PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS

Transkripsi

1 TUGAS AKHIR SS PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si DEPARTEMEN STATISTIKA BISNIS FAKULTAS VOKASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017

2 TUGAS AKHIR SS PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si DEPARTEMEN STATISTIKA BISNIS FAKULTAS VOKASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017

3 FINAL PROJECT SS FORECASTING TOTAL SALES OF DAILY NEWSPAPER SUBSCRIPTION IN PT. JAWA POS USING ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP Supervisor Dr. Brodjol Suijo Suprih Ulama, M.Si DEPARTMENT BUSINESS STATISTICS VOCATIONAL FACULTY INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017

4 iii

5 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Nama : Tri Emira Rismayani NRP : Deparemen : Saisika Bisnis Fakulas Vokasi ITS Dosen Pembimbing : Dr. Brodjol Suijo S. U., M.Si Absrak Perkembangan eknologi mampu membua pola hidup seseorang menjadi berubah dalam memperoleh informasi. Beria dan informasi sanga mudah diperoleh melalui gadge yang elah ersambung oleh inerne, oleh karena iu kejadian ersebu mampu mempengaruhi jumlah penjualan koran harian berlangganan PT. Jawa Pos Koran. Jumlah penjualan oplah koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran elah mengalami flukuasi yang cenderung menurun sehingga perlu dilakukan peramalan jumlah penjualan koran berlangganan beberapa periode kedepan dengan menggunakan meode ARIMA Box-Jenkins yang naninya dapa membanu perusahaan dalam mengambil kebijakan dalam mengaasi semakin menurunnya jumlah pelanggan koran harian di daerah Gresik. Hasil analisis menunjukkan bahwa model erbaik unuk meramalkan jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran adalah ARIMA ([17],1,0) dengan nilai akurasi RMSE sebesar 135,3566; smape sebesar 2,1048; MAE sebesar 101,7460. Kaa Kunci: ARIMA, Jawa Pos, Koran iv

6 FORECASTING TOTAL SALES OF DAILY NEWSPAPER SUBSCRIPTION IN PT. JAWA POS USING ARIMA BOX-JENKINS Name : Tri Emira Rismayani Suden Number : Deparemen : Saisika Bisnis Fakulas Vokasi ITS Supervisor : Dr. Brodjol Suijo S. U., M.Si Absrac The echnology advances make a person's lifesyle becomes changed in obaining informaion. News and informaion is very easy o obain hrough gadges ha have been conneced by he inerne, herefore hese evens can affec he number of daily newspaper sales subscripion PT. Jawa Pos Koran. Toal sales of daily newspaper subscripions disribued in he Gresik area by PT. Jawa Pos Koran has experienced flucuaions ha end o decline so i is necessary o forecas he number of sales newspaper subscripion several periods ahead by using ARIMA Box-Jenkins mehod which will help he company in aking policy in overcoming he decreasing number of daily newspaper subscribers in Gresik area. The resuls of he analysis show ha he bes model o forecas he number of sales of subscripion daily newspapers disribued in he Gresik area by PT. Jawa Pos Koran is ARIMA ([17], 1,0) wih an RMSE accuracy value of 135,3566; SMAPE of 2,1048; MAE of 101,7460. Keywords: ARIMA, Jawa Pos, Newspaper v

7 KATA PENGANTAR Puji syukur kehadira Allah SWT yang elah memberikan rahma, aufik dan hidayah-nya sera memberikan kekuaan kepada penulis selama menyusun Laporan Tugas Akhir ini yang berjudul Peramalan Jumlah Penjualan Koran Harian Berlangganan di PT. Jawa Pos dengan Menggunakan ARIMA Box-Jenkins. Selama penyusunan laporan Tugas Akhir ini, penulis banyak mendapakan pengarahan, bimbingan dan saran yang bermanfaa dari bebagai pihak. Penulis ingin mengucapkan banyak erima kasih kepada : 1. Dr. Brodjol Suijo Suprih Ulama, M.Si selaku dosen pembimbing yang selalu mendukung dan memberikan masukan, saran sera bimbingan selama penyususnan laporan Tugas Akhir ini. 2. Dra. Sri Mumpuni Renaningsih, MT selaku dosen penguji dan Noviyani Sanoso, S.Si., M.Si selaku dosen penguji besera validaor yang elah memberikan banyak masukan, saran dan banuan dalam penyelesaian Tugas Akhir ini. 3. Dr. Wahyu Wibowo, S.Si., M.Si selaku Kepala Deparemen Saisika Bisnis Insiu Teknologi Sepuluh Nopember Surabaya. 4. Prof. Dr. I Nyoman Budianara, M.Si dan Dra. Desri Susilaningrum, M.Si selaku dosen wali yang selama perkuliahan sanga membanu penulis. 5. Ir. Sri Pingi Wulandari, MS selaku Kepala Program Sudi Diploma III Deparemen Saisika Bisnis yang idak pernah lelah dalam mengingakan dan memoivasi selama penyusunan Tugas Akhir ini. 6. Dosen dan saff Tenaga Pendidik Deparemen Saisika Bisnis Insiu Teknologi Sepuluh Nopember Surabaya yang elah membanu dan memberikan pengalaman sera ilmu pengeahuan kepada penulis. 7. PT. Jawa Pos Koran yang elah banyak membanu penulis sebagai sumber daa dalam Tugas Akhir ini. vi

8 8. Mbak Diana selaku saff markeing PT. Jawa Pos Koran yang elah banyak membanu penulis dalam penyusunan laporan Tugas Akhir ini. 9. Orang ua yang senaniasa mendukung baik secara moril maupun finansial. Terima kasih banyak aas bimbingan, moivasi, dan doa selama ini. Kakakku ersayang Ferry Nurdiansyah dan Yeniar Oviaria yang selalu memberikan semanga dan moivasi. 10. Mifakhul Ilmi Dinul Islamiyah, Mifakhul Ardi Ikhwanus Safa dan Tiik Cahya Ningrum sebagai kakak-kakak yang senaniasa membanu, membagi pengalaman dan ilmu pengeahuan kepada penulis selama proses penyusunan Tugas Akhir ini. 11. Aldika Adi Sariya, Dea Trishnani, Leli Meganingrum, Nur Indah Nirmalasari dan Ardilia Zahra Al-qarina sebagai eman yang selalu ada disaa senang aaupun susah dan senaniasa selalu memberikan moivasi kepada penulis. 12. Kepada kawan-kawan Angkaan 2014 Deparemen Saisika Bisnis Insiu Teknologi Sepuluh Nopember Surabaya yang elah memberikan dukungan kepada penulis. 13. Pihak-pihak yang sudah banyak membanu dalam proses pengerjaan laporan Tugas Akhir ini, yang idak dapa disebukan sau persau. Penulis menyadari bahwa laporan ini masih banyak kekurangan, maka dengan kerendahan hai kepada semua pihak unuk memberikan kriik dan saran demi perbaikan aas laporan ini ke depannya. Semoga laporan ini bermanfaa sera apa yang elah dilakukan mendapa berkah dan ridho-nya, Amin. Surabaya, Juli 2017 Penulis vii

9 DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PENGESAHAN... iii ABSTRAK... iv ABSTRACT... v KATA PENGANTAR... vi DAFTAR ISI... viii DAFTAR TABEL... x DAFTAR GAMBAR... xi DAFTAR LAMPIRAN... xii BAB I PENDAHULUAN 1.1 Laar Belakang Rumusan Masalah Tujuan Peneliian Manfaa Peneliian Baasan Masalah... 4 BAB II TINJAUAN PUSTAKA 2.1 ARIMA Box-Jenkins Sasionerias Time Series Fungsi Auokorelasi (ACF) Fungsi Auokorelasi Parsial (PACF) Idenifikasi Model ARIMA Penaksiran dan Uji Signifikansi Parameer Model ARIMA Pengujian Asumsi Pengujian Asumsi Residual Whie Noise Pengujian Asumsi Residual Berdisribusi Normal Validasi Model Profil PT. Jawa Pos Koran BAB III METODOLOGI PENELITIAN 3.1 Sumber Daa viii

10 3.2 Uni Peneliian, Variabel Peneliian, dan Definisi Operasional Variabel Langkah Analisis BAB IV ANALISIS DAN PEMBAHASAN 4.1 Karakerisik Daa Jumlah Penjualan Koran Harian Berlangganan PT. Jawa Pos Koran Peramalan Jumlah Penjualan Koran Harian Berlangganan PT. Jawa Pos Koran dengan menggunakan ARIMA Box-Jenkins Idenifikasi Model ARIMA Esimasi, Pendugaan, dan Pengujian Parameer ARIMA Pemeriksaan Asumsi Residual Model ARIMA Pemilihan Model Terbaik Peramalan Hasil Model Terbaik BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN BIODATA PENULIS ix

11 DAFTAR TABEL Halaman Tabel 2.1 Transformasi Box-Cox... 9 Tabel 2.2 Srukur ACF dan PACF pada Model ARIMA Tabel 3.1 Variabel Peneliian Tabel 3.1 Variabel Peneliian (Lanjuan) Tabel 4.1 Uji Signifikansi Parameer Model ARIMA Tabel 4.1 Uji Signifikansi Parameer Model ARIMA (Lanjuan) Tabel 4.2 Uji Residual Whie Noise Model ARIMA Tabel 4.3 Uji Residual Berdisribusi Normal Tabel 4.4 Krieria Pemilihan Model Tebaik Tabel 4.5 Ramalan Penjualan Koran Bulan Mare x

12 DAFTAR GAMBAR Halaman Gambar 3.1 Diagram Alir Peneliian Gambar 3.1 Diagram Alir Peneliian (Lanjuan) Gambar 4.1 Box-Plo Penjualan Koran pada Tahun Gambar 4.2 Box-Plo Penjualan Koran pada Tahun Gambar 4.3 Box-Cox Jumlah Penjualan Koran Gambar 4.4 ACF Jumlah Penjualan Koran Gambar 4.5 Plo Time Series Jumlah Penjualan Koran seelah Differencing Gambar 4.6 Plo ACF Jumlah Penjualan Koran seelah Differencing Gambar 4.7 Plo PACF Jumlah Penjualan Koran seelah Differencing Gambar 4.8 Ringkasan Grafis Residual Model ARIMA ([17],1,[70]) (a), ARIMA ([17],1,0) (b) dan ARIMA (0,1,[17]) (c) Gambar 4.9 Plo Time Series Akual dan Ramalan Koran xi

13 DAFTAR LAMPIRAN Halaman Lampiran 1. Sura Izin Pengambilan Daa Lampiran 2. Daa Jumlah Penjualan Koran Berlangganan Jawa Pos Koran Lampiran 3. Synax Penjualan Koran Model ARIMA ([17],1,[70]) Lampiran 4. Oupu Penjualan Koran Model ARIMA ([17],1,[70]) Lampiran 5. Synax Penjualan Koran Model ARIMA ([17],1,0) Lampiran 6. Oupu Penjualan Koran Model ARIMA ([17],1,0) Lampiran 7. Synax Penjualan Koran Model ARIMA (0,1,[17]) Lampiran 8. Oupu Penjualan Koran Model ARIMA (0,1,[17]) Lampiran 9. Synax Deeksi Oulier Penjualan Koran Model ARIMA ([17],1,[70]) Lampiran 10. Synax Deeksi Oulier Penjualan Koran Model ARIMA ([17],1,0) Lampiran 11. Synax Deeksi Oulier Penjualan Koran Model ARIMA (0,1,[17]) Lampiran 12. Sura Pernyaaan Keaslian Daa xii

14

15 BAB I PENDAHULUAN 1.1 Laar Belakang Perkembangan media digial berpengaruh pada pola konsumsi masyaraka erhadap beria. Masyaraka mulai menggunakan media digial sebagai sumber informasi dan beria. Perubahan pola konsumsi masyaraka erhadap beria yaiu perkembangan dunia media yang dikaikan dengan peran eknologi informasi mengakibakan konsumen membuuhkan layanan yang lebih dari sekedar beria di media ceak. Meliha perubahan pola konsumsi masyaraka pada era eknologi yang canggih saa ini, erdapa indikasi bahwa pembaca media ceak aau koran akan mengalami penurunan karena jumlah pengakses inerne di Indonesia dari ahun 2000 hingga 2013 selalu mengalami peningkaan (Depkominfo, Inerne World Saisics, APJII). Orang ak lagi mengakses inerne hanya dengan personal kompuer, lapop, noebook aau nebook, eapi juga melalui kompuer able yang perumbuhannya sekarang sanga melesa. Perumbuhan elepon pinar (smarphone) kini juga sanga inggi. Semua perangka keras ersebu mampu dipakai unuk mengakses beragam informasi melalui pemanfaaan eknologi berbasis inerne. Kemunculan beragam media massa baru di sau sisi mengunungkan konsumen karena mereka bisa mendapakan banyak alernaif sumber informasi. Namun, di sisi lain juga sanga mengancam indusri-indusri media yang sudah lebih dulu muncul. Karena iulah, para pengelola indusri media massa, khususnya ermasuk sura kabar, harus mampu berinovasi, memodifikasi produknya, sera mengemas sraegi yang lebih sesuai agar perusahaan mereka bisa berahan. Jawa pos adalah sura kabar harian yang berpusa di Surabaya dan merupakan harian erbesar di Jawa Timur, dan merupakan salah sau harian dengan oplah erbesar di Indonesia (Wikipedia, 2017). Oplah merupakan sauan koran yang elah er- 1

16 2 jual di perusahaan koran ersebu dan oplah iu erdiri dari koran Jawa Pos Uama, Meropolis, dan Sporainmen. Namun saa ini elah mengalami sediki penurunan ingka jumlah penjualan koran harian berlangganan. Ada kemungkinan hal ersebu dipengaruhi oleh pola konsumsi masyaraka saa ini dalam memperoleh beria, karena informasi dan beria mudah sekali diperoleh melalui gadge yang elah ersambung oleh jaringan inerne. Jawa Pos edisi Surabaya beredar di daerah Koa Surabaya dan sekiarnya (Kabupaen Sidoarjo dan Kabupaen Gresik) (Wikipedia, 2017). Peneliian kali ini hanya berfokus pada jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik. Jumlah penjualan koran harian berlangganan di daerah Gresik ini mengalami flukuasi yang cenderung menurun dan penjualannya yang paling sediki dibandingkan dengan daerah Koa Surabaya dan sekiarnya, oleh karena iu perlu ada penanganan aau perhaian khusus penjualan koran harian berlangganan di daerah ersebu dari pihak perusahaan. Berkaian dengan hal ersebu, pihak perusahaan koran ersebu memandang perlu unuk meliha bagaimanakah perkembangan jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik pada periode-periode kedepannya. Sebagai salah sau perusahaan sura kabar erbesar di Indonesia yang berorienasi pada masa depan, perusahaan koran ersebu erpacu unuk eap memperahankan penjualan koran yang dihasilkan sera erus mampu berkembang menjadi lebih baik dan harus selalu berinovasi, oleh sebab iu dalam hal ini peramalan erhadap penjualan koran yang elah diceak, sanga berperan pening dalam keseluruhan sisem penjualan, baik unuk menyiapkan maupun mengelola bahan. Pada peneliian ini dilakukan analisis ramalan erhadap jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos, yang naninya hasil ramalan ersebu dapa digunakan sebagai ramalan perminaan koran unuk beberapa periode kedepan. Meode yang digunakan dalam peneliian ini adalah meode ARIMA Box-Jenkins. Model ARIMA mengabaikan

17 3 variabel predikor dalam membua peramalannya. ARIMA menggunakan daa masa lalu dan sekarang unuk menghasilkan ramalan jangka pendek yang akura (Makridakis, Wheelwrigh, & McGee, 1999). Meode ersebu merupakan suau meode peramalan yang epa unuk menangani aau mengaasi kerumian dere waku dan siuasi peramalan lainnya seperi flukuasi erhadap jumlah penjualan koran harian yang berlangganan sehingga hasil peramalan ersebu dapa membanu pihak perusahaan khususnya bagian pemasaran dalam menenukan kebijakan yang harus diambil dan dilakukan. 1.2 Rumusan Masalah Perkembangan media digial berpengaruh pada pola konsumsi masyaraka erhadap beria dan informasi. Masyaraka kini mulai menggunakan media digial sebagai sumber informasi dan beria. Meningkanya pengguna inerne di Indonesia mampu mengakibakan jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos Koran mengalami flukuasi yang cenderung menurun. Pihak perusahaan koran ersebu ingin mengeahui bagaimanakah perkembangan jumlah penjualan koran harian berlangganan unuk periode berikunya unuk pengambilan kebijakan selanjunya. Berdasarkan masalah ersebu pihak perusahaan perlu meramalkan jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos. Peramalan daa jumlah penjualan koran harian berlangganan yang berupa daa dere waku sanga epa menggunakan meode ARIMA Box- Jenkins. 1.3 Tujuan Peneliian Berdasarkan perumusan masalah yang elah diuraikan maka dapa diperoleh ujuan adalah sebagai beriku: 1. Memperoleh model peramalan penjualan koran harian berlangganan PT. Jawa Pos di daerah Gresik dengan menggunakan ARIMA Box-Jenkins.

18 4 2. Mengeahui peramalan penjualan koran harian berlangganan PT. Jawa Pos di daerah Gresik pada periode mendaang. 1.4 Manfaa Peneliian Hasil peneliian dapa digunakan sebagai informasi dan masukan bagi pengambilan kebijakan perusahaan khususnya pihak pemasaran dalam meramalkan jumlah perminaan koran harian berlangganan yang akan didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran. 1.5 Baasan Masalah Baasan masalah yang digunakan dalam peneliian ini adalah daa jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos Koran pada anggal 1 Januari ahun 2015 hingga anggal 28 Februari 2017.

19 BAB II TINJAUAN PUSTAKA 2.1 ARIMA Box-Jenkins Auoregresssive Inegraed Moving Average (ARIMA) adalah suau meode peramalan diperoleh melalui gabungan anara auoregressive (AR) dan moving average (MA). ARIMA dikembangkan oleh Georege Box dan Gwilyn Jenkins pada ahun 1976, sehingga proses arima sering disebu dengan nama ARIMA Box-Jenkins. Model ARIMA mengabaikan variabel predikor dalam membua peramalannya. ARIMA menggunakan daa masa lalu dan sekarang unuk menghasilkan ramalan jangka pendek yang akura. Oleh karena iu, model ini sanga baik keepaan akurasinya jika digunakan unuk peramalan jangka pendek, sedangkan jika digunakan unuk peramalan jangka panjang kurang akura (Makridakis, Wheelwrigh, & McGee, 1999). Model ARIMA dibedakan menjadi model ARIMA nonmusiman, model ARIMA musiman dan gabungan anara model ARIMA non-musiman dan musiman aau sering disebu sebagai ARIMA musiman muliplikaif. Secara umum model ARIMA non musiman erdiri dari model auoregressive (AR), model moving average (MA), model ARMA dan model ARIMA. a. Model Auoregressive (AR) Model auoregressive menunjukkan adanya hubungan anara suau nilai pada waku sekarang ( Z ) dengan nilai pada waku sebelumnya ( Z k ) diambah dengan suau nilai acak ( a ). Model auoregressive orde p, dapa diulis AR(p), secara maemais mempunyai benuk sebagai beriku (Wei, 2006): Z Z Z... Z a p p Z Z Z.. Z p p p a p Z BZ 2 B Z.. B Z a 1 ( 1 1B 2B... p 2 p B ) Z a (2.1) 5

20 6 ( B) Z p a dimana: p (B) 2 p = (1 B B... ) yaiu polinomial AR orde p Z = Z Z p 1 2 p B = nilai akual pada waku ke- = parameer auoregressive ke-p a = nilai kesalahan pada saa = suau konsana b. Model Moving Average (MA) Model Moving Average (MA) menunjukkan adanya hubungan anara nilai pada waku sekarang ( Z ) dengan nilai residual pada waku sebelumnya ( a k ), model moving average orde ke-q yang diulis MA(q), secara maemais memiliki benuk sebagai beriku (Wei, 2006): Z a a a... a q q q Z 2 a Ba B a... B a 1 q Z (1 B ) a 2 2 1B 2B... q Z ( B) a dimana: 2 q q (B) = (1 B B... ) yaiu polinomial MA orde q Z = Z Z a q 1 2 q B q = nilai akual pada waku ke- = parameer moving average ke-q = nilai kesalahan pada saa = suau konsana q (2.1) (2.2)

21 7 c. Model Auoregressive Moving Average (ARMA) Model umum ARMA merupakan gabungan dari pola AR dan pola model MA. Model umum unuk campuran dari model AR(p) dan MA(q) aau ARMA(p,q) secara maemais dapa diulis sebagai beriku (Wei, 2006): Z Z... Z 1 1 p a 1a 1... qa q Z Z... Z 1 1 p a 1a 1... qa q p q Z (2.3) BZ... B Z 1 a 1Ba... qb a p q 1 B... B ) Z (1 B... B ) a ( 1 1 q ( B ) Z ( B) a p dimana: p (B) 2 p = (1 B B... ) yaiu polinomial AR orde p 1 2 p B q 2 q (B) = (1 B B... ) yaiu polinomial MA orde q Z = Z Z p q 1 2 q q B = nilai akual pada waku ke- = parameer auoregressive ke-p = parameer moving average ke-q a = nilai kesalahan pada saa = suau konsana d. Model Auoregressive Inegraed Moving Average (ARIMA) ARIMA merupakan model ime series yang idak sasioner erhadap mean dan memerlukan proses differencing sebanyak d agar sasioner. Benuk umum model ARIMA pada orde ke-p,q dengan differencing sebanyak d aau ARIMA (p,d,q) adalah sebagai beriku (Wei, 2006): p d ( B )(1 B) Z 0 ( B) a (2.4) q

22 8 dengan ( B) (1 B B p ( B) (1 B B q B p... B dimana p (B ) adalah operaor dari AR, q (B ) adalah operaor MA dan (1-B) adalah operaor differencing. Keika p = 0, model ARIMA (p,d,q) dapa disebu sebagai model inegraed moving average aau dapa diuliskan IMA(d,q), begiu juga keika q = 0, model ARIMA(p,d,q) dapa disebu sebagai model auoregressive inegraed aau dapa diuliskan ARI(d,q). 2.2 Sasionerias Time Series Suau daa ime series yang dapa analisis adalah daa yang bersifa sasioner. Sasioner adalah keadaan dimana mean dan varians adalah konsan (Bowerman dan O Connell, 1993). Jika nilai pengamaan sebanyak n erliha berflukuasi erhadap nilai varians dan mean secara konsan sera idak erganung waku, maka dapa dikaakan bahwa daa ime series ersebu adalah sasioner. Sebaliknya jika nilai pengamaan sebanyak n idak berflukuasi erhadap varians dan mean secara konsan, maka daa ime series ersebu idak sasioner (Bowerman dan O Connell, 1993). Cara unuk mengaasi keidaksasioneran adalah dengan melakukan pembedaan (differencing) aau dengan ransformasi Box-cox. Pembedaan (differencing) dilakukan jika daa idak sasioner erhadap mean, sedangkan Transformasi Box-cox dilakukan jika daa idak sasioner erhadap varians (Cryer & Chan, 2008). Sasionerias daa dalam mean bisa dilakukan dengan idenifikasi plo daa dan benuk ACF daa. Jika ACF menunjukkan pola yang urun lamba berari daa belum sasioner dalam mean. Sehingga dibuuhkan differencing agar daanya menjadi sasioner dalam mean. Sebaliknya jika ACF menunjukkan pola yang urun cepa maka daa sudah sasioner dalam mean. Cara yang dilakukan unuk mengaasi kondisi non-sasioner dalam mean adalah dengan melakukan pembedaan (differencing) erhadap q p q ) ) (2.5) (2.6)

23 9 daa dengan persamaan beriku (Bowerman dan O Connell, 1993): W Z Z 1 (2.7) keerangan: W = selisih (differencing) ingka perama Z = nilai akual pada waku ke- Z 1 = nilai akual pada waku ke--1 Daa yang idak sasioner dalam varians perlu dilakukan proses ransformasi Box-Cox yang didefinisikan dalam Persamaan (2.8) agar variansnya menjadi konsan (Wei, 2006). Transformasi Box-Cox seringkali juga disebu sebagai ransformasi pangka. Z 1 T ( Z ), dimana 0 (2.8) dengan adalah nilai parameer ransformasi. Berdasarkan Persamaan (2.8) maka unuk 0 dilakukan pendekaan sesuai Persamaan (2.9): ( ) Z 1 lim T( Z ) lim Z lim ln( Z ) (2.9) Menuru Wei (2006) secara umum nilai dan ransformasi yang digunakan disajikan dalam Tabel 2.1 sebagai beriku: Tabel 2.1 Transformasi Box-Cox Nilai esimasi λ Transformasi -1,0 1/ Z -0,5 1/ Z 0,0 Ln Z 0,5 Z 1 Z (idak ada ransformasi) Keenuan-keenuan yang menyerai proses sasioner dalam varians adalah sebagai beriku: 1. Transformasi hanya boleh dilakukan sebelum dilakukan proses differencing. 2. Transformasi hanya boleh dilakukan unuk series Z yang bernilai posiif. ( )

24 Fungsi Auokorelasi (ACF) Fungsi auokorelasi (Auocorrelaion Funcion) adalah suau hubungan linier anara pengamaan pada waku ke- (Z ) dan Z +k dari proses yang sama yang hanya erpisah k lag waku. Auokorelasi menunjukkan adanya anar pengamaan aau dapa dikaakan pengamaan bersifa dependen. Fungsi auokorelasi dari sampel dapa dihiung dengan persamaan sebagai beriku (Wei, 2006): dimana: n Z = Z k k 1 Z n k n k 1 ( Z Z )( Z n 1, = 1,2,,k,,n k 2 ( Z Z ) Z ) = nilai akual pada waku ke- = lag ke-k = nilai auokorelasi lag ke-k ACF dapa digunakan unuk mengidenifikasi model ARIMA yaiu unuk menenukan apakah erdapa model moving average aau idak. 2.4 Fungsi Auokorelasi Parsial (PACF) Fungsi auokorelasi parsial (Parial Auocorrelaion Funcion) merupakan korelasi anara Z dan Z +k seelah dependensi linier pada variabel Z +1, Z +2,, Z +k-1 dihilangkan. Fungsi auokorelasi parsial dari sampel dapa dihiung dengan persamaan maemais sebagai beriku (Wei, 2006): k 1 k 1 kj k 1 j j 1 k 1, k 1 k (2.11) 1 kj j 1 j (2.10)

25 dengan k 1, j kj k 1, k 1 k, k 1 j unuk j = 1,2,,k keerangan: k = nilai auokorelasi lag ke-k = nilai parsial auokorelasi lag ke-k+1 k 1, k 1 ˆ k, j Z +k k1 k1 0 1 k1 k 1 k 2 k k 2 k 2 k 1... k kk kk k 2... merupakan korelasi anara Z dengan Z +k dimana Z +1, Z +2,, kk 0 11 PACF digunakan unuk mengidenifikasi model ARIMA yaiu menenukan apakah erdapa model auoregressive aau idak. 2.5 Idenifikasi Model ARIMA Pada ime series dengan meode ARIMA Box-Jenkins, erdapa beberapa model yang dapa diperoleh yaiu model Auoregressive (AR), Moving average (MA), Auoregressive Moving Average (ARMA). Beriku merupakan abel karakerisik pada ACF dan PACF yang digunakan unuk mengeahui model ermasuk AR(p), MA(q), ARMA(p,q) (Wei, 2006): Tabel 2.2 Srukur ACF dan PACF pada model ARIMA Model ACF PACF AR(p) Lag urun cepa Terpoong seelah lag-p MA(q) Terpoong seelah lag-p Lag urun cepa ARMA(p,q) Lag urun cepa Lag urun cepa

26 Penaksiran dan Uji Signifikansi Parameer Model ARIMA Terdapa beberapa meode yang digunakan unuk menaksirkan parameer. Meode ersebu anara lain meode Momen, Maximum Likelihood Mehod, Nonlinier Esimaion, dan Leas Square (Wei, 2006). Salah sau meode penaksiran parameer yang dapa digunakan adalah Condiional Leas Square (CLS). Meode ini bekerja dengan cara meminimumkan jumlah kuadra error (SSE). Misalkan dierapkan pada model AR(1) dan dinyaakan sebagai beriku (Cryer & Chan, 2008): Z ( Z 1 ) a (2.12) dimana: a = nilai kesalahan pada saa Z = nilai akual pada waku ke- = suau konsana dengan nilai SSE adalah sebagai beriku. n n 2 a 2 2 S(, ) ( Z ) ( Z 1 ) kemudian diurunkan erhadap dan dan disamakan dengan nol sehingga diperoleh nilai aksiran parameer unuk seperi pada Persamaan (2.14). n Z Z (2.14) ( n 1)(1 ) dan nilai aksiran parameer didapakan seperi Persamaan (2.15). n 2 n 2 ( Z 1 n ( Z Z )( Z 1 Z ) Z ) 2 2 (2.13) (2.15)

27 13 dimana: Z n 1 Z n, = 1,2,, n n = banyaknya daa (observasi) = nilai aksiran parameer = nilai aksiran parameer Z = nilai akual pada waku ke- Hipoesis: H 0 : 0 (parameer idak signifikan) H 1 : 0 (parameer signifikan) dimana erdiri dari,, aau (Parameer pada model ARIMA) Saisik Uji: SE( ) (2.16) Daerah Penolakan: H 0 diolak jika dengan: SE ( ) = 2 ˆa = n 2 2 ˆa Z 1 2 n 2 ( Z ˆ Z ( n 1) 1 2 1) ; n m 2 SE ( ) = sandar error dari nilai aksiran s = sandar deviasi dari nilai aksiran m = banyaknya parameer yang diaksir n = banyaknya daa (observasi)

28 Pengujian Asumsi Asumsi yang harus dipenuhi pada model ARIMA melipui asumsi residual whie noise dan uji kenormalan residual. Beriku adalah pengujian asumsi whie noise dan uji kenormalan: Pengujian Asumsi Residual Whie Noise Whie noise merupakan proses dimana idak erdapa korelasi dalam dere residual. Unuk menguji apakah residual memenuhi asumsi whie noise digunakan saisik uji yang diberikan oleh Ljung Box seperi pada Persamaan (2.17). Hipoesisnya adalah sebagai beriku (Wei, 2006): H 0 : k 0 (residual idak saling berkorelasi aau residual memenuhi syara whie noise) H 1 : minimal ada sau i 0 dengan i = 1,2,,k (residual saling berkorelasi aau residual idak memenuhi syara whie noise) Saisik Uji: k 2 k Q n( n 2) (2.17) ( n k) i 1 Daerah Penolakan: H 0 diolak, jika nilai dari 2 ( ; k p q) Q aau P-value < dimana: p = lag pada plo PACF q = lag pada plo ACF k = nilai auokorelasi residual lag ke-k yang diperoleh dari Persamaan (2.10) n = banyaknya daa (observasi) k = nilai lag K = maksimum lag Pengujian Asumsi Residual Berdisribusi Normal Uji Kolmogorov-Smirnov unuk mengeahui apakah residual elah berdisribusi normal aau idak. Perumusan hipoesis dengan menggunakan saisik uji kolmogorov-smirnov adalah sebagai beriku (Daniel, 1989):

29 15 Hipoesis: H 0 : F a ) F ( a ) (Residual berdisribusi normal) ( 0 ( a ) F0 ( a H 1 : F ) (Residual idak berdisribusi normal) Saisik Uji: D sup s( a ) F0 ( a ) (2.18) Daerah Penolakan: H 0 diolak, jika nilai dari D D n ;(1 ) aau P-value < dimana: n = banyaknya daa (observasi) F ( a ) = fungsi kumulaif disribusi yang eramai (fungsi peluang kumulaif disribusi yang belum dikeahui) F 0( a ) = fungsi kumulaif disribusi yang dihipoesiskan (fungsi peluang kumulaif disribusi dari disribusi normal) s ( a ) = fungsi kumulaif yang dihiung dari daa sampel sup = nilai supremum aau nilai maksimum dari s a ) F ( a ) a ( 0 = nilai kesalahan pada waku ke- 2.8 Validasi Model Validasi model digunakan unuk memnenukan model erbaik yang akan dipilih. Pemilihan model erbaik dilakukan dengan membandingkan nilai kesalahan peramalan dari masingmasing model dugaan. Dalam peneliian ini pemilihan model erbaik melalui pendekaan ou-sample dengan menggunakan RMSE (Roo Mean Square Error), smape (Symmeric Mean Absolue Percenage Error), dan MAE (Mean Absolue Error). RMSE merupakan krieria pemilihan model erbaik berdasarkan pada hasil sisa ramalannya digunkan unuk daa ousample dengan rumus pada Persamaan (2.27) sebagai beriku (Gooijer dan Hyndman, 2006):

30 16 RMSE 1 n n 1 dimana: n = banyaknya daa (observasi) Z = nilai akual pada waku ke- Ẑ ( Z Zˆ ) = nilai ramalan pada waku ke- Sedangkan Symmeric Mean Absolue Percenage Error (smape) digunakan unuk mengeahui raa-raa harga mulak dari persenase kesalahan iap model. smape dapa menghindari permasalahan error yang besar keika nilai akualnya mendekai nol dan perbedaan yang besar anara persenase absolue error jika nilai akualnya melebihi nilai ramalannya aau sebaliknya. Rumus smape dapa diuliskan sebagai beriku (Gooijer dan Hyndman, 2006): n ˆ 1 Z Z smape 100% n 1 ( ˆ 1 Z ) 2 Z dimana: n = banyaknya daa (observasi) Z = nilai akual pada waku ke- Ẑ = nilai ramalan pada waku ke- Krieria kesalahan peramalan yang lain adalah Mean Absolue Error (MAE). MAE merupakan krieria kesalahan berdasarkan nilai raa-raa absolu error. MAE dirumuskan sebagai beriku (Wei, 2006): 1 MAE n n 1 dimana: n = banyaknya daa (observasi) Z = nilai akual pada waku ke- Ẑ Z Zˆ = nilai ramalan pada waku ke- 2 (2.19) (2.20) (2.21)

31 Profil PT. Jawa Pos Koran Jawa Pos didirikan oleh The Chung Shen pada 1 Juli 1949 dengan nama Djava-Pos. Jawa pos adalah sura kabar harian yang berpusa di Surabaya, Jawa Timur. Jawa Pos merupakan harian erbesar di Jawa Timur, dan merupakan salah sau harian dengan oplah erbesar di Indonesia. Sirkulasi Jawa Pos menyebar di seluruh Jawa Timur, Bali, dan sebagian Jawa Tengah dan D. I. Yogyakara. Jawa Pos mengklaim sebagai Harian Nasional yang Terbi dari Surabaya (Wikipedia, 2017). Jawa Pos edisi Surabaya beredar di daerah Koa Surabaya dan sekiarnya (Kabupaen Sidoarjo dan Kabupaen Gresik). Seiap hari selalu menerbikan dengan iga seksi uama, oleh karena iu seiap penjualannya memiliki sauan oplah aau eksemplar. Tiga seksi uama yaiu sebagai beriku: 1. Jawa Pos (Uama) berisi beria-beria uama, poliik, ekonomi aau bisnis, Jawa Timur nasional, inernasional, dan rubrik-rubrik emaik lainnya. 2. Meropolis berisi beria Koa Surabaya dan sekiarnya (Sidoarjo dan Gresik), dan rubrik-rubrik ringan lainnya sera rubrik mingguan. 3. Sporainmen berisi beria-beria olahraga eruama ulasan mengenai sepak bola dan balap (Formula 1, MooGP), dan masih banyak lagi yang lainnya. Hal yang membedakan Jawa Pos edisi Surabaya dan luar Surabaya adalah seksi "Meropolis" digani dengan seksi yang lebih regional, dengan sebuan "Radar". Seksi "Radar" berisi beria-beria banyak. Rubrik-rubrik Meropolis (seperi di Jawa Pos edisi Surabaya) sebagian masih diperahankan. Seksi Jawa Pos uama dan Seksi Olahraga sama persis dengan edisi Surabaya.

32 18 (Halaman ini sengaja dikosongkan)

33 BAB III METODOLOGI PENELITIAN 3.1 Sumber Daa Daa yang digunakan dalam peneliian ini adalah daa sekunder yang diperoleh dari PT. Jawa Pos Koran berupa daa jumlah penjualan koran harian berlangganan pada anggal 1 Januari 2015 hingga 28 Februari 2017, adapun perizinan melakukan pengambilan daa ini dibukikan dengan sura keerangan yang dapa diliha pada Lampiran 1. Daa jumlah penjualan koran berlangganan ini kemudian dibagi menjadi daa in-sample dan ousample. Daa in-sample dimulai dari jumlah penjualan koran pada anggal 1 Januari 2015 hingga anggal 31 Desember 2016 dengan jumlah daa sebanyak 731 daa, sedangkan daa ou-sample adalah jumlah penjualan koran pada anggal 1 Januari 2017 sampai dengan 28 Februari 2017 dengan jumlah daa sebanyak 59 daa. 3.2 Uni Peneliian, Variabel Peneliian, dan Definisi Operasional Variabel Uni peneliian yang digunakan dalam peneliian ini adalah jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran dalam sauan oplah aau eksemplar. Beberapa daa dapa diliha pada Lampiran 2. Variabel yang digunakan dalam peneliian dapa diliha pada Tabel 3.1 sebagai beriku: Tabel 3.1 Variabel Peneliian Tahun Bulan Tanggal Variabel 1 Z Z 2 Januari : : 31 Z 31 : : : : : : Desember 1 Z

34 20 Tabel 3.1 Variabel Peneliian (Lanjuan) Tahun Bulan Tanggal Variabel 2015 Desember 2 Z 337 : : 31 Z Z Februari 2 Z 764 : : 31 Z Langkah Analisis Langkah peneliian erhadap daa jumlah penjualan koran harian berlangganan yang didisribusikan ke daerah Gresik oleh PT. Jawa Pos Koran dengan menggunakan meode ARIMA Box- Jenkins adalah sebagai beriku: 1. Melakukan analisis karakerisik daa jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos Koran dengan menggunakan box-plo. 2. Memperoleh model erbaik dan hasil ramalan jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos Koran, maka langkah analisis yang harus dilakukan adalah a. Membua ime series plo pada daa in-sample unuk melakukan idenifikasi pola ime series daa jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos Koran. b. Melakukan idenifikasi sasionerias daa jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos Koran. Apabila erindikasi bahwa daa idak sasioner erhadap varians maka dilakukan

35 21 ransformasi box-cox. Apabila idak sasioner erhadap mean maka dilakukan differencing c. Membua plo ACF dan PACF. d. Idenifikasi dan pendugaan model ARIMA berdasarkan plo ACF dan PACF. e. Esimasi parameer, pengujian signifikansi parameer dan pengujian asumsi residual pada model-model yang erbenuk. f. Melakukan peramalan dari daa in-sample yang elah signifikan dan memenuhi asumsi. Peramalan dilakukan sebanyak periode ou-sample. g. Menghiung nilai RMSE, smape dan MAE. Membandingkan nilai RMSE, smape dan MAE pada seiap model. Model yang erbaik akan digunakan unuk prediksi kedepan. h. Seelah erpilih sau model yang erbaik, maka peramalan kedepan dilakukan dengan melibakan semua daa. Peramalan dilakukan unuk jumlah penjualan koran harian berlangganan di daerah Gresik oleh PT. Jawa Pos Koran unuk periode 1 bulan kedepan. Adapun diagram alir berdasarkan langkah analisis yang elah diuraikan adalah sebagai beriku.

36 22 Mulai Idenifikasi Kesasioneran Transformasi Box-Cox Sasionerias dalam varians? Tidak Differencing Ya Tidak Sasionerias dalam mean? Ya Idenifikasi Model ARIMA Esimasi Parameer Parameer elah signifikan? Tidak Ya A Gambar 3.1 Diagram Alir Peneliian (Lanjuan)

37 23 A Idenifikasi Model ARIMA Esimasi Parameer Ya Residual whie noise? Tidak Ya Residual berdisribusi normal? Tidak Ya Pemilihan Model ARIMA Terbaik Peramalan Periode 1 Bulan Kedepan Kesimpulan Selesai Gambar 3.1 Diagram Alir Peneliian (Lanjuan)

38 24 (Halaman ini sengaja dikosongkan)

39 BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini akan dilakukan analisis pada daa jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran. Keaslian daa yang dianalisis pada peneliian ini dibukikan dengan sura pernyaaan yang dapa diliha pada Lampiran 12. Analisis yang dilakukan melipui penyajian karakerisik daa dengan menggunakan boxplo, pemodelan sera peramalan jumlah penjualan koran harian berlangganan dengan menggunakan ARIMA Box-Jenkins. 4.1 Karakerisik Daa Jumlah Penjualan Koran Harian Berlangganan PT. Jawa Pos Koran Analisis karakerisik daa menggunakan box-plo adalah unuk mengeahui persebaran daa penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran di seiap bulannya, mulai bulan Januari 2016 sampai dengan bulan Februari Box-plo digunakan unuk mengeahui pemusaan daa jumlah penjualan koran harian berlangganan yang melipui nilai quaril, minimum dan maksimum, sera meliha ada idaknya daa yang oulier aau daa yang jauh berbeda dengan daa yang lain. Grafik box-plo jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran pada ahun 2015 disajikan dalam Gambar 4.1. Box-plo pada Gambar 4.1 banyak erdapa daa jumlah penjualan yang oulier. Oulier berari bahwa beberapa daa ersebu memiliki nilai yang sanga jauh dengan nilai raa-raa dari keseluruhan daa ersebu. Jumlah penjualan koran harian berlangganan pada ahun 2015 yang dikaakan oulier erdapa pada bulan Februari, Mare, Agusus dan Okober sedangkan ahun 2016 ada pada bulan Februari, Mare, April dan Okober dan pada ahun 2017 ada pada bulan Januari dan Februari. 25

40 Penjulan Koran Januari Februari Mare April Mei Juni Juli Bulan Agusus Sepember Okober Nopember Desember Gambar 4.1 Box-plo Penjualan Koran pada Tahun 2015 Gambar 4.1 menunjukkan bahwa jumlah penjualan koran harian berlangganan yang didisribusikan ke daerah Gresik oleh PT. Jawa Pos Koran mengalami flukuasi, namun banyak juga diemukan daa yang oulier. Pada anggal 16 sampai dengan 21 Juli 2015 memiliki jumlah penjualan koran harian berlangganan erendah sebesar eksemplar sedangkan jumlah penjualan eringgi adalah pada anggal 1 dan 2 Januari 2015 sebesar eksemplar. Terdapa jumlah penjualan koran harian berlangganan pada beberapa hari yang dikaegorikan sebagai daa oulier yang dianaranya adalah pada bulan Februari, Mare, Agusus dan Okober Penjualan koran harian berlangganan pada anggal 18 Februari 2015 dikaegorikan oulier dengan penjualan koran sebesar eksemplar. Bulan Mare memiliki jumlah daa oulier yang cukup banyak dianaranya adalah pada anggal 1 dan 2 Mare 2015 dengan penjualan koran sebanyak eksemplar, anggal 3 dan 4 Mare 2015 dengan penjualan koran sebanyak eksemplar, anggal 27 sampai dengan 30 Mare 2015 dengan jumlah penjualan koran harian berlangganan sebanyak eksemplar. Bulan Agusus memiliki jumlah daa penjualan

41 27 koran yang oulier sebanyak 9 hari yang dianaranya adalah pada anggal 20 Agusus 2015 dengan jumlah penjualan koran harian berlangganan sebanyak eksemplar, anggal 21 sampai dengan 25 Agusus 2015 dengan jumlah penjualan koran sebanyak eksemplar, dan pada anggal 26 hingga 27 Agusus 2015 dengan jumlah koran sebanyak eksemplar, anggal 28 Agusus 2015 dengan jumlah penjualan koran sebanyak eksemplar. Bulan Okober ada sebanyak 7 hari penjualan koran yang oulier yaiu pada anggal 25 dan 26 dengan jumlah penjualan koran sebanyak eksemplar, anggal 27 dan 28 dengan jumlah penjualan koran sebanyak eksemplar, anggal 29 hingga 31 dengan jumlah penjulan koran sebanyak eksemplar. Selanjunya penyajian box-plo pada jumlah penjualan koran harian berlangganan pada ahun Grafik box-plo jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran disajikan dalam Gambar Daa Penjualan Januari Februari Mare April Mei Juni Juli Bulan Agusus Sepember Okober Nopember Desember Gambar 4.2 Box-plo Penjualan Koran pada Tahun 2016 Gambar 4.2 menunjukkan bahwa jumlah penjualan koran harian berlangganan yang didisribusikan ke daerah Gresik oleh

42 28 PT. Jawa Pos Koran mengalami flukuasi yang cenderung menurun dan pada anggal 5 hingga 12 Juli 2016 memiliki jumlah erendah sebesar eksemplar sedangkan jumlah penjualan eringgi adalah pada anggal 29 Februari 2016 sebesar eksemplar. Terdapa jumlah penjualan koran harian berlangganan pada beberapa hari yang dikaegorikan sebagai daa oulier yang dianaranya adalah pada bulan Februari, Mare, April, Mei dan Okober Penjualan koran harian berlangganan pada anggal 27 dan 28 Februari 2016 dikaegorikan oulier dengan penjualan koran sebesar eksemplar, anggal 29 Februari 2016 dengan jumlah penjualan koran sebanyak eksemplar. Bulan Mare memiliki jumlah daa oulier yang dianaranya adalah pada anggal 29, 30, 31 Mare 2016 dengan penjualan koran beruruuru sebanyak 5.560, 5.561, eksemplar. Bulan April hanya memiliki jumlah daa penjulana koran yang oulier sebanyak 2 hari yaiu pada anggal 29 dan 30 April 2016 dengan jumlah penjualan koran beruru uru sebanyak dan eksemplar. Bulan Mei 2016 ada sebanyak 5 hari daa penjualan koran yang oulier yaiu pada anggal 27 dan 28 dengan jumlah penjualan koran sebanyak eksemplar, anggal 29 dan 30 dengan jumlah penjualan koran sebanyak eksemplar, anggal 31 dengan jumlah penjulan koran sebanyak eksemplar. Bulan Okober 2016 ada sebanyak 5 hari daa penjualan koran yang oulier yaiu pada anggal 1 dengan jumlah penjualan koran sebanyak eksemplar, anggal 28 dengan jumlah penjualan koran sebanyak eksemplar, anggal 29 hingga 31 dengan jumlah penjulan koran sebanyak eksemplar. 4.2 Peramalan Jumlah Penjualan Koran Harian Berlangganan PT. Jawa Pos Koran dengan menggunakan ARIMA Box-Jenkins Pada analisa ini daa jumlah penjualan koran harian berlangganan yang didisribusikan ke daerah Gresik oleh PT. Jawa Pos Koran dibagi menjadi daa in-sample dan ou-sample. Daa in-

43 29 sample dimulai dari penjualan pada anggal 1 Januari 2015 hingga anggal 31 Desember 2016, sedangkan daa ou-sample adalah penjualan pada anggal 1 Januari 2017 sampai dengan 28 Februari Tahapan yang harus dilakukan unuk peramalan menggunakan meode ARIMA Box-Jenkins adalah daa harus sasioner dalam varians dan mean, kemudian melakukan esimasi dan pengujian parameer, cek diagnosa berupa residual whie noise dan berdisribusi normal, pemilihan model erbaik sera melakukan peramalan unuk beberapa periode kedepan Idenifikasi Model ARIMA Idenifikasi model ARIMA melipui pengecekan sasionerias erhadap varians dan mean pada daa jumlah penjualan koran harian berlangganan yang didisribusikan ke daerah Gresik oleh PT. Jawa Pos Koran. Hal perama adalah pengecekan sasionerias erhadap varians, hasilnya diunjukkan pada Gambar Lower CL Upper CL SDev Limi Lambda Gambar 4.3 Box-Cox Jumlah Penjualan Koran Gambar 4.3 menujukkan bahwa nilai rounded value sebesar 2 dengan selang inerval anara 0,15 sampai dengan 2,86 sehingga dapa dikaakan daa jumlah penjualan koran harian berlangganan

44 30 yang didisribusikan ke daerah Gresik sudah sasioner dalam varians. Tahap idenifikasi kesasioneran daa selanjunya adalah pemeriksaan sasionerias erhadap mean. Pemeriksaan secara visual dilakukan dengan menggunakan plo ACF pada Gambar 4.4. Auocorrelaion Lag Gambar 4.4 ACF Jumlah Penjualan Koran Gambar 4.4 memberikan informasi bahwa lag pada plo ACF urun secara lamba karena banyak lag yang melebihi baas signifikansi (garis merah). Hal ersebu mengindikasikan bahwa daa jumlah penjualan koran harian berlangganan masih belum sasioner dalam mean, oleh karena iu perlu dilakukan proses differencing erhadap daa ersebu. Plo ime series seelah dilakukan differencing dapa diliha pada Gambar 4.5.

45 Diff In Index Gambar 4.5 Plo Time Series Jumlah Penjualan Koran seelah Differencing Gambar 4.5 menunjukkan bahwa daa jumlah penjualan koran harian berlangganan seelah dilakukan proses differencing elah sasioner dalam mean dan varians karena sebaran daa sudah berada di sekiar nilai varians dan mean. Namun jika diliha kembali masih banyak pengamaan yang nilainya jauh dengan nilai raa-raa dari daa jumlah penjualan koran harian berlangganan, hal ersebu mengindikasikan bahwa erdapa daa yang oulier. Hasil plo ACF seelah dilakukan proses differencing disajikan pada Gambar 4.6.

46 Auocorrelaion Lag Gambar 4.6 Plo ACF Jumlah Penjualan Koran seelah Differencing Hasil plo ACF pada Gambar 4.6 menunjukkan bahwa erjadi cu off pada lag ke 17, 34, dan 70, meskipun lag ke 17 dan 34 idak erliha keluar secara signifikan. Selanjunya dapa dilha hasil plo PACF pada Gambar Parial Auocorrelaion Lag Gambar 4.7 Plo PACF Jumlah Penjualan Koran seelah Differencing Gambar 4.7 menunjukkan bahwa erjadi cu off pada lag ke

47 33 17, 34, dan 70 sama seperi pada plo ACF pada Gambar 4.6, namun lag ke 34 dan 70 erliha keluar secara signifikan. Jadi dari plo ACF dan PACF dapa diperoleh model ARIMA dugaan adalah ARIMA ([17],1,[70]), ARIMA ([17],1,0) dan ARIMA (0,1,[17]). Model ARIMA dugaan ([17],1,[70]) diperoleh dari hasil kombinasi dari lag yang keluar pada plo ACF dan PACF, angka 17 merupakan salah sau lag yang keluar pada plo PACF sehingga menjadi polinimial AR sedangkan angka 70 merupakan salah sau lag yang keluar pada plo ACF sehingga menjadi polinimial MA, dan angka 1 berasal proses differencing. Langkah selanjunya adalah esimasi, pendugaan dan pengujian parameer ARIMA yang erbenuk dari plo ACF dan PACF Esimasi, Pendugaan dan Pengujian Parameer ARIMA Esimasi, pendugaan dan pengujian parameer model dugaan ARIMA yang diperoleh dari plo ACF dan PACF. Pengujian parameer ARIMA yang dinyaakan dengan hipoesis sebagai beriku: H 0: 0 (parameer pada model ARIMA idak signifikan) H 1: 0 (parameer pada model ARIMA signifikan) dimana mencakup dan, saisik uji yang digunakan sesuai dalam Persamaan (2.16) dengan nilai araf signifikan sebesar 5%. H 0 diolak jika. Pendugaan dan pengujian ; n m 2 parameer model ARIMA daa jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran disajikan dalam Tabel 4.1. Tabel 4.1 Uji Signifikansi Parameer Model ARIMA Model ARIMA ARIMA ([17],1,[70]) Parameer Esimasi Nilai abel Keerangan MA 1,1-0, ,68 1,96 signifikan AR 1,1-0, ,3 1,96 signifikan

48 34 Tabel 4.1 Uji Signifikansi Parameer Model ARIMA (Lanjuan) Model ARIMA Parameer Esimasi Nilai abel Keerangan ARIMA ([17],1,0) AR 1,1-0, ,57 1,96 signifikan ARIMA (0,1,[17]) MA 1,1 0, ,23 1,96 signifikan Tabel 4.1 mengacu pada Lampiran (4, 6 dan 8) dengan menggunakan synax pada Lampiran (3, 5, dan 7), berdasarkan ersebu dapa dikeahui bahwa penduga model ARIMA yang memiliki parameer signifikan adalah model ARIMA ([17],1,[70]), ARIMA ([17],1,0) dan ARIMA (0,1,[17]) karena nilai lebih dari nilai abel sebesar 1, Pemeriksaan Asumsi Residual Model ARIMA Pemeriksaan asumsi residual pada seluruh hasil dugaan model ARIMA melipui pengujian asumsi residual whie noise dan pengujian asumsi residual berdisribusi normal. Hal perama adalah menguji apakah memenuhi asumsi residual whie noise dengan menggunakan hipoesis sebagai beriku: H 0 : k 0 (residual idak saling berkorelasi aau residual memenuhi syara whie noise) H 1 : minimal ada sau i 0 dengan i = 1,2,,k (residual saling berkorelasi aau residual idak memenuhi syara whie noise) Saisik uji menggunakan Persamaan (2.17) dengan araf signifikan sebesar 5% dan H 0 diolak, jika nilai dari 2 Q aau P-value <. Pemeriksaan berupa residual ( ; k p q) whie noise pada model yang elah memiliki parameer signifikan dapa diliha pada Tabel 4.2. Tabel 4.2 menunjukkan bahwa pada model ARIMA ([17],1,[70]), ARIMA ([17],1,0) dan ARIMA (0,1,[17]) elah memenuhi asumsi residual whie noise karena nilai Q lebih dari 2 abel dan P-value lebih dari nilai sebesar 0,05. Hasil

49 35 selengkapnya dapa diliha pada Lampiran (4, 6 dan 8) dengan menggunakan synax pada Lampiran (3, 5, dan 7). Tabel 4.2 Uji Residual Whie Noise Model ARIMA Model 2 Lag Q DF ARIMA ( ; k p q) P-value Keerangan 6 7,24 4 9,49 0,1236 whie noise ARIMA ([17],1,[70]) ARIMA ([17],1,0) ARIMA (0,1,[17]) 12 14, ,31 0,1374 whie noise 18 22, ,30 0,1293 whie noise 24 28, ,92 0,1588 whie noise 30 37, ,34 0,1184 whie noise 36 42, ,60 0,1526 whie noise 42 46, ,76 0,2256 whie noise 48 53, ,83 0,2187 whie noise 6 7, ,07 0,1902 whie noise 12 15, ,68 0,1614 whie noise 18 23, ,59 0,133 whie noise 24 28, ,17 0,1964 whie noise 30 37, ,56 0,132 whie noise 36 43, ,80 0,1523 whie noise 42 47, ,94 0,2358 whie noise 48 53, ,00 0,2331 whie noise 6 7, ,07 0,1969 whie noise 12 15, ,68 0,1634 whie noise 18 23, ,59 0,1349 whie noise 24 28, ,17 0,1995 whie noise 30 37, ,56 0,1341 whie noise 36 44, ,80 0,1328 whie noise 42 48, ,94 0,2089 whie noise 48 54, ,00 0,2083 whie noise

50 36 Kemudian langkah selanjunya adalah menguji asumsi residual berdisribusi normal menggunakan uji kolmogorovsmirnov dengan menggunakan hipoesis sebagai beriku: H 0 : F( a ) F0 ( a ) (Residual berdisribusi normal) H 1 : F( a ) F0 ( a ) (Residual idak berdisribusi normal) Saisik uji yang digunakan sesuai dengan Persamaan (2.18) dengan araf signifikan sebesar 5% dan H 0 diolak, jika nilai dari D D aau P-value < pemeriksaan berupa residual n ;(1 ) berdisribusi normal pada model yang elah memiliki parameer signifikan disajikan dalam Tabel 4.3. Tabel 4.3 Uji Residual Berdisribusi Normal Model ARIMA D D abel P-value Keerangan ARIMA Tidak berdisribusi 0,2396 0,05 <0,01 ([17],1,[70]) normal ARIMA Tidak berdisribusi 0,2437 0,05 <0,01 ([17],1,0) normal ARIMA Tidak berdisribusi 0,2458 0,05 <0,01 (0,1,[17]) normal Tabel 4.3 mengacu pada Lampiran (4, 6 dan 8), dapa dikeahui bahwa model ARIMA ([17],1,[70]), ARIMA ([17],1,0) dan ARIMA (0,1,[17]) idak memenuhi asumsi residual berdisribusi normal karena nilai P-value kurang dari nilai sebesar 0,05. Salah sau penyebab idak erpenuhinya asumsi residual berdisribusi normal adalah adanya indikasi daa yang oulier. Kemudian elah dilakukan penanganan asumsi disribusi normal dengan melakukan pendeeksian oulier menggunakan synax pada Lampiran (9, 10, dan 11), namun hasil pendeeksian oulier menunjukkan bahwa asumsi disribusi normal masih idak dapa erpenuhi. Residual idak berdisribusi normal menunjukkan bahwa berenangan dengan prosedur meode ARIMA yang mengharuskan residual memenuhi asumsi berdisribusi normal. Beriku dilakukan pemeriksaan residual pada model ARIMA

51 37 ([17],1,[70]), ARIMA ([17],1,0) dan ARIMA (0,1,[17]) unuk meliha karakerisik dan disribusi dari residual % Confidence Inervals Mean Median (a) % Confidence Inervals Mean Median (b)

52 % Confidence Inervals Mean Median -2-1 (c) Gambar 4.8 Ringkasan Grafis Residual Model ARIMA ([17],1,[70]) (a), ARIMA ([17],1,0) (b) dan ARIMA (0,1,[17]) (c) Gambar 4.8 merupakan ringkasan grafis pada residual model ARIMA ([17],1,[70]), ARIMA ([17],1,0) dan ARIMA (0,1,[17]). Gambar 4.9 menunjukkan bahwa pada keempa model ARIMA diperoleh nilai skewness kurang dari nol yaiu beruru-uru sebesar -0,6932; -0,7835; -0,7847. Nilai skewness yang kurang dari nol aau negaif menunjukkan bahwa residual keempa model ARIMA membenuk skew yang condong ke kiri arinya erdapa banyak nilai residual yang oulier di sebelah kiri dari nilai raa-raa. Disribusi dari residual yang idak normal dapa diliha dari nilai kurosis. Nilai kurosis yang posiif pada keempa model ARIMA menunjukkan bahwa disribusi residual memiliki benuk kurva lebih runcing daripada benuk kurva normal yang berari bahwa nilai-nilai residual ersebar paling banyak pada iik yang mendekai nilai nol. Kurosis dari residual yang membenuk kurva lebih runcing dan ekor yang panjang adalah kondisi daa yang suli unuk dibenuk menjadi disribusi normal. Seiap model memiliki banyak sekali residual yang oulier, sehingga dapa dipasikan bahwa model idak akan memenuhi asumsi disribusi normal 0 1 2

53 39 karena banyaknya nilai residual yang oulier sehingga perlu dilakukan deeksi oulier. Hasil deeksi oulier menunjukkan bahwa residual dari seiap model belum menunjukkan memenuhi asumsi disribusi normal Pemilihan Model Terbaik Pemilihan model erbaik berdasarkan krieria ou-sample yaiu RMSE dan smape yang akan disajikan dalam Tabel 4.4. Tabel 4.4 Krieria Pemilihan Model Terbaik Ou-sample Model RMSE smape % MAE ARIMA 132,9529 2, ,9751 ([17],1,[70]) ARIMA 135,3566 2, ,7460 ([17],1,0) ARIMA 135,6400 2, ,8659 (0,1,[17]) Tabel 4.4 menunjukkan bahwa krieria penilaian model erbaik berdasarkan nilai smape dan MAE yang paling kecil. Nilai smape dan MAE dari daa ou-sample diperoleh melalui Persamaan 2.20 dan Pada daa jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran diperoleh model erbaik unuk meramalkan adalah ARIMA ([17],1,0) karena nilai smape dan MAE yang paling kecil jika dibandingkan dengan model yang lain. Benuk umum model ARIMA ([17],1,0) adalah sebagai beriku: 17 (1 B B Z 1 )(1 ) a (1 B B B ) Z 1 1 a Z BZ 17 B Z 18 B Z 1 1 a Zˆ Z 1 1Z 17 1Z 18 a Zˆ Z 1 1Z 17 1Z 18 a Zˆ Z 1 0,09495 Z 17 0, Z 18 a Berdasarkan model maemais dapa dikeahui bahwa peramalan jumlah penjualan koran harian berlangganan yang

54 40 didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran dipengaruhi oleh daa jumlah penjualan koran 1, 17 dan 18 hari sebelumnya, kemudian diambah dengan kesalahan ramalan hari ke Peramalan Hasil Model Terbaik Langkah erakhir adalah melakukan peramalan dengan melibakan semua daa penjualan koran harian berlangganan, dimana model yang digunakan unuk peramalan adalah model ARIMA ([17],1,0). Gambar 4.9 merupakan plo ime series akual dan ramalan jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran Variable Akual Ramalan 5500 Eksemplar Hari Gambar 4.9 Plo Time Series Akual dan Ramalan Koran Gambar 4.9 dapa diliha bahwa ramalan jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran cenderung berflukuaif, namun peningkaan dan penurunnya idak secara ajam. Hasil peramalan jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran pada bulan Mare 2017 disajikan dalam Tabel 4.5.

55 41 Tabel 4.5 Ramalan Penjualan Koran Bulan Mare 2017 Tanggal Ramalan Tanggal Ramalan Tabel 4.5 menunjukkan bahwa hasil ramalan jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran dengan menggunakan model ARIMA ([17],1,0), jumlah penjualan koran paling banyak diperkirakan erjadi pada anggal 1 Mare 2017 yaiu sebanyak eksemplar dan penjualan paling sediki diperkirakan erjadi pada anggal 31 Mare 2017 sebanyak eksemplar.

56 42 (Halaman ini sengaja dikosongkan)

57 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Hasil analisis pada daa jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran adalah sebagai beriku: 1. Model erbaik yang diperoleh dari daa ou-sample unuk penjualan koran harian berlangganan adalah ARIMA ([17],1,0) sekaligus menjadi model erbaik unuk meramalkan penjualan koran harian berlangganan pada bulan Mare 2017 adalah sebagai beriku: Zˆ Z 1 0,09495 Z 17 0, Z 18 a 2. Jumlah penjualan koran paling banyak diperkirakan erjadi pada anggal 1 Mare 2017 yaiu sebanyak eksemplar dan penjualan paling sediki diperkirakan erjadi pada anggal 31 Mare 2017 sebanyak eksemplar. 5.2 Saran Salah sau fakor menurunnya jumlah penjualan koran harian berlangganan yang didisribusikan di daerah Gresik oleh PT. Jawa Pos Koran disebabkan oleh berubahnya pola kehidupan manusia dalam memperoleh beria di era globalisasi seperi ini. Banyak orang yang beralih ke beria online yang mampu di akses menggunakan gadge yang elah ersambung oleh inerne. Diperlukan unuk melakukan banyak promosi agar mampu menambah pelanggan di seiap harinya, misal membagikan beberapa eksemplar secara grais kepada beberapa orang yang memang bukan pelanggan Koran Harian Jawa Pos. 43

58 44 (Halaman ini sengaja dikosongkan)

59 DAFTAR PUSTAKA Bowerman, B. L., dan O Connell, R.T. (1993). Forecasing and Time Series. California: Duxbury Press. Cryer, D. J., dan Chan, K.-S. (2008). Time Series Analysis. Iowa: Springer Science+Bussiness Media. Daniel, W. W. (1989). Saisika Nonparamerik Terapan. Jakara: PT. Gramedia Pusaka Uama. Gooijer, Jan G. De dan Hyndman, Rob J. (2006). 25 Years of Time Series Forecasing. Inernaional Journal of Forcasing vol. 22, no Makridakis, S., Wheelwrigh, S. C., dan McGee, V. E. (1999). Meode Dan Aplikasi Peramalan. Dierjemahkan oleh U. S. Adriyano, dan A. Basih. Jakara: Airlangga. Walpole, R.E. (1995). Penganar Saisika. Edisi ke-3. Terjemahan Bambang Sumanri. Jakara: Gramedia. Wei, W. W. (2006). Time Series Analysis Univariae and Mulivariae Mehods. New York: Pearson Inernaional Ediion. Wikipedia. (2017). Jawa Pos. hps://id.mwikipedia.org/wiki/jawa_pos. Diakses pada 15 Januari

60 46 (Halaman ini sengaja dikosongkan)

61 LAMPIRAN Lampiran 1. Sura Izin Pengambilan Daa 47

62 48 Lampiran 2. Daa Jumlah Penjualan Koran Berlangganan Jawa Pos Tahun Bulan Tanggal Oplah Observasi 2015 Januari : : : : : : : : : : : Desember : : : Februari : : :

63 Lampiran 3. Synax Penjualan Koran Model ARIMA ([17],1,[70]) daa penjualan; inpu y; daalines; ; /*ahap idenifikasi*/ proc arima daa=penjualan; idenify var=y(1); run; /*ahap esimasi*/ esimae p=(17) q=(70) mehod=cls; run; /*ahap peramalan*/ forecas ou=hasil lead=30; /*ahap deeksi oulier*/ oulier maxnum=20 alpha=0.05; /*menampilkan oupu*/ proc prin daa=hasil; run; /*ahap uji normalias residual*/ proc univariae daa=hasil normal; var residual; run;

64 50 Lampiran 4. Oupu Penjualan Koran Model ARIMA ([17],1,[70]) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MU MA1, AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Oulier Deecion Summary Maximum number searched 20 Number found 20 Significance used 0.05 Oulier Deails Approx Chi- Prob> Obs Type Esimae Square ChiSq 267 Addiive < Shif < Shif < Shif < Shif < Shif < Shif < Addiive < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Addiive < Shif <.0001 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 <0.0050

65 Lampiran 5. Synax Penjualan Koran Model ARIMA ([17],1,0) daa penjualan; inpu y; daalines; ; /*ahap idenifikasi*/ proc arima daa=penjualan; idenify var=y(1); run; /*ahap esimasi*/ esimae p=(17) q=0 mehod=cls; run; /*ahap peramalan*/ forecas ou=hasil lead=30; /*ahap deeksi oulier*/ oulier maxnum=20 alpha=0.05; /*menampilkan oupu*/ proc prin daa=hasil; run; /*ahap uji normalias residual*/ proc univariae daa=hasil normal; var residual; run;

66 52 Lampiran 6. Oupu Penjualan Koran Model ARIMA ([17],1,0) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MU AR1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Oulier Deecion Summary Maximum number searched 20 Number found 20 Significance used 0.05 Oulier Deails Approx Chi- Prob> Obs Type Esimae Square ChiSq 267 Addiive < Shif < Shif < Shif < Shif < Shif < Shif < Addiive < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Addiive <.0001 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 <0.0050

67 Lampiran 7. Synax Penjualan Koran Model ARIMA (0,1,[17]) daa penjualan; inpu y; daalines; ; /*ahap idenifikasi*/ proc arima daa=penjualan; idenify var=y(1); run; /*ahap esimasi*/ esimae p=0 q=(17) mehod=cls; run; /*ahap peramalan*/ forecas ou=hasil lead=30; /*ahap deeksi oulier*/ oulier maxnum=20 alpha=0.05; /*menampilkan oupu*/ proc prin daa=hasil; run; /*ahap uji normalias residual*/ proc univariae daa=hasil normal; var residual; run;

68 54 Lampiran 8. Oupu Penjualan Koran Model ARIMA (0,1,[17]) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MU MA1, Auocorrelaion Check of Residuals To Chi- Pr > Lag Square DF ChiSq Auocorrelaions Oulier Deecion Summary Maximum number searched 20 Number found 20 Significance used 0.05 Oulier Deails Approx Chi- Prob> Obs Type Esimae Square ChiSq 267 Addiive < Shif < Shif < Shif < Shif < Shif < Addiive < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Shif < Addiive < Addiive <.0001 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 <0.0050

69 Lampiran 9. Synax Deeksi Oulier Penjualan Koran ARIMA ([17],1,[70]) daa penjualan; inpu x; daalines; ; daa penjualan; se penjualan; if _n_=267 hen AO267=1.0;else AO267=0.0; if _n_>=552 hen LS552=1.0;else LS552=0.0; if _n_>=171 hen LS171=1.0;else LS171=0.0; if _n_>=169 hen LS169=1.0;else LS169=0.0; if _n_>=667 hen LS667=1.0;else LS667=0.0; if _n_>=177 hen LS177=1.0;else LS177=0.0; if _n_>=566 hen LS566=1.0;else LS566=0.0; if _n_=49 hen AO49=1.0;else AO49=0.0; if _n_>=524 hen LS524=1.0;else LS524=0.0; if _n_>=511 hen LS511=1.0;else LS511=0.0; if _n_>=550 hen LS550=1.0;else LS550=0.0; if _n_>=197 hen LS197=1.0;else LS197=0.0; if _n_>=562 hen LS562=1.0;else LS562=0.0; if _n_>=458 hen LS458=1.0;else LS458=0.0; if _n_>=205 hen LS205=1.0;else LS205=0.0; if _n_>=503 hen LS503=1.0;else LS503=0.0; if _n_>=494 hen LS494=1.0;else LS494=0.0; if _n_>=485 hen LS485=1.0;else LS485=0.0; if _n_=700 hen AO700=1.0;else AO700=0.0; if _n_>=424 hen LS424=1.0;else LS424=0.0; proc arima daa=penjualan; idenify var=x(1) crosscorr=(ao267(1) LS552(1) LS171(1) LS169(1) LS667(1) LS177(1) LS566(1) AO49(1) LS524(1) LS511(1) LS550(1) LS197(1) LS562(1) LS458(1) LS205(1) LS503(1) LS494(1) LS485(1) AO700(1) LS424(1)); esimae p=(17) q=(70) inpu=(ao267 LS552 LS171 LS169 LS667 LS177 LS566 AO49 LS524 LS511 LS550 LS197 LS562 LS458 LS205 LS503 LS494 LS485 AO700 LS424) noconsan mehod=cls; forecas ou=ramalan lead=59; run;

70 56 Lampiran 10. Synax Deeksi Oulier Penjualan Koran ARIMA ([17],1,0) daa penjualan; inpu x; daalines; ; daa penjualan; se penjualan; if _n_=267 hen AO267=1.0;else AO267=0.0; if _n_>=552 hen LS552=1.0;else LS552=0.0; if _n_>=171 hen LS171=1.0;else LS171=0.0; if _n_>=169 hen LS169=1.0;else LS169=0.0; if _n_>=667 hen LS667=1.0;else LS667=0.0; if _n_>=177 hen LS177=1.0;else LS177=0.0; if _n_>=566 hen LS566=1.0;else LS566=0.0; if _n_=49 hen AO49=1.0;else AO49=0.0; if _n_>=524 hen LS524=1.0;else LS524=0.0; if _n_>=511 hen LS511=1.0;else LS511=0.0; if _n_>=197 hen LS197=1.0;else LS197=0.0; if _n_>=458 hen LS458=1.0;else LS458=0.0; if _n_>=550 hen LS550=1.0;else LS550=0.0; if _n_>=562 hen LS562=1.0;else LS562=0.0; if _n_>=205 hen LS205=1.0;else LS205=0.0; if _n_>=494 hen LS494=1.0;else LS494=0.0; if _n_>=503 hen LS503=1.0;else LS503=0.0; if _n_>=485 hen LS485=1.0;else LS485=0.0; if _n_>=424 hen LS424=1.0;else LS424=0.0; if _n_=700 hen AO700=1.0;else AO700=0.0; proc arima daa=penjualan; idenify var=x(1) crosscorr=(ao267(1) LS552(1) LS171(1) LS169(1) LS667(1) LS177(1) LS566(1) AO49(1) LS524(1) LS511(1) LS197(1) LS458(1) LS550(1) LS562(1) LS205(1) LS494(1) LS503(1) LS485(1) LS424(1) AO700(1)); esimae p=(17) q=0 inpu=(ao267 LS552 LS171 LS169 LS667 LS177 LS566 AO49 LS524 LS511 LS197 LS458 LS550 LS562 LS205 LS494 LS503 LS485 LS424 AO700) noconsan mehod=cls; forecas ou=ramalan lead=59; run;

71 Lampiran 11. Synax Deeksi Oulier Penjualan Koran ARIMA (0,1,[17]) daa penjualan; inpu x; daalines; ; daa penjualan; se penjualan; if _n_=267 hen AO267=1.0;else AO267=0.0; if _n_>=552 hen LS552=1.0;else LS552=0.0; if _n_>=171 hen LS171=1.0;else LS171=0.0; if _n_>=169 hen LS169=1.0;else LS169=0.0; if _n_>=667 hen LS667=1.0;else LS667=0.0; if _n_>=177 hen LS177=1.0;else LS177=0.0; if _n_>=566 hen LS566=1.0;else LS566=0.0; if _n_=49 hen AO49=1.0;else AO49=0.0; if _n_>=524 hen LS524=1.0;else LS524=0.0; if _n_>=511 hen LS511=1.0;else LS511=0.0; if _n_>=458 hen LS458=1.0;else LS458=0.0; if _n_>=197 hen LS197=1.0;else LS197=0.0; if _n_>=550 hen LS550=1.0;else LS550=0.0; if _n_>=562 hen LS562=1.0;else LS562=0.0; if _n_>=205 hen LS205=1.0;else LS205=0.0; if _n_>=494 hen LS494=1.0;else LS494=0.0; if _n_>=503 hen LS503=1.0;else LS503=0.0; if _n_>=485 hen LS485=1.0;else LS485=0.0; if _n_=700 hen AO700=1.0;else AO700=0.0; if _n_>=424 hen LS424=1.0;else LS424=0.0; proc arima daa=penjualan; idenify var=x(1) crosscorr=(ao267(1) LS552(1) LS171(1) LS169(1) LS667(1) LS177(1) LS566(1) AO49(1) LS524(1) LS511(1) LS458(1) LS197(1) LS550(1) LS562(1) LS205(1) LS494(1) LS503(1) LS485(1) AO700(1) LS424(1)); esimae p=0 q=(17) inpu=(ao267 LS552 LS171 LS169 LS667 LS177 LS566 AO49 LS524 LS511 LS458 LS197 LS550 LS562 LS205 LS494 LS503 LS485 AO700 LS424) noconsan mehod=cls; forecas ou=ramalan lead=59; run;

72 58 Lampiran 12. Sura Pernyaaan Keaslian Daa

73 BIODATA PENULIS Penulis bernama Tri Emira Rismayani, biasa dipanggil dengan Risma. Lahir di Kediri pada anggal 11 Juni Penulis adalah anak keiga dari iga bersaudara. Penulis dilahirkan dari pasangan Suwarno dan Feni. Penulis berempa inggal di Jalan Pondok No. 7 RT 03 / RW 04, Kecamaan Baba, Kabupaen Lamongan. Pendidikan formal yang elah diempuh oleh penulis adalah TK Dharma Wania Singonegaran Kediri, SD Negeri 1 Baba, SMP Negeri 1 Baba dan SMA Negeri 1 Baba. Seelah lulus dari SMA, kemudian penulis mengikui seleksi penerimaan mahasiswa baru dan dierima di program sudi Diploma III Saisika yang sekarang bergani nama menjadi Deparemen Saisika Bisnis yang ergolong Fakulas Vokasi ITS dengan NRP pada ahun Selama perkuliahan penulis akif dalam organisasi yaiu sebagai anggoa dan saff Adminisrasi Umum di UKM KOPMA ITS periode 2015/2016. Selain akif dalam organisasi, penulis akif dalam berbagai kegiaan kepaniiaan seperi Sekrearis OKKBK pada ahun 2015, Sie Acara Saion 2016 Deparemen Saisika Bisnis Fakulas Vokasi ITS. Penulis juga pernah mengikui beberapa pelaihan seperi LKMM Pra-TD, LKMM TD, PKM 5 Bidang dan PKM GT-AI oleh HIMADATA ITS. Pada akhir semeser 4, penulis mendapakan kesempaan melaksanakan Kerja Prakek di Badan Nasional Narkoika Provinsi Jawa Timur. Segala kriik dan saran akan dierima oleh penulis dan apabila erdapa keperluan unuk berdiskusi dengan penulis dapa menghubungi melalui riemirarismayani@gmail.com aau dapa menghubungi nomer elepon