Identifikasi Data KONSEP BERPIKIR STATISTIK DALAM MENJAWAB TANTANGAN INDUSTRIALISASI KHUSUSNYA BIDANG PERAMALAN - Ubaya Repository

7 7 Konsep Berpikir Statistik Dalam MenJawab Tantangan Industrialisasi Khususnya Bidang Peramalan Periode Penjualan Periode Penjualan Periode Penjualan Periode Penjualan 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 546.136 571.111 634.712 639.283 712.182 621.557 621.000 675.989 501.332 220.286 560.727 602.530 628.379 605.508 646.783 658.442 712.906 687.714 723.916 707.183 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 701.108 790.079 594.621 230.716 617.189 691.389 701.067 705.777 747.636 773.392 813.788 766.713 728.875 749.197 680.954 241.424 680.234 708.326 694.238 772.071 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 812.390 799.556 843.038 847.000 941.952 804.309 840.307 871.528 656.330 370.508 742.000 847.152 731.675 898.527 778.139 858.075 938.833 813.023 783.417 828.110 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 835.088 934.595 832.500 300.000 791.443 900.000 781.729 880.000 875.024 992.968 976.804 968.697 671.675 1006.852 832.037 345.587 849.528 913.871 868.746 993.730 Sumber : Makridakis, Spyros, wheelwright, Steven S., and Mc Gee, Victor E., “Metode dan Aplikasi Peramalan”, Erlangga Press, 1991

a. Identifikasi Data

Dari data pada tabel 1, dibuat plot data untuk melihat kondisi atau karakteristiknya, meliputi kondisi stasioneritas data, aspek musiman atau non musiman, menentukan model sementara. Dari gambar 1. Nampak adanya pola musiman yang sangat jelas dan ada kenaikan trend secara umum. 7 8 Idfi Setyaningrum Gambar 1. Plot Data Deret Waktu Selain itu dapat dilihat plot auto korelasinya, hampir seluruhnya positif dan pola musiman yang dominan nampak jelas di dalam nilai r 12 dan r 24 . Demikian juga untuk plot parsial korelasinya nampak adanya pola musiman yang sangat jelas, seperti pada gambar 2 dan gambar 3. Gambar 2. Plot ACF data 7 9 Konsep Berpikir Statistik Dalam MenJawab Tantangan Industrialisasi Khususnya Bidang Peramalan Gambar 3. Plot PACF data Sedangkan untuk plot periodogram menunjukkan adanya trend dan musiman seperti terlihat pada gambar 4. Gambar 4. Periodogram data 8 0 Idfi Setyaningrum Dengan kondisi data yang tidak stasioner maka diperlukan tindakan pembedaan pertama tidak musiman untuk menghilangkan trend non stasioner dan pembedaan musiman untuk menghilangkan kuatnya pengaruh musim pada autokorelasi dan periodogram. Data yang telah dibedakan memperlihatkan keadaan stasioner pada nilai tengah dan pengaruh musim yang dominan, telah hilang, hal ini dapat dibuktikan dengan melihat gambar 5, gambar 6 dan gambar 7. Gambar 5. Plot Data deret Waktu Untuk Pembedaan Pertama 8 1 Konsep Berpikir Statistik Dalam MenJawab Tantangan Industrialisasi Khususnya Bidang Peramalan Gambar 6. Plot ACF Data Pembedaan Pertama Gambar 7. Plot PACF Data Pembedaan Pertama 8 2 Idfi Setyaningrum Pada plot ACF nilai r 1 signifikan, artinya ada proses MA1 yang tidak musiman dan r 12 memperkuat adanya proses MA1 yang musiman. Sehingga kita bisa menduga model sementara adalah : ARIMA 0,1,1 0,1,1 12 secara matematis dapat dituliskan : 1-B 1- B 12 X t = 1 - θ 1 B 1 - φ 1 B 12 e t keterangan : 1-B = pembedaan pertama yang tidak musiman 1- B 12 X t = pembedaan pertama yang musiman 1 - θ 1 B = MA1 yang tidak musiman 1 - φ 1 B 12 e t = MA1 yang musiman

b. Penaksiran Parameter dan Pengujian