Dosen Pembimbing Dr. Brodjol Sutijo Suprih Ulama, M.Si.

Transkripsi

1 TUGAS AKHIR SS PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surabaya

2

3 TUGAS AKHIR SS PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surabaya 2017 i

4 FINAL PROJECT SS NON OIL IMPORTS FORECASTING IN EAST JAVA BY USING ARIMA BOX-JENKINS BOBBY AKBAR NRP Supervisor Dr Brodjol Suijo Suprih Ulama, MSi Deparmen Of Business Saisics Faculy Vocaional Insiu Teknologi Sepuluh Nopember Surabaya 2017 ii

5 iii

6 PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS Nama : Bobby Akbar NRP : Deparemen : Saisika Bisnis Fakulas Vokasi ITS Pembimbing : Dr Brodjol Suijo Suprih Ulama, MSi ABSTRAK Impor Indonesia masih didominasi oleh impor non migas Perumbuhan ekonomi Jawa Timur erus menunjukkan proyeksi posiif, dalam perkembangannya Jawa Timur menduduki peringka eringgi dan erbesar di Pulau Jawa khususnya dan Indonesia Timur umumnya Impor non migas Provinsi Jawa Timur berasal dari 10 kelompok barang yaiu perhiasan/permaa, besi dan baja, mesin-mesin/peralaan mekanik, bungkil indusri makanan, plasik dan barang dari plasik, mesin/peralaan lisrik, gandum-ganduman, bahan kimia organik, pupuk, dan buahbuahan Selama April 2013 impor non migas Jaim didominasi oleh mesin dan pesawa mekanik diikui besi dan baja, gandum, plasik barang dari plasik sera pupuk oal semuanya 731,72 jua dollar AS Oleh karena iu Provinsi Jawa Timur merupakan salah sau daerah yang mempunyai pengaruh erhadap nilai impor yang ada dalam negeri Sehingga dalam peneliian ini ingin mengeahui peramalan nilai impor non migas di Provinsi Jawa Timur dengan menggunakan meode Arima Box-Jenkins unuk meramalkan periode kedepan Meode ersebu sanga cocok dalam meliha flukuaif daa sebelumnya unuk meramalkan di periode mendaang dengan meliha pola yang ada di periode-periode sebelumnya Model erbaik impor non migas yaiu ARIMA (0,1,1) dengan akurasi model AIC sebesar 1268,972, SBC sebesar 1270,822, RMSE sebesar ,7635, dan smape sebesar iv

7 0,1146 Impor non migas mengalami kenaikan dari ahun sebelumnya sebesar ,01 ribu US $ Kaa Kunci: Arima Box-Jenkins, Impor Non Migas, Jawa Timur v

8 NON OIL IMPORTS FORECASTING IN EAST JAVA BY USING ARIMA BOX-JENKINS Name : Bobby Akbar NRP : Deparmen : Business Saisics Faculy of Vocaional-ITS Supervisor : Dr Brodjol Suijo Suprih Ulama, MSi ABSTRACT Indonesia's impors are sill dominaed by non-oil impors Eas Java's economic growh coninues show posiive rend, Eas Java is rank highes in economic growh in Java Island in paricular and Eas Indonesia in general The impor of non-oil and gas from Eas Java consis of 10 groups of goods, such of jewelry / gems, iron and seel, mechanical machinery / equipmen, food indusry cakes, plasics and plasic goods, elecrical machinery / appliances, grains, organic chemicals, Ferilizers, and fruis During April 2013, non-oil and gas impors from Eas Java were dominaed by machineries and mechanical airplanes followed by iron and seel, whea, plasic goods from plasics and oal ferilizer were million US dollars Therefore, Eas Java Province is one area ha has an influence on he value of impors in he counry So in his sudy waned o know he forecasing value of non-oil impors in Eas Java Province by using Arima Box-Jenkins mehod o predic he fuure period The mehod is paricularly suiable in viewing he flucuaions of previous daa o predic in fuure periods by looking a paerns ha exised in previous periods The bes nonoil impor model is ARIMA (0,1,1) wih AIC model accuracy of 1268,972, SBC of 1270,822, RMSE of ,7635, and smape of 0,1146 Non-oil impors increased from he previous year of ,01 housand US $ Kaa Kunci: Arima Box-Jenkins, The Non-Oil Impors, Eas Java vi

9 KATA PENGANTAR Puji syukur kehadira Allah SWT aas limpahan rahma yang elah diberikan kepada penulis sehingga dapa menyelesaikan laporan Tugas Akhir yang berjudul PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS Sholawa dan salam semoga selalu ercurahkan kepada Nabi Muhammad SAW Penulis sadar bahwa dalam penyusunan laporan Tugas Akhir ini idak erlepas dari banuan dan dukungan dari beberapa pihak, oleh karena iu pada kesempaan ini penulis mengucapkan erima kasih kepada : 1 Bapak Dr Brodjol Suijo SU, MSi selaku dosen pembimbing dan sekrearis deparemen saisika bisnis ITS yang elah bersedia memberikan wakunya, selalu sabar memberikan bimbingan, selalu memberi moivasi sera beberapa informasi sehingga penulis dapa menyelesaikan Tugas Akhir ini dengan baik 2 Ibu Ir Muiah Salamah, MKes selaku dosen penguji yang selalu memberikan saran dan kriikan yang membangun Tugas Akhir ini dan Ibu Mike Prasui, SSi, MSi selaku dosen penguji sera dosen validaor yang elah memberikan masukan unuk kesempurnaan Tugas Akhir ini 3 Bapak Dr Wahyu Wibowo SSi MSi selaku Kepala Deparemen Saisika Bisnis ITS sera selaku dosen wali yang elah memberikan nasiha, moivasi, dan bimbingan kepada penulis selama menempuh perkuliahan dan Ibu Ir Sri Pingi Wulandari, MSi selaku keua program sudi Diploma III Deparemen Saisika Bisnis ITS yang elah membimbing dan memoivasi penulis selama menjadi mahasiswa 4 Seluruh dosen Deparemen Saisika Bisnis ITS yang elah memberikan ilmu selama penulis menempuh pendidikan, besera seluruh karyawan Deparemen vii

10 Saisika Bisnis ITS yang elah membanu kelancaran dan kemudahan dalam pelaksanaan kegiaan perkuliahan 5 Badan Pusa Saisik khususnya Badan Pusa Saisik Provinsi Jawa Timur yang elah memberikan kesempaan penulis unuk melaksanakan Tugas Akhir ini 6 Dinas Perindusrian dan Perdagangan Provinsi Jawa Timur yang elah membimbing penulis dalam memperoleh daa 7 Ayah, Ibu, dan keluargaku aas segala do a, dukungan dan moivasi yang selalu diberikan kepada penulis sebagai penyemanga dalam pembuaan Tugas Akhir ini 8 Group gundul yang selalu memberikan moivasi dalam berjuang bersama dan dukungan dalam pembuaan Tugas Akhir ini 9 Teman-eman PIONEER aau DIII Saisika Bisnis ITS angkaan 2014 yang elah berjuang bersama mulai dari masa mahasiswa baru hingga saa ini sera saling memberi moivasi sau sama lain 10 Warga HIMADATA-ITS erima kasih aas dukungan, dan moivasi yang elah diberikan kepada penulis Penulis berharap semoga laporan Tugas Akhir ini dapa bermanfaa sera menambah wawasan bagi pembaca Penulis mengharapkan kriik dan saran unuk perbaikan dalam laporan Tugas Akhir ini Surabaya, Juni 2017 Penulis viii

11 DAFTAR ISI Halaman Halaman Judul i Lembar Pengesahan iii Absrak iv Absrac vi Kaa Penganar vii Dafar Isi ix Dafar Gambar xi Dafar Tabel xii Dafar Lampiran xiii BAB I PENDAHULUAN 11 Laar Belakang 1 12 Perumusan Masalah (Permasalahan) 4 13 Tujuan Peneliian 4 14 Ruang Lingkup / Baasan Masalah 4 15 Manfaa Peneliian 5 BAB II TINJAUAN PUSTAKA 21 Time Series 7 22 Model Auoregressive Inegraed Moving Average (ARIMA) 7 23 Idenifikasi Model Sasionerias Daa Auocorellaion Funcion (ACF) Parial Auocorellaion Funcion (PACF) Esimasi Parameer Uji Signifikasi Parameer Pemeriksaan Diagnosik Model Uji Whie Noise Uji Asumsi Residual Berdisribusi Normal Deeksi Oulier Pemilihan Model Terbaik 16 ix

12 28 Impor Non Migas Jawa Timur 17 BAB III METODOLOGI PENELITIAN 31 Sumber Daa Variabel Peneliian Srukur Daa Meode Analisis Daa 20 BAB IV ANALISIS DAN PEMBAHASAN 41 Analisis Impor Non Migas di Provinsi Jawa Timur Pemodelan ARIMA Idenifikasi Model Pengujian Signifikansi Model Impor Non Migas di Provinsi Jawa Timur Pengujian Asumsi Residual Asumsi Residual Whie Noise Asumsi Residual Berdisribusi Normal Model Terbaik Peramalan Impor Non Migas di Provinsi Jawa Timur 39 BAB V KESIMPULAN DAN SARAN 51 Kesimpulan Saran 43 Dafar Pusaka 45 Lampiran 47 Biodaa Penulis 69 x

13 DAFTAR GAMBAR Halaman Gambar 31 Diagram Alir 22 Gambar 41 Time Series Plo Impor Non Migas di Provinsi Jawa Timur 25 Gambar 42 Boxplo Impor Non Migas di Provinsi jawa Timur 26 Gambar 43 Time Series Plo Daa In-Sample Impor Non Migas di Provinsi Jawa Timur 29 Gambar 44 Transformasi Box-Cox Daa Impor Non Migas di Provinsi Jawa Timur 30 Gambar 45 Plo ACF Daa Impor Non Migas di Provinsi Jawa Timur 30 Gambar 46 Time Series Plo Seelah Differencing 32 Gambar 47 Plo ACF dan PACF Differencing Impor Non Migas di Provinsi Jawa Timur 33 Gambar 48 Plo Daa Akual In Sample dengan Ramalan 38 Gambar 49 Plo Daa Akual Ou Sample dengan Ramalan 39 Gambar 410 Impor Non Migas Tahun 2016 dan Gambar 411 Plo Daa Akual dan Ramalan 42 xi

14 DAFTAR TABEL Halaman Tabel 21 Pola ACF dan PACF 10 Tabel 22 Transformasi Box-Cox 11 Tabel 31 Srukur Daa 19 Tabel 41 Tanggal Hari Raya Idul Firi 26 Tabel 42 Saisika Deskripif Impor Non Migas Per Tabel 43 Tahun di Provinsi Jawa Timur 27 Saisika Deskripif Impor Non Migas Per Bulan di Provinsi Jawa Timur 28 Tabel 44 Uji Dickey Fuller Sebelum Differencing 31 Tabel 45 Uji Dickey Fuller Seelah Differencing 33 Tabel 46 Esimasi dan Pengujian Parameer 34 Tabel 47 Uji Asumsi Whie Noise 35 Tabel 48 Uji Residual Berdisribusi Normal 37 Tabel 49 Krieria Pemilihan Model Terbaik 37 Tabel 410 Tabel 411 Hasil Ramalan Impor Non Migas Tahun Hasil Perbandingan Impor Non Migas di Provinsi jawa Timur 40 xii

15 DAFTAR LAMPIRAN Halaman Lampiran 1 Daa Nilai Impor Non Migas di Provinsi Jawa Timur (Ribu US $) 47 Lampiran 2 Sura Pengambilan Daa Resmi di BPS Jawa Timur 48 Lampiran 3 Oupu Miniab Auocorrelaion Funcion 49 Lampiran 4 Oupu Miniab Parial Auocorrelaion Funcion 51 Lampiran 5 Synax SAS Pengujian Dickey Fuller 53 Lampiran 6 Synax SAS Pengujian Dickey Fuller Seelah Differencing 54 Lampiran 7 Synax SAS Model ARIMA (0,1,1) 55 Lampiran 8 Synax SAS Model ARIMA (1,1,0) 56 Lampiran 9 Synax SAS Model ARIMA (1,1,1) 57 Lampiran 10 Synax SAS Model ARIMA (2,1,0) 58 Lampiran 11 Synax SAS Model ARIMA (2,1,1) 59 Lampiran 12 Oupu SAS Pengujian Dickey Fuller Sebelum Differencing 60 Lampiran 13 Oupu SAS Pengujian Dickey Fuller Seelah Differencing 61 Lampiran 14 Oupu SAS Pengujian Model ARIMA (0,1,1) 62 Lampiran 15 Oupu SAS Pengujian Model ARIMA (1,1,0) 63 Lampiran 16 Oupu SAS Pengujian Model ARIMA (1,1,1) 64 Lampiran 17 Oupu SAS Pengujian Model ARIMA (2,1,0) 65 Lampiran 18 Oupu SAS Pengujian Model ARIMA (2,1,1) 66 Lampiran 19 Sura Pernyaaan Pengambilan Daa 67 xiii

16

17 BAB I PENDAHULUAN 11 Laar Belakang Kegiaan impor merupakan kegiaan konsumsi masyaraka erhadap barang dari luar negeri Seperi halnya konsumsi, impor juga dipengaruhi oleh beberapa fakor dianaranya adalah pendapaan nasional Teori konsumsi menjelaskan bahwa pengeluaran konsumsi yang dilakukan oleh rumah angga dalam perekonomian erganung pada pendapaan yang dierimanya, semakin besar pendapaan mereka semakin besar pula pengeluaran konsumsinya (Sukirno, 2002) BPS merilis nilai impor Indonesia pada Sepember 2016 masih didominasi oleh impor non migas, dengan nilai 9,55 miliar dolar AS aau urun 9,77 persen dibandingkan Agusus 2016 (Republika, 2016) Toal nilai impor nasional pada periode Januari-November 2012 mencapai US$ 176,09 miliar, aau meningka sebesar 9,40% dibandingkan periode yang sama ahun 2011 yang mencapai US$ 160,96 miliar Dari nilai impor ersebu, sebanyak US$ 128,55 miliar aau 71,07% merupakan impor produk-produk indusri pengolahan non-migas Nilai impor produk indusri non-migas ersebu meningka sebesar 12,64% dibandingkan periode yang sama ahun 2011 Berdasarkan kelompok indusri, nilai impor produk indusri eringgi dicapai oleh Indusri Besi Baja, Mesin-mesin dan Oomoif sebesar US$ 57,83 miliar, yang meningka sebesar 23,49% dibandingkan periode Januari-November 2011 Berikunya, impor produk Indusri Elekronika sebesar US$ 15,21 miliar (meningka 3,44%), sera Indusri Kimia Dasar US$ 14,88 miliar (meningka 5,28%) Dapa diliha bahwa nilai impor erbesar merupakan barang-barang modal (besi baja, mesin-mesin dan oomoif), yang banyak digunakan oleh indusri dalam negeri unuk menjalankan akivias produksinya (KEMENPERIN, 2012) Perumbuhan ekonomi Jawa Timur erus menunjukkan proyeksi posiif, dalam perkembangannya Jaim menduduki 1

18 2 peringka eringgi dalam hal perumbuhan ekonomi dan erbesar di Pulau Jawa khususnya dan Indonesia Timur umumnya Jawa Timur merupakan pusa perumbuhan ekonomi pulau Jawa, sesuai yang eruang di modul pembangunan poensi kehidupan insan (MPPKI), Jaim adalah sau-saunya provinsi yang menunjang perumbuhan ekonomi erbesar Indonesia wilayah imur (BAPPEDA JATIM, 2013) Impor non migas Jaim pada April 2013 mencapai 1,604 miliar dollar AS aau naik 19,43 persen dibanding impor non migas Mare 2013 hanya 1,343 miliar dollar AS Sedangkan selama Januari sampai April 2013 impor non migas Jaim 5,870 miliar dollar AS aau mengalami kenaikan 4,07 persen dibanding periode yang sama ahun 2012 hanya 5,640 miliar dollar AS Selama April 2013 impor non migas Jaim didominasi oleh mesin dan pesawa mekanik diikui besi dan baja, gandum, plasik barang dari plasik sera pupuk oal semuanya 731,72 jua dollar AS (DISPERINDAG JATIM, 2017) Impor non migas Provinsi Jawa Timur berasal dari 10 kelompok barang yaiu perhiasan/permaa, besi dan baja, mesin-mesin/peralaan mekanik, bungkil indusri makanan, plasik dan barang dari plasik, mesin/peralaan lisrik, gandum-ganduman, bahan kimia organik, pupuk, dan buah-buahan (BPS JATIM, 2016) Daa Badan Pusa Saisik (BPS) menunjuk kan neraca perdagangan anara ekspor dan impor di Jawa Timur pada bulan November 2016 mengalami defisi Lebih besar nilai impor dibandingkan ekspor Pada November 2016 nilai ekspor Jawa Timur USD 1,6 miliar Sedangkan nilai impor Jaim pada bulan yang sama USD 1,7 miliar aau defisi USD 0,11 miliar (Suara Surabaya, 2016) Kebuuhan masyaraka erhadap impor yang masih sanga inggi nilainya dibandingkan ekspor eruama di wilayah Provinsi Jawa Timur dalam hal barang non migas Sehingga impor dapa mengurangi pemasukan uang negara karena adanya pembayaran dari dalam negeri ke luar negeri Sedangkan ekspor dapa menambah pemasukan uang negara karena ada pembelian dari

19 luar negeri ke dalam negeri Dalam hal ini akan menjadi permasalahan jika nilai impor lebih inggi dibandingkan nilai ekspor Maka dalam peneliian ini ingin menganalisis perkembangan nilai impor non migas di Provinsi Jawa Timur pada periode mendaang, sehingga bisa digunakan dalam hal pengambilan kebijakan nilai impor di periode mendaang unuk mengonrol pengeluaran uang ke luar negeri agar idak erlalu inggi Unuk ujuan meramalkan nilai impor non migas yang masuk di Provinsi Jawa Timur pada periode kedepan, maka meode yang digunakan dalam hal ini yaiu menggunakan meode Arima-Box Jenkins Meode ersebu sanga cocok dalam meliha flukuaif daa sebelumnya unuk meramalkan di periode mendaang dengan meliha pola yang ada di periode-periode sebelumnya Peneliian erkai peramalan impor non migas pernah dilakukan oleh Azziz (2006) yaiu meramalkan nilai impor beras dalam negeri Hasil peneliian menunjukkan bahwa model peramalan adalah ARIMA (1, 0, 0)(0, 0, 1) 4 Hasil ramalan menggunakan model peramalan erbaik memperlihakan ren yang menurun dan volume impor beras yang masuk menunjukkan besaran yang negaif Hal ersebu menunjukkan bahwa Indonesia dalam lima periode ke depan idak melakukan impor beras Peneliian lain erkai meode ARIMA dilakukan oleh Cynhia (2015) unuk meramalkan nilai ekspor Indonesia menggunakan ARIMA dan boosrap Hasil peneliian menunjukkan bahwa model peramalan adalah ARIMA (1, 1, 2) lebih baik daripada menggunakan boosrap yang diunjukkan dengan nilai sandar error lebih kecil dan cenderung mendekai daa aslinya Peneliian lainnya erkai meode ARIMA Box-Jenkins dilakukan oleh Ruslan, Harahap, dan Sembiring (2013) unuk meramalkan nilai ekspor di Provinsi Sumaera Uara menggunakan ARIMA Box-Jenkins Hasil peneliian menunjukkan bahwa model peramalan adalah ARIMA (1, 0, 1) Hasil ramalan menunjukkan nilai ekpor komodii unuk 24 periode mulai bulan November 2012 sampai Okober

20 4 12 Perumusan Masalah (Permasalahan) Berdasarkan uraian dari laar belakang yang menunjukkan bahwa nilai impor Jawa Timur lebih inggi daripada nilai ekspor akan menyebabkan pengeluaran uang dalam negeri ke luar negeri lebih inggi dibandingkan pemasukan uang dari luar negeri ke dalam negeri Unuk menganisipasi kebuuhan impor maka permasalahan yang akan dianalisis dalam peneliian ini adalah bagaimana peramalan impor non migas di Provinsi Jawa Timur unuk periode yang akan daang 13 Tujuan Peneliian Berdasarkan uraian dari rumusan masalah maka ujuan yang ingin dicapai dalam peneliian ini adalah sebagai beriku 1 Mendeskripsikan karakerisik nilai impor non migas di Provinsi Jawa Timur 2 Memperoleh model erbaik unuk meramalkan nilai impor non migas di Provinsi Jawa Timur unuk periode yang akan daang 3 Menganalisis hasil peramalan impor non migas di Provinsi Jawa Timur unuk periode yang akan daang pada bulan Januari 2017 sampai Desember Ruang Lingkup / Baasan Masalah Baasan masalah yang digunakan pada peneliian ini adalah daa yang digunakan merupakan nilai impor non migas di Provinsi Jawa Timur mulai bulan Januari pada ahun 2012 sampai bulan Desember pada ahun 2016 Impor non migas Provinsi Jawa Timur berasal dari 10 kelompok barang yaiu perhiasan/permaa, besi dan baja, mesin-mesin/peralaan mekanik, bungkil indusri makanan, plasik dan barang dari plasik, mesin/peralaan lisrik, gandum-ganduman, bahan kimia organik, pupuk, dan buah-buahan

21 5 15 Manfaa Peneliian Berdasarkan permasalahan dan ujuan, manfaa yang diperoleh dari peneliian ini adalah sebagai beriku 1 Memperoleh perkembangan nilai impor non migas di Provinsi Jawa Timur 2 Mendapakan model peramalan unuk meramalkan nilai impor non migas di Provinsi Jawa Timur pada periode berikunya yaiu pada bulan Januari 2017 sampai Desember 2017

22 6 Halaman ini sengaja dikosongkan

23 BAB II TINJAUAN PUSTAKA 21 Time Series Time series adalah serangkaian pengamaan yang diambil berdasarkan uruan waku dan iap pengamaan yang diambil dari suau variabel berkorelasi dengan variabel iu sendiri pada waku sebelumnya (Wei, 2006) 22 Model Auoregressive Inegraed Moving Average (ARIMA) Model ARIMA perama kali diperkenalkan oleh Box dan Jenkins pada ahun 1970-an Model ARIMA dapa dibagi ke dalam kelompok-kelompok beriku: 1 Model Auoregressive (AR) Model Auoregressive (AR) merupakan model yang menggambarkan siuasi dimana pengamaan pada waku ke- berhubungan linear dengan pengamaan pada waku sebelumnya yaiu -1,-2,,-p Model unuk proses auoregressive orde ke-p, yang dilambangkan sebagai AR (p) adalah sebagai beriku: a ( 1 1B 2 p 2 B p ) p a p p p a aau ( B) a (21) Keerangan: = Daa pada waku ke- ( ) p a = Parameer auoregresif ke-p = Nilai kesalahan pada saa p 7

24 8 = Suau konsana raa-raa 2 Moving Average Model (MA) Model unuk proses raa-raa bergerak ( moving average) orde ke-q, yang dilambangkan sebagai MA(q) adalah sebagai beriku: a a a 1 1 a Ba 1 ( 1 1 q q q B q a q B 1 qb ) Keerangan: = parameer moving average ke-q q a aau (B) a (22) a = nilai kesalahan pada saa 3 Model Campuran a Model ARMA Model ARMA ( Auoregressive Moving Average) merupakan campuran aau penggabungan anara model AR (p) dan MA (q) yang dinyaakan sebagai beriku: Z Z Z a a 1 1 p q p q p q q aau ( B ) Z ( B) a (23) b Model ARIMA Model ARIMA ( Auoregressive Inergraed Moving Average) merupakan model ARMA dari daa yang elah mengalami proses differencing sebanyak d dan dilambangkan sebagai ARIMA (p, d, q) Benuk umum model ARIMA (p, d, q) dapa dinyaakan sebagai beriku: d ( B )(1 B) ( B) a (24) dimana B) (1 B B p p( 1 p p ) q = polinomial AR orde p

25 9 q( 1 B) (1 B B q q ) = polnomial MA orde q c Model ARIMA musiman Benuk umum model ARIMA musiman yang dinoasikan sebagai ARIMA (P,D,Q) S dengan S adalah periode musiman adalah sebagai beriku: S S D S ( B )(1 B ) Z ( B ) a (25) p dimana S S 2S PS P ( B ) (1 1B 2B PB ) merupakan polinomial AR orde p musiman S S S 2S QS ( B ) (1 B B B ) merupakan Q 1 2 polinomial MA orde q musiman S d Model ARIMA musiman muliplikaif Beriku adalah benuk umum model ARIMA muliplikaif dengan noasi ARIMA (p,d,q)(p,d,q) S : S d S D S ( B ) ( B)(1 B) (1 B ) Z ( B) ( B ) a (26) P p dengan Z jika d = D = 0 Z Z lainnya Keerangan: S ( B ) : polinomial AR orde P musiman S P P (B) (B) q S ( B ) Q : polinomial AR orde p : polinomial MA orde q : polinomial MA orde Q musiman S d ( 1 B) : differencing non musiman orde ke-d S D ( 1 B ) : differencing musiman s orde ke-d 23 Idenifikasi Model Idenifikasi model dilakukan dengan menenukan orde AR dan orde MA Penenuan orde AR dan MA dapa dilakukan Q P q Q

26 10 ARMA (p,q) 231 Sasionerias Daa dengan meliha plo ACF dan PACF Beriku adalah pola dari plo ACF dan PACF yang dapa digunakan unuk mengidenifikasi model ARIMA: Tabel 21 Pola ACF dan PACF Model ACF PACF Turun cepa membenuk Terpoong seelah lag ke-p AR (p) eksponensial (dies down) (cu off) Terpoong seelah lag ke- Turun cepa membenuk MA (q) q (cu off) Turun cepa membenuk eksponensial (dies down) eksponensial (dies down) Turun cepa membenuk eksponensial (dies down) Sasionerias daa merupakan salah sau asumsi dasar yang harus dipenuhi dalam pemodelan ime series ARIMA Sasionerias daa berari bahwa idak erdapa perumbuhan aau penurunan pada daa Dengan kaa lain, flukuasi daa berada di sekiar suau nilai yang konsan, idak erganung pada waku dan ragam dari flukuasi ersebu (Makridakis dkk, 1999) Terdapa dua jenis sasionerias dalam ime series yaiu sasioner dalam mean dan dalam sasioner dalam varians Namun, dalam penerapan meode ime series banyak diemui daa yang idak sasioner Daa yang idak sasioner dalam mean dapa diaasi dengan melakukan differencing (pembedaan) dengan persamaan sebagai beriku: W Z Z (27) Sasioner dalam mean dapa dilakukan dengan uji Dickey Fuller Secara umum persamaan dari uji Dickey Fuller adalah sebagai beriku (Gujarai & Porer, 2012) Z Z 1 (28) dimana Z = firs differencing dari Z Z 1 = lag 1 dari Z = koefisien regresi dari predikor Z 1 1

27 11 = error pada waku ke- Pengujiannya adalah sebagai beriku Hipoesis : H 0 : 0 (variabel Z idak sasioner) H 1 : 0 (variabel Z sasioner) dimana i=1,2,3,,k ' Daerah penolakan: H 0 diolak apabila ( ; df ) aau P value <, dimana df = banyaknya variabel yang digunakan Saisika uji : ˆ ' (29) se( ˆ) Sedangkan daa yang idak sasioner erhadap varians dapa disasionerkan dengan ransformasi Box-Cox Beriku adalah persamaan umum unuk ransformasi Box-Cox: Z 1 T ( Z ) (210) Transformasi yang sesuai unuk nilai = 0 adalah: Z 1 limt ( Z ) lim ln( Z ) (211) 0 0 Dimana adalah nilai esimasi parameer ransformasi dan Z adalah variabel Z pada waku ke- Beriku adalah nilai yang sering digunakan dalam ransformasi (Wei, 2006): Tabel 22 Transformasi Box-Cox Esimasi Transformasi -1 1/ Z -0,5 1/ Z 0 ln( Z ) 0,5 Z 1 Z

28 Auocorellaion Funcion (ACF) Pada analisis ime series, auokovarian dan k k disebu sebagai fungsi disebu fungsi auokorelasi yang merupakan ukuran keeraan hubungan anara Z dan Z k dari proses yang sama dan hanya dipisahkan oleh selang waku k Karena pada dasarnya idak mungkin fungsi auokorelasi dihiung dari populasi, maka fungsi auokorelasi dihiung dari daa sampel dan dirumuskan sebagai beriku (Wei, 2006): ˆ k n k 1 ( Z n 1 Z )( Z ( Z k Z ) 2 Z ) dimana k 0 dengan k = 0,1,2, (212) n Parial Auocorellaion Funcion (PACF) n (213) Parial Auocorellaion Funcion (PACF) digunakan unuk mengukur keeraan anara Z dan Z k dengan mengeliminasi pengaruh pengamaan 1, 2, erhadap Z Fungsi PACF dapa dirumuskan sebagai beriku (Wei, 2006): k ˆ k 1 ˆ kj ˆ k 1 j j 1 ˆ k 1, k 1 (214) k 1 ˆ ˆ j 1 dengan ˆ ˆ ˆ ˆ, dimana j 1,2,, k k 1, j kj k 1, k 1 k, k 1 j ˆ ˆ, ˆ ˆ,, ˆ k ˆ 2 1 k Esimasi Parameer Salah sau meode penaksiran parameer yang biasa digunakan adalah meode Condiional Leas Square (CLS) kj j

29 13 Meode ini bekerja dengan mencari nilai parameer yang meminimumkan jumlah kuadra error (Sum Square Error) Leas square esimaion unuk model AR(1) adalah sebagai beriku (Cryer & Chan, 2008): n 2 2 1, ) a ) 2 2 n ( Z ) 1( Z 1 S( (215) Kemudian dilakukan penurunan ( differenial) erhadap lalu disamakan dengan nol Beriku merupakan aksiran parameer unuk : n Z Z ˆ (216) ( n 1)(1 ) Selanjunya dilakukan penurunan erhadap lalu disamakan dengan nol Beriku merupakan aksiran parameer unuk : n 241 Uji Signifikasi Parameer n ( Z Z )( Z Z ) 1 2 ˆ (217) n 2 ( Z 1 Z ) 2 Pengujian signifikasi parameer model ARIMA digunakan unuk mengeahui parameer model signifikan aau idak Beriku adalah hipoesis unuk pengujian signifikasi parameer AR aau MA H 0 : i 0 (parameer AR idak signifikan), dimana i=1,2,,p H 1 : i 0 (parameer AR signifikan), dimana i=1,2,,p Saisik uji yang digunakan adalah: ˆ i (218) SE( ˆ ) Daerah penolakan: Tolak H 0 jika i / 2; n m

30 14 Keerangan: n : Banyaknya observasi m : Banyaknya parameer yang diaksir aau H 0 : 0 (parameer MA idak signifikan), dimana j=1,2,,q j H 1 : 0 (parameer MA signifikan), dimana j=1,2,,q j Saisik uji yang digunakan adalah: ˆ j (219) SE( ˆ ) Daerah penolakan: Tolak H 0 jika j / 2; n m Keerangan: n : Banyaknya observasi m : Banyaknya parameer yang diaksir 25 Pemeriksaan Diagnosik Model Pembenukan model Time Series merupakan suau prosedur ieraif yang dimulai dengan idenifikasi model dan esimasi parameer Seelah esimasi parameer dilakukan pemeriksaan diagnosik model dengan langkah-langkah sebagai beriku: 251 Uji Whie Noise Suau proses dikaakan sebuah proses whie noise apabila idak erdapa korelasi dalam dere residual Pengujian asumsi whie noise menggunakan Uji Ljung Box-Q dengan hipoesis sebagai beriku (Wei, 2006): H 0 : 0 (residual bersifa whie noise) a 1 a 2 ak H 1 : minimal erdapa sau 0, unuk k 1,2,, K idak bersifa whie noise) Saisik uji yang digunakan adalah: a k K k ˆ k (residual Q n( n 2) ( n k) (220)

31 15 Kepuusan dapa diambil dengan menolak H 0 2 Q, K p q Keerangan: n : banyaknya pengamaan : ACF residual pada lag ke-k a k a : residual : pengamaan pada waku ke- K : maksimum lag p : orde AR q : orde MA jika nilai 252 Uji Asumsi Residual Berdisribusi Normal Salah sau pengujian yang dapa dilakukan unuk menguji kenormalan daa adalah uji Kolmogorov-Smirnov dengan hipoesis sebagai beriku (Daniel, 1989): H 0 : F(X) = F 0(X) (residual berdisribusi normal) H 1 : F(X) F 0(X) (residual idak berdisribusi normal) Saisik uji yang digunakan adalah: sup D S( x) F 0 ( x) x (221) Daerah penolakan dapa diambil dengan H 0 diolak jika nilai Duji lebih besar dari nilai D( 1, n) Keerangan: F 0 ( x) : Peluang kumulaif disribusi normal S (x) : Peluang kumulaif dari daa sampel 26 Deeksi Oulier Suau serangkaian daa dapa dikaakan oulier apabila daa idak memenuhi syara whie noise dan berdisribusi normal Oulier adalah daa yang memiliki karakerisik unik yang sanga erliha berbeda jauh dari daa observasi lainnya dan menggambarkan sedang erjadi suau perisiwa erenu pada daa

32 16 ersebu Keberadaan daa oulier dapa mempengaruhi kebaikan model Salah sau cara unuk mengaasi ini adalah dengan memasukkan variabel dummy pada lag yang oulier ke dalam model Idenifikasi oulier dapa diliha dari Box plo (Wei, 2006) 27 Pemilihan Model Terbaik Pemilihan model erbaik berdasarkan daa in-sample dapa menggunakan krieria Akaike s Informaion Crierion (AIC) dan Scwarz s Bayesian Crierion (SBC) (Wei, 2006) K rieria AIC dan SBC digunakan pada daa in-sample karena krieria ini menggunakan banyaknya parameer dalam model Nilai AIC dan SBC dapa dihiung melalui rumus beriku: AIC( M ) nln ˆ 2 2M (222) 2 SBC( M ) nln ˆ M ln n (223) Keerangan: M : Banyak parameer dalam model n : Jumlah observasi 2 2 ˆ : Esimasi maksimum likelihood dari Pemilihan model erbaik berdasarkan krieria daa ousample dapa menggunakan beberapa krieria, dianaranya adalah krieria smape dan RMSE Symmeric Mean Absolue Percenage Error (smape) digunakan unuk mengeahui raa-raa nilai mulak dari persenase kesalahan iap model Sedangkan Roo Mean Square Error (RMSE) merupakan suau nilai yang digunakan sebagai krieria pemilihan model erbaik dengan memperimbangkan sisa perhiungan ramalan Nilai RMSE dan smape dapa dihiung dengan rumus beriku: n 1 2 RMSE ( Z Zˆ ) (224) n 1 n ˆ 1 Z Z smape 100% (225) n 1 1 Z ˆ 2 Z

33 17 28 Impor Secara umum, impor merupakan kegiaan memasukkan/membeli barang dari luar negeri ke dalam negeri (DEPKEU RI, 2015) Impor merupakan kegiaan memasukkan barang ke daerah pabean (UU Kepabeanan, 2006) 281 Non Migas Non migas merupakan barang produksi yang idak ergolong gas dan bumi (KBBI, 2016) Beriku merupakan sepuluh kelompok barang yang masuk kedalam barang non migas anara lain yaiu perhiasan/permaa, besi dan baja, mesinmesin/peralaan mekanik, bungkil indusri makanan, plasik dan barang dari plasik, mesin/peralaan lisrik, gandum-ganduman, bahan kimia organik, pupuk, dan buah-buahan (BPS JATIM, 2016) 282 Jawa Timur Jawa Timur merupakan sebuah Provinsi yang memiliki dua bagian uama yaiu Jawa Timur daraan dan kepulauan madura Wilayah daraan Jawa Timur sebesar 88,70 persen aau 42,541 km 2 Semenara luas kepulauan madura sebesar 11,30 persen aau 5,422 km 2 Secara adminisraif Jawa Timur erbagi menjadi 29 Kabupaen dan 9 koa, dengan koa Surabaya sebagai ibukoa provinsi (KOMINFO JATIM, 2015) Jumlah penduduk laki-laki di provinsi Jawa Timur pada ahun 2015 sebanyak dengan jumlah penduduk perempuan sebanyak Sehingga jumlah penduduk Jawa Timur pada ahun 2015 sebanyak (BPS JATIM, 2016)

34 18 Halaman ini sengaja dikosongkan

35 31 Sumber Daa BAB III METODOLOGI Sumber daa yang digunakan dalam peneliian ini adalah daa sekunder Daa diperoleh dari Badan Pusa Saisik Provinsi Jawa Timur (BPS JATIM) yang beralama di Jalan Raya Kendangsari Indusri No 43-44, Kendangsari, Tenggilis Mejoyo, Surabaya Dan daa juga di-peroleh dari websie resmi jaimbps goid, pasuruankoabpsgoid, dan lumajangkabbpsgoid Daa yang diambil merupakan daa nilai impor non migas Provinsi Jawa Timur mulai Januari 2012 sampai Desember 2016 Daa nilai impor non migas di Jawa Timur erdapa pada Lampiran 1 dengan sura pengambilan daa resmi pada Lampiran 2 dan Lampiran Variabel Peneliian Variabel yang digunakan dalam peneliian ini adalah nilai impor non migas Provinsi Jawa Timur mulai bulan Januari 2012 sampai Desember 2016 Daa dibagi menjadi daa in-sample sebanyak 48 daa mulai bulan Januari 2012 sampai Desember 2015 dan daa ou-sample sebanyak 12 daa mulai bulan Januari 2016 sampai Desember Srukur Daa Tabel 31 Srukur Daa Tahun Bulan Variabel Keerangan Januari Z1 Nilai impor non migas bulan Januari 2012 Nilai impor non migas bulan Februari Z Februari

36 20 Tabel 31 Srukur Daa (Lanjuan) Tahun Bulan Variabel Keerangan Desember Z12 Nilai impor non migas bulan Desember 2012 Januari Z49 Nilai impor non migas bulan Januari 2016 Februari Z50 Nilai impor non migas bulan 2016 Desember Z60 34 Meode Analisis Daa Februari 2016 Nilai impor non migas bulan Desember 2016 Meode yang digunakan unuk meramalkan nilai impor non migas Provinsi Jawa Timur pada ahun 2017 adalah sebagai beriku 1 Membagi daa menjadi in-sample pada periode Januari 2012 sampai Desember 2015 dan daa ou-sample pada periode Januari 2016 sampai Desember Membua plo ime series dan plo box-cox pada daa in-sample 3 Apabila daa idak sasioner dalam varians, maka dilakukan ransformasi menggunakan box-cox Dan apabila idak sasioner dalam mean, maka dilakukan differencing 4 Membua plo ACF dan plo PACF dari daa yang sudah sasioner dalam varians dan sasioner dalam mean 5 Melakukan idenifikasi model dengan menenukan orde AR dan MA 6 Melakukan esimasi parameer model dugaan

37 21 7 Melakukan uji whie noise dan uji asumsi residual berdisribusi normal erhadap model yang didapakan 8 Menenukan krieria kebaikan model dengan krieria daa in-sample (nilai AIC dan SBC) dan krieria daa ou-sample (nilai RMSE dan smape) 9 Menghiung nilai AIC dan SBC dari daa in-sample sera nilai RMSE dan smape dari daa ou-sample 10 Membandingkan beberapa model ARIMA (p, d, q) yang didapakan dengan meliha krieria kebaikan model yang sudah dienukan 11 Melakukan pemilihan model erbaik 12 Melakukan peramalan nilai impor non migas Provinsi Jawa Timur unuk periode Januari 2017 sampai Desember 2017

38 22 Berdasarkan langkah analisis dapa digambarkan menggunakan diagram alir sebagai beriku Mulai Daa Sasioner dalam varians Ya Sasioner dalam mean Ya Membua Plo ACF Tidak Tidak Transformasi Box-Cox Differencing B Menenukan orde AR Melakukan Esimasi Parameer Uji Signifikansi Parameer Ya Uji Whie Noise Ya Tidak Tidak A Gambar 31 Diagram Alir

39 23 A B Uji Normalias Tidak Deeksi Oulier Ya Pemilihan Model Terbaik Peramalan Hasil Ramalan Model Terbaik Selesai Gambar 31 Diagram Alir (Lanjuan)

40 24 Halaman ini sengaja dikosongkan

41 BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini, akan dibahas mengenai daa impor non migas di Provinsi Jawa Timur Meode analisis ime series yang digunakan yaiu ARIMA Box-Jenkins Selain iu, pada bagian awal diampilkan analisis saisika deskripif sebagai gambaran awal daa impor non migas di Provinsi Jawa Timur 41 Analisis Impor Non Migas di Provinsi Jawa Timur Analisis daa nilai impor non migas di Provinsi Jawa Timur mulai Januari 2012 sampai Desember 2016 sebagai beriku nilai impor Index Gambar 41 Time Series Plo Impor Non Migas di Provinsi Jawa Timur Gambar 41 menunjukkan bahwa impor non migas di Provinsi Jawa Timur secara umum mengalami naik urun Hal ini dikarenakan perumbuhan penduduk yang semakin meningka sehingga mempengaruhi perminaan impor non migas Selain iu impor non migas iap ahunnya cenderung mengalami peningkaan pada bulan-bulan sebelum dan sesudah Hari Raya Idul Firi Penyebabnya adalah perminaan masyaraka akan barang-barang yang dibuuhkan pada saa lebaran sanga inggi Pada Tabel 41 merupakan anggal erjadinya hari raya Idul Firi

42 26 periode ahun 2012 sampai dengan 2016 sera perminaan impor sebelum dan sesudah hari raya Tahun Hari Raya Idul Firi Tabel 41 Tanggal Hari Raya Idul Firi Perminaan Perminaan Sebelum Saa Hari Hari Raya Raya (Ribu (Ribu US $) US $) Perminaan Sesudah Hari Raya (Ribu US $) 2012 Agusus , , , Agusus , , , Juli , , , Juli , , , Juli , , ,82 Raa-raa , , ,41 Berdasarkan Gambar 41 mengenai ime series plo impor non migas dan informasi anggal pada Tabel 41 dapa dikeahui bahwa pada ahun 2012, Hari Raya Idul Firi jauh pada anggal 19 Agusus Impor non migas pada bulan Agusus 2012 sebesar ,67 ribu US $, sedangkan pada bulan sebelumnya yaiu bulan Juli, impor non migas mencapai ,41 ribu US $ Sehingga dapa disimpulkan bahwa erdapa kecenderungan kenaikan impor non migas pada bulan sebelum Hari Raya, begiu pula dengan ahun-ahun berikunya memiliki kecenderungan yang sama Selanjunya analisis melalui boxplo diampilkan pada Gambar 42 sebagai beriku nilai impor Jan Feb Mar Apr Mei Jun Jul Agu Sep Ok Nov Des Bulan Gambar 42 Boxplo Impor Non Migas di Provinsi Jawa Timur

43 27 Informasi yang dapa diperoleh dari Gambar 42 adalah raa-raa impor non migas eringgi erjadi pada bulan Desember, dan diikui dengan uruan yang paling besar erjadi pada bulan Juni, Mei, Sepember, Okober, April, dan Januari Dengan menggunakan pembanding nilai raa-raa secara keseluruhan dari daa yang diperoleh sebesar ,04 ribu US $, maka dapa dikeahui bahwa impor non migas yang berada di bawah raa-raa oal, yaiu erjadi pada bulan Februari, Mare, Juli, Agusus, dan November Analisis selanjunya disajikan melalui Tabel 42 dan Tabel 43 mengenai karakerisik impor non migas di Provinsi Jawa Timur iap ahunnya dan iap bulan dengan menggunakan nilai raa-raa, sandar deviasi, minimum, dan maksimum sebagai beriku Tabel 42 Saisika Deskripif Impor Non Migas Per Tahun di Provinsi Jawa Timur Tahun Jumlah Raaraa S Dev Min Maks Informasi pada Tabel 42 dikeahui bahwa periode ahun 2012 sampai dengan ahun 2013 impor non migas di Provinsi Jawa Timur cenderung mengikui ren kenaikan yakni sebesar ribu US $ Namun pada periode 2013 menuju 2016 erjadi ren penurunan Pada renang periode 2012 sampai dengan periode 2016, dikeahui bahwa impor eringgi erjadi pada ahun 2013 dengan raa-raa impor iap bulannya sebesar ribu US $ dengan keragaman daa erbesar yang diunjukkan melalui nilai sandar deviasi sebesar ribu US $ Pada ahun 2013 impor non migas erendah sebesar ribu US $ yang erjadi pada bulan Agusus, sedangkan impor eringgi erjadi pada bulan Juli sebesar ribu US $

44 28 Seelah mengeahui pola daa impor non migas ahunan, maka selanjunya melakukan analisis pola daa iap bulannya disajikan pada Tabel 43 sebagai beriku Tabel 43 Saisika Deskripif Impor Non Migas Per Bulan di Provinsi Jawa Timur Raa- Bulan Jumlah S Dev Min Maks Raa Januari Februari Mare April Mei Juni Juli Agusus Sepember Okober November Desember Berdasarkan Tabel 43 dikeahui bahwa impor eringgi non migas di Jawa Timur erjadi pada bulan Desember sebesar ribu US $ dengan raa-raa dan keragaman daa masingmasing sebesar ribu US $ sera ribu US $ Keragaman daa pada bulan Juli cukup inggi dikarenakan pada bulan Juli periode 2015 sampai dengan 2016, impor non migas di bulan ersebu naik sanga inggi dibandingkan ahun-ahun sebelumnya Impor erendah pada bulan Juli erjadi pada ahun 2015 dengan impor sebesar ribu US $, sedangkan pada bulan pada bulan Juli ahun 2013 mengalami impor eringgi sebesar ribu US $ Namun, pada bulan Agusus idak erdapa perbedaan yang signifikan dibandingkan dengan bulan Juli, dikarenakan memiliki nilai raa-raa yang hampir mendekai Jumlah impor non migas pada bulan Agusus periode 2012 sampai dengan 2016 sebesar ribu US $ dengan raa-raa sebesar ribu US $ Pada bulan Agusus memiliki nilai keragaman yang cukup rendah apabila dibandingkan dengan

45 29 bulan Juli sebesar ribu US $ Hal ini dikarenakan idak mengalami kenaikan maupun penurunan impor non migas yang sanga flukuaif Impor erendah pada bulan Agusus erjadi pada ahun 2013 sebesar ribu US $ dan impor eringgi pada bulan Agusus erjadi pada ahun 2014 sebesar ribu US$ 42 Pemodelan ARIMA Pemodelan pada peneliian mengenai impor non migas di Provinsi Jawa Timur menggunakan ime series univariae dengan meode ARIMA Box-Jenkins Tahapan-ahapan pemodelan sebagai beriku 421 Idenifikasi Model Tahapan awal unuk melakukan idenifikasi model impor non migas di Provinsi Jawa Timur, yaiu mengeahui kesasioneran dalam mean dan varians in-sample Index Gambar 43 Time Series Plo Daa In-Sample Impor Non Migas di Provinsi Jawa Timur Berdasarkan plo pada Gambar 43, dapa dikeahui bahwa daa impor non migas di Provinsi Jawa Timur mengindikasikan pola daa sasioner dalam varians

46 30 Indikasi kesasioneran daa dalam varians juga dapa diliha dari nilai (lamda) pada ransformasi Box-Cox Gambar 44 sebagai beriku Lower CL Upper CL Lambda (using 95,0% confidence) Esimae 1,82 Lower CL -0,09 Upper CL 3, Rounded Value 2,00 SDev Limi ,0-2,5 0,0 2,5 5,0 Lambda Gambar 44 Transformasi Box-Cox Daa Impor Non Migas di Provinsi Jawa Timur Gambar 44 menunjukkan analisis Box-Cox unuk mengeahui sasionerias dalam varians daa impor non migas di Provinsi jawa Timur dengan menggunakan daa in-sample mulai bulan Januari 2012 sampai Desember 2015 Hasil ransformasi Box-Cox diperoleh nilai (lamda) sebesar 2,00 Nilai (lamda) ersebu lebih dari 1 (sau), sehingga dapa disimpulkan bahwa daa impor non migas di Provinsi Jawa Timur elah sasioner dalam varians Oleh karena iu, idak perlu dilakukan ransformasi unuk mengaasi hal ersebu Selanjunya unuk mengeahui kesasioneran dalam mean dapa dikeahui dari plo ACF dan pengujian Dickey Fuller beriku Auocorrelaion 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar 45 Plo ACF Daa Impor Non Migas di Provinsi Jawa Timur

47 31 Berdasarkan Gambar 45 diliha dari pola plo ACF dikeahui bahwa gambar ersebu menunjukkan adanya pola menurun yang lamba, sehingga dapa dikaakan daa idak sasioner dalam mean Unuk meliha hasil yang lebih akura, maka dilakukan pengujian Dickey Fuller dengan menggunakan synax pada Lampiran 5 diperoleh oupu pada Lampiran 12 dengan hipoesis dan saisik uji sebagai beriku Hipoesis: H 0 : Daa nilai impor non migas idak sasioner dalam mean ( 0 ) H 1 : Daa nilai impor non migas sasioner dalam mean ( 0 ) Taraf signifikan: =0,05 Daerah kriis: Tolak H 0 jika >, df ; 0,05, 1 =12,7062 Saisik uji: ˆ ˆ se( ˆ) Tabel 44 Uji Dickey Fuller Sebelum Differencing Variabel Esimasi Sandar Error P-value Impor non migas -0, , ,61 0,5442 Tabel 44 menunjukkan bahwa hasil pengujian Dickey Fuller didapakan nilai saisik uji sebesar 0,61 kurang dari sebesar 12,706 dan nilai P-value sebesar 0,5442 lebih besar 0,05,1 dari sebesar 0,05, maka dapa diperoleh kepuusan H 0 gagal diolak Sehingga dapa diambil kesimpulan bahwa daa nilai impor non migas idak sasioner dalam mean Oleh karena iu, perlu dilakukan proses differencing unuk mengaasi keidaksasioneran dalam mean

48 32 Hasil differencing unuk mengaasi keidaksasioneran dalam mean sebagai beriku diff Index Gambar 46 Time Series Plo Seelah Differencing Gambar 46 menunjukkan bahwa daa impor non migas di Provinsi Jawa Timur sudah berflukuasi konsan, erliha bahwa plo-plo elah berada pada suau nilai raa-raa, hal ersebu menunjukkan bahwa daa impor non migas di Provinsi Jawa Timur elah sasioner dalam mean Unuk meliha hasil yang lebih akura, maka dilakukan pengujian Dickey Fuller kembali dengan menggunakan synax pada Lampiran 6 diperoleh oupu pada Lampiran 13 dengan hipoesis dan saisik uji sebagai beriku Hipoesis: H 0 : Daa nilai impor non migas idak sasioner dalam mean ( 0 ) H 1 : Daa nilai impor non migas sasioner dalam mean ( 0 ) Taraf signifikan: =0,05 Daerah kriis: Tolak H 0 jika >, df ; 0,05, 1 =12,7062 Saisik uji: ˆ ˆ se( ˆ)

49 33 Tabel 45 Uji Dickey Fuller Seelah Differencing Variabel Esimasi Sandar Error P-value Impor non migas -1, , ,84 <0,0001 Tabel 45 menunjukkan bahwa hasil pengujian Dickey Fuller didapakan nilai saisik uji sebesar 12,84 lebih besar dari sebesar 12,706 dan nilai P-value sebesar <0,0001 lebih kecil 0,05,1 dari sebesar 0,05, maka dapa diperoleh kepuusan H 0 diolak Sehingga dapa diambil kesimpulan bahwa daa nilai impor non migas elah sasioner dalam mean Sehingga diperoleh oupu ACF dan PACF pada Lampiran 3 dan Lampiran 4 dengan hasil plo ACF ( Auocorrelaion Funcion) dan PACF ( Parial Auocorrelaion Funcion) sebagai beriku Auocorrelaion 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 Parial Auocorrelaion 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar 47 Plo ACF dan PACF Differencing Impor Non Migas di Provinsi Jawa Timur Berdasarkan Gambar 47 dikeahui bahwa ACF (Auocorrelaion Funcion) mengalami cu off seelah lag 1 Sedangkan plo PACF mengalami cu off pada lag 1, 2, dan 11 Model yang mungkin berdasarkan pola dari plo ACF dan PACF ersebu adalah AR (Auoregressive) aau MA (Moving Average), sehingga orde model AR aau MA masing-masing adalah ARIMA (0,1,1) aau ARIMA ([1,2,11],1,0) Aau ARIMA ([1,2,11],1,1) Lag

50 Pengujian Signifikansi Model Impor Non Migas di Provinsi Jawa Timur Pendugaan model ARIMA dan pengujian signifikansi parameer unuk daa impor non migas di Provinsi Jawa Timur Meode yang digunakan dalam esimasi parameer yaiu Condiional Leas Square (CLS) Dengan menggunakan synax pada Lampiran 7, Lampiran 8, Lampiran 9, Lampiran 10, dan Lampiran 11 maka diperoleh oupu dari masing-masing model pada Lampiran 14, Lampiran 15, Lampiran 16, Lampiran 17, dan Lampiran 18 Sehingga esimasi dan pengujian parameer pada masing-masing model ARIMA dinyaakan dengan hipoesis sebagai beriku Hipoesis: H 0 : 0 aau 0 (parameer AR aau MA idak signifikan) H 1 : 0 aau 0 (parameer AR aau MA signifikan) Dengan menggunakan araf signifikan sebesar 5% H 0 diolak jika, hasil esimasi dan pengujian parameer erdapa / 2; n m pada abel 46 beriku Model ARIMA (2,1,1) (1,1,1) (2,1,0) Tabel 46 Esimasi dan Pengujian Parameer Parameer Lag Esimasi S Error P-value 1 1 0, , ,85 0,0004* 1-0, , ,08 0,0437* 1 2-0, , ,35 0, , , ,63 <0,0001* 1 1-0, , ,58 0, , , ,62 <0,0001* 1 2-0, , ,88 0,0003* 2 (1,1,0) 1 1-0, , ,69 <0,0001* (0,1,1) 1 1 0, , ,69 <0,0001* Keerangan : * Signifikan

51 35 Berdasarkan Tabel 46 dapa dikeahui bahwa dari penduga model ARIMA yang elah dilakukan pengujian, model yang memiliki parameer signifikan adalah model ARIMA (0,1,1), ARIMA (2,1,0), dan ARIMA (1,1,0) 43 Pengujian Asumsi Residual Seelah mendapakan model dugaan ARIMA yang signifikan, maka langkah selanjunya yaiu melakukan pemeriksaan asumsi residual Asumsi yang harus erpenuhi pada model ARIMA yaiu asumsi residual whie noise dan berdisribusi normal 431 Asumsi Residual Whie Noise Residual bersifa whie noise berari idak erdapa korelasi anar residual, pengujian unuk meliha residual elah whie noise aau idak, dapa dilakukan dengan menggunakan Ljung-Box Dengan menggunakan synax pada Lampiran 7, Lampiran 8, dan Lampiran 10 maka diperoleh oupu dari masing-masing model yang elah signifikan pada Lampiran 14, Lampiran 15, dan Lampiran 17 dengan hipoesis dan saisik uji sebagai beriku Hipoesis : H 0 : 0 (residual whie noise) a 1 a 2 a 3 ak H 1 : Minimal ada sau 0 a k unuk k=1,2,k (residual idak whie noise) Dengan menggunakan araf signifikan sebesar 5% H 0 diolak 2 jika 2 ( ; K p q) Sehingga hasil uji Ljung Box dapa diliha pada Tabel 47 beriku Model ARIMA (0,1,1) Lag Tabel 47 Uji Asumsi Whie Noise 2 2 df abel P-value Kepuusan 6 5, ,070 0,3847 Whie Noise 12 13, ,675 0,2609 Whie Noise 18 17, ,587 0,3926 Whie Noise 24 34, ,172 0,0628 Whie Noise

52 36 Model ARIMA (2,1,0) (1,1,0) Lag Tabel 47 Uji Asumsi Whie Noise (Lanjuan) 2 2 df abel P-value Kepuusan 6 6,46 4 9,488 0,1676 Whie Noise 12 20, ,307 0,0240 Tidak Whie Noise 18 26, ,296 0,0442 Tidak Whie Noise 24 41, ,924 0,0077 Tidak Whie Noise 6 14, ,070 0,0115 Tidak Whie Noise 12 28, ,675 0,0024 Tidak Whie Noise 18 37, ,869 0,0033 Tidak Whie Noise 24 58, ,415 <0,0001 Tidak Whie Noise Tabel 47 menunjukkan bahwa hasil pengujian residual whie noise pada model-model ARIMA yang memiliki parameer 2 signifikan dapa dikeahui bahwa nilai saisik uji pada model ARIMA diperoleh sesuai dengan persamaan 217 Nilai 2 yang didapakan lebih kecil dari 2 (0,05; df ) dan p-value lebih besar dari araf signifikan sebesar 5% Sehingga dapa diarik kesimpulan bahwa pada model ARIMA (0,1,1) memenuhi asumsi whie noise 432 Asumsi Residual Berdisribusi Normal Asumsi selanjunya yaiu residual berdisribusi normal dengan menggunakan uji Kolmogorov Smirnov Pengujian ini dilakukan unuk megeahui apakah residual berdisribusi normal aau idak Dengan menggunakan synax pada Lampiran 7, Lampiran 8, dan Lampiran 10 maka diperoleh oupu dari masingmasing model yang elah signifikan pada Lampiran 14, Lampiran 15, dan Lampiran 17 dengan hipoesis dan saisik uji sebagai beriku Hipoesis: H 0 : F a ) F ( a ) (residual berdisribusi normal) n ( 0 n ( a ) F0 ( a H 1 : F ) (residual idak berdisribusi normal) Dengan menggunakan araf signifikan sebesar 5% H 0 diolak jika D D n,(1 ) Hasil pengujian asumsi residual berdisribusi

53 37 normal dengan menggunakan uji Kolmogorov Smirnov dapa diliha pada Tabel 48 beriku Tabel 48 Uji Residual Berdisribusi Normal Model ARIMA Dhiung Dabel P-value Kepuusan (0,1,1) 0, ,195 >0,1500 Berdisribusi Normal (2,1,0) 0, ,195 0,1111 Berdisribusi Normal (1,1,0) 0, ,195 >0,1500 Berdisribusi Normal Tabel 48 menunjukkan bahwa hasil pengujian asumsi residual berdisribusi normal dengan menggunakan uji Kolmogorov Smirnov sesuai dengan persamaan 218 Model ARIMA elah memenuhi asumsi residual berdisribusi normal karena nilai saisik uji Kolmogorov Smirnov yang kurang dari D sebesar 0,195 dan p-value lebih dari araf signifikan 0,95;48 sebesar 5% Karena model penduga yang memenuhi asumsi signifikan, whie noise, dan berdisribusi normal didapakan hanya sau model yaiu ARIMA (0,1,1), maka selanjunya akan dilakukan perhiungan krieria model erbaik dari daa in-sample dan ou-sample 44 Model Terbaik Seelah mendapakan sau model dugaan yang elah signifikan dan memenuhi asumsi, yaiu pada model ARIMA (0,1,1) Krieria model disajikan pada Tabel 49 beriku No Model 1 ARIMA (0,1,1) Tabel 49 Krieria Pemilihan Model Terbaik In-Sample Ou-Sample AIC SBC RMSE smape 1268, , ,7635 0,1146 Tabel 49 menunjukkan hasil perhiungan krieria model erbaik Berdasarkan krieria in-sample yaiu AIC dan SBC menunjukkan model erbaik adalah ARIMA (0,1,1) karena didapakan nilai AIC dan SBC, sedangkan unuk RMSE dan

54 38 smape model erbaik adalah ARIMA (0,1,1) Sehingga dapa disimpulkan bahwa model erbaik yang didapakan yaiu ARIMA (0,1,1) Benuk umum model ARIMA (0,1,1) adalah sebagai beriku 1 B ) Z (1 B) ( 1 a Z BZ a 1Ba Z Z Z Z Z Z a a a a Z 1 a 0,83878a 1 l Z l 1 a 0,83878a l 1 Berdasarkan model maemais dikeahui bahwa peramalan nilai impor non migas di Provinsi Jawa Timur dipengaruhi oleh nilai impor non migas peramalan 1 bulan sebelumnya dan dipengaruhi oleh nilai impor non migas kesalahan peramalan 1 bulan sebelumnya Seelah mengeahui model erbaik dari impor non migas di Provinsi Jawa Timur, maka langkah selanjunya adalah meliha grafik pembanding anara daa akual dengan fis Variable in-sample FITS Daa Index Gambar 48 Plo Daa Akual In Sample dengan Ramalan Gambar 48 menunjukkan bahwa plo daa akual dengan ramalan pada daa in sample, berdasarkan gambar ersebu dapa dikeahui bahwa model yang didapakan yaiu ARIMA (0,1,1)

55 39 belum mampu menggambarkan daa akual secara baik dan belum mampu menangkap pola daa, erliha bahwa plo daa ramalan belum mendekai nilai plo daa akual Selanjunya plo daa ou sample dengan ramalan yang dapa diliha pada Gambar 49 beriku Variable ou-sample ramalan 2016 Daa Index Gambar 49 Plo Daa Akual Ou Sample dengan Ramalan Gambar 49 menunjukkan bahwa plo daa akual dengan ramalan sediki mempunyai perbedaan, daa akual memiliki flukuasi yang inggi, sedangkan daa ramalan memiliki flukuasi yang rendah, model yang didapakan yaiu ARIMA (0,1,1) belum bisa menangkap pola daa yang erlalu eksrim pada daa ou sample 45 Peramalan Impor Non Migas di Provinsi Jawa Timur Seelah didapakan model erbaik ARIMA (0,1,1), maka langkah selanjunya yaiu melakukan peramalan sau periode kedepan Beriku merupakan hasil peramalan impor non migas di Provinsi Jawa Timur pada ahun 2017 Tabel 410 Hasil Ramalan Impor Non Migas Tahun 2017 Bulan Baas Bawah Nilai Ramalan Baas Aas Januari Februari Mare April

56 40 Tabel 410 Hasil Ramalan Impor Non Migas Tahun 2017 (Lanjuan) Bulan Baas Bawah Nilai Ramalan Baas Aas Mei Juni Juli Agusus Sepember Okober November Desember Tabel 410 menunjukkan bahwa nilai ramalan impor non migas di Provinsi Jawa Timur memiliki nilai yang sama di seiap bulannya pada ahun 2017 dengan ingka keakuraan 95% nilai ramalan berada didalam baas bawah dan baas aas Selanjunya yaiu membandingkan nilai impor non migas di Jawa Timur dari ahun 2016 dengan 2017, hasil perbandingan yang dapa diliha pada Tabel 411 beriku Tabel 411 Hasil Perbandingan Impor Non Migas di Provinsi Jawa Timur Bulan Tahun 2016 Tahun 2017 Januari , Februari , Mare , April , Mei , Juni , Juli , Agusus , Sepember , Okober , November , Desember , Tabel 411 menunjukkan bahwa hasil nilai ramalan impor non migas di Jawa Timur dengan menggunakan model ARIMA (0,1,1), nilai ramalan impor non migas di Jawa Timur memiliki

57 41 nilai yang hampir sama di seiap bulannya pada ahun 2017 Berbeda dengan ahun 2016, impor non migas yang paling inggi erjadi pada bulan Desember 2016, sedangkan yang paling rendah erjadi pada bulan Juli 2016 Nilai ramalan oal impor non migas di Jawa Timur yaiu pada ahun 2017 mengalami kenaikan sebesar ,01 ribu US $ dari sau ahun sebelumnya Perbandingan hasil ramalan impor non migas di Jawa Timur dibandingkan dengan sau ahun sebelumnya dapa diliha pada Gambar 410 beriku Gambar 410 Impor Non Migas Tahun 2016 dan 2017 Gambar 410 menunjukkan nilai ramalan impor non migas di Jawa Timur pada ahun 2017 dibandingkan dengan sau ahun sebelumnya yaiu ahun 2016 Dari grafik ersebu dapa dikeahui bahwa besarnya impor non migas pada ahun 2017 secara umum mengalami kenaikan dari ahun 2016, kenaikan impor non migas yang inggi erjadi pada bulan Juli yaiu sebesar ,7 ribu US $, eapi erjadi penurunan nilai impor pada bulan Agusus, November, dan Desember

58 42 Unuk mengeahui plo nilai impor non migas di Jawa Timur dengan ramalan, maka digunakan grafik yang menjelaskan daa in-sample, ou-sample, dan nilai ramalan yang erdapa dalam Gambar 411 beriku Variable nilai impor forecas Daa Index Gambar 411 Plo Daa Akual dan Ramalan Gambar 411 menunjukkan plo daa nilai impor non migas di Jawa Timur periode Januari 2012 sampai dengan Desember 2016 dan juga menunjukkan plo ramalan nilai impor non migas pada bulan Januari 2017 sampai dengan Desember 2017 Berdasarkan gambar ersebu dapa dikeahui bahwa hasil ramalan pada ahun 2017 memiliki flukuasi yang rendah Kenaikan dan penurunan nilai impor non migas di Jawa Timur pada ahun 2017 diprediksi idak erlalu eksrim

59 51 Kesimpulan BAB V KESIMPULAN DAN SARAN Berdasarkan analisis dan pembahasan yang elah dilakukan, didapakan beberapa kesimpulan beriku ini 1 Impor non migas di Jawa Timur yang paling inggi selama periode Januari 2012 sampai Desember 2016 erjadi pada bulan Juli 2013, sedangkan yang paling rendah erjadi pada bulan Juli 2015 Impor non migas memiliki pola yang flukuaif 2 Model erbaik dari impor non migas di Jawa Timur adalah ARIMA (0,1,1) dengan akurasi model AIC sebesar 1268,972, SBC sebesar 1270,822, RMSE sebesar ,7635, dan smape sebesar 0,1146 Model yang erbenuk adalah: Z l Z l 1 a 0,83878a l 1 3 Impor non migas mengalami kenaikan sebesar ,01 ribu US $ dibandingkan dengan sau ahun sebelumnya 52 Saran Saran unuk Dinas Perdagangan dan Perindusrian Jawa Timur seelah mengeahui prediksi nilai impor non migas unuk periode kedepan adalah mempersiapkan pasokan barang-barang impor, khususnya impor non migas unuk mencegah adanya defisi pada periode yang diramalkan memiliki nilai yang inggi Selain iu adalah memperhaikan periode yang mempunyai nilai ramalan inggi supaya barang yang masuk kedalam negeri idak erlalu berlebihan Saran unuk penelii selanjunya adalah unuk menggunakan periode waku daa yang lebih kecil seperi mingguan aau harian agar pola daa lebih erliha Saran unuk wilayah Jawa Timur pada ahun 2017 agar menaikkan nilai impor non migas karena berdasarkan hasil forecas pada ahun 2017 mengalami kenaikan nilai impor non migas dibandingkan ahun sebelumnya 43

60 44 Halaman ini sengaja dikosongkan

61 DAFTAR PUSTAKA Azziz, A A 2006 Analisis Impor Beras Sera Pengaruhnya Terhadap Harga Beras Dalam Negeri Bogor: Insiu Peranian Bogor BAPPEDA JATIM 2013 Badan Perencanaan Pembangunan Daerah Provinsi Jawa Timur Surabaya: Bappeda Provinsi Jawa Timur BPS JATIM 2016 Badan Pusa Saisik Provinsi Jawa Timur Surabaya: BPS Provinsi Jawa Timur Cryer, J D, & Chan, K S 2008 Time Series Analysis New York: Springer Science+Business Media Cynhia, A 2015 Analisis Perbandingan Menggunakan ARIMA dan Boosrap Pada Peramalan Nilai Ekspor Indonesia Semarang: Universias Negeri Semarang Daniel, W W 1989 Applied Nonparameric Saisics Houghon Miffin Company DEPKEU RI 2015 Ekspor Impor Jakara: Depkeu RI DJBC DISPERINDAG JATIM 2017 Dinas Perindusrian dan Perdagangan Provinsi Jawa Timur Surabaya: Disperindag Jaim Gujarai, D N, & Porer, D C 2012 Dasar-Dasar Ekonomerika Edisi 5 buku 2 Raden Carlos Mangunsong (rans) Jakara: Salemba Empa KBBI 2016 Kamus Besar Bahasa Indonesia Jakara: Eba Seiawan KEMENPERIN 2012 Laporan Kinerja Sekor Indusri dan Kinerja Kemenerian Penrindusrian Jakara: Kemenerian Perindusrian KOMINFO JATIM 2015 Sekilas Jawa Timur Surabaya: Dinas Kominfo Provinsi Jaim Makridakis, Wheelwrigh, dan McGee 1999 Meode dan Aplikasi Peramalan Jakara: Binarupa Aksara Republika 2016 Koran Republika Jakara: Harian Republika 45

62 46 Ruslan, R, Harahap, S A, Sembiring, P (2013) Peramalan Nilai Ekspor di Propinsi Sumaera Uara dengan Meode ARIMA Box-Jenkins Sainia Maemaika Suara Surabaya 2016 November 2016 Jaim Lebih Bera Impor Dari Ekspor Surabaya: Suara Surabaya Sukirno, Sadono 2002 Penganar Teori Makro Ekonomi Jakara: Raja Grafindo Persada UU Kepabeanan 2006 Undang-Undang Kepabeanan No 17 Undang-undang Kepabeanan Wei, William 2006 Time Series Analysis Univariae and Mulivaiae Mehods Second Ediion USA: Pearson Educaions, Inc

63 LAMPIRAN Lampiran 1 Daa Nilai Impor Non Migas di Provinsi Jawa Timur (Ribu US $) Bulan Tahun Januari , , , , ,89 Februari , , , , ,07 Mare , , , , ,26 April , , , , ,89 Mei , , , , ,40 Juni , , , , ,92 Juli , , , , ,30 Agusus , , , , ,82 Sepember , , , , ,69 Okober , , , , ,32 November , , , , ,08 Desember , , , , ,35 47

64 48 Lampiran 2 Sura Pengambilan Daa Resmi di BPS Jawa Timur

65 49 Lampiran 3 Oupu Miniab Auocorrelaion Funcion MTB > ACF 'diff'; SUBC> Lags 48 Auocorrelaion Funcion: diff Lag ACF T LBQ 1-0, ,90 16,22 2-0, ,07 16,23 3 0, ,94 17,85 4-0, ,70 18,81 5 0, ,10 18,83 6 0, ,52 19,40 7-0, ,42 19,78 8-0, ,05 19,78 9 0, ,53 20, , ,10 23, , ,37 23, , ,24 27, , ,27 32, , ,22 32, , ,27 32, , ,43 33, , ,68 35, , ,38 35, , ,35 36, , ,64 37, , ,28 38, , ,82 41, , ,73 55, , ,23 64, , ,33 65, , ,02 65, , ,21 65, , ,32 66, , ,00 66, , ,25 66, , ,01 66, , ,40 68, , ,48 70, , ,07 70, , ,66 75, , ,66 81, , ,25 82, , ,02 82, , ,11 82, , ,24 84,12

66 50 Lampiran 3 Oupu Miniab Auocorrelaion Funcion (Lanjuan) MTB > ACF 'diff'; SUBC> Lags 48 Auocorrelaion Funcion: diff Lag ACF T LBQ 43 0, ,05 86, , ,07 86, , ,02 86, , ,00 86,44

67 51 Lampiran 4 Oupu Miniab Parial Auocorrelaion Funcion MTB > PACF 'diff'; SUBC> Lags 48 Parial Auocorrelaion Funcion: diff Lag PACF T 1-0, ,90 2-0, ,42 3-0, ,61 4-0, ,52 5-0, ,48 6-0, ,37 7 0, ,15 8 0, ,09 9 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,74

68 52 Lampiran 4 Oupu Miniab Parial Auocorrelaion Funcion (Lanjuan) MTB > PACF 'diff'; SUBC> Lags 48 Parial Auocorrelaion Funcion: diff Lag PACF T 36-0, , , , , , , , , , , , , , , , , , , , , ,19

69 53 Lampiran 5 Synax SAS Pengujian Dickey Fuller daa impor; inpu y; daalines; ; daa impor; se impor; y1=lag1(y); yd=y-y1; run; proc reg daa=impor; model yd=y1/noin; run;

70 54 Lampiran 6 Synax SAS Pengujian Dickey Fuller Seelah Differencing daa impor; inpu y; daalines; * ; daa impor; se impor; y1=lag1(y); yd=y-y1; run; proc reg daa=impor; model yd=y1/noin; run;

71 55 Lampiran 7 Synax SAS Model ARIMA (0,1,1) daa impor; inpu y; daalines; ; proc arima daa=impor; idenify var=y(1); esimae p=(0) q=(1) noconsan mehod=cls; run; forecas ou=ramalan lead=12 prinall; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

72 56 Lampiran 8 Synax SAS Model ARIMA (1,1,0) daa impor; inpu y; daalines; ; proc arima daa=impor; idenify var=y(1); esimae p=(1) q=(0) noconsan mehod=cls; run; forecas ou=ramalan lead=12 prinall; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

73 57 Lampiran 9 Synax SAS Model ARIMA (1,1,1) daa impor; inpu y; daalines; ; proc arima daa=impor; idenify var=y(1); esimae p=(1) q=(1) noconsan mehod=cls; run; forecas ou=ramalan lead=12 prinall; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

74 58 Lampiran 10 Synax SAS Model ARIMA (2,1,0) daa impor; inpu y; daalines; ; proc arima daa=impor; idenify var=y(1); esimae p=(1,2) q=(0) noconsan mehod=cls; run; forecas ou=ramalan lead=12 prinall; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

75 59 Lampiran 11 Synax SAS Model ARIMA (2,1,1) daa impor; inpu y; daalines; ; proc arima daa=impor; idenify var=y(1); esimae p=(1,2) q=(1) noconsan mehod=cls; run; forecas ou=ramalan lead=12 prinall; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

76 60 Lampiran 12 Oupu SAS Pengujian Dickey Fuller Sebelum Differencing Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model Error E Uncorreced Toal E12 Roo MSE R-Square Dependen Mean Adj R-Sq Coeff Var Parameer Esimaes Parameer Sandard Variable DF Esimae Error Value Pr > y

77 61 Lampiran 13 Oupu SAS Pengujian Dickey Fuller Seelah Differencing Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model E E <0001 Error E Uncorreced Toal E12 Roo MSE R-Square Dependen Mean Adj R-Sq Coeff Var Parameer Esimaes Parameer Sandard Variable DF Esimae Error Value Pr > y <0001

78 62 Lampiran 14 Oupu SAS Pengujian Model ARIMA (0,1,1) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < Variance Esimae 3048E10 Sd Error Esimae AIC SBC Number of Residuals 47 * AIC and SBC do no include log deerminan Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D >01500 Cramer-von Mises W-Sq Pr > W-Sq >02500 Anderson-Darling A-Sq Pr > A-Sq >02500

79 63 Lampiran 15 Oupu SAS Pengujian Model ARIMA (1,1,0) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < Variance Esimae 4193E10 Sd Error Esimae AIC SBC Number of Residuals 47 * AIC and SBC do no include log deerminan Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions < Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D >01500 Cramer-von Mises W-Sq Pr > W-Sq >02500 Anderson-Darling A-Sq Pr > A-Sq >02500

80 64 Lampiran 16 Oupu SAS Pengujian Model ARIMA (1,1,1) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < AR1, Variance Esimae 2946E10 Sd Error Esimae AIC SBC Number of Residuals 47 * AIC and SBC do no include log deerminan Correlaions of Parameer Esimaes Parameer MA1,1 AR1,1 MA1, AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D >01500 Cramer-von Mises W-Sq Pr > W-Sq >02500 Anderson-Darling A-Sq Pr > A-Sq >02500

81 65 Lampiran 17 Oupu SAS Pengujian Model ARIMA (2,1,0) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, Variance Esimae 3211E10 Sd Error Esimae AIC SBC Number of Residuals 47 * AIC and SBC do no include log deerminan Correlaions of Parameer Esimaes Parameer AR1,1 AR1,2 AR1, AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq 00309

82 66 Lampiran 18 Oupu SAS Pengujian Model ARIMA (2,1,1) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, AR1, AR1, Variance Esimae 2894E10 Sd Error Esimae AIC SBC Number of Residuals 47 * AIC and SBC do no include log deerminan Correlaions of Parameer Esimaes Parameer MA1,1 AR1,1 AR1,2 MA1, AR1, AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Tess for Normaliy Tes --Saisic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D >01500 Cramer-von Mises W-Sq Pr > W-Sq >02500 Anderson-Darling A-Sq Pr > A-Sq >02500

83 Lampiran 19 Sura Pernyaaan Pengambilan Daa 67

84 68 Halaman ini sengaja dikosongkan

85 BIODATA PENULIS Penulis, dikenal dengan panggilan Bobby yang memiliki nama lengkap Bobby Akbar Penulis lahir di Lamongan, pada anggal 21 Agusus 1995 sebagai anak perama pasangan suami isri, Drs Wahinon Surojo dan Khoirun Nikmah Penulis elah menempuh pendidikan formal dimulai TK Muslima Al-Hidayah Lamongan ( ), MI Ma arif Sukolilo Lamongan ( ), MTs Negeri Model Baba Lamongan ( ) Pada ingka SMA, penulis menimbah ilmu di MA Negeri 1 lamongan dengan jurusan IPA, dalam waku yang bersamaan dalam jenjang SMA, penulis berkesempaan mendapa program seara Diploma 1 jurusan Teknologi Informasi dan Komunikasi kerjasama anara MA Negeri 1 Lamongan dengan ITS Surabaya ( ) Seelah lulus SMA, penulis mendafar ke Deparemen Saisika Bisnis ITS melalui seleksi masuk diploma regular ITS angkaan 2014 dan ercaa dengan NRP sera menjadi bagian keluarga dalam angkaan yang bernama PIONEER Pada ahun perama dan kedua penulis bergabung dalam komunias SCOFI (Social Communiy of FMIPA ITS), anggoa UKM WE&T ITS, divisi eksernal DPM FMIPA ITS (Dewan Perwakilan Mahasiswa FMIPA ITS), dan beberapa paniia kegiaan Pada ahun keiga, penulis mengembangkan minanya dalam karya ulis ilmiah dengan menjadi finalis di Koa Malang, penulis pernah mendapakan kesempaan pengalaman Kerja Prakek di Divisi Kapal Niaga Deparemen PPC Perusahaan PT PAL INDONESIA (Persero) Surabaya Segala kriik dan saran akan dierima oleh penulis unuk perbaikan kedepannya Jika ada keperluan aau ingin berdiskusi dengan penulis dapa dihubungi melalui bobbyakbar73@gmailcom 69