PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS

Transkripsi

1 TUGAS AKHIR SS PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Mohammad Fariq NRP Dosen Pembimbing Dra. Sri Mumpuni Renaningsih, MT Co Pembimbing Mike Prasui, S.Si, M.Si Deparemen Saisika Bisnis Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surabaya 2017

2 TUGAS AKHIR SS PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Mohammad Fariq NRP Dosen Pembimbing Dra. Sri Mumpuni Renaningsih, MT Co Pembimbing Mike Prasui, S.Si, M.Si Deparemen Saisika Bisnis Fakulas Vokasi Insiu Teknologi Sepuluh Nopember Surabaya 2017

3 FINAL PROJECT SS TIME SERIES FORECASTING EXPORT VALUE OF NON OIL INDUSTRIAL SECTOR IN EAST JAVA USING ARIMA BOX-JENKINS Mohammad Fariq NRP Supervisor Dra. Sri Mumpuni Renaningsih, MT Co Supervisor Mike Prasui, S.Si, M.Si Deparmen Of Business Saisics Faculy Of Vocaional Insiu Teknologi Sepuluh Nopember Surabaya 2017

4 iv

5 PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Nama : Mohammad Fariq NRP : Deparemen : Saisika Bisnis Pembimbing : Dra. Sri Mumpuni Renaningsih, MT Co Pembimbing : Mike Prasui, S.Si, M.Si ABSTRAK Ekspor non migas sekor perindusrian merupakan komodii ekspor andalan dan memberikan konribusi besar erhadap oal ekspor secara keseluruhan dan pendapa dalam hal ekspor bagi Provinsi Jawa Timur. Pergerakan nilai ekspor non migas sekor perindusrian dari waku ke waku mengalami kondisi yang flukuaif. Tercaa delapan ahun erakhir mulai ahun 2009 sampai ahun 2016 neraca perdagangan Jawa Timur dalam hal ekspor mengalami defisi yang disebabkan oleh penurunan komodii uama. Selama ini Pemerinah Provinsi Jawa Timur melakukan peramalan ekspor non migas sekor perindusrian seiap bulannya dengan menggunakan meode yang sederhana yang banyak memiliki kelemahan anpa memperhaikan kondisi daa yang sesuai. Meliha keadaan ersebu peramalan mengunakan meode yang sesuai seperi ARIMA Box-Jenkin pening dilakukan unuk mengeahui pergerakan nilai ekspor non migas sekor perindusrian unuk periode sau ahun kedepan. Model peramalan yang dihasilkan dapa digunakan sebagai perencanaan ekspor sekor perindusrian dan sebagai langkah pengambilan kebijakan erkai ekspor pada periode yang akan daang. Model erbaik ekspor non migas sekor perindusrian yaiu ARIMA ([1,2,3,9],1,0). Nilai ekspor eringgi erdapa pada bulan April 2017 sebesar $1414,61 Jua. Ekspor sekor perindusrian mengalami penurunan dari pada ahun sebelumnya yaiu sebesar 1,957%. Kaa kunci : ARIMA, Ekspor non migas, Sekor Perindusrian. v

6 (Halaman Ini Sengaja Dikosongkan) vi

7 TIME SERIES FORECASTING EXPORT VALUE OF NON OIL INDUSTRIAL SECTOR IN EAST JAVA USING ARIMA BOX-JENKINS Name : Mohammad Fariq NRP : Deparmen : Business Saisics Supervisor : Dra. Sri Mumpuni Renaningsih, MT Co Supervisor : Mike Prasui, S.Si, M.Si ABSTRACT Expors of non-oil indusrial secor is he main expor commodiy and a major conribuion o he oal expors as a whole and hink in erms of expors o he Eas Java Province. The movemen of he value of non-oil expors of he indusrial secor from ime o ime experienced a flucuaing condiion. Recorded las eigh years from 2009 o 2016, Eas Java's rade balance defici in expors caused by a decrease in primary commodiies. During his ime he Eas Java Provincial Governmen o forecas non-oil expors of he indusrial secor every monh using a simple mehod ha has many weaknesses regardless of he condiion of he corresponding daa. Seeing he sae of forecasing using appropriae mehods such as Box-ARIMA Jenkins imporan o know he movemen of he value of non-oil expors of he indusrial secor for a period of one year ahead. Forecasing models produced can be used as an expor plan and he indusrial secor as expor-relaed policy-making seps in he coming period. The bes model of non-oil expors of he indusrial secor is he ARIMA ([1,2,3,9], 1.0). The highes expor value conained in he monh of April 2017 amouned o $ million. Expor of indusrial secor decreased from he previous year amouning o 1.957%.. Keywords: ARIMA, Non-oil expors, Indusrial Secor. vii

8 (This Page Inenionally Blanked) viii

9 KATA PENGANTAR Puji syukur kehadira Allah SWT yang elah memberikan rahma, aufiq, dan hidayah-nya yang idak pernah berheni sehingga penulis dapa menyelesaikan laporan Tugas Akhir yang berjudul PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS. Penulis menyadari bahwa dalam penyusunan Tugas Akhir ini idak erlepas dari banuan dan dukungan dari berbagai pihak. Oleh karena iu, pada kesempaan ini penulis mengucapkan erima kasih yang sebesar-besarnya kepada: 1. Ibu Dra. Sri Mumpuni Renaningsih, MT selaku dosen pembimbing yang elah mengarahkan dan memberikan dukungan bagi penulis unuk dapa menyelesaikan Tugas Akhir ini. 2. Ibu Mike Prasui, S.Si, M.Si selaku dosen Co-pembimbing yang elah mengarahkan dan memberikan dukungan bagi penulis unuk dapa menyelesaikan Tugas Akhir ini. 3. Dr. Wahyu Wibowo, S.Si, M.Si selaku Kepala Deparemen Saisika Bisnis Fakulas Vokasi ITS 4. Ibu Ir. Sri Pingi Wulandari, M.Si selaku Kepala Program Sudi Diploma III Deparemen Sasiika Bisnis Fakulas Vokasi ITS, dosen wali, dosen penguji sekaligus sebagai validaor yang elah memberikan saran dan perbaikan pada Tugas Akhir ini. 5. Ibu Noviyani Sanoso, S.Si, M.Si selaku dosen penguji aas saran dan kriikan yang membangun dalam menyelesaikan Tugas Akhir ini. 6. Bapak Dr. Agus Suharsono selaku dosen wali yang elah memberikan naseha, moivasi, sera bimbingan kepada penulis selama penulis menempuh pendidikan. ix

10 7. Seluruh dosen Jurusan Saisika ITS yang elah memberikan ilmu selama penulis menempuh pendidikan, besera seluruh karyawan Jurusan Saisika ITS yang elah membanu kelancaran dan kemudahan dalam pelaksanaan kegiaan perkuliahan. 8. Ayah, Ibu, Kakak, dan semua keluarga di Lamongan, Gresik, Mojokero dan Surabaya aas doa, kasih sayang, dukungan, semanga dan segalanya yang elah diberikan unuk penulis sehingga dilancarkan dalam menyelesaikan Tugas Akhir ini. 9. Seluruh fungsionaris HIMADATA-ITS 2015/2016 yang elah bekerja bersama-sama dan selalu memberikan dukungan kepada penulis. 10. TNK Squad aau keluarga yang baru saja diperemukan iga ahun erakhir yang selalu memberi dukungan, semanga dan hiburan saa berukar ceria baik susah maupun duka selama kuliah. 11. Teman-eman PIONEER Angkaan 2014 yang elah bekerja sama dengan baik selama penulis menempuh pendidikan, sera memberikan pengalaman dan kenangan yang berharga bagi penulis. 12. Semua pihak yang elah memberikan dukungan yang idak dapa disebukan sau persau oleh penulis. Akhir kaa penulis menyadari bahwa dalam penulisan Tugas Akhir ini masih jauh dari kesempurnaan sehingga kriik dan saran yang bersifa membangun sanga diperlukan demi perbaikan isi laporan ini kedepannya. Harapan penulis bahwa laporan Tugas Akhir ini dapa memberikan kebermanfaaan kepada berbagai pihak. Surabaya, Juli 2017 x Penulis

11 DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PENGESAHAN... iii ABSTRAK...v ABSTRACT... vii KATA PENGANTAR... ix DAFTAR ISI... xi DAFTAR TABEL... xiii DAFTAR GAMBAR...xv DAFTAR LAMPIRAN... xvii BAB I PENDAHULUAN Laar Belakang Rumusan Masalah Tujuan Manfaa Baasan Masalah...5 BAB II TINJAUAN PUSTAKA Analisis Time Series Model ARIMA Box-Jenkins Prosedur ARIMA Box-Jenkins Ekspor...18 BAB III METODOLOGI PENELITIAN Sumber Daa dan Variabel Peneliian Langkah Analisis...22 BAB IV ANALISIS DAN PEMBAHASAN Karakerisik Nilai Ekspor Non Migas Sekor Perindusrian di Jawa Timur Peramalan Ekspor Non Migas Sekor Perindusrian di Jawa Timur Idenifikasi Model ARIMA Box Jenkins Esimasi Model Ekspor Non Migas Sekor Perindusrian...30 xi

12 4.2.3 Pengujian Model Ekspor Non Migas Sekor Perindusrian Pengujian Asumsi Residual Pemilihan Model Terbaik Peramalan Ekspor Non Migas Sekor... Perindusrian BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN BIODATA PENULIS xii

13 DAFTAR TABEL Tabel 2.1 Benuk Plo ACF dan PACF Model ARIMA... 9 Tabel 2.2 Tabel Transformasi Box-Cox Tabel 3.1 Srukur Daa Peneliian Tabel 4.1 Hasil Pengujian Parameer Tabel 4.2 Hasil Uji Residual Whie Noise Tabel 4.3 Hasil Uji Residual Berdisribusi Normal Tabel 4.4 Krieria Pemilihan Model Terbaik Tabel 4.5 Hasil Ramalan Ekspor Non Migas Sekor Perindusrian Tabel 4.6 Perbandingan Ekspor Non Migas Sekor Perindusrian Periode 2016 dan xiii

14 Halaman Ini Sengaja Dikosongkan xiv

15 DAFTAR GAMBAR Gambar 3.1 Diagram Alir Gambar 3.1 Diagram Alir (Lanjuan) Gambar 4.1 Time Series Plo Nilai Ekspor Non Migas Sekor Perindusrian Jawa Timur Gambar 4.2 Jumlah Nilai Ekspor Non Migas Sekor Perindusrian Jawa Timur Gambar 4.3 Boxplo Nilai Ekspor Non Migas Sekor Perindusrian di Jawa Timur Seiap Bulannya Gambar 4.4 Box-Cox Ekspor Non Migas Sekor Perindusrian Gambar 4.5 Plo ACF Ekspor Non Migas Sekor Perindusrian Sebelum Differencing Gambar 4.6 Time Series Plo Seelah Differencing Gambar 4.7 Plo ACF dan PACF Seelah Differencing Gambar 4.8 Time Series Plo Daa In Sample dengan Hasil Ramalan Gambar 4.9 Time Series Plo Daa Ou Sample dengan Hasil Ramalan Gambar 4.10 Plo Daa Akual dan ramalan Periode Januari 2009 sampai Desember Gambar 4.11 Perbandingan Nilai Ekspor Non Migas Sekor Perindusrian Tahun 2016 dengan xv

16 Halaman Ini Sengaja Dikosongkan xvi

17 DAFTAR LAMPIRAN Halaman Lampiran A1. Daa Nilai Ekspor Non Migas Sekor Perindusrian Lampiran A2. Daa Nilai Ekspor Non Migas Sekor Perindusrian (Lanjuan)...46 Lampiran A3. Sura Keerangan Pengambilan daa Lampiran A4. Sura Pernyaaan Kevalidan Daa...48 Lampiran B1. Oupu Miniab Auocorrelaion Funcion Sebelum Differencing...49 Lampiran B2. Oupu Miniab Auocorrelaion Funcion Sebelum Differencing (Lanjuan)...50 Lampiran B3. Oupu Miniab Auocorrelaion Funcion Sesudah Differencing...51 Lampiran B4. Oupu Miniab Auocorrelaion Funcion Sesudah Differencing (Lanjuan)...52 Lampiran C1. Oupu Miniab Parial Auocorrelaion Funcion Sesudah Differencing...53 Lampiran C3. Oupu Miniab Parical Auocorrelaion Funcion Sesudah Differencing (Lanjuan)...54 Lampiran D1. Synax SAS Pengujian Dickey Fuller Sebelum Differencing...55 Lampiran D2. Synax SAS Pengujian Dickey Fuller Seelah Differencing...56 Lampiran E1. Oupu SAS Pengujian Dickey Fuller Sebelum Differencing...57 Lampiran E2. OupuSAS Pengujian Dickey Fuller Seelah Differencing...58 Lampiran F1. Perhiungan Manual rmse Model ARIMA (2,1,0)...59 Lampiran F2. Perhiungan Manual MAPE Model ARIMA (2,1,0)...60 Lampiran F3. Perhiungan Manual rmse Model ARIMA (0,1,1)...61 xvii

18 Lampiran F4. Perhiungan Manual MAPE Model ARIMA (0,1,1) Lampiran F5. Perhiungan Manual rmse Model ARIMA ([1,2,39],1,0) Lampiran F6. Perhiungan Manual MAPE Model ARIMA ([1,2,3,9],1,0) Lampiran F7. Perhiungan Manual rmse Model ARIMA (3,1,0) Lampiran F8. Perhiungan Manual MAPE Model ARIMA (3,1,0) Lampiran G1. Synax SAS Model ARIMA (0,1,1) Lampiran G2. Synax SAS Model ARIMA (2,1,0) Lampiran G3. SynaxSAS Model ARIMA (3,1,0) Lampiran G4. Synax SAS Model ARIMA ([1,2,3,9],1,0) Lampiran G5. Synax SAS Model ARIMA (2,1,1) Lampiran G6. Synax SAS Model ARIMA (3,1,1) Lampiran G7. Synax SAS Model ARIMA ([1,2,3,9],1,1) Lampiran G8. Synax SAS Model ARIMA ([1,2,3,9,22],1,1) Lampiran H1. Oupu SAS Model ARIMA (0,1,1) Lampiran H2. Oupu SAS Model ARIMA (2,1,0) Lampiran H3. Oupu SAS Model ARIMA (3,1,0) Lampiran H4. Oupu SAS Model ARIMA ([1,2,3,9],1,0) Lampiran H5. Oupu SAS Model ARIMA ([1,2,3,9,22],1,0) Lampiran H6. Oupu SAS Model ARIMA (2,1,1) Lampiran H7. Oupu SAS Model ARIMA (3,1,1) Lampiran H8. Oupu SAS Model ARIMA ([1,2,3,9],1,1) Lampiran H9. Oupu SAS Model ARIMA ([1,2,3,9,22],1,1) xviii

19 BAB I PENDAHULUAN 1.1 Laar Belakang Proses indusrialisasi di Jawa Timur diprediksi akan semakin meningka seiring meningkanya peran sraegis wilayah sebagai pendorong jasa dan indusri nasional dalam kebijakan Maser Plan Percepaan dan Perluasan Pembangunan Ekonomi Indonesia (MP3EI). Kegiaan indusri sebagai indikaor perekonomian elah dirasakan sejak zaman dahulu hingga sekarang eap menjadi daerah yang erus dilirik invesor unuk mendirikan pabrik, karena pemodal memang wajib berada di dalam kawasan indusri sesuai dengan Perauran Pemerinah No. 24 ahun 2009 enang Kawasan Indusri, oleh karena iu pengembangan kawasan indusri akan erus diarahkan ke lokasilokasi alernaif yang belum memiliki kawasan indusri akan eapi memiliki gerakan indusrialisasi yang inggi. Apalagi, sekor indusri merupakan salah sau sekor unggulan, selain sekor perdagangan dan peranian yang memberikan konribusi besar bagi perekonomian. Ekspor merupakan kegiaan mengirim barang dan jasa yang dijual oleh suau negara kepada negara lain, selain iu ekspor merupakan penjualan barang ke luar negeri dengan menggunakan sisem pembayaran, kualias, kuanias dan syara penjualan lainnya yang elah diseujui oleh pihak eksporir dan imporir (BPS Jawa Timur, 2016). Secara umum ekspor dibagi menjadi ekspor non migas dan ekspor migas. Ekspor migas merupakan komodii ekspor yang berupa minyak bumi dan gas alam yang erbagi menjadi iga komodii uama yaiu minyak menah, hasil minyak dan gas alam. Ekspor non migas merupakan komodii ekspor yang berupa non migas yang erdiri dari iga sekor yaiu sekor peranian, sekor perindusrian dan sekor perambangan. Sekor peranian erbagi menjadi delapan komodii yaiu udang, kopi, rempah-rempah, ikan, biji cokla, buah-buahan, eh dan lainlain. Sedangkan sekor perindusrian erdiri dari sebelas komodii 1

20 yaiu : minyak kelapa sawi, alas kaki, mebel dan bagiannya, kayu lapis, ala lisrik, kare alam olahan, pakaian jadi, kain enunan, makanan olahan, pupuk dan lain-lain. Sekor perambangan erdiri dari empa komodii uama yaiu baubara, bijih nikel, bauksi dan lain-lain (BPS Jawa Timur, 2016). Ekspor non migas memberikan konribusi yang lebih besar erhadap oal ekspor secara keseluruhan. Selama ahun 2011 sampai ahun 2016 ekspor non migas memberikan konribusi erhadap pendapaan Provinsi Jawa Timur beruru-uru sebesar 91,40%; 95,90%; 96,73%; 95,83; 96,24 dan 94,66%dibandingkan dengan ekspor migas yang hanya berkonribusi sebesar 8,6%; 4,1%; 3,27%; 4,17%; 3,76% dan 3,34% dari oal ekspor secara keseluruhan. Perumbuhan indusri yang cepa dan sekor indusri sebagai sekor unggulan, enunya perekonomian Jawa Timur juga didorong oleh sekor perindusrian, hal ersebu dibukikan bahwa pada ahun 2011 sampai dengan 2016 sekor perindusrian memberikan konribusi beruru-uru sebesar 92,48%; 91,82%; 90,81%; 91,28%; 91,74% dan 91,86% dari oal nilai ekspor non migas secara keseluruhan. Sekor peranian memberikan konribusi sebesar 7,84%; 8,89%; 8,58%; 8,17% dan 8,03%. Sedangkan sekor perambangan hanya memberikan konribusi sebesar 0,34%; 0,3%; 0,14%; 0,09% dan 0,11%. Pergerakan nilai ekspor non migas sekor perindusrian dari waku ke waku mengalami kondisi yang flukuaif seiap bulannya. Tercaa sejak dalam kurun waku delapan ahun erakhir mulai ahun 2009 sampai dengan ahun 2016 neraca perdagangan Jawa Timur dalam hal ekspor mengalami defisi yang disebabkan oleh penurunan komodii uama yaiu minyak kelapa sawi, ala lisrik, pupuk dan pakaian jadi (BPS Jawa Timur, 2016). Selama ini BPS Provinsi Jawa Timur juga melakukan peramalan ekspor non migas seiap bulannya dengan menggunakan meode yang sederhana yang banyak memiliki kelemahan anpa memperhaikan kondisi daa yang sesuai. Meliha keadaan ersebu peramalan mengunakan meode yang sesuai sanga pening dilakukan unuk mengeahui pergerakan 2

21 3 nilai ekspor non migas sekor perindusrian unuk periode kedepan. Analisis ime series merupakan salah sau dari bagian meode kuaniaif dimana pendugaan masa depan dilakukan berdasarkan nilai masa lalu. Tujuan dari meode peramalan ime series adalah menemukan pola dalam series daa hisoris dan mengeksrapolasikan pola ersebu ke masa depan (Markidakis, Wheelwrigh, & McGEE, 1999). Terdapa beberapa meode peramalan dianaranya adalah meode Naive, Exponenenial Smoohing dan ARIMA Box-jenkins, namun pada peneliian ini meode peramalan yang digunakan yaiu ARIMA Box-jenkins, karena ARIMA Box Jenkins sanga baik keepaannya unuk peramalan jangka pendek, Selain iu model ARIMA juga dapa menangkap adanya suau pola daa dari waku ke waku dan mengabaikan pengaruh variabel independen. Peneliian sebelumnya oleh Laifah (2011) enang peramalan daa ekspor non migas sekor peranian, perindusrian dan perambangan Indonesia dengan menggunakan meode ARIMA Box-Jenkins, hasil peneliian menunjukkan bahwa model erbaik unuk ekspor non migas sekor peranian adalah ARIMA (0,1,1), sedangkan model erbaik unuk ekspor non migas sekor perindusrian dan perambangan adalah ARIMA (1,1,0). Peneliian lainnya dilakukan oleh Maryono (2005) enang peramalan daa ekspor non migas Jawa Tengah dengan pendekaan meode ARIMA Box-Jenkins menyaakan bahwa model erbaik ARIMA yang sesuai unuk daa ekspor non migas adalah ARIMA (0,1,1). Selanjuya peneliian enang ekspor juga dilakukan oleh Cynia (2015) enang perbandingan ARIMA dan Boosrap pada peramalan nilai ekspor indonesia, hasil peneliian menunjukkan model erbaik ARIMA yang sesuai unuk daa ekspor Indonesia adalah ARIMA (1,1,2). Pada peneliian ini model peramalan yang dihasilkan dapa digunakan sebagai perencanaan ekspor, karena model ersebu dapa memprediksi nilai ekspor non migas pada sekor perindusrian unuk periode sau ahun mendaang. Nilai ramalan

22 4 yang dihasilkan dapa dijadikan suau indikaor aau bahan perimbangan bagi Pemerinah Provinsi Jawa Timur sebagai langkah pengambilan kebijakan erkai ekspor pada periode yang akan daang, seperi mengembangkan indusri manufkaur yang mampu menyerap banyak enaga kerja unuk memenuhi kebuuhan dasar dalam negeri dan kebuuhan ekspor, peningkaan kompeensi dan kerampilan unuk meningkakan produkivias dalam menghasilkan produk yang berdaya saing inggi (Disperindag Jawa Timur, 2011). Selain iu dari hasil ramalan juga dapa digunakan sebagai acuan pendapaan dari hal ekspor non migas. 1.2 Rumusan Masalah Ekspor non migas pada sekor perindusrian memiliki peran yang sanga pening dalam meningkakan pendapaan Provinsi Jawa Timur dalam hal ekspor dan merupakan sekor andalan yang memberikan konribusi sebesar 91,86% erhadap oal ekspor non migas secara keseluruhan. Pergerakan nilai ekspor non migas sekor perindusrian dari waku ke waku mengalami kondisi yang flukuaif seiap bulannya, ercaa sejak dalam kurun waku delapan ahun erakhir ekspor sekor perindusrian mengalami defisi yang disebabkan oleh penurunan komodii uama yaiu minyak kelapa sawi, ala lisrik, pupuk dan pakaian jadi, sehingga pada peneliian ini dilakukan peramalan ekspor non migas sekor perindusrian dalam periode sau ahun kedepan dengan menggunakan ARIMA Box-Jenkins. 1.3 Tujuan Berdasarkan laar belakang dan rumusan masalah yang elah dijelaskan sebelumnya, ujuan yang ingin dicapai pada peneliian ini yaiu memperoleh model peramalan erbaik unuk ekspor non migas sekor perindusrian di Jawa Timur. 1.4 Manfaa Model peramalan yang didapakan mampu memprediksi nilai ekspor non migas sekor perindusrian, sehingga dapa dijadikan sebagai bahan perimbangan dan acuan kebijakan unuk

23 5 memaksimalkan ekspor non migas sekor perindusrian periode sau ahun mendaang, selain iu dari hasil ramalan juga dapa digunakan sebagai acuan pendapaan dari hal ekspor non migas. 1.5 Baasan Masalah Peneliian ini menggunakan daa ekspor non migas sekor perindusrian mulai periode Januari ahun 2009 sampai dengan Desember 2016.

24 (Halaman Ini Sengaja Dikosongkan) 6

25 BAB II TINJAUAN PUSTAKA 2.1 Analisis Time Series Analisis ime series merupakan salah sau dari bagian meode kuaniaif dimana pendugaan masa depan dilakukan berdasarkan nilai masa lalu. Tujuan dari meode peramalan ime series adalah menemukan pola dalam series daa hisoris dan mengeksrapolasikan pola ersebu ke masa depan (Markidakis, Wheelwrigh, & McGEE, 1999) Model ARIMA Box-Jenkins Model ARIMA adalah model peramalan yang ermasuk dalam kelompok linier. Model ARIMA dapa digunakan pada daa yang memiliki pola non musiman aaupun musiman. Terdapa beberapa model dalam ARIMA yaiu model auoregressive (AR), model moving average (MA), model auoregressive moving average (ARMA) dan model auoregressive inegraed moving average (ARIMA) yang dapa diuraikan sebagai 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 1, 2,.., p. Benuk fungsi persamaan unuk model pada auoregressive (AR) pada orde p adalah sebagai beriku Z p p a (2.1) aau juga dapa disederhanakan menjadi persamaan beriku. (2.2) p Β a dimana : p a = = parameer auoregressive ke-p = nilai kesalahan pada waku ke- = suau konsana raa-raa 7

26 8 2. Model Moving Average (MA) Model moving average aau proses raa-raa bergerak dari orde ke-q yang persamaannya dapa diulis pada persamaan 2.3 a 1a1... qaq (2.3) aau juga bisa disederhanakan kedalam persamaan 2.4 Z ( B) a (2.4) dimana : q (B) Z q a = = 1 1 B... q B Z = parameer moving average ke-q = nilai kesalahan pada waku ke- q q 3. Model Auoregressive Moving Average (ARMA) Model auoregressive moving average (ARMA) merupakan model campuran aau gabungan anara model AR (p) dan MA (q). Benuk fungsi persamaan unuk model auoregressive moving average (ARMA) adalah sebagai beriku. p( B ) q( B) a (2.5) dimana : p B) 1 B... B (2.6) p ( 1 q( B) 11 B... B 4. Model Auoregressive Inergraed Moving Average (ARIMA) Model ARIMA adalah model peramalan yang ermasuk dalam kelompok linier. Model ARIMA dapa digunakan pada daa yang memiliki pola non musiman aaupun musiman. Model daa yang memiliki pola non musiman dengan differencing orde d yang dapa dinoasikan sebagai ARIMA (p,d,q). Secara maemais model ARIMA (p, d, q) dapa diulis sebagai beriku (Wei, 2006). p p Model ARIMA musiman merupakan model yang membenuk pola musiman dan benuk modelnya sesuai dengan persamaan beriku ini. s s D S ( B )(1 B ) ( B ) a (2.9) p q q (2.7) d q B) q( B a (2.8) ( B ) (1 0 ) p Q

27 9 Model ARIMA musiman muliplikaif dinoasikan dengan ARIMA (p,d,q) (P,D,Q) S yang mempunyai fakor non musiman dan musiman pengamaan waku ke-. Benuk fungsi persamaan model ARIMA muliplikaif adalah sebagai beriku. dimana : Z B p Q p S p d = = operaor back shif = orde P pada koefesien komponen AR musiman = orde Q pada koefesien komponen MA musiman Prosedur ARIMA Box-Jenkins Prosedur dalam meode ARIMA erdiri dari idenifikasi model, esimasi dan pengujian parameer, diagnosic checking, pemilihan model erbaik dan melakukan peramalan. 1. Idenifikasi Model Idenifikasi model dilakukan unuk mengeahui model semenara yang didapakan dari hasil esimasi. Hal yang harus diperhaikan dalam ARIMA Box-Jenkins yaiu kesasioneran daa, fungsi auokorelasi (ACF), fungsi auokorelasi parsial (PACF) dan model ARIMA. Secara eoriis, idenifikasi model ARIMA dapa dilakukan dengan meliha plo ACF dan PACF. Tabel 2.1 merupakan benuk ACF dan PACF yang dapa digunakan unuk mengidenifikasi model ARIMA (Wei, 2006). Tabel 2.1 Benuk plo ACF dan PACF model ARIMA Model ACF PACF Turun cepa secara AR (p) Terpoong seelah lag p eksponensial Turun cepa secara MA (q) Terpoong seelah lag q eksponensial Turun cepa seelah lag (p-q) Turun cepa seelah lag ARMA (p,q) (q-p) Unuk menenukan orde ARIMA, maka erlebih dahulu meliha plo ACF dan PACF, misalkan unuk meliha model AR (1), maka plo ACF urun secara eksponensial dan plo PACF S ( B ) (1 B) (1 B ) ( B) ( B ) a (2.10) Z q Q S

28 10 erpoong seelah lag ke-p. Pada model MA (1), plo ACF erpoong seelah lag ke-q, dimana p dan q adalah orde dari model AR dan MA. a. Sasionerias Asumsi dasar yang harus dipenuhi dalam pemodelan ARIMA Box-jenkins yaiu sasionerias. Suau daa dikaakan sasioner apabila daa sasioner dalam mean dan varians. Kesasioneran daa dalam mean dapa diliha dengan plo ACF, selain iu salah sau pengujian yang dipakai unuk mengeahui sasionerias daa dalam mean yaiu menggunakan pengujian Augmened Dickey Fuller (ADF) dengan hipoesis dan saisik uji sebagai beriku (Wei, 2006). Hipoesis : H 0 : 0 (Daa idak sasioner dalam mean) H 1 : 0 (Daa sasioner dalam mean) Saisik uji : ˆ (2.11) Se( ˆ) dimana : Sandard error (Se) = ˆ 2 n 1 2 ˆ = n ( Z Z 1 1 H 0 di olak jika hiung > α/2;n-1, dimana n adalah banyaknya observasi. Suau daa yang idak sasioner dalam mean dapa diaasi dengan melakukan differencing (Markidakis, Wheelwrigh, & McGEE, 1999). Proses differencing dapa dilakukan dengan menggunakan persamaan beriku. Z Z Y ) 2 dengan merupakan nilai seelah dilakukan differencing, sedangkan unuk mengaasi daa yang idak sasioner dalam varians dapa dilakukan dengan ransformasi. Transformasi yang 1

29 11 umum digunakan adalah ransformasi Box-Cox dalam persamaan beriku ini (Wei, 2006). Z 1 Τ ( Z ) (2.12) dengan adalah parameer ransformasi. Nilai pendugaan parameer dapa dicari dengan menggunakan meode kemungkinan Maksimum Likelihood Esimaion. Unuk memperoleh esimasi maksimum likelihood, maka harus erbenuk suau persamaan newon-raphson likelihood sebagai beriku lnl Z.Beriku merupakan fungsi newon-raphson likelihood n n x i 1 ln L x ln e dengan menggunakan newon-raphson L x, maka esimaor Likelihood langsung dapa diperoleh dari : dl x d Karena ln x Unuk 0 n n x 1 L ln e i ln n n x x e i l 1 n 0 adalah n x i i 1 ln lne nln dl x d dl x d n i1 x i n d nln d i1 d d nln d d i n n x i i1 x i n 1 x i

30 n n kemudian x i disama dengankan 0, sehingga : n i1 n n n x i 0 x i i1 i1 n Selanjunya erbenuk nilai Eksponensial n / 12 Nilai yang dipilih adalah nilai yang meminimumkan jumlah kuadra residual sehingga memiliki varians yang minimum (Wei, 2006). Beriku merupakan nilai esimasi dari. Tabel 2.2 Tabel Transformasi Box-Cox Nilai Esimasi Transformasi -1,0 1 / Z -0,5 1 / Z 0,0 Ln Z 0,5 Z 1 Z b. Auocorrelaion Funcion (ACF) Dalam suau analisis ime series, k merupakan fungsi auokovarians dan k merupakan fungsi auokorelasi yang menyaakan kovarians dan korelasi anara Z dan Z k dari proses yang sama, hanya erpisah oleh selang waku (Wei, 2006), karena pada dasarnya idak mungkin suau fungsi auokorelasi dapa dihiung dari suau populasi, sehingga fungsi auokorelasi dapa dihiung dari daa sampel dengan persamaan sebagai beriku n i1 x i nk Z Z Z k Z k 1 ˆ k (2.14) 0 2 n Z Z 1 n i1 x i (2.13)

31 unuk k 0,1,2,..., n dimana 13 c. Parial Auocorrelaion Funcion (PACF) Auokorelasi Parsial digunakan unuk mengukur ingka keeraan hubungan anara pasangan daa Z dengan Z k seelah pengaruh variabel Z1, Z2,..., Zk1 dihilangkan (Wei, 2006). Perhiungan nilai PACF sampel lag ke-k dimulai dari menghiung ˆ 11 ˆ1, sedangkan fungsi auokorelasi parsial unuk sampel sebagai beriku. k ˆ ˆ k 1 ˆ k, jk1 j ˆ j1 k1, k1 (2.15) k 1 ˆ ˆ dan ˆ ˆ ˆ ˆ 1 Z n j = 1,2,...K 2. Esimasi Parameer Seelah diperoleh model dugaan awal ARIMA (p,d,q), langkah selanjunya yaiu dilakukan esimasi parameer. Esimasi parameer pada model ARIMA yang paling umum digunakan adalah meode Condiional Leas Square (CLS). Meode Condiional Leas Square (CLS) dilakukan dengan cara mencari nilai parameer yang meminimumkan jumlah kuadra error aau SSE (Cryer & Chan, 2008). Misalkan unuk AR(1), maka model regresi dengan variabel predikor Z 1 dan variabel respon Z yang dinyaakan sebagai beriku (Cryer & Chan, 2008). j1 k1, j k, j k1, k1 k, k1 j 1 Kemudian meregresikan variabel predikor respon yang dinyaakan sebagai beriku Z karena observasi dimulai dari Z Z, Z... n Z k, j Z ( Z 1 ) a ( Z ) ( Z 1 ) 1, 2 3 j Z n Z 1 (2.16) dengan variabel (2.17), maka regresi hanya

32 14 dapa dimulai pada saa = 2 sampai = n, sehingga didapakan fungsi condiional sum of square sebagai beriku Penaksiran parameer meode leas square,aksiran µ dan dilakukan dengan meminimumkan S c (, ) oleh karena iu, perlu dilakukan perunurunan erhadap dan kemudian disamakan dengan nol. Selanjunya operasi urunan erhadap dengan membua / 0sehingga didapakan persamaan S c n 2 Z Z Sc, (2.18) 1 2 Z Z Z Z 1 0 S c (2.19) n Kemudian, unuk memperoleh nilai unuk model AR (1) adalah sebagai beriku n n 1 Z Z 1 ( n 1)(1 ) (2.20) 2 2 Sedangkan unuk n yang sanga besar, maka persamaan menjadi beriku 1 ˆ Z Z Z 1 (2.21) Kemudian unuk parameer ϕ dengan cara yang sama didapakan operasi urunan sebagai beriku. 2 0 n Sc (, Z ) Z Z Z1 Z Z1 Z (2.22) 2 Sehingga aksiran parameer ϕ unuk model AR(1) adalah sebagai beriku. n Z Z Z 1 Z ˆ 2 n (2.23) 2 Z Z 1 2

33 15 Seelah diperoleh esimasi parameer model, kemudian dilakukan pengujian signifikansi parameer. 3. Uji Signifikansi Parameer Pengujian signifikansi parameer model ARIMA dilakukan unuk mengeahui parameer model signifikan aau idak. Selain iu pengujian ini juga digunakan unuk menguji apakah suau parameer model ARIMA layak masuk ke dalam suau model. Hipoesis yang digunakan seperi yang diuliskan beriku ini. Hipoesis : H 0 : 0 aau 0 (parameer AR aau MA idak signifikan) H 1 : 0 aau 0 (parameer AR aau MA signifikan) Taraf signifikan : 0,05 Saisik uji: hiung (2.24) Se() dimana : Sandard error (Se) = 2 n Z = n 1 2 Z ˆ Z 1 : banyaknya observasi hiung Se() n 1 : nilai akual pada waku ke- 2 (2.25) Ẑ : nilai ramalan pada waku ke- H 0 di olak jika hiung > α/2;n-m, dimana n adalah banyaknya observasi dan m adalah jumlah parameer yang diaksir. 4. Pemeriksaan Diagnosik Dua asumsi dasar yang harus dipenuhi dalam pengujian kesesuaian model yaiu residual model Whie Noise dan berdisribusi normal.

34 16 a. Pengujian Whie Noise Pengujian whie noise dilakukan unuk mengeahui apakah varians residual bernilai konsan aau idak. Pengujian unuk meliha residual elah whie noise dengan menggunakan hipoesis dan saisik uji Ljung-Box sebagai beriku. Hipoesis: H 0 : a... 0 (residual whie noise) 1 a 2 a 3 ak H 1 : minimal ada sau ak unuk 0 k = 1,2,...K Saisik Uji: K Q n n n k ˆ (2.26) dimana : : aksiran auokorelasi residual lag ke-k pada persamaan a k 2.14 n : banyaknya residual K : lag maksimum H 0 di olak jika Q > χ 2 (K-p-q), aau P value < α, dimana p dan q adalah orde dari model ARIMA (p,q). b. Pengujian Berdisribusi Normal Asumsi yang harus dipenuhi adalah residual berdisribusi normal. Pengujian residual berdisribusi normal dilakukan dengan menggunakan uji Kolmogorov Smirnov. Beriku adalah perumusan hipoesis dengan menggunakan saisik uji Kolmogorov Smirnov (Daniel, 1989). Hipoesis : H 0 : F n (a ) = F 0 (a ) (Residual berdisribusi normal) H 1 : F n (a ) F 0 (a ) (Residual idak berdisribusi normal) Saisik uji : k1 D Sup F a ) F ( a ) (2.27) a n ( 0 dimana : F n (a ) : nilai peluang kumulaif disribusi yang belum dikeahui F 0 (a ) : nilai peluang kumulaif dari disribusi normal a

35 17 S(a ) : fungsi peluang komulaif yang dihiung dari daa sampel Sup(a ) : nilai supremum aau nilai maksimum dari S( a ) F0 ( a ) H 0 di olak, jika nilai D lebih besar dari D 1-α,n, dimana n sebagai deraja bebasnya. 5. Pemilihan Model Terbaik Model erbaik yaiu model yang memiliki parameer signifikan, residual bersifa whie noise dan berdisribusi normal. Pemilihan model erbaik dilakukan melalui pendekaan in sample dan ou sample, model erbaik dipilih berdasarkan kesalahan dalam peramalan (forecas error). Krieria ersebu adalah sebagai beriku. a. Krieria In Sample Pemilihan model erbaik dengan pendekaan in sample dapa menggunakan krieria AIC (Akaike s Informaion Crierion) dan SBC (Schwarz s Bayesian Crierion). AIC adalah suau krieria pemilihan model erbaik dengan memperimbangkan banyaknya parameer dalam model. Semakin kecil nilai AIC, maka model akan semakin baik. Model ini diperkenalkan oleh Akaike yang dapa dirumuskan sebagai beriku. AIC( M) nln ˆ 2 a 2M (2.28) Sedangkan unuk krieria Bayesian dalam pemilihan model erbaik juga dapa dilakukan SBC. Nilai SBC semakin kecil maka model yang didapakan akan semakin baik. Krieria SBC dapa dirumuskan dengan menggunakan persamaan SBC( M) nln ˆ 2 a M ln n (2.29) dimana : M : merupakan banyaknya parameer dalam model 2 ˆ a : merupakan varians residual n : banyaknya observasi ln : naural log

36 18 b. Krieria Ou Sample Pemilihan model erbaik melalui pendekaan ou sample dengam menggunakan RMSE (Roo Mean Square Error) dan smape (Symmeric Mean Absolue Percenage Error). Model erbaik adalah model dengan nilai RMSE dan smape erkecil. RMSE merupakan krieria pemilihan model erbaik berdasarkan pada hasil sisa ramalan yang digunakan unuk segala sauan daa. RMSE digunakan dengan ujuan supaya sauan pengukuran daa idak berubah, dapa dihiung dengan rumus sebagai beriku (Gooijer & Hyndman, 2006). dimana : n Z RMSE : banyaknya observasi 1 n : nilai akual pada waku ke- n Z Zˆ (2.30) Ẑ : 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 digunakan unuk daa yang mempunyai nilai besar dan dapa menghindari permasalahan error yang besar keika nilai akualnya melebihi nilai ramalannya aau sebaliknya. Rumus smape dapa diuliskan seperi beriku ini (Gooijer & Hyndman, 2006) 1 n ˆ 1 Z Z smape 100% (2.31) n 1 Z Zˆ Ekspor Ekspor adalah proses ransporasi barang aau komodias dari suau negara ke negara umumnya dalam proses perdagangan. Proses ekspor pada umumnya adalah indakan unuk mengeluarkan barang aau komodias dari dalam negeri unuk memasukannya ke negara lain. Ekspor barang secara besar

37 19 umumnya membuuhkan campur angan dari bea cukai di negara pengirim maupun penerima (BPS Jawa Timur, 2016). Secara umum ekspor erdiri dari ekspor non migas dan migas. Ekspor non migas erbagi menjadi iga sekor yaiu, sekor peranian, sekor perindusrian dan sekor perambangan. Ekspor non migas sekor perindusrian merupakan segala kegiaan yang berkaian dengan ekonomi di bidang perubahan secara kimia aau fisik dari bahan, unsur aau komponen menjadi produk baru. Bahan baku indusri pengolahan berasal dari produk peranian, kehuanan, perikanan, perambangan aau penggalian seperi produk dari kegiaan indusri pengolahan lainnya Perubahan, pembaharuan aau rekonsruksi yang pokok dari barang secara umum diperlakukan sebagai indusri pengolahan. Uni indusri pengolahan digambarkan sebagai pabrik, mesin aau peralaan yang khusus digerakkan dengan mesin dan angan (BPS Jawa Timur, 2016).

38 (Halaman Ini Sengaja Dikosongkan) 20

39 21 BAB III METODOLOGI PENELITIAN 3.1 Sumber Daa dan Variabel Peneliian Daa yang digunakan pada peneliian ini adalah daa ekspor non migas sekor perindusrian periode Januari ahun 2009 sampai dengan Desember 2016 yang diperoleh secara resmi dan valid dari Badan Pusa Saisik Jawa Timur yang diunjukkan dengan sura keerangan pada Lampiran A3 dan A4. Srukur daa pada peneliian ini diunjukkan pada Tabel 3.1 Tahun Tabel 3.1 Srukur Daa Peneliian Bulan Ekspor Sekor Perindusrian (Jua$ ) Januari Z 1 Februari Z 2 Mare Z 3 Okober Z 10 November Z 11 Desember Z 12 Januari Z 13 Februari Z 14 Mare Z 15 Okober Z 22 November Z 23 Desember Z 24 Januari Z 85 Februari Z 86 Mare Z 87 Okober Z 94 November Z 95 Desember Z 96

40 Langkah Analisis dan Diagram Alir Analisis Daa Langkah-langkah analisis daa dari peneliian ini dengan menggunakan meode ARIMA Box-jenkins dapa diuliskan sebagai beriku : 1. Mendeksripsikan daa ekspor non migas sekor perindusrian dari bulan Januari 2009 sampai dengan Januari 2016 dengan menggunakan beberapa ukuran saisika deskripif yaiu boxplo dan ime series plo. 2. Membua ime series plo dari daa in sample unuk mengidenifikasi sasionerias, jika daa idak sasioner erhadap varians maka dilakukan ransformasi Box-Cox, akan eapi jika daa idak sasioner dalam mean maka dilakukan differencing. 3. Membua plo ACF dan PACF 4. Mengidenifikasi dan menduga orde model ARIMA berdasarkan plo ACF dan PACF 5. Melakukan esimasi parameer dan pengujian signifikansi parameer model, jika parameer idak signifikan maka dilakukan esimasi parameer dari model dugaan lainnya. 6. Melakukan pemeriksaan diagnosic checking dengan uji residual whie noise dan berdisribusi normal. Apabila suau model yang elah ada idak sesuai dan idak memenuhi asumsi residual whie noise dan berdisribusi normal, maka dilakukan deeksi oulier dengan cara meliha erleak pada pengamaan keberapa pengamaan yang oulier, kemudian dengan menambah variabel dummy yang naninya dimasukkan kedalam model ARIMA yang didapa. 7. Apabila model yang didapakan lebih dari sau, maka dilakukan seleksi model dengan hasil ou sample digunakan krieria RMSE dan smape yang mempunyai nilai erkecil. 8. Seelah ahap-ahap diaas erpenuhi dan model peramalan dihasilkan dari model yang mempunyai krieria pemilihan model yang paling baik, maka dapa dilakukan peramalan

41 23 ekspor non migas sekor perindusrian pada bulan Januari ahun 2017 sampai Desember Diagram alir menggambarkan alur perjalanan pembuaan laporan ini, yang dapa diliha pada gambar 3.1 beriku. Deskripif Daa Ekspor Sekor Perindusrian Membagi Daa Daa In Sample Daa Ou Sample Tidak Transformasi Box-Cox Daa Sasioner dalam varians? Ya Differencing Tidak Daa Sasioner dalam mean? Ya Penenuan Model Esimasi Parameer Tidak Uji Signifikansi Parameer Tidak Pengujian Whie Noise A Gambar 3.1 Diagram Alir Peneliian A

42 A A Tidak Deeksi Oulier Pengujian Disribusi Normal Ya Prediksi dengan Daa in Sample Prediksi dengan Daa Ou Sample Seleksi Model AIC dan SBC Seleksi Model RMSE dan smape Model Terbaik Forecasing Gambar 3.1 Diagram Alir Peneliian (Lanjuan) 24

43 Nilai Ekspor (Jua $) 25 BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini akan dijelaskan analisis dan pembahasan enang peramalan nilai ekspor non migas sekor perindusrian di Jawa Timur. Pada analisis ini dimulai dengan karakerisik daa menggunakan saisika deskripif, pemodelan ARIMA yang erdiri dari idenifikasi model, pengujian model, pengujian asumsi residual peramalan. 4.1 Karakerisik Nilai Ekspor Non Migas Sekor Perindusrian di Jawa Timur Karakerisik nilai ekspor non migas sekor perindusrian di Jawa Timur mulai bulan Januari 2009 sampai dengan Desember 2016 sesuai dengan Lampiran A1 dan A2 dapa di Gambarkan menggunakan ime series plo pada Gambar Monh Year Jan 2009 Jan 2010 Jan 2011 Jan 2012 Jan 2013 Jan 2014 Jan 2015 Jan 2016 Gambar 4.1 Time Series Plo Nilai Ekspor Non Migas Sekor Perindusrian Gambar 4.1 menunjukkan bahwa nilai ekspor non migas sekor perindusrian di Jawa Timur mengalami flukuasi seiap bulannya. Selain iu dapa dikeahui pula bahwa erdapa nilai ekspor yang mengalami penurunan dan kenaikan secara eksrim yaiu pada bulan Februari 2016 dan Juli Ekspor non migas sekor perindusrian pada bulan Februari 2016 mengalami kenaikan secara eksrim disebabkan oleh ingginya perminaan dari negara Swiss, selain iu juga disebabkan oleh komodii mesin aau peralaan lisrik, perabo aau penerangan rumah angga dan

44 Ekspor Sekor Perindusrian (jua $) 26 bahan kimia organik, sedangkan penurunan eksrim erjadi pada bulan Juli 2016 disebabkan oleh penurunan komodii mesin aau peralaan lisik, alas kaki, berbagai produk kimia dan indusri makanan. Karakerisik selanjunya yaiu kenaikan dan penurunan ekspor non migas sekor perindusrian di Jawa Timur seperi yang erliha pada Gambar , , , , , , , , Gambar 4.2 Jumlah Nilai Ekspor Non Migas Sekor Perindusrian Gambar 4.2 menunjukkan oal ekspor non migas sekor perindusrian seiap ahun mulai dari ahun 2009 sampai dengan ahun Berdasarkan grafik ersebu menunjukkan bahwa ekspor eringgi erjadi pada ahun 2016 dengan oal ekspor $ 16344,36 jua. Ekspor sekor perindusrian cenderung mengalami kenaikan seiap ahunnya. Kenaikan ekspor non migas sekor perindusrian erjadi pada ahun 2010, 2011, 2014 dan 2016, akan eapi kenaikan eringgi ekspor non migas sekor perindusrian erjadi pada ahun 2011 yaiu sebesar 14,06%, sedangkan penurunan eringgi erjadi pada ahun 2015 yaiu sebesar 16,29%. Kenaikan eringgi dan erendah seiap bulan yang erjadi selama delapan ahun erakhir erhadap nilai ekspor non migas sekor perindusrian dapa divisualisasikan melalui Boxplo yang dapa diliha pada Gambar 4.3

45 Nilai Ekspor Bulan Gambar 4.3 Boxplo Nilai Ekspor Non Migas Sekor Perindusrian di Jawa Timur Seiap Bulannya Gambar 4.3 menunjukkan bahwa nilai ekspor non migas sekor perindusrian eringgi erjadi pada bulan Okober dengan raa-raa mencapai $ 1205,16 Jua. Sedangkan nilai ekspor non migas sekor perindusrian erendah erjadi pada bulan Juli dengan raa-raa sebesar $ 1002,85 Jua. Nilai ekspor non migas sekor perindusrian eringgi yang erjadi pada bulan Okober mencapai $ 1399,72 jua dan erendah pada bulan Juli mencapai $ 634,60 Jua. 4.2 Peramalan Ekspor Non Migas Sekor Perindusrian di Jawa Timur dengan menggunakan ARIMA Box- Jenkins Sebelum melakukan pemodelan ARIMA, maka langkah perama yaiu membagi daa menjadi 2 bagian yaiu daa in sample sebanyak 84 daa dan daa ou sample sebanyak 12 daa. Daa in sample digunakan unuk memodelkan ekspor non migas sekor perindusrian, sedangkan daa ou sample digunakan unuk memilih model peramalan erbaik Idenifikasi Model ARIMA Box-Jenkins Idenifikasi sasionerias model ARIMA dilakukan unuk mengeahui apakah nilai ekspor non migas sekor perindusrian yang sesuai dengan Lampiran A1 dan A2 elah sasioner dalam mean dan varians. Saionerias dalam varians dapa diliha dari nilai pada ransformasi Box-Cox yang dapa diliha pada Gambar

46 Auocorrelaion SDev 28 Lower CL Upper CL ,0-2,5 0,0 Lambda Gambar 4.4 Plo-Box Cox Ekspor Non Migas Sekor Perindusrian Gambar 4.3 menunjukkan bahwa nilai rounded value aau λ pada plo Box-Cox sesuai dengan Persamaan (2.13) didapakan nilai λ sebesar 1, nilai baas aas sebesar 1,61 dan baas bawah sebesar 0,13 yang sudah melewai nilai 1, sehingga dapa dikaakan bahwa ekspor non migas sekor perindusrian di Jawa Timur sudah sasioner dalam varians. Langkah selanjunya yaiu meliha kesasioneran daa dalam mean yang dapa diliha pada Gambar 4.5 2,5 5,0 Limi 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar 4.5 Plo ACF Ekspor Non Migas Sekor Perindusrian Gambar 4.5 menunjukkan bahwa nilai ekspor non migas sekor perindusrian di Jawa Timur masih belum sasioner dalam mean, hal ersebu dapa diliha karena lag-lag pada plo Auocorrelaion Funcion (ACF) memiliki pola urun secara lamba, dimana nilai ACF didapakan dsesuai dengan Persamaan

47 29 (2.14) denga hasil yang dapa diliha pada Lampiran B1 dan B2, unuk hasil yang lebih akura dapa dilakukan pengujian sasionerias erhadap mean yaiu menggunakan pengujian Dickey Fuller dengan hipoesis dan saisik uji sebagai beriku. Hipoesis : H 0 : (δ = 0) Daa idak sasioner dalam mean H 1 : (δ 0) Daa sasioner dalam mean Pada pengujian ini digunakan araf signifikan sebesar α = 0,05. dengan kepuusan H 0 diolak jika hiung lebih besar dari α,df dan P value kurang dari α = 0,05. Sesuai dengan Persamaan (2.11) daa pada Lampiran A1 dan A2 dengan Pengujian Dickey Fuller menggunakan program synax pada Lampiran D1, sehingga diperoleh oupu pada Lampiran E1 dengan nilai sebesar -0,49 dan P -value sebesar 0,6262. P value yang diperoleh lebih besar dibandingkan dengan araf signifikan α = 0,05, selain iu nilai 0,05,1 yang diperoleh sebesar 12,7062 dimana nilai ersebu lebih besar dari nilai hiung, oleh karena iu diperoleh kepuusan gagal menolak H 0 dan didapakan kesimpulan bahwa daa ekspor non migas sekor perindusrian di Jawa Timur idak sasioner dalam mean. Hasil pengujian Dickey Fuller menunjukkan bahwa daa idak sasioner dalam mean, oleh karena iu dilakukan proses differencing. Hasil proses differencing dapa diliha pada Gambar Jan 2009 Jan 2010 Jan 2011 Jan 2012 Jan 2013 Jan 2014 Jan 2015 Gambar 4.6 Time Series Plo Seelah Differencing

48 30 Gambar 4.6 menunjukkan bahwa nilai ekspor non migas sekor perindusrian di Jawa Timur sudah sasioner dalam mean, dikarenakan ime series plonya berflukuasi secara konsan yaiu berada disekiar suau nilai raa-raa, selain dilakukan pemeriksaan dengan menggunakan ime series plo, unuk hasil yang lebih akura, maka dilakukan pengujian Dickey Fuller kembali dengan hipoesis dan saisik uji sebagai beriku. Hipoesis : H 0 : (δ = 0) Daa idak sasioner dalam mean H 1 : (δ 0) Daa sasioner dalam mean Pada pengujian ini digunakan araf signifikan sebesar α = 0,05. dengan kepuusan H 0 diolak jika hiung lebih besar dari α,df dan P value kurang dari α = 0,05. Sesuai dengan Persamaan (2.11) daa pada Lampiran A1 dan A2 dengan Pengujian Dickey Fuller menggunakan program synax pada Lampiran D2, sehingga diperoleh oupu pada Lampiran E2 dengan nilai sebesar -13,71 dan P -value sebesar 0,0001. Nilai 0,05,1 yang diperoleh sebesar 12,7062 dimana nilai ersebu lebih kecil dari nilai hiung, oleh karena iu diperoleh kepuusan H 0 di olak dan didapakan kesimpulan bahwa daa ekspor non migas sekor perindusrian di Jawa Timur sudah sasioner dalam mean Esimasi Model Ekspor Non Migas Sekor Perindusrian Seelah didapakan bahwa nilai ekspor non migas sekor perindusrian elah sasioner dalam mean dan varians, langkah selanjunya adalah menduga orde model ARIMA. Hal ini dapa dilakukan dengan meliha plo ACF dan PACF dari nilai ekspor non migas yang elah sasioner dalam mean. Hasil plo ACF dan PACF seelah proses differencing yang dapa diliha pada Gambar 4.7 dengan hasil selengkapnya dapa diliha pada Lampiran B3, B4, C1 dan C2 yang menunjukkan bahwa pada plo ACF cu off seelah lag 1 karena mempunyai nilai auokorelasi yang besar dengan hasil selengkapnya dapa diliha pada Lampiran B3, sehingga model dugaan yang dapa diidenifikasi yaiu ARIMA (0,1,1). Sedangkan pada plo PACF dies down secara cepa pada lag awal yaiu lag 1, 2 dan 3 yang memiliki nilai auokorelasi parsial erbesar yang dapa diliha pada Lampiran C3, sehingga

49 Parial Auocorrelaion Auocorrelaion 31 model dugaan yang dapa diidenifikasi yaiu ARIMA (2,1,0) ARIMA (3,1,0). Pada plo PACF juga cu off pada lag 1,2,3,9 dan 22, sehingga erdapa indikasi model ARIMA yang subse, maka model dugaannya ARIMA yang erbenuk yaiu ([1,2,3,9,22],1,0). 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 (a) Lag ,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 (b) Lag Gambar 4.7 (a) Plo ACF, (b) Plo PACF Ekspor non Migas Sekor Perindusrian yang Sudah Sasioner Pengujian Model Ekspor non Migas Sekor Perindusrian Seelah mendapakan model dugaan ARIMA, maka langkah selanjunya yaiu melakukan pengujian signifikansi parameer. Meode esimasi parameer yang digunakan yaiu Condiional Leas Square (CLS). Pengujian parameer pada masing-masing model ARIMA dinyaakan dengan hipoesis sebagai beriku

50 32 Hipoesis : H 0 : 0 aau 0 (parameer AR aau MA idak signifikan) H 1 : 0aau 0(parameer AR aau MA signifikan) dengan menggunakan araf signifikan α = 0,05, H 0 di olak jika nilai / 2; nm dan P value kurang dari α = 0,05. Sesuai dengan Persamaan (2.24) daa pada Lampiran A1 dan A2 dengan menggunakan program synax pada Lampiran G1-G8, sehingga diperoleh oupu pada Lampiran H1-H9. kemudian dilakukan pengujian parameer dengan hasil yang disajikan pada Tabel 4.1 Tabel 4.1 Hasil Pengujian Parameer Model ARIMA Parameer Lag Esimasi Parameer T hiung P value Kepuusan (0,1,1) 1 1 0, ,38 0,0001 Signifikan 1 1-0, ,30 0,0001 Signifikan (3,1,0) 2 2-0, ,42 0,0010 Signifikan 3 3-0, ,07 0,0413 Signifikan 1 1-0, ,13 0,0001 Signifikan ([1,2,3,9],1,0) 2 2-0, ,26 0,0017 Signifikan 3 3-0, ,25 0,0270 Signifikan 4 9-0, ,50 0,0304 Signifikan (2,1,0) 1 1-0, ,81 0,0001 Signifikan 2 2-0, ,71 0,0081 Signifikan Tabel 4.1 menunjukkan bahwa dari model dugaan ARIMA yang elah dilakukan pengujian, model yang memiliki parameer signifikan adalah model ARIMA yang erdapa pada Tabel diaas, karena nilai saisik uji lebih besar dari 0,05;82 (1,989) dan nilai P value yang kurang dari araf signifikan α (0,05). Sehingga dapa disimpulkan bahwa model ARIMA (0,1,1), ARIMA(3,1,0), ARIMA([1,2,3,9],1,0) dan ARIMA(2,1,0) signifikan. Seelah didapakan parameer yang signifikan, maka langkah selanjunya yaiu melakukan pengujian asumsi residual bersifa whie noise dan berdisribusi normal.

51 4.2.4 Pengujian Asumsi Residual Asumsi yang harus erpenuhi pada model ARIMA yaiu asumsi residual whie noise dan berdisribusi normal. Pengujian unuk meliha residual elah whie noise dapa dilakukan dengan menggunakan hipoesis dan saisik uji Ljung-Box sebagai beriku. Hipoesis : H 0 : a... 0 (residual whie noise) 1 a 2 a 3 ak H 1 : minimal ada sau ak 0 unuk k = 1,2,...K (residual idak whie noise) dengan menggunakan araf signifkan α = 0,05 dan H diolak, jika nilai lebih besar dari ( ; k p. q) dan P value kurang dari araf signifikan. Sesuai dengan Persamaan (2.26) daa pada Lampiran A1 dan A2 dengan menggunakan program synax pada Lampiran G1-G8, sehingga diperoleh oupu pada Lampiran H1- H9. Hasil uji Ljung-Box pada masing-masing model yang elah signifikan dapa diliha pada Tabel Tabel 4.2 Hasil Uji Residual Whie Noise 2 2 Model ARIMA Lag Df Tabel P value Kepuusan (0,1,1) (3,1,0) ([1,2,3,9],1,0) (2,1,0) 6 5, ,071 0,3193 Whie noise 12 12, ,675 0,3537 Whie noise 18 15, ,587 0,5835 Whie noise 24 23, ,172 0,4082 Whie noise 6 2,57 3 7,814 0,4629 whie noise 12 9, ,918 0,3618 whie noise 18 13, ,995 0,5863 whie noise 24 22, ,671 0,3488 whie noise 6 1,79 2 5,991 0,4076 Whie noise 12 4, ,507 0,8485 Whie noise 18 5, ,685 0,9697 Whie noise 24 15, ,410 0,7302 Whie noise 6 6,19 4 9,487 0,1855 Whie noise 12 13, ,307 0,2045 Whie noise 18 15, ,4618 Whie noise 24 25, ,415 0,2736 Whie noise

52 Tabel 4.2 menunjukkan bahwa bahwa pada model ARIMA (0,1,1) ARIMA(3,1,0) ARIMA([1,2,3,9],1,0) dan ARIMA(2,1,0) elah memenuhi asumsi residual whie noise, karena didapakan nilai saisik uji χ 2 yang diperoleh lebih kecil dari χ 2 (0,05;df) dan nilai P value kurang dari araf signifikan α=0,05, sehingga dapa diarik kesimpulan bahwa pada model ARIMA (0,1,1), ARIMA(3,1,0), ARIMA([1,2,3,9],1,0) dan ARIMA(2,1,0) elah memenuhi asumsi whie noise. Asumsi selanjunya yang harus dipenuhi adalah residual harus berdisribusi normal, hal ini dapa dikeahui dengan menggunakan uji kolmogorov smirnov. Beriku adalah hipoesis yang digunakan dalam pengujian ini. Hipoesis : H 0 : F n (a ) = F 0 (a ) (Residual berdisribusi normal) H 1 : F n (a ) F 0 (a ) (Residual idak berdisribusi normal) Pada pengujian ini digunakan araf signifikan sebesar α = 0,05. dengan daerah kepuusan H 0 diolak jika D D n,(1 ) selain iu juga bisa diliha dari nilai P value kurang dari araf signifikan α = 0,05. Sesuai dengan Persamaan (2.27) daa pada Lampiran A1 dan A2 dengan menggunakan program synax pada Lampiran G1-G8, sehingga diperoleh oupu pada Lampiran H1-H9. Hasil pengujian asumsi residual berdisribusi normal dengan menggunakan uji Kolomogorov Smirnov dapa diliha pada Tabel 4.3 Tabel 4.3 Hasil Uji Residual Berdisribusi Normal Model D hiung D Tabel P value Kepuusan ARIMA (0,1,1) 0, ,1500 Berdisribusi Normal (3,1,0) 0, ,1500 Berdisribusi Normal (2,1,0) 0, ,1500 Berdisribusi Normal ([1,2,3,9],1,0) 0, ,1500 Berdisribusi Normal Tabel 4.3 menunjukkan bahwa model ARIMA(0,1,1) ARIMA(3,1,0), ARIMA(2,1,0) dan ARIMA([1,2,3,9]1,0) elah memenuhi asumsi residual berdisribusi normal, karena nilai D hiung pada masing-masing model ARIMA kurang dari D 0,95;84 dan P value yang diperoleh juga lebih besar dari araf signifikan α = 0,05. 34

53 Pemilihan Model Terbaik Pemilihan model erbaik dilakukan unuk mendapakan model yang paling akura dianara model-model lainnya. Pada peneliian ini pemilihan model erbaik menggunakan krieria in sample dengan menggunakan AIC dan SBC, sedangkan krieria ou sample menggunakan RMSE dan smape yang disajikan pada Tabel 4.4 Tabel 4.4 Krieria Pemilihan Model Terbaik Model In Sample Ou Sample AIC SBC RMSE smape ARIMA (0,1,1) 1074, , ,077 21,432 ARIMA (2,1,1) 1077, , ,273 21,695 ARIMA (3,1,0) 1075, , ,519 21,742 ARIMA ([1,2,3,9],1,0) 1072, , ,529 20,432 Tabel 4.4 menunjukkan hasil perhiungan krieria pemilihan model erbaik. Berdasarkan krieria in-sample yaiu AIC dan SBC menunjukkan model erbaik adalah model ARIMA ([1,2,3,9],1,0) karena didapakan nilai AIC paling kecil sesuai dengan Persamaan 2.28 dan SBC pada Persamaan 2.29 dengan hasil selengkapnya dapa diliha pada Lampiran H1-H9 menggunakan program synax Lampiran G1-G8, sedangkan unuk nilai RMSE dan smape erkecil yang mengacu pada Lampiran F1-F8 juga erdapa pada model ARIMA([1,2,3,9],1,0) sehingga dapa disimpukan bahwa model erbaik yang didapakan yaiu ARIMA ([1,2,3,9],1,0). Beriku ini merupakan benuk umum model erbaik dari ARIMA ([1,2,3,9],1,0) yaiu : Z B Z B Z B Z B Z B Z B BZ Z a Z B B B B B B B B B a Z B B B B B ) (1 ) )(1 (1 a Z B Z B Z Z Z Z Z Z Z Z Z a 9 Z

54 Daa 36 Z Z Z Z Z Z Z Z Z Z = Z -1-0,54962Z ,54962Z -1-0,38060Z ,38060Z -3-0,24176Z , ,22294Z ,22294Z a Berdasarkan model maemais yang elah diuraikan, dikeahui bahwa peramalan ekspor non migas sekor perindusrian di Jawa Timur dipengaruhi oleh nilai ekspor non migas sekor indusri pada 1 bulan, 2 bulan, 3 bulan, 4 bulan, 9 bulan dan 10 bulan sebelumnya. Seelah mengeahui model erbaik dari ekspor non migas sekor perindusrian di Jawa Timur, maka langkah selanjunya adalah meliha ime series plo perbandingan anara daa akual in sample pada Lampiran A1 dan A2 dengan hasil ramalan yang dapa diliha pada Gambar Variable Akual In Sample Ramalan In Sample Monh Year Jan Jan Jan Jan Jan Jan Jan Gambar 4.8 Time Series Plo Daa in sample dengan Hasil Ramalan Gambar 4.8 menunjukkan bahwa pada model ARIMA ([1,2,3,9],1,0) mampu menghasilkan ramalan yang baik dan mampu menangkap pola rend daa, hal ersebu dapa diliha dari plo warna merah yang merupakan hasil ramalan mendekai plo warna hiam yang merupakan daa akual. Time series plo selanjunya yaiu daa ou sampel dengan hasil ramalan mengacu pada Lampiran A1, A2 dan F1-F8 yang dapa diliha pada Gambar 4.9 menunjukkan bahwa plo daa akual dengan ramalan sediki mempunyai perbedaan, model yang didapakan yaiu ARIMA ([1,2,3,9],1,0) belum bisa menangkap pola daa yang erlalu eksrim pada daa ou sample.

55 Daa Variable Akual Ou Sample Ramalan Ou Sample Jan Feb Mar Apr Mei Jun Jul Monh Agus Sep Gambar 4.9 Time Series Plo Daa Akual Ou Sample dengan Hasil Ramalan Peramalan Ekspor non Migas Sekor Perindusrian Seelah didapakan model erbaik ARIMA ([1,2,3,9],1,0), selanjunya melakukan peramalan sau periode ke depan. Hasil peramalan ekspor non migas pada ahun 2017 yang dapa diliha pada Tabel 4.5 yang menunjukkan bahwa nilai ekspor non migas sekor perindusrian di Jawa Timur eringgi erjadi pada bulan April 2017 dan Juni 2017, sedangkan nilai ekspor yang erendah erjadi pada bulan Februari dan Mei Tabel 4.5 Hasil Ramalan Ekspor non Migas Sekor Perindusrian Bulan Nilai Ramalan (jua $) Baas Bawah Baas Aas Januari 1324,97 991, ,11 Februari 1318,04 947, ,71 Mare 1337,31 942, ,40 April 1414,61 988, ,04 Mei 1309,77 846, ,16 Juni 1359,64 867, ,96 Juli 1354,32 835, ,09 Agusus 1321,98 776, ,99 Sepember 1349,62 779, ,03 Okober 1346,76 764, ,01 November 1344,49 738, ,46 Desember 1339,79 712, ,28 Ok Nop Des

56 Daa 38 Seelah dikeahui nilai ramalan sau periode kedepan, selanjunya yaiu meliha ime series plo pergerakan nilai ekspor non migas sekor perindusrian mulai periode Januari 2009 sampai dengan Desember 2017 yang dapa diliha pada Gambar Variable Akual Hasil Ramalan Monh Year Jan Jan Jan Jan Jan Jan Jan Jan Jan Gambar 4.10 Plo Daa Akual dengan Ramalan Periode Januari 2009 hingga Desember 2017 Gambar 4.10 menunjukkan bahwa pergerakan nilai ekspor non migas ahun 2017 mengalami penurunan dibandingkan dengan ahun 2017, erdapa nilai ekspor non migas sekor perindusrian yang mengalami kenaikan yaiu pada bulan April dan Juni Hasil perbandingan nilai ekspor non migas sekor perindusrian ahun 2016 dengan 2017 yang dapa diliha pada Tabel 4.6 yang menunjukkan bahwa hasil nilai ramalan ekspor non migas sekor perindusrian pada ahun 2017 yang didapakan sesuai dengan Persamaan (2.23) dengan menggunakan model ARIMA ([1,2,3,9],1,0), nilai ekspor non migas sekor perindusrian di Jawa Timur yang paling rendah diprediksi erjadi pada bulan Februari 2017, sedangkan yang paling inggi diperkirakan erjadi pada bulan April Berbeda dengan ahun 2016, ekspor non migas sekor perindusrian yang paling inggi erjadi pada bulan Februari 2016, sedangkan yang paling rendah erjadi pada bulan Juli Nilai ramalan oal ekspor non migas sekor perindusrian di Jawa Timur yaiu pada ahun 2017 mengalami penurunan sebesar $ 321,95 Jua aau sebesar 1,957 % dari sau ahun sebelumnya.

57 Ekspor Non Migas Sekor Perindusrian (jua $) 39 Tabel 4.6 Perbandingan Ekspor non Migas Sekor Perindusrian Tahun 2016 dan 2017 Bulan Tahun 2016 Tahun 2017 Januari 1186, ,97 Februari 1682, ,04 Mare 1626, ,31 April 1453, ,61 Mei 1527, ,77 Juni 1519, ,64 Juli 952, ,32 Agusus 1349, ,98 Sepember 1182, ,62 Okober 1211, ,76 November 1430, ,49 Desember 1322, ,79 Perbandingan anara kenaikan dan penurunan ekspor non migas sekor perindusrian di Jawa Timur dengan sau ahun sebelumnya dapa diliha pada Gambar Gambar 4.11 Ekspor non Migas Sekor Perindusrian Tahun 2016 dan 2017 Gambar 4.11 menunjukkan nilai ramalan ekspor non migas sekor perindusrian di Jawa Timur pada ahun 2017 dibandingkan dengan sau ahun sebelumnya yaiu ahun Dari grafik ersebu dapa dikeahui bahwa besarnya ekspor non migas sekor perindusrian pada ahun 2017 secara umum mengalami

58 penurunan sebesar 1,957% dari ahun 2016, kenaikan ekspor non migas sekor perindusrian yang inggi erjadi pada bulan Juli. 40

59 41 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan analisis dan pembahasan yang elah dilakukan, didapakan sebuah kesimpulan sebagai beriku. 1. Model erbaik dari ekspor non migas sekor perindusrian di Jawa Timur yaiu ARIMA ([1,2,3,9]1,0) dengan persamaan model : Z Z1 0,54962Z 1 0,59462Z 2 0,38060Z 2 0, 38060Z 3 0,24176Z 3 0,24176Z 4 0,22294Z 9 0, 22294Z 10 a Persamaan model diaas menunjukkan bahwa peramalan ekspor non migas sekor perindusrian di Jawa Timur dipengaruhi oleh nilai ekspor non migas sekor indusri pada 1 bulan, 2 bulan, 3 bulan, 4 bulan, 9 bulan dan 10 bulan sebelumnya. 2. Ekspor non migas sekor perindusrian yang paling inggi erjadi pada bulan April 2017, sedangkan nilai peramalan yang paling rendah erjadi pada bulan Februari Ekspor non migas sekor perindusrian mengalami penurunan sebesar 1,957% dibandingkan dengan sau ahun sebelumnya. 5.2 Saran Saran unuk Pemerinah Provinsi Jawa Timur seelah mengeahui prediksi nilai ekspor non migas sekor perindusrian unuk periode ke depan adalah : 1. Mempersiapkan pasokan barang-barang ujuan ekspor, khususnya dalam bidang indusri unuk mencegah adanya defisi pada periode yang diramalkan memiliki nilai yang inggi. 2. Memperhaikan periode yang mempunyai nilai ramalan rendah supaya barang yang dikirim idak erlalu berlebihan.

60 (Halaman Ini Sengaja Dikosongkan) 42

61 43 DAFTAR PUSTAKA Badan Pusa Saisik. (2016). Saisik Ekspor Jawa Timur Tahun Surabaya : BPS Provinsi Jawa Timur. Cynhia, Ari. (2015). Analisis Perbandingan Menggunakan ARIMA dan Boosrap pada Peramalan Nilai Ekspor Indonesia. Semarang : Universias Negeri Semarang. Cryer, J. D., & Chan, K. S. (2008). Time Series Analysis wih Applicaion in R. New York: Springer. Daniel, W. W. (1989). In Saisika Non Paramerik. Dierjemahkan oleh: Alex Tri Kanjono W. Jakara: PT. Gramedia Pusaka Uama. Dinas Perdagangan dan Perindusrian. (2011). Pelaksanaan Kebijakan Pembangunan Indusri Jawa Timur. Surabaya : Forum Komunikasi Perencanaan Indusri. Gooijer, J. D., & Hyndman, R. J. (2006). 25 Years of Time Series Forecasing. Inernaional Journal of Forecasing vol. 22 no Kemenerian Koordinaor Bidang Perekonomian. (2011). Maserplan Percepaan dan Perluasan Pembangunan Ekonomi Indonesia. Jakara: IndoPacific Edelman. Lahifah. (2011). Peramalan Ekspor Non Migas Indonesia. Surabaya : Insiu Teknologi Sepuluh Nopember. Makridakis, S., Wheelwrigh, S. C., & McGEE, V. E. (1999). Meode dan Aplikasi Peramalan Jilid 1. Dierjemahkan oleh: Ir. Hari Sumino. Jakara: Binarupa Aksara Publisher. Maryono, Risa F.R. (2005). Peramalan Daa Ekspor Non Migas dengan Pendekaan Meode ARIMA Box-Jenkins unuk Meramalkan Ekspor Non Migas di Jawa Tengah. Semarang : Universias Diponegoro. Wei, W. W. (2006). Time Series Analysis Univaria and Mulivaria Mehods. Canada: Addision Wesley Publishing Company.

62 (Halaman Ini Sengaja Dikosongkan) 44

63 LAMPIRAN Lampiran A. Daa Analisis Lampiran A1.Daa Nilai Ekspor Non Migas Sekor Perindusrian (Jua $). Bulan Tahun Januari 634,60 981, , ,53 Februari 582,50 854, , ,69 Mare 625, , , ,60 April 639,80 963, , ,00 Mei 609,70 765, , ,02 Juni 695,00 908, , ,08 Juli 440,40 879, , ,86 Agusus 719,30 990, ,60 998,06 Sepember 779,00 784, , ,67 Okober 1.191, , , ,55 November 819, , , ,16 Desember 987, , , ,63 45

64 46 Lampiran A2. Daa Nilai Ekspor Non Migas Sekor Perindusrian (Jua $). Bulan Tahun Januari 1.108, , , ,79 Februari 1.181, , , ,66 Mare 1.087, , , ,04 April 1.139, , , ,43 Mei 1.142, , , ,11 Juni 1.044, , , ,19 Juli 1.128, ,43 885,25 952,49 Agusus 926, , , ,42 Sepember 1.210, , , ,05 Okober 1.255, , , ,09 November 1.210, , , ,93 Desember 1.304, , , ,05

65 Lampiran A3. Sura Keerangan Pengambilan Daa 47

66 Lampiran A4. Sura Pernyaaan Kevalidan Daa 48

67 49 Lampiran B. Oupu Miniab Auocorrelaion Funcion Lampiran B1. Oupu Miniab Auocorrelaion Funcion sebelum differencing Auocorrelaion Funcion: Akual In Sample Lag ACF T LBQ 1 0, ,56 44,56 2 0, ,08 79,81 3 0, ,27 111,83 4 0, ,80 141,67 5 0, ,98 159,64 6 0, ,58 172,25 7 0, ,39 182,75 8 0, ,15 190,31 9 0, ,77 193, , ,07 200, , ,85 205, , ,93 211, , ,72 214, , ,67 218, , ,69 221, , ,42 222, , ,22 223, , ,10 223, , ,07 223, , ,28 223, , ,64 227, , ,59 230, , ,44 231, , ,59 234, , ,37 235, , ,60 239, , ,40 240, , ,23 241, , ,19 241, , ,11 241, , ,01 241, , ,01 241, , ,08 241, , ,02 241, , ,40 243, , ,12 243, , ,20 244, , ,21 244, , ,19 245, , ,08 245, , ,11 245, , ,00 245, , ,14 245,72

68 50 Lampiran B2. Oupu Miniab Auocorrelaion Funcion Sebelum Differencing(Lanjuan) 44-0, ,44 248, , ,25 249, , ,21 249, , ,11 250, , ,20 250, , ,22 251, , ,24 252, , ,43 255, , ,50 259, , ,53 264, , ,70 273, , ,90 289, , ,98 308, , ,03 331, , ,01 355, , ,11 385, , ,95 409, , ,90 432, , ,76 449, , ,75 467, , ,67 482, , ,57 494, , ,45 501, , ,49 511, , ,48 521, , ,56 536, , ,41 544, , ,39 552, , ,30 558, , ,36 566, , ,28 572, , ,21 575, , ,09 576, , ,01 576, , ,03 576, , ,05 576, , ,03 576, , ,00 576, , ,03 577, , ,01 577,32

69 51 Lampiran B3. Oupu Miniab Auocorrelaion Funcion sesudah differencing MTB > ACF 'Diff'; SUBC> Lags 84. Auocorrelaion Funcion: Diff Lag ACF T LBQ 1-0, ,63 13,67 2-0, ,68 14,32 3-0, ,13 14,34 4 0, ,57 17,88 5-0, ,76 18,76 6-0, ,92 20,10 7 0, ,65 20,80 8 0, ,63 21,47 9-0, ,87 27, , ,31 30, , ,80 31, , ,96 33, , ,68 34, , ,02 34, , ,88 36, , ,44 36, , ,12 37, , ,17 37, , ,24 37, , ,23 37, , ,06 40, , ,30 40, , ,28 44, , ,34 49, , ,38 55, , ,06 58, , ,40 59, , ,15 59, , ,17 59, , ,02 59, , ,20 59, , ,28 59, , ,58 61, , ,18 66, , ,75 78, , ,13 84, , ,48 85, , ,17 85, , ,66 88, , ,53 89, , ,44 90, , ,72 93,26

70 52 Lampira B4. Oupu Miniab Auocorrelaion Funcion sesudah differencing (Lanjuan) MTB > ACF 'Diff'; SUBC> Lags 84. Auocorrelaion Funcion: Diff Lag ACF T LBQ 43 0, ,24 93, , ,05 99, , ,22 100, , ,12 100, , ,50 101, , ,30 102, , ,13 102, , ,36 103, , ,28 104, , ,13 104, , ,32 105, , ,17 105, , ,56 107, , ,26 108, , ,18 108, , ,25 109, , ,64 113, , ,44 115, , ,27 116, , ,34 117, , ,34 119, , ,06 119, , ,08 119, , ,19 119, , ,22 120, , ,36 122, , ,60 128, , ,20 129, , ,22 130, , ,51 136, , ,35 139, , ,05 139, , ,11 139, , ,08 140, , ,03 140, , ,02 140, , ,01 140, , ,01 140, , ,02 140, , ,00 140,20

71 53 Lampiran C. Oupu Miniab Parial Auocorrelaion Funcion Lampiran C1.Oupu Miniab Parial Auocorrelaion Funcion sesudah differencing Parial Auocorrelaion Funcion: Akual In Sample Lag PACF T 1 0, ,56 2 0, ,26 3 0, ,63 4 0, ,15 5-0, ,48 6-0, ,66 7 0, ,07 8-0, ,17 9-0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,26

72 54 Lampiran C2. Oupu Miniab Parial Auocorrelaion Funcion (Lanjuan) 44 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,28

73 55 Lampiran D. Sinax SAS Pengujian Dickey Fuller Lampiran D1. Synax SAS Pengujian Dickey Fuller Sebelum Differencing daa indusri; inpu y; daalines; 634,60 582,50 625,40 639,80 609,70 695,00 440,40 719,30 779, , , , ,06 885, , , , , ,93 ; daa indusri; se indusri; y1=lag1(y); yd=y-y1; run; proc reg daa=indusri; model yd=y1/noin; run;

74 56 Lampiran D2. Synax SAS Pengujian Dickey Fuller Seelah Differencing daa indusri; inpu y; daalines; * -52,10 42,90 14,40-30,10 85,30-254,60 278,90 59,70 412, ,91-51,95-417,81 297,84 29,97 6,06-158,58 27,39 ; daa indusri; se indusri; y1=lag1(y); yd=y-y1; run; proc reg daa=indusri; model yd=y1/noin; run;

75 57 Lampiran E. Oupu SAS Hasil Pengujian Dickey Fuller Lampiran E1. Oupu SAS Pengujian Dickey Fuller Sebelum Differencing Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model Error Uncorreced Toal Roo MSE R-Square Dependen Mean Adj R-Sq Coeff Var Parameer Esimaes Parameer Sandard Variable DF Esimae Error Value Pr > y

76 58 Lampiran E2. Oupu SAS Pengujian Dickey Fuller Seelah Differencing Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model <.0001 Error Uncorreced Toal Roo MSE R-Square Dependen Mean Adj R-Sq Coeff Var Parameer Esimaes Parameer Sandard Variable DF Esimae Error Value Pr > y <.0001

77 59 Lampiran F. Perhiungan Manual rmse dan smape Lampiran F1. Perhiungan Manual rmse Model ARIMA (2,1,0) Ramalan Akual Ou Ou Sample Sample Z Zˆ Z 2 Z 1128, ,93-40, , , ,66 565, ,3 1112, ,04 513, ,2 1115, ,43 338, ,1 1115, ,11 411, ,2 1115, ,19 404, ,2 1115,06 952,49-162, , ,42 234, , , ,05 66, , , ,09 95, , , ,93 315, , , ,05 206, ,02 MSE ,1 rmse 325,2739

78 60 Lampiran F2. Perhiungan Manual smape Model ARIMA (2,1,0) Ramalan Akual Z Zˆ Ou Ou Z Zˆ Z Zˆ Z Zˆ / 2 1/ 2 Z Zˆ Sample Sample 1128, ,93 40, , ,39 0, , ,66 565, , ,04 0, , ,04 513, , ,235 0, , ,43 338, , ,305 0, , ,11 411, , ,34 0, , ,19 404, , ,115 0, ,06 952,49 162, , ,775 0, , ,42 234, , ,285 0, , ,05 66, , ,59 0, , ,09 95, , ,105 0, , ,93 315, , ,025 0, , ,05 206, , ,585 0, smape 21,965

79 61 Lampiran F3. Perhiungan Manual rmse Model ARIMA (0,1,1) Ramalan Akual Ou Ou Sample Sample Z Zˆ Z ˆ 2 Z 1117,9 1087,93-29,97 898, ,9 1682,66 564, ,9 1117,9 1626,04 508, ,3 1117,9 1453,43 335, ,4 1117,9 1527,11 409, ,8 1117,9 1519,19 401, ,7 1117,9 952,49-165, , ,9 1349,42 231, , ,9 1182,05 64, , ,9 1211,09 93, , ,9 1430,93 313, , ,9 1322,05 204, ,22 MSE ,3 rmse 323,0779

80 62 Lampiran F4. Perhiungan Manual smape Model ARIMA (0,1,1) Ramalan Akual Z Zˆ Ou Ou Z Zˆ Z Zˆ Z Zˆ / 2 1/ 2 Z Zˆ Sample Sample 1117,9 1087,93 29, , ,915 0, ,9 1682,66 564, , ,28 0, ,9 1626,04 508, , ,97 0, ,9 1453,43 335, , ,665 0, ,9 1527,11 409, , ,505 0, ,9 1519,19 401, , ,545 0, ,9 952,49 165, , ,195 0, ,9 1349,42 231, , ,66 0, ,9 1182,05 64, , ,975 0, ,9 1211,09 93, , ,495 0, ,9 1430,93 313, , ,415 0, ,9 1322,05 204, , ,975 0, smape 21,432

81 63 Lampiran F5. Perhiungan Manual rmse Model ARIMA ([1,2,3,9],1,0) Ramalan Akual Ou Ou Sample Sample Z Zˆ Z ˆ 2 Z 1107, ,93-19,3 372, , ,66 544, ,4 1106, ,04 519, ,1 1193, ,43 260, ,8 1073, ,11 453, ,6 1126, ,19 392, ,8 1117,62 952,49-165, , , ,42 183, , ,6 1182,05 70, , , ,09 82, , , ,93 309, , , ,05 180, ,64 MSE 99558,44 rmse 315,5288

82 64 Lampiran F6. Perhiungan Manual MAPE Model ARIMA ([1,2,3,9],1,0) Ramalan Akual Z Zˆ Ou Ou Z Zˆ Z Zˆ Z Zˆ / 2 1/ 2 Z Zˆ Sample Sample 1107, ,93 19,3 2195, ,58 0, , ,66 544, , ,505 0, , ,04 519, , ,46 0, , ,43 260, , ,41 0, , ,11 453, ,4 1300,2 0, , ,19 392, , ,025 0, ,62 952,49 165, , ,055 0, , ,42 183, , ,705 0, ,6 1182,05 70, , ,825 0, , ,09 82, , ,88 0, , ,93 309, , ,275 0, , ,05 180,8 2463,3 1231,65 0, smape 20,432

83 65 Lampiran F7. Perhiungan Manual rmse Model ARIMA (3,1,0) Ramalan Akual Ou Ou Sample Sample Z Zˆ Z ˆ 2 Z 1130, ,93-42, , , ,66 553, ,3 1100, ,04 525, , ,43 342, ,6 1117, ,11 409, ,9 1115, ,19 403, ,6 1110,63 952,49-158, , , ,42 235, , , ,05 67, , , ,09 97, , , ,93 317, ,1 1113, ,05 208, ,22 MSE ,8 rmse 325,5192

84 66 Lampiran F8. Perhiungan Manual MAPE Model ARIMA (3,1,0) Ramalan Akual Z Zˆ Ou Ou Z Zˆ Z Zˆ Z Zˆ / 2 1/ 2 Z Zˆ Sample Sample 1130, ,93 42, , ,16 0, , ,66 553, , ,905 0, , ,04 525, ,1 1363,05 0, , ,43 342, , ,355 0, , ,11 409, , ,475 0, , ,19 403, , ,28 0, ,63 952,49 158, , ,56 0, , ,42 235, , ,58 0, , ,05 67, , ,255 0, , ,09 97, , ,38 0, , ,93 317, , ,97 0, , ,05 208, , ,89 0,17105 smape 21,742

85 67 Lampiran G. Synax SAS Pengujian Model ARIMA Lampiran G1. Synax SAS Model ARIMA (0,1,1) daa indusri; inpu y; daalines; 634,60 582,50 625,40 639,80 609,70 695,00 440,40 719,30 779, , , ,06 885, , , , , ,93 ; proc arima daa=indusri; idenify var=y(1); esimae p=(0) q=(1) noconsan mehod=cls WHITENOISE=IGNOREMISS; forecas ou=ramalan lead=12; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

86 68 Lampiran G2. Synax SAS Model ARIMA (2,1,0) daa indusri; inpu y; daalines; 634,60 582,50 625,40 639,80 609,70 695,00 440,40 719,30 779, , , ,06 885, , , , , ,93 ; proc arima daa=indusri; idenify var=y(1); esimae p=(1,2) q=(0) noconsan mehod=cls WHITENOISE=IGNOREMISS; forecas ou=ramalan lead=12; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

87 69 Lampiran G3. Synax SAS Model ARIMA (3,1,0) daa indusri; inpu y; daalines; ; proc arima daa=indusri; idenify var=y(1); esimae p=(1,2,3) q=(0) noconsan mehod=cls WHITENOISE=IGNOREMISS; forecas ou=ramalan lead=12; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

88 70 Lampiran G4. Synax SAS Model ARIMA ([1,2,3,9],1,0) daa indusri; inpu y; daalines; 634,60 582,50 625,40 639,80 609,70 695,00 440,40 719,30 779, , , ,06 885, , , , , ,93 ; proc arima daa=indusri; idenify var=y(1); esimae p=(1,2,3,9) q=(0) noconsan mehod=cls WHITENOISE=IGNOREMISS; forecas ou=ramalan lead=12; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

89 71 Lampiran G5. Synax SAS Model ARIMA (2,1,1) daa indusri; inpu y; daalines; 634,60 582,50 625,40 639,80 609,70 695,00 440,40 719,30 779, , , ,06 885, , , , , ,93 ; proc arima daa=indusri; idenify var=y(1); esimae p=(1,2) q=(1) noconsan mehod=cls WHITENOISE=IGNOREMISS; forecas ou=ramalan lead=12; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

90 72 Lampiran G6. Synax SAS Model ARIMA (3,1,1) daa indusri; inpu y; daalines; 634,60 582,50 625,40 639,80 609,70 695,00 440,40 719,30 779, , , ,06 885, , , , , ,93 ; proc arima daa=indusri; idenify var=y(1); esimae p=(1,2,3) q=(1) noconsan mehod=cls WHITENOISE=IGNOREMISS; forecas ou=ramalan lead=12; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

91 73 Lampiran G7. Synax SAS ARIMA ([1,2,3,9],1,1) daa indusri; inpu y; daalines; 634,60 582,50 625,40 639,80 609,70 695,00 440,40 719,30 779, , , ,06 885, , , , , ,93 ; proc arima daa=indusri; idenify var=y(1); esimae p=(1,2,3,9) q=(1) noconsan mehod=cls WHITENOISE=IGNOREMISS; forecas ou=ramalan lead=12; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

92 74 Lampiran G8. Synax SAS Model ARIMA ([1,2,3,9,22],1,1) daa indusri; inpu y; daalines; 634,60 582,50 625,40 639,80 609,70 695,00 440,40 719,30 779, , , ,06 885, , , , , ,93 ; proc arima daa=indusri; idenify var=y(1); esimae p=(1,2,3,9,22) q=(1) noconsan mehod=cls WHITENOISE=IGNOREMISS; forecas ou=ramalan lead=12; proc prin daa=ramalan; run; proc univariae daa=ramalan normal; var residual; run;

93 75 Lampiran H. Oupu SAS Pengujian Model ARIMA Lampiran H1. Oupu SAS Pengujian Model ARIMA (0,1,1) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < Variance Esimae Sd Error Esimae AIC SBC Number of Residuals 83 * 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 > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq

94 76 Lampiran H2. Oupu SAS Pengujian Model ARIMA (2,1,0) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, Variance Esimae Sd Error Esimae AIC SBC Number of Residuals 83 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

95 77 Lampiran H3. Oupu SAS Pengujian Model ARIMA (3,1,0) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, AR1, Variance Esimae Sd Error Esimae AIC SBC 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

96 78 Lampiran H4. Oupu SAS Pengujian Model ARIMA ([1,2,3,9],1,0) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, AR1, AR1, Variance Esimae Sd Error Esimae AIC SBC Number of Residuals 83 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

97 79 Lampiran H5. Oupu SAS Pengujian Model ARIMA ([1,2,3,9,22],1,0) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag AR1, < AR1, AR1, AR1, AR1, Variance Esimae Sd Error Esimae AIC SBC Number of Residuals 83 * 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 > Cramer-von Mises W-Sq Pr > W-Sq Anderson-Darling A-Sq Pr > A-Sq

98 80 Lampiran H6. 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 Sd Error Esimae AIC SBC 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

99 81 Lampiran H7. Oupu SAS Pengujian Model ARIMA (3,1,1) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, AR1, AR1, AR1, Variance Esimae Sd Error Esimae AIC SBC Number of Residuals 83 * 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 > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq >0.2500

100 82 Lampiran H8. Oupu SAS Pengujian Model ARIMA ([1,2,3,9],1,1) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, AR1, AR1, AR1, AR1, Variance Esimae Sd Error Esimae AIC SBC Number of Residuals 83 * 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 > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq

101 83 Lampiran H9. Oupu SAS Pengujian Model ARIMA ([1,2,3,9,22],1,1) Condiional Leas Squares Esimaion Sandard Approx Parameer Esimae Error Value Pr > Lag MA1, < AR1, < AR1, AR1, AR1, AR1, Variance Esimae Sd Error Esimae AIC SBC Number of Residuals 83 * 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 > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq

102 84 BIODATA PENULIS Penulis Bernama Lengkap MOHAMMAD FARIQ yang lahir pada anggal 25 Juni 1996 di Kabupaen Lamongan sebagai anak keujuh dari ujuh bersaudara dari pasangan Bapak Kasenan dan Ibu Samsum. Penulis berempa inggal di Dusun Karanganom Kulon RT 01/RW 01 Desa Karanganom Kecamaan karanbinangun Kabupaen lamongan. Pendidikan formal yang diempuh penulis yaiu TK Rohmaul Ummah Karangbinangun, MI Rohmaul Ummah Karangbinangun, MTS Rohmaul Ummah Karangbinangun dan MAN Lamongan, Pada ahun 2014 penulis dierima di Program Sudi Diploma III Jurusan Saisika ITS melalui jalur seleksi reguler Program Diploma III dengan NRP Selama perkuliahan penulis akif dalam berbagai organisasi anara lain Saff Deparemen Rise dan Teknologi Himpunan Mahasiswa Diploma Saisika periode 2015/2016, Saff Deparemen Dalam Negeri UKM Cina Rebana ITS, Member Klub Keilmiahan ITS. Selama perkuliahan juga akif dalam berbagai even yang ada di ITS, selain iu selama perkuliahan juga berperan akif dalam kegiaan pembelajaran sebagai asisen dosen maa kuliah Meode Regresi, Rise Pemasaran dan Meode Mulivaria Terapan, apabila pembaca memiliki kriik dan saran aau ingin berdiskusi lebih lanju mengenai ugas akhir ini, dapa dihubungi melalui