Home >Business >Tugas Akhir Indra Herlangga (1305030029)

Tugas Akhir Indra Herlangga (1305030029)

Date post:19-Oct-2014
Category:
View:7,510 times
Download:5 times
Share this document with a friend
Description:
 
Transcript:

ALL

!" #

$ " #%&$ " #%%#%'& #%%#% ()" ) (*() (%)#+()(*+ #(,-

.

#(+/ !" #

$ " %" %$ 0#%%#%1#%" %#%%#%1# 2(),$ 0" * 23()#22#+()(*+ ($ 0%2*),

#(,-

LEMBAR PENGESAHAN

PERAMALAN HASIL PENANGKAPAN IKAN KONSUMSI AIR TAWAR DI KABUPATEN MOJOKERTO DENGAN METODE

ARIMA BOX-JENKINS

LAPORAN TUGAS AKHIR

Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan Di Program Studi Diploma Tiga Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember Surabaya

Oleh : INDRA HERLANGGA

NRP 1305 030 029

Disetujui oleh Pembimbing Tugas Akhir :

Dra. Kartika Fitriasari, M.Si. ( ) NIP. 132 061 809

Mengetahui Ketua Jurusan Statistika FMIPA-ITS

Dr. Sony Sunaryo, MSi NIP. 131 843 380

SURABAYA, JUNI 2008

KATA PENGANTAR

Syukur Alhamdulillah penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat, taufiq dan hidayah-Nya. Sehingga penulis dapat menyelesaikan Laporan Tugas Akhir dengan judul Peramalan Hasil Penangkapan Ikan Konsumsi Air Tawar Di Kabupaten Mojokerto Dengan Metode Arima Box-Jenkins. Keberhasilan dalam penyusunan laporan akhir ini tidak terlepas dari bantuan banyak pihak. Penulis menyampaikan terima kasih yang sebesar-besarnya kepada semua pihak yang telah memberikan dukungan, bimbingan, petunjuk dan juga saran selama penyusunan laporan tugas akhir ini, antara lain kepada :

1. Bapak Dr. Sonny Sunaryo, M.Si selaku Ketua Jurusan Statistika FMIPA ITS Surabaya.

2. Ibu Dra. Kartika Fitriasari, M.Si selaku dosen pembimbing yang telah meluangkan waktu untuk memberi bimbingan, nasihat serta saran.

3. Ibu Ir. Mutiah Salamah, M.Kes selaku Koordinator Tugas Akhir Jurusan Statistika ITS Surabaya.

4. Bapak, Ibu, kakak dan adik yang selalu memberikan motivasi, dukungan, kasih sayang dan doa.

5. Terima kasihku untuk Ad-q yang selalu memarahi, menemani, memberi dukungan moral, motivasi dan doa.

6. Teman-teman angkatan D3 Statistika 2005, terimakasih atas dukungan serta bantuannya.

7. Staff dosen dan karyawan jurusan yang telah banyak membantu penulis selama kuliah di D3 Statistika ITS Penulis menyadari dalam pembuatan laporan tugas akhir

ini masih jauh dari kesempurnaan, untuk itu kritik serta saran sangat penulis harapkan perbaikan dan kesempurnaan. Semoga laporan tugas akhir ini bermanfaat bagi pembaca.

Surabaya, Juni 2008

Penulis

PERAMALAN HASIL PENANGKAPAN IKAN KONSUMSI AIR TAWAR DI KABUPATEN MOJOKERTO DENGAN

METODE ARIMA BOX-JENKINS

Nama Mahasiswa : Indra Herlangga Nrp : 1305.030.029 Program : Dipl. III Statistika FMIPA-ITS Dosen Pembimbing : Dra. Kartika Fitriasari, M.Si

Abstrak Indonesia merupakan negara dengan sumber daya perairan

yang sangat melimpah. Perikanan adalah salah satu hasil dari sektor perairan yang selama ini mulai dikembangkan pemerintah. Di bidang perikanan banyak sekali kendala-kendala yang dihadapi oleh pemerin-tah baik dalam kegiatan pemberdayaan dan pengelolaannya. Dalam hal ini pemerintah membentuk suatu instansi negeri pemerintah untuk mengelola sektor perikanan Indonesia yaitu Dinas Peternakan dan Pe-rikanan Indonesia. Dalam penelitian ini difokuskan terhadap hasil penangkapan ikan konsumsi air tawar di Mojokerto yang saat ini berkembang sangat dinamis. Jenis ikan konsumsi yang akan dianalisis adalah jenis ikan konsumsi air tawar yang banyak dikonsumsi dan menjadi permintaan terbanyak masyarakat di Mojokerto yaitu ikan tawes, nila, dan lele. Oleh karena itu untuk mengetahui perkembangan hasil penangkapan ikan air tawar digunakan suatu model peramalan berdasarkan data masa lalu, yaitu model time series. Berdasarkan penelitian terhadap data penangkapan tiap jenis ikan yang telah dilakukan diperoleh model peramalan untuk data penangkapan ikan tawes pada periode bulan Januari 2002 sampai dengan Desember 2007 didapatkan suatu model yang terbaik adalah ARIMA (0 1 0)12. Sedangkan untuk data penangkapan ikan nila pada periode yang sama didapatkan model yang terbaik adalah ARIMA (1 1 0)12 dan untuk data penangkapan ikan lele pada periode yang sama didapatkan model terbaik yaitu ARIMA (0 1 0)12.

Kata Kunci : Penangkapan Ikan, Time Series, ARIMA

FORECASTING OF CONSUMPTION FISH IN MOJOKERTO

BY USING ARIMA BOX-JENKINS METHOD

Name : Indra Herlangga Nrp : 1305.030.029 Programe : Diploma III Statistika FMIPA-ITS Supervisor : Dra. Kartika Fitriasari, M.Si

Abstract Indonesia is a country with a real abundance water territory

resource. Fishery is one of results from water territory sector which recently developed by government. In fishery area, a lot of constraints faced by good government in the enable activity and management. In this case governmental formed an institution of government country to manage Indonesia fishery sector that is Dinas Peternakan dan Perikanan Indonesia. In this research focused to result of arrest of consumption fish of freshwater in Mojokerto which now grows very dynamic. Consumption fish which will be analysed is type of freshwater which many consumed and become request by public in Mojokerto that is tawes, nila, and lele. Therefore to know development result of arrest of bream is applied by a forecasting model based on past data, that is model time series. Based on research to data every fish type which has been done obtained forecasting at period of January 2002 up to December 2007. The result shows that the best ARIMA model of tawes is ARIMA (0 1 0)12. Than the best arima model of nila is ARIMA (1 1 0)12 and than the best ARIMA model of lele is ARIMA (0 1 0)12.

Keyword : Fish arrest, Time Series, ARIMA

DAFTAR ISI

Judul halaman HALAMAN JUDUL................................................................ i LEMBAR PENGESAHAN.....................................................iii ABSTRAK............................................................................... iv ABSTRACT............................................................................. v KATA PENGANTAR............................................................. vi DAFTAR ISI............................................................................ vii DAFTAR GAMBAR............................................................... ix DAFTAR TABEL.................................................................... x

BAB I PENDAHULUAN 1.1 Latar Belakang...................................................... 1 1.2 Permasalahan ................................................. 2 1.3 Tujuan................................................................... 3 1.4 Manfaat................................................................ 3 1.3Batasan Masalah................................................... 3

BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Statistika .............................................. 5 2.1.1 Metode Time Series........................................5 2.1.2 Model Time Series.......................................... 7 2.1.3 Identifikasi Model ARIMA Box-Jenkins Dan Pemeriksaan Parameter. 9 2.1.4 Pengujian Asumsi Residual 11 2.1.5 Pemilihan Model Terbaik... 12 2.2 Tinjauan Non Statistika ............ 14 2.2.1 Perikanan. 14 2.2.2 Perikanan Tangkap.. 14 2.2.3 Penangkapan Ikan... 14 2.2.4 Perairan Umum (Air Tawar)... 15

BAB III METODOLOGI PENELITIAN 3.1 Sumber Data..........................................................17 3.2 Metode Pengukuran Variabel Penelitian.............. 17 3.3 Metode Analisis.................................................... 18 3.4 Diagram Langkah Penelitian............... ................. 20

BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Time Series............................................. 21 4.2 Peramalan Data Penangkapan Jenis Ikan Tawes.. 21 4.2.1 Identifikasi Model Untuk Data Penangkapan

Ikan Tawes..................................................... 21 4.3 Peramalan Data Penangkapan Jenis Ikan Nila..... 28 4.3.1 Identifikasi Model Untuk Data Penangkapan Ikan Nila......................................................... 28 4.4 Peramalan Data Penangkapan Jenis Ikan Lele...... 35 4.4.1 Identifikasi Model Untuk Data Penangkapan Ikan Lele........................................................ 35

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan........................................................... 43 5.2 Saran..................................................................... 44

DAFTAR PUSTAKA LAMPIRAN

DAFTAR TABEL

Tabel 2.1 Transformasi Box-Cox................................................ 6 Tabel 2.2 Kriteria ACF dan PACF pada model ARIMA ....... . .. 9 Tabel 4.1 Signifikansi Model Musiman Tawes ..................... . 24 Tabel 4.2 Uji Ljung-Box Model Musiman Tawes. ................ . 24 Tabel 4.3 Uji Kenormalan Model Musiman Tawes. .............. . 24 Tabel 4.4 Uji Asumsi white noise Differencing musiman . ... . 25 Tabel 4.5 Uji Asumsi Normal Differencing Musiman . ......... . 25 Tabel 4.6 Nilai AIC model Tawes ......................................... . 26 Tabel 4.7 Kriteria Out Sampel Data Ikan Tawes model . ...... . 26 Tabel 4.8 Estimasi nilai konstan Model ARIMA Tawes . ..... . 27 Tabel 4.9 Peramalan 12 Bulan Kedepan Untuk Penangkapan

Ikan Tawes . . 27 Tabel 4.10 Hasil Uji Parameter Data Jenis Ikan Nila .............. . 32 Tabel 4.11 Hasil Uji Box Pierce (Ljung Box) Chi-Square Data Ikan Nila ........................................................ . 32 Tabel 4.12 Pemeriksaan Kenormalan Data Jenis Ikan Nila...... 33 Tabel 4.13 Kriteria Out Sampel Data Penangkapan Ikan Nila . 34 Tabel 4.14 Peramalan 12 Bulan Kedepan Untuk Penangkapan

Ikan Nila..................................................................34 Tabel 4.15 Signifikansi Model Musiman Lele ....................... . 37 Tabel 4.16 Uji Ljung-Box Model Musiman Lele. .................. . 38 Tabel 4.17 Uji Kenormalan Model Musiman Lele. ................ . 38 Tabel 4.18 Uji Asumsi white noise Differencing musiman lele 39 Tabel 4.19 Uji Asumsi Normal Differencing Musiman lele... . 39 Tabel 4.20 Nilai AIC model lele. ............................................ . 40 Tabel 4.21 Kriteria Out Sampel Data Ikan Lele model............. 40 Tabel 4.22 Estimasi nilai Konstan Model ARIMA Lele ........ . 40 Tabel 4.23 Peramalan 12 Bulan Kedepan Untuk Penangkapan

Ikan Lele .............................................................. . 41

DAFTAR GAMBAR

Gambar 3.1 Diagram langkah penelitian ................................... 20 Gambar 4.1 Plot Time Series Data Ikan Tawes....................... . 21 Gambar 4.2 Plot Differencing Musiman Data Penangkapan Ikan Tawes....... ...................................................... 22 Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan

Tawes .......................................................................23 Gambar 4.4 PACF Plot Data Differencing Penangkapan Ikan

Tawes............... ...................................................... 23 Gambar 4.5 Time Series Data Penangkapan Ikan Nila............ . 28 Gambar 4.6 Box-Cox Plot Data Penangkapan Ikan Nila .......... 29 Gambar 4.7 Time Series Plot Data Transformasi Penangkapan

Ikan Nila..................................................................29 Gambar 4.8 Plot Differencing Musiman Data Penangkapan Ikan Nila ................................................................ 30 Gambar 4.9 ACF Plot Data Musiman Penangkapan Ikan Nila 31 Gambar 4.10 PACF Plot Musiman Penangkapan Ikan Nila ..... 31 Gambar 4.11 Plot Time Series Data Penangkapan Ikan lele...... 35 Gambar 4.12 Plot Differencing Musiman Data Penangkapan Ikan lele. .................................................................36 Gambar 4.13 ACF Plot Data Differencing Penangkapan Ikan

Lele................... ................................................... 36 Gambar 4.14 PACF Plot Data Differencing Penangkapan Ikan

Lele................... ................................................... 37

Tidak seorang pun dapat kembali dan membuat suatu awal yang bagus. Siapapun dapat memulai dari sekarang dan membuat akhir yang bagus (NN)

BAB I PENDAHULUAN

BAB I PENDAHULUAN

1.1 Latar Belakang Indonesia merupakan negara dengan sumber daya perair-an yang sangat melimpah. Perikanan adalah salah satu hasil dari sektor perairan yang selama ini mulai dikembangkan pemerintah. Di bidang perikanan banyak sekali kendala-kendala yang dihada-pi oleh pemerintah baik dalam kegiatan pemberdayaan dan pe-ngelolaannya. Pemerintah membentuk suatu instansi negeri peme-rintah untuk mengelola sektor perikanan Indonesia yaitu Dinas Peternakan dan Perikanan Indonesia. Instansi ini mengelola setiap jenis perikanan di Indonesia seperti perikanan laut, perikanan umum (darat), budidaya, dan lain-lain. Instansi ini dalam kiner-janya berfungsi sebagai penyuluhan pendidikan perikanan, mana-jemen perikanan daerah, hingga penjualan yang berorientasi terhadap peningkatan devisa negara.

Penelitian ini difokuskan terhadap hasil penangkapan ikan konsumsi air tawar di Indonesia yang saat ini berkembang sangat dinamis. Hal ini menjadi acuan bagi pemerintah bagaima-na agar hasil penangkapan ikan konsumsi semakin lama semakin berkembang dengan mengetahui faktor-faktor yang mempenga-ruhinya. Ada 2 jenis ikan perairan yaitu ikan konsumsi dan ikan non konsumsi. Ikan konsumsi adalah semua jenis ikan yang dapat dikonsumsi oleh masyarakat. Sedangkan ikan non konsumsi adalah ikan yang tidak dapat dikonsumsi masyarakat dalam arti bisa untuk tujuan lain, misal ikan hias, ikan penangkaran, pakan ternak, tepung ikan, bahan pakan ikan dan lain-lain. Hasil pe-nangkapan ikan berasal dari air tawar yaitu perikanan yang basis usahanya berupa penangkapan ikan di air tawar (sungai, waduk, rawa, danau, atau genangan air lainnya). Untuk mengetahui pe-ningkatan jumlah penangkapan ikan konsumsi maka ikan dari perairan tawar yang dikelola masyarakat harus dipantau perkem-bangannya.

Adapun beberapa penelitian yang pernah dilakukan me-ngenai sektor perikanan yaitu Pola Ekspor Hasil Perikanan de-ngan menggunakan Analisis Regresi oleh Avrohandri (1993) dan Pendugaan Fungsi Produksi Ikan dalam Jaring Apung dengan menggunakan analisis Multivariat oleh Nurlatifah (1999). Peneliti mencoba menggunakan metode peramalan ARIMA Box-Jenkins sebagai salah satu alternatif solusi dalam memodel-kan peramalan hasil penangkapan ikan konsumsi air tawar untuk masa yang akan datang. Oleh karena itu untuk mengetahui per-kembangan hasil penangkapan ikan konsumsi maka digunakan suatu model peramalan berdasarkan data masa lalu, yaitu data 3 jenis ikan hasil penangkapan selama 6 tahun terakhir yang diper-oleh dari Dinas Peternakan dan Perikanan Kabupaten Mojokerto. Jenis ikan konsumsi yang akan dianalisis adalah jenis ikan kon-sumsi air tawar yang banyak dikonsumsi dan menjadi permintaan terbanyak masyarakat di Mojokerto yaitu ikan tawes, nila, dan lele. Dari penelititan ini akan didapatkan model peramalan yang mampu meramalkan hasil penangkapan ikan tiap jenis di tahun-tahun berikutnya. Metode deret waktu yang digunakan adalah untuk mera-malkan peningkatan hasil penangkapan 3 jenis ikan konsumsi menggunakan metode ARIMA Box-Jenkins dimana metode terse-but adalah salah satu metode peramalan untuk meramalkan suatu data pada periode yang akan datang dan dapat dijadikan sebagai cara dalam menentukan kemungkinan peningkatan hasil penang-kapan ikan air tawar, sehingga hasil peramalan tersebut dapat membantu Dinas Peternakan dan Perikanan Kab. Mojokerto me-nentukan kebijakan yang akan diambil dengan acuan perkem-bangan hasil penangkapan ikan konsumsi air tawar itu sendiri.

1.2 Permasalahan 1. Bagaimana menentukan model peramalan yang sesuai

dengan data 3 jenis ikan konsumsi air tawar hasil penang-kapan di Dinas Peternakan dan Perikanan Kab. Mojokerto dengan menggunakan metode ARIMA Box-Jenkins.

2. Bagaimana nilai peramalan 3 jenis ikan konsumsi air ta-war hasil penangkapan ikan bulanan untuk periode yang akan datang.

1.3 Tujuan 1. Memperoleh model peramalan yang sesuai dengan data 3

jenis ikan konsumsi air tawar hasil penangkapan ikan di Dinas Peternakan dan Perikanan Kab. Mojokerto dengan menggunakan metode ARIMA Box-Jenkins.

2. Mengetahui besarnya nilai peramalan 3 jenis ikan kon-sumsi air tawar hasil penangkapan ikan bulanan untuk pe-riode yang akan datang.

1.4 Manfaat Manfaat dari penelitian yang dilakukan adalah

memberikan gambaran mengenai perkembangan hasil penang-kapan ikan konsumsi di Dinas Peternakan dan Perikanan Kab. Mojokerto melalui analisis peramalan dengan metode ARIMA Box-Jenkins sehingga hasil peramalan tersebut dapat membantu instansi dalam menentukan kebijakan yang akan diambil dengan acuan perkembangan hasil produksi ikan konsumsi itu sendiri. Dari hasil peramalan dapat juga digunakan untuk menentukan target produksi penangkapan ikan dan menentukan target konsumsi ikan perkapita pada tahuntahun berikutnya sesuai dengan jenis ikan yang dikonsumsi.

1.5 Batasan Masalah Adapun beberapa hal yang menjadi batasan permasalahan dalam penelitian ini yaitu sebagai berikut : 1. Data yang digunakan adalah 3 jenis ikan konsumsi air tawar

yang paling banyak dikonsumsi masyarakat Mojokerto yaitu ikan tawes, nila, dan lele.

2. Data yang digunakan mulai periode Januari 2002 hingga Desember 2007 sebanyak 72 bulan.

(halaman ini sengaja dikosongkan)

Setiap orang mendengar apa yang kau katakan. Sahabat mendengar apa yang harus kau katakan. Sahabat terbaik mendengarkan apa yang kau tidak dapat katakan (Roullete)

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA

2.1 Tinjauan Statistika 2.1.1 Metode Time Series

Deret Waktu (Time series) adalah serangkaian penga-matan terhadap suatu variabel yang diambil dari waktu ke-waktu dan dicatat secara berurutan menurut urutan waktu kejadiannya dengan interval waktu yang tetap (Wei, 1990). Time series dapat juga diartikan sebagai serangkaian data yang didapatkan berdasar-kan pengamatan dari suatu kejadian pada urutan waktu terjadinya. Waktu kejadian bisa merupakan periode dalam satuan detik, me-nit, jam, hari, bulan, tahun dan periode waktu yang lainnya, se-muanya itu merupakan serangkaian data pengamatan yang dida-sarkan pada waktu kejadian dengan interval waktu tertentu yang lebih dikenal dengan time series (Cryer, 1986), dimana setiap pengamatan dinyatakan sebagai variabel random Zt yang didapat-kan berdasarkan indeks waktu tertentu (ti) sebagai urutan waktu pengamatan, sehingga penulisan data time series adalah Zt1, Zt2, Zt3, , Ztn. Dalam metode time series ada beberapa hal yang per-lu diperhatikan, yaitu kestasioneran data, fungsi autokorelasi dan fungsi autokorelasi parsial.

Stasioneritas time series merupakan suatu keadaan jika proses pembangkitan yang mendasari suatu deret berkala didasarkan pada nilai tengah konstan dan nilai varians konstan (Makridakis, Wheelwright, McGee, 1999). Dalam suatu data kemungkinan data tersebut tidak stationer hal ini dikarenakan mean tidak konstan atau variansnya tidak konstan sehingga Untuk menghilangkan ketidakstasioneran terhadap mean, maka data tersebut dapat dibuat lebih mendekati stasioner dengan cara melakukan penggunaan metode pembedaan atau differencing (Makridakis, Wheelwright, McGee, 1999).

Yt = Zt Zt-1 .................................(2.1) Dan jika data tidak stasioner dalam varians, maka dapat

distabilkan dengan menggunakan transformasi. Berikut adalah

transformasi Box-Cox (Wei, 1990) untuk beberapa nilai yang sering digunakan.

Tabel 2.1 Transformasi Box-Cox Nilai

estimasi Transformasi

-1,0 1/ Zt -0,5 1/Zt 0,0 Ln Zt 0,5 Zt 1 Zt (tidak ada transformasi)

(Sumber : Wei, 1990) Autocorrelation Function (ACF) merupakan suatu proses

korelasi pada data time series antara Zt dengan Zt+k. Plot ACF dapat digunakan untuk identifikasi model pada data time series dan melihat kestasioneran data, terutama pada kestasioneran dalam mean. fungsi autokovarians dapat dituliskan sebagai berikut: (Wei, 1990)

k = cov (Zt , Zt+k) = E (Zt- ) (Zt+k- ) ..............................(2.2) dan fungsi autokorelasi antara Zt dan Zt+k adalah :

k = )var()var(),cov(

ktt

ktt

ZZZZ

+

+ ......................................(2.3)

Sampel pengambilan data pada time series untuk fungsi autokorelasi dapat dituliskan sebagai berikut : (Wei, 1990)

=

=

+

=n

tt

kn

tktt

k

ZZ

ZZZZ

1

2

1

)(

))(( untuk k = 0,1,2,3, ................(2.4)

Plot fungsi autokorelasi parsial digunakan sebagai alat untuk mengukur tingkat keeratan antara Zt dan Zt+k dan apabila terjadi pengaruh dari lag time 1,2,3,..., dan seterusnya sampai k =

1 dianggap terpisah. Fungsi autokorelasi parsial dapat dituliskan sebagai berikut :

kk = corr (Zt, Zt+k | Zt+1, Zt+2,... Zt+k-1)........................................(2.5) Durbin dalam (Wei, 1990) memperkenalkan prosedur

tentang suatu fungsi autokorelasi parsial dalam persamaan :

kk =

=

1

1,1

1

1,1

1k

jjjk

k

jjkjkk

.........................................(2.6)

dimana : jkkkkjkkj = ,1,1 ,untuk j= 1,2, ,k-1

2.1.2 Model Time Series Proses pada time series secara umum memiliki beberapa

model, diantaranya Model AR (Autoregressive), MA (Moving Average), Model campuran ARMA (Autoregressive Moving Average), ARIMA (Autoregressive Integrated Moving Average), dan model SARIMA (Seasonal Autoregressive Integrated Moving Average). (Makridakis, Wheelwright, McGee, 1999). Model AR (Autoregressive) pada orde p menyatakan bah-wa suatu model dimana pengamatan pada waktu ke-t berhubung-an linear dengan pengamatan waktu sebelumnya t-1, t-2, t-p. Ben-tuk fungsi persamaan untuk model AR pada orde p adalah (Wei, 1990) :

tptpttt aZZZZ ++++= ...2211 ......................(2.7) Model AR pada orde 1 yaitu : ttt aZZ += 11 .............................................(2.8) Model AR pada orde 2 yaitu : tttt aZZZ ++= 2211 ............................................(2.9)

Model MA (Moving Average) pada orde q menyatakan bahwa suatu model yang merupakan suatu penyimpangan pe-ngamatan masa lalu dengan pengamatan waktu ke-t.

Bentuk fungsi persamaan untuk model MA pada orde (q) adalah (Wei, 1990) :

qtqtttt aaaaZ = ...2211 ..................(2.10) Model MA pada orde 1 yaitu : 11 = ttt aaZ .....................................................(2.11) Model MA pada orde 2 yaitu : ( ) tt aBBZ 2211 = ..........................(2.12) Model ARMA merupakan model gabungan antara model AR (autoregressive) dengan MA (Moving Average) yang kadang ditulis dengan notasi ARMA (p,q). Bentuk fungsi model ARMA pada orde p dan q adalah :

qtqttptptt aaaZZZ +++= ...... 1111 .............(2.13) Model ARMA (1,1) pada orde p =1 dan q =1 yaitu : 1111 += tttt aaZZ ........................................(2.14) Model ARIMA (p, d, q) yang dikenalkan oleh Box dan Jenkins dengan orde p sebagai operator dari AR, orde d merupakan differencing, dan orde q sebagai operator dari MA. Model ini digunakan untuk data time series yang telah di differencing atau sudah stasioner dalam mean, dimana d adalah banyaknya hasil differencing, bentuk persamaan untuk model ARIMA adalah (Wei, 1990) :

( )( ) ( ) tqtdp aBBB += 01 ........................................(2.15) Fungsi orde (p) untuk operator dari AR yang telah stasioner :

( ) ( )ppp BBB = ...1 1 ........................................(2.16) Fungsi dari orde (q) untuk operator MA yang telah stasioner :

( ) ( )qqq B = ...1 221 ....................................(2.17) Model ini dinotasikan dengan ARIMA (p, d, q) (P, D, Q)s yang mempunyai faktor musiman dalam pengamatan waktu ke-t. Bentuk fungsi persamaan model ARIMA musiman adalah :

( ) ( )( ) ( ) ( ) tSQqtDpsP aBBZBBB = 1 .....................(2.18)

dimana: P = orde P pada koefisien komponen AR musiman p = orde p pada koefisien komponen AR Q = orde Q pada koefisien komponen MA Musiman q = orde q pada koefisien komponen MA

2.1.3 Identifikasi Model ARIMA Box-Jenkins dan Pemeriksaan Parameter Identifikasi model ARIMA Box-Jenkins dapat dijadikan

sebagai langkah dalam mengidentifikasi adanya ketidakstasio-neran model. Bila tidak stasioner dalam mean maka harus di diffe-rencing dan jika tidak stasioner dalam varians maka harus ditransformasi. Salah satu tranformasi yang digunakan adalah tranformasi Box Cox, kemudian setelah data sudah stationer dalam mean dan varian maka selanjutnya membuat plot ACF dan PACF yang digunakan untuk mengidentifikasi model awal ARIMA jika data sudah stasioner dalam mean dan varians.

Tabel 2.2 Kriteria ACF dan PACF pada model ARIMA Proses ACF PACF AR (p) Tails off menurun

mengikuti bentuk eksponensial atau gelombang sinus

Cut off setelah lag ke-p

MA (q) Cut off setelah lag ke-q Tails off menurun mengikuti bentuk eksponensial atau gelombang sinus

ARMA (p,q) Tails off setelah lag (q-p) Tails off setelah lag (p-q)

(Sumber : Wei, 1990) Penaksiran parameter, dapat dilakukan dengan menggu-

nakan metode Likelihood dimana mengikuti fungsi kepadatan peluang berdistribusi normal. Dalam hal ini analisis sebenarnya

dengan asumsi bahwa error ta berdistribusi normal. Fungsi kepa-datan peluang suatu error ta adalah :

=

2

22/122

2exp)2()|(

a

taat

aaf

pi .......(2.19)

Maka fungsi likelihood untuk parameter-parameternya jika diketahui data observasi adalah

=

),(S2

1exp)2()Z|,,(L 2

a

2/n2a

2a

pi ..........(2.20)

dimana

2

11111 )(),(

=

=

n

iqtqtptptt aaZZZS ..(2.21)

Penaksiran parameter dilakukan dengan tujuan untuk menentukan apakah parameter model sudah layak masuk kedalam model. Secara umum, misal adalah suatu parameter dan adalah nilai taksiran dari parameter tersebut, serta SE( ) adalah standart error dasi nilai taksiran , maka uji kesignifikanan parameter dapat dilakukan sebagai berikut : Hipotesis : H0 : = 0 (parameter tidak signifikan) H1 : 0 (parameter signifikan) Statistik Uji :

)(

SEthitung = .............................................. (2.22)

Daerah Kritis : Tolak H0 jika P_value < atau thitung > t(1-/2);df = n-np,

dimana np = banyaknya parameter

2.1.4 Pengujian Asumsi Residual Untuk mendapatkan model yang baik setelah model

memiliki parameter yang signifikan selanjutnya melakukan peng-ujian terhadap residualnya yaitu melakukan pengujian apakah re-sidual white noise dan residual berdistribusi normal.

Residual ( a t) yang white noise (residual independen dan identik) harus berupa variabel random. Uji yang digunakan untuk asumsi white noise adalah uji Ljung-Box (Wei, 1990). Dimana uji ini bertujuan untuk menguji residual memenuhi asumsi white noise digunakan uji sebagai berikut : Hipotesis : H0 : 0...21 ==== K (residual memenuhi asumsi white

noise) H1 : minimal ada satu 0i , untuk i = 1,2,....,K (residual tidak

white noise) Statistik Uji : Ljung-Box statistic (Box-Pierce modified)

=

+=K

kkknnnQ

1

21)()2( .................(2.23)

dimana : k adalah taksiran autokorelasi residual lag k

daerah kritis : tolak H0 jika qpKdfQ => );1(2 ,dimana nilai p dan q adalah order dari ARMA(p,q).

Untuk mengetahui bahwa data memenuhi asumsi distribusi normal, maka dilakukan uji yaitu uji Kolmogorov Smirnov. (Daniel, 1989). untuk menguji residual berdistribusi normal digunakan uji sebagai berikut : Hipotesa : H0 : F (x) = F0 (x) (residual berdistribusi normal) H1 : F (x) F0 (x) (residual tidak berdistribusi normal)

Statistik uji : D = sup |S(x) F0 (x)| ..............................(2.24) Dimana : S (x) = fungsi peluang kumulatif yang dihitung dari data sampel. F0 (x) = fungsi peluang kumulatif distribusi yang dihipotesiskan. F (x) = fungsi distribusi yang belum diketahui Sup = nilai supremum semua x dari )()( 0 xFxS Daerah Kritis :

Tolak H0 jika Dhitung > D(1-, n), atau nilai P-value <

2.1.5 Pemilihan Model Terbaik Pemilihan model terbaik atau seleksi model dilakukan

jika terdapat lebih dari satu model time series yang layak dipakai yaitu dengan menggunakan dua pendekatan diantaranya pendekatan In Sampel dan pendekatan Out Sampel. Pendekatan In Sampel dapat dilakukan berdasarkan nilai AIC, SBC, MSE, sedangkan pendekatan Out Sampel menggunakan MAPE.

1. AIC (Akaikes Information Criterion) Pemilihan model terbaik melalui pendekatan In Sampel dapat dilakukan berdasarkan nilai AIC. Nilai AIC semakin kecil maka model yang didapatkan semakin baik dengan mempertimbangkan banyaknya parameter dalam model. Persamaan AIC sebagai berikut (Wei,1990): AIC(M) = n ln ( 2 a ) + 2 M ...................(2.25) Dimana : n = banyaknya pengamatan M = banyaknya parameter dalam model

2

a = estimasi varians residual 2. SBC (Schwartzs Bayesian Criterion)

SBC juga merupakan cara pemilihan model terbaik dengan pendekatan In Sampel. Nilai SBC semakin kecil maka model yang didapatkan semakin baik. Persamaan SBC sebagai berikut (Wei,1990) :

SBC (M)= n ln ( 2 a ) + M ln (n) .................(2.26) Dimana : n = banyaknya pengamatan M = banyaknya parameter dalam model

2

a = estimasi varians residual 3. MSE (Mean Square Error) MSE (Mean Square Error) digunakan untuk mengetahui

kesalahan rata-rata kuadrat dari tiap-tiap model yang layak dengan rumus sebagai berikut (Wei,1990) : MSE =

=

M

1t

2teM

1 .................(2.27)

Dengan et = )( tt ZZ (taksiran sisa pada peramalan) M = banyaknya residual

Pemilihan model terbaik melalui pendekatan out sampel berdasarkan error adalah dengan menggunakan MAPE (Mean Absolute Percentage Error). Persamaan MAPE sebagai berikut (Wei, 1990) :

MAPE %10011

=

=

M

t t

t

Ze

M ...............................(2.28)

dimana : M = banyaknya residual et = )( tt ZZ (taksiran sisa pada peramalan)

2.2 Tinjauan Non Statistika 2.2.1 Perikanan

Perikanan adalah semua kegiatan yang berhubungan de-ngan pengelolaan dan pemanfaatan sumber daya ikan dan lingku-ngannya mulai dari pra produksi, produksi, pengolahan sampai dengan pemasaran, yang dilaksanakan dalam suatu sistem bisnis perikanan. Cakupan dalam statistik perikanan, meliputi kegiatan ekonomi dibidang penangkapan, pembudidayaan, pengolahan dan pemasaran ikan.

Pemanfaatan sumber daya ikan dilakukan melalui kegia-tan usaha perikanan. Usaha perikanan mencakup semua usaha perorangan atau badan hukum untuk menangkap, membudidaya-kan mengolah dan memasarkan ikan untuk tujuan komersial.

2.2.2 Perikanan Tangkap Perikanan tangkap adalah perikanan yang basis usahanya

berupa penangkapan ikan di laut maupun di perairan umum. Adapun penjelasan dari perikanan tangkap tersebut adalah sebagai berikut: a) Perikanan Tangkap di Laut adalah perikanan yang basis

usahanya berupa penangkapan ikan di laut. b) Perikanan tangkap di perairan umum adalah perikanan

yang basis usahanya berupa penagkapan ikan di perairan umum (sungai, danau, kolam, waduk, rawa dan genangan air lainnya).

2.2.3 Penangkapan Ikan Penangkapan Ikan adalah kegiatan untuk memperoleh

ikan di perairan yang tidak dalam keadaan dibudidayakan dengan alat atau cara apapun, termasuk kegiatan yang menggunakan ka-pal untuk memuat, mengangkut, menyimpan, mendinginkan, me-nangani, mengolah, dan mengawetkannya.

Adapun penjelasan dari penangkapan ikan tersebut diatas adalah sebagai berikut :

a. Memperoleh ikan dalam hal ini adalah kegiatan menangkap atau mengumpulkan ikan yang hidup bebas di laut atau perai-ran umum.

b. Penangkapan ikan yang dilakukan dalam rangka penelitian dan pelatihan, tidak termasuk dalam penangkapan ikan seba-gai kegiatan ekonomi.

c. Penangkapan ikan yang dilakukan sepenuhnya hanya untuk konsumsi keluarga juga tidak termasuk sebagai kegiatan eko-nomi.

d. Penangkapan ikan di laut adalah semua kegiatan penangkapan ikan yang dilakukan di laut, muara sungai, laguna dan seba-gainya yang dipengaruhi oleh amplitudo pasang surut.

e. Penangkapan ikan diperairan umum adalah semua kegiatan penangkapan ikan yang dilakukan di perairan umum seperti sungai, danau, kolam, waduk, rawa dan genangan air lainnya, yang bukan milik perorangan atau badan hukum. Proses penangkapan ikan di Mojokerto dimulai dengan proses

pendataan yang dilakukan secara langsung oleh petugas dinas di tingkat kecamatan melalui desa sampel. Pendataan dilakukan de-ngan mengisi blanko pendataan. Data setiap bulan akan dikum-pulkan di kabupaten dan ditangani oleh petugas survey yang ber-tugas melakukan pengumpulan data. Data kemudian diperiksa dengan melakukan survey rumah tangga perikanan ke desa-desa sesuai dengan desa sampel yang diambil dari data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan. Hasil sur-vey digunakan untuk mengestimasi data produksi penangkapan ikan.

2.2.4 Perairan Umum (Air Tawar) Perairan umum adalah bagian dari perikanan darat (ta-

war) sebagaimana yang dimaksud dalam uu No. 6 tahun 1996 tentang Perairan Indonesia, yang merupakan bagian permukaan bumi yang secara permanen atau berkala digenangi air dan ter-bentuk secara alami atau buatan yang dikuasai oleh negara. Peme-rintah mempunyai wewenang untuk mengelola dan mengembang-

kannya. Perairan yang terjadi karena luapan banjir, walaupun me-nutupi tanah milik perseorangan, dimasukkan sebagai perairan umum. Untuk keperluan statistik perikanan tangkap, perairan air tawar di Indonesia diklasifikasikan kedalam 5 kategori, yaitu :

a. Sungai adalah perairan yang airnya mengalir secara terus-menerus pada arah tertentu, berasal dari air tanah, air hu-jan, atau air permukaan yang akhirnya bermuara ke laut atau perairan terbuka yang luas. Sungai lebak, kanal dan saluran irigasi yang dibuat manusia termasuk dalam kate-gori sungai.

b. Danau adalah genangan air yang luas dengan tinggi dan luas permukaan air berfluktuasi kecil, yang kedalaman-nya dangkal atau sangat dalam, mempunyai atau tidak mempunyai sungai yang mengalir ke dalam atau ke luar perairan, terbentuk secara alami dan terisolasi dari laut. Situ dan telaga termasuk ke dalam kategori danau.

c. Kolam adalah perairan yang mempunyai luas cukup kecil dan kedalamannya dangkal. Kolam biasanya dibuat oleh manusia sendiri.

d. Waduk adalah genangan air yang terbentuk karena pem-bendungan aliran sungai oleh manusia.

e. Rawa adalah perairan yang cukup luas yang terdapat di dataran rendah dengan sumber air dari hujan, air laut atau yang berhubungan dengan sungai, relatif tidak dalam, berdasarkan lumpur atau tumbuhan yang membusuk, ba-nyak terdapat vegetasi baik yang mengapung dan men-cuat maupun tenggelam.

Kebanggaan kita yang terbesar adalah bukan tidak pernah gagal tetapi bangkit kembali setelah kita jatuh. (La Rouchefoucauld)

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI ANALISIS

3.1 Sumber Data Data yang digunakan dalam penelitian tugas akhir ini adalah data sekunder yang diambil dari Dinas Peternakan dan Perikanan Kabupaten Mojokerto yaitu data bulanan 3 jenis ikan hasil penangkapan ikan konsumsi air tawar periode Januari 2002 - Desember 2007 yaitu ikan tawes, nila, dan lele yang merupakan jenis ikan yang banyak di konsumsi oleh masyarakat Mojokerto.

3.2 Metode Pengukuran Variabel Penelitian Data penangkapan ikan konsumsi air tawar diperoleh dari Dinas peternakan dan Perikanan Kab. Mojokerto dan terdapat metode tersendiri dimana dalam pengukuran variabelnya adalah sebagai berikut : a. Data merupakan data langsung yang diperoleh dari pendataan

petugas dinas lapangan dengan mengambil data pada desa sampel yang diambil dari data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan.

b. Dari setiap desa sampel diambil 5-6 responden dari Rumah Tangga Perikanan (RTP) dan dicatat hasil penangkapan ikan tiap trip penangkapan.

c. Petugas mengisi blanko formulir penangkapan ikan sesuai dengan hasil penangkapan tiap trip ikan dari desa sampel.

d. Data dikumpulkan di kabupaten dan diolah oleh dinas kemudian mengirim petugas survey untuk melakukan pendataan kembali apakah data sudah cocok.

e. Petugas melakukan survey tiap Rumah Tangga Perikanan (RTP) ke desa-desa sesuai dengan desa sampel yang diambil dari data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan.

f. Hasil survey untuk mengestimasi data produksi hasil penangkapan ikan dan dilaporkan tiap bulan sekali.

g. Dari estimasi tersebut diperoleh data hasil penangkapan tiap bulan yang sudah dikurangi dengan hasil ikan yang dikonsumsi sendiri oleh nelayan.

3.3 Metode Analisis Langkah awal dari penelitian ini adalah menentukan model peramalan yang sesuai dengan data hasil penangkapan ikan di Dinas Peternakan dan Perikanan Kab. Mojokerto dianalisis dengan menggunakan metode time series dengan tahapan sebagai berikut :

Untuk menjawab tujuan pertama langkah langkah analisis yang digunakan adalah sebagai berikut : 1. Melakukan identifikasi Model ARIMA (p, d, q) dengan

langkah sebagai berikut: a. Melakukan Time Series Plot terhadap data 3 jenis ikan

konsumsi dan melihat kestationeran apakah sudah stationer dalam mean dan varian atau belum, jika data belum stationer dalam varian maka dilakukan transformasi sedangkan jika belum stationer dalam mean dilakukan differencing. Selain itu untuk mengetahui apakah data 3 jenis ikan konsumsi stationer dalam mean dapat juga dilihat melalui plot ACF dan PACF data awal, jika pada plot tersebut lag-lag turun secara melambat maka data tersebut belum stationer dalam mean.

b. Membuat plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data yang sudah stationer dalam mean maupun varians.

2. Melakukan pendugaan model ARIMA (p, d, q) awal Melakukan pendugaan model yang terbentuk melalui plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) yang sudah memenuhi syarat stationer.

3. Melakukan uji kelayakan terhadap model ARIMA (p, d, q) yang didapatkan. a. Penaksiran parameter

Melakukan penaksiran parameter berdasarkan model yang didapatkan melalui suatu software diantaranya minitab dan melakukan uji signifikasi parameter sampai mendapatkan model yang memiliki parameter signifikan.

b. Diagnostic Checking Melakukan diagnostic checking melalui pemeriksaan terhadap residual dari model yang signifikan yaitu melalui : Uji residual white noise Uji residual berdistribusi normal

4. Evaluasi terhadap model ARIMA (p, d, q) yang didapatkan jika model yang dihasilkan lebih dari satu.

Jika model arima ARIMA (p, d, q) lebih dari satu maka seharusnya dilakukan evaluasi terhadap model melalui dua kriteria diantaranya :

Kriteria in sample berdasarkan nilai MSE atau SSE Kriteria Out sample berdasarkan nilai MAPE.

Untuk menjawab tujuan kedua langkah langkah analisis yang digunakan adalah sebagai berikut : 1. Setelah mendapatkan model ARIMA (p, d, q) yang sesuai

maka selanjutnya dilakukan peramalan pada periode yang akan datang.

2. Melakukan peramalan data 3 jenis ikan hasil penangkapan pada periode yang akan datang.

3.4 Diagram Alur Penelitian

Tidak

Tidak

Ya

Ya

Ya

Varians : ditransformasi Mean : didifferencing

Membuat Times Series Plot data jenis ikan Membuat plot ACF

Data sudah Stasioner?

Melihat Plot ACF dan PACF data yang sudah stasioner dalam mean dan varians

Perolehan model ARIMA terbaik

Tidak

Pendugaan Model & Pengujian Parameter dari plot ACF dan PACF

Diagnostic Checking model Residual White noise ? Residual Normal ?

Model yang sesuai lebih dari satu ?

Pemilihan model terbaik Kriteria in sampel Kriteria out sampel

Peramalan data penangkapan tiap jenis ikan periode 12 bulan kedepan

Input data penangkapan tiap jenis ikan

Mulai

Selesai

Gambar 3.1 Diagram Alur Penelitian

Jika engkau merasa terjatuh karena tidak mendapatkan apa yang engkau inginkan, berusahalah dan bertawakal. Karena Allah akan memberikan sesuatu yang lebih baik bagi dirimu.(As Salam)

BAB IV HASIL DAN PEMBAHASAN

BAB IV ANALISIS DAN PEMBAHASAN

4.1 Analisis Time Series Data yang digunakan untuk analisis time series adalah data penangkapan bulanan tiap jenis ikan konsumsi. Analisis time series dilakukan melalui 5 tahap, yaitu tahap identifikasi model, pendugaan parameter model, pengujian asumsi model, evaluasi model, dan terakhir adalah tahap peramalan. Penelitian ini meng-gunakan 60 data untuk menduga model sementara dan sisanya 12 data untuk validasi model.

4.2 Peramalan Data Penangkapan Jenis Ikan Tawes 4.2.1 Identifikasi Model Untuk Data Penangkapan Ikan Tawes Langkah awal yang dilakukan adalah membuat time se-ries plot untuk data penangkapan jenis ikan tawes sebanyak 60 data sedangkan untuk validasi menggunakan 12 data. Time series plot digunakan untuk melihat kestasioneran data baik stasioner dalam rata-rata maupun dalam varian.

Gambar 4.1 Plot Time Series Data Penangkapan Ikan Tawes Berdasarkan Gambar 4.1 dapat dilihat bahwa plot data penangkapan ikan tawes diduga tidak stationer dalam mean. Dari

plot time series terlihat variansi datanya lebih rapat dan ada pendugaan bahwa data tersebut tidak stasioner dalam musiman. Sehingga dilakukan differencing 12. Hasil dari differencing musiman dapat dilihat dari plot sebagai berikut :

Gambar 4.2 Plot Differencing Musiman Data Penangkapan Ikan Tawes

Gambar 4.2 menunjukkan bahwa untuk data penangkapan ikan tawes sudah stasioner dalam mean dan varian. Dilihat dari tahap selanjutnya adalah menentukan model peramalan dengan melihat secara visual plot ACF dan plot PACF. Dari plot ACF dan PACF maka diperoleh parameter dari model ARIMA dengan melihat lag-lag pada plot yang keluar dari batas signifikansi. Sehingga dengan melihat lag-lag yang keluar dari batas signifikansi maka diperoleh model awal hasil identifikasi lag-lag pada plot ACF dan PACF. Berikut ini adalah gambar dari Plot ACF dan PACF yang ditunjukkan pada Gambar 4.3 dan Gambar 4.4.

Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan Tawes Berdasarkan Gambar 4.3 dapat dilihat bahwa ACF plot data penangkapan ikan tawes lag-lag berada didalam batas signifikansi dan tidak ada lag yang keluar dari batas signifikansi. Sehingga dapat disimpulkan bahwa terjadi white noise karena nilai dari lag-lag mendekati nilai nol.

Gambar 4.4 PACF Plot Data Differencing Penangkapan Ikan Tawes Berdasarkan Gambar 4.4 dapat diketahui bahwa plot PACF data penangkapan ikan tawes setelah dilakukan diffe-

rencing lag-lag berada didalam batas signifikansi. Setelah itu dilakukan identifikasi model musiman yaitu sebagai berikut:

Tabel 4.1 Signifikansi Model Musiman Tawes Model output signifikansi (1 1 0)12 Type Coef SE Coef T P

SAR 12 -0.4787 0.1585 -3.02 0.004 Signifikan

(0 1 1)12 Type Coef SE Coef T P SMA 12 0.8358 0.1560 5.36 0.000

Signifikan

Pada Tabel 4.1 menunjukkan bahwa parameter dari model ARIMA (1 1 0)12 dan ARIMA(0 1 1)12 sudah signifikan karena nilai P-value kurang dari . Selanjutnya dilakukan uji asumsi residual white noise sebagai berikut:

Tabel 4.2 Uji Ljung-Box Model Musiman Tawes Model output (1 1 0)12 Lag 12 24 36 48

Chi-Square 13.9 27.1 49.7 * DF 11 23 35 * P-Value 0.236 0.252 0.051 *

White noise

(0 1 1)12 Lag 12 24 36 48 Chi-Square 6.7 13.2 47.9 * DF 11 23 35 * P-Value 0.821 0.948 0.071 *

White noise

Dari tabel 4.2 menunjukkan bahwa lag-lag pada setiap model ARIMA (1 1 0)12 dan ARIMA(0 1 1)12 sudah memenuhi uji asumsi residual white noise. Selanjutnya dilakukan uji asumsi residual normal sebagai berikut:

Tabel 4.3 Uji Kenormalan Model Musiman Tawes model p-value keputusan kesimpulan

(1 1 0)12

[email protected]?////////////////////

////////////////////

03 305 101/5 523/5 ,8,5 51,/5 ,505 5,25 5,0

,7 00,5 027/5 53/5 5355 55 ,7/5 527/5 22

,8,, 87,85 87/5 5,7/5 ,57/5 55 ,51/5 52/5 5,

2,1 2125 8175 51/5 5535 ,575 ,13/5 ,,7/5 55

...!"

A.?9"

.

##$

"9"9

&>::

A/01 255552 3077/5 355 10275

69"/01 2

&9"35527

.9

9",131 71

6,500

.B6,508 0,2

"%05

6-

6/>

[email protected]?////////////////////

////////////////////

03 305 101/5 523/5 ,8,5 51,/5 ,505 5,25 5,0

,7 00,5 027/5 53/5 5355 55 ,7/5 527/5 22

,8,, 87,85 87/5 5,7/5 ,57/5 55 ,51/5 52/5 5,

2,1 2125 8175 51/5 5535 ,575 ,13/5 ,,7/5 55

%(

9"/01 2

)*+,

"!

//./// /////#&//////

.#/- 5 851, CC5 555,

D"/." +5 370 >+C5 5,55

6"/ /.?5 153,8 >/.?C5 555

/+ /.?3 8170 >/.?C5 555

...!"

@%(

4%@.9

76"

13,72 0555,131 71,/,203 1333328 7333

12011 0555,131 71,/18 13332583 7333

1801 0555,131 71,/38 1333213 7333

101 0555,131 71,/3,18 13333033 7333

11,71 0555,131 71,/,58 1333053 7333

18831 0555,131 71,23, 001723 7333

171, 0555,131 71,2,50 001,57,8 7333

8582 0555,131 71,230 001728 7333

8,12 0555,131 71,25,0 001,588 7333

8,,8 0555,131 71,/3 1333288 7333

83301 0555,131 71,, 0011503 7333

8285 0555,131 71,/053 1333058 7333

Kriteria out sampel data ikan tawes

actual forecast tZtZtZ

2010 1700 0,154229 745 670 0,100671 935 930 0,005348 295 370 0,254237

2265 2870 0,267108 5905 7835 0,326842 7580 5935 0,217018 5910 3160 0,465313 7490 7730 0,032043 1250 1195 0,044 3725 3684 0,011007 2870 2545 0,11324

MAPE 16,59213 Peramalan periode 12 bulan ke depan ikan tawes

periode forecast 73 1942.6 74 677.6 75 867.6 76 227.6 77 2197.6 78 5837.6 79 7512.6 80 5842.6 81 7422.6 82 1182.6 83 3657.6 84 2802.6

LAMPIRAN C Identifikasi model data penangkapan ikan nila

!

Box-Cox Plot Data Penangkapan Ikan Nila

"#" $ #"

"

"%&

'

!'&

( '

"#" '

$ #" '

)&&*

!"

Differensing musiman data ikan nila

ACF plot musiman data ikan nila

'

'

'

'

'

'

'

'

'

'

'

PACF plot musiman data ikan nila

'

'

'

'

'

'

'

'

'

'

'

Model ARIMA(1 1 0)12 Final Estimates of Parameters

Type Coef SE Coef T P SAR 12 -0.5993 0.1645 -3.64 0.001 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 16.7106 (backforecasts excluded) MS = 0.3555 DF = 47 Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48 Chi-Square 11.5 25.6 39.0 * DF 11 23 35 * P-Value 0.404 0.318 0.296 *

Model ARIMA(0 1 1)12 Final Estimates of Parameters Type Coef SE Coef T P SMA 12 0.8356 0.1855 4.50 0.000 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 13.4944 (backforecasts excluded) MS = 0.2871 DF = 47

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48 Chi-Square 7.5 13.1 30.5 * DF 11 23 35 * P-Value 0.753 0.949 0.685 *

Uji normal residual model ARIMA(1 1 0)12

#$&

!!

!

!

+

3'

'!!

-./ '

0

1- '!

2*

%#$&0

Uji normal residual model ARIMA(0 1 1)12

#$'

'''''''''

!!

!

!

+

,'

'!

-./ '

0

1- '

2*

%#$'0

Kriteria Out Sampel Data Penangkapan Ikan Nila

actual forecast tZtZtZ

565 336.07 0.405186 527 327.41 0.378729 580 366.98 0.367276 245 213.68 0.127837 455 583.99 0.283495

2605 984.06 0.622242 2410 2064.12 0.143519 2870 2259.87 0.212589 8080 5541.31 0.314194 1225 2229.94 0.820359 4835 4470.99 0.075286

980 1338.57 0.365888 MAPE 34.30499

Peramalan periode 12 bulan ke depan ikan nila periode forecast Lower Upper

73 436.12 -1527.22 2399.45 74 380.49 -1582.85 2343.83 75 474.69 -1488.65 2438.03 76 230.71 -1732.62 2194.05 77 587.26 -1376.08 2550.59 78 584.79 -1378.55 2548.12 79 3195.97 1232.63 5159.31 80 2447.60 484.26 4410.94 81 7028.24 5064.90 8991.58 82 1827.47 -135.87 3790.81 83 4747.86 2784.52 6711.19 84 1317.59 -645.75 3280.93

LAMPIRAN D Identifikasi Model Data Penangkapan Ikan lele Time series plot Ikan lele

Differencing musiman ikan lele

ACF plot differencing ikan lele

'

'

'

'

'

'

'

'

'

'

'

PACF plot differencing ikan lele

'

'

'

'

'

'

'

'

'

'

'

Pengujian Signifikansi Model ARIMA(1 1 0)12 Lele Final Estimates of Parameters

Type Coef SE Coef T P SAR 12 -0.9275 0.1095 -8.47 0.000

Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 16060041 (backforecasts excluded) MS = 341703 DF = 47

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48 Chi-Square 15.7 31.5 38.0 * DF 11 23 35 * P-Value 0.154 0.110 0.336 *

Pengujian Kenormalan Model ARIMA(1 1 0)12 Lele

#$&

!!

!

!

+

,

-./

0

1-

2*

%#$&0

Pengujian Signifikansi Model ARIMA(0 1 1)12 Lele Final Estimates of Parameters

Type Coef SE Coef T P SMA 12 0,9260 0,1214 7,63 0,000

Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 9827498 (backforecasts excluded) MS = 209096 DF = 47

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48 Chi-Square 12,0 18,8 69,3 * DF 11 23 35 * P-Value 0,360 0,714 0,000 *

Pengujian Kenormalan Model ARIMA(0 1 1)12 Lele

#$'

!!

!

!

+

,

-./

0

1-

2*

%#$'0

Pengujian Model ARIMA(0 1 0)12 Lele ...!"

!"###$"

%"!%#

"&%'(

)*+,

-.3

.

+055 ,337

"%4%05

4%)*"%!,

66

/,781023,5,320187,.9

5305,0,, 55555::;;;;;;;;;;;;;;;;;;;;:5

,/02550 538/ ,111: ;;;;: :5 ,7577

/288 58/ ,1: ;;;: :5 ,33,,2

38887 ,525 5208: : :5 ,3585

2/21,25 75/ ,3587: ;;;: :5 ,3,

21588 31,5 ,3512: :;;; :5 ,31,

022, ,25 55018: : :5 ,373,,

1/,31 120/ 5538: : :5 ,373,1

8/12 01/ 5507: : :5 ,373,7

7/,87 038/ 532,: ;: :5 ,37315

,5,807 85 5,0: :; :5 ,3757

,,/,7,8 ,3/ 530: ;: :5 ,3780

,/205 58/ ,,0,: ;;;: :5 ,25,02

,3/,1 ,03/ 52813: ;: :5 ,281,

,20001 015 5,8,: : :5 ,23,28

,/,22 ,1,/ 55252: : :5 ,23,81

,0585 815 5110: :; :5 ,23,87

,1/,50,, 170/ 5720: ;: :5 ,2311

,8/1117 ,2/ 5,05: : :5 ,23018

,73083 1,35 5,53: : :5 ,2313

5,5,73 175 5835: :; :5 ,23122

,/,, 12/ 52351: ;: :5 ,23831

,1 55 5225: :; :5 ,225

3/175, ,88/ 51121: ;;: :5 ,2205

2/17 11/ 557: : :5 ,227,

<

[email protected]?////////////////////

////////////////////

0 3205 551/5 ,18/5 ,05 5/5 ,3,5 ,3,5 551

,1 0,5 8,,0/5 552/5 5,/5 5325 5/5 53/5 ,

,88 1,85 7122/5 5275 5,7/5 5525 58/5 57/5 5

27 3025 77015 5,55 58/5 5235 52/5 511/5 5

...!"

A.?9"

.

##$

"9"9

&>::

A3 555518 ,35185 525 70225

69"3

&9"3000

.9

9"05 ,78

6737 73,

.B672 53

"%05

6-

6/>

[email protected]?////////////////////

////////////////////

0 3205 551/5 ,18/5 ,05 5/5 ,3,5 ,3,5 551

,1 0,5 8,,0/5 552/5 5,/5 5325 5/5 53/5 ,

,88 1,85 7122/5 5275 5,7/5 5525 58/5 57/5 5

27 3025 77015 5,55 58/5 5235 52/5 511/5 5

%(

9"3

)*+,

"!

//.////////#&//////

.#/- 5 85,CC5 555,

D"/." +5 ,7,10>+C5 5,55

6"/ /.?5 0,3112>/.?C5 555

/+ /.?3 70132>/.?C5 555

..

@%(

4%@.9

76"

1323 55505 ,78/10 001,057 001

1223 55505 ,78/72 001,27 001

1373 55505 ,78/17 001,17 001

108 55505 ,78/71 001,222 001

11028 55505 ,78/31 001,832 001

1823 55505 ,78/13 001,037 001

1723 55505 ,78/02 001,17 001

85103 55505 ,78/2 001,727 001

8,303 55505 ,78201 3382837 001

838 55505 ,78/81 001,22 001

83,113 55505 ,7881 33877 001

82113 55505 ,78/2, 001,77 001

Kriteria out sampel data ikan lele

actual forecast tZtZtZ

420 440 0.047619 240 235 0.020833 390 365 0.064103 255 285 0.117647 645 1130 0.751938 450 715 0.588889 540 410 0.240741 760 415 0.453947

3650 3550 0.027397 355 360 0.014085

1770 1555 0.121469 770 915 0.188312

MAPE 21.97483 Peramalan periode 12 bulan ke depan ikan lele

periode forecast 73 420 74 240 75 390 76 255 77 645 78 450 79 540 80 760 81 3650 82 355 83 1770 84 770

(halaman ini sengaja dikosongkan)

Popular Tags:

Click here to load reader

Reader Image
Embed Size (px)
Recommended