Tenaga Kerja Estimasi Model ARIMA

77 Sumber : Data diolah tahun 2015 Pada Tabel 4.20 dapat terlihat bahwa probabilitas keseluruhan data diatas lebih besar dari α=5 yang dapat disimpulkan bahwa data yang digunakan sudah stasioner, selain itu dari kolom autocorrelation dan partial correlation menunjukkan bahwa data yang digunakan tidak mengandung autokorelasi. Selanjutnya dilakukan analisis pembentukan model dengan mengklasifikan model-model ARIMA dan melihat nilai R- square, probabilitas, AIC, SIC, dan SSR, seperti yang terlihat dalam Tabel 4.21 berikut ini : Tabel 4.21 Klasifikasi Model ARIMA Model AR dan MA ARIMA Model 1 AR 9 9,1,0 Model 2 MA 2 0,1,2 Model 3 AR 9 MA 2 9,1,2 Setelah diperoleh model-model alternatif maka dapat dilanjutkan dengan estimasi menggunakan program Eviews6. b Estimasi dari Model Untuk mengestimasi model dari parameter pada tabel 4.21 peneliti menggunakan program Eviews6 dan diperoleh ringkasan hasil estimasi dari model-model 78 tersebut seperti yang terlihat pada Tabel 4.22 sebagai berikut : Tabel 4.22 Rangkuman Estimasi Model ARIMA Sumber : Data diolah tahun 2015 Pada Tabel 4.22 nilai probabilitas yang signifikan atau lebih kecil dari α=5 adalah model 2 dan 3, dengan kata lain model 1 tidak signifikan atau tidak memenuhi diagnostic cheking . Selanjutnya dilakukan pengamatan melalui nilai R-squared yaitu diantara 3 model diatas yang paling besar adalah model 3, dan terakhir dengan melihat nilai SSR, AIC, dan SIC dimana jika nilainya rendah maka dapat disimpulkan bahwa model tersebut yang paling baik, dalam Tabel 4.3 diatas maka dapat disimpulkan bahwa model 3 merupakan model yang layak dalam penelitian ini dan merupakan model terbaik yang memenuhi kriteria karena prilaku data deret waktu akan lebih baik dijelaskan melalui Model Prob R-squared Sum Squared Residual SSR AIC SIC model 1 0,1397 0,225 9,71E+11 28,404 28,477 model 2 0.0000 0,028 8,39E+12 29,8 29,9 model 3 0,0429 0,0000 0,536 5,81E+11 28,07 28,18 79 penggabungan antara model AR dan MA. Dengan kata lain, nilai Y t tidak hanya dipengaruhi oleh nilai peubah tersebut, tetapi juga oleh residual peubah tersebut pada periode sebelumnya Juanda, 2012:73. c Evaluasi Model Dalam melakukan evaluasi dari model yang dipilih maka dilakukan uji statistik dari model sebagai berikut: Tabel 4.23 Uji Q-Statistik Autocorrelation Partial Correlation AC PAC Q-Stat Prob .| . | .| . | 1 -0.453 -0.453 2.9309 . | . | .| . | 2 -0.151 -0.447 3.2912 . | . | . | . | 3 0.208 -0.147 4.0636 0.044 . | . | . | . | 4 -0.108 -0.171 4.3021 0.116 . | . | . | . | 5 0.060 -0.010 4.3885 0.222 . | . | . | . | 6 0.192 0.321 5.4453 0.245 . | . | . | . | 7 -0.293 0.072 8.5159 0.130 . | . | . | . | 8 -0.068 -0.240 8.7369 0.189 . | . | . | . | 9 0.255 -0.144 13.401 0.063 . | . | . | . | 10 -0.143 -0.183 16.332 0.038 Sumber : Data diolah tahun 2015 Pada Tabel 4.23 dapat terlihat bahwa pengujian residual yang dilakukan pada model 3 didapatkan hasil bahwa ACF dan PACF dari nilai residual tidak ada yang signifikan sampai pada lag ke 12 yang berarti model baik untuk melakukan proyeksi. d Prediksi atau Peramalan. Terdapat dua metode dalam melakukan proyeksi, yaitu static forcast untuk satu langkah kedepan dan model 80 dynamic forcast untuk beberapa langkah kedepan Rosadi, 2012:160. Dalam analisis ini metode yang dipakai adalah metode dynamic forcast untuk memproyeksikan dalam beberapa tahun kedepan.Hasil dari peramalan dari model 3 untuk Tenaga Kerja 5 tahun kedepan maka diperoleh grafik yang ditunjukkan pada Gambar 4.7 sebagai berikut Gambar 4.7 Forecasting Tenaga Kerja Tahun 2015-2019 Sumber : Data diolah tahun 2015 Dari Gambar 4.7 memberikan output RMSE, MAE, dan MAPE untuk mengukur kesalahan peramalan. Pada Gambar 4.9 dihasilkan nilai rata-rata kuadrat kesalahan sebesar 263436.1RMSE, sedangkan rata-rata absolut kesalahan sebesar 196478.8 MAE dan rata-rata persentase absolut kesalahan sebesar 59.017 MAPE.Berdasarkan ukuran MAPE maka diketahui -800,000 -400,000 400,000 800,000 1,200,000 1,600,000 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 TENAGA_KERFDYN ± 2 S.E. Forecast: TENAGA_KERFDYN Actual: DTENAGA_KERJA Forecast sample: 1994 2019 Adjusted sample: 2004 2019 Included observations: 11 Root Mean Squared Error 263436.1 Mean Absolute Error 196478.8 Mean Abs. Percent Error 59.01791 Theil Inequality Coefficient 0.296328 Bias Proportion 0.183735 Variance Proportion 0.459516 Covariance Proportion 0.356749 81 bahwa tingkat kesalahan peramalan relatif kecil yaitu sebesar 59.01 yang berarti model baik untuk melakukan peramalan, berikut hasil peramalan Tenaga Kerja Jawa Barat 5 tahun kedepan pada tabel 4.24. Tabel 4.24 Hasil Forecasting Tenaga KerjaTahun 2015-2019 Tahun Tenaga Kerja 2015 19537649 2016 20240641 2017 20699362 2018 21122111 2019 21478349 Sumber :Hasil data diolah tahun 2015

4. Pertumbuhan Ekonomi

1 Preprocessing Data dan Indentifikasi Model a Plot Data Untuk melihat perkiraan kasar dari bentuk model yang sesuai yaitu dengan melihat plot data deret waktu dari obyek PDRB Jawa Barat 1994-2014 apakah pola data dari grafik yang ditandai adanya kenaikan atau penurunan dalam perubahan waktu Rosadi, 2012. Seperti yang tampilkan pada Gambar 4.2 pada data tersebut terlihat bahwa data PDRB sumatera selatan memiliki trend sehingga non stasioner pada mean dan selanjutnya dapat dilakukan dengan uji Stasioneritas 82 data dengan menggunakan uji augmented Dickey- FullerADF yang menyatakan terdapat akar unit atau tidak. Gambar 4.8 Grafik Trend PDRB ADHK Provinsi Jawa Barat Tahun 1994-2014 b Uji Stasioneritas Data Tabel 4.25 Unit Root Test ADF Tingkat Level t-Statistic Prob. Augmented Dickey-Fuller test statistic -4.016054 0.0255 Test critical values: 1 level -4.498307 5 level -3.658446 10 level -3.268973 Sumber : Data diolah tahun 2015 Pada Tabel 4.25 terlihat bahwa data PDRB ini diketahui bahwa data mengandung trend, oleh sebab itu dilakukan -20 -15 -10 -5 5 10 94 96 98 00 02 04 06 08 10 12 14 16 18 PDRB 83 Uji Stasioneritas data menggunakan uji akar unit dengan uji augmented Dickey-FullerADF atau menggunakan Plot ACFPACF. Dari hasil Uji ADF data PDRB Provinsi Jawa Barat pada tingkat level data Sebenarnya ADF test statistik bernilai 4.016054 sedangkan nilai test critical values t- statistik batas α=5 bernilai 3.658446 yang berarti tidak terdapat akar unit dan data stasioner, selain itu dapat dilihat dari nilai probabilitasADF sebesar 0,0255 yang dapat disimpulkan bahwa data yang digunakan stasioner karena ku rang dari α=5.Dengan didapatnya data yang stationer maka dapat dilanjutkan dengan pembentukan model dalam analisis Least Square Method ARIMA dengan Menggunakan Eviews 6. 2 Analisis Leat Square Method dengan ARIMA a. Metode ARIMA Autoregressive Moving Average merupakan metode alternatif dalam menganalisis data deret waktu yang terdapat komponen trend tetapi tidak terdapat komponen musiman Rosadi, 2012:118. Agar dapat dimodelkan dengan ARMA atau ARIMA maka hal pertama adalah data harus stationer. Berdasarkan pengujian stasioneritas data PDRB didapatkan hasil bahwa data stasioner pada tingkat level, seperti yang terlihat dalam plot korelogram pada tabel 4.26 84 Tabel 4.26 Korelogram Tingkat Level Data PDRB Tahun 1994-2019 Autocorrelation Partial Correlation AC PAC Q-Stat Prob . | . | . | . | 1 0.092 0.092 0.2026 0.653 . | . | . | . | 2 -0.093 -0.102 0.4211 0.810 . | . | . | . | 3 -0.124 -0.108 0.8370 0.841 . | . | . | . | 4 -0.067 -0.056 0.9657 0.915 . | . | . | . | 5 -0.003 -0.014 0.9659 0.965 . | . | . | . | 6 -0.016 -0.040 0.9738 0.987 . | . | . | . | 7 -0.028 -0.040 1.0002 0.995 . | . | . | . | 8 -0.053 -0.061 1.1046 0.997 . | . | . | . | 9 -0.064 -0.072 1.2718 0.999 . | . | . | . | 10 -0.046 -0.061 1.3655 0.999 . | . | . | . | 11 0.034 0.011 1.4223 1.000 . | . | . | . | 12 -0.042 -0.086 1.5184 1.000 Sumber : Data diolah tahun 2015 Pada Tabel 4.26 dapat terlihat bahwa probabilitas keseluruhan data diatas lebih besar dari α=5 yang dapat disimpulkan bahwa data yang digunakan sudah stasioner, selain itu dari kolom autocorrelation dan partial correlation menunjukkan bahwa data yang digunakan tidak mengandung autokorelasi. Selanjutnya dilakukan analisis pembentukan model dengan mengklasifikan model-model ARIMA dan melihat nilai R- square, probabilitas, AIC, SIC, dan SSR, seperti yang terlihat dalam Tabel 4.27 berikut ini : Tabel 4.27 Klasifikasi Model ARIMA Model AR dan MA ARIMA Model 1 AR 1 1,1,0 Model 2 MA 1 0,1,1 Model 3 AR 1 MA 1 1,1,1 85 Setelah diperoleh model-model alternatif maka dapat dilanjutkan dengan estimasi menggunakan program EViews6. b. Estimasi Model Untuk mengestimasi model dari parameter pada tabel 4.6 peneliti menggunakan program EViews6 dan diperoleh ringkasan hasil estimasi dari model-model tersebut sebagai berikut: Tabel 4.28 Rangkuman Estimasi Model ARIMA Sumber : Data diolah tahun 2015 Pada Tabel 4.28 nilai probabilitas yang signifikan atau lebih kecil dari α=5 adalah model 3, dengan kata lain model 1 dan model 2 tidak signifikan atau tidak memenuhi diagnostic cheking . Selanjutnya dilakukan pengamatan melalui nilai R-squared yaitu diantara 3 model diatas yang paling besar adalah model 3, dan terakhir dengan melihat nilai SSR, AIC, dan SIC dimana jika nilainya rendah maka dapat disimpulkan bahwa model tersebut yang paling baik, Model Prob R-squared Sum Squared Residual SSR AIC SC Model 1 0,6996 0,008 587,17 6,417 6,517 Model 2 0.6331 0.01 592,789 6,36 6,46 Model 3 0.0001 0.0000 0.24 446,022 6,24 6,39