PENERAPAN MODEL ARIMAX PADA DATA PASOKAN

BERAS DENGAN EFEK VARIASI KALENDER

(Studi Kasus: Pasokan Beras di Pasar Induk Beras Cipinang)

RAIHAN AHMAD BANGUN

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2019
 PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Model

ARIMAX pada Data Pasokan Beras dengan Efek Variasi Kalender (Studi Kasus:
Pasokan Beras di Pasar Induk Beras Cipinang) adalah benar karya saya dengan
arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada
perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam
teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Agustus 2019

Raihan Ahmad Bangun

NIM G14150024
 ABSTRAK
RAIHAN AHMAD BANGUN. Penerapan Model ARIMAX pada Data Pasokan
Beras dengan Efek Variasi Kalender (Studi Kasus: Pasokan Beras di Pasar Induk
Beras Cipinang). Dibimbing oleh PIKA SILVIANTI dan ITASIA DINA
SULVIANTI.

Model Autoregressive Integrated Moving Average (ARIMA) merupakan

salah satu model yang umum digunakan dalam menganalisis data deret waktu.
Model ARIMA pada data deret waktu yang dipengaruhi oleh efek variasi kalender
belum cukup baik dalam melakukan pemodelan. Efek variasi kalender merupakan
pola berulang dengan panjang periode yang bervariasi yang diakibatkan oleh
penanggalan kalender yang berbeda-beda setiap tahunnya. Salah satu cara
menangkap pola tersebut adalah dengan model Autoregressive Integrated Moving
Average Exogenous (ARIMAX). Model ARIMAX menjadikan peubah lain sebagai
peubah penjelas dalam model yang digunakan. Penelitian ini menerapkan model
ARIMAX pada data harian pasokan beras di Pasar Induk Beras Cipinang (PIBC)
yang dipengaruhi oleh efek variasi kalender periode 1 Januari 2017 sampai 30 April
2019. Model ARIMAX terbaik yang didapatkan adalah model ARIMAX(2,0,0)
dengan nilai MAPE pada data pemodelan sebesar 19.87%, dan nilai MAPE pada
data validasi sebesar 15.78%.

Kata kunci: ARIMAX, efek variasi kalender, pasokan beras.

ABSTRACT

RAIHAN AHMAD BANGUN. The Application of ARIMAX Model on the Rice

Supply Data that is Affected by the Effects of Calender Variations (Case study:
Rice Supply at Cipinang Rice Main Market). Supervised by PIKA SILVIANTI and
ITASIA DINA SULVIANTI.

The Autoregressive Integrated Moving Average (ARIMA) model is one of a

model that is commonly used in analyzing the time series data. The ARIMA model
in time series data that is been influenced by the effect of calendar variations is
found to be deficient in modeling. The effect of calendar variations is a repetitive
pattern with varying lengths of period that caused by differences calendaring dates
each year. One way to capture the pattern is by using the Autoregressive Integrated
Moving Average Exogenous (ARIMAX) model. The ARIMAX model makes other
variables as explanatory variables in the model used. This research applies the
ARIMAX model for daily rice supply data at Cipinang Central Rice Market’s
which is influenced by the effects of calendar variations started from January 1st,
2017 to April 30th, 2019. The best ARIMAX model obtained is the
ARIMAX(2,0,0) model with the MAPE value in the modeling data is 19.87%, and
the MAPE value in the validation data is 15.78%.

Keywords: ARIMAX, calendar variation, rice supply.

 PENERAPAN MODEL ARIMAX PADA DATA PASOKAN
BERAS DENGAN EFEK VARIASI KALENDER
(Studi Kasus: Pasokan Beras di Pasar Induk Beras Cipinang)

RAIHAN AHMAD BANGUN

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2019
 PRAKATA

Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-
Nya sehingga karya ilmiah yang berjudul “Penerapan Model ARIMAX pada Data
Pasokan Beras dengan Efek Variasi Kalender (Studi Kasus: Pasokan Beras di Pasar
Induk Beras Cipinang)” dapat diselesaikan.
Karya ilmiah ini tentunya tidak lepas dari bantuan berbagai pihak, oleh karena
itu penulis hendak mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Ibu Pika Silvianti, MSi dan Ibu Dra Itasia Dina Sulvianti, MSi selaku
pembimbing yang telah banyak memberikan saran, bimbingan dan
waktunya untuk membantu penulis dalam menyelesaikan karya ilmiah ini.
2. Ibu Dr Utami Dyah Syafitri, MSi selaku dosen penguji yang telah
memberikan saran untuk karya ilmiah ini.
3. Seluruh staf pengajar dan tata usaha Departemen Statistika IPB yang telah
menunjang segala kebutuhan penulis selama masa perkuliahan.
4. Orang tua serta seluruh keluarga yang senantiasa memberikan dukungan,
semangat, kasih sayang, serta doa untuk penulis.
5. Sahabat-sahabat terdekat, teman satu bimbingan, serta keluarga Statistika
52 IPB yang selalu memberikan semangat dalam menyelesaikan karya
ilmiah ini.
6. Semua pihak yang tidak dapat penulis sebutkan satu per satu atas bantuan,
saran, dan dukungannya.
Semoga karya ilmiah ini bermanfaat bagi siapapun yang membacanya.

Bogor, Agustus 2019

Raihan Ahmad Bangun

 DAFTAR ISI

DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
TINJAUAN PUSTAKA 2
ARIMAX 2
Uji Autokorelasi 3
Uji Kestasioneran 3
Evaluasi Kebaikan Model 4
METODE PENELITIAN 4
Data 4
Prosedur Analisis Data 5
HASIL DAN PEMBAHASAN 7
Eksplorasi Data 7
Pembentukan Model Regresi 9
Pemodelan Sisaan Menggunakan ARIMA 10
Pembentukan Model ARIMAX 11
Evaluasi Kebaikan Model ARIMAX 12
SIMPULAN DAN SARAN 13
Simpulan 13
Saran 14
DAFTAR PUSTAKA 14
LAMPIRAN 15
RIWAYAT HIDUP 18
 DAFTAR TABEL

1 Identifikasi model AR, MA, dan ARMA 6

2 Keterangan kelompok-kelompok data 9
3 Keterangan peubah boneka 9
4 Hasil pendugaan dan uji signifikansi parameter model regresi 9
5 Hasil uji Ljung-Box 10
6 Hasil uji signifikansi parameter untuk berbagai model ARIMAX tentatif 11
7 Hasil pendugaan dan uji signifikansi parameter model ARIMAX(2,0,0) 12

DAFTAR GAMBAR

1 Grafik pasokan beras PIBC tahun 2017-2018 7

2 Grafik pasokan beras PIBC tahun 2017 7
3 Grafik pasokan beras PIBC tahun 2018 8
4 Plot ACF dan PACF untuk sisaan 𝑤𝑡 10
5 Plot data validasi dengan nilai ramalan model 12
6 Plot data pemodelan dengan nilai dugaan model 13

DAFTAR LAMPIRAN

1 Diagram alir tahap-tahap pembentukan model ARIMAX 15

2 Plot pasokan beras PIBC tanggal 1 Januari 2018 – 15 Agustus 2018 16
3 Tabel hasil uji Ljung-Box untuk model ARIMAX(0,0,2), ARIMAX(0,0,3),
ARIMAX(2,0,0), ARIMAX(2,0,1) 17
 PENDAHULUAN

Latar Belakang

Data deret waktu merupakan data dari suatu peubah tertentu yang disusun
menurut waktu dengan selang antar waktu tersebut sama (Cryer 2008). Model yang
umum digunakan untuk data deret waktu dengan satu peubah adalah model
Autoregressive Integrated Moving Average (ARIMA). Model ARIMA belum
cukup baik dalam melakukan pemodelan pada beberapa kasus, contohnya adalah
data deret waktu yang dipengaruhi adanya efek variasi kalender. Variasi kalender
merupakan pola berulang dengan panjang periode yang beragam akibat adanya
pengaruh penanggalan kalender yang berbeda setiap tahunnya. Model
Autoregressive Integrated Moving Average Exogenous (ARIMAX) merupakan
salah satu model yang dapat digunakan untuk data deret waktu yang dipengaruhi
oleh efek variasi kalender.
Model ARIMAX merupakan modifikasi dari model dasar ARIMA dengan
penambahan peubah penjelas, sehingga model ARIMAX baik diterapkan pada data
deret waktu yang mengandung efek variasi kalender. Penelitian tentang efek variasi
kalender di antaranya adalah penelitian Lee dan Suhartono (2010) yang
memperkenalkan studi mengenai efek hari raya Idul Fitri pada data permintaan baju
muslim anak laki-laki di Indonesia dan diperoleh hasil bahwa model ARIMAX
yang digunakan lebih baik dibandingkan dengan model ARIMA. Hidayad (2017)
telah melakukan penelitian mengenai perilaku harga produk yang dipengaruhi oleh
efek variasi kalender. Hasil dari penelitian tersebut disimpulkan bahwa efek variasi
kalender yang berbeda tiap tahunnya berpengaruh pada permintaan produk dengan
menggunakan metode ARIMAX. Umar (2018) melakukan penelitian mengenai
penerapan model ARIMAX pada harga cabai merah keriting dengan menambahkan
fenomena-fenomena yang berdampak pada perubahan harga cabai merah keriting
memiliki hasil yang lebih baik jika dibandingkan dengan model ARIMA.
Model ARIMAX dapat digunakan juga pada data pasokan beras di PIBC
karena mengandung efek variasi kalender. Beras merupakan pangan utama bagi
hampir semua rumah tangga di Indonesia. Konsumsi rata-rata beras per kapita
rakyat Indonesia adalah 139 kg per kapita selama setahun. Nilai tersebut jauh lebih
tinggi daripada konsumsi ideal menurut standar negara yang lebih maju yaitu
sebesar 80 sampai 90 kg per kapita selama setahun (Kemendag 2012). Data volume
produksi beras yang dihasilkan Indonesia berdasarkan data FAO pada tahun 2016
sebesar 79 200 000 ton. Jumlah konsumsi beras masyarakat Indonesia pada tahun
2017 bertambah menjadi 150 kg beras per kapita selama setahun sehingga produksi
beras dalam negeri belum mampu untuk memenuhinya. Faktor-faktor yang
memengaruhi hal tersebut di antaranya menurunnya produksi beras, meningkatnya
konsumsi beras per kapita selama setahun, peralihan lahan-lahan sawah di daerah
produktif, dan pengaruh musim di Indonesia.
Gagalnya diversifikasi pangan menambahkan persoalan tersendiri yang
dipicu oleh pola budaya masyarakat yang mengalami ketergantungan yang tinggi.
Tingginya tingkat konsumsi tersebut membuat ketergantungan Indonesia terhadap
beras impor masih tinggi. Oleh karena itu, diperlukan pemodelan pasokan beras
2

PIBC karena erat hubungannya dengan efek variasi kalender dimana perkembangan
dan dinamika perubahan pasokan beras selalu mengalami peningkatan menjelang
atau menghadapi panen raya. Hasil pemodelan diharapkan dapat membantu
pemerintah untuk mengetahui pola dari pasokan beras yang nantinya dapat
dijadikan bahan pertimbangan pemerintah dalam menentukan kebijakan.

Tujuan Penelitian

Tujuan dari penelitian ini adalah memodelkan data pasokan beras di Pasar
Induk Beras Cipinang (PIBC) menggunakan model ARIMAX.

TINJAUAN PUSTAKA

ARIMAX

Model ARIMA terdiri dari beberapa model, di antaranya AR (Autoregressive),

MA (Moving Average), ARMA (Autoregressive Moving Average), dan ARIMA
(Autoregressive Integrated Moving Average). Proses Autoregressive (AR) atau
proses regresi diri menggunakan setiap nilai dalam seri fungsi linier dari nilai
sebelumnya. Bentuk umum model AR dengan orde-p yaitu AR(p) dinyatakan
sebagai berikut:
𝑦𝑡 = 𝜙1 𝑦𝑡−1 + 𝜙2 𝑦𝑡−2 +. . . +𝜙𝑝 𝑦𝑡−𝑝 + ε𝑡
dengan
𝑦𝑡 : nilai amatan periode ke-t
𝑦𝑡−𝑖 : nilai amatan periode ke-(t-i), i = 1, 2, …, p
𝜙𝑖 : parameter AR orde ke-i, i = 1, 2, …, p
ε𝑡 : sisaan pada periode ke-t
t : indeks untuk waktu, t = 1, 2, …, T
Proses Moving Average (MA) disebut juga proses rata-rata bergerak. MA
menjelaskan bahwa kesalahan pada nilai saat ini dipengaruhi oleh kesalahan pada
periode sebelumnya. Bentuk umum model MA dengan orde-q yaitu MA(q)
dinyatakan sebagai berikut:
𝑦𝑡 = ε𝑡 − 𝜃1 ε𝑡−1 − 𝜃2 ε𝑡−2 −. . . −𝜃𝑞 ε𝑡−𝑞
dengan
𝑦𝑡 : nilai amatan periode ke-t
𝜃𝑖 : parameter MA orde ke-i, i = 1, 2, …, q
ε𝑡 : sisaan pada periode ke-t
ε𝑡−𝑖 : sisaan pada periode ke-(t-i), i = 1, 2, …, q
t : indeks untuk waktu, t = 1, 2, …, T
Model gabungan antara model AR(p) dan model MA(q) disebut dengan
model Autoregressive Moving Average (ARMA). Data deret waktu stasioner 𝑦𝑡
dikatakan mengikuti model ARMA(p,q) apabila:
𝑦𝑡 = 𝜙1 𝑦𝑡−1 + 𝜙2 𝑦𝑡−2 +. . . +𝜙𝑝 𝑦𝑡−𝑝 + ε𝑡 − 𝜃1 ε𝑡−1 − 𝜃2 ε𝑡−2 −. . . −𝜃𝑞 ε𝑡−𝑞
Persamaan Autoregressive Integrated Moving Average (ARIMA) merupakan
gabungan dari persamaan AR, MA, dan ARMA dengan 𝐵 adalah operator backshift
 3

dan (1 − 𝐵)𝑑 adalah operator differencing orde-d. Proses differencing atau

pembedaan dilakukan pada data yang tidak stasioner dalam rataan. Menurut Cryer
dan Chan (2008) bentuk umum model ARIMA(p,d,q) adalah sebagai berikut:
𝜙𝑝 (𝐵)(1 − 𝐵)𝑑 𝑦𝑡 = 𝜃𝑞 (𝐵) 𝜀𝑡
dengan
𝜙𝑝 (𝐵) = (1 − 𝜙1 (𝐵1 ) − 𝜙2 (𝐵2 )−. . . −𝜙𝑝 (𝐵𝑝 ))
𝜃𝑞 (𝐵) = (1 − 𝜃1 (𝐵1) − 𝜃2 (𝐵2 )−. . . −𝜃𝑞 (𝐵𝑞 ))
Model Autoregressive Integrated Moving Average Exogenous (ARIMAX)
adalah model ARIMA dengan tambahan peubah. Pemodelan deret waktu dengan
menambahkan beberapa peubah yang dianggap memiliki pengaruh yang signifikan
terhadap data dilakukan untuk menambah akurasi peramalan yang dilakukan dalam
suatu penelitian. Peubah tambahan yang digunakan untuk data deret waktu dengan
efek variasi kalender berupa peubah boneka. Menurut Lee dan Suhartono (2010),
jika 𝑦𝑡 adalah suatu deret waktu dengan efek variasi kalender, maka model
ARIMAX ditulis sebagai berikut:
𝜃𝑞 (𝐵)𝜀𝑡
𝑦𝑡 = 𝛽0 + 𝛽1 𝑉1𝑡 + 𝛽2 𝑉2𝑡 +. . . +𝛽𝑟 𝑉𝑟𝑡 +
𝜙𝑝 (𝐵)(1 − 𝐵)𝑑
Penelitian ini menggunakan model ARIMAX dengan tambahan peubah boneka
untuk pasokan beras, sehingga 𝛽1 , 𝛽2 hingga 𝛽𝑟 adalah koefisien untuk r peubah
boneka, 𝑉1𝑡 , 𝑉2𝑡 hingga 𝑉𝑟𝑡 adalah peubah boneka untuk r efek variasi kalender
dengan t periode, dan r adalah banyaknya peubah boneka.

Uji Autokorelasi

Uji autokorelasi menggunakan Ljung-Box. Sisaan pada pemodelan data deret

waktu harus memenuhi asumsi saling bebas (asumsi white noise). Pendeteksian
autokorelasi secara eksploratif pada sisaan dapat menggunakan plot antara sisaan
dan waktu. Hipotesis pada uji Ljung-Box adalah sebagai berikut:
H0 : tidak ada autokorelasi antar sisaan
H1 : terdapat autokorelasi antar sisaan
Rumus statistik uji Ljung-Box (Montgomery et al. 2008) adalah:
𝐾

𝑄 = 𝑛(𝑛 + 2) ∑(𝑛 − 𝑘)−1 𝜌𝑘2

𝑘=1
dengan
𝑄 : statistik uji Ljung-Box
𝐾 : banyak lag yang diuji
𝜌𝑘 : autokorelasi untuk lag ke-𝑘, 𝑘 = 1, 2, …, 𝐾
𝑛 : banyaknya amatan
2
Tolak H0 jika statistik uji 𝑄 > 𝜒(𝐾−𝑝−𝑞) .

Uji Kestasioneran

Pengecekan kestasioneran dilakukan dengan menggunakan uji Augmented

Dickey-Fuller (ADF). Uji ADF merupakan nilai statistik-t yang dilakukan untuk
4

menguji koefisien yang diestimasi dari persamaan regresi kuadrat terkecil (Cryer
dan Chan 2008). Hipotesis yang akan diuji pada uji ADF adalah sebagai berikut:
H0 : data tidak stasioner
H1 : data stasioner
Persamaan regresi yang digunakan adalah sebagai berikut:
𝑦𝑡 = 𝛼𝑦𝑡−1 + 𝜀𝑡
dengan
𝑦𝑡 : pengamatan pada waktu ke-t
𝛼 : koefisien regresi
𝜀𝑡 : sisaan pada periode ke-t
Statistik uji ADF, yaitu:
𝛼̂
𝑡ℎ𝑖𝑡 =
𝑆𝐷(𝛼̂)
dengan
𝛼̂ : penduga kuadrat terkecil dari 𝛼
𝑆𝐷(𝛼̂) : simpangan baku dari 𝛼̂
Tolak H0 jika nilai 𝑡ℎ𝑖𝑡 > nilai kritis statistik-t (Gujarati 2004). Data yang tidak
stasioner dalam rataan dapat distasionerkan dengan menggunakan differencing.
Ketidakstasioneran dalam ragam dapat distasionerkan menggunakan transformasi
Box-Cox. Transformasi dilakukan sebelum proses pembedaan dan analisis lainnya
(Wei 2006).

Evaluasi Kebaikan Model

Ukuran kebaikan model berdasarkan galat peramalan yang digunakan pada

penelitian ini adalah Mean Absolute Percentage Error (MAPE). Model semakin
baik ketika nilai MAPE yang dihasilkan mendekati nol. Nilai MAPE dapat dihitung
dengan:
𝑛
1 𝑦𝑡 − 𝑦̂𝑡
𝑀𝐴𝑃𝐸 = ∑ | | × 100%
𝑛 𝑦𝑡
𝑡=1
dengan
𝑛 : banyak amatan
𝑦𝑡 : nilai amatan ke-t
𝑦̂𝑡 : nilai dugaan ke-t hasil pemodelan

METODE PENELITIAN

Data

Data yang digunakan dalam penelitian merupakan data harian pasokan beras
di Pasar Induk Beras Cipinang (PIBC) yang berasal dari Kementerian Perdagangan
Republik Indonesia dari hari Senin sampai hari Jumat selain hari libur nasional.
Data yang digunakan adalah data harian pasokan beras periode 1 Januari 2017
hingga 30 April 2019. Data dibagi menjadi dua yaitu data pemodelan dan data
 5

validasi. Data pemodelan adalah data yang akan digunakan dalam pembentukan
model persamaan ARIMAX, sedangkan data validasi digunakan untuk evaluasi
kebaikan model ARIMAX. Data pemodelan mencakup data pasokan beras dari
tanggal 1 Januari 2017 hingga 31 Desember 2018 dan data validasi mencakup data
pasokan beras dari tanggal 1 Januari 2019 hingga 30 April 2019.

Prosedur Analisis Data

Tahapan analisis pada penelitian ini adalah:

1. Melakukan eksplorasi data untuk melihat pola yang menyebabkan kenaikan dan
penurunan pasokan beras terutama pada pola-pola khusus seperti pada bulan
Ramadhan, libur lebaran, dan saat panen raya sehingga dapat ditentukan
banyaknya peubah boneka untuk variasi kalender.
2. Membagi data menjadi dua bagian, yaitu data pada periode 1 Januari 2017
sampai dengan 31 Desember 2018 digunakan untuk data pemodelan sedangkan
data pada periode 1 Januari 2019 sampai dengan 30 April 2019 digunakan untuk
data validasi.
3. Membuat peubah boneka berdasarkan periode variasi kalender.
4. Membentuk model regresi terbaik dengan peubah respon adalah pasokan beras
dan peubah bebas adalah peubah-peubah boneka untuk mengatasi nilai-nilai
pasokan beras yang tidak biasa. Model regresi yang digunakan adalah model
regresi berganda dengan peubah-peubah boneka yang didapatkan melalui tahap
ketiga. Pendugaan parameter model regresi dengan peubah boneka
menggunakan Metode Kuadrat Terkecil (MKT). Menurut Lee dan Suhartono
(2010), model regresi yang terbentuk adalah sebagai berikut:
𝑦𝑡 = 𝛽0 + 𝛽1 𝑉1𝑡 + 𝛽2 𝑉2𝑡 +. . . +𝛽𝑟 𝑉𝑟𝑡 + 𝑤𝑡
dengan
𝑦𝑡 : data pasokan beras pada periode ke-t
𝛽0 : parameter intersep
𝛽1 , 𝛽2 , … , 𝛽𝑟 : koefisien untuk r peubah boneka
𝑉1𝑡 , 𝑉2𝑡 , … , 𝑉𝑟𝑡 : peubah boneka untuk r efek variasi kalender pada periode
ke-t
𝑤𝑡 : sisaan pada periode ke-t
Peubah-peubah boneka akan diuji dengan uji-t untuk menguji peubah-peubah
tersebut berpengaruh atau tidak terhadap data pasokan beras. Hipotesis yang
digunakan untuk uji-t adalah:
H0 : 𝛽𝑖 = 0 (peubah boneka untuk efek variasi kalender ke-i tidak
berpengaruh terhadap data pasokan beras)
H1 : 𝛽𝑖 ≠ 0 (peubah boneka untuk efek variasi kalender ke-i berpengaruh
terhadap data pasokan beras)
Menurut Gujarati (2004) statistik uji untuk uji-t adalah:
𝛽̂𝑖
|𝑡 |𝑖 = | | , 𝑖 = 1, 2, … , 𝑟
𝑆𝐸(𝛽̂𝑖 )
dengan
𝛽̂𝑖 : nilai dugaan parameter 𝛽𝑖
𝑆𝐸(𝛽̂𝑖 ) : galat baku dari nilai dugaan parameter 𝛽𝑖
6

Tolak H0 jika |𝑡|𝑖 > 𝑡𝛼⁄2. Setelah didapatkan model dengan peubah boneka yang
signifikan, dilanjutkan dengan pengecekan autokorelasi pada sisaan model
regresi 𝑤𝑡 . Pengecekan autokorelasi pada sisaan dapat menggunakan uji Ljung-
Box.
5. Identifikasi model ARIMA. Sisaan yang masih berkorelasi, selanjutnya
dilakukan identifikasi orde model ARIMA. Sisaan perlu diperiksa
kestasionerannya. Pengecekan kestasioneran diawali melalui analisis plot ACF
dan PACF hingga data stasioner. Pengecekan kestasioneran dapat juga
menggunakan uji Augmented Dickey-Fuller (ADF). Perlu dilakukan pembedaan
pada data yang tidak stasioner. Menurut Cryer dan Chan (2008) secara umum
pembedaan untuk periode ke-d adalah sebagai berikut:
𝑦𝑡𝑑 = (1 − 𝐵)𝑑 𝑦𝑡
Notasi B merupakan operator backshift. Penggunaan notasi B dalam pembedaan
adalah sebagai berikut:
(𝐵𝑑 )𝑦𝑡 = 𝑦𝑡−𝑑
Untuk pemilihan orde model tentatif (model sementara) dapat dilihat pada Tabel
1 (Montgomery et al. 2008):

Tabel 1 Identifikasi model AR, MA, dan ARMA

Model ACF PACF
MA(q) terputus setelah lag turun cepat secara
q eksponensial
AR(p) turun cepat secara terputus setelah
eksponensial lag q
ARMA(p,q) turun cepat secara turun cepat secara
eksponensial eksponensial

Setelah mendapatkan dugaan model tentatif dari hasil identifikasi plot ACF dan
PACF, selanjutnya dilakukan overfitting, yaitu penambahan 1 orde AR atau MA
pada model tentatif.
6. Pembentukan model ARIMAX. Model-model ARIMA yang sudah diidentifikasi
orde AR dan MA selanjutnya dibentuk menjadi model ARIMAX. Selanjutnya
model-model ARIMAX tersebut akan dipilih untuk mendapatkan model
ARIMAX terbaik. Pendugaan parameter terbaik dapat diperoleh dengan Metode
Kuadrat Terkecil (MKT) dengan mengasumsikan bahwa sisaan stasioner dan uji
signifikansi menggunakan uji-t. Selanjutnya dilakukan pengujian autokorelasi
pada sisaan menggunakan uji Ljung-Box.
7. Melakukan pengepasan data hasil pemodelan terhadap data amatan.
8. Setelah mendapatkan model ARIMAX yang tidak terdapat autokorelasi pada
sisaannya kemudian dilakukan peramalan dan dievaluasi keakuratan ramalan
modelnya dengan menghitung nilai Mean Absolute Percentage Error (MAPE).
Nilai MAPE dari hasil model ARIMAX akan dibandingkan untuk mendapat
model terbaik.
Penjelasan lebih ringkas mengenai prosedur analisis data disajikan dalam diagram
alir pada Lampiran 1.
 7

HASIL DAN PEMBAHASAN

Eksplorasi Data

Langkah awal dalam analisis data deret waktu adalah membagi data menjadi
data pemodelan dan validasi. Eksplorasi dilakukan pada data pemodelan, yaitu data
pasokan beras di PIBC tahun 2017-2018. Grafik pasokan beras PIBC tahun 2017-
2018 dapat dilihat pada Gambar 1. Terlihat adanya pola yang sama setiap tahunnya.
Pola yang berulang setiap tahunnya dapat dilihat lebih jelas dengan membagi grafik
pasokan beras PIBC untuk setiap tahunnya. Grafik pasokan beras PIBC tahun 2017
dan 2018 berturut-turut dapat dilihat pada Gambar 2 dan Gambar 3. Lebaran selalu
berulang setiap tahunnya, namun penanggalannya selalu berubah. Begitu pula
periode panen raya beras yang umumnya terjadi pada bulan Maret dan Agustus
yang mengikuti kalender musim tanam dan musim panennya masing-masing.

8000
Pasokan beras (ton)

7000
6000
5000
4000
3000
2000
1000
0

Periode
Gambar 1 Grafik pasokan beras PIBC tahun 2017-2018

8000
7000
Pasokan beras (ton)

6000
5000
4000
3000
2000
1000
0

Periode
Gambar 2 Grafik pasokan beras PIBC tahun 2017
8

8000
Pasokan beras (ton) 7000
6000
5000
4000
3000
2000
1000
0

Periode
Gambar 3 Grafik pasokan beras PIBC tahun 2018

Banyaknya pasokan pada hari Senin cenderung lebih tinggi dibandingkan

dengan hari-hari lainnya, yaitu berkisar antara 4500 sampai 5500 ton. Hal ini
dikarenakan pada setiap hari Senin PIBC melakukan transaksi pasokan beras dari
daerah sentra produksi beras untuk pasokan beras satu minggu ke depan agar
banyaknya pasokan beras dan harga beras di PIBC tetap stabil. Pada saat bulan
Ramadhan, pasokan beras di PIBC mengalami peningkatan pasokan. Pasokan beras
di PIBC pada hari Senin pada bulan Ramadhan cenderung berkisar antara 5000
sampai 6000 ton. Pasokan beras di PIBC pada hari Selasa sampai Jumat pada bulan
Ramadhan berkisar antara 4300 sampai 5000 ton yang cenderung sama dengan
pasokan pada hari Senin selain bulan Ramadhan. Pasokan pada saat periode panen
raya umumnya melimpah terutama pada 2018, karena pada daerah sentra produksi
beras mengalami kelebihan panen beras. Hal ini mengakibatkan banyaknya
pasokan beras hari Senin pada saat panen raya cenderung berkisar antara 5500
sampai 7000 ton, lebih tinggi dibandingkan dengan pasokan beras pada umumnya
untuk hari Senin. Pasokan pada saat periode panen raya untuk hari Selasa sampai
Jumat berkisar antara 4000 sampai 5000 ton, lebih tinggi dibandingkan dengan
pasokan beras pada umumnya untuk hari Selasa sampai Jumat. Pada saat
pemerintah memutuskan untuk impor beras, pasokan beras PIBC cenderung
berkisar antara 5500 sampai 6000 ton. Pada saat periode libur lebaran Idul Fitri,
transaksi pasokan beras mengalami penurunan dan hampir tidak ada transaksi yang
terjadi pada periode ini. Libur panjang saat lebaran Idul Fitri mengakibatkan
banyaknya para pekerja dan pedagang tidak bertranskasi seperti biasanya. Pasokan
pada saat hari libur lebaran cenderung berkisar antara 300 sampai 1500 ton.
Pasokan beras yang tinggi pada bulan Ramadhan mampu menjaga kestabilan
pasokan beras untuk proses transaksi pasar pada periode libur lebaran. Gambaran
terkait pola-pola data pemodelan dapat dilihat pada Lampiran 2.
Pola-pola tersebut dapat dikategorikan menjadi tujuh kelompok data yang
dapat dilihat pada Tabel 2. Tujuh kelompok data tersebut selanjutnya dibentuk
menjadi peubah boneka yang berguna untuk menghilangkan efek variasi kalender
sebanyak enam peubah yang dapat dilihat pada Tabel 3. Peubah-peubah boneka
berupa peubah biner dengan nilai 1 untuk waktu-waktu terjadinya pola-pola tertentu
dan bernilai 0 untuk waktu-waktu saat tidak terjadinya pola-pola tertentu. Keenam
 9

peubah boneka dimasukkan ke dalam model regresi guna melihat pengaruhnya

terhadap data pasokan beras.

Tabel 2 Keterangan kelompok-kelompok data

Kelompok Keterangan
1 Hari Senin
2 Hari Senin pada bulan Ramadhan
3 Hari Selasa sampai Jumat pada bulan Ramadhan
4 Hari Senin saat panen raya
5 Hari Selasa sampai Jumat saat panen raya
6 Impor beras
7 Libur lebaran

Tabel 3 Keterangan peubah boneka

Peubah
Keterangan
boneka
t=1 Hari Senin, dan hari Selasa sampai Jumat
V1t pada bulan Ramadhan
t=0 Hari selainnya
t=1 Hari Senin pada bulan Ramadhan
V2t
t=0 Hari selainnya
t=1 Hari Senin saat panen raya
V3t
t=0 Hari selainnya
t=1 Hari Selasa sampai Jumat saat panen raya
V4t
t=0 Hari selainnya
t=1 Impor beras
V5t
t=0 Hari selainnya
t=1 Libur lebaran
V6t
t=0 Hari selainnya

Pembentukan Model Regresi

Model regresi yang digunakan adalah model regresi dengan peubah boneka.
Peubah respon adalah banyaknya pasokan beras (ton) dan peubah bebasnya adalah
peubah-peubah boneka untuk efek variasi kalender. Hasil pendugaan dan uji
signifikansi parameter model regresi dapat dilihat pada Tabel 4.

Tabel 4 Hasil pendugaan dan uji signifikansi parameter model regresi

Peubah Koefisien Nilai p
Ca 3236.9 0.000*
V1 1786.9 0.000*
V2 1236.6 0.007*
V3 2724.0 0.000*
V4 1299.3 0.000*
V5 1928.7 0.000*
V6 -2683.2 0.000*
a
konstanta; *signifikan pada taraf nyata 5%
10

Hasil yang diperoleh pada Tabel 4 menunjukkan bahwa semua peubah boneka
signifikan pada taraf nyata 5% karena nilai p peubah-peubah tersebut kurang dari
5%. Model regresi yang terbentuk adalah:
𝑦𝑡 = 3236.9 + 1786.9 V1𝑡 + 1236.6 V2𝑡 + 2724 V3𝑡
+1299.3 V4𝑡 + 1928.7 V5𝑡 −2683.2 V6𝑡 + 𝑤𝑡
Model regresi dengan peubah boneka yang sudah signifikan selanjutnya dilakukan
pengujian autokorelasi untuk sisaan 𝑤𝑡 dengan menggunakan uji Ljung-Box. Hasil
uji Ljung-Box dapat dilihat pada Tabel 5. Tabel 5 memperlihatkan nilai p sebesar
0.000 dari lag 12 hingga lag 48. Nilai p lebih kecil daripada taraf nyata 5%, dapat
disimpulkan bahwa antar sisaan masih berkorelasi. Selanjutnya dilakukan
pemodelan sisaan menggunakan ARIMA.

Tabel 5 Hasil uji Ljung-Box

Lag Nilai Q Nilai p
12 55.661 0.000*
24 72.944 0.000*
36 103.202 0.000*
48 125.598 0.000*
*signifikan pada taraf nyata 5%

Pemodelan Sisaan Menggunakan ARIMA

Identifikasi orde model ARIMA dilakukan setelah data sisaan dari model
regresi (𝑤𝑡 ) sudah stasioner. Pemeriksaan kestasioneran 𝑤𝑡 dapat dilihat dari plot
ACF pada Gambar 4. Plot ACF tidak terlihat turun melambat secara eksponensial,
sehingga dapat disimpulkan bahwa sisaan stasioner dan penentuan orde untuk
model tentatif dapat dilakukan.

Gambar 4 Plot ACF dan PACF untuk sisaan 𝑤𝑡

Uji ADF dilakukan untuk meyakinkan bahwa data telah stasioner. Uji ADF
menghasilkan nilai p sebesar 0.000 yang membuktikan bahwa data sudah stasioner.
Orde model ARIMAX diidentifikasi dengan melihat plot ACF dan PACF. Dilihat
dari plot ACF dan PACF, terlihat ada cut off setelah lag 2. Model tentatif dari plot
ACF dan PACF adalah ARIMAX(2,0,0) dan ARIMAX(0,0,2). Tahap selanjutnya
dilakukan proses overfitting sebagai salah satu metode untuk mendapatkan model
yang lebih baik, sehingga pada tahap pembentukan model ARIMAX akan dimulai
dari model tentatif ARIMAX(2,0,0) dan ARIMAX(0,0,2) dilanjutkan dengan
 11

proses overfitting sampai mendapatkan model ARIMAX dengan semua parameter

yang telah signifikan dalam model serta tidak terdapat autokorelasi antar sisaan.

Pembentukan Model ARIMAX

Pembentukan model ARIMAX dimulai dari model ARIMAX(2,0,0) dan

ARIMAX(0,0,2). Hasil uji signifikansi parameter untuk model ARIMAX(2,0,0)
dan ARIMAX(0,0,2) beserta overfittingnya dapat dilihat pada Tabel 6.

Tabel 6 Hasil uji signifikansi parameter untuk berbagai model

ARIMAX tentatif
Model Nilai p
ARIMAX AR(1) AR(2) AR(3) MA(1) MA(2) MA(3)
(0,0,2) - - - 0.000* 0.000* -
* *
(0,0,3) - - - 0.000 0.000 0.045*
* *
(1,0,2) 0.000 - - 0.000 0.689 -
* *
(1,0,3) 0.000 - - 0.000 0.691 0.579
(2,0,0) 0.000* 0.000* - - - -
(2,0,1) 0.000* 0.000* - 0.000* - -
(2,0,2) 0.801 0.889 - 0.905 0.915 -
(2,0,3) 0.672 0.993 - 0.775 0.984 0.653
(3,0,0) 0.000* 0.000* 0.183 - - -
*
(3,0,1) 0.048 0.939 0.694 0.162 - -
* *
(3,0,2) 0.127 0.000 0.310 0.007 0.125 -
*signifikan pada taraf nyata 5%

Tabel 6 memperlihatkan nilai p untuk semua parameter model

ARIMAX(2,0,0) dan ARIMAX(0,0,2) lebih kecil daripada taraf nyata 5%,
sehingga dapat disimpulkan semua parameter signifikan dalam model. Selanjutnya
dilakukan overfitting model. Hasil overfitting model tersebut menjadi
ARIMAX(0,0,3), ARIMAX(1,0,2), ARIMAX(1,0,3), ARIMAX(2,0,1),
ARIMAX(2,0,2), ARIMAX(2,0,3), ARIMAX(3,0,0), ARIMAX(3,0,1), dan
ARIMAX(3,0,2). Hasil uji signifikansi parameter untuk model ARIMAX(0,0,2),
ARIMAX(0,0,3), ARIMAX(2,0,0), dan ARIMAX(2,0,1) semua parameternya
memiliki nilai p lebih kecil daripada taraf nyata 5% (signifikan). Sedangkan model
ARIMAX(1,0,2), ARIMAX(1,0,3), ARIMAX(2,0,2), ARIMAX(2,0,3),
ARIMAX(3,0,0), ARIMAX(3,0,1), dan ARIMAX(3,0,2) terdapat nilai p yang lebih
besar daripada taraf nyata 5% (tidak signifikan). Hasil uji signifikansi parameter
menunjukkan bahwa terdapat empat model ARIMAX dengan semua parameter
signifikan. Selanjutnya pada keempat model (ARIMAX(0,0,2), ARIMAX(0,0,3),
ARIMAX(2,0,0), dan ARIMAX(2,0,1)) akan dilakukan pengujian autokorelasi
pada sisaan.
Uji Ljung-Box selanjutnya digunakan untuk melihat apakah model
ARIMAX(0,0,2), ARIMAX(0,0,3), ARIMAX(2,0,0), dan ARIMAX(2,0,1) tidak
terdapat autokorelasi antar sisaan. Hasil dari uji Ljung-Box untuk keempat model
tersebut dapat dilihat pada Lampiran 3. Lampiran 3 menunjukkan bahwa hanya
model ARIMAX(2,0,0) yang tidak terdapat autokorelasi antar sisaan. Model
ARIMAX(2,0,0) yang terbentuk adalah sebagai berikut:
12

𝑦𝑡 = 1841.83 + 0.25 𝑦𝑡−1 + 0.17 𝑦𝑡−2 + 1821.3 V1𝑡 − 470.18 V1𝑡−1

−311.78 V1𝑡−2 + 1186.7 V2𝑡 − 306.35 V2𝑡−1 − 203.15 V2𝑡−2
+2514.2 V3𝑡 − 649.06 V3𝑡−1 − 430.4 V3𝑡−2 + 913.8 V4𝑡
−235.9 V4𝑡−1 − 156.43 V4𝑡−2 + 1809.6 V5𝑡 − 467.16 V5𝑡−1
−309.78 V5𝑡−2 − 1949 V6𝑡 + 503.15 V6𝑡−1 + 333.64 V6𝑡−2
+𝜀𝑡
Hasil pendugaan dan uji signifikansi parameter model ARIMAX(2,0,0) dapat
dilihat pada Tabel 7. Tabel 7 menunjukkan bahwa peubah pada hari Senin saat
panen raya (V3) memiliki nilai koefisien yang besar di antara peubah-peubah
lainnya. Hal ini menandakan bahwa pada saat panen raya untuk setiap wilayah
sentra produksi beras di Indonesia memiliki pasokan beras hasil panen yang sangat
mencukupi, sehingga pasokan beras yang dikirim ke PIBC bertambah. Tanda
positif (+) atau negatif (-) menggambarkan efek pengaruh terhadap pasokan beras,
terjadi kenaikan atau penurunan pasokan.

Tabel 7 Hasil pendugaan dan uji signifikansi parameter

model ARIMAX(2,0,0)
Peubah Koefisien Nilai p
a
C 3227.600 0.000*
V1 1821.300 0.000*
V2 1186.700 0.004*
V3 2514.200 0.000*
V4 913.800 0.000*
V5 1809.600 0.000*
V6 -1949.000 0.000*
AR(1) 0.258 0.000*
AR(2) 0.171 0.000*
a
konstanta; *signifikan pada taraf nyata 5%

Evaluasi Kebaikan Model ARIMAX

Proses peramalan menggunakan model ARIMAX(2,0,0) dilakukan untuk

evaluasi kebaikan model ARIMAX dengan melihat nilai MAPE pada data
pemodelan dan data validasi. Evaluasi kebaikan model ARIMAX menunjukkan
nilai MAPE untuk model ARIMAX(2,0,0) pada data pemodelan sebesar 19.87%
dan nilai MAPE pada data validasi sebesar 15.78%. Plot ramalan dari model
ARIMAX dengan data validasi dapat dilihat pada Gambar 5.
8000
Pasokan Beras (ton)

6000

4000 Data Peramalan

2000 Data Validasi
0
02-Jan-19 02-Feb-19 02-Mar-19 02-Apr-19
Periode
Gambar 5 Plot data validasi dengan nilai ramalan model
 13

Gambar 5 menunjukkan bahwa model ARIMAX(2,0,0) dapat mengatasi

pola-pola akibat efek variasi kalender. Plot pengepasan (fitting) dari model
ARIMAX(2,0,0) dengan data pemodelan dapat dilihat pada Gambar 6. Gambar 6
menunjukkan banyak nilai dugaan yang lebih besar dari nilai data pemodelan,
kecuali pada periode libur lebaran.
8000

7000

6000
Pasokan Beras (ton)

5000

4000

3000 ARIMAX(2,0,0)
2000 Data Pemodelan
1000

Periode
Gambar 6 Plot data pemodelan dengan nilai dugaan model

SIMPULAN DAN SARAN

Simpulan

Model ARIMAX cukup baik untuk menangkap efek variasi kalender untuk
data pasokan beras PIBC. Model yang diperoleh berdasarkan hasil analisis pada
penelitian ini adalah model ARIMAX(2,0,0). Nilai rata-rata kesalahan peramalan
berdasarkan kriteria kebaikan model MAPE pada data pemodelan sebesar 19.87%.
Nilai rata-rata kesalahan peramalan berdasarkan kriteria kebaikan model MAPE
pada data validasi sebesar 15.78%. Banyaknya pasokan beras pada saat panen
hingga dijual-belikan di pasar sangat bergantung salah satunya dengan musim yang
terjadi pada tahun tersebut sehingga mengakibatkan perbedaan banyaknya pasokan
tiap tahunnya. Terdapat tujuh kelompok data yang dikategorikan menjadi enam
peubah boneka yang berdampak pada pasokan beras. Hari Senin saat panen raya
(V3) merupakan peubah yang berdampak besar bagi pasokan beras di PIBC. Hal
ini dikarenakan setiap wilayah sentra produksi beras mendapatkan kelebihan
pasokan beras di daerahnya dan disalurkan ke PIBC. Nilai dugaan model
ARIMAX(2,0,0) cukup baik untuk digunakan dalam pendugaan data pasokan beras
PIBC karena angka ramalan yang dihasilkan hampir mendekati data validasi dan
dapat diterapkan pengaplikasiannya untuk meramalkan kategori lain yang
mempunyai efek variasi kalender.
14

Saran

Hasil nilai dugaan pasokan beras PIBC yang masih banyak bernilai lebih
besar daripada nilai data pemodelannya menandakan bahwa terdapat pola-pola
yang tidak dapat dijelaskan dari keenam peubah boneka yang digunakan untuk
membuat model ARIMAX dengan efek variasi kalender pada data pasokan beras
PIBC. Diperlukan eksplorasi lebih lanjut terkait pola-pola data yang mengakibatkan
naik dan turunnya pasokan beras PIBC agar nilai dugaan dari model ARIMAX yang
didapat lebih mendekati nilai data pemodelannya dan nilai rata-rata kesalahan
peramalan berdasarkan kriteria kebaikan model MAPE menjadi lebih kecil.

DAFTAR PUSTAKA

Cryer JD, Chan KS. 2008. Time Series Analysis 2nd edition. New York (US):
Springer.
Gujarati. 2004. Basic Econometrics, Fourth Edition. New York (US): The
McGraw-Hill Companies.
Hidayad MI. 2017. Pendugaan data permintaan produk yang dipengaruhi oleh efek
variasi kalender [skripsi]. Bogor (ID): Institut Pertanian Bogor.
[KEMENDAG RI] Kementerian Perdagangan Republik Indonesia 2012. Profil
Komoditas Beras. Jakarta (ID): [KEMENDAG] Kementerian Perdagangan
Republik Indonesia.
Lee MH, Suhartono, Hamzah NA. 2010. Calender Variation Model based on
ARIMAX for Forecasting Sales Data with Ramadhan Effect. Proceedings of the
regional conference on statistical sciences 2010, (pp. 349-361). Malaysia (MY):
University Teknologi MARA.
Montgomery DC, Jennings CL, Kulahci M. 2008. Introduction to Time Series
Analysis and Forecasting. New Jersey (US): J Wiley.
Umar MA. 2018. Penerapan model ARIMAX pada data harga cabai merah keriting
di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Wei WWS. 2006. Time Series Analysis: Univariate and Multivariate Methods. New
York (US): Pearson Education.
 15

LAMPIRAN

Lampiran 1 Diagram alir tahap-tahap pembentukan model ARIMAX

Mulai

Eksplorasi data pemodelan untuk menentukan peubah boneka

untuk variasi kalender

Menghilangkan efek variasi kalender menggunakan model

berikut:
𝑦𝑡 = 𝛽0 + 𝛽1 𝑉1𝑡 + 𝛽2 𝑉2𝑡 +. . . +𝛽𝑟 𝑉𝑟𝑡 + 𝑤𝑡

Apakah 𝑤𝑡 sudah memenuhi

asumsi sisaan saling bebas?

belum
sudah

Mengidentifikasi model ARIMA dari

𝑤𝑡

Membentuk model ARIMAX hingga

didapatkan sisaan 𝜀𝑡 yang saling
bebas

Memilih model ARIMAX terbaik

dengan membandingkan nilai MAPE Selesai
16

Lampiran 2 Plot pasokan beras PIBC tanggal 1 Januari 2018 – 15 Agustus 2018

Pasokan Beras PIBC Tahun 2018

8000

7000

6000
Pasokan Beras (ton)

5000

4000

3000

2000

1000

Periode Hari Senin saat

panen raya
Impor beras Hari Senin
Libur lebaran
Hari Selasa sampai Jumat
saat panen raya
Hari Selasa sampai Jumat
pada bulan Ramadhan

Hari Senin pada

bulan Ramadhan
 17

Lampiran 3 Tabel hasil uji Ljung-Box untuk model ARIMAX(0,0,2),

ARIMAX(0,0,3), ARIMAX(2,0,0), ARIMAX(2,0,1)

Model Lag Nilai Q Nilai p

12 17.59 0.062
24 34.40 0.044*
ARIMAX(0,0,2)
36 50.79 0.032*
48 63.19 0.047*
12 14.53 0.104
24 32.24 0.055
ARIMAX(0,0,3)
36 48.02 0.044*
48 58.79 0.081
12 12.32 0.264
24 30.96 0.096
ARIMAX(2,0,0)
36 45.97 0.082
48 55.89 0.150
12 20.17 0.016*
24 36.86 0.017*
ARIMAX(2,0,1)
36 53.96 0.012*
48 66.66 0.019*
*signifikan pada taraf nyata 5%
18

RIWAYAT HIDUP

Penulis dilahirkan di Medan pada tanggal 24 Mei 1998 dan merupakan anak
pertama dari dua bersaudara dari pasangan Rahmad Bangun (alm) dan Titin
Dimayanti. Tahun 2009 penulis menyelesaikan pendidikan sekolah dasar di SD IT
Nurul Azizi, tahun 2012 menyelesaikan pendidikan menengah pertama di SMP IT
Nurul Azizi, tahun 2015 menyelesaikan pendidikan menengah atas di SMA PU Al
Bayan. Pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor
(IPB) di Departemen Statistika, melalui jalur Seleksi Nasional Masuk Perguruan
Tinggi Negeri (SNMPTN).
Selama menjadi mahasiswa, selain aktif mengikuti organisasi mahasiswa
penulis juga aktif mengikuti berbagai kegiatan kepanitiaan. Penulis aktif di BEM
PPKU sebagai staf Departemen Budaya dan Seni (DBS) pada tahun 2015-2016 dan
Himpunan Mahasiswa Profesi Gamma Sigma Beta (GSB) sebagai ketua
departemen Database Center (DBC) pada tahun 2017-2018. Penulis juga aktif
dalam berbagai kepanitiaan antara lain adalah Pekan Olahraga Statistika
(PORSTAT) 2016 sebagai ketua divisi DDD, The 12th Statistika Ria pada 2017
sebagai staf DDD, dan Kompetisi Statistika Junior sebagai staf Acara. Penulis juga
pernah melaksanakan kegiatan Praktik Lapang di Kementerian Perdagangan
Republik Indonesia pada bulan Juli-Agustus 2018.