LAPORAN UJIAN KOMPETENSI (UK) 3

MODEL SARIMA MATA KULIAH METODE PERAMALAN

Disusun Guna Memenuhi Tugas Metode Peramalan Metode SARIMA
Dosen Pengampu Dra. Wellie Sulistijanti M,.Sc

Disusun Oleh :
Haviva Inayah (202001671)

PROGRAM STUDI D3 STATISTIKA

INSTITUT TEKNOLOGI STATISTIKA DAN BISNIS MUHAMMADIYAH
SEMARANG
2022
1. PENGAMBILAN DATA
Data yang digunakan untuk melakukan peramalan periode kedepan ini
Produksi Bulanan Perkebunan Karet Kering Nasional pada Tahun 2015-
2018. Data yang diperoleh adalah seperti gambar dibawah :

Tahun
Bulan
2015 2016 2017 2018
Januari 35,68 37,54 39,23 40,16

Februari 35,56 37,44 39,36 40,01

Maret 35,84 37,76 39,66 39,15

April 31,9 33,6 35,23 36,73

Mei 41,58 43,52 45,53 42,75

Juni 41,31 43,3 45,36 42,95

Juli 35,21 37,01 38,87 40,28

Agustus 31 32,64 34,32 35,32

September 74,03 77,04 80,08 49,37

Oktober 72,08 75,05 78,15 51,21

November 63,85 66,53 69,33 48,77

Desember 78,73 81,79 85,09 52,39

Sumber : Produksi Bulanan Perkebunan Besar Ton, Badan Pusat Statistik

Source : https://www.bps.go.id/indicator/54/761/4/produksi-bulanan-
perkebunan-besar.html
Access Time : 19 June 2022, 12:12 am.
2. MENGIDENTIFIKASI
Berikut ini merupakan plot/grafik dari data Produksi Bulanan Perkebunan
Karet Kering Nasional Tahun 2015-2018. Software yang digunakan utnuk
melakukan analisi dengan metode SARIMA ini adalah MiniTab 19.

s
d
a
Dari data diatas dapat digolongkan kedalam jenis data musiman yang
mana terlihat data mengalami kenaikan setiap tahun pada bulan Juni dan
Desember dari tahun 2015-2018 atau dengan kata lain mengalami
kenaikan setiap 6 bulan sekali. Karena data tergolong data musiman maka
dapat dilakukan peramalan dengan metode SARIMA.
Sama halnya dengan metode ARIMA setelah data di plotkan maka perlu
diperhatikan stasioner varians dan stasioner rata-rata dengan menggunakan
metode box-cox serta melihat plot ACF dan plot ACF nya.

• Stasioner Varians
Untuk melihat apakah data tersebut stasioner varians adalah
dengan melakukan transformasi Box-Cox. Transformasi ini hanya
bisa dilakukan sekali saja tanpa perlu melihat nilai Lamda (λ) nya.
 Tetapi pada ketentuannya nilai Lamda (λ) sama dengan satu
barulah dikatakan transformasi itu sempurna. Berikut adalah Plot
transformasi Box Cox.

H
b
h
j
g
h
j
g
H
b
a

Karena nilai lamda diabaikan maka data Produksi Bulanan

Perkebunan Karet Kering Nasional Tahun 2015-2018 ini sudah
stasioner varians.

• Stasioner Rata-Rata
Pada metode SARIMA ini stasioner rata-rata terbagi menjadi dua
yaitu stasioner rata-rata non musiman dan stasioner rata-rata
musiman. Keduanya harus dicek dengan melihat plot ACF dan
PACF. Untuk stasioner rata-rata non musiman yang dilihat adalah
lag ke-1,2,3 dst sedangkan untuk stasioner rata-rata musiman yang
dilihat adalah lag ke-12 lag ke-24 lag ke-36 dst tergantung pada
data yang dipakai mengandung berapa musiman. Berikut plot ACF
dan PACF untuk musiman dan non musiman.
G
h
g
g
h
h
g
g
f
f

Plot data diatas menunjukkan nilai ACF p adalah 1 karena cutoff

setelah lag pertama sedangkan untuk nilai ACF P belum cutoff
yaitu pada lag ke- 12 lag ke-24 dan lag ke-36 dies down/turun
perlahan maka harus dilakukan differencing untuk rata-rata
musiman.
Plot data diatas menunjukkan nilai PACF p adalah 1 karena cutoff
setelah lag pertama sedangkan untuk nilai PACF P adalah 1 karena
sudah cuttoff setelah lag ke-12.

Berikut adalah plot ACF dan PACF setelah di lakukan differencing

N
 Plot ACF dan PACF yang telah di differencing satu kali diatas
menunjukkan nilai SARIMA (p,d,q) (P,D,Q) adalah SARIMA
(1,0,1) (1,1,1)12. Maka dapat dikatakan bahwa model awal yang
terbrntuk adalah SARIMA (1,0,1) (1,1,1)12 yang mana akan
memunculkan 8 model baru seperti dibawah ini :

C Model p,d,q P,D,Q

C
SARIMA 1,0,1 1,1,1
N
SARIMA 1,0,1 0,1,1
C
SARIMA 1,0,1 1,1,0
N
SARIMA 0,0,1 1,1,1
K
SARIMA 0,0,1 0,1,1
S
SARIMA 0,0,1 1,1,0
N
SARIMA
C 1,0,0 1,1,1
SARIMA 1,0,0 0,1,1
SARIMA 1,0,0 1,1,0

3. UJI MODEL
Dari kesembilan model SARIMA diatas perlu dilakukan pengecekan
Estimasi parameter, Diagnosing Checking, serta Normalitas untuk melihat
manakah model yang paling baik diantara semua model yang ada.
• Estimasi Parameter
Nilai p-value < nilai alfa (0,05) maka Signifikan
Nilai p-value > nilai alfa (0,05) maka Tidak Signifikan

Estimasi Parameter
Model Keterangan
AR 1 SAR 12 MA 1 SMA 12
SARIMA (1,0,1) (1,1,1)12 0,000 0,061 0,964 0,459 Tidak
Signifikan
SARIMA (1,0,1) (0,1,1)12 0,000 0,779 0,114 Tidak
Signifikan
SARIMA (1,0,1) (1,1,0)12 0,000 0,013 0,001 Signifikan
SARIMA (0,0,1) (1,1,1)12 0,883 0,000 0,658 Tidak
Signifikan
SARIMA (0,0,1) (0,1,1)12 0,000 0,352 Tidak
Signifikan
SARIMA (0,0,1) (1,1,0)12 0,546 0,000 Tidak
Signifikan
SARIMA (1,0,0) (1,1,1)12 0,000 0,059 0,540 Tidak
Signifikan
SARIMA (1,0,0) (0,1,1)12 0,000 0,624 Tidak
Signifikan
SARIMA (1,0,0) (1,1,0)12 0,000 0,250 Tidak
Signifikan

• Diagnosing Checking
Nilai p-value > nilai alfa maka Signifikan atau White Noise
Nilai p-value < nilai alfa maka Tidak Signifikan atau Tidak White
Noise
Dikarenakan pada uji estimasi parameter sebelumnya hanya ada
satu model SARIMA yang memiliki nilai p-value signifikan
terhadap nilai alfa 5% maka untuk diagnosing checking hanya
diperuntukkan bagi model SARIMA yang signifikan tersebut. Dari
uji diatas diketahui yang signifikan adalah model SARIMA (1,0,1)
(0,1,1)12

Model Diagnosing Checking Keterangan

0,159 dan 0,737
SARIMA (1,0,1) (1,1,0)12 White Noise
>Nilai alfa (0,05)

• Normalitas Test
Nilai p-value > nilai alfa maka Normal
Nilai p-value < nilai alfa maka Tidak Normal
 Model Normalitas test Keterangan
SARIMA (1,0,1) (0,1,1)12 0,010
Tidak Normal
< Nilai alfa (0,05)

• Kesimpulan Uji Model

Model SARIMA (1,0,1) (0,1,1)12 ternyata berdistribusi
tidak normal dengan nilai p-value yang kurang dari nilai alfa 0,05.
Untuk memperoleh model terbaik maka harus terpenuhi 3 syarat
yaitu harus signifikan pada estimasi parameter, harus whitw noise
pada diagnosing checking, dan yang terakhir harus berdistribusi
normal.
Apabila salah satu dari ketiga syarat itu tidak terpenuhi atau
dengan kata lain tidak signifikan, tidak white noise, dan tidak
berdistribusi normal maka model dikatakan tidak baik dan tidak
dapat diramalkan untuk periode kedepannya.
4. FORCASTING
Dapat diambil kesimpulan bahwa untuk data Produksi Bulanan
Perkebunan Karet Kering Nasional pada Tahun 2015-2018 ini tidak dapat
diramalkan dengan menggunakan metode SARIMA dikarenakan tidak
diperoleh satupun model terbaik dari beberapa model SARIMA yang
terbentuk. Oleh karena itu harus di coba menggunakan metode peramalan
lain yang mungkin akan menghasilkan data peramalan sesuai dengan yang
diinginkan peneliti.
 LAMPIRAN

1. SARIMA (1,0,1) (1,1,1)12

Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

AR 1 0,953 0,131 7,28 0,000

SAR 12 2,36 1,22 1,94 0,061

MA 1 0,010 0,223 0,05 0,964

SMA 12 1,38 1,85 0,75 0,459

Constant 0,000014 -0,000099 -0,14 0,890

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 9,51 12,16 * *

DF 7 19 * *

P-Value 0,218 0,879 * *

 2. SARIMA (1,0,1) (0,1,1)12
Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

AR 1 0,909 0,138 6,61 0,000

MA 1 0,065 0,231 0,28 0,779

SMA 12 -0,873 0,536 -1,63 0,114

Constant 0,000195 0,000440 0,44 0,661

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 8,92 9,81 * *

DF 8 20 * *

P-Value 0,349 0,971 * *

 3. SARIMA (1,0,1) (1,1,0)12
Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

AR 1 1,2146 0,0705 17,24 0,000

SAR 12 1,589 0,606 2,62 0,013

MA 1 0,783 0,205 3,81 0,001

Constant -0,000121 0,000057 -2,14 0,040

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 11,84 15,68 * *

DF 8 20 * *

P-Value 0,159 0,737 * *

 4. SARIMA (0,0,1) (1,1,1)12
Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

SAR 12 0,18 1,22 0,15 0,883

MA 1 -0,712 0,130 -5,48 0,000

SMA 12 -0,49 1,10 -0,45 0,658

Constant 0,000260 0,000949 0,27 0,786

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 15,36 16,97 * *

DF 8 20 * *

P-Value 0,053 0,655 * *

 5. SARIMA (0,0,1) (1,1,0)12
Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

SAR 12 0,486 0,795 0,61 0,546

MA 1 -0,719 0,129 -5,59 0,000

Constant 0,000052 0,000839 0,06 0,951

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 17,83 21,61 * *

DF 9 21 * *

P-Value 0,037 0,422 * *

 6. SARIMA (0,0,1) (0,1,1)12
Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

MA 1 -0,706 0,127 -5,58 0,000

SMA 12 -0,564 0,597 -0,94 0,352

Constant 0,000325 0,000745 0,44 0,665

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 14,82 16,54 * *

DF 9 21 * *

P-Value 0,096 0,738 * *

 7. SARIMA (1,0,0) (1,1,1)12
Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

AR 1 0,944 0,113 8,35 0,000

SAR 12 2,39 1,22 1,96 0,059

SMA 12 1,41 1,84 0,77 0,450

Constant 0,000018 -0,000096 -0,18 0,855

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 9,30 11,92 * *

DF 8 20 * *

P-Value 0,317 0,919 * *

 8. SARIMA (1,0,0) (0,1,1)12
Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

AR 1 0,877 0,121 7,26 0,000

SMA 12 -0,51 1,02 -0,50 0,624

Constant 0,000166 0,000479 0,35 0,731

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 8,42 10,36 * *

DF 9 21 * *

P-Value 0,492 0,974 * *

 9. SARIMA (1,0,0) (1,1,0)12
Final Estimates of Parameters

Type Coef SE Coef T-Value P-Value

AR 1 0,907 0,119 7,65 0,000

SAR 12 0,813 0,694 1,17 0,250

Constant 0,000044 0,000340 0,13 0,899

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48
Chi-Square 9,21 9,86 * *

DF 9 21 * *

P-Value 0,418 0,981 * *