Oleh:
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN EKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2020
BAB I
PENDAHULUAN
1.1 Latar Belakang
Covid 19 pertama kali muncul kota Wuhan di Negara Cina, penyebarannya
sangat cepat melalui kontak fisik manusia secara langsung ditularkan melalui mulut,
hidung dan mata (Syafrida, 2020). Penularan Covid-19 yang sangat cepat menyebabkan
Organisasi Kesehatan Dunia (WHO) menetapkan Covid-19 sebagai pandemi pada 11
Maret 2020. Status pandemi atau epidemi global menandakan bahwa penyebaran
Covid-19 berlangsung sangat cepat hingga hampir tak ada negara di dunia yang dapat
memastikan diri terhindar dari virus corona (Widiyani, 2020). Covid-19 di Indonesia
pertama kali ditemukan tanggal 2 Maret 2020 pada dua warga Depok, Jawa Barat
sampai dengan tanggal 25 Maret 2020, Indonesia sudah melaporkan 790 kasus
konfirmasi Covid-19 dari 24 Provinsi yaitu: Bali, Banten, DIY, DKI Jakarta, Jambi,
Jawa Barat, Jawa Tengah, Jawa Timur, Kalimantan Barat, Kalimantan Timur,
Kalimantan Tengah, Kalimantan Selatan, Kep. Riau, Nusa Tenggara Barat, Sumatera
Selatan, Sumatera Utara, Sulawesi Utara, Sulawesi Tenggara, Sulawesi Selatan,
Lampung, Riau, Maluku Utara, Maluku dan Papua (Direktorat Jenderal Pencegahan dan
Pengendalian Penyakit (P2P), 2020).
Provinsi Jawa Timur yang merupakan salah satu provinsi di indonesia diberitakan
pada laman1tanggal 13 Mei 2020 data kasus positif di propinsi Jawa Timur sudah
mencapai 1766 dan jumlah kasus sembuh sebanyak 278 (15.74%) serta kasus
meninggal sebanyak 166 (9.40%) (Weyly Yustanti, 2020). Kasus Covid-19 menyebar
hingga pada tanggal 19 Mei 2020, dimana di Jawa Timur kasus positif berjumlah 1673
(73,35%), kasus sembuh sebanyak 375 (16,44%), dan meninggal sebanyak 224 (9,82%)
(Husna, 2020). Angka tersebut menunjukkan bahwa Jawa Timur termasuk daerah yang
mengalami penurunan jumlah kasus positif yang signifikan dalam kurun waktu kurang
dari 1 bulan, maka butuh peramalan statistik untuk meramalkan kasus Covid-19 di Jawa
Timur secara berkala, salah satu metode peramalannya dengan model ARIMA Box-
Jenkins.
1
http://infocovid19. jatimprov.go.id/
ARIMA (Autoregressive Integrated Moving Average) merupakan salah satu
model peramalan yang berbasis time series yang dikembangkan oleh Box dan Jenkins
(1976). ARIMA telah diakui mempunyai kemampuan ramalan yang cukup efisien
untuk jangka peramalan yang panjang (Bey, A. 1988). Metode Box-Jenkins memakai
variabel dependen yaitu data di masa lampau sedangkan variabel independen
diabaikan (Muhammad Bintang, 2018). ARIMA Box-Jenkins adalah suatu model
gabungan yang meliputi model Autoregressive (AR) dan Moving Average (MA)
(Makridakis et-al. 1992). Kata Integrated disini menyatakan tingkat pembedanya
(degree of differencing).
1
selang ± 1,96( ).Data jika tidak stasioner pada nilai tengah, maka dapat
√n
dikonversikan menjadi deret stasioner melalui differensiasi, yaitu deret asli diganti
dengan selisih. Jumlah differensiasi yang dilakukan untuk mencapai stasioner dinotasikan
sebagai d. Bentuk differensiasi pertama (d=1) adalah sebagai berikut:
∇ Z t =Z t −Z t −1 (2.2)
∇ 2 Z t=∇ Zt −∇ Z t −1
(2.3)
Pengujian dalam pemodelan ini, hal pertama yang perlu dilakukan adalah menyelidiki
apakah sampel data yang kita gunakan sudah stasioner atau belum. Apabila data tersebut
tidak stasioner maka kita perlu menstasionerkannya terlebih dahulu. Data yang tidak
stasioner dalam ragam salah satunya dapat dilihat dari plot deret berkala, sehingga apabila
diperhatikan maka akan terlihat jika penyebaran nilai Zt tidak sama (Semakin besar atau
semakin kecil) dari waktu ke waktu. Dalam keadaan ini untuk membuat data tersebut
menjadi stasioner kita dapat mentransformasikan data tersebut. Selain ragam, kita perlu
pula memperhatikan stasineritas rata-rata. Untuk memeriksa stasineritas rata-rata kita dapat
menggunakan plot ACF. Apabila nilai ACF turun secara linear dapat di identifikasikan
adanya ketidak stasioneran dalam rata-rata. Dalam masalah ini kita dapat
menstasionerkannya dengan cara membedakan (differencing). Model mengikuti
autoregressive (AR) orde p jika plot PACF signifikan pada semua lag p dan plot ACF
menurun secara eksponensial menuju nol. Model mengikuti autoregressive (AR), rata-rata
bergerak (MA), rata-rata bergerak autoregressive (ARMA) atau rata-rata bergerak terpadu
autoregressive (ARIMA) dapat dilihat dari bentuk plot ACF dan PACF pada tabel berikut:
Tabel 2.2 Identifikasi Model dengan ACF dan PACF
Tipe Model Pola ACF Pola PACF
Menurun secara eksponensial Signifikan pada semua lag
AR (p)
menuju nol p
Signifikan pada semua lag p Menurun secara
MA (q)
eksponensial menuju nol
Penduga parameter ϕ p dan θq dalam model ARIMA (p, q) dapat diperoleh dengan
menyelesaikam ∂L / ∂ ϕ p = 0 dan ∂L / ∂ θq = 0 (Lo, 2003, 7). Sehingga untuk menduga
parameter ϕ p dan θq pada model ARMA(1, 1) dibutuhkan ϕ 1 dan θ1.
n n
Zt θ a
ϕ 1 = −∑ +¿ ∑ 1 t −12 ¿
t=1 (Z t−1 ) t=1 ( Z t−1 )
n n
Zt ϕ a
θ1 = − ∑ +¿ ∑ 1 t −1 ¿
t=1 (at−1 ) t=1 at −1
Fungsi log-likelihood yang dapat dimaksimalkan bisa diperiksa dengan kondisi
turunan kedua untuk maksimal local. Turunan kedua dari parameter ϕ 1 dan θ1adalah:
n
∂2 L −1
2 = 2 ∑
( Z t−1 )2
∂ ϕ1 σa t
n
∂2 L −1 2
= 2 ∑ (at −1 )
∂θ 21 σa t
Selanjutnya dibuatlah hipotesis:
H 0 : ^βi =0 dan H 1 : β^ i ≠ 0
^β i
Dengan t hit = , H 0ditolak jika |t hit| > t tabel atau p-value < α
stdev ( ^β i)
r 2k
K
Q=n(n+2) ∑
k=1 n−k
n = Banyaknya pengamatan
K = Lag maksimum
Daerah penolakan: Tolak H 0 , jika Q> X 2a ;df =k− p−q dimana, p dan q adalah orde dari
ARIMA (p,q) atau tolak H 0 jika p−value<α . Statistik Q merupakan Ljung mengikuti
distribusi X 2 dengan derajat bebas (m-p-q). Keputusan terhadap hipotesis autokorelasi
sisian berdasarkan nilai Q lebih kecil dari nilai kritis distribusi X 2 pada taraf nyata α maka
model layak di gunakan.
BAB III
METODE PENELITIAN
Data yang digunakan dalam penelitian ini adalah data update covid 19 di Jawa
Timur yang diambil dari laman2 diakses pada tanggal 3 desember 2020.
3.3. Analisis Data
Data yang telah dikumpulkan dianalisis dengan tahapan analisis sebagai berikut:
1 Pemeriksaan stasioneritas data dengan memplotkan data asli untuk mengetahui apakah
data tersebut sudah stasioner atau belum
a. Stasioner pada ragam, jika hasil pendugaan nilai dengan menggunakan plot Box- cox
diperoleh nilai mendekati satu. Jika tidak maka dilakukan Tranformasi Box-cox untuk
membuat data tersebut stasioner pada ragam
b. Stasioner pada nilai tengah, jika plot autokolerasi menurun dengan cepat menuju nol
atau tidak ada nilai dari autokorelasi yang berbeda nyata dari nol. Jika belum maka
dilakukan pembedaan (Differencing).
2 Identifikasi model dengan menghitung fungsi autokorelasi (ACF) dan autokorelasi
parsial (PACF)
3 Estimasi parameter dengan menggunakan metode maksimum likelihood
4 Pengujian kesesuaian model dengan menggunakan uji Ljung-Box (Q)
5 Peramalan.
2
http://infocovid19. jatimprov.go.id/
3.4. Flow Chart
mulai
Tidak
Ya
Stasioner Tranformasi Box-cox
Pemerikasaan stasioner pada nilai tengah
Tidak
Stasioner Differencing
Ya
Identifikasi model
Estimasi parameter
Selesai
DAFTAR PUSTAKA
Box, G. E. P., & G. M. Jenkins. (1976). “Time series Analysis, Forecasting, and Control”.
edisi revisi. San Fransisco: Holden-Day.
Hanke, dkk 2003. Applied Time Series Modeling and Forcasting. John Wiley and
Sons, Inc
Kountur, Ronny D.M.S.2005. Metode Penelitian. Jakarta: PPM BPEE-UII
Husna Ni’matul Ulya . 2020 . “Alternatif Strategi Penanganan Dampak Ekonomi Covid-
19 Pemerintah Daerah Jawa Timur Pada Kawasan Agropolitan” . Journal of Islamic
Economic and Business . Volomue (3.1) : 82
Supranto, J. 2000. Statistik: Teori dan Aplikasi. Jilid 1 Edisi keenam. Erlangga. Jakarta.
Widiyani, R. 2020. “Latar Belakang Virus Corona, Perkembangan hingga Isu Terkini”.
Retrieved fromdetikNews:https://news.detik.com/berita/d4943950/latar-belakang-
virus-corona- perkembangan-hingga-isu-terkini.
Wei, W.W.S., 1990, Time Analysis Univariate and Multivariate Methods, Addison
WesleyPublishing Company, Inc.