Disusun Oleh:
Adjie Dwi Sulistyono (M0719005)
Berlyana Ayu Prasasti (M0719029)
Jihan Alya Salsabila (M0719057)
Renita Anggun Kurnia (M0719085)
i
DAFTAR ISI
HALAMAN JUDUL................................................................................................ i
DAFTAR ISI ........................................................................................................... ii
DAFTAR GAMBAR ............................................................................................. iv
DAFTAR TABEL .................................................................................................. iv
BAB I PENDAHULUAN ....................................................................................... 1
1. 1 Latar Belakang ......................................................................................... 1
1. 2 Rumusan Masalah .................................................................................... 2
1. 3 Tujuan Penelitian ...................................................................................... 2
1. 4 Manfaat Penelitian .................................................................................... 2
BAB II TINJAUAN PUSTAKA............................................................................. 4
2. 1 Data Runtun Waktu .................................................................................. 4
2. 2 Stasioneritas.............................................................................................. 4
2. 3 Transformasi Box-Cox .............................................................................. 5
2. 4 Differencing .............................................................................................. 5
2. 5 Fungsi Autokorelasi (ACF) ...................................................................... 5
2. 6 Fungsi Autokorelasi Parsial (PACF) ........................................................ 6
2. 7 Autoregressive (AR) ................................................................................. 6
2. 8 Moving Average (MA) ............................................................................. 7
2. 9 Autoregressive Moving Average (ARMA) ............................................... 7
2. 10 Autoregressive Integrated Moving Average (ARIMA) ........................ 8
2. 11 Uji Diagnostik Model ........................................................................... 8
2.11.1 Uji Normalitas ................................................................................... 8
2.11.2 Uji Independensi ............................................................................... 9
2. 12 Pemilihan Model Terbaik ................................................................... 10
BAB III METODOLOGI PENELITIAN.............................................................. 11
3. 1 Sumber Data ........................................................................................... 11
3. 2 Variabel Penelitian ................................................................................. 11
3. 3 Metode Analisis Data ............................................................................. 11
3. 4 Langkah Analisis .................................................................................... 11
3. 5 Diagram Alir ........................................................................................... 12
BAB IV PEMBAHASAN ..................................................................................... 14
ii
4.1 Deskripsi Data ........................................................................................ 14
4.2 Penentuan Data Insample dan Outsample .............................................. 15
4.3 Identifikasi Model .................................................................................. 15
4.4 Estimasi Parameter dan Uji Signifikansi Parameter ............................... 18
4.5 Uji Diagnostik ........................................................................................ 19
4.5.1 Uji Normalitas ................................................................................. 19
4.5.2 Uji Independensi ............................................................................. 20
4.6 Peramalan untuk Data Outsample .......................................................... 21
4.6.1 Peramalan dengan Model ARIMA(0,1,1) ....................................... 21
4.6.2 Peramalan dengan Model ARIMA(1,1,0) ....................................... 22
4.7 Pemilihan Model Terbaik ....................................................................... 23
4.8 Peramalan Nilai Ekspor Migas Januari 2022 ......................................... 24
BAB V PENUTUP ................................................................................................ 25
5.1 Kesimpulan ............................................................................................. 25
5.2 Saran ....................................................................................................... 25
DAFTAR PUSTAKA ........................................................................................... 26
LAMPIRAN .......................................................................................................... 28
iii
DAFTAR GAMBAR
DAFTAR TABEL
Tabel 4. 1 Statistik Deskriptif Data Nilai Ekspor Migas Indonesia Tahun 2011 –
2021 ....................................................................................................................... 14
Tabel 4. 2 Hasil Estimasi Parameter..................................................................... 18
Tabel 4. 3 Hasil Uji Signifikansi Parameter ......................................................... 19
Tabel 4. 4 Ringkasan Nilai P-value Uji Normalitas ............................................. 19
Tabel 4. 5 Hasil Uji Independensi Residual ......................................................... 20
Tabel 4. 6 Nilai Peramalan Data Outsample dengan Model ARIMA(0,1,1) ....... 21
Tabel 4. 7 Nilai Peramalan Data Outsample dengan Model ARIMA(1,1,0) ....... 22
Tabel 4. 8 Ringkasan Nilai MAPE Masing-masing Model.................................. 24
iv
BAB I
PENDAHULUAN
1. 1 Latar Belakang
Pertumbuhan ekonomi merupakan salah satu faktor keberhasilan
dalam pembangunan perekonomian suatu negara (Kertayuga dkk, 2021).
Peningkatan permintaan ekspor dan penurunan permintaan impor dapat
membantu menumbuhkan perekonomian. Peningkatan permintaan ekspor
berarti produksi dalam negeri akan meningkat dan dapat memancing
pergerakan roda perekonomian dalam negeri, sehingga perekonomian dalam
negeri akan tumbuh dan meningkat.
Ekspor adalah pengiriman barang dan jasa yang dijual oleh penduduk
suatu negara kepada penduduk negara lain untuk mendapatkan mata uang
asing dari negara pembeli. (BPS, 2016). Secara umum, ekspor dibagi
menjadi ekspor non migas dan ekspor migas. Ekspor migas merupakan
ekspor dengan komoditi berupa minyak bumi dan gas alam yang terbagi
menjadi tiga komoditi utama, yaitu minyak mentah, hasil minyak, dan gas
alam (BPS, 2016).
Menurut Kementerian Perdagangan Indonesia, perdagangan ekspor
migas Indonesia adalah sebesar 33.674,6 juta dolar US di tahun 2019,
22.507,9 juta dolar US di tahun 2020, dan 37.904,7 juta dolar US di tahun
2021. Hal ini mengindikasikan bahwa ekspor migas Indonesia mengalami
kenaikan dan penurunan setiap tahunnya. Sementara itu, kegiatan ekspor
sangat berpengaruh terhadap pendapatan negara karena jika dapat menekan
impor maka akan memberikan surplus pada neraca perdagangan (Razak &
Jaya, 2014). Kegiatan ekspor, salah satunya ekspor migas, dapat menjadi
mesin pertumbuhan bagi negara karena akan meningkatkan devisa yang
akan membentuk nilai tambah (Salsabila, 2021).
Untuk itu, Indonesia perlu meningkatkan ekspor negara demi
menumbuhkan perekonomian negara. Diperlukan suatu prediksi atau
peramalan untuk menentukan seberapa besar ekspor dan impor barang yang
harus dijalankan negara, sehingga diharapkan strategi pengembangan sektor
perekonomian negara dapat berjalan dengan tepat sasaran.
1
Berdasarkan uraian di atas, peneliti tertarik melakukan peramalan nilai
ekspor migas Indonesia menggunakan metode Autoregressive Integrated
Moving average (ARIMA). Nilai peramalan yang dihasilkan dalam analisis
ini diharapkan dapat menjadi suatu pertimbangan bagi pemerintah Indonesia
dalam mengambil keputusan atau kebijakan terkait ekspor migas pada
periode yang akan datang.
1. 2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, rumusan masalah
dalam penelitian ini adalah sebagai berikut.
a. Bagaimana model peramalan terbaik untuk data nilai ekspor migas
Indonesia menggunakan metode Autoregressive Integrated Moving
average (ARIMA)?
b. Bagaimana hasil peramalan nilai ekspor migas Indonesia bulan
Januari 2022 berdasarkan model terbaik yang didapatkan dari
metode Autoregressive Integrated Moving average (ARIMA)?
1. 3 Tujuan Penelitian
Berdasarkan permasalahan yang diuraikan dalam rumusan masalah,
maka tujuan penelitian ini adalah sebagai berikut.
a. Mengetahui model peramalan terbaik untuk data nilai ekspor migas
Indonesia menggunakan metode Autoregressive Integrated Moving
average (ARIMA).
b. Menentukan hasil peramalan nilai ekspor migas Indonesia bulan
Januari 2022 berdasarkan model terbaik yang didapatkan dari
metode Autoregressive Integrated Moving average (ARIMA).
1. 4 Manfaat Penelitian
Manfaat yang dapat diambil dari penelitian ini antara lain dapat
dijadikan bahan rujukan dalam upaya pengembangan untuk meramalkan
data atau keadaan yang akan datang berdasarkan data yang sudah terjadi
sebelumnya. Selain itu, dapat digunakan sebagai bahan referensi bagi
peneliti yang ingin melakukan kajian penelitian menggunakan pendekatan
metode Autoregressive Integrated Moving average (ARIMA). Sementara
2
itu, manfaat bagi pemerintah yaitu diharapkan dapat menjadi suatu
pertimbangan dalam mengambil keputusan atau kebijakan terkait ekspor
migas pada periode yang akan datang.
3
BAB II
TINJAUAN PUSTAKA
2. 2 Stasioneritas
Data yang stasioner dapat diartikan data yang bergerak horizontal di
sekitar nilai rata-rata yang konstan, tidak dipengaruhi oleh waktu dan
variansi dari fluktuasi itu sendiri. Stasioneritas data secara eksplorasi dapat
dilihat melalui plot runtun waktu dengan sumbu horizontal adalah waktu,
sementara sumbu vertikal adalah nilai dari data runtun waktu. Plot runtun
waktu yang tidak menunjukkan adanya pola yang cenderung menaik atau
menurun secara signifikan, menyatakan bahwa data telah stasioner.
Stasionertitas juga dapat diidentifikasi dengan melihat plot Autocorrelation
Function (ACF). Plot ACF yang tidak menurun lambat secara eksponensial,
menyatakan bahwa data telah stasioner (Cryer JD, 2008).
Stasioneritas dibagi menjadi dua, yaitu stasioner dalam variansi dan
stasioner dalam rata-rata. Data runtun waktu dikatakan stasioner dalam
variansi apabila mempunyai fluktuasi data yang tetap atau konstan. Hal
tersebut dapat dilihat berdasarkan plot runtun waktu data, yaitu dengan
melihat fluktuasi data dari waktu ke waktu (Wei, 2006). Stasioner dalam
rata-rata berarti bahwa data memiliki fluktuasi di sekitar suatu nilai rata-rata
yang konstan, tidak bergantung pada waktu dan variansi dari fluktuasi
tersebut. Apabila dilihat dari plot ACF, maka nilai-nilai autokorelasi dari
data stasioner akan turun menuju nol sesudah lag kelima atau keenam.
4
2. 3 Transformasi Box-Cox
Transformasi Box-Cox digunkaan untuk menstabilkan varian dalam
suatu data runtun waktu. Transformasi log dan akar kuadrat merupakan
anggota dari keluarga power transformation yang disebut Box-Cox
1
Transformation jika diperoleh 𝜆 = 0 (Box dkk, 1964). Untuk 𝜆 = 2 maka
2. 4 Differencing
Differencing digunakan untuk mengatasi data yang tidak stasioner
dalam rata-rata. Differencing dibagi menjadi dua, yakni differencing biasa
dan differencing musiman. Jika data tidak mempunyai rata-rata yang
konstan, dapat dilakukan differencing pertama atau 𝑑 = 1 dengan rumus
sebagai berikut.
𝑊𝑡 = 𝑌𝑡 − 𝑌𝑡−1
Jika differencing pertama belum membuat data runtun waktu memiliki
rata-rata yang konstan, maka dilakukan differencing kedua atau 𝑑 = 2.
Differencing musiman merupakan pergeseran data secara musiman
berdasarkan periode waktu tertentu. Jika 𝑑 = 0 dan differencing musiman
atau 𝐷 = 1 dihitung untuk semua t sebagai
𝑊𝑡 = 𝑌𝑡 − 𝑌𝑡−𝑠
Jika transformasi telah digunakan untuk menstabilkan variansi,
differencing musiman digunakan untuk 𝑌𝑡 . Differencing musiman digunakan
untuk menghapus sebagian besar data musiman (Pankratz, 1991).
5
(𝐸[𝑌𝑡 − 𝜇)(𝑌𝑡−𝑘 − 𝜇) 𝑐𝑜𝑣(𝑌𝑡 , 𝑌𝑡−𝑘 ) 𝛾𝑘
𝜌𝑘 = = =
√𝐸[(𝑌𝑡 − 𝜇)2 ]𝐸[(𝑌𝑡−𝑘 − 𝜇)2 ] 𝑣𝑎𝑟(𝑌𝑡 ) 𝑐
2. 7 Autoregressive (AR)
Proses autoregressive dikembangkan oleh Box dan Jenkins pada
tahun 1976. Proses ini mengasumsikan bahwa time series mempunyai
rata-rata konstan dan varian konstan untuk semua waktu, kondisi
ini disebut stasioner. Proses autoregressive merupakan proses dimana
nilai 𝑌𝑡 merupakan nilai data dari runtun waktu sebelumnya, persamaan
dapat ditulis sebagai berikut.
𝑌𝑡 = 𝜋1 𝑌𝑡−1 + 𝜋2 𝑌𝑡−2 + ⋯ + 𝑎𝑡
Dari representasi autoregressive di atas, jika bobot 𝜋 berhingga adalah
tidak nol, yaitu 𝜋1= 𝜙1, 𝜋2= 𝜙2, ..., 𝜋𝑝= 𝜙𝑝, dan 𝜋k = 0 untuk k > p, maka
proses yang dihasilkan dikatakan sebagai proses autoregressive dari urutan
p, yang dilambangkan sebagai AR (p).
6
2. 8 Moving Average (MA)
Proses moving average (MA) nilai dari time series saling
berhubungan dengan error dari periode waktu sebelumnya. Proses moving
average merupakan proses untuk memodelkan prediksi 𝑌𝑡 sebagai fungsi
dari kesalahan prediksi di runtun waktu sebelumnya. Proses moving average
akan selalu bersifat stasioner (Wei, 2006). Persamaan dapat dituliskan
sebagai berikut.
𝑌𝑡 = 𝑎𝑡 + 𝜃1 𝑎𝑡−1 + 𝜃2 𝑎𝑡−2 + ⋯ + 𝜃𝑞 𝑎𝑡−𝑞
Menurut Montgomery (2008), nilai ACF sangat membantun
mengindentifikasi model MA. Hal ini ditunjukkan dengan order cut off tepat
setelah lag q.
7
2. 10 Autoregressive Integrated Moving Average (ARIMA)
Model ARIMA dibangun pada data yang telah stasioner dan
sebelumnya dilakukan differencing. Notasi modelnya dapat dituliskan
menjadi ARIMA(p,d,q) dimana p merupaka notasi AR, d merupakan notasi
untuk differencing, dan q merupakan notasi MA, didapat persamaan model
sebagai berikut.
𝜙𝑝 (𝐵)(1 − 𝐵)𝑑 𝑍𝑡 = 𝜃𝑞 (𝐵)𝑎𝑡 ; {𝑎𝑡 }~𝑊𝑁(0, 𝜎 2 )
Dengan 𝜙𝑝 (𝐵) dan 𝜃𝑞 (𝐵) merupakan derajat polinomial dari p dan q,
𝜙𝑝 (𝐵) ≠ 0 untuk |𝜙𝑝 (𝐵)| < 1 (Brockwell, 2002).
8
ii. Menghitung statistik uji dengan rumus:
𝐷ℎ𝑖𝑡 = [F0(x)-Sn(x)]
Dimana :
F0(x) : proporsi frekuensi distribusi kumulatif teoritik
dibandingkan dengan banyaknya sampel penelitian
Sn(x) : proporsi frekuensi distribusi kumulatif hasil
observasi dibandingkan dengan banyaknya sampel penelitian
iii. Daerah kritis
H0 ditolak jika 𝐷ℎ𝑖𝑡 > Dtabel dengan Dtabel adalah D(n) atau p-
value <
Dimana :
n = jumlah observasi
k = lag waktu
m = jumlah lag yang diuji
rk = fungsi autokorelasi sampel dari residual
iii. Daerah kritis : H0 ditolak jika Q a2 atau p-value < α
9
2. 12 Pemilihan Model Terbaik
Penggunaan metode peramalan tergantung pada pola data yang akan
dianalisis. Jika metode yang digunakan sudah dianggap benar untuk
melakukan peramalan, maka pemilihan metode peramalan terbaik
didasarkan pada tingkat kesalahan prediksi (Santoso, 2009). Seperti
diketahui bahwa tidak ada metode peramalan yang dapat dengan tepat
meramalkan keadaan data di masa yang akan datang. Oleh karena itu, setiap
metode peramalan pasti menghasilkan kesalahan. Jika tingkat kesalahan
yang dihasilkan semakin kecil, maka hasil peramalan akan semakin
mendekati tepat. Salah satu metode untuk menentukan model terbaik adalah
dengan melihat nilai MAPE.
Mean Absolute Percentage Error (MAPE) dihitung dengan
menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai
observasi yang nyata untuk periode itu. Kemudian, merata-rata kesalahan
persentase absolut tersebut. Pendekatan tersebut berguna ketika ukuran atau
besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan.
MAPE mengindikasi seberapa besar kesalahan dalam meramal yang
dibandingkan dengan nilai nyata. Rumusnya adalah sebagai berikut :
n
X − Fi
MAPE = i (100) / n
i =1 X i
𝑋𝑖 : Nilai aktual
𝐹𝑖 : Nilai prediksi
n : Banyaknya data
10
BAB III
METODOLOGI PENELITIAN
3. 1 Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari situs resmi Badan Pusat Statistik (BPS), yaitu data bulanan
nilai ekspor migas tahun 2011 – 2021 dengan total data sebanyak 132 data.
3. 2 Variabel Penelitian
Variabel yang digunakan dalam penelitian ini adalah nilai ekspor
migas yang diberikan secara bulanan mulai dari tahun 2011 – 2021. Data
dibagi menjadi dua, yaitu 108 data awal sebagai data insample dan 24 data
akhir sebagai data outsample.
3. 4 Langkah Analisis
Pada penelitian ini, digunakan bantuan software Minitab untuk
melakukan analisis menggunakan metode ARIMA terhadap data nilai
ekspor migas. Berikut ini merupakan langkah dalam melakukan analisis
menggunakan metode ARIMA:
a. Mempersiapkan data nilai ekspor migas periode Januari 2011 sampai
Desember 2021.
b. Membagi data menjadi dua bagian, yaitu insample dan outsample. Data
insample digunakan untuk pembentukan model, sementara data
outsample digunakan untuk menguji model yang terbentuk.
c. Setelah mempersiapkan dan membagi data, tahapan analisis dimulai
dengan melakukan analisa deskriptif pada data dan membentuk plot time
series untuk melihat pola data.
11
d. Melakukan analisis ARIMA yang dimulai dengan pemeriksaan
kestasioneran data yang meliputi stasioneritas dalam ragam (varians) dan
stasioneritas dalam rata-rata (mean).
e. Jika data tidak stasioner dalam ragam (varians) dapat diatasi dengan
melakukan transformasi, sedangkan untuk mengatasi data yang tidak
stasioner dalam rata-rata (mean) dapat dilakukan differencing.
f. Setelah data memenuhi asumsi stasioneritas, dapat dilakukan identifikasi
pola ACF dan PACF untuk memperoleh dugaan sementara model
ARIMA.
g. Melakukan estimasi parameter.
h. Melakukan diagnostic checking terhadap kemungkinan model yang
diperoleh. Meliputi pemeriksaan asumsi white noise dan pengujian
distribusi normal pada residual.
i. Melakukan pemilihan model terbaik berdasarkan kriteria asumsi yang
terpenuhi, yaitu signifikansi parameter, kenormalan residu, tidak adanya
autokorelasi (white noise) pada residu, dan nilai error terkecil.
j. Langkah terakhir yaitu melakukan peramalan data menggunakan model
yang telah dipilih.
3. 5 Diagram Alir
Proses yang menampilkan langkah-langkah dengan simbol yang
menghubungkan masing-masing langkah tersebut menggunakan tanda
panah. Berdasarkan langkah analisis yang dilakukan, dapat digambarkan
suatu diagram alir seperti pada Gambar 3.1 berikut.
12
Data nilai
ekspor migas
Membagi data
menjadi dua
Data di
Identifikasi Transformasi
stasioneritas data Data di
Differencing
Ya
Tidak
Uji signifikansi dan
diagnostic checking
Pemilihan Model
Terbaik
Forecasting
Selesai
13
BAB IV
PEMBAHASAN
Pada bab ini akan dilakukan peramalan untuk data jumlah ekspor migas
Indonesia menggunakan model Autoregressive Integrated Moving Average
(ARIMA).
4.1 Deskripsi Data
Data yang digunakan dalam analisis ini adalah data sekunder tentang
nilai ekspor migas Indonesia tahun 2011 – 2021. Data ini diambil dari
website resmi Badan Pusat Statistik. Hasil statistik deskriptif dan Plot data
disajikan pada Tabel 4.1 dan Gambar 4.1.
Tabel 4. 1 Statistik Deskriptif Data Nilai Ekspor Migas Indonesia Tahun 2011 – 2021
Std.
Variabel N Minimun Maksimum Mean
Deviation
Ekspor
132 560,9 4091,6 1803,1689 949,4079
Migas
Tabel 4.1 menunjukkan bahwa ekspor migas terendah sebesar 560,9
yang terjadi pada Mei 2020 dan tertinggi sebesar 4091,6 yang terjadi pada
Agustus 2011. Rata-rata jumlah ekspor migas dari tahun 2011 – 2021
sebesar 1803,1689.
Gambar 4. 1 Plot Data Nilai Ekspor Migas Indonesia Tahun 2011 – 2021
14
4.2 Penentuan Data Insample dan Outsample
Untuk membuat model peramalan dan menguji model yang dibuat,
maka data dibagi menjadi data insample sebanyak 108 data (Januari 2011 –
Desember 2019) dan data outsample sebanyak 24 data (Januari 2020 –
Desember 2021). Plot data insample disajikan pada Gambar 4.2.
15
Gambar 4.3 menunjukkan bahwa nilai rounded value sebesar 0,50,
sehingga dapat disimpulkan data belum stasioner terhadap variansi. Oleh
karena itu dilakukan transformasi √𝑍𝑡 (Wei, 2006). Data hasil transformasi
kemudian dilakukan analisis Box-Cox Plot kembali dan didapatkan hasil
seperti pada Gambar 4.4.
16
yang mengindikasikan data memiliki fluktuasi yang tinggi. Oleh karena itu
dapat disimpulkan bahwa data belum stasioner terhadap mean. Untuk
mengatasi masalah ini, maka dilakukan proses differencing (Salwa dkk,
2018). Plot data hasil differencing disajikan pada Gambar 4.6.
17
Gambar 4. 8 Plot PACF Data Difference
18
Kemudian dilakukan uji signifikansi untuk masing-masing parameter yang
telah didapat. Hasil uji signifikansi masing-masing model ARIMA tersaji
pada Tabel 4.3.
Model P-value
ARIMA(0,1,1) > 0,150
ARIMA(1,1,0) > 0,150
19
Tabel 4.4 menunjukkan ringkasan nilai p-value untuk uji
normalitas dari masing-masing model yang memiliki
parameter signifikan.
v. Kesimpulan
Karena kedua model memiliki 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 0,05, maka
𝐻0 gagal ditolak. Sehingga dapat disimpulkan bahwa
residual pada kedua model berdistribusi normal.
4.5.2 Uji Independensi
Pengujian independensi ini menggunakan uji Ljung Box-
Pierce untuk memeriksa kebebasan antar 𝑒𝑡 berdasarkan
autokorelasi pada 𝑒𝑡 , yang mana uji Ljung Box-Pierce mengikuti
sebaran 𝒬~𝜒 2 .
i. Hipotesis
𝐻0 ∶ 𝜌 = 0 (Tidak terdapat autokorelasi/ Residual white
noise)
𝐻1 ∶ 𝜌 ≠ 0 (Terdapat autokorelasi/ Residual tidak white
noise)
ii. Tingkat signifikansi
𝛼 = 0,05
iii. Daerah kritis
𝐻0 ditolak jika nilai p-value < 0,05
iv. Statistik uji dan kesimpulan
20
48 0,594 white noise
Tabel 4.5 menunjukkan ringkasan nilai p-value dan
hasil uji independensi dari masing-masing model yang
memiliki parameter signifikan. Karena p-value bernilai >
0,05, maka dapat disimpulkan bahwa kedua model
memenuhi asumsi independensi residual.
21
Sep-20 667,3 610,1561 Sep-21 932,8 1058,62
Oct-20 614,5 640,347 Oct-21 1025,3 990,4544
Nov-20 762,2 626,481 Nov-21 1332,4 1008,984
Dec-20 1018,8 697,287 Dec-21 1093,4 1176,07
22
May-20 560,9 587,9888 May-21 968,4 936,369
Jun-20 567,4 561,4686 Jun-21 1232,1 965,5537
Jul-20 660,4 564,3143 Jul-21 1009,6 1103,153
Aug-20 599,6 615,4386 Aug-21 1066,8 1112,305
Sep-20 667,3 628,0532 Sep-21 932,8 1039,491
Oct-20 614,5 634,7589 Oct-21 1025,3 995,1953
Nov-20 762,2 639,256 Nov-21 1332,4 980,91
Dec-20 1018,8 690,2091 Dec-21 1093,4 1181,827
23
Tabel 4. 8 Ringkasan Nilai MAPE Masing-masing Model
24
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan analisis yang telah dilakukan, dapat disimpulkan bahwa:
a. Model peramalan terbaik untuk data nilai ekspor migas Indonesia
adalah model ARIMA(1,1,0) dengan model peramalan sebagai
berikut.
𝑌𝑡 = (1 − 0,474)𝑌𝑡−1 + 0,474𝑌𝑡−2 + 𝑒𝑡
b. Hasil peramalan nilai ekspor migas Indonesia pada bulan Januari 2022
adalah sebesar 1203,7430.
5.2 Saran
Penelitian bisa dikembangkan dengan menggunakan metode lain agar
lebih banyak lagi referensi mengenai pemodelan untuk memprediksi nilai
ekspor migas, sehingga dapat menjadi inspirasi bagi pihak-pihak terkait.
Menambah jumlah data yang digunakan untuk analisis juga dapat dilakukan
agar hasil yang diperoleh menjadi lebih baik.
25
DAFTAR PUSTAKA
Badan Pusat Statistik. 2016. Perkembangan Ekspor dan Impor Indonesia. Berita
Resmi Statistik. vol. 5, no. 1.
Brockwell, P.J. and Davis, R.A. 2002. Introduction to Time Series and
Forecasting Second Edition. Springer-Verlag New York, Inc., New York.
Fauzi, A., 2015. Peramalan Menggunakan Model Arima Pada Harga Saham
Telkom Dan Lippo (Doctoral dissertation, Institu Teknologi Sepuluh
Nopember).
Maswar. Analisis Time Series Model ARMA untuk Memprediksi Jumlah Santri PP
Salafiyah Syafi’iyah Sukorjo 2017-2021. Jurnal Lisan Al-Hal Volume 11,
No.1, (2017).
Pankratz, A. 1991. Forecasting with Dynamic Regression Models. John Wiley and
Sons, Inc., Canada
Razak, M & Jaya, M 2014, ‘Pengaruh Ekspor Migas dan Non Migas Terhadap
Produk Domestik Bruto Indonesia’, AKMEN Jurnal Ilmiah. vol. 11, no. 2.
Salsabila, D.R.N, 2021, ‘Analisis Ekspor Migas dan Non Migas Terhadap
Pertumbuhan Ekonomi Indonesia’, Jurnal Akuntansi dan Manajemen. vol
18, no. 1.
26
Salwa, N., Tatsara, N., Amalia, R. and Zohra, A.F., 2018. Peramalan Harga
Bitcoin Menggunakan Metode ARIMA (Autoregressive Integrated Moving
Average). Journal of Data Analysis, 1(1), pp.21-31.
Wei, W. (2006). Time Series Analysis: Univariate and Multivariate Methods, 2nd
Edition. Pearson Education, Inc. New York.
27
LAMPIRAN
28
Apr-13 2452,1 Apr-16 891,7 Apr-19 688,1
May-13 2926,2 May-16 958 May-19 1054,2
Jun-13 2800,4 Jun-16 1187,4 Jun-19 714,1
Jul-13 2282,6 Jul-16 998,6 Jul-19 1400,5
Aug-13 2720,5 Aug-16 1138,6 Aug-19 842,9
Sep-13 2414,7 Sep-16 1061,5 Sep-19 803
Oct-13 2715,2 Oct-16 1055,9 Oct-19 860
Nov-13 2766,8 Nov-16 1103 Nov-19 1033,7
Dec-13 3405,1 Dec-16 1250,2 Dec-19 1133,3
29
Lampiran 3. Output Pemodelan ARIMA(1,1,0)
a. Estimasi dan Signifikansi Parameter
30
Lampiran 4. Output Pemodelan ARIMA(1,1,1)
a. Estimasi dan Signifikansi Parameter
31