Peramalan Penjualan Speedy di daerah Gegerkalong Bandung dengan menggunakan metode box-jenkins
-
Upload
independent -
Category
Documents
-
view
0 -
download
0
Transcript of Peramalan Penjualan Speedy di daerah Gegerkalong Bandung dengan menggunakan metode box-jenkins
PERAMALAN PENJUALAN SPEEDY DENGAN
MENGGUNAKAN METODE BOX-JENKINS
MAKALAH disusun untuk memenuhi Ujian Akhir Semester mata kuliah Metode Runtun Waktu
Disusun oleh :
ASEP RIDWAN LUBIS
NIM : 1205344
PROGRAM STUDI MATEMATIKA
FAKULTAS PENDIDIKAN MATEMATIKA DAN IPA
UNIVERSITAS PENDIDIKAN INDONESIA
2015
i
KATA PENGANTAR
Puji Syukur ke hadirat Tuhan Yang Maha Esa, Allah SWT dengan karunianya
saya selaku penulis makalah ini diberikan kekuatan mulai dari mencari data, mengolah
data hingga akhirnya terbentuk suatu makalah ini.
Sekilas tentang laporan peramalan yang ditulis dalam judul “Peramalan
Penjualan Speedy dengan menggunakan metode Box-Jenkins” menyajikan tentang
suatu metode peramalan menggunakan metode Box-Jenkins yang biasa digunakan
untuk meramalkan data runtun waktu.
Data yang digunakan dalam peramalan ini yaitu penjualan speedy di daerah
Gegerkalong-Bandung yang didapatkan dari PT Telekomunikasi Indonesia Tbk yang
terdapat pada suatu skripsi berjudul “Generalized Space Time Autoregressive” karya
Gabriel Novianti.
Pada Bagian Landasan Teori, dijelaskan Metode Box-Jenkins mulai dari
penentuan model, estimasi parameter, verifikasi model lalu difiksasi suatu model
berdasarkan prinsip Parsimony. Selain makalah ini menjadi laporan tentang
peramalan, diharapkan juga menjadi referensi materi untuk kegiatan perkuliahan
Metode Runtun Waktu.
Tidak lupa saya ucapkan terimakasih kepada dosen pengampu Entit Puspita,
S.Pd.,M.Si yang senantiasa membimbing penulisan makalah ini.
Terakhir, tidak ada gading yang tidak retak karya tulis ini masih banyak
kekurangan. Oleh karena itu, diharapkan pembaca memberikan masukan yang
membangun kepada penulis.
ii
DAFTAR ISI KATA PENGANTAR .............................................................................................................. i DAFTAR ISI .......................................................................................................................... ii BAB I PENDAHULUAN
1.1 Latar Belakang .......................................................................................... 1 1.2 Rumusan Masalah .................................................................................... 2 1.3 Batasan Masalah ...................................................................................... 2 1.4 Tujuan Penulisan ...................................................................................... 2 1.5 Sistematika Penulisan ............................................................................... 3
BAB II LANDASAN TEORI
2.1 Konsep Dasar Runtun Waktu ................................................................... 4 2.1.1 Stasioneritas ................................................................................ 5 2.1.2 Fungsi Autokorelasi (FAK) ............................................................ 5 2.1.3 Fungsi Autokorelasi Parsial (FAKP) .............................................. 6 2.1.4 Proses white noise ....................................................................... 6
2.2 Model-Model Runtun Waktu Box-Jenkins Stasioner ............................... 7 2.2.1 Proses Autoregressive (AR) ......................................................... 9 2.2.2 Proses Moving Average (MA) ...................................................... 10 2.2.3 Proses Autoregressive Moving Average (ARMA) ........................ 12
2.3 Model-Model Runtun Waktu Box-Jenkins Nonstasioner ......................... 12 2.4 Pembentukan Model Runtun Waktu Box-Jenkins .................................... 14
2.4.1 Identifikasi Model ........................................................................ 14 2.4.2 Estimasi Parameter dalam Model ............................................... 15 2.4.3 Verifikasi Model .......................................................................... 16
2.5 Peramalan (Forecasting) ........................................................................... 18 BAB III PENGOLAHAN DATA
3.1 Proses pengolahan di Minitab .................................................................. 19 3.2 Identifikasi model ..................................................................................... 25 3.3 Estimasi Parameter .................................................................................. 26 3.4 Verifikasi model ......................................................................................... 29 3.5 Peramalan ................................................................................................ 36
BAB IV PENUTUP
4.1 Kesimpulan ............................................................................................... 38 4.2 Saran ......................................................................................................... 38
DAFTAR PUSTAKA ............................................................................................................... 39
LAMPIRAN .......................................................................................................................... 40
1 | P e r a m a l a n P e n j u a l a n S p e e d y
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi dan informasi berbasis internet sangat cepat.
Internet merupakan jaringan komputer seluruh dunia yang diatur oleh server
sehingga para pengguna internet bisa mengirim dan menerima e-mail, unduh
berbagai konten keilmuan, hiburan, dan lain-lain.
Di Indonesia, salah satu perusahaan penyedia layanan internet yaitu PT.
Telekomunikasi Indonesia Tbk. Salah satu penyediaan jasa koneksi internet yang
ditawarkan perusahaan tersebut diberi nama speedy. Dengan produk speedy
komputer personal dapat dihubungkan dengan jaringan internet. Berikut penjelasan
yang saya kutip dari situs telkomspeedy.com
Speedy merupakan layanan broadband akses internet dari Telkom Indonesia
berkualitas tinggi bagi perumahan serta SME (Small Medium Enterprise). Speedy
menggunakan teknolgi ADSL (Asymmetric Digital Line Subcriber), MSAN (Multi Service
Acces Node), dan GPON (Gigabit Passive Optical Network), yang menghantarkan
sinyal digital berkecepatan tinggi melalui jaringan telepon secara optimal bagi
keperluan konsumsi konten internet, kecepatan data minimal 512kbps (PT
Telekomunikasi Indonesia Tbk, n.d.).
Salah satu daerah di kota Bandung, Gegerkalong menjadi kota tujuan saya
untuk melakukan peramalan penjualan speedy karena daerah ini sangat potensial
untuk lebih dikembangkan bisnis pemasangan produk internet speedy. Gegerkalong
menjadi pusat kampus Universitas Pendidikan Indonesia dan semakin banyak kantor
didirikan tidak hanya itu, kompleks pondok pesantren Daarut Tauhiid juga berpusat
di daerah ini.
Metode peramalan data berdasarkan analisis data runtun waktu yang dicatat
per hari dengan menggunakan metode Box-Jenkins. Proses peramalan ini dibantu
2 | P e r a m a l a n P e n j u a l a n S p e e d y
dengan menggunakan software Minitab versi 16. Data penjualan speedy berasal dari
PT. Telekomunikasi Indonesia Tbk. Dengan dilakukan peramalan maka bisa diketahui
perkiraan banyak produk speedy yang terjual pada hari-hari berikutnya.
1.2 Rumusan Masalah
Berdasarkan uraian di atas, maka rumusan masalah yang akan dibahas pada
makalah ini adalah sebagai berikut :
1) Bagaimana mengidentifikasi model penjualan speedy di daerah
gegerkalong?
2) Bagaimana mengestimasi parameter dalam model penjualan speedy di
daerah gegerkalong?
3) Bagaimana memverifikasi model penjualan speedy di daerah
gegerkalong?
4) Bagaimana meramalkan penjualan speedy per hari selama satu bulan di
daerah gegerkalong?
1.3 Batasan Masalah
Dalam makalah ini, masalah akan dibatasi pada peramalan berdasakan data
yang memenuhi stasioneritas dengan metode Box-Jenkins, yaitu model
Autoregressive (AR), Moving Average (MA) dan autoregressive Moving Average
(ARMA).
1.4 Tujuan Penulisan
Adapun tujuan penulisan makalah ini sebagai berikut :
1) Mengidentifikasi model dari data runtun waktu.
2) Mengestimasi parameter dalam model.
3) Memverifikasi model penjualan speedy di daerah gegerkalong
4) Meramalkan penjualan speedy per hari selama satu bulan di daerah
gegerkalong
3 | P e r a m a l a n P e n j u a l a n S p e e d y
1.5 Sistematika Penulisan
Adapun sistematika penulisan makalah ini adalah sebagai berikut :
BAB I PENDAHULUAN
1.1 Latar Belakang
1.2 Rumusan Masalah
1.3 Batasan Masalah
1.4 Tujuan Penulisan
1.5 Sistematika Penulisan
BAB II LANDASAN TEORI
2.1 Konsep Dasar Runtun Waktu
2.2 Model-Model Runtun Waktu Box-Jenkins Stasioner
2.3 Model-Model Runtun Waktu Box-Jenkins Nonstasioner
2.4 Pembentukan Model Runtun Waktu Box-Jenkins
2.5 Peramalan (Forecasting)
BAB III PENGOLAHAN DATA
3.1 Proses pengolahan di Minitab
3.2 Identifikasi model
3.3 Estimasi Parameter
3.4 Verifikasi model
3.5 Peramalan
BAB IV PENUTUP
4.1 Kesimpulan
4.2 Saran
4 | P e r a m a l a n P e n j u a l a n S p e e d y
BAB II
LANDASAN TEORI
2.1 Konsep Dasar Runtun Waktu
Runtun waktu adalah serangkaian data hasil pengamatan suatu peristiwa,
kejadian, gejala, atau variabel yang diambil dari waktu ke waktu dan dicatat menurut
urutan waktu terjadinya kemudian disusun sebagai data statistik. Ciri-ciri analisis
runtun waktu yang menonjol adalah bahwa deretan observasi pada suatu variabel
dipandang sebagai realisasi dari variabel random berdistribusi bersama. (Zanzawi
Soejati, 1987).
Jenis runtun waktu dilihat dari polanya :
1) Runtun waktu deterministik
Jika dari sejarah data masa lalu keadaan yang akan datang dari suatu runtun
waktu dapat diramalkan dengan pasti.
2) Runtun waktu stokastik
Jika dari sejarah data masa lalu keadaan yang akan datang suatu runtun waktu
hanya dapat menentukan struktur probabilistik keadaan yang akan datang, maka
runtun waktu tersebut disebut stokastik (statistik). Runtun waktu statistik dapat
dianggap sebagai realisasi dari suatu proses stokastik (statistik), yaitu proses di
mana seseorang tidak bisa memperoleh himpunan observasi serupa seperti yang
sudah diperolehnya.
Menurut , ada beberapa faktor yang mempengaruhi data masa lalu, yaitu
1) Trend adalah suatu gerakan yang menunjukkan arah perkembangan secara
umum baik yang mengalamai pertumbuhan ataupun yang mengealami
penurunan. Bentuk pola ini terjadi apabila penurunan atau kenaikan data
berlangsung lama.
2) Variasi musiman menunjukkan perubahan yang berulang secara periodik dalam
runtun waktu. Gerakan musiman sering dijumpai pada data kuartalan, bulanan,
atau mingguan.
5 | P e r a m a l a n P e n j u a l a n S p e e d y
3) Gerak siklis yang sering juga disebut siklis bisnis. Gerak siklis menunjukkan
ekspansi dan penurunan aktivitas bisnis disekitar nilai normal. Panjang dari setiap
siklis relatif pendek dan tidak tetap.
2.1.1 Stasioneritas
Setelah kita mengetahui beberapa faktor yang memepengaruhi masa lalu kita
dapat mengklasifikasikan data yaitu : data stasioner dan data non stasioner. Secara
umum, data stasioner adalah data yang tidak mengalami ketiga faktor diatas sehingga
data runtun waktu tersebut tidak terjadi trend, variasi musiman atau gerak siklis. Data
nonstasioner adalah data runtun waktu yang mengalami trend, variasi musiman atau
gerak siklis.
Suatu data dikatakan stasioner jika data tersebut mempunyai nilai rata-rata
dan variansi yang relatif konstan dari waktu ke waktu. Sebaliknya, data yang tidak
stasioner mempunyai rata-rata dan variansi yang tidak konstan atau berubah
dikarenakan beberapa faktor yang mempengaruhi data masa lalu.
Syarat stasioner dibutuhkan agar kita bisa melakukan peramalan
menggunakan metode Box-Jenkins.
2.1.2 Fungsi Autokorelasi (FAK)
Fungsi autokorelasi digunakan untuk menghitung koefisien korelasi yang
berurutan dalam runtun waktu dengan selisih waktu (lag) 0, 1, 2 periode atau lebih,
ditulis {𝜌𝑘: 𝑘 = 1,2, … } dengan 𝜌0 = 1. Autokorelasi lag ke-𝑘 didefinisikan sebagai :
𝜌𝑘 =𝐶𝑜𝑣(𝑍𝑡, 𝑍𝑡−𝑘)
√𝑉𝑎𝑟(𝑍𝑡)√𝑉𝑎𝑟(𝑍𝑡−𝑘)=
𝛾𝑘
𝜆𝑜
Pada umumnya, 𝜇 dan 𝛾𝑘 ditaksir oleh
�� = �� =1
𝑛∑ 𝑍𝑡
𝑛𝑡=1 dan 𝑌�� = 𝐶𝑘 =
1
𝑛∑ (𝑍𝑡 − ��)(𝑍𝑡−𝑘 − ��)𝑛
𝑡=1 ,
sehingga autokorelasi lag ke-𝑘 ditaksir oleh:
𝜌�� = 𝑟𝑘 =𝐶𝑘
𝐶𝑂
6 | P e r a m a l a n P e n j u a l a n S p e e d y
Untuk runtun waktu stasioner yang normal, Bartlett menyatakan bahwa variansi 𝑟𝑘
dirumuskan sebagai:
𝑉𝑎𝑟(𝑟𝑘) ≈1
𝑛(1 + 2∑ 𝑟𝑖
2𝑘
𝑖=1)
Dan akar positifnya adalah sesatan standar 𝑟𝑘 untuk lag besar.
2.1.3 Fungsi Autokorelasi Parsial (FAKP)
Fungsi autokorelasi parsial (fakp) adalah himpunan autokorelasi parsial untuk
berbagai lag, ditulis {𝜙𝑘𝑘, 𝑘 = 1, 2, … }.
Matriks autokorelasi berukuran N didefinisikan oleh:
PN =
[
1ρ1
ρ2
ρ3
⋮ρN−1
ρ1
1ρ1
ρ2
⋮ρN−2
ρ2
ρ1
1ρ1
⋮ρN−3
ρ3
ρ2
ρ1
1⋮
ρN−4
…………⋱…
ρN−1
ρN−2
ρN−3
ρN−4
⋮1 ]
Autokorelasi parsial lag ke- dinotasikan oleh ϕkk yang didefinisikan oleh: ϕkk =|Pk
∗|
|Pk|
, di mana Pk∗ adalah Pk dengan kolom terakhir di ganti oleh [
ρ1
ρ2
⋮ρk
]
Untuk lag yang cukup besar, Quinouille menyatakan bahwa:
Var(ϕkk) ≈1
N
Jika |rk| < 2𝑆𝐸(rk), maka fakp tidak berbeda secara segnifikan dengan nol (terputus
setelah lag ke-𝑘).
2.1.4 Proses white noise
White noise adalah proses yang dibentuk oleh variabel random berdistribusi
independen identik normal dengan rata-rata nol dan variansinya konstan yang dapat
ditulis sebagai:
𝑎𝑡 ∼ 𝑁(0, 𝜎𝑎2)
7 | P e r a m a l a n P e n j u a l a n S p e e d y
dari pengertian tersebut white noise adalah stasioner dengan fungsi autokovariansi
𝛾𝑘 = {𝜎𝑎
2, 𝑘 = 00, 𝑘 ≠ 0
fungsi autokorelasi
𝛾𝑘 = {1, 𝑘 = 00, 𝑘 ≠ 0
dan fungsi autokorelasi parsialnya
𝛾𝑘 = {1, 𝑘 = 00, 𝑘 ≠ 0
Residual dari model diharapkan bersifat white noise artinya residual tersebut
berdistribusi normal dengan rata-rata nol dan variansinya konstan. Jika residual
bersifat white noise, maka residual hanya merupakan suatu proses gangguan kecil
yang tidak perlu diperhatikan.
2.2 Model-Model Runtun Waktu Box-Jenkins Stasioner
Metode Box-jenkins untuk analisis runtun waktu menggunakan operator
backshift B yang didefinisikan sebagai
B𝑧𝑡 = 𝑧𝑡−1
dan operator differensi yang didefinisikan sebagai
zt = 𝑧𝑡 − 𝑧𝑡−1 = (1 − B) 𝑧𝑡
dengan demikian kedua operator ini memiliki hubungan
= (1 − B)
Bentuk linier umum yang sering dijumpai dalam pemodelan runtun waktu :
(B)zt = (B) 𝑎𝑡 (1)
(B) dan (B) adalah polinom
𝑧𝑡 adalah runtun waktu
𝑎𝑡 adalah runtun getaran yang dibangkitkan oleh suatu proses white noisse
8 | P e r a m a l a n P e n j u a l a n S p e e d y
White noisse adalah suatu proses yang independen dan berdistribusi normal
dengan mean 0 dan variansinya konstan
𝑎𝑡~𝑁(0, 𝜎𝑎2)
Bentuk persamaan (1) dapat dituliskan sebagai
𝑧𝑡= = φ(B) at , (2)
dengan φ(B) =(B)
(B)
φ(B) dapat dianggap bahwa runtun waktu 𝑧𝑡 dihasilkan dengan melewatkan
𝑎𝑡 mealui linier filter dengan fungsi transfer φ(B).
Representasi bentuk (2) disajikan dalam bentuk :
𝑧𝑡 = 𝜇 + 𝑎𝑡 + 𝜑1𝑎𝑡−1 + 𝜑2𝑎𝑡−2 + ⋯ (3)
Keterangan :
𝜇 = rata-rata proses
𝑧𝑡 = 𝜇 + (𝑎𝑡 + 𝜑1𝐵𝑎𝑡 + 𝜑2𝐵2𝑎𝑡 + ⋯)
𝑧𝑡 = 𝜇 + (1 + 𝜑1𝐵 + 𝜑2𝐵2 + ⋯)𝑎𝑡
𝑧𝑡 = 𝜇 + 𝜑(𝐵)𝑎𝑡
𝑧𝑡 − 𝜇 = 𝜑(𝐵)𝑎𝑡
zt = 𝜑(𝐵)𝑎𝑡
Umumnya ditulis zt = zt dengan asumsi 𝜇 = 0
Pandang 𝜑(𝐵) = (1 + 𝜑1𝐵 + 𝜑2𝐵2 + ⋯)
Pada praktiknya 𝜑1, 𝜑2, 𝜑3, … dapat berhingga/ tak berhingga. Jika
𝜑1, 𝜑2, 𝜑3, … berhingga atau tidak berhingga tetapi konvergen maka fungsi transfer
tersebut disebut stabil, dan runtun waktu yang dihasilkannya dikatakan stasioner.
Dari bentuk (3) dapat dikatakan bahwa zt dapat dinyatakan sebagai jumlah terboboti
proses white noise sekarang dan yang lalu.
Bentuk (1) dapat juga disajikan dalam bentuk :
𝜋(𝐵)𝑧𝑡 = 𝑎𝑡 (4)
Representasi (4) adalah
9 | P e r a m a l a n P e n j u a l a n S p e e d y
𝑧𝑡 − 𝜋1𝑧𝑡−1 − 𝜋2𝑧𝑡−2 − ⋯ = 𝑎𝑡
𝑧𝑡 = 𝜋1𝑧𝑡−1 + 𝜋2𝑧𝑡−2 + ⋯+ 𝑎𝑡
Dapat dikatakan bahwa zt diregresikan kepada nilai 𝑧𝑡−1, 𝑧𝑡−2 , …
Model zt = 𝜑(𝐵)𝑎𝑡 dikatakan invertible jika disajikan dalam bentuk 𝜋(𝐵)𝑧𝑡 jika
𝜋1 , 𝜋2 , . .. merupakan deret yang konvergen.
Hubungan antara 𝜋(𝐵) dan 𝜑(𝐵)
Jika bentuk (2) dikalikan dengan 𝜋(𝐵) maka
𝜋(𝐵)𝑧𝑡 = 𝜋(𝐵) 𝜑(𝐵)𝑎𝑡
dari bentuk (4) 𝜋(𝐵)𝑧𝑡 = 𝑎𝑡
𝑎𝑡 = 𝜋(𝐵) 𝜑(𝐵)𝑎𝑡
𝜋(𝐵)𝜑(𝐵) = 1
𝜋(𝐵) =1
𝜑(𝐵)
2.2.1 Proses Autoregressive (AR)
Proses Autoregressive (AR) pertama kali dikembangkan oleh Yule pada tahun
1926 dan kemudian dikembangkan oleh Walker pada tahun 1931.
Bentuk umum dari proses AR tingkat p, ditulis AR (p) adalah
𝑧𝑡 = 𝜙1𝑧𝑡−1 + 𝜙2𝑧𝑡−2 + ⋯ + 𝜙𝑝𝑧𝑡−𝑝 + 𝑎𝑡
atau
𝜋(𝐵)𝑧𝑡 = 𝑎𝑡
di mana 𝑎𝑡~𝑁(0, 𝜎𝑎2).
1) AR (1)
Bentuk umum dari proses AR (1) adalah
𝑧𝑡 = 𝜙𝑧𝑡−1 + 𝑎𝑡
Variansi dari 𝑧𝑡 adalah 𝜎𝑧2 =
𝜎𝑎2
1−𝜙2, sehingga daerah stasioneritas untuk proses AR (1)
harus memenuhi −1 < 𝜙 < 1. Adapun ciri dari proses AR(1) yaitu:
10 | P e r a m a l a n P e n j u a l a n S p e e d y
Fak untuk AR(1) adalah ρk = ϕk. Pada selang −1 < 𝜙 < 0, fak akan turun
berganti tanda secara eksponensial menuju nol, sedangkan pada selang 0 <
𝜙 < 1, fak turun secara eksponensial tanpa berganti tanda.
Fakp terputus setelah lag ke-1
(𝜙11 = 𝜌1 = 𝜙, 𝜙𝑘𝑘 = 0; 𝑘 ≥ 2).
2) AR (2)
Bentuk umum dari proses AR(2) adalah
𝑧𝑡 = 𝜙1𝑧𝑡−1 + 𝜙2𝑧𝑡−2 + 𝑎𝑡
Varians dari zt adalah σz2 =
(1−ϕ2)σa2
(1−ϕ2)(1−ϕ1−ϕ2)(1+ϕ1−ϕ2) , sehingga daerah stasioneritas
untuk proses AR(2) harus memenuhi berikut:
−1 < ϕ2
ϕ1 + ϕ2 < 1
−ϕ1 + ϕ2 < 1
Adapun ciri dari AR(2) adalah:
Fak untuk AR(2) adalah ρk = ϕ1ρk−1 + ϕ2ρk−2, turun secara eksponensial
menuju nol.
Fakp terputus setelah lag ke-2 (ϕ11 =ϕ1
1−ϕ2 , ϕ22 = ϕ2, ϕkk = 0; k ≥ 3)
Secara umum, ciri teoritik proses AR(p) adalah:
Fak turun secara eksponensial menuju nol.
Fakp terputus setelah lag ke-p.
2.2.2 Proses Moving Average (MA)
Proses Moving Average (MA) pertama kali digunakan oleh Slutzky pada tahun
1927(Wei,2006). Bentuk umum dari proses MA tingkat q, ditulis MA(q) adalah
𝑧𝑡 = 𝑎𝑡 + 𝜃1𝑎𝑡−1 + 𝜃2𝑎𝑡−2 + ⋯+ 𝜃𝑞𝑎𝑡−𝑞
atau
11 | P e r a m a l a n P e n j u a l a n S p e e d y
𝑧𝑡 = 𝜃(𝐵)𝑎𝑡, di mana 𝑎𝑡~𝑁(0, 𝜎𝑎2)
Jika q berhingga, maka runtun waktu tersebut selalu stasioner. Bentuk 𝑧𝑡 =
𝜃(𝐵)𝑎𝑡 dapat ditulis sebagai 𝜃(𝐵)−1𝑧𝑡 = 𝑎𝑡 atau (1 − 𝜋1𝐵 − 𝜋2𝐵2 − ⋯)𝑧𝑡 = 𝑎𝑡.
Jika 𝜋1, 𝜋2, … merupakan deret yang konvergen, maka proses MA (q) tersebut
dikatakan invertibel (dapat dibalik).
Dengan kata lain, proses MA ekivalen dengan proses AR, yaitu :
MA (q) dengan model 𝑧𝑡 = 𝜃(𝐵)𝑎𝑡 ekivalen dengan proses AR 𝜋(𝐵)𝑧𝑡 =
𝑎𝑡 dengan orde ~
AR (p) dengan model π(B)zt = at ekivalen dengan proses MA zt = θ(B)at
dengan orde ~
1) MA (1)
Bentuk umum dari proses MA (1) adalah
𝑧𝑡 = 𝑎𝑡 + 𝜃𝑎𝑡−1
Adapun ciri dari proses MA (1) , yaitu :
a) Fak terputus setelah lag ke-1 (ρ1 =θ
1+θ2 , ρk = 0; k ≥ 2).
b) Fakp untuk proses MA (1) adalah ϕkk =(-1)k-1θk(1-θ2)
1-θ2(k+1) , turun secara
geometris menuju nol.
c) Daerah invertibel memenuhi −1 < 𝜃 < 1
2) MA (2)
Bentuk umum dari proses MA (2) adalah
𝑧𝑡 = 𝜃1𝑎𝑡−1 + 𝜃2𝑎𝑡−2 + 𝑎𝑡
Adapun ciri dari proses MA (2) , yaitu :
a. Fak terputus setelah lag ke-2
12 | P e r a m a l a n P e n j u a l a n S p e e d y
(ρ1 =θ1 + θ1θ2
1 + θ12 + θ2
2 , ρ2 =θ2
1 + θ12θ2
2 , ρk = 0; k ≥ 3)
b. Fakp turun secara geometris menuju nol.
c. Daerah invertibel memenuhi :
−1 < −θ2
−θ1 − θ2 < 1
θ1 − θ2 < 1
Secara umum, ciri teoritik proses MA (q) adalah:
Fak terputus setelah lag ke-q
Fakp turun secara geometris menuju nol.
2.2.3 Proses Autoregressive Moving Average (ARMA)
Model ARMA (p,q) adalah model campuran yang merupakan perluasan dari model
Autoregressive (AR(p)) dan model Moving Average (MA(q)). Dasar-dasar teoritis ARMA
pertama kali digunakan oleh Wold pada tahun 1938.
dituliskan ARMA(p, q). Bentuk umum dari proses ARMA(p, q) adalah
zt = ϕ1zt−1 + ⋯+ ϕpzt−p + 𝑎𝑡 + θ1𝑎𝑡−1 + ⋯+ θq𝑎𝑡−𝑞 ............. (5)
Bentuk (5) dapat ditulis sebagai
𝜙(𝐵)𝑧𝑡 = 𝜃(𝐵)𝑎𝑡
Untuk stasioneritas dan invertibilitas harus memenuhi −1 < 𝜙 < 1 dan −1 <
𝜃 < 1. Adapun ciri teoritik dari proses ARMA(p, q) adalah:
Fak dari proses ARMA(p, q) menyerupai fak dari proses AR(p), yakni turun
secara ekponensial menuju nol.
Fakp dari proses ARMA(p, q) menyerupai fakp dari proses MA(q), yakni turun
menuju nol.
2.3 Model-Model Runtun Waktu Box-Jenkins Nonstasioner
Pada kenyataannya sangat jarang sekali ditemui data runtun waktu yang
stasioner, namun stasioneritas merupakan asumsi penting pada pemodelan runtun
waktu. Model ARIMA merupakan bentuk model untuk runtun waktu nonstasioner.
13 | P e r a m a l a n P e n j u a l a n S p e e d y
Biasanya, runtun waktu nonstasioner disebabkan karena runtun waktu mempunyai
rata-rata yang tidak tetap atau terjadi trend selama selang waktu tertentu.
Adapun runtun waktu nonstasioner homogen adalah runtun waktu yang
walaupun bergerak bebas pada suatu lokasi tetapi gerakannya pada lokasi lain pada
dasarnya sama. Runtun waktu ini ditandai oleh suatu runtun waktu di mana selisih
data yang berurutannya adalah stasioner. Banyaknya penyelisihan yang dilakukan
dinotasikan dengan 𝑑.
Misalkan runtun waktu stasioner 𝑤𝑡 adalah runtun waktu stasioner,
𝑤1, 𝑤2, … , 𝑤𝑛−1 adalah data runtun waktu selisih pertama.
Misalkan kita memiliki model ARMA (p, q)
wt = ϕ1wt−1 + ⋯+ ϕpwt−p + 𝑎𝑡 + θ1𝑎𝑡−1 + ⋯+ θq𝑎𝑡−𝑞 ............ (6)
dan misalkan data para wt diperoleh dari selisih data para zt yang tidak stasioner (data
mentah). Karena, wt = zt − zt−1, maka persamaan bentuk (6) dapat ditulis sebagai
zt = (1 + ϕ1)zt−1 + (ϕ1 − ϕ2)zt−2 + ⋯− ϕpzt−p−1 + 𝑎𝑡 + θ1𝑎𝑡−1 + ⋯+ θq𝑎𝑡−𝑞
................................................... (7)
Persamaan bentuk (7) disebut dengan persamaan differensi.
Dari bentuk wt = zt − zt−1 diperoleh zt = wt + zt−1, zt−1 = wt−1 + zt−2,
zt−2 = wt−2 + zt−3, ... , sehingga zt = wt + wt−1 + wt−2 + ⋯. Sehingga runtun
waktu nonstatsioner zt disebut dengan Integrated Auto Regressive Moving AverageI
(ARIMA), dituliskan ARIMA(p, d,q). Bentuk umum proses ARIMA(p,d,q) adalah
φ(B)zt = θ(B)at
Secara umum, ARIMA (p, d, q) adalah runtun waktu nonstasioner yang jika
diselisihkan 𝑑 kali menjadi stasioner dengan model ARMA(p,q).
wt = ∇d zt
Adapun ciri teoritik untuk runtun waktu nonstasioner adalah:
Plot data tidak berfluktuasi (memiliki trend untuk selang yang cukup lebar).
14 | P e r a m a l a n P e n j u a l a n S p e e d y
Fak turun secara lambat dan cenderung linier.
Pada grafik fakp, hanya ϕ11 yang nilainya mendekati 1 atau −1, sedangkan
yang lainnya tidak berbeda secara signifikan dengan nol.
2.4 Pembentukan Model Runtun Waktu Box-Jenkins
Langkah-langkah pembentukan model secara iteratif adalah sebagai berikut :
2.4.1 Identifikasi Model
Identifikasi model bertujuan untuk menentukan model yang merupakan
representasi data runtun waktu Z1, 𝑍2, … , Zn. Adapun langkah-langkah yang dilakukan
sebagai berikut:
1. Menentukan rata-rata dan varians dari data runtun waktu.
2. Menentukan fak beserta 2𝑆𝐸(𝜌𝑘) dari data runtun waktu.
3. Menentukan fakp beserta 2𝑆𝐸(𝜙𝑘𝑘) dari data runtun waktu.
4. Membandingkan fak dan fakp data runtun waktu dengan fak dan fakp teoritik.
Berikut ini adalah tabel pendekatan {rk} dan {ϕkk} untuk berbagai model.
Pendekatan Model
ϕkk~N(0,1
N) , k > 𝑝 AR(p)
rk~N(0,1
N(1 + 2∑ri
2
q
i=1
)) MA(q)
Baik ϕkk maupun rk tidak teputus ARMA(p, q)
Sebelum pemodelan dilakukan, hal berikut adalah mutlak diperlukan.
a. Plot data untuk melihat kestasioneran data.
b. Grafik dari distribusi frekuensi untuk melihat asumsi normalitas.
c. Informasi lain (kemiringan, keruncingan, dll).
15 | P e r a m a l a n P e n j u a l a n S p e e d y
Jika E(zt) = z ≠ 0, maka model dituliskan sebagai zt = zt − z, sehingga
perlu diuji apakah z = 0. Hipotesis yang harus diuji adalah
H0 ∶ z = 0 (rata-rata tidak berbeda secara signifikan dengan 0)
H1 ∶ z ≠ 0 (rata-rata berbeda secara signifikan dengan 0)
Kriteria:
Tolak H0 , jika |z| > 2𝑆𝐸(z) (rata-rata berbeda secara signifikan dengan 0)
Tabel: nilai pendekatan Var(z) untuk proses ARMA(p, q) dengan p + q ≤ 2.
Model Pendekatan
AR(1) C0(1 + r1)
N(1 − r1)
MA(1) C0(1 + 2r1)
N
AR(2) C0(1 + r1)(1 − 2r1
2 + r2)
N(1 − r1)(1 − r2)
MA(2) C0(1 + 2r1 + 2r2)
N
ARMA(1, 1) C0
N(1 +
2r12
r1 − r2)
2.4.2 Estimasi Parameter dalam Model
Setelah beberapa model di identifikasi, langkah selanjutnya adalah
menentukan estimasi terbaik (paling efesien) untuk setiap parameter yang tedapat
pada model. Estimasi yang efisien yaitu estimasi yang meminimumkan kuadrat selisih
antara nilai parameter taksiran dengan nilai parameter sebenarnya. Untuk data yang
cukup banyak, estimasi yang efesien adalah estimasi yang memaksimumkan fungsi
Likelihood.
16 | P e r a m a l a n P e n j u a l a n S p e e d y
Diperlukan taksiran interval untuk estimasi parameter. Di sini perlu diuji
apakah θ dan ϕ berbeda secara signifikan dengan nol. Jika |θ| < 2𝑆𝐸(θ), maka θ
tidak berbeda secara signifikan dengan nol. Begitu pula jika |ϕ| < 2𝑆𝐸(ϕ), maka ϕ
tidak berbeda secara signifikan dengan nol.
Tabel: Daerah diterima, estimasi awal beberapa proses
Proses Daerah diterima Estimasi awal
AR(1) −1 < r1 < 1 ϕ0 = r1
AR(2)
−1 < r2 < 1
r12 <
1
2(r2 + 1)
ϕ0 =r1(1 − r2)
1 − r12
ϕ0 =r2 − r1
2
1 − r12
MA(1) −0,5 < r1 < 0,5 θ0 =1 − √1 − 4r12
2r1
ARMA(1, 1) 2r12 − |r1| < r2 < |r1|
ϕ0 =r2
r1
θ0 =(b±√b2−4)
2, dengan
b =(1 − 2r2 + ϕ0
2)
r1 − ϕ0
dimana |ϕ0| < 1
2.4.3 Verifikasi Model
Langkah selanjutnya adalah verifikasi, yaitu memeriksa apakah model yang
diestimasi cukup sesuai dengan data yang dimiliki. Verivikasi model dilakukan dengan
membandingkan nilai dari masing-masing model tentatif yang didapatkan yang
kemungkinan sesuai dengan data. Jika terjadi penyimpangan yang cukup serius, maka
model baru harus dirumuskan kembali. Langkah-langkah yang harus dilakukan pada
tahap verifikasi adalah sebagai berikut:
1. Uji Keberartian Koefisien
Hipotesis yang harus diuji adalah
H0 ∶ koefisien tidak berbeda secara signifikan dengan nol.
17 | P e r a m a l a n P e n j u a l a n S p e e d y
H1 : koefisien berbeda secara signifikan dengan nol.
Adapun kriteria untuk uji keberartian koefisien adalah.
Tolak H0 , jika :
|ϕ| > 2𝑆𝐸(ϕ)
|θ| > 2𝑆𝐸(𝜃)
Tolak H0 , jika 𝑃 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 5%
2. Nilai Variansi Sesatan
Nilai variansi sesatan bisa langsung dilihat dari output Minitab 16 atau dihitung
dengan menggunakan rumus
𝜎𝑎2 =
𝑆𝑆−𝑀𝑆
𝐷𝐹
SS : Kuadrat jumlah (Sum Square)
MS : Kuadrat rata-rata (Mean Square)
DF : Derajat kebebasan (Degree Free)
3. Uji Kecocokan (lack of fit)
Hipotesis yang diuji
H0 ∶ Model sesuai
H1 ∶ Model tidak sesuai
Dengan statistik uji:
R =1
N∑ri
2
k
i=1
ri menyatakan fak lag ke-I dan 𝑘 menyatakan berapa banyak lag yang
dipertimbangkan. Kemudian membandingkan dengan statistik tabel
R~ χ2(k−p−q)
18 | P e r a m a l a n P e n j u a l a n S p e e d y
Adapun kriteria uji kecocokan adalah sebagai berikut.
Tolak H0 jika χhit2 > χtabel
2 , atau
Tolak H0 jika 𝑃 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 5%
Jika pada langkah verifikasi menghasilkan lebih dari satu model cocok dengan
data maka dalam penentuan model terbaik digunakan prinsip parsimony, yaitu
dengan memilih model yang paling sederhana.
2.5 Peramalan (Forecasting)
Langkah terakhir dari sebuah pemodelan adalah peramalan beberapa periode
ke depan. Artinya, berdasarkan model yang paling sesuai, ingin ditentukan distribusi
bersyarat observasi yang akan datang berdasarkan pola data masa lalu. Model yang
diturunkan dari data runtun waktu bukan merupakan model yang sebenarnya, tetapi
hanya merupakan pendekatan yang tentunya memiliki kesalahan baik pada tahap
identifikasi maupun tahap estimasi.
Sebuah ide yang mengilhami harga harapan bersyarat dipertimbangkan
sebagai metode peramalan adalah karena harapan bersyarat merupakan sebuah nilai
yang memiliki sifat-sifat yang baik, yaitu memiliki sesan kuadrat rata-rata minimum,
artinya jika terdapat penaksir yang lain maka dia akan memilliki sesatan yang
kuadratnya lebih besar.
zt(k) = E( zt+k| z1, z2, … , zt = Ht) adalah ramalan untuk zt+kpada saat kita
memiliki data sampai dengan ke zt.
19 | P e r a m a l a n P e n j u a l a n S p e e d y
BAB III
PENGOLAHAN DATA
3.1 Proses pengolahan di Minitab
Dengan menggunakan Minitab versi 16. Langkah –langkah untuk memodelkan
data runtun waktu metode Box-Jenkins :
1. Input data
Tabel 3.1 data terlampir pada lampiran
2. Menampilkan Plot data
Stat Time Series Time Series Plot
klik Penjualan Speedy lalu klik select, OK
Melihat adanya trend atau tidak
20 | P e r a m a l a n P e n j u a l a n S p e e d y
Stat Time Series Trend Analysis
klik Penjualan Speedy lalu klik select, OK
817263544536271891
7
6
5
4
3
2
1
0
Index
Pe
nju
ala
n S
pe
ed
y MAPE 42.3435
MAD 1.1159
MSD 1.9967
Accuracy Measures
Actual
Fits
Variable
Trend Analysis Plot for Penjualan SpeedyLinear Trend Model
Yt = 1.264 + 0.00210*t
Perhatikan bahwa plot data mengalami trend yang ditunjukan dengan garis
merah yang cenderung naik sehingga bisa disimpulkan bahwa data penjualan speedy
nonstasioner.
Akan dilakukan differencing 1
Stat Time Series Differences
21 | P e r a m a l a n P e n j u a l a n S p e e d y
klik Penjualan Speedy lalu klik select, Store differences in: untuk meletakan
runtun data hasil differencing 1. misal ketik C2 maka kolom C2 akan terisi, sehingga
Beri nama ‘Dif-1’
Plot Data Dif-1
22 | P e r a m a l a n P e n j u a l a n S p e e d y
817263544536271891
7.5
5.0
2.5
0.0
-2.5
-5.0
Index
Dif
-1
Time Series Plot of Dif-1
Trend analysis
817263544536271891
7.5
5.0
2.5
0.0
-2.5
-5.0
Index
Dif
-1
MAPE 99.5074
MAD 1.2278
MSD 3.0801
Accuracy Measures
Actual
Fits
Variable
Trend Analysis Plot for Dif-1Linear Trend Model
Yt = 0.024 + 0.000236*t
Perhatikan plot data dif-1 cenderung bergerak disekitar rata-rata bisa
disimpulkan data stasioner. Untuk menambah keakuratan klaim bahwa data tersebut
stasioner perhatikan juga trend analysis, garis merah yang menunjukan trend tidak
berbeda secara signifikan dengan nol (y=0) sehingga menambahkan fakta bahwa data
stasioner.
Proses selanjutnya data runtun waktu yang akan digunakan adalah dif-1
karena data memenuhi kriteria stasioner.
3. Menampilkan FAK
Stat Time Series Autocorrelation
23 | P e r a m a l a n P e n j u a l a n S p e e d y
klik Dif-1 lalu klik select, beri nama pada title “FAK Penjualan Speedy Dif-1” OK
222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
FAK Penjualan Speedy Dif-1
Secara intuisi, FAK diatas merepresentasikan model MA(1) karena lag terputus
setelah lag ke-1
4. Menampilkan FAKP
Stat Time Series Partial Autocorrelation
24 | P e r a m a l a n P e n j u a l a n S p e e d y
klik Dif-1 lalu klik select, beri nama pada title “FAKP Penjualan Speedy Dif-1”
OK
222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l A
uto
co
rre
lati
on
FAKP Penjualan Speedy Dif-1
5. Pengolahan Model
Pengolahan untuk model-model yang telah diklaim sebagai model runtun
waktu. Berdasarkan langkah sebelumnya model-model yang akan diestimasi
parameter yaitu : MA(1), AR(2) dan ARMA (2,1)
Stat Time Series ARIMA
Klik Dif-1 lalu select
1. Untuk MA (1)
Isikan 1 pada kolom Moving Average, 0 untuk yang lainnya
25 | P e r a m a l a n P e n j u a l a n S p e e d y
2. Untuk AR (2)
Isikan 2 pada kolom Moving Average, 0 untuk yang lainnya
3. Untuk ARMA (2,1)
Isikan 1 pada kolom Autoregressive, 2 pada kolom Moving Average, 0
untuk yang lain
3.2 Identifikasi model
Perhatikan grafik FAK dan FAKP penjualan speedy, diperoleh beberapa model yang
mungkin merepresentasikan runtun waktu tersebut yaitu :
1. FAK merepresentasikan model MA(1) karena lag terputus setelah lag ke-1 dan
turun secara eksponensial
2. FAKP merepresentasikan model AR(2) karena lag terputus setelah lag ke-2 dan
turun secara eksponensial
26 | P e r a m a l a n P e n j u a l a n S p e e d y
3. Model campuran ARMA (p, q) adalah ARMA (2, 1)
3.3 Estimasi Parameter
3.1 Model MA(1)
Berikut output model MA (1) yang dapat dilihat pada jendela session
ARIMA Model: Penjualan Speedy Dif-1
Estimates at each iteration
Iteration SSE Parameters
0 245.167 0.100 0.135
1 217.876 0.250 0.086
2 195.709 0.400 0.060
3 178.039 0.550 0.045
4 165.133 0.700 0.035
5 160.849 0.842 0.025
6 160.524 0.816 0.025
7 160.522 0.818 0.025
8 160.522 0.818 0.024
Relative change in each estimate less than 0.0010
Final Estimates of Parameters
Type Coef SE Coef T P
MA 1 0.8176 0.0688 11.89 0.000
Constant 0.02449 0.02837 0.86 0.391
Mean 0.02449 0.02837
Number of observations: 86
Residuals: SS = 159.860 (backforecasts excluded)
MS = 1.903 DF = 84
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 5.2 14.3 19.6 31.7
DF 10 22 34 46
P-Value 0.879 0.889 0.977 0.946
Jika E(wt) = w ≠ 0, maka model dituliskan sebagai wt = wt − w,
sehingga perlu diuji apakah w = 0. Hipotesis yang harus diuji adalah
H0 ∶ w = 0 (rata-rata tidak berbeda secara signifikan dengan 0)
27 | P e r a m a l a n P e n j u a l a n S p e e d y
H1 ∶ w ≠ 0 (rata-rata berbeda secara signifikan dengan 0)
Kriteria : Tolak H0 , jika |w| > 2𝑆𝐸(w) .
Berdasarkan output diatas model MA(1) yang mungkin adalah 𝑤𝑡 = 𝑎𝑡 +
𝜃𝑎𝑡−1 atau (𝑤𝑡 − ��) = 𝑎𝑡 + 𝜃𝑎𝑡−1. dengan 𝑤𝑡 = 𝑧𝑡 − 𝑧𝑡−1
Karena |w| = |0.02449| ≯ 2(0.02837) = 2𝑆𝐸(z) maka H0 diterima sehingga w
tidak berbeda secara signifikan dengan nol. Akibatnya, model yang dipilih adalah
model dengan bentuk 𝑤𝑡 = 𝑎𝑡 + 𝜃𝑎𝑡−1.
Jadi, model untuk MA (1) adalah 𝑤𝑡 = 𝑎𝑡 + 𝜃𝑎𝑡−1.
3.2 Model AR(2)
Berikut output model AR (2) yang dapat dilihat pada jendela session : ARIMA Model: Penjualan Speedy Dif-1
Estimates at each iteration
Iteration SSE Parameters
0 301.395 0.100 0.100 0.108
1 252.317 -0.050 -0.021 0.098
2 214.211 -0.200 -0.143 0.093
3 187.048 -0.350 -0.265 0.091
4 170.835 -0.500 -0.387 0.089
5 165.625 -0.635 -0.498 0.087
6 165.595 -0.645 -0.507 0.087
7 165.595 -0.646 -0.508 0.087
8 165.595 -0.646 -0.508 0.087
Relative change in each estimate less than 0.0010
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 -0.6463 0.0967 -6.68 0.000
AR 2 -0.5077 0.0984 -5.16 0.000
Constant 0.0869 0.1519 0.57 0.569
Mean 0.04034 0.07054
Number of observations: 86
Residuals: SS = 164.748 (backforecasts excluded)
MS = 1.985 DF = 83
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 6.5 16.7 22.4 31.1
DF 9 21 33 45
P-Value 0.685 0.727 0.919 0.942
28 | P e r a m a l a n P e n j u a l a n S p e e d y
Jika E(wt) = w ≠ 0, maka model dituliskan sebagai wt = w − w, sehingga
perlu diuji apakah w = 0. Hipotesis yang harus diuji adalah
H0 ∶ w = 0 (rata-rata tidak berbeda secara signifikan dengan 0)
H1 ∶ w ≠ 0 (rata-rata berbeda secara signifikan dengan 0)
Kriteria: Tolak H0 , jika |��| > 2𝑆𝐸(��)
Berdasarkan output diatas model AR (2) yang mungkin adalah
𝑤𝑡 = 𝜙1𝑤𝑡−1 + 𝜙2𝑤𝑡−2 + 𝑎𝑡 atau
(𝑤𝑡 − ��) = 𝜙1(𝑤𝑡−1 − ��) + 𝜙2(𝑤𝑡−2 − ��) + 𝑎𝑡 , dengan 𝑤𝑡 = 𝑧𝑡 − 𝑧𝑡−1
karena |��| = |0.0403| < 2(0.07054) = 2𝑆𝐸(w) maka H0 diterima sehingga w
tidak berbeda secara signifikan dengan nol. Akibatnya, model yang dipilih adalah
model dengan bentuk 𝑤𝑡 = 𝜙1𝑤𝑡−1 + 𝜙2𝑤𝑡−2 + 𝑎𝑡
3.3 Model ARMA (2,1)
Berikut output model ARMA (2,1) yang dapat dilihat pada jendela session : ARIMA Model: Penjualan Speedy Dif-1
Estimates at each iteration
Iteration SSE Parameters
0 277.729 0.100 0.100 0.100 0.108
1 257.866 -0.050 0.043 0.014 0.114
2 250.819 -0.200 0.011 -0.111 0.127
3 247.983 -0.350 -0.012 -0.251 0.143
4 246.439 -0.500 -0.033 -0.395 0.159
5 245.385 -0.650 -0.053 -0.541 0.176
6 244.585 -0.800 -0.073 -0.688 0.192
7 243.910 -0.950 -0.093 -0.836 0.208
8 239.961 -1.100 -0.132 -0.966 0.216
9 219.836 -1.234 -0.282 -0.969 0.149
10 211.758 -1.369 -0.432 -0.968 0.088
11 211.525 -1.388 -0.454 -0.968 0.086
12 211.485 -1.389 -0.456 -0.967 0.086
13 211.456 -1.389 -0.457 -0.967 0.086
Relative change in each estimate less than 0.0010
29 | P e r a m a l a n P e n j u a l a n S p e e d y
Final Estimates of Parameters
Type Coef SE Coef T P
AR 1 -1.3888 0.1003 -13.85 0.000
AR 2 -0.4566 0.0983 -4.64 0.000
MA 1 -0.9672 0.0405 -23.87 0.000
Constant 0.0861 0.3390 0.25 0.800
Mean 0.0303 0.1192
Number of observations: 86
Residuals: SS = 209.777 (backforecasts excluded)
MS = 2.558 DF = 82
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 21.7 35.3 41.0 50.2
DF 8 20 32 44
P-Value 0.005 0.018 0.131 0.242
Jika E(wt) = w ≠ 0, maka model dituliskan sebagai wt = w − w, sehingga perlu
diuji apakah w = 0. Hipotesis yang harus diuji adalah
H0 ∶ w = 0 (rata-rata tidak berbeda secara signifikan dengan 0)
H1 ∶ w ≠ 0 (rata-rata berbeda secara signifikan dengan 0)
Kriteria: Tolak H0 , jika |��| > 2𝑆𝐸(��)
Berdasarkan output diatas model AR (2) yang mungkin adalah
𝑤𝑡 = 𝜙1𝑤𝑡−1 + 𝜙2𝑤𝑡−2 + 𝜃𝑎𝑡−1 + 𝑎𝑡 atau
(𝑤𝑡 − ��) = 𝜙1(𝑤𝑡−1 − ��) + 𝜙2(𝑤𝑡−2 − ��) + 𝜃𝑎𝑡−1 + 𝑎𝑡 ,
dengan 𝑤𝑡 = 𝑧𝑡 − 𝑧𝑡−1
karena |��| = |0.0303| < 2( 0.1192) = 2𝑆𝐸(w) maka H0 diterima sehingga w
tidak berbeda secara signifikan dengan nol. Akibatnya, model yang dipilih adalah
model dengan bentuk 𝑤𝑡 = 𝜙1𝑤𝑡−1 + 𝜙2𝑤𝑡−2 + 𝜃𝑎𝑡−1 + 𝑎𝑡
3.4 Verifikasi model
Untuk alasan efektifitas kerja, urutan langkah verifikasi model yaitu :
1. Uji keberartian koefisien,
30 | P e r a m a l a n P e n j u a l a n S p e e d y
2. Uji kecocokan
3. Nilai variansi sesatan
MA (1)
Akan dilakukan verifikasi terhadap model MA (1).
Adapun uraian setiap langkah yang dilakukan adalah sebagai berikut :
1. Uji Keberartian Koefisien
Hipotesis yang harus diuji adalah
H0 : koefisien tidak berbeda secara signifikan dengan nol.
H1 : koefisien berbeda secara signifikan dengan nol.
Kriteria : Tolak H0, jika |𝜃| > 2𝑆𝐸(𝜃) atau
Tolak H0, jika 𝑃 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 5%
Karena 𝜃 = |0.8176 | > 2|0.0688| = 2𝑆𝐸(𝜃), atau 𝑃 𝑣𝑎𝑙𝑢𝑒 =
0,000 < 𝛼 = 0,05 maka H0 ditolak. Ini berarti bahwa koefisien 𝜃 berbeda
secara signifikan dengan nol.
Model MA (1) yang telah diperoleh dapat dituliskan sebagai
��𝑡 = 0.8176 𝑎𝑡−1+𝑎𝑡.
2. Uji Kecocokan (lack of fit)
Hipotesis yang diuji adalah
H0 ∶ Model sesuai
H1 ∶ Model tidak sesuai
Kriteria : Tolak H0 jika χhit2 > χtabel
2 , atau
Tolak H0 jika 𝑃 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 5%
31 | P e r a m a l a n P e n j u a l a n S p e e d y
lag P-value
12 0.879
24 0.889
36 0.977
48 0.946
Karena 𝑃 𝑣𝑎𝑙𝑢𝑒 > 𝛼 = 5% untuk berbagai lag, maka H0 diterima.
Artinya, runtun waktu penjualan speedy sesuai jika dimodelkan sebagai
MA (1).
3. Nilai Variansi Sesatan
Berdasarkan output Minitab 16,
Variable Mean Variance
RESI1 0.009 1.881
nilai variansi sesatan adalah 𝜎2 =159.860−1.903
84= 1.881, sedangkan rata-
rata (𝑎𝑡) = 0,009, yang tidak berbeda secara signifikan dengan nol. Ini
berarti bahwa 𝑎𝑡~𝑁(0; 1.881). Model MA (1) yang telah diperoleh dapat
dituliskan sebagai
��𝑡 = 0.8176 𝑎𝑡−1 + 𝑎𝑡 ,
dengan 𝑎𝑡~𝑁(0; 1.881)
AR(2)
Selanjutnya akan dilakukan verifikasi terhadap model AR (2).
Adapun langkah yang dilakukan adalah sebagai berikut :
a. Uji Keberartian Koefisien
Hipotesis yang harus diuji adalah
32 | P e r a m a l a n P e n j u a l a n S p e e d y
H0 : koefisien tidak berbeda secara signifikan dengan nol.
H1 : koefisien berbeda secara signifikan dengan nol.
Kriteria : Tolak H0, jika |ϕ| > 2𝑆𝐸(ϕ)
Tolak H0 , jika 𝑃 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 5%
Type Coef SE Coef T P
AR 1 -0.6463 0.0967 -6.68 0.000
AR 2 -0.5077 0.0984 -5.16 0.000
Karena 𝜙1 = |−0.6463| > 2|0.0967 | = 2𝑆𝐸(𝜙1), atau
𝑃 𝑣𝑎𝑙𝑢𝑒 = 0,000 < 𝛼 = 0,05 maka H0 ditolak. Ini berarti bahwa
koefisien 𝜙1 berbeda secara signifikan dengan nol.
𝜙2 = |−0.5077| > 2|0.0984 | = 2𝑆𝐸(𝜙2) atau 𝑃 𝑣𝑎𝑙𝑢𝑒 =
0,000 < 𝛼 = 0,05 maka H0 ditolak. Ini berarti bahwa koefisien 𝜙2
berbeda secara signifikan dengan nol.
Model AR (1) yang telah diperoleh dapat dituliskan sebagai
��𝑡 = −0.6463𝑤𝑡−1 − 0.5077𝑤𝑡−2 + 𝑎𝑡
b. Uji Kecocokan (lack of fit)
Hipotesis yang diuji
H0 ∶ Model sesuai
H1 ∶ Model tidak sesuai
Kriteria : Tolak H0 jika χhit2 > χtabel
2 , atau
Tolak H0 jika 𝑃 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 5%
Berdasarkan Output Minitab 16 diperoleh
33 | P e r a m a l a n P e n j u a l a n S p e e d y
lag P-value
12 0,685
24 0,727
36 0,919
48 0,942
Karena 𝑃 𝑣𝑎𝑙𝑢𝑒 > 𝛼 = 5% untuk berbagai lag, maka H0
diterima. Artinya, data runtun waktu penjualan speedy sesuai jika
dimodelkan sebagai AR (2).
c. Nilai Variansi Sesatan
Berdasarkan output Minitab 16,
Variable Mean Variance
RESI2 0.007 1.938
nilai variansi sesatan adalah 𝜎𝑎2 = 1.938, sedangkan rata-rata
(𝑎𝑡) = 0,007 yang tidak berbeda secara signifikan dengan nol. Ini berarti
bahwa 𝑎𝑡~𝑁(0; 1.938). Model AR (2) yang telah diperoleh dapat
dituliskan sebagai
��𝑡 = −0.6463𝑤𝑡−1 − 0.5077𝑤𝑡−2 + 𝑎𝑡
dengan 𝑎𝑡~𝑁(0; 1.938)
ARMA (2, 1)
Selanjutnya akan dilakukan verifikasi terhadap model ARMA (2, 1).
Adapun langkah yang dilakukan adalah sebagai berikut :
a. Uji Keberartian Koefisien
Hipotesis yang harus diuji adalah
34 | P e r a m a l a n P e n j u a l a n S p e e d y
H0 : koefisien tidak berbeda secara signifikan dengan nol.
H1 : koefisien berbeda secara signifikan dengan nol.
Kriteria : Tolak H0, jika |ϕ| > 2𝑆𝐸(ϕ)
Tolak H0 , jika 𝑃 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 5%
Type Coef SE Coef T P
AR 1 -1.3888 0.1003 -13.85 0.000
AR 2 -0.4566 0.0983 -4.64 0.000
MA 1 -0.9672 0.0405 -23.87 0.000
Karena 𝜙1 = |−1.3888| > 2| 0.1003 | = 2𝑆𝐸(𝜙1), atau
𝑃 𝑣𝑎𝑙𝑢𝑒 = 0,000 < 𝛼 = 0,05 maka H0 ditolak. Ini berarti bahwa
koefisien 𝜙1 berbeda secara signifikan dengan nol.
𝜙2 = |−0.4566| > 2|0.0983| = 2𝑆𝐸(𝜙2) atau 𝑃 𝑣𝑎𝑙𝑢𝑒 =
0,000 < 𝛼 = 0,05 maka H0 ditolak. Ini berarti bahwa koefisien 𝜙2
berbeda secara signifikan dengan nol.
𝜃1 = |−0.9672| > 2|0.0405| = 2𝑆𝐸(𝜃1) atau 𝑃 𝑣𝑎𝑙𝑢𝑒 =
0,000 < 𝛼 = 0,05 maka H0 ditolak. Ini berarti bahwa koefisien 𝜃1
berbeda secara signifikan dengan nol.
Model ARMA (2, 1) yang telah diperoleh dapat dituliskan sebagai
𝑤𝑡 = −1.3888𝑤𝑡−1 − 0.4566𝑤𝑡−2 − 0.9672𝑎𝑡−1 + 𝑎𝑡
b. Uji Kecocokan (lack of fit)
Hipotesis yang diuji
H0 ∶ Model sesuai
H1 ∶ Model tidak sesuai
Kriteria : Tolak H0 jika χhit2 > χtabel
2 , atau
Tolak H0 jika 𝑃 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 5%
Berdasarkan Output Minitab 16 diperoleh
35 | P e r a m a l a n P e n j u a l a n S p e e d y
lag P-value
12 0.005
24 0.018
36 0.131
48 0.242
Lag 36 dan Lag 48 nilai 𝑃 𝑣𝑎𝑙𝑢𝑒 > 𝛼 = 5%, maka H0 diterima.
Artinya, data runtun waktu penjualan speedy sesuai jika dimodelkan
sebagai ARMA (2, 1).
c. Nilai Variansi Sesatan
Berdasarkan output Minitab 16,
Variable Mean Variance
RESI3 0.008 2.468
nilai variansi sesatan adalah 𝜎𝑎2 = 1.938, sedangkan rata-rata
(𝑎𝑡) = 0,008 yang tidak berbeda secara signifikan dengan nol. Ini berarti
bahwa 𝑎𝑡~𝑁(0; 1.938). Model AR (2) yang telah diperoleh dapat
dituliskan sebagai
��𝑡 = −1.3888𝑤𝑡−1 − 0.4566𝑤𝑡−2 − 0.9672𝑎𝑡−1 + 𝑎𝑡
dengan 𝑎𝑡~𝑁(0; 2.468)
36 | P e r a m a l a n P e n j u a l a n S p e e d y
Didapatkan model-model yang lolos verifikasi yaitu
MA (1) ��𝑡 = 0.8176 𝑎𝑡−1 +𝑎𝑡
𝑎𝑡~𝑁(0; 1.881)
AR (2) ��𝑡 = −0.6463𝑤𝑡−1 − 0.5077𝑤𝑡−2 + 𝑎𝑡
𝑎𝑡~𝑁(0; 1.938)
ARMA (2, 1) ��𝑡 = −1.3888𝑤𝑡−1 − 0.4566𝑤𝑡−2
− 0.9672𝑎𝑡−1 + 𝑎𝑡 𝑎𝑡~𝑁(0; 2.468)
Berdasarkan tabel diatas, karena MA(1) memiliki varians yang paling kecil
maka akan dipilih model MA(1) untuk digunakan sebagai peramalan.
3.5 Peramalan
Setelah dilakukan identifikasi, estimasi, dan verifikasi terhadap berbagai model,
diperoleh model MA (1) sebagai model yang paling sesuai untuk data runtun waktu
penjualan speedy di daerah Gegerkalong Bandung, yaitu :
��𝑡 = 0.8176 𝑎𝑡−1 +𝑎𝑡
𝑧𝑡 − 𝑧𝑡−1 = 0.8176 𝑎𝑡−1 + 𝑎𝑡
𝑧𝑡 = 0.8176 𝑎𝑡−1 + 𝑎𝑡 + 𝑧𝑡−1
dengan 𝑎𝑡~𝑁(0; 1.881)
Berikut adalah ramalan banyaknya penjualan speedy 10 periode berikutnya
dari data runtun waktu penjualan speedy di daerah Gegerkalong Bandung yang
dihasilkan software Minitab 16.
37 | P e r a m a l a n P e n j u a l a n S p e e d y
Berdasarkan output diatas, ramalan untuk penjualan speedy di daerah
gegerkalong untuk 30 hari (21 April – 20 Juni ) mendatang adalah
Tanggal Forecast Penjualan
Speedy Tanggal Forecast
Penjualan
Speedy
21 2.94443 3 6 3.31173 3
22 2.96891 3 7 3.33622 3
23 2.99340 3 8 3.36071 3
24 3.01789 3 9 3.38519 3
25 3.04238 3 10 3.40968 3
26 3.06686 3 11 3.43417 3
27 3.09135 3 12 3.45866 3
28 3.11584 3 13 3.48314 3
29 3.14032 3 14 3.50763 4
30 3.16481 3 15 3.53212 4
1 3.18930 3 16 3.55660 4
2 3.21378 3 17 3.58109 4
3 3.23827 3 18 3.60558 4
4 3.26276 3 19 3.63006 4
5 3.28725 3 20 3.65455 4
38 | P e r a m a l a n P e n j u a l a n S p e e d y
BAB IV
PENUTUP
4.1 Kesimpulan
Setelah dilakukan proses pengolahan data runtun waktu, diperoleh model MA (1)
untuk merepresentasikan forecasting (peramalan) penjualan speedy di daerah
Gegerkalong, Bandung, yaitu :
𝑧𝑡 = 0.8176 𝑎𝑡−1 + 𝑎𝑡 + 𝑧𝑡−1
dengan 𝑎𝑡~𝑁(0; 1.881)
Model tersebut bisa digunakan untuk peramalan n-hari kedepan tidak hanya
terbatas untuk 30 hari kedepan.
Berdasarkan data pada tabel peramalan, penjualan speedy pada hari-hari
berikutnya antara 3-4 produk terjual per hari. Hal ini bisa berguna untuk distributor
dan penjual untuk menyediakan sesuai dengan perhitungan peramalan ini.
4.2 Saran
Adapun beberapa saran terkait dengan proses peramalan dari data runtun waktu
ini adalah :
1. Kuantitas data runtun waktu lebih banyak lebih baik untuk keakuratan
peramalan.
2. Diperlukan ketelitian dan kesabaran dalam proses pengolahan data runtun waktu
karena ketelitian dalam menentukan model yang tepat sangat dibutuhkan dalam
peramalan ini.
3. Untuk bagian marketing produk speedy, diperlukan program yang lebih kreatif
agar permintaan kostumer meningkat signifikan.
39 | P e r a m a l a n P e n j u a l a n S p e e d y
DAFTAR PUSTAKA
PT Telekomunikasi Indonesia Tbk. (n.d.). Speedy True Broadband. Retrieved
Desember 31, 2014, from telkomspeedy: http://telkomspeedy.com/product-
description
Zanzawi Soejati, P. (1987). ANALISIS RUNTUN WAKTU. Jakarta: Karunika Jakarta.
Puspita, Entit. 2010. Petunjuk Praktikum Metode Runtun Waktu. Jurusan Pendidikan
Matematika Universitas Pendidikan Indonesia
Universitas Pendidikan Indonesia. 2012. Pedoman Penulisan Karya Ilmiah.
Bandung: UPI Press.
Sulistiawati, R. (2012). Ramalan Pembelian Ayam di CV Sumber Jaya dengan Metode
Runtun Waktu. Bandung: tidak diterbitkan
40 | P e r a m a l a n P e n j u a l a n S p e e d y
LAMPIRAN A. Tabel penjualan Speedy di daerah Gegerkalong-Bandung dari tanggal 20 Januari-20
April 2011
Bulan Tanggal Produk terjual Bulan Tanggal Produk Terjual
Januari
20 0
Maret
9 0
21 2 10 0
22 1 11 0
24 0 12 0
25 0 13 0
26 0 14 0
27 2 15 1
28 2 16 1
29 1 17 0
31 3 18 1
Februari
1 3 19 1
2 0 20 0
3 0 21 1
4 0 22 0
5 0 23 1
6 2 24 1
7 3 25 1
8 3 26 0
9 1 27 1
10 1 28 0
11 4 29 0
12 0 30 2
14 2 31 0
16 2
April
1 1
17 3 2 0
18 4 3 1
19 2 4 2
20 1 5 1
21 3 6 2
22 4 7 0
23 2 8 1
24 4 9 1
25 0 10 1
26 1 11 2
27 0 12 2