TUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor

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 t

Z

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 φ

Model Time Series

•

Autoregressive

(AR)

t p t p t t t

Z

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}

( )

_t

p

B

B

θ

θ

B

a

φ

_p

( )(

1

−

)

Ζ

_t

=

₀

+

_q

( )

_t

Pendugaan

 

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

₀

jika

)

(

s.e

δ

t

t

>

Tolak H

₀

jika

p n n

t

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 1

ρ

ρ

K

ρ

_K

0

≠

i

ρ

H

₀

: Residual berdistribusi normal

H

₁

: Residual tidak berdistribusi

normal

1

Statistik Uji :

Ljung-Box

i

ρ

Statistik Uji :

( )

x

F

( )

x

S

D

=

SUP

−

₀

∑

=

−

+

=

K k k

k

n

r

n

n

Q

1 2 *

)

2

(

Daerah Penolakan :

l k

jik

( )

x

F

( )

x

S

D

_{X 0}

Daerah Penolakan :

Tolak H

₀

jika

* 2 q p K df

Q

>

χ

_{α = − −}

Tolak H

₀

jika

D

>

D

_(1-α,n) ,df K p q

Q

χ

_α

Pemilihan 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 l

e

L

1 2

1

MSE

∑

=

=

M l

e

l

L

1

1

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 Index

1 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 ACF_{B 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

₀

ARIMA (0 1 1)

>0,150

Gagal Tolak H

₀

Model 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 499.44292

No 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 8398.298

No 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

pertambangan

 

adalah

 

ARIMA

 

(1

 

1

 

0).

 

Dengan

 

model

 

matematis

 

Zt = (1-0,4581) Zt-1 + 0,4581 Zt-2 + at

77 2080.91 1540.42 2621.39 78 2077.44 1480.87 2674.00 79 2079.15 1421.75 2736.54 79 80 2078.30 1369.69 2786.92 81 2078.72 1320.31 2837.13 82 2078.52 1274.34 2882.69 83 2078.62 1230.69 2926.54 2078.57 1189.26 2967.88 84

Saran

Untuk penelitian berikutnya sebaiknya ramalkan data ekspor per komoditas,

agar diketahui spesifikasi ekspor yang berpengaruh terhadap pendapatan

aga d e a u spes

as e spo ya g be pe ga u

e adap pe dapa a

devisa negara. Serta gunakan beberapa

software

statistika yang lain agar dapat

DAFTAR PUSTAKA

DAFTAR

 

PUSTAKA

Anonim,

2008,

Ekspor

Nonmigas

2009

Ditargetkan

Tumbuh

14

Persen

,

Dari

http://www.antara.co.id/view/?i=1214216206&c=EKB&s

=, Diakses pada 31 Januari 2010.

Anonim, 2009,

Ekspor Nonmigas Membaik

, Dari

http://matanews.com/ 2009/10/05/ekspor‐

nonmigas‐membaik/

Diakses pada 28 Januari 2010

nonmigas‐membaik/

, Diakses pada 28 Januari 2010.

Anonim,

Profil BPEN

, Dari

http://www.nafed.go.id/about/index/in

, Diakses pada 21 Maret 2010.

Anonim,

Ekspor

, Dari

http://id.wikipedia.org/wiki/Ekspor

, Diakses pada 21 Maret 2010.

Aswi., dan Sukarna., 2003,

Anilisis Deret Waktu Teori Dan Aplikasi

, Andi Publiser, Makasar.

D

i l W

W 1989

St ti tik N

P

t ik T

PT G

di J k t

Daniel, Wayne W., 1989,

Statistika Non Parametrik Terapan,

PT. Gramedia, Jakarta.

Makridakis, S., Wheelwright, S. C., dan Mc Gee, V. E., 1999,

Metode dan Aplikasi Peramalan

, Edisi

kedua, Bina Rupa Aksara, Jakarta.

Risyanto, 1997,

Studi Ekspor Non Migas Indonesia

, Tugas Akhir, FMIPA Statistika ITS, Surabaya.

S l

h M S h t

d

W l d i S 2003

B k Aj

ANALISIS TIME SERIES

I tit t

Salamah, M., Suhartono., dan Wulandari, S., 2003,

Buku Ajar ANALISIS TIME SERIES,

Institut

Teknologi Sepuluh Nopember, Surabaya.

Sugiarto, dan Harijono, 2000,

Peramalan Bisnis

, PT Gramedia Pustaka Utama, Jakarta

Suhendra,

2010,

Nilai

Ekspor

Non

‐

Migas

2009

Minus

12%,

http://www detikfinance com/read/2010/01/05/134415/1271973/4/nilai ekspor non migas

http://www.detikfinance.com/read/2010/01/05/134415/1271973/4/nilai‐ekspor‐non‐migas‐

2009‐minus‐12

, Diakses pada 28 Januari 2010.

Wei, W., W. S., 2006,

Time Analysis Univariate and Multivariate Methods

, Addison Wesley

Publishing Company, Inc, America.