Latar Belakang Masalah Autosavednnj

BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah.

Mahasiswa merupakan insan-insan calon sarjana yang dalam

keterlibatannya dengan perguruan tinggi dididik dan diharapkan menjadi calon-

calon intelektual. Dari pendapat tersebut, bisa dijelaskan bahwa mahasiswa adalah

status yang disandang oleh seseorang karena hubungannya dengan perguruan

tinggi yang nantinya diharapkan menjadi calon-calon intelektual. Sebagai kaum

intelektual, mahasiswa memiliki tanggung jawab yang besar demi kemajuan suatu

bangsa. Demi terpenuhinya salah satu Tri Dharma Perguruan Tinggi di Indonesia,

maka ilmu yang didapatkan di bangku kuliah masih belum cukup untuk

merealisasikannya. Aplikasi dari ilmu yang diperoleh dengan fakta di lapangan

tentu ada perbedaan. Oleh karena itu Jurusan Matematika Fakultas Matematika

dan Ilmu Pengetahuan Alam Universitas Sebelas Maret (UNS) mewajibkan

mahasiswanya untuk mengambil mata kuliah Kegiatan Magang Mahasiswa

(KMM). KMM dilaksanakan pada suatu instansi yang sesuai dengan disiplin ilmu

sebagai jembatan bagi mahasiswa untuk mengaplikasikan ilmu yang diperoleh di

bangku kuliah ke dalam dunia kerja.

Badan Pusat Statistik (BPS) merupakan instansi pemerintah yang

mempunyai wewenang dalam menyediakan informasi statistik secara lengkap,

akurat, dan mutakhir yang diperlukan untuk meningkatkan koordinasi yang

mantap dan terpadu mulai dari awal perencanaan dan pelaksanaan pembangunan

agar dicapai hasil yang optimal. Informasi yang diberikan antara lain mengenai

data kependudukan, pertanian, produksi daerah, dan sebagainya. Untuk

memudahkan dalam menyediakan informasi maka dibentuk Badan Pusat Statistik

yang berkedudukan pada tiap provinsi dan kabupaten / kota. Penulis memilih

untuk melaksanakan kegiatan magang di Badan Pusat Statistik Kota Surakarta.

Salah satu fenomena yang menarik tentang Kota Surakarta yaitu

perkembangan Kota surakarta yang merambah menjadi kota bisnis modern. Salah

satu hal yang penting untuk dianalisis yaitu menjamurnya hotel-hotel di Kota

Surakarta. Surakarta atau yang lebih akrab dengan Solo merupakan kota budaya

1

yang kini mulai diminati oleh wisatawan lokal maupun mancanegara. Bahkan,

kini orang datang ke Solo tidak hanya untuk wisata atau belanja, tapi juga

beberapa urusan bisnis. Berkembangnya Solo menjadi kota bisnis ikut

menggerakkan usaha perhotelan di kota batik ini. Kota dengan penduduk sekitar

500000 jiwa tercatat memiliki 36 hotel dari yang kelas melati 1 hingga bintang 5.

Banyaknya hotel di kota Solo disebabkan bertambahnya jumlah wisatawan

maupun penduduk lokal untuk menginap di Kota Solo. Pada tahun 2012, tingkat

hunian hotel di kota Solo meningkat seiring dengan banyaknya event budaya yang

digelar dengan skala nasional bahkan internasional. Namun, okupansi rata-rata

sejumlah hotel mengalami pertumbuhan negatif pada lima bulan pertama tahun

ini. Hal ini ditegaskan Wakil Ketua Perhimpunan Hotel dan Restoran Indonesia

(PHRI) Solo, Purwanto Yudhonagoro (www.suaramerdeka.com). Ada dua sebab

yang ditengarai menjadi pemicu turunnya tingkat hunian di sejumlah hotel di

Solo. Salah satunya adalah penerapan kebijakan pengetatan anggaran oleh

pemerintah. Sejumlah kementerian diimbau untuk menggelar berbagai kegiatan di

internal kantor, tanpa harus memanfaatkan fasilitas yang disediakan hotel. Di sisi

lain, hotel baru terus bermunculan tanpa ada pembatasan. Karena itu, Purwanto

menilai sekarang ini permintaan dan penawaran sedang kacau lantaran tidak

imbang. Padahal, untuk minimal mencapai break event point alias titik impas,

idealnya kamar hotel setidaknya harus terisi 65 persen. Karena itu, hotel harus

bisa melakukan efisiensi jika tetap ingin memperoleh laba dengan kondisi

okupansi yang rendah. Hal ini, bisa dilakukan dengan melakukan konservasi

energy karena energi merupakan biaya variabel yang bisa disesuaikan dengan

penggunaan, jadi bisa ditekan. Ketidakpastian tingkat hunian hotel di Kota Solo

tentunya akan mempengaruhi para investor untuk memilih kebijakan dalam

industri perhotelan di kota Solo. Oleh karena itu, diperlukan angka prediksi untuk

tingkat hunian hotel di kota Solo.

Badan Pusat Statistik (BPS) sebagai pusat sumber data di Indonesia

berperan penting dalam hal penggalian informasi mengenai tingkat hunian hotel di

Kota Solo. Badan Pusat Statistik (BPS) Kota Surakarta setiap bulannya merilis

data mengenai tingkat hunian kota Surakarta. Beberapa data yang dirilis Badan

Pusat Statistik (BPS) kota Surakarta diantaranya, banyaknya hotel dan jumlah

2

kamar menurut klasifikasi di Kota Surakarta, banyaknya tamu yang menginap di

hotel di Kota Surakarta, tingkat penghunian kamar (tpk) hotel menurut kelas hotel

di Kota Surakarta, tingkat penghunian tempat tidur (tptt) hotel menurut kelas hotel

di Kota Surakarta, tingkat penghunian ganda kamar (tpgk) hotel menurut kelas

hotel di Kota Surakarta, rata-rata lamanya tamu hotel menginap berdasarkan kelas

hotel di Kota Surakarta.

Namun, data saja tidaklah cukup sebagai informasi untuk pemilihan

kebijakan bagi para investor perhotelan. Maka, pada laporan magang ini saya akan

melakukan peramalan tingkat penghunian tempat tidur berdasarkan kelas hotel di

Kota Surakarta. Data yang digunakan yaitu dari tahun 2006-2012 bersumber pada

Badan Pusat Statistik (BPS) Kota Surakarta. Metode yang digunakan yaitu

Autoregressive Integrated Moving Average (ARIMA).

1.2. Rumusan Masalah

Berdasarkan latar belakang masalah, rumusan masalahnya yaitu bagaimana

model ARIMA untuk tingkat penghunian tempat tidur hotel Bintang 3 di Kota

Surakarta?

1.3.1 Tujuan Umum

Tujuan umum yang ingin dicapai dari pelaksanaan Kegiatan Magang

Mahasiswa (KMM) adalah

1. memenuhi mata kuliah wajib dari Jurusan Matematika Fakultas Matematika

dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta,

2. menerapkan ilmu pengetahuan yang didapat selama perkuliahan di Jurusan

Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas

Sebelas Maret Surakarta,

3. menambah wawasan serta pengalaman mahasiswa dalam bidang statistik

secara luas.

1.3.2 Tujuan Khusus

Tujuan khusus yang ingin dicapai dari pelaksanaan Kegiatan Magang

Mahasiswa (KMM) adalah

1. menentukan model ARIMA untuk data Tingkat Hunian Tempat Tidur Hotel

Bintang 3 Kota Surakarta,

3

2. meramalkan Tingkat Hunian Tempat Tidur Hotel Bintang 3 Kota Surakarta

untuk lima bulan ke depan.

1.4. Manfaat Kegiatan Magang Mahasiswa

Laporan Kegiatan Magang Mahasiswa (KMM) ini diharapkan bisa mem-

berikan manfaat kepada instansi (Badan Pusat Statistik Kabupaten Sragen) dan

bagi penulis.

1.4.1 Manfaat bagi Instansi

Pengolahan data Tingkat Hunian Tempat Tidur Hotel Bintang 3 di Kota

Surakarta dapat dijadikan informasi bagi Badan Pusat Statistik (BPS) untuk

menambah informasi pada buku terbitan Badan Pusat Statistik Surakarta. Dengan

demikian, masyarakat secara khusus yaitu calon investor perhotelan dapat

mengetahui kebijakan dalam hal membangun atau mengembangkan bisnis

perhotelan di Kota Surakarta.

1.3.2 Manfaat bagi Penulis

Kegiatan Magang Mahasiswa (KMM) ini diharapkan memberikan manfaat

bagi penulis,

1. penulis dapat menyelesaikan tugas mata kuliah wajib dari Jurusan

Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas

Sebelas Maret Surakarta,

2. penulis dapat mengaplikasikan ilmu yang telah diperoleh pada waktu

perkuliahan dalam dunia kerja,

3. penulis mendapatkan wawasan serta pengalaman tentang dunia kerja yang

sebenarnya di Badan Pusat Statistik Kota Surakarta.

4

BAB II

PELAKSANAAN KEGIATAN

2.1 Profil Badan Pusat Statistik (BPS) Kota Surakarta

2.1.1 Sejarah Berdirinya Badan Pusat Statistik

Sejarah Badan Pusat Statistik telah dimulai sejak masa Pemerintahan Hindia

Belanda dan melalui beberapa tahap.

a. Masa Pemerintahan Hindia Belanda

Kantor Statistik pertama didirikan pada bulan Februari 1920 oleh

Direktur Pertanian, Perindustrian, dan Perdagangan (Directeur Van

Landbouw Nijverheid en Handel) di bawah Departemen Pertanian,

Perindustrian, dan Perdagangan yang terletak di Bogor. Tugas dari kantor

statistik adalah mengolah dan mempublikasikan data statistik.

Pusat kegiatan kantor statistik ini kemudian pindah ke Jakarta pada

tanggal 24 September 1924 dan nama lembaga diganti menjadi Central

Kantoor voor de Statistiek (CKS) atau Kantor Pusat Statistik, tepatnya di

Weltevreden, Batavia-Centrum (daerah tersebut sekarang menjadi wilayah

di Jakarta Pusat). Kegiatannya diutamakan untuk mendukung kebijakan

pemerintah Hindia-Belanda. Sensus penduduk yang pertama kali dikerjakan

oleh lembaga ini pada tahun 1930, yang dilakukan di seluruh wilayah

Indonesia. Beberapa tahun kemudian, CKS berada di bawah Departemen

Urusan Ekonomi (Departemen van Economische Zaken).

b. Masa Pemerintahan Jepang

Pada tahun 1942-1945 CKS beralih di bawah kekuasaan pemerintah

militer Jepang. Kegiatan diutamakan untuk memenuhi kebutuhan

perang/militer dan berada di bawah Gubernur Militer (Gunseikanbu). Pada

masa ini CKS diganti namanya menjadi Shomubu Chosasitsu Gunseikanbu.

c. Masa Pemerintahan Republik Indonesia

Setelah proklamasi kemerdekaan Republik Indonesia tanggal 17

Agustus 1945, Shomubu Chosasitu Gunseikanbu dinasionalisasikan dengan

nama Kantor Penyidik Perangkaan Umum Republik Indonesia (KAPPURI)

dan dipimpin oleh Mr. Abdul Karim Pringgodigdo.

5

Tahun 1946 kantor KAPPURI dipindahkan ke Yogyakarta dipimpin

oleh Semaun, sebagai konsekuensi dari perjanjian Linggarjati. Sementara

itu, pemerintah Hindia Belanda (NICA) di Jakarta mengaktifkan kembali

CKS.

Setelah pemerintah Belanda mengakui kemerdekaan Republik

Indonesia dan berdasarkan Surat Edaran Kementrian Kemakmuran tanggal

12 Juni 1950 Nomor 219/ S.C, KAPPURI dan CKS diintegrasikan menjadi

Kantor Pusat Statistik (KPS) yang berada di bawah tanggung jawab Menteri

Kemakmuran.

Berdasarkan atas surat Menteri Perekonomian tanggal 1 Maret 1952

Nomor P/44, lembaga KPS berada di bawah tanggung jawab Menteri

Perekonomian. Selanjutnya dengan Keputusan Menteri Perekonomian

Nomor 18.099/M KPS pada tanggal 14 Desember 1953, kegiatan KPS

dibagi menjadi 2 bagian, yaitu bagian riset yang disebut Afdeling A dan

bagian penyelenggaraan dan tata usaha yang disebut Afdeling B.

Berdasarkan keputusan Presiden RI Nomor 131 Tahun 1957,

Kementerian Perekonomian dipecah menjadi Kementerian Perdagangan dan

Kementerian Perindustrian. dan atas dasar Keputusan Presiden RI Nomor

172 Tahun 1957 terhitung mulai tanggal 1 Juni 1957, KPS diubah menjadi

Biro Pusat Statistik, dan urusan statistik yang semula menjadi tanggung

jawab dan wewenang Menteri Perekonomian, dialihkan menjadi wewenang

biro Pusat Statistk dan berada di bawah Perdana Menteri.

Memenuhi anjuran Badan Perserikatan Bangsa-Bangsa (PBB) agar

setiap Negara yang menjadi anggota PBB agar menyelenggarakan sensus

penduduk secara serentak, maka tanggal 24 September 1960 telah

diundangkan UU Nomor 6 Tahun 1960 tentang Sensus sebagai pengganti

Volkstelling Ordonnantie 1930.

Dalam rangka memperhatikan kebutuhan data bagi perencanaan

Pembangunan Semesta Berencana dan mengingat Statistiek Ordonnantie

1934, dirasakan tidak sesuai lagi dengan cepatnya kemajuan yang dicapai

negara kita, maka tanggal 26 September 1960 telah diundangkan UU Nomor

7 Tahun 1960 tentang Statistik.

6

Berdasarkan keputusan Presidium Kabinet RI Nomor Aa/C/9 tahun

1965 maka setiap Daerah Tingkat I dan II dibentuk kantor cabang Biro

Pusat Statistik dengan nama Kantor Sensus dan Statistik Daerah (KKS)

yang mempunyai tugas menyelenggarakan kegiatan statistik di daerah. Di

setiap daerah administrasi kecamatan dapat diangkat seorang atau lebih

pegawai yang merupakan pegawai KKS di tingkat II dan ditempatkan di

bawah pengawasan Kepala Kecamatan.

d. Masa Orde Baru sampai Sekarang

Seiring dengan perkembangan jaman khususnya pada masa

pemerintahan orde baru untuk memenuhi kebutuhan dalam perencanaan dan

evaluasi pembangunan mutlak dibutuhkan statistik. Untuk mendapatkan

statistik yang handal, lengkap, tepat, akurat, dan terpercaya, salah satu

unsurnya adalah pembenahan organisasi Biro Pusat Statistik.

Dalam masa Orde Baru ini, Biro Pusat Statistik telah mengalami 3 kali

perubahan struktur organisasi:

a) Peraturan Pemerintahan Nomor 16 Tahun 1968

b) Peraturan Pemerintahan Nomor 6 Tahun 1960

c) Peraturan Pemerintahan Nomor 2 Tahun 1992 tentang Organisasi

Biro Statistik dan Keputusan Presiden Nomor 6 Tahun 1992 tentang

Kedudukan, Tugas, Fungsi, Susunan Organisasi, dan Data Kerja BPS.

Pada tahun 1997 Biro Pusat Statistik menjadi Badan Pusat Statistik

(BPS), seperti yang dikenal sekarang ini. Seiring dengan usianya yang

begitu panjang BPS ikut berperan aktif dalam dinamika perjuangan bangsa

Indonesia. Data yang dihasilkan BPS merekam fenomena perkembangan

sosial dan ekonomi dari tahun ke tahun. Data tersebut tidak hanya

dimanfaatkan oleh pemerintahan sebagai bahan perencanaan dan penetapan

kebijakan tetapi juga oleh kalangan swasta dan masyarakat.

Berdasarkan sejarah dari kegiatan statistik dan latar belakang adanya

BPS Indonesia, dapat dilihat bahwa BPS mempunyai tingkatan dari

terendah sampai tertinggi, yaitu tingkat kecamatan sampai dengan tingkat

pusat di Jakarta. Tingkat tersebut adalah:

a) BPS Kabupaten/ Kota

7

b) BPS Propinsi

c) BPS Pusat

BPS Kabupaten/Kota sebagai instansi vertikal di tingkat

Kabupaten/Kota merupakan mitra kerja dari pemerintah daerah. BPS

Kabupaten/Kota secara taktis operasional harus berkoordinasi dengan

Bupati/Wali Kota terutama operasional kegiatan lapangan, sedangkan secara

teknis dan administrasi tetap berada di bawah binaan BPS Pusat.

2.1.2 Visi dan Misi Badan Pusat Statistik

Visi BPS RI, BPS Provinsi Jawa Tengah termasuk BPS Kota Surakarta

tahun 2010 – 2014 adalah “Pelopor data statistik terpercaya untuk semua”. Kata

“pelopor” mempunyai makna bahwa BPS sebagai pencetus ide penyedia statistik

terpercaya, sekaligus sebagai pelaku dalam penyediaan statistik terpercaya. Kata

“data statistik terpercaya” yaitu statistik menggambarkan keadaan yang

sebenarnya. Kata “untuk semua” dimaksudkan bahwa semua pihak mempunyai

hak yang sama untuk mengakses data BPS.

Visi BPS RI, BPS Provinsi Jawa Tengah termasuk BPS Kota Surakarta

tahun 2010 – 2014 adalah

a. Memperkuat landasan konstitusional dan operasional lembaga statistik untuk

penyelenggaraan statistik yang efektif dan efisien;

b. Menciptakan insan statistik yang kompeten dan professional, didukung

pemanfaatan teknologi informasi mutakhir untuk kemajuan perstatistikan

Indonesia;

c. Meningkatkan standar klasifikasi, konsep dan definisi, pengukuran, dan kode

etik statistik yang bersifat universal dalam setiap penyelenggaraan statistik;

d. Meningkatkan kualitas pelayanan informasi statistik bagi semua pihak;

e. Meningkatkan koordinasi, integrasi, dan sinkronisasi kegiatan statistik yang

diselenggarakan pemerintah dan swasta, dalam kerangka Sistem Statistik

Nasional (SSN) yang efektif dan efisien.

2.1.3 Struktur Organisasi dan Pembagian Tugas Pegawai Badan Pusat

Statistik

Badan Pusat Statistik Kabupaten / Kota dipimpin seorang Kepala BPS

dibantu oleh sub bagian Tata Usaha dan lima seksi, yaitu Seksi Statistik Sosial,

8

Kepala

Sub Bagian TU

Seksi Statistik Distribusi

SeksiIPDS

SeksiNerwilis

Seksi Statistik Produksi

Seksi Statistik Sosial

Tenaga Fungsional

Seksi Statistik Produksi, Seksi Statistik Distribusi, Seksi Neraca Wilayah dan

Analisis Statistik, serta Seksi Statistik Integrasi Pengolahan dan Desimenasi

Statistik. Dimana setiap seksi dipimpin oleh seorang kepala Seksi (Kasi) yang

dibantu beberapa staf. Masing-masing seksi memiliki spesifikasi dalam

kinerjanya. Gambar 1 adalah bagan struktur organisasi BPS Kota Surakarta.

Gambar 2.1. Bagan Struktur Organisasi BPS Kota Surakarta

2.1.4 Kedudukan, Tugas, dan Fungsi Badan Pusat Statistik

BPS merupakan lembaga Pemerintahan Non Departemen yang

bertanggung jawab langsung kepada Presiden. Berdasarkan Keputusan Presiden

Nomor 103 Tahun 2001, BPS mempunyai tugas melaksanakan tugas pemerintah

di bidang kegiatan statistik sesuai dengan ketentuan peraturan perundang-

undangan yang berlaku.

Dalam melaksanakan tugasnya, BPS mempunyai fungsi, yaitu:

1) pengkajian dan penyusunan kebijakan nasional dibidang kegiatan statistik;

2) penyelenggaraan statistik dasar;

3) koordinasi kegiatan fungsional dalam pelaksanaan tugas BPS;

4) pelancaran dan pembinaan terhadap kegiatan instansi pemerintahan di bidang

kegiatan statistik;

9

5) penyelenggaraan pembinaan dan pelayanan administrasi umum di bidang

perencanaan umum, ketatausahaan, organisasi dan tata laksana, kepegawaian,

keuangan, kearsipan, persandian, perlengkapan dan rumah tangga.

Berdasarkan keputusan Presiden RI Nomor 103 Tahun 2001 dalam

menyelenggarakan fungsinya BPS mempunyai kewenangan:

1) penyusunan rencana nasional secara makro di bidangnya;

2) perumusan kebijakan di bidangnya untuk mendukung pembangunan secara

makro;

3) penetapan sistem informasi di bidangnya;

4) penetapan dan penyelenggaraan statistik nasional;

5) kewenangan lain yang melekat dan telah dilaksanakan sesuai dengan

ketentuan peraturan perundang-undangan yang berlaku yaitu:

a. perumusan dan pelaksanaan kebijakan tertentu di bidang kegiatan statistik;

b. penyusunan pedoman penyelenggaraan survei statistik sektoral.

Sedangkan tugas dan wewenang tiap bagian di BPS adalah sebagai

berikut.

1. Kepala

Memimpin BPS Kabupaten/ Kota sesuai dengan tugas dan fungsi serta

membina aparatur BPS agar berdaya guna dan berhasil guna.

2. Sub Bagian Tata Usaha

Melakukan rencana dan program urusan kepegawaian dan hukum,

keuangan, perlengkapan serta urusan intern instansi. Secara rinci tugas dari

sub bagian tata usaha sebagai berikut:

a. menyusun program kerja tahunan sub bagian tata usaha;

b. melakukan penyiapan bahan dan penyusunan rancangan usaha program

dan anggaran tahunan BPS kabupaten baik rutin maupun proyek dan

menyampaikan ke BPS propinsi;

c. mengikuti program pelatihan yang diselenggarakan dalam rangka kegiatan

ketatausahaan;

d. melakukan penyiapan, penyusunan rencana dan program, serta pengadaan,

penyaluran, penyimpanan, inventaris, penghapusan dan pemeliharaan

peralatan dan perlengkapan;

10

e. melakukan kegiatan tata usaha kepegawaian, pengadaan dan mutasi

pegawai, pembinaan pegawai, hukum dan perundang-undangan, organisasi

dan tata laksana, kesejahteraan pegawai, administrasi jabatan fungsional

serta penggajian;

f. melakukan kegiatan tata usaha keuangan, perbendaharaan, verifikasi dan

pembukuan, serta pengendalian pelaksanaan anggaran;

g. melakukan kegiatan surat menyurat, kearsipan, rumah tangga,

pemeliharaan gedung, keamanan dan ketertiban lingkungan, perjalanan

dinas, serta penggandaan/percetakan;

h. melakukan kegiatan penyelenggaraan berbagai pelaksanaan teknis dan

pelatihan administrasi;

i. membantu kepala BPS kabupaten dalam melaksanakan pengawasan

pelaksanaan kegiatan dan anggaran;

j. membantu kepala BPS kabupaten dalam melaksanakan penyiapan bahan

untuk penyusunan laporan tahunan akuntabilitas kinerja dan laporan

tahunan pelaksanaan program kerja lainya, bekerja sama dengan satuan

organisasi terkait;

k. melaksanakan kegiatan pelayanan administrasi lainya kepada semua

satuan organisasi di lingkungan BPS kabupaten;

l. membantu kepala BPS kabupaten dalam melaksakan pembinaan,

pengamatan lanjut dan pengawasan pelaksanaan kegiatan ketatausahaan di

BPS kabupaten;

m. melakukan penerangan kegiatan statistik dan kehumasan;

n. melakukan kegiatan pendistribusian publikasi yang dihasilkan BPS

kabupaten kepada instansi terkait;

o. melakukan penghimpunan tata cara dan hasil kegiatan yang dilakukan di

lingkungan sub bagian tata usaha;

p. menyusun laporan kegiatan sub bagian tata usaha secara berkala dan

sewaktu waktu;

q. mengatur dan melaksakan tugas lain yang diberikan oleh atasan langsung.

3. Seksi Statistik Sosial

11

Tugas dan wewenang seksi statistik sosial adalah melakukan

pengumpulan, pengolahan, analisis, evaluasi dan pelaporan statistik sosial.

Secara rinci tugas seksi statistik sosial sebagai berikut:

a. menyusun program tahunan seksi statistik sosial;

b. melakukan penyiapan dokumen dan bahan yang diberikan untuk kegiatan

pengumpulan statistik sosial yang mencakup kegiatan statistik

kependudukan, kesejahteraan rakyat, ketahanan sosial, serta kegiatan

statistik sosial lainya yang ditentukan;


statistik sosial;

d. membantu kepala BPS kabupaten dalam menyiapkan program pelatihan

petugas lapangan kegiatan statistik sosial;

e. melakukan pembagian dokumen dan peralatan yang diperlukan untuk

pelaksanaan lapangan kegiatan statistik sosial.

f. melakukan pembinaan, pengamatan lanjut, dan pengawasan lapangan

terhadap pelaksanaan kegiatan statistik sosial;

g. melakukan penerimaan dan pemeriksaan dokumen hasil pengumpulan data

statistik sosial;

h. melakukan pengolahan data statistik sosial sesuai dengan sistem dan

program yang ditetapkan, bekerja sama dengan organisasi terkait;

i. melakukan penyiapan dokumen dan atau hasil pengolahan statistik sosial

yang akan dikirim ke BPS dan atau BPS propinsi;

j. melakukan evaluasi hasil pengolahan statistik sosial sebagai bahan

masukan untuk penyempurnaan selanjutnya;

k. membantu kepala BPS kabupaten dalam melaksanakan pembinaan petugas

lapangan dalam rangka pengumpulan data statistik sosial di kabupaten dan

di kecamatan;

l. membantu kepala BPS kabupaten dalam koordinasi dan kerjasama

pelaksanaan kegiatan statistik sosial baik dengan pemerintah daerah

maupun instansi lain;

12

m. melakukan penyiapan naskah publikasi statistik sosial dan menyampaikan

kesatuan organisasi terkait untuk pelaksanaan pencetakan dan

penyebarannya;

n. membantu kepala BPS kabupaten dalam melaksanakan pembinaan

penyusunan publikasi statistik sosial dalam bentuk buku publikasi;

o. membantu kepala BPS kabupaten dalam melaksakan dan mengembangkan

statistik sosial;

p. membantu kepala BPS kabupaten dalam melaksanakan pengendalian

pelaksanaan kegiatan statistik sosial;

q. membantu kepala BPS kabupaten dalam koordinasi lapangan dengan pihak

kecamatan, koordinator kecamatan dan instansi terkait dalam pelaksanaan

kegiatan statistik sosial;

r. melakukan penyiapan bahan laporan akuntabilitas seksi statistik sosial;

s. melakukan perhimpunan tata cara dan hasil kegiatan yang dilakukan di

lingkungan statistik sosial;

t. menyusun laporan kegiatan statistik sosial secara berkala dan sewaktu-

waktu;

u. melakukan tugas lain yang diberikan oleh atasan langsung.

4. Seksi Statistik Produksi

Tugas dan wewenang seksi statistik produksi adalah melakukan

pengumpulan, pengolahan, analisis, evaluasi dan pelaporan statistik produksi.

Secara rinci tugas seksi statistik produksi sebagai berikut:

a. menyusun program kerja tahunan seksi statistik produsi;


pengumpulan statistik produksi yang mencakup kegiatan statistik

pertanian, industri, pertambangan, energi serta kegiatan statistik produksi

lainya yang ditentukan;


statistik produksi;

d. membantu kepala BPS kabupaten dalam menyikapi program pelatihan

petugas lapangan kegiatan statistik produksi;

13


pelaksanaan lapangan kegiatan statistik produksi;


terhadap pelaksanaan kegiatan statistik produksi;


statistik produksi;

h. melakukan pengolahan data statistik produksi sesuai dengan sistem dan

program yang ditetapkan, bekerjasama dengan organisasi terkait;

i. melakukan penyiapan dokumen dan atau hasil pengolahan statistik

produksi yang akan dikirim ke BPS dan atau BPS propinsi sesuai dengan

jadwal yang ditetapkan;

j. melakukan evaluasi hasil pengolahan statistik produksi sebagai bahan



lapangan dalam rangka pengumpulan data statistik produksi di kabupaten

dan di kecamatan;


pelaksanaan kegiatan statistik produksi baik dengan pemerintah daerah


m. melakukan penyiapan naskah publikasi statistik produksi dan

menyampaikan kesatuan organisasi terkait untuk pelaksanaan pencetakan

dan penyebaranya;


penyusunan publikasi statistik produksi dalam bentuk buku publikasi;


statistik produksi;


pelaksanaan kegiatan statistik produksi;



kegiatan statistik produksi;

r. melakukan penyiapan bahan laporan akuntabilitas seksi statistik produksi;

14


lingkungan statistik produksi;

t. menyusun laporan kegiatan statistik produksi secara berkala dan sewaktu-

waktu;

u. melakukan tugas lain yang diberikan oleh atasan langsung.

5. Seksi Statistik Distribusi

Tugas dan wewenang seksi statistik distribusi adalah melakukan

pengumpulan, pengolahan, analisis, evaluasi dan pelaporan statistik distribusi.

Secara rinci tugas seksi statistik distribusi sebagai berikut:

a. menyusun program kerja tahunan seksi statistik distribusi;


pengumpulan statistik distribusi yang mencakup kegiatan statistik harga

konsumen dan perdagangan besar, keuangan dan harga produsen, niaga

dan jasa, serta kegiatan statistik distribusi lainya yang ditentukan;


statistik distribusi;


petugas lapangan kegiatan statistik distribusi;


pelaksanaan lapangan kegiatan statistik distribusi;


terhadap pelaksanaan kegiatan statistik distribusi;



h. melakukan pengolahan data statistik distribusi sesuai dengan sistem dan

program yang ditetapkan, bekerjasama dengan organisasi terkait;

i. melakukan penyiapan dokumen dan atau hasil pengolahan statistik

distribusi yang akan dikirim ke BPS dan atau BPS propinsi sesuai dengan


j. melakukan evaluasi hasil pengolahan statistik distribusi sebagai bahan


15


lapangan dalam rangka pengumpulan data statistik distribusi di kabupaten

dan di kecamatan;


pelaksana kegiatan statistik distribusi baik dengan pemerintah daerah


m. melakukan penyiapan naskah publikasi statistik distribusi dan

menyampaikan ke satuan organisasi terkait untuk pelaksanaan pencetakan

dan penyebarannya;


penyusunan publikasi statistik distribusi dalam bentuk buku publikasi;




pelaksanaan kegiatan statistik distribusi;



kegiatan statistik distribusi;

r. melakukan penyiapan bahan laporan akuntabilitas seksi statistik distribusi;


lingkungan statistik distribusi;

t. menyusun laporan kegiatan statistik distribusi secara berkala dan sewaktu-

waktu;

u. melakukan tugas lain yang diberikan atasan langsung.

6. Seksi Neraca Wilayah dan Analisis Statistik

Tugas dan wewenang seksi Neraca Wilayah dan Analisis Statistik adalah

melakukan pengumpulan, kompilasi data, pengolahan, analisis, evaluasi dan

pelaporan Neraca Wilayah dan Analisis Statistik. Secara rinci tugas seksi

Neraca Wilayah dan Analisis Statistik sebagai berikut:

a. menyusun program kerja tahunan seksi Neraca Wilayah dan Analisis

Statistik;

16

b. melakukan penyiapan dokumen dan bahan yang di berikan untuk kegiatan

pengumpulan Statistik Neraca Wilayah dan Analisis Statistik yang

mencakup kegiatan penyusunan neraca produksi, neraca konsumsi, dan

neraca lainya, analisis dan perkembangan statistik serta penyusunan neraca

wilayah dan analisis statistik lainya yang ditentukan;


statistik Neraca Wilayah dan Analisis Statistik;


petugas lapangan kegiatan statistik Neraca Wilayah dan Analisis Statistik;


pelaksanaan lapangan kegiatan statistik Neraca Wilayah dan Analisis

Statistik;


terhadap pelaksanaan kegiatan statistik Neraca Wilayah dan Analisis

Statistik;


statistik Neraca Wilayah dan Analisis Statistik;

h. melakukan evaluasi pengolahan data statistik Neraca Wilayah dan

Analisis Statistik sesuai dengan sistem dan program yang ditetapkan,

bekerjasama dengan organisasi terkait;

i. melakukan penyiapan dokumen dan atau hasil pengolahan statistik neraca

wilayah yang akan dikirim ke BPS dan atau BPS propinsi sesuai dengan


j. melakukan penyusunan neraca wilayah dan analisis statistik lintas sektor;

k. melakukan evaluasi hasil pengolahan neraca wilayah dan analisis statistik

sebagai bahan masukan untuk penyempurnaan selanjutnya;

l. membantu kepala BPS kabupaten dalam melaksanakan pembinaan petugas

pencacah, pengawas, pemeriksa, serta pengumpulan data neraca wilayah di

kabupaten dan di kecamatan;

m. membantu kepala BPS kabupaten dalam koordinasi dan kerjasama

pelaksana kegiatan neraca wilayah dan analisis statistik baik dengan

pemerintah daerah maupun instansi lain;

17

n. melakukan penyiapan naskah publikasi dengan bentuk baku yang

ditetapkan serta menyampaikan ke satuan organisasi terkait untuk

pelaksanaan pencetakan dan penyebarannya;

o. melakukan kegiatan penyiapan dan penghimpunan bahan serta penyusunan

naskah publikasi statistik berkala sesuai bentuk baku yang ditetapkan serta

menyampaikan ke satuan organisasi terkait untuk pelaksanaan pencetakan

dan penyebarannya;

p. membantu kepala BPS kabupaten dalam melaksanakan pembinaan

penyusunan publikasi neraca wilayah dalam bentuk buku publikasi;

q. membantu kepala BPS kabupaten dalam melaksakan dan mengembangkan

neraca wilayah dan analisis statistik;

r. membantu kepala BPS kabupaten dalam melaksanakan pengendalian

pelaksanaan neraca wilayah dan analisis statistik;

s. melakukan penyiapan bahan laporan akuntabilitas seksi neraca wilayah

dan analisis statistik;

t. melakukan perhimpunan tata cara dan hasil kegiatan yang dilakukan di

lingkungan seksi neraca wilayah dan analisis statistik;

u. menyusun laporan kegiatan seksi neraca wilayah dan analisis statistik

secara berkala dan sewaktu-waktu;

v. melakukan tugas lain yang diberikan atasan langsung.

7. Seksi Integrasi Pengolahan dan Diseminasi Statistik

Tugas dan wewenang seksi integrasi pengolahan dan diseminasi statistik

adalah melaksanakan pengintegrasian pengolahan data, pengelolaan jaringan

dan rujukan statistik serta diseminasi dan layanan statistik. Secara rinci tugas

seksi integrasi pengolahan dan diseminasi statistik adalah:

a. menyusun program kerja tahunan seksi integrasi pengolahan dan

diseminasi statistik;

b. melakukan penyusunan, pemeliharaan, penyelesaian permasalahan dan

penerapan sistem jaringan komunikasi data sesuai dengan aturan yang

ditetapkan serta membantu penerapan teknologi informasi;


integrasi pengolahan dan diseminasi statistik;

18

d. melakukan koordinasi pengolahan dan pemeliharaan perangkat keras dan

perangkat lunak serta menyusun sistem pengelolaan data, melakukan

pengolahan data bekerja sama dengan satuan organisasi terkait;

e. melakukan pembuatan, implementasi serta operasi sistem dan program

aplikasi pengolahan dan diseminasi data statistik termasuk sarana

pendukungnya;

f. melakukan penyusunan, pemeliharaan serta pengembangan sistem basis

data statistik dan sistem basis data manajemen sesuai aturan yang

ditetapkan;

g. melakukan kajian dan evaluasi kebutuhan pengolahan data termasuk bahan

komputer, bekerjasama dengan organisasi terkait;

h. membantu kepala BPS kabupaten dalam melaksanakan kegiatan rujukan

statistik dasar, statistik sektoral dan statistik khusus;

i. melakukan penerimaan, pengelolaan serta pengolahan semua dokumen

yang berkaitan dengan rujukan statistik dan penyempurnaan format yang

berkaitan dengan rujukan statistik;

j. melakukan penyusunan serta evaluasi data untuk rujukan statistik;

k. melakukan kompilasi rancangan teknis survei statistik sektoral instansi

pemerintah lain serta membahas dengan satuan organisasi terkait sesuai

dengan asas pembakuan dan manfaat;

l. membantu kepala BPS kabupaten dalam mengatur dan menyiapkan konsep

rekomendasi sebagai bahan pelaksana survei statistik sektoral bagi instansi

pemerintah lain, bekerja sama dengan satuan organisasi terkait;

m. melakukan kompilasi naskah dari satuan organisasi di lingkungan BPS

kabupaten dalam bentuk softcopy untuk dijadikan naskah publikasi siap

cetak;

n. membantu kepala BPS kabupaten dalam mengatur dan melaksanakan

pemantauan serta evaluasi publikasi yang telah ditertibkan;

o. melakukan penyusunan prosedur penyiapan bahan serta melaksanakan

kegiatan pelayanan informasi statistik dan konsultasi statistik, serta

sosialisasi dan penyebarluasan dan pemasyarakatan pengguna produk

informasi;

19

p. melakukan pengelolaan bahan pustaka dan dokumen statistik sesuai

pedoman yang ditentukan;

q. melakukan penyusunan penyiapan bahan, pemeliharaan data dan peta

untuk pemetaan serta kerangka contoh induk termasuk datanya untuk

keperluan sistem informasi geografis, rancangan survei dan sensus bekerja

sama dengan organisasi terkait;

r. melakukan penyiapan bahan laporan akuntabilitas seksi integrasi

pengolahan dan diseminasi statistik;

s. melakukan pemantauan perubahan wilayah administrasi yang dilakukan

oleh pemerintah daerah setempat dan menyampaikanya kesatuan

organisasi terkait;

t. melakukan penghimpunan tatacara dan hasil kegiatan yang dilakukan di

lingkungan seksi integrasi pengolahan dan diseminasi statistik;

u. menyusun laporan kegiatan seksi integrasi pengolahan dan diseminasi

statistik secara berkala dan sewaktu-waktu;

v. melakukan tugas lain yang diberikan oleh atasan langsung.

8. Kelompok Jabatan Fungsional

Tugas dan wewenang kelompok jabatan fungsional adalah melakukan

kegiatan sesuai dengan jabatan fungsional berdasarkan peraturan

perundangan yang berlaku.

2.1.5 Survei dan Kegiatan yang Dilakukan Badan Pusat Statistik

BPS melakukan beberapa kegiatan survei, antara lain :

1. Survei Sosial Ekonomi Nasional (Susenas)

2. Survei Angkatan Kerja Nasional (Sakernas)

3. Survei Struktur Ongkos Usaha Tanaman Padi

4. Survei Perusahaan Perternakan, Perikanan, Tempat Pelelangan Ikan (TPI),

dan Rumah Pemotongan Hewan (RPH)

5. Survei Statistik Keuangan Daerah dan Keuangan BUMN/BUMD

6. Survei Industri Besar dan Sedang Bulanan

7. Survei Industri Besar dan Sedang Tahunan

8. Survei Perusahaan Perkebunan Karet Rumah dan Kehutanan

9. Survei Perusahaan Holtikultura dan Penyusunan Indikator Pertanian

20

10. Survei Pertambangan, Energi, dan Konstruksi

11. Survei Harga Produsen dan Konsumen Pedesaan

12. Survei Harga Konsumen dan Volume Penjualan Eceran Beras

13. Survei Harga Perdagangan Besar

14. Survei Transportasi

15. Survei Khusus Sektor Perdagangan dan Jasa (SKSPJ)

16. Survei Lembaga Keuangan dan Monitoring Kurs Valuta Asing

17. Survei Usaha Perdagangan Berskala Menengah dan Besar

18. Survei Upah

19. Survei Pertanian Tanaman Pangan/Ubianan

20. Survei Biaya Hidup (SBH)

21. Pendapatan Potensi Desa

22. Uji Coba Organisasi Lapangan Sensus Penduduk dan Perumahan

23. Pemetaan Wilayah

2.2 Paparan Kegiatan Magang Mahasiswa

Kegiatan Magang Mahasiswa (KMM) ini penulis laksanakan di Badan Pusat

Statistik (BPS) Kota Surakarta dengan alamat Jl. P. Lumban Tobing 6 Pasar Legi.

Pelaksanaan KMM di BPS Kota Surakarta dimulai dari tanggal 8 Juli 2013

sampai dengan 13 Februari 2013, dengan jadwal jam kegiatan magang mengikuti

jam kerja karyawan. Kegiatan yang penulis lakukan selama kegiatan magang

mahasiswa berlangsung antara lain, entry data SUSENAS (Survei Ekonomi dan

Sosial Nasional) beberapa kecamatan di Kota Surakarta, mengecek berkas-berkas

untuk Survei Angkatan Kerja Nasional 2013, membuat isian Pasar Kliwon Dalam

Angka 2012 Kota Surakarta, merekap Updating Survei Angkatan Kerja Nasional

Kecamatan Sumber, Pelatihan Survei Angkatan Kerja Nasional 2013, dan

Pencacahan Survei Angkatan Kerja Nasional 2013 Kecamatan Sumber.

21

2.3 Jadwal Kegiatan

Selama magang di Badan Pusat Statistik (BPS) Surakarta, jadwal kegitan

dapat dilihat pada Tabel 2.1

Tabel 2.1. Jadwal kegiatan

NO HARI/TANGGAL KEGIATAN

1. Senin,8 Juli 2013 Perkenalan, Entry data SUSENAS 2013 Kecamatan Sumber

2. Selasa, 9 Juli 2013 Entry data SUSENAS 2013 Kecamatan Sumber

3. Rabu, 10 Juli 2013 Entry data SUSENAS 2013 Kecamatan Gajahan

4. Kamis,11 Juli 2013 Membuat isian Agama Pasar Kliwon Dalam Angka

5. Jumat,12 Juli 2013 Membuat Isian Agama Pasar Kliwon Dalam Angka

6. Senin,15 Juli 2013 Entry data SUSENAS 2013 Kelurahan Danukusuman

7. Selasa,16 Juli 2013 Entry data SUSENAS 2013 Kelurahan Panularan

8. Rabu,17 Juli 2013 Entry data IBSDPembuatan Blanko Kuisioner

9. Kamis,18 Juli 2013 a. Penyortiran Surat dan Berkas BPS 2010, 2011 dan 2012

b. Survei harga pasar di Ps. Legi10. Jumat,19 Juli 2013 Penanggalan Surat Tugas Survei Harga

Pasar11. Senin, 22 Juli 2013 Pelatihan SAKERNAS12. Selasa, 23 Juli 2013 Entry data SUSENAS13. Rabu, 24 Juli 2013 a. Entry data SUSENAS

b. Membantu penyiapan berkas SAKERNAS 2013

14. Kamis,25 Juli 2013 Perhitungan proporsi DDA 2012 Pasar Kliwon

15. Jumat, 26 Juli 2013 Entry data SUSENAS Kecamatan Sumber

16. Senin, 29 Juli 2013 Updating Data SAKERNAS Kecamatan Sumber

17. Selasa,30 Juli 2013 Updating Data SAKERNAS Kecamatan Sumber

18. Rabu,31 Juli 2013 Updating data SAKERNAS Kecamatan Sumber

19. Kamis,1 Agustus 2013

Updating data SAKERNAS Kecamatan Sumber

20. Jumat, 2 Agustus 2013

Updating data SAKERNAS Kecamatan Sumber

21. Senin, 12 Agustus 2013

Pencacahan SAKERNAS Kecamatan Sumber

22

BAB III

LANDASAN TEORI

3.1. Pengertian ARIMA (Autoregressive Integrated Moving Average)

Metode Autoregressive Integrated Moving Average (ARIMA) atau biasa

disebut juga sebagai metode Box-Jenkins merupakan metode yang secara intensif

dikembangkan oleh George Box dan Gwilym Jenkins (1976), yang merupakan

perkembangan baru dalam metode peramalan ekonomi. ARIMA merupakan suatu

metode yang menghasilkan ramalan-ramalan berdasarkan sintesis dari pola data

secara historis (Arsyad, 1995). ARIMA ini sama sekali mengabaikan variabel

independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau

dari variabel dependen untuk menghasilkan peramalan jangka pendek yang

akurat.

ARIMA telah digunakan secara luas seperti dalam peramalan ekonomi,

analisis anggaran (budgetary), mengontrol proses dan kualitas (quality control &

process controlling), dan analisis sensus. Berikut penggunaan ARIMA di berbagai

sektor,

1. untuk meramal tingkat pengangguran,

2. menganalisis pengaruh promosi terhadap penjualan barang-barang konsumsi,

3. menganalisis persaingan antara jalur kereta api dengan jalur pesawat terbang,

4. mengestimasi perubahan struktur harga suatu industri.

Menurut Arsyad (1995) metode Box-Jenkins untuk data runtun waktu (time

series) yang stasioner adalah ARIMA. ARIMA ini merupakan uji linear yang

istimewa. Dalam peramalan, model ini sama sekali mengabaikan variabel

independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau

dari variabel dependen untuk menghasilkan peramalan jangka pendek yang

akurat.

Metode Box-Jenkins hanya dapat diterapkan pada pola yang stasioner atau

telah dijadikan stasioner melalui proses differencing. Karena series stasioner tidak

punya unsur trend, maka yang ingin dijelaskan dengan metode ini adalah unsur

sisanya, yaitu eror. Kelompok model time series linear yang termasuk dalam

23

metode ini antara lain: autoregressive, moving average, autoregressive-moving

average, dan autoregressive integrated moving average.

3.2. Model Autregressive Integrated Moving Average (ARIMA)

Model time series yang digunakan berdasarkan asumsi bahwa data time

series tersebut stasioner, artinya rata-rata varian (σ 2) suatu data time series

konstan. Tapi seperti kita ketahui bahwa banyak data time series dalam ilmu

ekonomi adalah tidak stasioner, melainkan integrated. Jika data time series

integrated dengan ordo 1 disebut I (1) artinya differencing pertama. Jika pola

melalui proses differencing sebanyak d kali dapat dijadikan stasioner, maka pola

itu dikatakan nonstasioner homogen tingkat d. Seringkali proses random stasioner

tak dapat dengan baik dijelaskan oleh model moving average saja atau

autoregressive saja, karena proses itu mengandung keduanya. Karena itu,

gabungan kedua model, yang dinamakan Autregressive Integrated Moving

Average (ARIMA) dapat lebih efektif menjelaskan proses itu. Pada model

gabungan ini series stasioner adalah fungsi dari nilai lampaunya serta nilai

sekarang dan kesalahan lampaunya.

Bentuk umum model ini adalah (Mulyono, 2000) :

Y t=b0+b1Y t−1+…+bnY t−n−a1e t−1−…−an et−n+e t......... (3)

dengan

Y t : nilai pola yang stasioner

Y t−1, Y t−2 : nilai pola lampau yang bersangkutan

e t : residu

e t−1 , et−2 : variabel bebas yang merupakan lag dari residu

b0 : konstanta

b1 , bn , a1 , a1 : koefisien model

Proses ARIMA dilambangkan dengan ARIMA (p,d,q),

dengan

24

q : orde/ derajat Autoregressive (AR)

d : tingkat proses differencing

p : orde/ derajat Moving Average (MA)

Adalah mungkin suatu series nonstasioner homogen tidak tersusun atas

kedua proses itu, yaitu proses autoregressive maupun moving average. Jika

hanya mengandung proses Autoregressive, maka series itu dikatakan mengikuti

proses Integrated Autoregressive dan dilambangkan ARIMA (p,d,0). sementara

yang hanya mengandung proses Moving Average, seriesnya dikatakan mengikuti

proses Integrated Moving Average dan dituliskan ARIMA (0,d,q).

3.3. Tahapan Metode ARIMA (Box-Jenkins)

Dengan metode ini diharapkan dapat menjawab pertanyaan berikut ini:

Bagaimana suatu data time series diselesaikan yaitu apakah dengan proses AR

murni/ ARIMA (p,0,0) atau MA murni/ ARIMA (0,0,q) atau proses ARMA/

ARIMA (p,0,q) atau proses ARIMA (p,d,q).

Langkah-langkah penerapan metode ARIMA secara berturut-turut adalah :

1. spesifikasi atau identifikasi model,

2. pendugaan parameter model,

3. uji kecocokan model, dan

4. peramalan.

25

Gambar 3.1. Langkah Metode ARIMA

3.4. Model Umum dan uji Stasioner.

Data runtun waktu yang stasioner adalah data runtun waktu yang nilai rata-

ratanya tidak berubah. Apabila data yang menjadi input dari model ARIMA tidak

stasioner, perlu dilakukan modifikasi untuk menghasilkan data yang stasioner.

Salah satu cara yang umum dipakai adalah metode pembedaan (differencing),

yaitu mengurang nilai data pada suatu periode dengan nilai data periode

sebelumnya. Metode Box-Jenkins hanya dapat menjelaskan, atau mewakili series

yang stasioner atau telah dijadikan stasioner melalui proses differencing

(Mulyono, 2000). Karena series stasioner tidak mempunyai unsur trend, maka

yang ingin dijelaskan dengan metode ini adalah unsur sisanya, yaitu eror. Untuk

keperluan pengujian stasioneritas, dapat dilakukan dengan beberapa metode

seperti,

1. Plot fungsi autokorelasi (ACF)

2. Uji akar-akar unit

3. Derajat integrasi

Suatu series dikatakan stasioner atau menunjukkan kesalahan random

adalah jika koefisien autokorelasi untuk semua lag secara statistik tidak berbeda

26

dari nol. Ssecara statistik, satu koefisien dikatakan tidak berbeda dari nol jika ia

berada dalam interval 0 ± Zα /2(1/√ n)

dengan

Zα /2: nilai variabel normal standar dengan tingkat keyakinan 1−α

n : banyaknya observasi

3.5. Identifikasi Model

Setelah data runtun waktu telah stasioner, langkah berikutnya adalah

menetapkan model ARIMA ( p , d , q) yang sekiranya cocok (tentatif), maksudnya

menetapkan berapa p, d , dan q. Jika tanpa proses differencing d diberi nilai 0,

jika menjadi stasioner setelah first order differencing d bernilai 1 dan seterusnya.

Dalam memilih berapa p dan q dapat dibantu dengan mengamati plot fungsi

autokorelasi dan fungsi autokorelasi parsial.

3.5.1 Pendugaan Parameter Model

Misalkan model tentatif telah ditetapkan, langkah berikutnya adalah

menduga parameternya. Pendugaan parameter model ARIMA menjadi sulit

karena adanya unsur moving average yang menyebabkan ketidaklinearan

parameter. Jadi disini tak lagi digunakan Ordinary Least Squares (OLS), sebagai

gantinya digunakan metode penduga nonlinear. Seperti halnya dalam model

regresi, kriteria pendugaan adalah eror kuadrat minimum. Perhatikan bahwa

model autoregressive murni dapat diduga dengan OLS. Proses pendugaan diawali

dengan menetapkan nilai awal parameter (koefisien model) dilanjutkan dengan

proses iterasi menuju parameter yang menghasilkan eror kuadrat minimum.

Pemilihan nilai awal parameter berpengaruh terhadap banyaknya iterasi. Jika

pilihan awal (dekat dengan parameter yang sebenarnya), konvergensi akan

tercapai lebih cepat. Sebaliknya dugaan yang kurang tepat memungkinkan proses

iterasi tidak konvergen.

3.5.2. Uji Kecocokan Model

Setelah penduga parameter diperoleh, agar model siap dimanfaatkan untuk

peramalan, perlu dilewati tahap uji kecocokan model, yaitu memeriksa atau

menguji apakah model telah dispesifikasi secara benar atau apakah telah dipilih p,

d, dan q yang benar. Menurut Mulyono (2000) jika model dispesifikasi dengan

benar, kesalahannya harus random atau merupakan suatu proses antar-error tidak

27

berhubungan, sehingga fungsi autokorelasi dari kesalahan tidak berbeda dengan

nol secara statistik. Jika tidak demikian, spesifikasi model yang lain perlu diduga

dan diperiksa. Kedua, dengan menggunakan statistik Box-Pierce (Ljung-Box) Q

untuk menguji apakah fungsi autokorelasi kesalahan semuanya tidak berbeda dari

nol. Rumusan statistik Box-Pierce adalah (Mulyono, 2000) :

Q=n(n−2)∑ rk2

n−k

dengan

rk : koefisien autokorelasi kesalahan dengan lag k

n : banyaknya observasi

Statistik Q mendekati distribusi chi kuadrat dengan derajat bebas k-p-q. jika

statistik Q lebih kecil dari nilai kritis chi kuadrat seperti yang tertera pada tabel,

maka semua koefisien autokorelasi dianggap tidak berbeda dari nol atau model

telah dispesifikasi dengan benar. Dalam praktik, biasanya digunakan k yang besar,

misalnya 24. Ketiga, dengan menggunakan uji t untuk menguji apakah koefisien

model secara individu berbeda dari nol. Seperti halnya dalam regresi, ciri model

yang baik adalah jika semua koefisien modelnya secara statistik berbeda dari nol.

Jika tidak demikian, variabel yang didekati koefisien itu seharusnya dilepas dan

spesifikasi model yang lain diduga dan diuji. Jika terdapat banyak spesifikasi

model yang lolos dalam uji kecocokan model, yang terbaik dari model itu adalah

model dengan koefisien lebih sedikit (prinsip parsimony).

3.5.3. Peramalan

Langkah terakhir adalah menggunakan model yang terbaik untuk

peramalan. Jika model terbaik telah ditetapkan, model itu siap digunakan untuk

peramalan. Berdasarkan cirinya, model time series ARIMA lebih cocok untuk

peramalan dengan jangkauan sangat pendek, sementara model struktural lebih

cocok untuk peramalan dengan jangkauan panjang. Akhirnya perlu diingatkan

bahwa peramalan merupakan suatu proses yang berkelanjutan, maksudnya jika

data terbaru muncul, model perlu diduga dan diperiksa kembali (Mulyono, 2000).

3.5.4. Pengukuran Kesalahan Peramalan

28

Ada beberapa metode yang digunakan untuk menunjukkan kesalahan yang

disebabkan oleh suatu teknik peramalan tertentu. Hampir semua ukuran tersebut

menggunakan beberapa fungsi dari perbedaan antara nilai sebenarnya dengan nilai

peramalannya. Perbedaan nilai sebenarnya dengan nilai peramalan ini biasanya

disebut sebagai residu. Kesalahan rata-rata kuadrat dirimuskan sebagai berikut,

RKS = ∑t=1

n (Y t−Y t)2

n

Dengan

Y t : nilai pola yang stasioner

Y t : nilai ramalan

n : banyaknya observasi (data)

29

BAB IV

PEMBAHASAN DAN HASIL

4.1. Jenis dan Sumber data

Data yang digunakan untuk penulisan ini adalah data bulanan Tingkat

Penghunian Tempat Tidur (TPTT) Hotel Bintang di Kota Surakarta. Sumber

data berasal dari Surakarta Dalam Angka Tahun 2006-2012.

4.2. Analisis Data

Jika data time series stasioner maka dapat dibuat berbagai model

peramalan yaitu autoreggressive (AR), moving average (MA) dan

autoreggressive integrated moving average (ARIMA). Untuk mengetahui apakah

data time series ini mengikuti proses AR (jika ya, berapa nilai p) atau mengikuti

proses MA (jika ya, berapa nilai q) atau mengikuti proses ARIMA dengan

mengetahui nilai p,d, dan q, maka terlebih dahulu dilakukan serangkaian uji-uji

seperti uji kestasioneran data, proses pembedaan, dan pengujian correlogram

untuk menentukan koefisien autoregresi. Dari gambar correlogram autokorelasi

(ACF) dan autokorelasi parsial (PACF) dapat ditentukan nilai p ,d dan q. Jika

hasil correlogram ACF signifikan pada lag 1 dan PACF mengalami penurunan

secara eksponensial (bergelombang) setelah lag 2 maka yang terjadi adalah proses

AR(1), AR (2) atau ARIMA(1,1,0) dan ARIMA(2,1,0), dan jika hasil correlogram

PACF signifikan pada lag 1 dan ACF mengalami penurunan secara eksponensial

(bergelombang) setelah lag 1 maka yang terjadi adalah proses MA(1) atau

ARIMA(0,1,1). Namun jika hasil correlogram ACF dan PACF sama-sama

bergelombang maka yang terjadi adalah proses ARIMA (1,1,1) atau

ARIMA(2,1,1).

Jika data time series bisa diproses dengan semua model yang disebutkan

diatas (AR, MA dan ARIMA), maka model terbaik ditentukan berdasarkan pada

model yang memberikan nilai minimum pada RKS. Data tingkat penghunian

tempat tidur hotel Bintang 3 di Kota Surakarta dapat dilihat pada tabel 4.1.

30

Tabel 4.1. Data tingkat penghunian tempat tidur hotel Bintang 3 di Kota

Surakarta (dalam persen)

BulanTahun

2006 2007 2008 2009 2010 2011 2012

Januari 31,06 35,09 58,06 50,89 53,94 56,97 54,08

Februari 33,87 32,92 38,13 47,72 56,78 57,4 53,94

Maret 34,8 42,24 47,5 51,13 53,83 60,71 59,46

April 28,27 41,53 45,7 49,58 54,99 55,99 58,62

Mei 46,37 35,45 49,57 50,49 58,47 64,71 59,56

Juni 46,27 44,81 38,23 58,67 60,81 64,27 63,09

Juli 38,17 50,12 37,26 60,85 64,86 66,01 58,04

Agustus 35,45 42,67 48,91 58,09 55,08 52,34 57,04

Septembe

r

38,84 43,64 36,54 49,9 72,73 62,92 61,31

Oktober 29,47 42,36 47,76 58,04 61,02 63,11 61,71

November 31,35 45,75 58,71 56,9 58,99 64,82 64,37

Desember 20,97 36,93 53,34 58,57 60,74 68,44 68

Gambar 4.1. Plot Data Tingkat Hunian Tempat Tidur Hotel Bintang 3 Kota

Surakarta

31

Pada Gambar 4.1 dapat dilihat data pergerakan tingkat hunian hotel Bintang

3. Hal ini menunjukkan data tidak stasioner sehingga perlu dilakukan proses

pembedaan (differencing) agar data menjadi stasioner.

4.3. Kestasioneran Data

Kestasioneran data diperiksa dengan analisis autokorelasi dan autokorelasi

parsial (Aritonang, 2002). Sebagaimana telah dikemukakan bahwa data yang

dianalisis dalam ARIMA adalah data yang bersifat stasioner, yaitu data yang nilai

rata-rata dan variansinya relatif konstan dalam suatu periode. Jadi sebelum

dilanjutkan ketahap selanjutnya, data harus lebih dulu diperiksa kestasionerannya.

Pengeksplorasian pola data time series dilakukan dengan menggunakan time

lag (selisih waktu) selama 1 bulan dalam analisis autokorelasi terhadap data

tersebut. Sedangkan hasil perhitungan fungsi autokorelasi dengan menggunakan

program komputer Minitab 16.0 dapat dilihat pada Gambar 4.2 dan 4.3.

Gambar 4.2. Plot ACF Data Tingkat Hunian Tempat Tidur Hotel Bintang 3

Kota Surakarta

32

Gambar 4.3. Plot PACF Data Tingkat Hunian Tempat Tidur Hotel Bintang

3 Kota Surakarta

Dari Gambar 4.2 dapat dilihat bahwa koefisien autokorelasi berbeda secara

signifikan dari nol dan mengecil secara perlahan memberntuk garis lurus

sedangkan semua koefisien autokorelasi parsial mendekati nol setelah lag kedua.

Kedua hal tersebut menunjukkan bahwa data bersifat tidak stasioner, padahal

metode ARIMA memerlukan data yang bersifat stasioner. Data yang tidak

stasioner tersebut harus ditransformasi terlebih dahulu agar diperoleh hasil yang

lebih baik dan stasioner dengan metode pembedaan yaitu selisih nilai awal (Yt )

dengan data nilai sebelumnya (Yt−1).

Plot ACF dan PACF hasil proses pembedaan (differencing) dapat dilihat

pada Gambar 4.4 dan 4.5.

33

Gambar 4.4. Plot ACF Data Tingkat Hunian Tempat Tidur Hotel Bintang 3

Kota Surakarta Setelah Differencing

Gambar 4.5. Plot PACF Data Tingkat Hunian Tempat Tidur Hotel Bintang

3 Kota Surakarta Setelah Differencing

Dari Gambar 4.4 dan 4.5 dapat dilihat ada satu koefisien yang signifikan

yaitu pada lag 1. Sedangkan pada plot PACF terlihat lag 1 dan lag 2 signifikan.

4.4. Estimasi Model

Penentuan nilai d (differencing) telah dilakukan pada bagian sebelumnya,

yaitu nilai d sebesar 1. Hal ini disebabkan bahwa data awal yang sebelumnya

34

tidak stasioner dapat ditransformasi menjadi stasioner dengan menggunakan

proses pembedaan sebesar 1. Sedangkan nilai p dan q ditentukan dari pola fungsi

autokorelasi dan autokorelasi parsial (Mulyono, 2000). Dari Gambar 4.4 dan

Gambar 4.5 dapat dilihat koefisien autokorelasi menurun secara bertahap atau

bergelombang dan koefisien autokorelasi parsial juga menurun secara bertahap

atau bergelombang (sampai lag p masih berbeda dari nol) maka hal tersebut

menunjukkan bahwa proses tersebut adalah proses ARIMA (p,d,q).

Data mengalami proses differencing 1 kali maka nilai d=1, dan pada plot

ACF lag yang keluar 2 jadi q=1 atau q=2. Sedangkan pada plot PACF ada 1 lag

yang keluar sehingga p=1. Berikut beberapa model yang mmungkin,

a. IMA(1,1)

b. ARI(1,1)

c. ARI(2,1)

d. ARIMA(1,1,1)

e. ARIMA(1,1,2)

4.5. Pemilihan Model

a. Model IMA(1,1)

Hasil estimasi model IMA(1,1) dengan bentuan software Minitab 16.

Dapat dilihat pada Tabel 4.3.

Tabel 4.3. Hasil Estimasi dengan Model IMA(1,1)Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 0,8519 0,0580 14,69 0,000

Constant 0,3629 0,1005 3,61 0,001

Differencing: 1 regular difference

Number of observations: Original series 84, after differencing 83

Residus: SS = 2825,20 (backforecasts excluded)

MS = 34,88 DF = 81

Berdasarkan output Tabel 4.3, selanjutnya dilakukan uji masing-masing

parameter untuk mengetahui apakah parameter mempunyai pengaruh yang

signifikan terhadap model.

Uji signifikansi konstanta

i. H 0: Konstanta tidak signifikan dalam model

H 1: Konstanta signifikan dalam model

35

ii. Dipilih α=0.05

iii. Daerah kritis, H 0 ditolak jika p value<α=0.05

iv. Statistik uji

Berdasarkan output minitab p value=0.001

v. Kesimpulan

Karena p value=0.001<α maka H 0 tidak ditolak artinya konstanta

signifikan dalam model.

Uji signifikansi koefisien MA(1)

i. H 0: Koefisien tidak signifikan dalam model

H 1: Koefisien signifikan dalam model

ii. Dipilih α=0.05

iii. Daerah kritis, H 0 ditolak jika p value<α=0.05

iv. Statistik uji

Berdasarkan output minitabp value=0.000

v. Kesimpulan

Karena p value=0.000<α maka H 0 ditolak artinya koefisien signifikan

dalam model

Model IMA (1,1) adalah

Z t=0,3629+Z t−1−0,8519 at−1+at

b. Model ARI(1,1)

Hasil estimasi model ARI(1,1) dengan bentuan software Minitab 16. Dapat

dilihat pada Tabel 4.4.

Tabel 4.4. Hasil Estimasi dengan Model ARI(1,1)Final Estimates of Parameters


AR 1 -0,5096 0,0957 -5,32 0,000

Constant 0,6375 0,7051 0,90 0,369




MS = 41,26 DF = 81

Selanjutnya dilakukan uji masing-masing parameter untuk mengetahui

apakah parameter mempunyai pengaruh yang signifikan terhadap model.

36




ii. Dipilih α=0.05

iii.Daerah kritis, H 0 ditolak jika p value<α=0.05

iv. Statistik uji


v. Kesimpulan

Karena p value=0.369>α maka H 0 tidak ditolak artinya konstanta tidak

signifikan dalam model

Uji signifikansi koefisien AR(1)



ii. Dipilih α=0.05


iv. Statistik uji


v. Kesimpulan


dalam model

Model ARI (1,1) adalah Z t=0,6375+Z t−1−0,5096(Z t−1−Z t−2)+at

c. Model ARI(2,1)

Hasil estimasi model ARI(2,1) dengan bentuan software Minitab 16. Dapat

dilihat pada Tabel 4.5,

Tabel 4.5. Hasil Estimasi dengan Model ARI(2,1)Final Estimates of Parameters


AR 1 -0,6322 0,1089 -5,81 0,000

AR 2 -0,2396 0,1089 -2,20 0,031

Constant 0,7661 0,6889 1,11 0,269


37



MS = 39,39 DF = 80


apakah parameter mempunyai pengaruh yang signifikan terhadap model:




ii. Dipilih α=0.05


iv. Statistik uji


v. Kesimpulan

Karena p value=0.269>α maka H 0 tidak ditolak artinya konstanta tidak





ii. Dipilih α=0.05


iv. Statistik uji


v. Kesimpulan


dalam model




ii. Dipilih α=0.05


iv. Statistik uji

Berdasarkan output minitab p valu e=0.031

38

v. Kesimpulan


dalam model

Model ARI(2,1) adalah

Z t=0,7661+Z t−1−0,6322(Z t−1−Z t−2)+−0,2396 (Z t−2−Z t−3)+a t

d. ARIMA(1,1,1)

Hasil estimasi model ARIMA(1,1,1) dengan bentuan software Minitab 16.


Tabel 4.6. Hasil Estimasi dengan Model ARIMA(1,1,1)Final Estimates of Parameters


AR 1 0,1127 0,1307 0,86 0,391

MA 1 0,8899 0,0615 14,47 0,000

Constant 0,32700 0,07666 4,27 0,000




MS = 35,03 DF = 80


apakah parameter mempunyai pengaruh yang signifikan terhadap model




ii. Dipilih α=0.05

iii.Daerah kritis, H 0 ditolak jika p−value<α=0.05

iv. Statistik uji

Berdasarkan output minitab p−value=0.000

v. Kesimpulan

Karena p−value=0.000<α maka H 0 ditolak artinya konstanta signifikan

dalam model


39



ii. Dipilih α=0.05


iv. Statistik uji


v. Kesimpulan

Karena p v alue=0.000<α maka H 0 ditolak artinya koefisien signifikan

dalam model




ii. Dipilih α=0.05


iv. Statistik uji


v. Kesimpulan

Karena p value=0.391>α maka H 0 tidak ditolak artinya koefisien tidak


Model ARIMA (1,1,1) adalah

Z t=0,32700+Z t−1+0,1127 (Z t−1−Z t−2)−0,8899 a t−1+at

e. ARIMA(2,1,1)

Hasil estimasi model ARIMA(2,1,1) dengan bentuan software Minitab 16.


Tabel 4.7. Hasil Estimasi dengan Model ARIMA(2,1,1)Final Estimates of Parameters


AR 1 -1,3391 0,1013 -13,22 0,000

AR 2 -0,3408 0,1013 -3,36 0,001

MA 1 -0,9944 0,0005 -1910,07 0,000

40

Constant 1,325 1,417 0,93 0,353




MS = 42,17 DF = 79


apakah parameter mempunyai pengaruh yang signifikan terhadap model




ii. Dipilih α=0.05


iv. Statistik uji


v. Kesimpulan

Karena p value=0.353<α maka H 0 tidak ditolak artinya konstanta tidak





ii. Dipilih α=0.05


iv. Statistik uji


v. Kesimpulan


dalam model




ii. Dipilih α=0.05


iv. Statistik uji

41


v. Kesimpulan


dalam model




ii. Dipilih α=0.05


iv. Statistik uji


v. Kesimpulan


dalam model

Model ARIMA (2,1,1)

Z t=1,325+Z t−1−1,3391(Z t−1−Z t−2)−0,3408 (Z t−2−Z t−3)−0,9944 at−1+at

Berdasarkan output software maka model yang akan dipilih yaitu IMA(1,1),

ARI (1,1), ARI(2,1) dan ARIMA(2,1,1). Sedangkan untuk model ARIMA (1,1,1)

tidak dipilih karena parameter tidak signifikan dengan ditandai nilai

p val ue>0.05.

Selanjutnya untuk mengetahui model mana yang paling cocok untuk

meramalkan, maka digunakan kriteria kesalahan, yaitu dengan membandingkan

nilai-nilai RKS.

Tabel 4.8. Perbandingan Nilai RKS Model TerpilihModel RKS

IMA(1,1) 34,88

ARI(1,1) 41,26

ARI(2,1) 39,39

ARIMA(2,1,1) 42,17

42

Berdasarkan Tabel 4.8 model IMA(1,1) yang paling baik digunakan untuk

meramalkan Tingkat Hunian Tempat Tidur Hotel Bintang 3 di Kota Surakarta

karena memiliki nilai RKS terkecil.

4.4 Uji Diagnostik Residu

a. Uji normalitas residu

Gambar 4.6. Plot Normalitas Residu Model IMA(1,1)

Uji Normalitas Residu menggunakan Uji Anderson-Darling. Pada Gambar

4.6 terlihat titik-titik residu berada di dalam interval konfidensi, maka residu

berdistribusi normal. Untuk meyakinkan, akan diuji menggunakan Uji Anderson-

Darling.

Uji normalitas menggunakan Anderson Darling. Langkah-langkah uji

sebagai berikut,

i. H 0 : Residu berdistribusi normal

ii. H 1: Residu tidak berdistribusi normal

iii.α=0.05

iv. Daerah penolakan : H0 ditolak jika p value < alpha=0.05

v. Statistik uji

p value=0.282

vi. Kesimpulan

43

Karena p value>0.282 maka H 0 tidak ditolak artinya residu berdistribusi

normal.

b. Uji Independensi Residu

Uji independensi nilai residu dilakukan dengan uji Ljung-Box.

Tabel 4.9. Nilai Ljung-Box Model IMA(1,1)

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 7,3 14,3 26,6 36,4

DF 10 22 34 46

P-Value 0,697 0,892 0,812 0,843

Langkah-langkah uji independensi sebagai berikut:

i. H 0 : Residu saling independen

ii. H 1: Residu tidak saling independen

iii. α=0.05

iv. Daerah penolakan : H0 ditolak jika p value < alpha=0.05

v. Statistik uji

Lag 12 24 36 48

p value 0,697 0,892 0,812 0,843

vi. KesimpulanKarena p value > 0.05 maka H0 tidak ditolak artinya residu saling

independen.

44

Gambar 4.7. Plot ACF Residu Model IMA(1,1)

Dari plot fungsi autokorelasi (ACF) di atas terlihat bahwa semua lag

berada dalam interval konfidensi yang berarti residu antar lag independen dan

tidak terdapat autokorelasi.

Residu dari model IMA(1,1) telah memenuhi asumsi normalitas dan

independensi. Oleh karena itu model IMA(1,1) baik digunakan untuk meramalkan

data Tingkat Hunian Tempat Tidur Hotel Bintang 3 Kota Surakarta.

Persamaannya

Z t=0,3629+Z t−1−0,8519 at−1+at

Gambar 4.9. Plot Peramalan Tingkat Hunian Tempat Tidur Hotel Bintang

3 Kota Surakarta

Tabel 4.10. Peramalan Tingkat Hunian Tempat Tidur Hotel Bintang 3

Kota Surakarta

Forecasts from period 84

95% Limits

Period Forecast Lower Upper Actual

85 64,2252 52,6474 75,8030

86 64,5881 52,8840 76,2921

87 64,9510 53,1220 76,7800

88 65,3139 53,3613 77,2665

89 65,6768 53,6019 77,7517

45

Gambar 4.9 dan Tabel 4.10 menunjukan peramalan lima bulan mendatang

Tingkat Hunian Tempat Tidur Hotel Bintang 3 Kota Surakarta menggunakan

model IMA(1,1).

Dengan adanya peramalan yang tepat untuk Tingkat Hunian Tempat Tidur

Hotel Bintang 3 Kota Surakarta diharapkan dapat dijadikan acuan bagi pihak-

pihak yang membutuhkan dalam mengambil kebijakan strategis yang tepat dan

menguntungkan.

46

BAB V

PENUTUP

5.1. Kesimpulan

1. Model yang paling baik untuk meramalkan data Tingkat Hunian Tempat Tidur

Hotel Bintang 3 Kota Surakarta adalah IMA(1,1) dengan rata-rata kuadrat eror

(RKS) 34,35%.

2. Nilai peramalan untuk bulan Januari-Mei 2013 yaitu 64,2252; 64,5881;

64,9510; 65,3139 dan 65,6768.

5.2. Saran

Dikarenakan nilai peramalan untuk Tingkat Hunian Tempat Tidur Hotel

Bintang 3 Kota Surakarta menunjukkan nilai positif, maka bagi para Investor

perhotelan tidak perlu khawatir untuk mengembangkan bisnis Hotel Bintang 3 di

Kota Surakarta. Sedangkan, bagi peneliti selanjutnya bisa menganalisis data hotel

Bintang 1, Bintang 2 dan Bintang 4 untuk menambah informasi bagi masyarakat.

47

DAFTAR PUSTAKA

[1] Badan Pusat Statistik. Surakarta Dalam Angka 2007. 2008. Surakarta






[7] Hanke, John E and Dean W Wichern. 2005. Business Forcasting . Pearson Prentice Hall.

[8] Makridakis, S dan S,C. Wheelwright. 1995. Metode dan Aplikasi Peramalan . Alih bahasa oleh Ir. Untung Sus Andriyanto dan Ir. Abdul Basith, M.Sc. Erlangga:Jakarta.

[9] http:\\suaramerdeka.com. “Jumlah hunian hotel Kota Solo”. Akses tanggal 8 September 2013

[10] Aritonang, L. 2002. Peramalan Bisnis, Ghalia Indonesia, Jakarta

[11] Mulyono, 2000, “Peramalan Harga Saham dan Nilai Tukar : Teknik Box-Jenkins”, Ekonomi dan Keuangan Indonesia, Vol. XLVIII No.2

48

Latar Belakang Masalah Autosavednnj

Documents

Transcript of Latar Belakang Masalah Autosavednnj