SIDANG TUGAS AKHIR - PERAMALAN JUMLAH PENGADAAN DAN PERSEDIAAN BERAS DI PERUM BULOG DIVRE JATIM - ITS Repository

SIDANG TUGAS AKHIR

PERAMALAN JUMLAH PENGADAAN BERAS DAN

PERSEDIAAN BERAS

DI PERUM BULOG DIVRE JATIM

Oleh: Titik Cahya Ningrum Dosen Pembimbing:

Irhamah, M.Si., Ph.D

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

OUTLINE

PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PENELITIAN ANALISIS DAN PEMBAHASAN KESIMPULAN DAFTAR PUSTAKA

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

BAB 1 PENDAHULUAN Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

PENDAHULUAN

Latar Belakang Rumusan

Masalah Tujuan

Manfaat International Rice Research Institute :

Batasan Konsumsi beras Masyarakat

Masalah Indonesia mencapai 125 Kilogram (Kg) Per Kapita Per Tahun

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

PENDAHULUAN

International Rice Research Institute (IRRI) negara Indonesia dengan

Latar Belakang menyumbang sebesar 8,77% dari produksi beras di Dunia

Rumusan Pada Tahun2007

Masalah Tujuan

Impor beras sebesar 844.163,7 ton pada

Manfaat Tahun 2014

Batasan Masalah

Perkiraan Produksi Beras Perkiraan Persediaan Beras

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

PENDAHULUAN Penelitian Sebelumnya

Hartiningrum (2012)

Latar Belakang Meramalkan harga beras di Perum

BULOG Divre Jatim menggunakan metode Metode Terbaik adalah Rumusan

ARIMA dan double exponential Metode ARIMA Masalah

smoothing Islami (2014)

Tujuan Meramalkan harga beras Riil dan Produksi

Metode Terbaik adalah beras di Provinsi Jawa Timur

Metode Regresi Time Manfaat menggunakan metode Regresi Time

Series

Series dan ARIMA Box-Jenkins Batasan

Masalah

Peramalan Jumlah Pengadaan Beras dan Jumlah Persediaan Beras di

Perum BULOG Divre Jatim menggunakan metode ARIMA Box-Jenskins

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00 Latar Belakang Manfaat

Rumusan Masalah Tujuan

PENDAHULUAN

Batasan Masalah

Bagaimana ?

Model peramalan yang sesuai Hasil peramalan 12 bulan ke depan Data jumlah pengadaan beras dan jumlah persediaan beras di Perum BULOG Divre Jatim dengan metode ARIMA Box-Jennkins

M emperoleh

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00 Karakteristik Data

PENDAHULUAN Informasi tambahan untuk menentukan kebijakan- kebijakan mengenai pengadaan dan penyediaan beras di BULOG Divre Jatim

Latar Belakang Rumusan

Masalah Data Linier atau yang

ARIMA Box-Jenkins dilinierkan Tujuan

Manfaat Batasan Masalah

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

BAB 2 TINJAUAN PUSTAKA Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

Statistika deskriptif adalah metode-

Statistika Deskriptif

metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus

Time Series

data sehingga memberikan informasi yang berguna

ARIMA Prosedur

Time series adalah serangkaian pengamatan

Peramalan

yang diambil berdasarkan urutan waktu, antar

ARIMA

pengamatan saling berkorelasi yaitu data

Pemilihan

kejadian saat ini dengan data dari kejadian

Model Terbaik

sebelumnya Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

Model ARIMA adalah model yang menggabungkan model autoregressive (AR) dan model Moving Average (MA) serta proses

Time Series differencing.

ARIMA Prosedur

Secara umum model ARIMA(p,d,q) ditulis:

Peramalan _d  B  B Z     B a _{p t q t} ( )(1 ) ( )

ARIMA Pemilihan

dimana koefisien dari AR orde p yang telah stasioner adalah:

Model Terbaik

2    B    B   B     B

  p p

2 Beras dan

dan koefisien dari MA orde q yang telah stasioner adalah:

BULOG _q

2 B   B  B   B

    

_{q  q }  

2 Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

Persamaan model ARIMA musiman atau ARIMA S

(P,D,Q) : D S S S

Time Series  B  B Z   B a

     t t P Q

Keterangan: : koefisien komponen AR orde p

 B _p   dimana koefisien dari AR orde P adalah

 B : koefisien komponen MA orde q

ARIMA _q  

S S

2 S PS _S

: koefisien komponen AR

 B B B B B

           

  ^P P

2 P

Prosedur musiman S orde P

dan koefisien dari MA orde Q adalah _S

Peramalan : koefisien komponen MA

B 

_{S S S QS}

_Q  

2 ARIMA

musiman S orde Q

2 Q _d  B

 B    B   B     B _Q  

 

1 : differencing orde d

Pemilihan _D

Persamaan model multiplikatif ARIMA: _S

: differencing musiman S orde D Model Terbaik

B 

 

1 D S d S S

 B  B  B  B Z   B  B a     

1 P   P   t q Q   t

Beras dan BULOG

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

Uji Dickey Fuller

1    t t t

Prosedur Peramalan ARIMA

Gagal Tolak DIFFERENCING

Identifikasi Model Stasioner

Estimasi λ Transformasi -1,0

 

H : Data tidak stasioner H

Time Series Pemilihan

Z Z W Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

Varians Mean Box-Cox

λ=1 TRANSFORMASI

Secara Visual ACF Diesdown DIFFERENCING

1/Z

-0,5 1/

 ˆ ˆ se

Model Terbaik ARIMA

Beras dan BULOG

  t

 

1 

    2 /

(tidak ada transformasi)

Z ^t

0,5 1,0 Z t

 

 

α  

: Data stasioner Tolak H jika atau P-value <

Ln Z

   

TINJAUAN PUSTAKA

Stasioner Identifikasi Model

ACF dan PACF Time Series

PACF

ACF

ARIMA

k 

1 Korelasi antara dengan



 ˆ    ˆ Z Z k k  j k  j t t  k

1 , j

Prosedur



ˆ 

 k k

, k



1 Peramalan ARIMA n



   ˆ

  k j j

 Z Z Z Z

 1 ,    t

t  k



1 t k

 

1 Pemilihan

  ˆ k n

dengan Model Terbaik



 Z Z

  t t



1 ˆ ˆ ˆ ˆ

Beras dan

      k j k  j kk k  k  j

, ,1 ,1

dimana: BULOG _n

Z  Z n /

k = 1,2,... ; t _t

 

dimana: j=1,2,...k-1

1 Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

Time Series Pemilihan

Model Terbaik ARIMA

Prosedur Peramalan ARIMA

Beras dan BULOG

Model Pola ACF Pola PACF AR(p) Menurun secara cepat (dies down) Muncul spike yang signifikan hingga lag ke-p dan cut off setelah lag ke-p

MA(q) Muncul spike yang signifikan hingga lag ke-q dan cut off setelah lag ke-q

Menurun secara cepat (dies down) ARMA(p,q) Menurun secara cepat (dies down) Menurun secara cepat (dies down)

AR(p) atau MA(q) Muncul spike yang signifikan hingga lag ke-q dan cut off setelah lag ke-q Muncul spike yang signifikan hingga lag ke-p dan cut off setelah lag ke-p

Bukan AR(p) atau MA(q) (white noise atau random process) Tidak ada spike yang signifikan

Tidak ada spike yang signifikan

Penetapan Model

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

 Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

 

2 / p n t t hitung

 H ditolak apabila 2 ,

SE t  

  ) ( _i ⁱ ^hitung

 i



1 : (parameter model sesuai) ⁱ

Uji Signifikansi Parameter H : (parameter model tidak sesuai) H



1 ˆ

Time Series Pemilihan

Model Terbaik ARIMA

Z Z Z

 n t t n t t t

     



t=1,2,...,n Nilai taksiran parameter :

1 

Z e Z   

t t t

Model time series:

Conditional Least Square

Estimasi Parameter

Beras dan BULOG

Prosedur Peramalan ARIMA

TINJAUAN PUSTAKA

Z n i D i i

1 : residual data tidak berdistribusi normal Statistik uji:

   

 D D D , max

Dimana:

    i i

Z n i D   

/ max  

   

/ 1 max   

Residual Distribusi Normal Residual White Noise Residual Distribusi Normal

    

  _{i i}

X F Z



) , 1 ( n hitung

D D  



Tolak H ditolak jika

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

Hipotesis: H : residual data berdistribusi normal H

Time Series Pemilihan

Model Terbaik ARIMA

k 

Prosedur Peramalan ARIMA

Beras dan BULOG

H : (residual bersifat white noise) H

1 : minimal ada satu , untuk k =1,2,...,K (residual tidak bersifat white noise)

Statistik Uji:

1     _K

    

Residual White Noise 



     ^K _k _k

Q k n n n

1 ) ( ) 2 (



H ditolak apabila

2 , >

K m Q

 

Dimana : m=p+q Pemeriksaan Diagnostik

TINJAUAN PUSTAKA

1  

Z l Z e n l n t

ˆ    l n

Z 

  Z l n

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

 

 m l i e m

MAE

RMSE

sMAPE

   

% 100 ˆ

1  





 

l n l n t

Z l Z e m sMAPE

Time Series Pemilihan Model

Terbaik ARIMA

 dimana:

Prosedur Peramalan

ARIMA

Beras dan BULOG RMSE

MAE dimana:

= Nilai aktual atau sebenarnya pada waktu ke t = Nilai dugaan atau peramalan pada waktu ke t

m = jumlah data out sample

AIC

M n M AIC a

2 ˆ ) ln (

2  

: Estimasi maksimum Likelihood M : banyaknya parameter dalam model n : banyaknya pengamatan

 

2 ˆ a



2 a



SBC

M n n M SBC

ln ˆ

) ln (

 

 

 m t t e m

BAB 3 METODOLOGI PENELITIAN Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

METODOLOGI PENELITIAN

Sumber Data Diagram Alir

Metode Penelitian

Langkah Analisis

Data Sekunder

Perum

BULOG Divre

Jatim

Data pengadaan beras periode bulanan selama 8 tahun mulai Januari 2008 sampai Desember 2015. Jumlah data sebanyak 96 data

in sample = 84 data out sample = 12 data

Data persediaan beras periode bulanan selama

14 Tahun mulai bulan Januari 2002 sampai bulan Desember 2015 Jumlah data sebanyak 168 data

in sample = 156 data out sample = 12 data

ARIMA Box-Jenskins

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

METODOLOGI PENELITIAN

Mendeskripsikan Karakteristik Data Membuat time series plot

Sumber Data

Identifikasi kestasioneran data Membuat Plot ACF dan PACF

Metode Penelitian

Identifikasi berdasarkan ACF dan PACF Penetapan Model Sementara

Langkah Analisis

Uji Signifikansi Parameter Pemeriksaan Diagnostik

Diagram Alir

Pemilihan model terbaik Peramalan 12 bulan kedepan Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00 Mulai Data Membuat Plot Time Series

Transformasi jika tidak Identifikasi stasioner dalam varian, Kestasioneran Differencing jika tidak an stasioner dalam mean Tidak

Sumber Data

Ya Identifikasi berdasarkan ACF dan PACF

Metode

Penetapan Model Sementara

Penelitian

Tidak Parameter Signifikan?

Langkah Analisis

Ya Tidak Residual

White Noise ?

Diagram Alir

Ya Pemilihan Model Terbaik Peramalan 12 bulan kedepan Kesimpulan

Selesai

BAB 4 ANALISIS DAN PEMBAHASAN Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

ANALISIS DAN PEMBAHASAN

Karakteristik Data Peramalan

Pengadaan dan Persediaan Beras

Pemodelan Jumlah Pengadaan Beras

Pemodelan Jumlah Persediaan Beras

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00 Variabel N Rata-rata Maksimum Stadev Pengadaan Beras

96 69033 296401 72159 Persediaan Beras 168 402099 883636 198874

April 2009 Juni 2016

ANALISIS DAN PEMBAHASAN

Persediaan Pengadaan

300000 900000

25 % Pengadaan Beras 2013 -> 883636 Beras Beras

Karakteristik Data pada bulan April lebih

800000 250000

tinggi dibandingkan bulan

700000

lain

200000 600000

Pemodelan Jumlah

)

Pengadaan Beras

130955 150000 500000 (t ) Y (t Y

97225 400000

100000

Pemodelan Jumlah

300000 51370

Persediaan Beras

50000 32491 25043 200000

7228

Peramalan

100000

2011 -> 11637 Pengadaan dan

Jan Feb Mar Aprl Mei Jun Jul Agt Sep Okt Nop Des Bulan

Persediaan Beras

Jan Feb Mar Aprl Mei Jun Jul Agt Sep Okt Nop Des Bulan

2009 2009 2015 2011 2011 2011

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00

ANALISIS DAN PEMBAHASAN

Identifikasi Model

Karakteristik Data H

1.0 : data tidak stasioner dalam mean

1.0 ₃₀₀₀₀₀ _1.0 _{Low er CL Upper CL} (δ = 0) _Lambda

H : data telah stasioner dalam mean

0.8 600000

0.8

(δ ≠ 0)

1 _{( using 95.0% confidence)} _0.8 ARIMA 1 ₂₅₀₀₀₀

12 ^Estimate ^0.28

0.6

(1,0,1)(1,0,0)

n ^{Low er CL} ^0.18 Pemodelan Jumlah o

12 Taraf Signifikan: α = 0,05 _0.6 ₅₀₀₀₀₀

11 ^{Upper CL} ^0.40 Daerah Penolakan: Tolak H jika P-value <

0.4

ti ^0.4 n 200000 n la o ^{Rounded Value} ^0.28 o

Pengadaan Beras

e 400000 ti ti

0.2 ^0.2

0.2 ru rr la la a e e v B _{150000 Data Estimasi S.E t-value p-value} ARIMA co e ^0.0 rr

0.0

0.0 rr )_ ₃₀₀₀₀₀ to tD co

12 (t S u co

_-0.2

(1,0,1)(0,0,1)

Jumlah Pengadaan Y to

Pemodelan Jumlah -0.2

u to ₁₀₀₀₀₀ l A

0,16014 0,06031 -2,66 0,0095

A u

_-0.4 ia 200000

Beras A

Persediaan Beras -0.4

rt a -0.6 P ₅₀₀₀₀

0.6
0.6 100000

ARIMA

2 _-0.8

Peramalan

0.8
0.8
_-1.0

_Limit

Pengadaan dan

1.0 -1.0 _Month _{Year 2008 2009 Lambda 2010 2011 Lag 2012 2013 2014}

_{1 Jan}

_0.0

_{10 Jan}

_0.5

₂₀

_{1.0 Jan}

₃₀

_{1.5 Jan}

_2.0

₄₀

_{2.5 Jan}

₅₀

_3.0

_{60 Jan}

_{70 Jan}

₈₀

Tolak H

80 Lag Lag

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00

1 

12 

1  ¹²

 

1 

  

1 

1 



12 48326,5 2,20 0,0306 0,53716 4,50 <0,0001

Model ARIMA Parameter Estimasi T-value P-value (1,0,1)(1,0,0)

1 

1  ¹²



12 

ANALISIS DAN PEMBAHASAN

Karakteristik Data Peramalan

0,47285 -3,84 0,0002 0,61274 6,29 <0,0001
0,53271 -4,54 <0,0001
0,45092 -4,21 <0,0001

1 

(1,0,1)(1,0,1)

Pengadaan dan Persediaan Beras

Pemodelan Jumlah Pengadaan Beras

Pemodelan Jumlah Persediaan Beras

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00 Estimasi Parameter

(1,0,1)(0,0,1)

12 55505,3 3,18 0,0021 0,50300 4,18 <0,0001

12 55111,3 2,37 0,0200 0,55188 4,56 <0,0001

12 

1 

1 

0,43021 -3,35 0,0013 1,00000 9,97 <0,0001 0,61767 3,70 0,0004

12 

12 

1 

ANALISIS DAN PEMBAHASAN

White Noise Distribusi Normal

Karakteristik Data

Residual White noise Model ARIMA Lag P-value

Residual

Pemodelan Jumlah

6 0,2385 Berdistribusi Normal Model ARIMA

12 0,7995

Pengadaan Beras ₁₂

(1,0,1)(1,0,0) 18 0,8904

KS P-value 24 0,9486 ₁₂

(1,0,1)(1,0,0) 0,144859 <0,0100 6 0,1109

Pemodelan Jumlah ₁₂ 12 0,2635 ₁₂ Persediaan Beras

(1,0,1)(0,0,1) 0,176111 <0,0100

(1,0,1)(0,0,1) 18 0,2781 24 0,0857 ¹²

(1,0,1])(1,0,1) 0,113738 <0,0100

Peramalan

6 0,2119 12 0,7485

Pengadaan dan ¹²

(1,0,1)(1,0,1) 18 0,9343

Persediaan Beras

24 0,8295 Pemeriksaan Residual

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00

ANALISIS DAN PEMBAHASAN

Karakteristik Data Peramalan

Signifikan White Noise

Pemodelan Jumlah Pengadaan Beras

1 



ARIMA (1,0,1)(1,0,0)

12 ARIMA

Parameter Estimasi T-value P-value Tipe Outlier 47929,4 2,12 0,0371 - 0,58925 5,22 <0,0001 -

Signifikan White Noise

Parameter Estimasi T-value P-value Tipe Outlier 53879,4 3,26 0,0017 - 0,54226 4,83 <0,0001 -

Signifikan White Noise

Outlier 69966,6 3,18 0,0021 - 0,60029 5,45 <0,0001 -

1 



0,61347 -5,69 <0,0001 - 0,73479 7,98 <0,0001 - 59813,2 4,20 <0,0001
0,49597 -4,12 <0,0001 - 1,0000 10,91 <0,0001 - 0,56299 3,49 0,0008 - 65709,9
0,65788 -6,30 <0,0001 -
0,45551 -3.96 0,0002 - 65238,2 3,83 0,0003

Additive 

12 ARIMA

Normal

16 

(1,0,1)(1,0,1)

3,45 0,0009

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00 Deteksi Outlier

Pemodelan Jumlah Persediaan Beras

1 



12 

60805,1 -2,59 0,0115
48205,9 -2,97 0,0040



15 

Pengadaan dan Persediaan Beras

Tidak Berdistribusi

Normal

Tidak Berdistribusi

15 

Level Shift

12 Parameter Estimasi T-value P-value Tipe

Additive

Additive 65917,9 4,01 0,0001

12 

48 

15 

17 

12 

Tidak Berdistribusi

48 

(1,0,1)(0,0,1)

Additive 126877,7 3,99 0,0002

Additive 87435,0 2,88 0,0051

Additive 

1 

1 

12 

Normal

ANALISIS DAN PEMBAHASAN

40000 40000 120000 80000 -80000 Median ^Mean
_{-5000 5000 15000 10000 -10000}

^{1st Q uartile -20553}

^{M edian -3264}

^{3rd Q uartile 13409}

^{M axim um 146232}

^{-5825 11659}

^{-11041 2484}

^{34978 47502}

^{A -Squared}

^3.33

^{P-V alue < 0.005}

^{M ean 2917}

^{StDev 40284}

^{V ariance 1622797247}

^{Skew ness 1.31327}

^{Kurtosis 2.90648}

^{A nderson-D arling N orm ality Test}

⁸⁴

^{M inim um -100223}

^{95% C onfidence I nterv al for M ean}

^{95% C onfidence I nterv al for M edian}

^{95% C onfidence I nterv al for StDev}

^{95% Confidence Intervals<-40000 40000 120000 80000 -80000
Median ^Mean
_{-5000 10000 5000 -10000}
^{1st Q uartile -20168} ^{M edian -3741} ^{3rd Q uartile 14003} ^{M axim um 139532} ^{-5488 11040} ^{-7571 3391} ^{33064 44903} ^{A -Squared} ^2.46 ^{P-V alue < 0.005} ^{M ean 2776} ^{StDev 38080} ^{V ariance 1450069206} ^{Skew ness 1.14021} ^{Kurtosis 2.56447} ^N ^{A nderson-D arling N orm ality Test} ⁸⁴ ^{M inim um -87062} ^{95% C onfidence I nterv al for M ean} ^{95% C onfidence I nterv al for M edian} ^{95% C onfidence I nterv al for StDev} ^{95% Confidence Intervals}

Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00
Ringkasan Grafis
ARIMA (1,0,1)(1,0,0)
12 ARIMA
(1,0,1)(0,0,1)
12 _{-40000 40000 80000 160000 120000 -80000} Median ^Mean
_{-5000 10000 5000 -10000}
^{1st Q uartile -16826} ^{Median -2313} ^{3rd Q uartile 15888} ^{Maximum 151923} ^{-6713 9488} ^{-8730 1792} ^{32411 44015} ^{A -Squared} ^2.58 ^{P-V alue < 0.005} ^{Mean 1387} ^{StDev 37327} ^{V ariance 1393298225} ^{Skew ness 1.32811} ^{Kurtosis 4.35966} ^N ^{A nderson-Darling Normality Test} ⁸⁴ ^{Minimum -83896} ^{95% Confidence I nterv al for Mean} ^{95% Confidence I nterv al for Median} ^{95% Confidence I nterv al for StDev} ^{95% Confidence Intervals}
ARIMA (1,0,1)(1,0,1)
12
ANALISIS DAN PEMBAHASAN
1
1
12
1

1
1    
        t t t t t t t t t
Z a a Z Z Z    
13
13
12
1
, 3291 47285 , 61274 , 53716 , 48326 5 ,
   
      t t t t t t t t t
Z a a Z Z Z
Jumlah Pengadaan Beras dipengaruhi Data jumlah pengadaan beras 1, 12, 13 bulan sebelumnya dan kesalahan peramalan 1 bulan lalu
1
Year ^Month ₂₀ ^Ja ₁₅ ^De ^s ^No ^v Ô ^kt ^Se ^p Âg û ^Ju ^l ^Ju
ⁿ
^M êi Âp ^r ^M âr ^Fe ^b ⁿ ²⁰⁰⁰⁰⁰ ¹⁵⁰⁰⁰⁰ ¹⁰⁰⁰⁰⁰ ⁵⁰⁰⁰⁰ D a ta ^{Out Sample} ^{ARI MA(1,0,1)(1,0,0)^ 12} ^{ARI MA (1,0,1)(0,0,1)^ 12} ^{ARI MA(1,0,1)(1,0,1)^ 12} ^Variable
Model ARIMA In Sample Out sample AIC SBC RMSE MAE sMAPE
      _{t t}
(1,0,1)(1,0,0) ¹² 2017,796 2027,519 41942.575 32700,16 88,20 (1,0,1)(0,0,1) ¹² 2027,243 2036,967 43664.12 33998,75 90,01
(1,0,1)(1,0,1) ¹² 2016,108 2028,262 48611,54 32889,22 81,15
Karakteristik Data Peramalan
Pengadaan dan Persediaan Beras
Pemodelan Jumlah Pengadaan Beras
Pemodelan Jumlah Persediaan Beras
Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00 Pemilihan Model Terbaik
B a Z B B
1
1
1
12
1
1
1
1
        
1
ANALISIS DAN PEMBAHASAN
35 ³⁰ ²⁵ ²⁰
¹⁵
¹⁰ ⁵ ¹ ^1.0 ^0.8 ^0.6 ^0.4 ^0.2 ^0.0 ^-0.2 ^-0.4 ^-0.6 ^-0.8 ^-1.0 Lag P a rt ia l A u to co rr e la ti o n
Lag A u to co rr e la ti o n Plot ACF setelah Differensing Reguler
1 5 6
11
12
13
23
24
Plot PACF setelah Differensing Reguler
Data Estimasi S.E t- value p-value Jumlah Persediaan Beras
1
11
12
23 ARIMA ([1,23],1,0)
ARIMA (1,1,[23])(1,0,0)
12 ARIMA
(1,1,[23])(0,0,1)
12
Stasioner dalam Mean ³⁵ ³⁰ ²⁵ ²⁰ ¹⁵ ¹⁰ ⁵ ¹ ^1.0 ^0.8 ^0.6 ^0.4 ^0.2 ^0.0 ^-0.2 ^-0.4 ^-0.6 ^-0.8 ^-1.0
Uji Dickey-Fuller
Karakteristik Data Peramalan
Time Series Plot
Time Series Plot setelah Differensing Reguler Stasioner dalam
Pemodelan Jumlah Pengadaan Beras
Data Estimasi S.E t- value p- value Jumlah Persediaan Beras
Uji Dickey-Fuller
Mean
Stasioner dalam
Mean -> Plot ACF
Stasioner dalam
Mean setelah Differensing Reguler
Box-cox
Pemodelan Jumlah Persediaan Beras
0,62813 0,07492 -8,38 < 0,0001
0,01073 0,01321 -0,81 0.4178
5 ⁴ ³ ⁵⁰⁰⁰⁰ ¹⁰⁰⁰⁰⁰ ¹⁵⁰⁰⁰⁰ ²⁰⁰⁰⁰⁰ ²⁵⁰⁰⁰⁰ ³⁰⁰⁰⁰⁰
²
^{-2 1 -1} Lambda S tD e v ^{Low er CL Upper CL}
Year ^Month ^{2002 2004 2006 2008 2010 2014 2012} ^{Jan Jan Jan Jan Jan Jan Jan} ⁹⁰⁰⁰⁰⁰ ⁸⁰⁰⁰⁰⁰ ⁷⁰⁰⁰⁰⁰ ⁶⁰⁰⁰⁰⁰ ⁵⁰⁰⁰⁰⁰ ⁴⁰⁰⁰⁰⁰ ³⁰⁰⁰⁰⁰ ²⁰⁰⁰⁰⁰ ¹⁰⁰⁰⁰⁰ Y (t )
Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00 Identifikasi Model
Limit Êstimate ^0.96 ^{Low er CL} ^0.74 ^{Upper CL} ^1.21 ^{Rounded Value} ^1.00 ^{( using 95.0% confidence)} ^Lambda
Year ^Month ^{2002 2004 2006 2008 2010 2014 2012} ^{Jan Jan Jan Jan Jan Jan Jan} ³⁰⁰⁰⁰⁰ ²⁰⁰⁰⁰⁰ ¹⁰⁰⁰⁰⁰ ^-100000 ^-200000 Y (t )_ D
Pengadaan dan Persediaan Beras
35 ³⁰ ²⁵ ²⁰
¹⁵
¹⁰ ⁵ ¹ ^1.0 ^0.8 ^0.6 ^0.4 ^0.2 ^0.0 ^-0.2 ^-0.4 ^-0.6 ^-0.8 ^-1.0 _Lag A u to co rr e la ti o n
ANALISIS DAN PEMBAHASAN
Identifikasi Model
Time Series Plot Plot ACF Plot PACF
Karakteristik Data
_1.0
1.0 _1.0 Plot PACF setelah Plot ACF setelah Time Series Plot 1.0 ₅₀₀₀₀₀
1.0 ARIMA
1
differensing 1 dan Differensing 1 differensing 1 dan
200000
12
0.8
(0,1,[2])(0,1,1) _0.8
0.8 ^0.8 Differensing 12 differensing 12 differensing 12
0.8
dan 12
12
12 _0.6
0.6 _0.6
0.6
0.6 ₂₅₀₀₀₀ n
Pemodelan Jumlah n
100000 o
0.4 o _0.4 n ^0.4
0.4
13 ti ti
0.4 n o n
13 la
Pengadaan Beras o la 1 2
ti 1 2 o
0.2 e e
14 ti
ARIMA
2 ^0.2 ti ^0.2 la
0.2
0.2 rr
1 rr la ,1 e la D e
12
2 e
0.0 co rr co
(1,1,0)(0,1,1)
1 ^0.0 rr ^0.0 )_
0.0
0.0 rr to D co to (t co u co u
0.2
Y )_ to
Pemodelan Jumlah -0.2 _-0.2
to u -0.2 l A -0.2 to )t -250000 u l A u A
18 ia Y
11 14 15
24 A 2 3
11
0.4 -100000
ia
Persediaan Beras A -0.4 _-0.4
rt
0.4
0.4
rt a
12 P a
0.6
ARIMA
12
P -0.6 _-0.6
0.6 _-500000
0.6
12 Peramalan -0.8
_-0.8
200000
_-0.8
([2],1,0)(0,1,1)
0.8
0.8
1.0
Pengadaan dan _-1.0 _-1.0
1.0 -750000
1.0
Persediaan Beras
300000 Month
₁
1 Jan ₁
5 Jan ₅ ₅
10 Jan ₁₀ ₁₀

15 Jan
₁₅ ₁₅
20 ₂₀ ₂₀
25 Jan ₂₅ ₂₅
30 Jan ₃₀ ₃₀
35 Jan ₃₅ ₃₅
1
5
10
15
20
25
30
35 _Year Lag
1 2002 5 2004 10 2006 15 2008 20 2010 25 2012 30 2014
35 Month Jan Jan Jan Jan Jan Jan Jan Lag Lag Lag Lag
Year 2002 2004 2006 2008 2010 2012 2014 Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00
ANALISIS DAN PEMBAHASAN Estimasi Parameter
Model ARIMA Parameter Estimasi T-value P-value 
0,38360 5,40 <0,0001

1
([1,23],1,0)

Karakteristik Data
0,31561 4,23 <0,0001

23

0,32441 4,19 <0,0001

1
12  (1,1,23)(1,0,0)
0,30425 -3,57 0,0005

23
Pemodelan Jumlah 
0,31371 3,94 0,0001
12 Pengadaan Beras 
0,33017 4,26 <0,0001

1
12  (1,1,23)(0,0,1)
0,32167 -3,75 0,0002

23
Pemodelan Jumlah
Persediaan Beras

0,24586 -3,01 0,0031

12

0,28551 -3,51 0,0006

2
12 Peramalan (0,1,2)(0,1,1)


12
0,86219 18,04 <0,0001
Pengadaan dan SIGNIFIKAN


Persediaan Beras
0,19532 2,36 0,0195

1
12 (1,1,0)(0,1,1)


0,85124 17,52 <0,0001
12


2
0,25074 3,05 0,0027
12 (2,1,0)(0,1,1)


12 0,85756 17,85 <0,0001
Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00
ANALISIS DAN PEMBAHASAN
Karakteristik Data Peramalan
Pengadaan dan Persediaan Beras
Pemodelan Jumlah Pengadaan Beras
Pemodelan Jumlah Persediaan Beras
Pemeriksaan Residual _{Model ARIMA} Residual White noise
Lag P-value _([1,23],1,0) 6 0,5625 12 0,0673 18 0,0543 24 0,0851 30 0,0884 _{(1,1,23)(1,0,0)} ₁₂ 6 0,1312
12 0,3440 18 0,0848 24 0,1618 _{30 0,1139}
(1,1,23)(0,0,1) ¹² ^{6 0,2001} ^{12 0,3865} ^{18 0,1172} _{24 0,0954} _{30 0,0726} (0,1,2)(0,1,1) ¹² ^{6 0,3327} ^{12 0,5563} _{18 0,3858} _{24 0,4106} (1,1,0)(0,1,1) ¹² ^{6 0,0557} ^{12 0,3252} _{18 0,0960} _{24 0,0594} (2,1,0)(0,1,1) ¹² ^{6 0,1371} ^{12 0,4046} _{18 0,3116} _{24 0,3215} Model ARIMA Residual Berdistribusi Normal
KS P-value ([1,23],1,0) 0,112441 <0,0100 (1,1,[23])(1,0,0) ¹² 0,101108 <0,0100 (1,1,[23])(0,0,1) ¹² 0,10149 <0,0100 (0,1,[2])(0,1,1) ¹² 0,089921 <0,0100 (1,1,0)(0,1,1) ¹² 0,08432 0,0140 ([2],1,0)(0,1,1) ¹² 0,09075 <0,0100
Tidak Berdistribusi
Normal White Noise
ANALISIS DAN PEMBAHASAN
Normal (0,1,[2])(0,1,1)
Normal
111,116,132 Signifikan White Noise Tidak Berdistribusi
12
Normal ([2],1,0)(0,1,1)
116,132 Signifikan White Noise Berdistribusi
12
Normal (1,1,0)(0,1,1)
111 Signifikan White Noise Tidak Berdistribusi
12
Karakteristik Data Peramalan
Pengadaan dan Persediaan Beras
12
Normal (1,1,[23])(0,0,1)
110,116,132 Signifikan White Noise Tidak Berdistribusi
12
Normal (1,1,[23])(1,0,0)
([1,23],1,0) 16,116,132 Signifikan White Noise Tidak Berdistribusi
Model Outlier Signifikan Keterangan
Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00 Deteksi Outlier
Pemodelan Jumlah Persediaan Beras
Pemodelan Jumlah Pengadaan Beras
132,116 Signifikan White Noise Tidak Berdistribusi
ANALISIS DAN PEMBAHASAN
Ringkasan Grafis
Pemodelan Jumlah Persediaan Beras
ARIMA (1,1,[23])(1,0,0)
12 ARIMA (1,1,[23])(0,0,1)
12 ARIMA ([2],1,0)(0,1,1)
(0,1,[2])(0,1,1)
12}

SIDANG TUGAS AKHIR - PERAMALAN JUMLAH PENGADAAN DAN PERSEDIAAN BERAS DI PERUM BULOG DIVRE JATIM - ITS Repository

BAB 1 PENDAHULUAN Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

BAB 2 TINJAUAN PUSTAKA Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

TINJAUAN PUSTAKA

2 Beras dan

2 Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

2 P

2 ARIMA

1 P   P   t q Q   t

TINJAUAN PUSTAKA

1/Z

TINJAUAN PUSTAKA

1 Pemilihan

1 Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

TINJAUAN PUSTAKA

TINJAUAN PUSTAKA

TINJAUAN PUSTAKA

TINJAUAN PUSTAKA

BAB 3 METODOLOGI PENELITIAN Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

METODOLOGI PENELITIAN

METODOLOGI PENELITIAN

BAB 4 ANALISIS DAN PEMBAHASAN Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

1.0 ARIMA

12 P a

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

Dokumen yang terkait

FAKTOR-FAKTOR YANG BERPERAN TERHADAP PENGADAAN BERAS PERUM BULOG SUB DIVRE BONDOWOSO

FAKTOR-FAKTOR YANG BERPERAN TERHADAP PENGADAAN BERAS PERUM BULOG SUB DIVRE BONDOWOSO

SISTEM INFORMASI ADMINISTRASI PENYALURAN BERAS RASKIN PADA PERUM BULOG DIVRE JATENG.

PENDAHULUAN JARINGAN FORMAL PELAYANAN PUBLIK PERUM BULOG DIVRE DIY TERKAIT STABILISASI HARGA BERAS DI KOTA YOGYAKARTA.

PENERAPAN PENGENDALIAN INTERN ATAS PERSEDIAAN PADA PERUM BULOG SUB DIVRE SOLOK.

SIDANG TUGAS AKHIR PERAMALAN INDEKS HARG

PENGATURAN PERSEDIAAN BERAS DI PERUM BULOG DIVRE SULTENG DENGAN METODE ECONOMIC ORDER QUANTITY (EOQ)

PELAKSANAAN PPh 23 ATAS JASA FREIGHT FORWARDING OLEH PT. JASA PRIMA LOGISTIK PADA BULOG DIBAWAH ANAK PERUSAHAAN PERUM BULOG DIVRE JATIM Repository - UNAIR REPOSITORY

PERAN PERUM BULOG SUBDIVRE KEDIRI DALAM MENJAGA STABILITAS HARGA BERAS MELALUI PENGADAAN BERAS

SALURAN DISTRIBUSI BERAS SEJAHTERA (RASTRA) DI PERUM BULOG SUB DIVRE III SURAKARTA - UNS Institutional Repository

Dokumen yang Anda mencari sudah siap untuk unduhkan