ANALISIS RUNTUN WAKTU DAN PENENTUAN MODEL TERBAIK

DATA NILAI EKSPOR MIGAS INDONESIA TAHUN 2011 – 2021

MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED
MOVING AVARAGE (ARIMA)

Disusun Guna Memenuhi Ujian Tengah Semester

Mata Kuliah Analisis Runtun Waktu
Dosen Pengampu: Dr. Winita Sulandari S.Si., M.Si.

Disusun Oleh:
Adjie Dwi Sulistyono (M0719005)
Berlyana Ayu Prasasti (M0719029)
Jihan Alya Salsabila (M0719057)
Renita Anggun Kurnia (M0719085)

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
2022

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

Gambar 3.1 Diagram Alir Langkah Analisis ....................................................... 13

Gambar 4. 1 Plot Data Nilai Ekspor Migas Indonesia Tahun 2011 – 2021 ........ 14
Gambar 4. 2 Plot Time Series Data Insample ...................................................... 15
Gambar 4. 3 Plot Box-Cox Data Insample........................................................... 15
Gambar 4. 4 Plot Box-Cox Data Hasil Tranformasi ............................................ 16
Gambar 4. 5 Plot ACF Data Hasil Transformasi ................................................. 16
Gambar 4. 6 Plot Time Series Data Difference .................................................... 17
Gambar 4. 7 Plot ACF Data Difference............................................................... 17
Gambar 4. 8 Plot PACF Data Difference ............................................................ 18
Gambar 4. 9 Plot Nilai Aktual dan Hasil Peramalan Data Outsample Model
dengan ARIMA(0,1,1) .......................................................................................... 22
Gambar 4. 10 Plot Nilai Aktual dan Hasil Peramalan Data Outsample Model
dengan ARIMA(1,1,0) .......................................................................................... 23

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. 1 Data Runtun Waktu

Suatu nilai yang diramalkan dari suatu variabel di masa yang akan
datang harus memperhatikan karakteristik dan pola data di masa sekarang
dan masa yang lalu. Perkembangan nilai berdasarkan data historis biasanya
memiliki runtun waktu atau urutan waktu. Data runtun waktu adalah
pengamatan berdasarkan urutan waktu dan antara pengamatan yang
berdekatan memiliki korelasi, yaitu setiap pengamatan dari suatu variabel,
memiliki korelasi dengan variabel itu sendiri pada waktu sebelumnya atau
yang disebut dengan autokorelasi (Wei, 2006).

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

disebut transformasi akar (Pankratz, 1991).

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).

2. 5 Fungsi Autokorelasi (ACF)

Fungsi autokorelasi atau ACF merupakan suatu hubungan linier pada
data runtun waktu yang merupakan koefisien regresi diri dengan lag pada
periodenya. Dari proses stasioner suatu data runtun waktu (𝑌𝑡 ) diperoleh
𝐸(𝑌𝑡 ) = 𝜇 dan variansi 𝑉𝑎𝑟(𝑌𝑡 ) = 𝐸(𝑌𝑡 − 𝜇)2 = 𝜎 2 . Menurut Montgomery
(2008) koefisien regresi untuk lag 1, 2, ..., k, dapat ditentukan dengan 𝜌𝑘
sebagai berikut.

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

Fungsi autokovasiansi (𝛾𝑘 ) dan fungsi autokorelasi 𝜌𝑘 memiliki sifat-

sifat sebagai berikut.
1. 𝛾0 = 𝑉𝑎𝑟(𝑌𝑡 ); 𝜌0 = 1
2. |𝛾𝑘 | ≤ 𝛾0 ; |𝜌𝑘 | ≤ 1
𝛾𝑘 = 𝛾−𝑘 dan 𝜌𝑘 = 𝜌−𝑘 untuk semua k, 𝛾𝑘 dan 𝜌𝑘 adalah fungsi yang
sama dan simatri lag 𝑘 = 0. Sifat tersebut diperoleh dari perbedaan waktu
antara 𝑌𝑡 dan 𝑌𝑡+𝑘 . Oleh sebab itu, fungsi autokorelasi sering hanya
diplotkan untuk lag nonnegative. Plot tersebut disebut korrelogram (Wei,
2006).

2. 6 Fungsi Autokorelasi Parsial (PACF)

Fungsi autokorelasi parsial atau Partial Autocorrelation Function
(PACF) merupakan himpunan autokorelasi parsial untuk berbagai lag k.
PACF digunakan untuk mengukur tingkat keeratan antara 𝑌𝑡 dan 𝑌𝑡−𝑘
dengan asumsi pengaruh selisih waktu ke 1,2, … , 𝑘 − 1 dianggap terpisah.
Fungsi autokorelasi parsial dapat dinotasikan dengan
𝑐𝑜𝑟𝑟(𝑌𝑡 , 𝑌𝑡+1 , … , 𝑌𝑡+𝑘 ).

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.

2. 9 Autoregressive Moving Average (ARMA)

Model Autoregressive Moving Average (ARMA) adalah salah satu
model yang sangat populer dan sering digunakan dalam pemodelan data
runtun waktu. Model ARMA merupakan campuran model Autoregressive
yang mengasumsikan data sekarang dipengaruhi oleh data sebelumnya dan
Moving Average yang mengasumsikan data sekarang dipengaruhi oleh nilai
residual data sebelumnya. Sedangkan runtun waktu adalah susunan
observasi yang dicatat berurut berdasarkan waktu. Model ARMA
diperkenalkan oleh George Edward Pelham Box dan Gwilym Meirion
Jenkins (1976).Oleh karena itu pembentukan model ARMA juga sering
disebut metode runtun waktu Box-Jenkins.
Model dari Autoregressive Model (AR) yang dinotasikan dengan
AR(p) dinyatakan sebagai berikut:
𝑦𝑡 = 𝑏0 + 𝑏1 𝑦𝑡−1 + 𝑏2 𝑦𝑡−2 + ⋯ + 𝑏𝑛 𝑦𝑡−𝑛 + 𝜀𝑡
Model Moving Average (MA) yang dinotasikan dengan MA(q)
dinyatakan sebagai berikut:
𝑦𝑡 = 𝑎0 − 𝑎1 𝜀𝑡−1 + 𝑎2 𝜀𝑡−2 + ⋯ + 𝑎𝑛 𝜀𝑡−𝑛 + 𝜀𝑡

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).

2. 11 Uji Diagnostik Model

Pemeriksaan kelayakan model dilakukan untuk mengetahui dan
membuktikan bahwa model ARIMA layak digunakan. Uji diagnostik model
meliputi dua jenis pengujian, yaitu uji normalitas residual dan uji
independensi residual. Model dikatakan baik jika residunya berdistribusi
normal dan independen (white noise).
2.11.1 Uji Normalitas
Uji normalitas dilakukan untuk menilai sebaran data pada
sebuah kelompok data atau variabel, apakah sebaran data tersebut
berdistribusi normal atau tidak. Data yang normal adalah data yang
menyebar merata dan polanya tidak condong ke kiri ataupun ke
kanan. Uji normalitas suatu data ini akan menguji data variabel
bebas (X) dan data variabel terikat (Y) pada persamaan regresi yang
dihasilkan. Persamaan regresi dikatakan baik jika mempunyai data
variabel bebas dan data variabel terikat berdistribusi normal
maupun mendekatinya. Salah satu uji normalitas yang digunakan
yakni Kolmogrov-Smirnov. Langkah-langkah pengujian normalitas
Kolmogorov-Smirnov:
i. Menentukan hipotesis nol dan hipotesis alternatifnya
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal

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 < 

2.11.2 Uji Independensi

Uji independensi adalah alat uji statistik yang digunakan
untuk mengetahui apakah dua variabel memiliki hubungan secara
signifikan. Uji independensi digunakan untuk mengetahui apakah
residu antar lag bersifat independen, artinya tidak terdapat korelasi
residual antar lag). Uji yang digunakan untuk melakukan uji
independensi adalah uji Q-Ljung-Box. Langkah-langkah untuk
pengujian independensi dengan Q-Ljung-Box yakni:
i. Menentukan hipotesis nol dan hipotesis alternatifnya.
H0 : Residu bersifat independen
H1 : Residu tidak bersifat independen
ii. Menghitung statistik uji dengan rumus:
m
rk 2
Q = n(n + 2)
k =1 n − k

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. 3 Metode Analisis Data

Metode analisis data yang digunakan untuk peramalan nilai ekspor
migas adalah metode ARIMA (Autoregressive Integrated Moving Average).

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

Melihat pola data

Data di
Identifikasi Transformasi
stasioneritas data Data di
Differencing

Apakah data Tidak

sudah stasioner?

Ya

Pendugaan model dan

estimasi parameter

Tidak
Uji signifikansi dan
diagnostic checking

Pemilihan Model
Terbaik

Forecasting

Selesai

Gambar 3.1 Diagram Alir Langkah Analisis

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.

Gambar 4. 2 Plot Time Series Data Insample

4.3 Identifikasi Model

Sebelum melakukan identifikasi model, perlu diketahui apakah data
sudah memenuhi asumsi stasioneritas atau belum, baik stasioner dalam
variansi maupun mean. Untuk mengidentifikasi apakah data stasioner dalam
variansi, dilakukan analisis terhadap Box-Cox Plot. Hasil Box-Cox Plot
tersaji pada Gambar 4.3.

Gambar 4. 3 Plot Box-Cox Data Insample

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.

Gambar 4. 4 Plot Box-Cox Data Hasil Tranformasi

Gambar 4.4 menunjukkan bahwa nilai rounded value sebesar 1,00,
sehingga dapat disimpulkan bahwa data sudah stasioner terhadap variansi.
Kemudian akan diselidiki apakah data stasioner terhadap mean
menggunakan plot ACF dan didapatkan hasil seperti pada Gambar 4.5.

Gambar 4. 5 Plot ACF Data Hasil Transformasi

Gambar 4.5 menunjukkan bahwa nilai autokorelasi di lag awal

signifikan kemudian turun secara eksponensial seiring bertambahnya lag

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.

Gambar 4. 6 Plot Time Series Data Difference

Gambar 4.6 menunjukkan bahwa data berfluktuasi disekitaran mean
(kisaran nilai nol) dan tidak mengandung trend, sehingga dapat disimpulkan
bahwa data sudah stasioner terhadap mean. Kemudian dilakukan identifikasi
model ARIMA dengan manganalisis plot ACF dan PACF dari data yang
sudah stasioner, baik dalam variansi maupun mean (Fauzi, 2015). Plot ACF
dan PACF disajikan pada Gambar 4.7 dan Gambar 4.8.

Gambar 4. 7 Plot ACF Data Difference

17
 Gambar 4. 8 Plot PACF Data Difference

Gambar 4.7 dan Gambar 4.8 menunjukkan bahwa nilai autokorelasi

dan autokorelasi parsial cut off pada lag 1. Hal ini mengindikasikan adanya
proses Autoregressive (AR) berorde 1 dan Moving Average (MA) berorde 1.
Sehingga, kemungkinan model ARIMA yang terbentuk adalah sebagai
berikut.
a. ARIMA(0,1,1)
b. ARIMA(1,1,0)
c. ARIMA(1,1,1)

4.4 Estimasi Parameter dan Uji Signifikansi Parameter

Setelah memeroleh kemungkinan model yang terbentuk, kemudian
dilakukan estimasi nilai parameter dengan bantuan software Minitab. Hasil
estimasi parameter dari masing-masing model ARIMA tersaji pada Tabel
4.2.

Tabel 4. 2 Hasil Estimasi Parameter

Model Parameter Koefisien SE Coef Model Peramalan

ARIMA(0,1,1) 𝜃1 0,4661 0,0864 𝑌𝑡 = 𝑌𝑡−1 − 0,4661𝑒𝑡−1 + 𝑒𝑡

ARIMA(1,1,0) 𝜙1 -0,4740 0,0856 𝑌𝑡 = (1 − 0,474)𝑌𝑡−1

+0,474𝑌𝑡−2 + 𝑒𝑡
ARIMA(1,1,1) 𝜙1 -0,310 0,189 𝑌𝑡 = (1 − 0,310)𝑌𝑡−1

𝜃1 0,216 0,195 +0,310𝑌𝑡−2 + 𝑒𝑡 − 0,216𝑒𝑡−1

18
 Kemudian dilakukan uji signifikansi untuk masing-masing parameter yang
telah didapat. Hasil uji signifikansi masing-masing model ARIMA tersaji
pada Tabel 4.3.

Tabel 4. 3 Hasil Uji Signifikansi Parameter

Model Parameter Koefisien P-value Hasil Uji
ARIMA(0,1,1) 𝜃1 0,4661 0,000 Signifikan
ARIMA(1,1,0) 𝜙1 -0,4740 0,000 Signifikan
ARIMA(1,1,1) 𝜙1 -0,310 0,104 Tidak Signifikan
𝜃1 0,216 0,272 Tidak Signifikan
Tabel 4.3 menunjukkan bahwa model yang parameternya signifikan adalah
ARIMA(0,1,1) dan ARIMA(1,1,0).

4.5 Uji Diagnostik

Suatu model dikatakan baik jika memiliki residual yang berdistribusi
normal dan bersifat random (white noise). Untuk itu dilakukan uji
normalitas dan uji independensi pada residual.
4.5.1 Uji Normalitas
i. Hipotesis
𝐻0 : Residual berdistribusi normal
𝐻1 : Residual tidak berdistribusi normal
ii. Tingkat signifikansi
𝛼 = 0,05
iii. Daerah kritis
𝐻0 ditolak jika nilai p-value < 0,05
iv. Statistik uji

Tabel 4. 4 Ringkasan Nilai P-value Uji Normalitas

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

Tabel 4. 5 Hasil Uji Independensi Residual

Model Lag P-value Hasil Uji

12 0,357 white noise
24 0,328 white noise
ARIMA(0,1,1)
36 0,492 white noise
48 0,772 white noise
12 0,204 white noise
ARIMA(1,1,0) 24 0,208 white noise
36 0,301 white noise

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.

4.6 Peramalan untuk Data Outsample

Dari tiga model yang diduga, terdapat dua model yang memenuhi uji
signifikansi parameter dan uji asumsi residual (normalitas dan
independensi), yaitu model ARIMA(0,1,1) dan ARIMA(1,1,0). Kedua
model ini kemudian diuji menggunakan data outsample, yaitu data Januari
2020 – Desember 2021.
4.6.1 Peramalan dengan Model ARIMA(0,1,1)
Pada point 4.4 diketahui bahwa model peramalan
ARIMA(0,1,1) yang terbentuk adalah
𝑌𝑡 = 𝑌𝑡−1 − 0,4661𝑒𝑡−1 + 𝑒𝑡
Sehingga didapatkan nilai peramalan dan plot perbandingan data
outsample dengan hasil peramalan seperti pada Tabel 4.6 dan
Gambar 4.9.

Tabel 4. 6 Nilai Peramalan Data Outsample dengan Model

ARIMA(0,1,1)

Nilai Nilai Nilai Nilai

Bulan Bulan
Aktual Peramalan Aktual Peramalan
Jan-20 815,3 1048,076 Jan-21 883,8 861,3809
Feb-20 805,2 920,1645 Feb-21 860,6 873,3146
Mar-20 617,4 857,8308 Mar-21 907,9 866,5147
Apr-20 562,1 724,5564 Apr-21 962,4 888,4902
May-20 560,9 635,2584 May-21 968,4 927,5833
Jun-20 567,4 594,9828 Jun-21 1232,1 949,266
Jul-20 660,4 580,1749 Jul-21 1009,6 1095,689
Aug-20 599,6 622,3609 Aug-21 1066,8 1049,288

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

Gambar 4. 9 Plot Nilai Aktual dan Hasil Peramalan Data Outsample

Model dengan ARIMA(0,1,1)

4.6.2 Peramalan dengan Model ARIMA(1,1,0)

Pada point 4.4 diketahui bahwa model peramalan
ARIMA(1,1,0) yang terbentuk adalah
𝑌𝑡 = (1 − 0,474)𝑌𝑡−1 + 0,474𝑌𝑡−2 + 𝑒𝑡
Sehingga didapatkan nilai peramalan dan plot perbandingan data
outsample dengan hasil peramalan seperti pada Tabel 4.7 dan
Gambar 4.10.

Tabel 4. 7 Nilai Peramalan Data Outsample dengan Model

ARIMA(1,1,0)

Nilai Nilai Nilai Nilai

Bulan Bulan
Aktual Peramalan Aktual Peramalan
Jan-20 815,3 1085,519 Jan-21 883,8 892,5387
Feb-20 805,2 959,5189 Feb-21 860,6 946,5944
Mar-20 617,4 809,9796 Mar-21 907,9 871,5583
Apr-20 562,1 703,313 Apr-21 962,4 885,3221

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

Gambar 4. 10 Plot Nilai Aktual dan Hasil Peramalan Data Outsample

Model dengan ARIMA(1,1,0)

4.7 Pemilihan Model Terbaik

Berdasarkan analisis pada point 4.5, terdapat dua model yang
memenuhi uji asumsi residual (normalitas dan independensi), yaitu model
ARIMA(0,1,1) dan ARIMA(1,1,0). Oleh karena itu, akan dibandingkan
nilai MAPE dari kedua model. Model peramalan terbaik dipilih berdasarkan
nilai MAPE yang terkecil, sehingga dapat meminimalkan kesalahan dalam
peramalan. Ringkasan nilai MAPE masing-masing model tersaji pada Tabel
4.8.

23
 Tabel 4. 8 Ringkasan Nilai MAPE Masing-masing Model

Model Insample Outsample

ARIMA(0,1,1) 11,7313% 12,8825%
ARIMA(1,1,0) 11,6037% 12,4816%
Tabel 4.8 menunjukkan bahwa nilai MAPE terkecil terletak pada
model ARIMA(1,1,0). Sehingga dapat disimpulkan bahwa model terbaik
adalah model ARIMA(1,1,0) dengan model peramalan sebagai berikut.
𝑌𝑡 = (1 − 0,474)𝑌𝑡−1 + 0,474𝑌𝑡−2 + 𝑒𝑡

4.8 Peramalan Nilai Ekspor Migas Januari 2022

Pada tahap ini, model terbaik digunakan untuk meramalkan nilai
ekspor migas bulan Januari 2022. Adapun model terbaiknya yaitu
ARIMA(1,1,0) dengan model peramalan sebagai berikut.
𝑌𝑡 = (1 − 0,474)𝑌𝑡−1 + 0,474𝑌𝑡−2 + 𝑒𝑡
Maka
𝑌133 = (1 − 0,474)𝑌133−1 + 0,474𝑌133−2
𝑌133 = 0,526𝑌132 + 0,474𝑌131
𝑌133 = 0,526(33,0666) + 0,474(36,5021) = 34,6950
𝑌133 (𝑡𝑟𝑎𝑛𝑠) = 34,69502 = 1203,7430
Sehingga dapat disimpulkan bahwa nilai ekspor migas Indonesia bulan
Januari 2022 adalah 1203,7430.

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).

Hyndman, R. J. and Athanasopoulos, G. (2013). Forecasting: principles and

practice. Otext. Australia.

Kementerian Perdagangan, Neraca Perdagangan Indonesia Total, dilihat 17 April

2022, <https://satudata.kemendag.go.id/indonesia-trade-balance>.

Kertayuga, D, Santoso, E, & Hidayat, N 2021, ‘Prediksi Nilai Ekspor Impor

Migas dan Non-Migas Indonesia Menggunakan ELM’, Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 6, pp.
2792-2800.

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.

Singgih Santoso. (2009). Business Forecasting: Metode Peramalan Bisnis Masa

Kini dengan MINITAB dan SPSS. PT. Elex Media Komputindo. Jakarta.

Wei, W. (2006). Time Series Analysis: Univariate and Multivariate Methods, 2nd
Edition. Pearson Education, Inc. New York.

27
 LAMPIRAN

Lampiran 1. Data Nilai Ekspor Migas Indonesia Tahun 2011 – 2021

Ekspor Ekspor Ekspor Ekspor
Bulan Bulan Bulan Bulan
Migas Migas Migas Migas
Jan-11 2615 Jan-14 2501,7 Jan-17 1278,6 Jan-20 815,3
Feb-11 2612,5 Feb-14 2729,1 Feb-17 1208,6 Feb-20 805,2
Mar-11 3061,8 Mar-14 2641,3 Mar-17 1516,2 Mar-20 617,4
Apr-11 3628,3 Apr-14 2651,4 Apr-17 1036,2 Apr-20 562,1
May-11 4072,8 May-14 2375,7 May-17 1294,4 May-20 560,9
Jun-11 3591 Jun-14 2786 Jun-17 1276,3 Jun-20 567,4
Jul-11 3802,5 Jul-14 2496,3 Jul-17 1165 Jul-20 660,4
Aug-11 4091,6 Aug-14 2598,2 Aug-17 1233,6 Aug-20 599,6
Sep-11 3931 Sep-14 2622,6 Sep-17 1455 Sep-20 667,3
Oct-11 3062,7 Oct-14 2413,2 Oct-17 1488,2 Oct-20 614,5
Nov-11 3522,8 Nov-14 2035,4 Nov-17 1295,8 Nov-20 762,2
Dec-11 3485 Dec-14 2168 Dec-17 1496,5 Dec-20 1018,8
Jan-12 3142,6 Jan-15 1959 Jan-18 1342,7 Jan-21 883,8
Feb-12 3355,5 Feb-15 1753,4 Feb-18 1388,8 Feb-21 860,6
Mar-12 3486,1 Mar-15 1988,9 Mar-18 1256,1 Mar-21 907,9
Apr-12 3560,7 Apr-15 1458,2 Apr-18 1178,8 Apr-21 962,4
May-12 3724,9 May-15 1392,7 May-18 1633,1 May-21 968,4
Jun-12 2899,7 Jun-15 1439,9 Jun-18 1646,7 Jun-21 1232,1
Jul-12 2919,7 Jul-15 1421,8 Jul-18 1416,5 Jul-21 1009,6
Aug-12 2783 Aug-15 1530,9 Aug-18 1423,7 Aug-21 1066,8
Sep-12 2770,5 Sep-15 1453,6 Sep-18 1320,2 Sep-21 932,8
Oct-12 2650,6 Oct-15 1379,6 Oct-18 1545,3 Oct-21 1025,3
Nov-12 2717,1 Nov-15 1497 Nov-18 1312,9 Nov-21 1332,4
Dec-12 2966,9 Dec-15 1299,5 Dec-18 1706,8 Dec-21 1093,4
Jan-13 2653,7 Jan-16 1108 Jan-19 1131,3
Feb-13 2567,6 Feb-16 1113,3 Feb-19 1050,8
Mar-13 2928,3 Mar-16 1239,3 Mar-19 1077,4

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

Lampiran 2. Output Pemodelan ARIMA(0,1,1)

a. Estimasi dan Signifikansi Parameter

b. Uji Normalitas Residual

c. Uji Independensi Residual

29
Lampiran 3. Output Pemodelan ARIMA(1,1,0)
a. Estimasi dan Signifikansi Parameter

b. Uji Normalitas Residual

c. Uji Independensi Residual

30
Lampiran 4. Output Pemodelan ARIMA(1,1,1)
a. Estimasi dan Signifikansi Parameter

31