PRESENTASI (AutoRecovered)
PRESENTASI (AutoRecovered)
Oleh:
JURUSAN MATEMATIKA
UNIVERSITAS TANJUNGPURA
PONTIANAK
2023
DATA EKSPOR DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
Latar Belakang
Kegiatan Ekspor dan Impor menjadi peranan yang penting dalam kestabilan
perekonomian suatu negara, karena secara langsung akan mempengaruhi jumlah devisa suatu
negara. Selain itu, kegiatan ekspor dan impor juga berguna meningkatkan kerjasama dalam
perdagangan internasional dan membawa pengaruh yang besar bagi perluasan pasar barang dan
jasa negara. Nilai Ekspor memiliki pengaruh yang signifikan terhadap nilai tukar, sedangkan
nilai ekspor dan impor juga memiliki pengaruh yang signifikan terhadap daya beli. Nilai ekspor
yang tinggi akan menyebabkan permintaan terhadap mata uang dalam negeri (Rupiah) naik dan
menyebabkan nilai tukar Rupiah menguat, sedangkan jika nilai impor tinggi akan menyebabkan
permintaan terhadap mata uang lain meningkat, sehingga Rupiah melemah. Nilai ekspor yang
tinggi akan mengakibatkan tenaga kerja pada suatu negara terserap secara penuh sehingga
membuat pengangguran menjadi berkurang. Apabila pengangguran berkurang, maka akan
meningkatkan pendapatan perkapita negara tersebut, sehingga daya beli di masyarakat akan
meningkat. Namun, impor yang tinggi akan menurunkan produksi didalam negeri. Akibatnya,
pengangguran meningkat dan pendapatan perkapita menurun, sehingga daya beli masyarakat
juag menurun.
Kegiatan ekspor dan impor yang dilakukan di Provinsi Daerah Istimewa Yogyakarta
termasuk dalam sebuah provinsi yang menjadi tempat strategis dalam melaksanakan kegiatan
ekspor dan impor. Pada komoditas industri, nilai ekspor mengalami peningkatan. Melihat arti
penting sektor industri dan kontribusinya diharapkan pemerintah di Provinsi Daerah Istimewa
Yogyakarta menerapkan kebijakan perdagangan dalam sektor industri di Provinsi Yogyakarta.
Karena provinsi ini menjadi tempat yang strategis dalam melakukan kegiatan ekspor maupun
impor.
Adapun data ekspor dan impor di Provinsi Daerah Istimewa Yogyakarta yang digunakan
bersumber dari website Dataku yang berasal dari instansi Bappeda Provinsi Yogyakarta.
Tabel 1. Data Ekspor di Provinsi Yogyakarta.
Sumber: Bappeda Provinsi Yogyakarta
Keterangan:
T ( y t ) : Data hasil transformasi.
yt : Data dilakukan trasnformasi
λ : Rounded value
Berdasarkan persamaan (1), didapat nilai lambda pertama sebesar 0,54, sehingga
dilakukan transformasi pertama. Data yang telah ditransformasi dilanjutkan dengan pengujian
box-cox dan didapat nilai lambda sebesar 0,989 ≈ 1. Maka dapat disimpulkan, data ekspor di
Provinsi Daerah Istimewa Yogyakarta stasioner dalam varians.
Tabel 4. Data Hasil Transformasi Pertama.
11,19 10,49
[1] 10,328 10,533 11,634 8,087 10,915 10,614 10,224
1 2
11,46 11,28
[10] 10,574 11,615 11,054 10,715 8,402 7,915 8,801
2 8
10,45 10,95
[19] 10,141 12,193 10,855 12,877 11,690 13,017 13,174
1 5
12,62 12,37
[28] 11,747 11,972 12,592 12,912 13,432 14,592 15,885
8 6
13,95 15,47
[37] 13,174 14,705 11,054 14,447 13,191 13,122 12,717
5 4
11,76 14,44
[46] 12,394
6 7
Gambar 2. Transformasi Pertama
Kesimpulan : Karena nilai p-value ≥ α , maka H0 diterima. Akibatnya, data ekspor di Provinsi
Daerah Istimewa Yogyakarta tidak stasioner dalam rataan. Untuk mengatasi data tidak stasioner
dalam rataan, maka dilakukan differencing. Adapun hasil dari differencing pertama seperti yang
tertera pada tabel 2. Data yang sudah dilakukan differencing menghasilkan p-value > α yang
menyebabkan H0 ditolak. Akibatnya, data ekspor di Provinsi Daerah Istimewa Yogyakarta
stasioner dalam rataan.
Adapun persamaan untuk melakukan differencing pada data yaitu sebagai berikut.
∇ X t =X t −X t −1
(2)
Keterangan:
∇ Xt : Data hasil differencing pertama
Xt : Data observasi ke-t
X t −1 : Nilai masa lalu dalam deret waktu data ekspor pada saat t−1
Data yang dilakukan differencing adalah data hasil transformasi pertama pada pengujian
stasioner dalam varians. Data hasil differencing menggunakan persamaan (2) disajikan pada tabel
berikut.
Tabel 6. Data hasil differencing pertama.
[1] -0,863 0,164 0,041 1,101 -3,546 2,828 -0,301 -0,390
[9] 1,238 -0,888 0,715 0,326 -0,561 -0,338 -2,314 -0,487
[17] 0,886 1,650 -0,311 0,814 1,238 -1,338 2,021 -1,186
[25] 1,327 0,157 -0,546 -0,881 0,629 -0,404 0,621 0,320
[33] 0,520 1,160 1,293 -1,931 -0,781 2,300 -0,769 -3,651
[41] 3,393 -1,256 -0,069 -0,405 -0,951 0,628 2,053
Berdasarkan uji adf.test dan uji box-cox¸ data ekspor di Provinsi Daerah Istimewa
Yogyakarta telah stasioner dalam rataan dan varians.
Identifikasi Orde
Lag ke ρk ϕ kk
1 -0,395 -0,395
2 -0,072 -0,271
3 -0,157 0,018
4 -0,087 -0,026
5 -0,054 -0,083
6 -0,043 -0,055
7 -0,135 -0,19
8 -0,005 -0,176
9 -0,079 -0,057
10 -0,046 -0,036
11 -0,11 -0,195
12 0,188 -0,006
13 -0,084 -0,069
14 0,119 0,119
15 0,021 0,095
16 -0,054 0,051
Adapun model yang mungkin terbentuk untuk setiap orde yaitu sebagai berikut.
Tabel 8. Model yang Mungkin Terbentuk
Model Keterangan
MA(1) Pada plot ACF terjadi cut-off setelah lag 1
AR(1) Pada plot PACF terjadi cutt-off pada lag 1
ARIMA (1,1,1) Data yang digunakan untuk membentuk plot ACF dan PACF telah
dilakukan differencing sebanyak satu kali dan pada plot ACF dan PACF
terjadi cutt-off pada lag1
ARIMA (1,1,0) Pada plot PACF terjadi cutt-off pada lag 1 sehingga membentuk AR(1) dan
terjadi differencing sebanyak satu kali
ARIMA (0,1,1) Pada plot ACF terjadi cutt-off pada lag 1 sehingga membentuk MA(1) dan
terjadi differencing sebanyak satu kali
Proses MA(1)
Adapun persamaan umumnya sebagai berikut.
y t =e t−θ 1 e t −1 −…−θ q et −q (3)
Proses AR(1)
Adapun persamaan umumnya sebagai berikut.
y t =ϕ 1 yt −1+ ϕ 2 y t −2+ …+ϕ p y t− p + ϵ t
(5)
Proses ARIMA(1,1,1)
Maka dengan orde p = 1, q=1 dan d=1 ,persamaannya menjadi:
y t = y t −1 + ϕ1 ( y t−1− y t−2 ) +e t −θ1 et −1
(7)
Proses ARIMA(1,1,0)
Maka dengan orde p = 1, d = 1, q =0 , persamaannya menjadi:
y t = y t −1 + ϕ1 ( y t−1− y t−2 ) +e t
(8)
Estimasi Parameter
Menggunakan Data Transformasi
Data yang digunakan dalam estimasi parameter merupakan hasil transformasi pertama pada
Tabel 4 diatas. Untuk melakukan estimasi parameter, pada orde differencing dituliskan 1 karena
data yang digunakan pada estimasi parameter adalah data yang sudah stasioner dalam rataan dan
varian, sehingga pada orde differencing dituliskan 1. Adapun model yang mungkin untuk
dilakukan estimasi parameter berdasarkan identifikasi orde adalah sebagai berikut.
1. ARIMA (1,1,0)
2. ARIMA (0,1,1)
3. ARIMA (1,1,1)
Selanjutnya akan dilakukan estimasi parameter untuk setiap model yang mungkin
berdasarkan persamaan umum yang telah diperoleh pada identifikasi orde menggunakan
software R dan diperoleh hasil sebagai berikut.
Tabel 9. Hasil Estimasi Parameter Menggunakan Data Transformasi Pertama
Model Parameter AIC
ARIMA (1,1,0) ϕ1 -0,406 161,96
ARIMA (0,1,1) θ1 -0,548 158,57
ARIMA (1,1,1) ϕ1 0,028
160,57
θ1 -0,571
Berdasarkan Tabel 9, pada model ARIMA (1,1,0), jika parameter yang diperoleh
disubstitusi ke persamaan (10) diperoleh persamaan (11) sebagai berikut.
y t = y t −1−0,406 ( y t−1− y t−2 )
^
(11)
y t = y t −1−θ 1 e t −1 + et
(12)
Berdasarkan Tabel 11, pada model ARIMA (0,1,1), jika parameter yang diperoleh
disubstitusi ke persamaan (12), diperoleh persamaan (13) sebagai berikut.
^
y t = y t −1 +0,548 e t −1
(13)
Berdasarkan Tabel 11, pada model ARIMA (1,1,1), jika parameter yang diperoleh
disubstitusi ke persamaan (14), diperoleh persamaan (15) sebagai berikut.
y t = y t −1 +0,028 ( y t −1− y t −2 ) + 0,571e t −1
^
(15)
Berdasarkan Gambar 6, 7 dan 8 , diperoleh informasi bahwa tidak ada korelasi residual
antar lag waktu untuk ketiga model yang terbentuk. Hal tersebut dikarenakan semua nilai lag
pada plot residual ACF masuk dalam batas signifikansi untuk semua model ARIMA yang
terbentuk. Maka, dilanjutkan dengan uji normalitas.
2. Normalitas Residual
Uji normalitas digunakan menguji apakah residual data ketiga model ARIMA yang
terbentuk berdistribusi normal atau tidak. Pengujian ini dapat diuji melalui q-q plot dan uji
kolmogorov smirnov. Untuk uji q-q plot disajikan pada gambar berikut.
Gambar 9. Plot Model ARIMA (1,1,1) Gambar 10. Plot Model ARIMA (1,1,0)
2. Taraf signifikansi
α =0 , 05
3. Hasil
Tabel 10. Uji Normalitas Model
Model D p-value
ARIMA
(1,1,1) 0,126 0,398
ARIMA
(1,1,0) 0,112 0,547
ARIMA
(0,1,1) 0,127 0,386
4. Daerah kritis
H 0 ditolak jika p-value < α =0 , 05
5. Kesimpulan
Karena semua model ARIMA yang terbentuk menghasilkan p-value ≥ α =0 , 05 ,
maka H 0 diterima. Artinya bahwa residual dari ketiga model ARIMA
berdistribusi normal.
Berdasarkan uji kebebasan residual dan uji normalitas, model ARIMA (1,1,1), ARIMA (1,1,0)
dan ARIMA (0,1,1) bersifat white noise. Selanjutnya akan dipilih model terbaik berdasarkan
nilai AIC, MAPE dan MSE terkecil. Adapun nilai AIC, MAPE dan MSE disajikan pada Tabel 13
berikut.
Tabel 11. Pemilihan Model Terbaik
Model AIC MAPE MSE
ARIMA (1,1,1) 160,57 8,173 1,524
ARIMA (1,1,0) 161,96 8,687 1,646
ARIMA (0,1,1) 158,57 8,181 1,525
Berdasarkan Tabel 13, model ARIMA (1,1,1) terpilih menjadi model terbaik diantara
ketiga model ARIMA yang terbentuk. Model ARIMA (1,1,1) digunakan untuk memprediksi data
ekspor di Provinsi Daerah Istimewa Yogyakarta.
PREDIKSI
Model ARIMA (1,1,1) menghasilkan persamaan (15), dimana model tersebut
menggunakan data hasil transformasi pertama sehingga model perlu dikembalikan ke persamaan
yang menggunakan data awal sehingga model dapat memprediksi data yang sebenarnya. Adapun
langkah – langkah dalam mengembalikan model transformasi ke persamaan awal yaitu sebagai
berikut.
λ
y t −1
T ( y t )=z t =
λ
λ
z t . λ= y t −1
1
y t =( z t . λ+1 ) λ
1
y t =( z t . 0,545+1 ) 0,545 (16)
Menggunakan persamaan (16), misalkan data pertama dari tranformasi diubah menjadi
data awal, hasilnya sebagai berikut.
1
y t =( z t . 0,545+1 ) 0,545
1
y 1=( z 1 . 0,545+1 ) 0,545
1
0,545
y 1=( 11,191 . 0,545+1 )
y 1=36 , 4
Hasil yang diperoleh sudah sesuai dengan data awal. Karena z t merupakan data yang sudah
ditransformasi yang nilainya sama dengan ^ y t pada persamaan diatas, sehingga z t =^
yt .
Selanjutnya substitusi persamaan (15) ke persamaan (16) untuk mendapatkan model yang dapat
memprediksi atau meramalkan data ekspor di Provinsi Yogyakarta.
y t =¿
(17)
Gambar 12. Perbandingan Plot Data Asli dan Plot Hasil Peramalan
Berdasarkan Gambar 12, warna garis hijau mewakili data asli dan garis warna merah
mewakili data hasil prediksi. Menggunakan persamaan (17), hasil prediksi lima periode kedepan
data ekspor di Provinsi Kalimantan Barat adalah sebagai berikut.
Gambar 13. Plot Peramalan Data Gambar 14. Plot Peramalan Data Asli
Transformasi
Gambar 15. Flowchart Proses ARIMA.