TUGAS AKHIR
Pendekatan Metode ARIMA Box
‐
Jenkins
Pendekatan Metode ARIMA
Box Jenkins
untuk Analisis Peramalan
Data
Ekspor
Non
Migas
Indonesia
Di
Sektor Pertanian,
Sektor Perindustrian dan Sektor
Pertambangan
f
Pertambangan
Nurul Latifa
1307 030 702
Dosen pembimbing
PENDAHULUAN
Latar
Belakang
Departemen Perdagangan
Pengembangan Ekspor Nasional (BPEN)
Ekspor Non Migas
Ekspor Non
Migas
Sektor Pertanian
Sektor Perindustrian
Sektor Pertambangan
Pada tahun 2008, Menteri Perdagangan
(Mendag) mengatakan bahwa ekspor
Namun,
nilai
ekspor
non-migas
Indonesia pada tahun 2009 mencapai
(Mendag) mengatakan bahwa ekspor
nonmigas
Indonesia
selama
2009
ditargetkan dapat tumbuh hingga 14
persen
Indonesia pada tahun 2009 mencapai
US$ 94,9 miliar atau minus 12%
dibandingkan tahun 2008
Permasalahan
:
Bagaimana model peramalan yang sesuai dengan metode ARIMA Box
‐
jenkins untuk data
Bagaimana model peramalan yang sesuai dengan metode ARIMA Box
‐
jenkins untuk data
ekspor non
‐
migas Indonesia di sektor pertanian, perindustrian dan pertambangan ?
B
il i
l
k
i
I d
i b ik
k
i
k
Tujuan :
Berapa nilai peramalan ekspor non
‐
migas Indonesia baik sektor pertanian, sektor
perindustrian dan sektor pertambangan untuk 10 bulan mendatang ?
Tujuan
:
Memperoleh model peramalan yang sesuai dengan metode ARIMA Box
‐
jenkins untuk
data ekspor non migas Indonesia di sektor pertanian, perindustrian dan pertambangan.
Menentukan besarnya nilai peramalan ekspor non
‐
migas Indonesia baik sektor
pertanian sektor perindustrian dan sektor pertambangan untuk 10 bulan mendatang
pertanian, sektor perindustrian dan sektor pertambangan untuk 10 bulan mendatang
dengan model peramalan yang sudah ditentukan
.
Manfaat
:
Manfaat
yang
diharapkan
dari
penelitian
kali
ini
adalah
:
1. Mengetahui model peramalan ekspor non
‐
migas serta dapat meramalkan nilai
ekspor non
p
‐
migas untuk periode mendatang.
g
p
g
2. Memberikan masukan kepada eksportir nasional agar lebih meningkatkan kinerja
ekspor serta meningkatkan daya saing ekspor dimasa mendatang.
3. Mengetahui perkembangan ekspor non
‐
migas Indonesia sehingga dapat
diantisipasi penyediaan stok/barang barang komoditas ekspor unggulan
diantisipasi penyediaan stok/barang
‐
barang komoditas ekspor unggulan.
4. Memberikan masukan kepada pemerintah atau departemen terkait sehingga
dapat memperkirakan seberapa besar kontribusi pemasukkan devisa negara dari
transaksi ekspor serta menyiapan perumusan kebijakan dibidang pengembangan
Batasan Masalah :
ekspor nasional.
Komoditas ekspor Indonesia ada dua macam, yaitu migas dan non migas. Pada
penelitian kali ini data yang digunakan adalah nilai ekspor non migas di tiga sektor tanpa
memandang komoditas-komoditas yang ada di dalam masing-masing sektor. Sektor
yang dimaskud adalah sektor pertanian, sektor perindustrian dan sektor perdagangan,
masing-masing untuk periode Januari 2004 sampai dengan Pebruari 2010.
TINJAUAN
PUSTAKA
Konsep
Dasar
Peramalan
Peramalan merupakan suatu teknik untuk memprediksi suatu nilai pada masa
yang akan datang dengan memperhatikan data
‐
data dari masa lalu
yang akan datang dengan memperhatikan data data dari masa lalu
Metode Kualitatif
Metode Kuantitatif
Kestasioneran
dataKestasioneran
data
Data deret waktu yang stasioner adalah relative tidak terjadi kenaikan
ataupun penurunan nilai secara tajam pada data
Jika data tidak stasioner dalam
mean, maka untuk menstasionerkan
lakukan
differencing
Jika data tidak stasioner dalam varians, maka untuk menstasionerkan
lakukan transformasi
Nilai estimasi
λ
Transformasi Box-Cox
-1,0
1 t Z 1-0,5
0,0
Ln
0 5
t Z 1 tZ
Z
0,5
1
(tidak ada transformasi)
t
Z
t
•
Fungsi
Autokorelasi
(ACF)
•
Fungsi
Autokorelasi
Parsial
(PACF)
Fungsi autokorelasi meru
‐
pakan
fungsi
yang
menun
‐
jukkan
Fungsi autokorelasi parsial mengukur
keeratan hubungan antara nilai
‐
nilai
fungsi
yang
menun jukkan
keeratan hubungan antara nilai
variabel yang sama tetapi pada
periode waktu yang berbeda
keeratan hubungan antara nilai nilai
sekarang dengan nilai
‐
nilai sebelumnya
(untuk waktu lag tertentu), sedangkan
pengaruh nilai variable dari waktu lag
p
y g
p
g
g
yang lain dianggap kostan
∑
∑
= = +− + + + − − = k j j kj k j j k kj k k k 1 1 1 1 1 , 1 1 φ ρ ρ φ ρ φModel Time Series
•
Autoregressive
(AR)
t p t p t t tZ
Z
Z
a
Z
=
φ
1 −1+
φ
2 −2+
.
K
+
φ
−+
•
Moving Average
(MA)
p p
•
Autoregressive Moving Average
(ARMA)
q
t
q
t
t
t
t
a
a
a
a
Z
=
−
θ
1
−
1
−
θ
2
−
2
−
...
−
θ
−
•
Autoregressive Moving Average
(ARMA)
q t q t t t p t p t t t
Z
Z
Z
a
a
a
a
Z
=
φ
1 −1+
φ
2 −2+
...
+
φ
−+
−
θ
1 −1−
θ
2 −2−
...
−
θ
−•
Autoregressive Integrated Moving Average
(ARIMA)
( )(
)
d t q( )
tp
B
B
θ
θ
B
a
φ
p( )(
1
−
)
Ζ
t=
0+
q( )
tPendugaan
Model
ARIMA
Box
‐
Jenkins
Model
ACF
PACF
Autoregressive p
(AR (p))
Tails off as exponential
decay or damped sine
wave
Terpotong setelah lag-
p
(
cut
off after lag-p
)
wave
Moving Average q
(MA (q))
Terpotong setelah lag-
q
(
cut off after lag-q
)
Tails off as exponential
decay or damped sine wave
Autoregressive-Moving Average
(p,q)
(ARMA (p,q))
Tails off after lag
(q-p)Tails off after lag (p-q)
Tails off after lag (q-p)Tails
off after lag (p-q)
Pengujian Paramaeter
H
0:
δ
=
0
(parameter tidak signifikan)
H
1: (parameter signifikan)
Statistik Uji :
)
ˆ
(
ˆ
δ
δ
=
t
0
≠
δ
Daerah Penolakan :
Tolak H
0jika
)
(
s.e
δ
t
t
>
Tolak H
0jika
p n nt
t
>
α
/2, −PEMERIKSAAN
DIAGNOSTIK
´
White
Noise
•
Distribusi
Normal
H
0:
ρ
1=
ρ
2=
K
=
ρ
K=
0
H
0: Residual berdistribusi normal
H
0:
(residual
memenuhi
syarat
white noise
)
H
1: minimal ada satu
0
2 1ρ
ρ
Kρ
K
0
≠
iρ
H
0: Residual berdistribusi normal
H
1: Residual tidak berdistribusi
normal
1
Statistik Uji :
Ljung-Box
iρ
Statistik Uji :
( )
x
F
( )
x
S
D
=
SUP−
0∑
=−
+
=
K k kk
n
r
n
n
Q
1 2 *)
2
(
Daerah Penolakan :
l k
jik
( )
x
F
( )
x
S
D
X 0Daerah Penolakan :
Tolak H
0jika
* 2 q p K dfQ
>
χ
α = − −Tolak H
0jika
D
>
D
(1-α,n) ,df K p qQ
χ
αPemilihan model terbaik
Pemilihan
model
terbaik
⎞ ⎛
( )
M
n
Ln
M
AIC
=
σ
ˆ
a2+
2
100% 1 1 MAPE × = + = ⎟⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛∑
M l Zn l l e L( )
M
n
Ln
M
Ln
n
SBC
=
σ
ˆ
a2+
% 100 1 1 MPE × = + =⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
∑
M l Zn l l e L∑
==
M l le
L
1 21
MSE
∑
==
M le
lL
11
MAE
METODOLOGI
Sumber
Data
k
di
k
d l
li i
k li i i
d l h d
Data ekspor yang digunakan dalam penelitian kali ini adalah data
sekunder yang didapat dari Badan Pusat Statistika pada periode Januari
2004 sampai dengan Februari 2010.
V i b l P
li i
Variabel Penelitian
Variabel yang digunakan dalam penelitian kali ini adalah data ekspor
non
‐
migas Indonesia. Data ekspor non
‐
migas tersebut dibagi
kedalam tiga sektor yaitu sektor pertanian sektor perindustrian dan
kedalam tiga sektor yaitu sektor pertanian, sektor perindustrian dan
Langkah Analisis
¾
Membuat
time series plot
dan ACF plot
¾
Membuat
time
series plot
dan ACF
plot
¾
Membuat ACF
dan PACF
¾
M l k k
P
d
M d l S
t
¾
Melakukan Pendugaan Model
Sementara
¾
Melakukan
Pengujian
Parameter
¾
Melakukan
Pemeriksaan
Diagnostik
¾
Memilih Model Terbaik
¾
Memilih
Model
Terbaik
PEMBAHASAN
PEMBAHASAN
•
Sektor
Pertanian
Statistika
Deskriptif
Tahun Rata-Rata StDev Min Mak
2004 210 35,4 126,7 263,2 2005 240,03 26,63 209,6 289,7 2006 280,5 39,6 212,5 344,1 2007 304,8 52,4 235,8 372,5 2008 382,1 49,7 306,5 459,2 2009 363 6 57 5 261 6 447 9 2009 363,6 57,5 261,6 447,9 2010 334,6 55,1 295,6 373,5
Time Series Plot of SEKTOR PERTANIAN Autocorrelation Function for SEKTOR PERTANIAN
Plot Time Serias Sebelum Stasioner
ACF Sebelum Stasioner
500 400 300 PE RT A N IA N 1.0 0.8 0.6 0.4 0.2 0.0 o rr el a ti o n
(with 5% significance limits for the autocorrelations)
60 54 48 42 36 30 24 18 12 6 1 200 100 Index SE K TO R 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 -0.2 -0.4 -0.6 -0.8 -1.0 Lag Au to co de L CL U CL
Box-Cox Plot of SEKTOR PERTANIAN
100
Time Series Plot of Diff 1
Plot Time Series Setelah Stasioner
Box Cox
110 100 90 80 70 D ev Lower CL Upper CL Estimate 0.94 Lower CL 0.11 Upper CL 1.91 Rounded Value 1.00 (using 95.0% confidence) Lambda 100 50 0 D iff 1 5.0 2.5 0.0 -2.5 -5.0 60 50 40 30 20 St D Limit 60 54 48 42 36 30 24 18 12 6 1 -50 -100 Index Lambda Index1 0
Autocorrelation Function for Diff 1
(with 5% significance limits for the autocorrelations)
1 0
Partial Autocorrelation Function for Diff 1
(with 5% significance limits for the partial autocorrelations) 1.0 0.8 0.6 0.4 0.2 0.0 co rrel a ti o n 1.0 0.8 0.6 0.4 0.2 0.0 u to co rr e la ti o n 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 -0.2 -0.4 -0.6 -0.8 -1.0 Au to c 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 -0.2 -0.4 -0.6 -0.8 -1.0 P a rt ia l A u 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 Lag 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 Lag
ACF Setelah Stasioner
ACF Setelah Stasioner
Dugaan Model Sementara
ARIMA ( 0 1 1 )
ARIMA ( 0 1 1 )
ARIMA ( 1 1 0 )
Model Type Coef SE Coef T P-Value Signifikan
Uji Parameter Signifikan
ARIMA (0 1 1) MA 1 0,3771 0,1177 3,20 0,002 Signifikan
ARIMA (1 1 0) AR 1 -0,3337 0,1197 -2,79 0,007 Signifikan
MODEL Lag Chi-Square DF P-Value Signifikan
ARIMA
12 13,2 11 0,281 Whitenoise
24 31,6 23 0,108 Whitenoise
Uji Residual White Noise
ARIMA (0 1 1) 24 31,6 23 0,108 Whitenoise 36 41,0 35 0,225 Whitenoise 48 54,6 47 0,208 Whitenoise 12 11,6 11 0,391 Whitenoise ARIMA (1 1 0) 24 27,2 23 0,247 Whitenoise 36 34,6 35 0,488 Whitenoise 48 48,6 47 0,410 Whitenoise
Model P-value Keputusan
ARIMA (0 1 1) >0,150 Gagal Tolak H0
Uji Residual Normal
M d l
AIC
SBC
MAPE
MPE
MSE
MAE
Model
AIC
SBC
ARIMA (1 1 0)
468.4775
470.6364
ARIMA (0 1 1)
467 6827
469 8416
MAPE
MPE
MSE
MAE
18,93%
18,12%
7515,81
76,26936
(
)
467.6827
469.8416
18,41%
17,41%
7137,261
74,18275
Nilai AIC, SBC, MAPE, MPE, MSE dan MAE terkecil semua berada pada model ARIMA (0 1 1)
sehingga dapat dikatakan model terbaik untuk data ekspor pertanian adalah ARIMA (0 1 1).
No Forecast Lower Upper
75 310.334 240.06 380.608 76 310.334 227.541 393.128 77 310.334 216.68 403.988 78 310.334 206.954 413.714 79 310 334 198 068 422 601 79 310.334 198.068 422.601 80 310.334 189.835 430.833 81 310.334 182.129 438.539 82 310.334 174.862 445.806 83 310.334 167.964 452.704 84 310.334 161.386 459.282
•
Sektor
Perindustrian
Statistika
Deskriptif
Tahun RataRata StDev Min Mak
2004 4052 601 3359,9 5214,3 2005 4633 360 4034,4 5273,5 2006 5419 462 4527,8 6069,5 2007 6372 526 5370,6 7205,7 2008 7366 726 5773,7 8162,3 2009 6119 960 4977,6, 8138,5, 2010 6733,8 10,3 6726,5 6741
650 600 550 Lo w er C L U p p er C L E stimate - 0.34 Lo w er C L - 1.37 U p p er C L 0.70 (u sin g 95.0% c o n fid en c e) Lamb d a
Box-C ox P lot of S EKTO R IN D U S TR I Plot
Time Box Cox
8000 7000
R
I
Time S eries P lot of S EKTO R IN DU S TR I
5.0 2.5 0.0 -2.5 -5.0 500 450 400 350 300 La mbda St D e v Lim it Ro u n d ed V alu e - 0.50 Time Serias Sebelum Stasioner Sebelum Stasioner Lambda =-0,5 60 54 48 42 36 30 24 18 12 6 1 6000 5000 4000 3000 SE K TO R I N D U ST R 0.00051 0 00050 Lo w er C L U p p er C L (u sin g 95.0% c o n fid en c e) Lamb d a
Box-C ox P lot of Tr ans for ma s i
La mbda Inde x
ACF 1 0
Autocorre lation F unction for S EKTO R IN DU S TR I (w ith 5% significance lim its for the autocorrelations)
0.00050 0.00049 0.00048 0.00047 0.00046 0.00045 0.00044 0.00043 0 00042 St D e v Lim it E stim ate 0.67 Lo w er C L - 1.39 U p p er C L 2.86 Ro u n d ed V alu e 0.50 Box Cox Seteleh Ditransformasi ACF Belum Turun Secara cepat 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 A u to co rre la ti o n 5.0 2.5 0.0 -2.5 -5.0 0.00042 La mbda 0 002
Time Series Plot of Diff 1
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 -0.8 -1.0 La g Plot 0.002 0.001 0.000 Dif f 1 Plot Time Serias Setelah Stasioner Baik 60 54 48 42 36 30 24 18 12 6 1 -0.001 -0.002 Index Dalam Rata-rata Dan Varaian
1.0 0.8 0.6 0.4 0 2 tio n
Autocorrelation Function for Diff 1 (with 5% significance limits for the autocorrelations)
1.0 0.8 0.6 0.4 0 2 rre la ti o n
Partial Autocorrelation Function for Diff 1
(with 5% significance limits for the partial autocorrelations)
0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 Au to co rr e la t 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 P a rt ia l A u to co r 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 Lag Lag
ACF Setelah Stasioner
ACF Setelah Stasioner
Dugaan Model Sementara
ARIMA ( 0 1 1 )
ARIMA ( 0 1 1 )
ARIMA ( 1 1 0 )
Model Type Coef SE Coef T P Signifikan
Uji Parameter Signifikan
ARIMA (0 1 1) MA 1 0,3159 0,1210 2,61 0,011 Signifikan
ARIMA (1 1 0) AR 1 -0,3950 0,1169 -3,38 0,001 Signifikan
MODEL Lag Chi-Square DF P-Value Signifikan
12 12,2 11 0,349 Whitenoise
Uji Residual White Noise
ARIMA (0 1 1) 24 21,9 23 0,528 Whitenoise 36 33,9 35 0,519 Whitenoise 48 39,0 47 0,789 Whitenoise 12 7 7 11 0 740 Whit i ARIMA (1 1 0) 12 7,7 11 0,740 Whitenoise 24 16,7 23 0,825 Whitenoise 36 26,9 35 0,834 Whitenoise 48 32,7 47 0,944 Whitenoise
Model P-value Keputusan
ARIMA (0 1 1) <0,010 Tolak H0
Uji Residual Normal
( ) , 0
Model AIC SBC MAPE MPE MSE MAE
Model AIC SBC MAPE MPE MSE MAE
ARIMA (0 1 1) -949.617 -947.458 15.47% 15.47% 1708297 1083.39 ARIMA (1 1 0) -952.023 -949.864 14.94% 14.94% 1631903.2 1048.37
Nilai AIC, SBC, MAPE, MPE, MSE dan MAE terkecil semua berada pada model ARIMA (1 1 0)
sehingga dapat dikatakan model terbaik untuk data ekspor pertanian adalah ARIMA (1 1 0).
No Forecast Lower Upper
75 5544.564 4755.718 6547.288 76 5544.564 4639.308 6743.142 77 5544.564 4490.067 7019.351 78 5544.564 4385.192 7232.628 79 5544.564 4287.54 7447.8 80 5544 564 4203 178 7647 644 80 5544.564 4203.178 7647.644 81 5544.564 4126.261 7842.706 82 5544.564 4056.391 8031.634 83 5544.564 3991.86 8216.588 84 5544.564 3932.061 8398.298
•
Sektor
Pertambangan
g
Statistika
Deskriptif
Tahun Rata-Rata StDev Min Mak
2004 398,8 164,3 202,7 731,6 2005 662,9, 164,2, 439,7, 1016 2006 934 257,6 561,2 1366,1 2007 991,1 136,3 846,7 1194,9 2008 1243 185 927,6 1507,3 2009 1640 463 748 2285,5 2010 2088 6 41 5 2059 2 2117 9 2010 2088,6 41,5 2059,2 2117,9
1800 1600 1400 1200
G
Time Series Plot of SEKTOR TAMBANG
1.0 0.8 0.6
Autocorrelation Function for SEKTOR TAMBANG (with 5% significance limits for the autocorrelations) Plot Time 1200 ACFB l 1000 800 600 400 200 0 SE K TO R T A M B A N G 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 Au to co rr e la ti o n Time Serias Sebelum Stasioner Belum Turun Secara cepat 60 54 48 42 36 30 24 18 12 6 1 Index 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 Lag Box Cox 500 Lower C L Upper C L Estimate 0.40 (using 95.0% confidence) Lambda
Box-Cox Plot of SEKTOR TAMBANG
o Co Sebelum Stasioner Lambda =0,5 400 300 200 St D e v Limit Low er C L -0.07 Upper C L 0.87 Rounded Value 0.50 Pl t Ti S i S t l h St i 15
Time Series Plot of Diff 1
5 4 3 2 1 0 -1 -2 100 Lambda 9 Lo w er C L U p p er C L Lamb d a Box-Cox Plot of Transformasi
Plot Time Serias Setelah Stasioner Baik Dalam Rata-rata Dan Varaian
10 5 0 -5 Di ff 1 Box Cox Seteleh Ditransformasi 8 7 6 5 4 St D e v Estimate 0.79 Lo w er C L 0.01 U p p er C L 1.84 Ro u n d ed Valu e 1.00 (using 95.0% co nfid en ce)
Lamb d a 60 54 48 42 36 30 24 18 12 6 1 5 -10 Index 5.0 2.5 0.0 -2.5 -5.0 3 2 Lambda Lim it
1.0 0.8 0.6
Autocor r e la tion F unction for D iff 1 (w ith 5% significa nce lim its for the a utocorre lations)
1.0 0.8 0.6
o
n
P a r tia l A utoc o r r e la tion F unc tio n for D iff 1 (w ith 5% significa nce lim its for the pa rtia l a uto co rre la tions)
0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 Au to co rr e la ti o n 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 Pa rt ia l A u to co rr e la ti o 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 La g 16 15 14 13 12 1 1 10 9 8 7 6 5 4 3 2 1 La g
ACF Setelah Stasioner
ACF Setelah Stasioner
Dugaan Model Sementara
ARIMA ( 2 1 0 )
ARIMA ( 2 1 0 )
ARIMA ( 0 1 1 )
Uji Parameter Signifikan
Model Type Coef SE Coef T P Signifikan
Uji Parameter Signifikan
ARIMA (2 1 0)
AR 1 -0,5615 0,1243 -4,52 0,000 Signifikan
AR 2 -0,2792 0,1410 -1,98 0,052 Tidak Signifikan
ARIMA (0 1 1) MA 1 0,5472 0,1068 5,12 0,000 Signifikan
Model Type Coef SE Coef T P Signifikan
ARIMA (1 1 0)( ) AR 1 -0,4581 0,1150 -3,98 0,000 Signifikang
Model
Lag
Chi-square
Df
P-value
Signifikan
Uji Residual White Noise
ARIMA
(1 1 0)
12
9,9
11
0,541
Whitenoise
24
18,3
23
0,740
Whitenoise
36
26,0
35
0,856
Whitenoise
48
52,3
47
0,274
Whitenoise
ARIMA
12
7,2
11
0,784
Whitenoise
24
16,1
23
0,853
Whitenoise
(0 1 1)
36
23,6
35
0,929
Whitenoise
48
45,5
47
0,534
Whitenoise
Model
P-value
Keputusan
Uji Residual Normal
ARIMA (1 1 0)
>0,150
Gagal Tolak H
0ARIMA (0 1 1)
>0,150
Gagal Tolak H
0Model AIC SBC MAPE MPE MSE MAE
ARIMA (1 1 0) 150.0751 152.23398 25.71% 25.71% 342741.77 522.31684
ARIMA (0 1 1) 146.5727 148.7316 32.47% 32.47% 489076.55 648.81608
Nilai AIC dan SBC terkecil berada pada model ARIMA (0 1 1)
tetapi nilai MAPE, MPE, MSE dan MAE terkecil berada pada model ARIMA (1 1 0)
sehingga dapat dikatakan model terbaik untuk data ekspor pertanian adalah ARIMA (1 1 0).
No Forecast Lower Upper
75 1390.328 986.5818 1863.165 76 1390.298 936.4824 1933.484 77 1390.313 856.9671 2052.072 78 1390.305 806.3044 2132.417 79 1390.305 755.7386 2216.799 80 1390 305 713 3173 2291 125 80 1390.305 713.3173 2291.125 81 1390.305 673.9216 2363.282 82 1390.305 638.4112 2431.161 83 1390 305 605 5438 2496 581 83 1390.305 605.5438 2496.581 84 1390.305 575.1843 2559.409
KESIMPULAN DAN SARAN
KESIMPULAN
DAN
SARAN
Kesimpulan
No Forecast Lower Upper
75 332.4889 251.116848 413.86096
µ
Model
peramalan
untuk
eskpor
di
sektor
pertanian
adalah
ARIMA
(0
1
1).
Dengan
model
matematis
76 332.4889 237.711424 427.26638 77 332.4889 225.980078 438.99773 78 332 4889 215 418458 449 55935
g
Zt= Zt-1 + at - 0,3771 at-1.
78 332.4889 215.418458 449.55935 79 332.4889 205.73383 459.24398 80 332.4889 196.738368 468.23944 81 332.4889 188.303027 476.67478 82 332.4889 180.334619 484.64319 83 332.4889 172.763246 492.21456 84 332.4889 165.534883 499.44292No Forecast Lower Upper
•
Model
peramalan
untuk
eskpor
di
sektor
perindustrian adalah ARIMA (1 1 0) Dengan
75 5544.564 4755.718 6547.288 76 5544.564 4639.308 6743.142
perindustrian
adalah
ARIMA
(1
1
0).
Dengan
model
matematis
Zt = (1-0,3950) Zt-1 + 0,3950 Zt-2 + at
77 5544.564 4490.067 7019.351 78 5544.564 4385.192 7232.628 79 5544 564 4287 54 7447 8 79 5544.564 4287.54 7447.8 80 5544.564 4203.178 7647.644 81 5544.564 4126.261 7842.706 82 5544.564 4056.391 8031.634 83 5544.564 3991.86 8216.588 84 5544.564 3932.061 8398.298No Forecast Lower Upper
•
Model
peramalan
untuk
eskpor
di
sektor
pertambangan adalah ARIMA (1 1 0) Dengan
75 2088.14 1687.47 2488.81 76 2073.87 1624.64 2523.10 2080 91 1540 42 2621 39