Pertumbuhan Ekonomi Estimasi Model ARIMA

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 86 dalam Tabel 4.28 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 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 4.29 Uji Q-Statistik Autocorrelation Partial Correlation AC PAC Q-Stat Prob . | . | . | . | 1 0.094 0.094 0.2032 .| . | .| . | 2 -0.238 -0.249 1.5866 . | . | . | . | 3 0.039 0.097 1.6260 0.202 . | . | . | . | 4 0.059 -0.019 1.7230 0.423 . | . | . | . | 5 -0.008 0.021 1.7251 0.631 . | . | . | . | 6 -0.000 0.006 1.7251 0.786 . | . | . | . | 7 -0.040 -0.047 1.7795 0.879 . | . | . | . | 8 -0.038 -0.025 1.8324 0.934 . | . | . | . | 9 -0.085 -0.108 2.1197 0.953 . | . | . | . | 10 -0.044 -0.032 2.2067 0.974 . | . | . | . | 11 0.011 -0.021 2.2131 0.988 . | . | . | . | 12 -0.050 -0.061 2.3482 0.993 Sumber : Data diolah tahun 2015 Pada Tabel 4.29 dapat terlihat bahwa pengujian residual yang dilakukan pada model 3 didapatkan hasil bahwa ACF dan PACF dari nilai residual tidak ada yang 87 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 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 PDRB 5 tahun kedepan maka diperoleh grafik yang ditunjukkan pada Gambar 4.9 sebagai berikut Gambar 4.9 Forecasting PDRB Tahun 1994-2019 Sumber : Data diolah tahun 2015 Dari Gambar 4.9 memberikan output RMSE, MAE, dan MAPE untuk mengukur kesalahan peramalan. Pada Gambar 4.9 dihasilkan nilai rata-rata kuadrat kesalahan sebesar 5.220260 RMSE, sedangkan rata-rata absolut kesalahan sebesar 2.6777302 MAE dan rata-rata -12 -8 -4 4 8 12 16 20 24 96 98 00 02 04 06 08 10 12 14 16 18 PDRBFDYN ± 2 S.E. Forecast: PDRBFDYN Actual: PDRB Forecast sample: 1994 2019 Adjusted sample: 1995 2019 Included observations: 20 Root Mean Squared Error 5.220260 Mean Absolute Error 2.677302 Mean Abs. Percent Error 32.98800 Theil Inequality Coefficient 0.443656 Bias Proportion 0.000342 Variance Proportion 0.510277 Covariance Proportion 0.489381 88 persentase absolut kesalahan sebesar 32.98 MAPE.Berdasarkan ukuran MAE maka diketahui bahwa tingkat kesalahan peramalan relatif kecil yaitu sebesar 2,67 yang berarti model baik untuk melakukan peramalan, berikut hasil peramalan PDRB Sumatera Selatan 5 tahun kedepan pada tabel 4.30. Tabel 4.30 Hasil Forecasting PDRB Tahun 2015-2019 2015 5.54 2016 5.94 2017 6.12 2018 6.24 2019 6.29 Sumber : Hasil data diolah tahun 2015 Dapat dilihat hasil forecasting PDRB Jawa Barat dari tahun 2015-2019, dimana pada 5 tahun kedepan PDRB Jawa Barat akan mengalami kenaikan setiap tahunnya.

C. Analisis Hasil Forecasting

Dari hasil forecasting yang telah di dapatkan telah menunjukan bahwa dari masing-masing variabel yang telah diteliti menunujukkan adanya peningkatan dari tahun ke tahun. 89 Pada tahun 2015 yang merupakan tahun awal dilakukan nya forecasting dalam penelitian ini telah menunjukan bahwa semua variabel mengalami peningkatan dari tahun sebelumnya,variabel tersebut yaitu: 1 Investasi yang terdiri dari Penanaman Modal AsingPMA dan Penanaman Modal Dalam NegeriPMDN. 2 Tenaga Kerja 3 Produk Domestik Regional Bruto PDRB Dari hasil forecasting tahun 2015 yang telah di dapatkan dengan menggunakan model yang telat ditentukan maka untuk menguji apakah model tersebut sudah tepat maka dapat dikaitkan dengan kondisi rill pada saat ini,ulasan nya dari masing-masing variabel adalah sebagai berikut : 1. Penanaman Modal AsingPMA Sumber : Data diolah tahun 2015 Dari grafik di atas maka dapat terlihat bahwa Penanaman Modal AsingPMA dari tahun 2014 ke tahun 2015 pada semester 1E+10 2E+10 3E+10 4E+10 5E+10 6E+10 7E+10 8E+10 2014 semester 1 hasil forecast PMA PMA 90 pertama hanya meningkat sebesar 0.08,sedangkan dari semester pertama tahun 2015 ke hasil forecasting yang telah di dapatkan dari model yang telah ditentukan yaitu hanya meningkat sebesar 3,09,sehingga dengan range atau jarak yang tidak jauh maka dapat disimpulkan bahwa model yang digunakan untuk memforecasting Penanaman Modal AsingPMA tepat. Berdasarkan hasil proyeksi dengan menggunakan metode least squares dengan alternatif model Autoreggresive Integrated Moving Average ARIMA berdasarkan trend peningkatan PMA di Provinsi Jawa Barat dihasilkan bahwa PMA di Jawa Barat mengalami peningkatan sebesar Rp73.243.836 pada tahun 2015, Rp77.842.327 pada tahun 2016,Rp80.684.570 pada tahun 2017, Rp84.844.348 pada tahun 2018, Rp88.015.713 pada tahun 2019 Semua dalam Triliun Rupiah, Berdasarkan tingkat laju Penanaman Modal Asing di Provinsi Jawa Barat maka terjadi peningkatan ataupun penurunan dibandingkan dengan tahun sebelumnya yang berkisar meningkat sebesar 3,9 pada tahun 2015, mengalami peningkatan 6,2 pada tahun 2016, dan kembali mengalami penurunan 3,6 pada tahun 2017,kembali naik lagi pada tahun 2018 menjadi 5,1, pada tahun 2019 mengalami penurunan lagi sebesar 3,73,yang berarti tingkat PMA cenderungan mengalami penurunan dari pertumbuhan sebelumnya 3,9 pada tahun 2015 hingga hampir mencapai 3,73 pada tahun 2019. 91 2. Penanaman Modal Dalam Negeri PMDN Sumber : Data diolah tahun 2015 Dari grafik di atas maka dapat terlihat bahwa Penanaman Modal Dalam NegeriPMDN dari tahun 2014 ke tahun 2015 pada semester pertama hanya meningkat sebesar 1,4,sedangkan dari semester pertama tahun 2015 ke hasil forecasting yang telah di dapatkan dari model yang telah ditentukan yaitu hanya meningkat sebesar 9,53,sehingga dengan range atau jarak yang tidak jauh maka dapat disimpulkan bahwa model yang digunakan untuk memforecasting Penanaman Modal Dalam NegeriPMDN tepat. Berdasarkan hasil proyeksi dengan menggunakan metode least squares dengan alternatif model Autoreggresive Integrated Moving Average ARIMA berdasarkan trend peningkatan PMDN di Provinsi Jawa Barat dihasilkan bahwa PMDN di Jawa Barat 5E+09 1E+10 1.5E+10 2E+10 2.5E+10 3E+10 3.5E+10 4E+10 4.5E+10 2014 semester 1 hasil forecast PMDN PMDN 92 mengalami peningkatan sebesar Rp42.067.947 pada tahun 2015, Rp43.053.515 pada tahun 2016,Rp53.064.450 pada tahun 2017, Rp57.897.029 pada tahun 2018, Rp56.567.823 pada tahun 2019 Semua dalam Triliun Rupiah, Berdasarkan tingkat laju Penanaman Modal Dalam Negeri di Provinsi Jawa Barat maka terjadi peningkatan ataupun penurunan dibandingkan dengan tahun sebelumnya yang berkisar meningkat sebesar 10,9 pada tahun 2015, mengalami penurunan drastis 2,3 pada tahun 2016, dan kembali mengalami peningkatan yang sangat signifikan sebesar 23 pada tahun 2017,kembali turun lagi pada tahun 2018 menjadi 9,1, pada tahun 2019 mengalami penurunan lagi sebesar 2,2,yang berarti tingkat PMDN cenderungan mengalami penurunan dari pertumbuhan sebelumnya 10,9 pada tahun 2015 hingga hampir mencapai 2,2 pada tahun 2019. 3. Tenaga Kerja Sumber : Data diolah tahun 2015 5000000 10000000 15000000 20000000 25000000 2014 semester 1 hasil forecast Tenaga Kerja tenaga kerja