Disusun oleh
1. Adjie Dwi Sulistyono (M0719005)
2. Afita Ulya Pratiwi (M0719007)
3. Angel Berta Diancaraka (M0719013)
i
4.3 Analisis SARIMA .................................................................... 17
4.4 Estimasi Parameter Model ........................................................ 21
4.5 Uji Diagnostik Residu .............................................................. 22
4.6 Pemodelan SARIMA (2,0,3)(2,1,0)7 ........................................ 24
4.7 Peramalan Data Testing ............................................................ 25
4.8 Akurasi Peramalan.................................................................... 27
4.9 Hasil Peramalan ........................................................................ 28
BAB V PENUTUP ...................................................................................... 29
5.1 Kesimpulan ............................................................................... 29
5.2 Saran ......................................................................................... 29
DAFTAR PUSTAKA ..................................................................................... 30
LAMPIRAN .................................................................................................... 31
ii
DAFTAR TABEL
iii
DAFTAR GAMBAR
iv
BAB I
PENDAHULUAN
1
2
2.2 Stasioneritas
Data dikatakan stasioner jika tidak terdapat perubahan baik penurunan
maupun kenaikan yang drastis pada data. Fluktuasi data berada di sekitar
nilai rata-rata konstan, tidak tergantung waktu dan variansi dari fluktuasi
tersebut (Makridakis dkk., 1999). Untuk mengetahui suatu data termasuk
stasioner atau nonstasioner dapat dilihat dari plot time series.
Penentuan stasioner sangatlah penting karena berhubungan dengan
apakah data dapat langsung diestimasi atau tidak. Stasioneritas dibedakan
menjadi 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). Sedangkan 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
5
2.3 Transformasi
Transformasi Box-Cox dikembangkan oleh Box-Cox dengan tujuan
untuk menormalkan data, melinierkan model regresi dan menghomogenkan
variansi. Pada transformasi Box-Cox, digunakan parameter tunggal yaitu λ
yang dipangkatkan pada variabel dependen Y, sehingga didapatkan model
transformasi Yλ dengan λ merupakan parameter yang harus diduga.
Transformasi Box-Cox hanya diberlakukan pada variabel dependen Y
bertanda positif. Misalkan T(Yt) merupakan fungsi transformasi dari Yt,
maka bisa digunakan rumus berikut (Wei, 2006) :
𝑌𝑡λ − 1
𝑇(𝑌𝑡 ) = 𝑌𝑡λ =
λ
Dengan keterangan :
𝑌𝑡 : data pada waktu ke-t
λ : nilai parameter transformasi
2.4 Differencing
Differencing digunakan untuk mengatasi data yang tidak stasioner
dalam rata-rata. Jika data tidak stasioner, maka perlu dilakukan modifikasi
agar data tidak lagi mengandung trend maupun musiman sehingga rata-rata
dan variansinya konstan. Menurut Makridakis dkk. (1999) notasi yang
digunakan dalam metode differencing adalah operator langkah mundur
(backward shift), yaitu :
𝐵𝑌𝑡 = 𝑌𝑡−1
Dengan keterangan :
𝑌𝑡 : Variabel Y pada waktu ke-t
𝑌𝑡−1 : Variabel Y pada waktu ke-(t-1)
B : Backward shift (operator langkah mundur)
Dengan keterangan :
𝑌𝑡′ : Variabel Y pada waktu ke-t setelah differencing
𝑌𝑡 : Variabel Y pada waktu ke-t
𝑌𝑡−1 : Variabel Y pada waktu ke-(t-1)
Dengan menggunakan operator langkah mundur, persamaan untuk
differencing pertama dapat ditulis kembali menjadi :
𝑌𝑡′ = 𝑌𝑡 − 𝐵𝑌𝑡 𝑎𝑡𝑎𝑢 𝑌𝑡′ = (1 − 𝐵)𝑌𝑡
Dengan (1-B) menyatakan differencing pertama. Sehingga secara
umum differencing ke-d untuk mencapai stasioneritas, dapat dinotasikan
sebagai berikut :
(1
− ∅1𝐵 − ∅2𝐵2 − ∅3𝐵3 + ⋯ − 𝐵𝑑) = (1 − 𝐵)d
nol. Secara umum, misalkan 𝜃 adalah suatu parameter pada model SARIMA
dan 𝜃̂ adalah nilai taksiran parameter tersebut, serta 𝑆𝐸(𝜃̂) adalah standard
error dari nilai taksiran, maka uji signifikan dapat dilakukan dengan tahapan
sebagai berikut:
Hipotesis : H0 : Parameter model tidak signifikan
H1 : Parameter model signifikan
̂
𝜃
Statistik Uji : thitung = 𝑆𝐸(𝜃̂)
𝑡𝛼
Kriteria Penolakan : H0 ditolak jika |thitung| > ; 𝑑𝑓 = 𝑛 − 𝑛𝑝 , 𝑛𝑝
2
mempunyai variansi yang konstan yaitu 𝑉𝑎𝑟(𝑎𝑡) = 𝜎𝑎2 dan nilai kovariansi
untuk proses ini 𝛾𝑘 = 𝐶𝑜𝑣(𝑎𝑡 ,𝑎𝑡+𝑘 ) = 0 untuk 𝑘 ≠ 0.
Berdasarkan definisi tersebut, dapat dikatakan bahwa suatu white
noise process {𝑎𝑡} adalah stasioner dengan beberapa sifat berikut :
2
: 𝛾𝑘 = { 𝜎𝑎 𝑢𝑛𝑡𝑢𝑘 𝑘 = 0
Fungsi autokovariansi
0 𝑢𝑛𝑡𝑢𝑘 𝑘 ≠ 0
1 𝑢𝑛𝑡𝑢𝑘 𝑘 = 0
Fungsi autokorelasi : 𝜌𝑘 = {
0 𝑢𝑛𝑡𝑢𝑘 𝑘 ≠ 0
1 𝑢𝑛𝑡𝑢𝑘 𝑘 = 0
Fungsi autokorelasi parsial : ∅𝑘𝑘 = {
0 𝑢𝑛𝑡𝑢𝑘 𝑘 ≠ 0
Pada proses white noise digunakan pengujian Ljung-Box untuk
melihat apakah residual dalam proses white noise sudah memenuhi atau
belum, dengan persamaan :
𝑘 𝜌𝑘2
𝑄 = 𝑛(𝑛 + 2) ∑
𝑘=1 𝑛 − 𝐾
Dengan keterangan :
n : jumlah data
𝑘 : nilai lag ke-𝑘
𝐾 : maksimum lag
𝜌𝑘 : nilai fungsi autokorelasi 𝑙𝑎𝑔-k
Hipotesis : H0 : residual memenuhi white noise
H1 : residual tidak memenuhi white noise
Kriteria penolakan : H0 ditolak jika 𝑄 > 𝑋(2𝛼 ;𝐾−𝑘)
𝑑𝑓
Dengan demikian, suatu deret waktu disebut white noise jika rata-
rata dan variansinya konstan dan saling bebas (Aswi dan Sukarna, 2006).
11
12
Data jumlah
Penumpang
Membagi data
menjadi dua
Data di
Identifikasi Transformasi
stasioneritas data Data di
Differencing
Ya
Tidak
Uji signifikansi dan
diagnotic checking
Ya
Pemilihan Model
Terbaik
Forecasting
Selesai
14
15
data tersebut. Plot ACF untuk data training ditunjukkan pada gambar 4.3
di bawah ini.
MA 2 -1,13654
MA 3 -0,2859
= (1 − 𝜃1 𝐵 − 𝜃2 𝐵2 − 𝜃3 𝐵3 ) 𝑎𝑡
− (𝜙2 Φ2 𝐵23 )) 𝑍𝑡 = (1 − 𝜃1 𝐵 − 𝜃2 𝐵2 − 𝜃3 𝐵3 ) 𝑎𝑡
25
Dengan 𝑎𝑡 = 𝑍𝑡 − 𝑍̂𝑡
peramalan data testing dan perbandingan juga dapat dilihat pada Gambar
4.12 dan Gambar 4.13.
Tabel 4. 7 Perbandingan Data Testing dengan Hasil Peramalan
Waktu Data Testing Hasil Peramalan
23-Nov-19 2490 1919,05
24-Nov-19 434 630,10
25-Nov-19 413 363,38
26-Nov-19 169 360,58
27-Nov-19 302 366,11
28-Nov-19 241 322,04
29-Nov-19 420 668,21
30-Nov-19 3039 2238,65
01-Des-19 624 589,84
02-Des-19 293 356,39
03-Des-19 419 334,74
04-Des-19 294 372,99
05-Des-19 287 299,12
06-Des-19 803 621,44
07-Des-19 2819 2472,44
08-Des-19 861 600,82
09-Des-19 265 333,64
10-Des-19 370 312,31
11-Des-19 308 369,56
12-Des-19 256 284,09
13-Des-19 612 598,25
14-Des-19 2754 2400,53
15-Des-19 397 616,87
16-Des-19 462 342,70
17-Des-19 385 332,85
18-Des-19 480 374,15
19-Des-19 315 296,75
20-Des-19 649 619,84
27
5.1 Kesimpulan
Berdasarkan analisis yang telah dilakukan, diperoleh kesimpulan yaitu:
1. Model terbaik untuk meramalkan jumlah penumpang kapal laut dari
Pelabuhan Muara Angke ke Kepulauan Seribu yaitu SARIMA
(2,0,3)(2,1,0)7, dengan persamaan :
𝑍̂𝑡 = 0,436𝑍𝑡−7 + 0,237𝑍𝑡−14 + 0,327𝑍𝑡−21 − 0,6106𝑍𝑡−1 + 0,266𝑍𝑡−8
+ 0,1447𝑍𝑡−15 + 0,1997𝑍𝑡−22 − 0,8561𝑍𝑡−2 + 0,373𝑍𝑡−9
+ 0,2029𝑍𝑡−16 + 0,2799𝑍𝑡−23 + 0,7944(𝑍𝑡−1 − 𝑍̂𝑡−1 )
+ 1,13654(𝑍𝑡−2 − 𝑍̂𝑡−2 ) + 0,2859(𝑍𝑡−3 − 𝑍̂𝑡−3 )
2. Hasil perhitungan akurasi peramalan menggunakan MAPE diperoleh
sebesar 0,000159874 pada data training dan sebesar 0,00018459 pada
data testing.
5.2 Saran
Penelitian ini dapat ditambahkan metode analisis lainnya agar lebih
banyak referensi, sehingga mendapatkan metode terbaik yang paling optimal
untuk meramalkan jumlah penumpang kapal laut dari Pelabuhan Muara
Angke ke Kepulauan Seribu. Selain itu, penambahan data juga dapat
dilakukan agar mendapatkan hasil peramalan yang lebih baik.
29
DAFTAR PUSTAKA
Aswi dan Sukarna. 2006. Analisis Deret Waktu: Teori dan Aplikasi. Makasar:
Andira Publisher.
Aulia, F., Yozza, H., & Devianto, D. 2019. Peramalan Curah Hujan Bulanan
Kabupaten Tanah Datar Dengan Model Seasonal Autoregressive
Integrated Moving Average (SARIMA). Jurnal Matematika UNAND, 8(2),
37.
Makridakis, S., Wheelwright, S.C., dan McGee. 1999. Metode dan Aplikasi
Peramalan Edisi Kedua. Jakarta: Penerbit Erlangga.
Nasir, Wahida YM. 2015. Peramalan Jumlah Penumpang dari Pelayaran dalam
Negeri di Pelabuhan Kota Makassar menggunakan Metode Seasonal
Autoregressive integrated Moving Average (SARIMA). Skripsi. Universitas
Islam Negeri Alauddin Makassar.
30
LAMPIRAN
31
32
tidak signifikan
(0,0,3)(0,1,1)7 0,000032 SMA(7) signifikan Tidak Ya
AR(1), AR(3), dan
(3,0,2)(0,1,1)7 0,000016 constant tidak Tidak Ya
signifikan
MA(2) dan constant
(1,0,2)(0,1,1)7 0,000009 Tidak Ya
tidak signifikan
(0,0,2)(0,1,1)7 0,000029 SMA(7) signifikan Tidak Tidak
(2,0,1)(0,1,1)7 0,000008 SMA(7) signifikan Tidak Ya
Constant tidak
(1,0,1)(0,1,1)7 0,000006 Tidak Ya
signifikan
(1,0,1)(0,1,1)7 - Semua signifikan Tidak Ya
(0,0,1)(0,1,1)7 0,000029 SMA(7) signifikan Tidak Tidak
SAR(7) dan SAR(14)
(3,0,3)(2,1,0)7 0,000038 Tidak Tidak
signifikan
Constant tidak
(2,0,3)(2,1,0)7 0,000073 Ya Ya
signifikan
(2,0,3)(2,1,0)7 - Semua signifikan Ya Ya
SAR(7) dan SAR(14)
(1,0,3)(2,1,0)7 0,000029 Tidak Tidak
signifikan
SAR(7) dan SAR(14)
(0,0,3)(2,1,0)7 0,000039 Ya Tidak
signifikan
SAR(7) dan SAR(14)
(3,0,2)(2,1,0)7 0,00003 Ya Tidak
signifikan
SAR(7) dan SAR(14)
(2,0,2)(2,1,0)7 0,000016 Tidak Tidak
signifikan
MA(2) dan constant
(1,0,2)(2,1,0)7 0,000017 Tidak Tidak
tidak signifikan
SAR(7) dan SAR(14)
(0,0,2)(2,1,0)7 0,000032 Tidak Tidak
signifikan
SAR(7) dan SAR(14)
(3,0,1)(2,1,0)7 0,000033 Tidak Tidak
signifikan
(2,0,1)(2,1,0)7 0,000004 AR(2) dan constant Ya Tidak
35
tidak signifikan
Constant tidak
(1,0,1)(2,1,0)7 0,000011 Tidak Tidak
signifikan
(1,0,1)(2,1,0)7 - Semua signifikan Tidak Tidak
MA(1) dan constant
(0,0,1)(2,1,0)7 0,000031 Tidak Tidak
tidak signifikan
AR(1), MA(1) dan
(3,0,3)(1,1,0)7 0,000053 constant tidak Tidak Tidak
signifikan
MA(3) dan constant
(1,0,3)(1,1,0)7 0,000112 Tidak Tidak
tidak signifikan
(0,0,3)(1,1,0)7 0,000054 SAR(7) signifikan Tidak Tidak
Constant tidak
(3,0,2)(1,1,0)7 0,000081 Tidak Tidak
signifikan
(3,0,2)(1,1,0)7 - AR(3) tidak signifikan Tidak Tidak
AR(1), MA(1), dan
(2,0,2)(1,1,0)7 0,000033 constant tidak Tidak Tidak
signifikan
Constant tidak
(1,0,2)(1,1,0)7 0,000082 Tidak Tidak
signifikan
(1,0,2)(1,1,0)7 - Semua signifikan Tidak Tidak
(0,0,2)(1,1,0)7 0,000048 SAR(7) signifikan Tidak Tidak
(3,0,1)(1,1,0)7 0,000046 SAR(7) signifikan Ya Tidak
AR(2) dan constant
(2,0,1)(1,1,0)7 0,000007 Ya Tidak
tidak signifikan
AR(1) dan SAR(7)
(1,0,1)(1,1,0)7 0,000016 Tidak Tidak
signifikan
(0,0,1)(1,1,0)7 0,000043 SAR(7) signifikan Tidak Tidak