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
p
2 B B B B
1
p p
1
2 Beras dan
dan koefisien dari MA orde q yang telah stasioner adalah:
BULOG q
2 B B B B
q q 1
1
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
1
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
1
P P
1
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
1
1
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
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)
t
Z tZ
0,5 1,0 Z t
t
α
: Data stasioner Tolak H jika atau P-value <
1
Ln Z
t
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
1
ˆ
k k
, k
1 Peramalan ARIMA n
ˆ
1
k j j
Z Z Z Z
1 , t
t k
j
1 t k
1 Pemilihan
ˆ k n
2
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
1
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
2
Time Series Pemilihan
Model Terbaik ARIMA
2
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
2
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:
2
1 K
Residual White Noise
K k k
Q k n n n
1
2
1 ) ( ) 2 (
H ditolak apabila2 , >
K m Q
Dimana : m=p+q Pemeriksaan Diagnostik
TINJAUAN PUSTAKA
1
2
1
Z l Z e n l n t
ˆ l n
Z
Z l n
ˆ
Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Mei 2016 Pukul: 08.00
m l i e m
MAE
1
RMSE
sMAPE
% 100 ˆ
2
1
1
1
m
l n l n tZ l Z e m sMAPE
1
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 (
2
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
JatimData 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
1 ( using 95.0% confidence) 0.8 ARIMA 1 250000
12 Estimate 0.28
0.6
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
13
11 Upper CL 0.40 Daerah Penolakan: Tolak H jika P-value <
0.4
0.4
α
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
- 0.2
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
13
- 0.4
rt a -0.6 P 50000
- 0.6
- 0.6 100000
ARIMA
2 -0.8
Peramalan
12
- 0.8
- 0.8
- -1.0 Limit (1,0,1)(1,0,1)
- 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 Persediaan Beras
- 0,47285 -3,84 0,0002 0,61274 6,29 <0,0001
- 0,53271 -4,54 <0,0001
- 0,45092 -4,21 <0,0001
- 0,43021 -3,35 0,0013 1,00000 9,97 <0,0001 0,61767 3,70 0,0004
- 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
- 60805,1 -2,59 0,0115
- 48205,9 -2,97 0,0040
- 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 N 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- -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
- 0,62813 0,07492 -8,38 < 0,0001
- 0,01073 0,01321 -0,81 0.4178
- 0.2
- 0.4 -100000
- 0.4
- 0.4
- 0.6
- 0.6 -500000
- 0.6
- -0.8
- 200000
- -0.8
- 0.8
- 0.8
- 1.0
- 1.0 -750000
- 1.0
- 300000 Month 1
- 0,30425 -3,57 0,0005
- 0,32167 -3,75 0,0002
- 0,24586 -3,01 0,0031
- 0,28551 -3,51 0,0006
Pengadaan dan
Tolak H
1
10
20
30
40
50
60
70
80
1
10
20
30
40
50
60
70
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
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
1
12
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
1
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
Additive
12 ARIMA
Normal
16
(1,0,1)(1,0,1)
3,45 0,0009
Additive 67809,4 3,42 0,0010 AdditiveSidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00 Deteksi Outlier
Pemodelan Jumlah Persediaan Beras
1
12
12
48
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
Sidang Tugas Akhir Lab. Komputasi Rabu, 8 Juni 2016 Pukul: 08.00
Ringkasan GrafisARIMA (1,0,1)(1,0,0)
12 ARIMA
(1,0,1)(0,0,1)
12 -40000 40000 80000 160000 120000 -80000 Median Mean
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 O kt Se p Ag u Ju l Ju
n
M ei Ap r M ar 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 VariableModel 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 nLag 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
5 4 3 50000 100000 150000 200000 250000 300000
2
-2 1 -1 Lambda S tD e v Low er CL Upper CLYear 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 Estimate 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 nANALISIS 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
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
ia
Persediaan Beras A -0.4 -0.4
rt
rt a
12 P a
ARIMA
12
P -0.6 -0.6
12 Peramalan -0.8
([2],1,0)(0,1,1)
Pengadaan dan -1.0 -1.0
Persediaan Beras
1 Jan 1
5 Jan 5 5
10 Jan 10 10
15 Jan
15 1520 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)
23
Pemodelan Jumlah
0,31371 3,94 0,000112 Pengadaan Beras
0,33017 4,26 <0,0001
1
12 (1,1,23)(0,0,1)
23
Pemodelan JumlahPersediaan Beras
12
2
12 Peramalan (0,1,2)(0,1,1)
12
0,86219 18,04 <0,0001Pengadaan dan SIGNIFIKAN
Persediaan Beras
0,19532 2,36 0,0195
1
12 (1,1,0)(0,1,1)
0,85124 17,52 <0,000112
2
0,25074 3,05 0,002712 (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