DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2019
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
ABSTRACT
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.
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
DAFTAR GAMBAR
DAFTAR LAMPIRAN
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
Uji Autokorelasi
Uji Kestasioneran
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).
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.
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):
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
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
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.
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.
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.
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
6000
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
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
Mulai
belum
sudah
Lampiran 2 Plot pasokan beras PIBC tanggal 1 Januari 2018 – 15 Agustus 2018
7000
6000
Pasokan Beras (ton)
5000
4000
3000
2000
1000
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.