105
b. Peramalan Permintaan Impor Pear dari Negara Australia
Berdasarkan Tabel 29, metode peramalan time series terbaik untuk permintaan anggur dari china adalah Metode SARIMA 1,0,0 0,1,1
12
atau dalam persamaan back shift notation: 1-B
12 1
1-0.6735BY
t
= 1-0.7665B
12
ε
t
. Hasil Pengolahan metode SARIMA 1,0,0 0,1,1
12
untuk peramalan permintaan pear dari Australia dapat dilihat pada Lampiran 58.
Tabel 29. Nilai MSE Beberapa Metode Peramalan Time Series pada Permintaan Impor Pear dari Australia
No. Metode MSE
MSE terkecil
1 Trend 6,82E+10
6
2 W. Multiplikatif
1,17E+10 2
3 W. Aditif
1,18E+10 3
4 D. Multiplikatif
1,67E+10 5
5 D. Aditif
1,62E+10 4
6 SARIMA 1,0,0 0,1,1
12
1,02E+10 1 1. Identifikasi
Berdasarkan gambar plot ACF dan PACF pada Lampiran 58, plot ACF
memiliki pola eksponensial menurun damped exponensial, sedangkan PACFnya cut off. Pada gambar plot gambar autokorelasi dapat dilihat nilai
autokorelasi yang berbeda nyata dari nol terdapat pada Lag 1 dan 2. Pada selain lag-lag tersebut, nilai autokorelasinya sama dengan nol. Hal ini menunjukkan
bahwa data permintaan impor pear dari Australia sudah stasioner, jadi tidak perlu dilakukan pembedaan.
2. Estimasi
Melihat pola ACF dan PACF model tentatif yang mungkin adalah AR 1. selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk
model tentatif yang lain. Menentukan model terbaik diantara model-model yang ditentukan adalah memilih model yang memiliki nilai MSE terkecil. Walaupun
pada plot non musiman tidak menunjukkan adanya unsur trend, juga pengolahan
106 diuji dengan melakukan pembedaan. Keseluruhan model yang diuji, model
SARIMA 0,0,00,1,1
12
merupakan model yang paling baik. 3. Evaluasi Model Uji Diagnostik
Setelah dilakukan estimasi parameter model, selanjutnya dilakukan evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau
belum. Kreiteria dalam evaluasi metode SARIMA antara lain: - Proses iterasi harus convergence
Hasil pengolahan Model SARIMA menunjukkan bahwa proses iterasi telah convergence antara dua model sudah tidak ada beda yang nyata. Proses
iterasi terlah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010.
- Residual random Residual dari hasil peramalan dari model juga menunjukkan bahwa residual
forcast error sudah random. Sebagai indikator residual hasil ramalan telah random indikator yang digunakan adalah modified Box-Pierce statistik. Hal ini
ditunjukkan bahwa nilai P-value untuk uji staitistik dari residual lebih besar dari 0,05.
- Kondisi invertibilitas ataupun Satisioneritas harus terpenuhi Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh
jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam output model terlihat jumlah koefisien untuk AR 1 = 0,6735 dan SMA
1,1 = 0,7665 - Parameter yang diestimasi harus berbeda nyata dari nol
Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa P-
value koefisen untuk AR 1 = 0,000 dan untuk SMA 1,1 = 0,000.
107 - Model harus parsimonius
Keseluruhan model yang telah memenuhi syarat di atas, model SARIMA ARIMA 0,0,00,1,1
12
adalah model yang relatif sudah dalam bentuk paling sederhana.
- Model harus memiliki MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba.
Model ini Meiliki nilai MSE sebesar 1,02E+10.
4. Peramalan
Total permintaan pear dari Australia untuk 12 bulan ke depan menjadi sebesar 1.905 ton, dengan rata-rata sebesar 158 ton per bulan. Puncak tertinggi
impor terjadi pada bulan Maret yaitu sebesar 340 ton, sedangkan puncak terendah terjadi pada bulan Desember, yaitu sebesar 39 ton. Hasil peramalan ini
dapat dilihat secara langsung seperti yang terlihat pada output pengolahan data
pada Lampiran 58.
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Pear Impor dari Australia
Kategori