LAPORAN

Oleh:

ADITYA NUGRAHA PRATAMA (H1091201027)

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

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

Tahun Bulan Periode Juta US$

Januari 1 36,40
Februari 2 32,10
Maret 3 32,90
April 4 33,10
2019 Mei 5 38,70
Juni 6 22,10
Juli 7 35,00
Agustus 8 33,50
September 9 31,60
Tahun Bulan Periode Juta US$
Oktober 10 37,80
November 11 33,30
Desember 12 36,90
Januari 13 38,60
Februari 14 35,70
Maret 15 34,00
April 16 23,40
Mei 17 21,40
Juni 18 25,10
2020
Juli 19 32,70
Agustus 20 31,20
September 21 35,20
Oktober 22 41,70
November 23 34,70
Desember 24 45,50
Januari 25 39,00
Februari 26 46,30
Maret 27 47,20
April 28 44,10
Mei 29 39,30
Juni 30 42,70
2021
Juli 31 40,50
Agustus 32 43,90
September 33 45,70
Oktober 34 48,70
November 35 55,70
Desember 36 64,00
Januari 37 51,80
Februari 38 47,20
Maret 39 61,30
April 40 56,40
Mei 41 35,70
Juni 42 54,80
2022
Juli 43 47,30
Agustus 44 46,90
September 45 44,60
Oktober 46 39,40
November 47 42,80
Desember 48 54,80
 Gambar 1. Plot Data Ekspor Provinsi Daerah Istimewa Yogyakarta

Tabel 2. Statistik Deskriptif

N Minimum Maksimum Rata - Rata Standar Deviasi
64 Juta
Ekspor 48 21,4 Juta US$ US$ 40,47 Juta US$ 9,63 Juta US$
Data yang digunakan merupakan data bulanan kegiatan ekspor di Provinsi Daerah
Istimewa Yogyakarta dari tahun 2019 – 2022. Jumlah observasi sebanyak 48 observasi/data.
Rata – rata kegiatan ekspor di Provinsi Daerah Istimewa Yogyakarta sebesar 40,47 juta US$.
Pada bulan Desember 2021, sektor pertanian dan industri pengolahan di Provinsi Daerah
Istimewa Yogyakarta mengalami peningkatan yang paling signifikan atau paling tinggi pada
rentang tahun 2019 -2022 yaitu 40,66% dibandingkan dengan desember tahun 2020 dengan nilai
ekspor di bulan Desember 2021 sebesar 64 juta US$. Sedangkan pada tahun 2020, kegiatan
ekspor di Provinsi Daerah Istimewa Yogyakarta menurun karena adanya wabah Covid-19,
dengan nilai ekspor terendah pada bulan Mei 2020.
Analisis Kestasioneran
1. Stasioner Dalam Varians
Berikut ini adalah persamaan transformasi untuk mendapatkan nilai lambda.
(λ)
y −1
T ( y t )= t
λ (1)

Keterangan:
T ( y t ) : Data hasil transformasi.
yt : Data dilakukan trasnformasi
λ : Rounded value

Tabel 3. Nilai Rounded Value (Nilai Lambda)

λ0 0,545
λ1 0,989

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

Gambar 3. Plot Rataan dalam Varians

2. Stasioner dalam Rataan

 Data yang digunakan pada uji ini yaitu data yang sudah ditransformasi sebanyak satu
kali.
Hipotesis
H0 : Data ekspor di Provinsi Daerah Istimewa Yogyakarta tidak stasioner dalam rataan.
H1 : Data ekspor di Provinsi Daerah Istimewa Yogyakarta stasioner dalam rataan.
Daerah Kritis (α ) = 0,05
Dasar Pengambilan Keputusan:
Probabilitas (P-value) ≥ Tingkat signifikansi = 0,05, maka terima H0
Probabilitas (P-value) < Tingkat signifikansi = 0,05, maka tolak H0
Hasil :
Tabel 5. Nilai Uji Stasioner dalam Rataan
P-value ADF
Level 0,386 -2,515
Differencing 1 0,045 -3,572

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

Gambar 4. Plot Stasioner dalam Rataan

Berdasarkan uji adf.test dan uji box-cox¸ data ekspor di Provinsi Daerah Istimewa
Yogyakarta telah stasioner dalam rataan dan varians.

Identifikasi Orde

Gambar 5. Plot ACF dan PACF Data

 Tabel 7. Nilai dari ACF dan PACF Data

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)

Maka dengan orde q = 1, persamaannya menjadi:

 y t =e t−θ 1 e t −1
(4)

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)

Maka dengan orde p = 1, persamaannya menjadi:

y t =ϕ 1 yt −1+ ϵ t
(6)

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)

Proses ARIMA (0,1,1)

Maka dengan orde p = 0, d = 1, q =1 , persamaannya menjadi:
y t = y t −1−θ 1 e t −1 + et
(9)

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

1. Untuk model ARIMA (1,1,0), untuk persamaannya menggunakan:

y t = y t −1 + ϕ1 ( y t−1− y t−2 ) +e t
(10)

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)

2. Untuk model ARIMA (0,1,1), untuk persamaannya menggunakan:

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)

3. Untuk model ARIMA (1,1,1), untuk persamaannya menggunakan:

 y t = y t −1 + ϕ1 ( y t−1− y t−2 ) +e t −θ1 et −1 (14)

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)

Uji Diagnostik Residual

1. Indepensi Residual
Uji indepensi atau kebebasan residual dilakukan dengan melihat plot residual ACF dari
ketiga model, apakah ada korelasi residual antar lag waktu dalam residual masing – masing
model. Adapun plot residual ACF dari ketiga model yaitu sebagai berikut.

Gambar 6. Model ARIMA (1,1,1) Gambar 7. Model ARIMA (1,1,0)

Gambar 8. Model ARIMA (0,1,1)

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)

Gambar 11. Plot Model ARIMA (0,1,1)

Dasar pengambilan keputusan uji normalitas menggunakan q-q plot yaitu sebagai berikut.
1. Dapat dikatakan terdistribusi normal, jika data atau titik menyebar disekitar garis
diagonal dan mengikuti arah garis diagonal.
2. Sebaliknya data dikatakan tidak terdistribusi normal, jika data atau titik menyebar jauh
dari arah garis atau tidak mengikuti diagonal.
Kesimpulan: berdasarkan Gambar 9, 10 dan 11, terlihat bahwa data residual dari ketiga model
ARIMA yang terbentuk, data residualnya menyebar disekitar garis diagonal dan mengikuti arah
garis diagonal, sehingga dapat disimpulkan bahwa ketiga model ARIMA tersebut, residualnya
berdistribusi normal.
 Selanjutnya, dilakukan uji komogorov smirnov.
1. Hipotesis.
H 0 : Residual berdistribusi normal

H 1 : Residual tidak berdistribusi normal

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.

Point Forecast Peramalan Data Transformasi Peramaln Data Asli

49 13,367 48,372
50 13,337 48,235
51 13,336 48,232
52 13,336 48,232
53 13,336 48,232

Gambar 13. Plot Peramalan Data Gambar 14. Plot Peramalan Data Asli
Transformasi
Gambar 15. Flowchart Proses ARIMA.