total data tersebut berjumlah 2121 data runtun waktu yang diperoleh
dari lembaga bimbingan belajar Danish Educa Pekayon. Untuk pengujiannya, data
dari tahun ajaran 2013/2014 digunakan sebagai menentukan model yang sesuai,
sedangkan untuk data dari tahun ajaran 2019/2020 digunakan sebagai
mengevaluasi model yang tepat, dimana model tersebut digunakan sebagai
peramalan.

C. Variabel Penelitian
Variabel dalam penelitian ini adalah data siswa Lembaga Bimbingan Belajar
Danish Educa Pekayon tahun ajaran 2013/2014 sampai dengan 2019/2020.

D. Teknik Analisa Data

1. Pengujian Kestasioneran Data
Suatu data dikatakan stasioner dapat dilihat dari grafik fungsi
autokorelasinya. Jika pola data cenderung lambat menuju nol pada lag awal,
maka data tersebut tidak stasioner. Adapun data yang digunakan kali ini
memiliki sifat musiman, sehingga akan terlihat beberapa korelasi yang
signifikan dan berulang sepanjang musiman data. Secara umum untuk
menguji stasioner suatu data dapat menggunakan uji ka Augmented Dickey-
Fuller dengan hipotesis serta kriteria ujinya adalah :

18
 Hipotesis :
H 0 :δ =0 (data deret waktu tidak stasioner)
H 1 : δ <0 (data deret waktu stasioner)
Kriteria pengujian :
Tolak H o jika |^τ δ|≥|τ (n , ∝)| Dickey Fuller
Jika data memperlihatkan ketidakstasioneran, maka perlu ditetapkan apakah
data tidak stasioner secara rata-rata atau varians atau keduanya sehingga
dapat diperbaiki menggunakan transformasi differencing.
2. Mengidentifikasi Model
Jika data sudah dikatakan bersifat stasioner baik secara rata-rata ataupun
varians maka dapat ditentukan model yang tepat berdasarkan kriteria yang
ada. Hal ini perlu dilakukan untuk mendapatkan hasil peramalan dari model
yang dibentuk memuaskan dan tidak sia-sia. Menurut Gaynor P.E. dan
Kirkpatrick R.C. model SARIMA dapat ditentukan dengan kriteria sebagai
berikut :
a. Apabila ACF terpotong (cut off) setelah lag 1 atau 2 dan lag musiman
tidak signifikan dan PACF perlahan-lahan menghilang (dies down), maka
diperoleh model non seasonal MA (q=1 atau 2).
b. Apabila ACF terpotong (cut off) setelah lag musiman L dan lag non
musiman tidak signifikan dan PACF perlahan-lahan menghilang (does
down), maka diperoleh model seasonal MA (Q=1).
c. Apabila ACF terpotong setelah lag musiman L dan lag non musiman (cut
off) setelah lag 1 atau 2, maka diperoleh model non seasonal MA (q=1
atau 2 dan Q=1).
d. Apabila ACF perlahan-;ahan menghilang (dies down) dan PACF
terpotong (cut off) setelah lag 1 atau 2 dan lag musiman tidak signifikan,
maka diperoleh model non seasonal AR (p=1).
e. Apabila ACF perlahan-lahan menghilang (dies down) dan PACF
terpotong (cut off) setelah lag musiman L dan lag non musiman tidak
signifikan, maka diperoleh model seasonal AR (p=1).

19
 f. Apabila ACF perlahan-lahan menghilang (dies down) dan PACF
terpotong (cut off) setelah lag musiman L, dan non musiman terpotong
(cut off) setelah lag 1 atau 2, maka diperoleh model non seasonal dan
seasonal AR (p=1 atau 2 dan P=1).
g. Apabila ACF dan PACF perlahan-lahan menghilang (dies down) maka
diperoleh campuran (ARMA) model.
3. Estimasi Parameter dari Model
Jika beberapa model sudah dipilih, maka selanjutnya adalah mengestimasi
parameter dari model tersebut. Pada penelitian kali ini metode yang
digunakan untuk estimasi parameter model yaitu dengan metode perbaikan
secara iteratif. Taksiran awal dipilih kemudian diperhalus secara iteratif
hingga kesalahan menjadi sekecil mungkin. Proses ini akan dikerjakan oleh
suatu program komputer.
4. Pengujian Model
Jika suatu model telah terpilih dan sudah diestimasi nilai parameternya,
langkah berikutnya adalah menguji apakah model tersebut sesuai dengan
data. Adapun langkah-langkah pengujiannya adalah sebagai berikut :
h. Keberartian koefisien
Hipotesis dan kriteria uji keberartian koefisien adalah sebagai berikut :
Hipotesis : H 0=¿ koefisien tidak berarti
H 1=¿ koefisien berarti
Dengan α =0,05
Kriteria uji : Tolak H 0 jika p−value<α, artinya koefisien telah
berarti.
i. Memenuhi asumsi White Noise
Suatu asumsi dikatakan bahwa residu bersifat acak dan normal. Hipotesis
dan kriteria uji keacakan residu adalah sebagai berikut :
Hipotesis : H 0 :r 1=r 2=.. .=r k =0 (residu bersifat acak)
H 1 :∃ r i ≠ r j=0 (residu tidak bersifat acak)
Kriteria uji : Terima H 0 jika nilaiQ> X (a ,db ) atau p−value>α

20
 Sedangkan hipotesis dan kriteria uji kenormalan residu adalah sebagai
berikut :
Hipotesis : H 0=¿ residu berdistribusi normal
H 1=¿ residu tidak berdistribusi normal
Kriteria uji : Tolak H 0 jika Dhitung > Dtabel p−value<α.
j. Pemilihan model
Dari beberapa model yang memenuhi asumsi keberartian koefisien dan
asumsi white noise akan dipilih satu model terbaik berdasarkan nilai
MSE dari masing-masing model.
5. Peramalan
Jika telah model telah ditentukan diantara beberapa model dugaan yang
lainnya, maka peramalan dapat dilkukan untuk periode selanjutnya. Hasil
peramalan metode SARIMA dapat digunakan dalam jangka waktu menengah
yaitu tiga bulan hingga dua tahun.

E. Diagram Alir Penelitian

Metode penelitian merupakan proses berpfikir untuk menentukan suatu masalah,
melakukan pengmpulan data baik melalui buku referensi ataupun dengan
melakukan studi lapangan dengancara menganalisa sistem berdasarkan data yang
ada, sehingga dapat ditarik kesimpulan dari masalah yang sedang diteliti. Untuk
memudahkan dalam melakukan penelitian, penulis menyusun sebuah diagram alur
penelitian secara sitematis dan terstruktur. Adapun langkah-lagkah dalam
melakukan pemecahan masalah yang ada pada penelitian adalah sebagai berikut :

21
 Mulai

Input
Data

Transformasi Uji
Tidak
Differencing Stasioner

Ya

Identifikasi Model

Estimasi Parameter
Model

- Keberartian Koefisien
- Asumsi White Moise
Tidak - Paling Akurat?

Ya

Peramalan

Selesai

22
Gambar E. Diagram Alir Penelitian

23