Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri

Pemodelan dan Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri di Bawah Mandor (Supervisor) di Indonesia
Wiggo Windi Riswandy (H34090010), Khonsa Tsabita (H34090021) Departemen Agribisnis, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor, Jawa Barat, Indonesia INTISARI Pada jurnal ini penulis melakukan peramalan rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia dari akhir tahun 1996 sampai bulan Juni 2011 untuk beberapa beriode mendatang. Peramalan yang dilakukan menggunakan metode ARIMA, yaitu metode peramalan yang mengandung unsur autoregressive dan moving average. Syarat agar dapat melakukan peramalan dengan metode ini adalah data harus stasioner dan tidak ada unsur musiman atau nonseasonal. Dengan menggunakan metode peramalan ARIMA, dapat memproyeksikan rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) dengan tingkat error yang kecil. Kata Kunci: stasioner, autoregressive, moving average. Desember 2011 PENDAHULUAN Latar Belakang_________________________________ Dalam istilah ekonomi, industri mempunyai dua pengertian, yaitu pengertian secara luas dan pengertian secara sempit. Dalam pengertian secara luas, industri mencakup semua usaha dan kegiatan bidang ekonomi yang bersifat produktif. Sedangkan pengertian secara sempit, industri adalah suatu kegiatan yang mengubah suatu barang dasar secara mekanis, kimia atau dengan tangan sehingga menjadi barang setengah jadi. Menurut Undang-Undang No.5 tahun 1984, industri adalah kegiatan ekonomi yang mengolah bahan mentah, bahan baku, bahan setengah jadi atau barang jadi dengan nilai yang lebih tinggi untuk penggunaannya termasuk rancang bangunan dengan rekayasa industri. Dalam kegiatan industri, aktivitasnya sangat ditentukan oleh tenaga kerja atau buruh. Buruh industri dalam melakukan kegiatan produktifnya sangat ditentukan oleh tingkat upah yang diberikan. Sehingga dengan pemberian upah pada buruh diharapkan dapat meningkatkan produktivitas buruh-buruh tersebut dalam menghasilkan barang atau jasa yang bermanfaat bagi masyarakat di Indonesia. Tingkat upah akan mempengaruhi tinggi rendahnya biaya produksi perusahaan. Kenaikan tingkat upah akan mengakibatkan kenaikan biaya produksi yang selanjutnya akan meningkatkan harga per unit produk yang dihasilkan. Apabila harga per unit produk yang dijual ke konsumen naik, reaksi yang biasanya timbul adalah mengurangi pembelian atau bahkan tidak lagi membeli produk tersebut. Kondisi ini memaksa produsen untuk mengurangi jumlah produk yang dihasilkan, yang selanjutnya juga dapat mengurangi akibat perubahan skala produksi disebut efek skala produksi (scale effect). Suatu kenaikan upah dengan asumsi harga barangbarang modal yang lain tetap, maka pengusaha mempunyai kecenderungan untuk menggantikan tenaga kerja dengan mesin. Penurunan jumlah tenaga kerja akibat adanya penggantian dengan mesin disebut efek substitusi (substitution effect). Oleh karena itu, dengan menyusun jurnal ini diharapkan dapat membantu berbagai pihak yang berkepentingan untuk mengetahui proyeksi rata-rata upah nominal per bulan buruh industry di bawah mandor (supervisor) di masa yang akan datang. Tujuan________________________________________ 1. Mengetahui alur peramalan dengan metode Box Jenkins. 2. Meramalkan Rata-rata Upah per Bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia beberapa periode ke depan. Manfaat Penulisan______________________________ Penelitian tentang rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia dari akhir tahun 1996 sampai bulan Juni 2011 ini diharapkan dapat bermanfaat bagi berbagai pihak yang ingin mengetahui lebih mendalam tentang proyeksi ratarata upah nominal per bulan buruh industri di bawah mandor (supervisor) di masa yang akan datang. Selain itu penelitian ini dapat dijadikan bahan pertimbangan pengambilan keputusan penentuan upah nominal buruh industry di bawah mandor di Indonesia. TINJAUAN TEORI Peramalan Peramalan merupakan suatu kegiatan yang bertujuan untuk memprediksi kejadian yang akan terjadi di masa yang akan datang. Peramalan dibutuhkan ketika tidak ada kepastian yang terdapat dalam lingkungan bisnis atau ekonomi yang diperlukan dalam perencanaan. Peramlan bukanlah hasil akhir, melainkan sebagai masukan dalam proses pengambilan keputusan. Alasan utama dilakukan peramalan adalah adanya selang waktu (time lag) antara kebutuhan mendatang dengan peristiwa yang terjadi sekarang. Peramalan yang dilakukan untuk menduga peristiwa yang terjadi di masa yang akan datang ini didasari oleh intuisi atau kecermatan peramal yang sering bersifat subjektif. Untuk itulah, perlu adanya metode peramalan yang cukup akurat yang mampu dikuantitatifkan berdasarkan keadaan historis dan menggambarkan kecenderungan pergerakan pola data dari data historis yang ada dengan mengasumsikan faktor-faktor eksternal lainnya konstan. Identifikasi Pola Data Peramalan dilakukan dengan menganalisis data historis yang kita peroleh. Data historis atau deret waktu adalah data yang dikumpulkan dan diamati atas rentang waktu tertentu (Firdaus, 2006). Untuk dapat menentukan metode peramalan yang dapat digunakan dari suatu deret

Page 1

terlebih dahulu kita perlu mengetahui komponen atau perilaku data sepanjang periode yang diamati. dan Q adalah ordo MA musiman (SMA). Data yang mengandung musiman cenderung akan berulang sepanjang waktu pengamatan yang sama.q) dimana p adalah ordo yang mewakili AR. sebagai model yang digunakan untuk meramalkan kondisi di masa depan. Pola Acak (Random) Pola acak adalah pola data yang tidak mengandung ketiga pola data yang telah disebutkan di atas. dan ketetapan model dengan keadaan yang sebenarnya. Terdapat prosedur 3. Kelebihan dan Kelemahan Metode ARIMA Kelebihan Kelemahan 1. yang lebar dari apabila terjadi karakter deret waktu penambahan data (time series) yang terjadi dalam jangka pendek 3. Fleksibel dan dapat Tidak ada cara 2 mewakili rentang memperbaharui model . Pola Musiman (Seasonal) Pola ini terjadi apabila suatu data historis dipengaruhi oleh faktor musiman. Diperlukan data dalam jangka pendek jumlah yang banyak 2. b) Kesederhanaan model. tidak dapat diterapkan dengan baik apabila tidak dapat dimengerti dengan baik. d. kita dapat menangani bermacam himpunan data (Markidakis. 2. Pola Trend Trend merupakan komponen data historis yang menunjukkan kenaikan atau penurunan sekuler jangka panjang dalam data. Q) dimana P adalah ordo AR musiman (SAR). Estimasi. d adalah ordo yang mewakili differencing pada model tersebut. 2003). Bila dalam suatu deret data terdapat komponen musiman maka untuk membentuk model dibutuhkan perbedaan musiman beserta ordo musimannya. Metode Peramalan Time Series ARIMA (Box-Jenkins) Metode ARIMA merupakan metode peramalan yang menyajikan suatu set kriteria kelayakan model yang lengkap dan jelas. 3. 3.20. 2006). kesederhanaan model. ada atau tidaknya autokorelasi. Identifikasi pola data. cuaca. Model yang terbentuk dari autoregressive (AR) dan moving average (MA) ini ditulis dalam bentuk ordo menjadi ARIMA (p. 4. Data ini akan membentuk gelombang di sepanjang trend atau disebut juga musiman jangka panjang yang berulang biasanya lima sampai sepuluh tahun (Firdaus. D adalah perbedaan secara musiman. dan q adalah ordo yang mewakili MA. Komponen data historis dapat dibedakan menjadi empat pola: 1. et all. et all. Baik untuk peramalan 1. 2. 1999). Menurut Henke. Interval ramalan dan prediksi sudah mengikuti modelnya. Tidak dapat mengetahui pengaruh variabelvariabel lain terhadap variabel dependent yang diamati di masa yang akan datang selain berdasarkan informasi variabel dependent dari lag sebelumnya Model ARIMA (Autoregressive Integrated Moving Average) meruapakan gabungan dari auto-regresi dengan rata-rata bergerak yang dapat mewakili deret data yang stasioner maupun non-stasioner. tahap ini dilakukan untuk menghitung nilai MSE dan MAPE dari suatu model. Pola Siklus (Cycle) Terdapatnya unsur siklus dalam satu deret data historis terjadi karena data dipengaruhi oelh fluktuasi ekonomi jangka panjang yang terjadi pada siklus bisnis. 1996). c) Signifikansi model. Peramalan. Q yang kecil. D. D. (2003). Hal yang menarik pada metode ini dengan nilai p. dan f) MSE terkecil. Output yang ditampilkan dan enam kriteria kelayakan dari metode ini dapat menerangkan signifikansi parameter. Enam kriteria kelayakan yang dilakukan antara lain: a) Pengecekan residual. 4. Selain itu mengetahui pola Autocorelation function dan Partial Autocorelation function. tahapan peramalan dengan menggunakan metode ini adalah: 1. yang besar 4. dan sebagainya. Metode ARIMA tidak mengikuti variabel bebas dalam pembentukan modelnya. Tahap ini dilakukan untuk nilai-nilai dari parameter atau koefisien dari model tentatif. Model yang diperoleh tersebut kemudian dapat dijadikan acuan dalam melakukan peramalan rata-rata upah nominal per bulan di bawah mandor (supervisor) Indonesia. Metode ini memberikan kajian yang teliti. d) Kondisi invertibilitas model dan stasioneritas. e) Iterasi konvergen. Metode ini mengandalkan perilaku masa lalu dari variabel yang diramal dengan menganggap bahwa data antara deret waktu saling berkaitan dan mempengaruhi ramalan di masa depan (Henke. Estimasi ini dilakukan untuk melihat signifikansi dari suatu parameter. dan biasanya unsur musiman ini disebabkan oleh beberapa faktor. Estimasi ini dilakukan dengan software Minitab 13. Apabila semua kriteria kelayakan itu terpenuhi maka pengolahan data dilanjutkan ke tahap selanjutnya. Pola data ini adalah pola horizontal yang terjadi di sekitar nilai rataan data yang konstan atau disebut pola data stasioner. Selain itu. diantaranya yaitu hari raya. et all. kelebihan dan kelemahan metode ARIMA adalah sebagai berikut: Tabel 1. Tahap ini dilakukan untuk mengetahui pola data. Model-model tentatif yang dihasilkan kemudian dievaluasi dengan enam kriteria kelayakan untuk memilih model yang paling baik. Ada tidaknya unsur trend dalam suatu data dapat dilihat dengan memplotkan data tersebut dalam grafik dan melalui analisis autocorrelation (Hanke. Page 2 . Evaluasi model.d. Menurut Firdaus (2006). q) (P.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri data historis. Pembentukan model yang formal dalam yang baik seringkali pengujian kesesuaian membutuhkan waktu dan model sumberdaya yang lain 4. apakah stasioner atau ada pola trend dalam data. q dan P. L Modelnya menjadi ARIMA (p. d.

tampak bahwa polanya tidak stasioner. model sudah memadai apabila residualnya tidak dapat dipergunakan untuk memperbaiki ramalan. metode ini dapat digunakan pada data yang bersifat stasioner. Rumus yang didapat untuk peramalan rata-rata upah nominal per bulan buruh industridi bawah mandor (supervisor) Indonesia yaitu: 4. mengacu pada himpunan prosedur untuk mengidentifikasi. Estimasi kuadrat terkecil harus didapat dengan menggunakan prosedur non-linier kuadrat terkecil. kita harus dapat mengidentifikasi bentuk dari model yang akan digunakan. Hal ini dapat dilihat dari plot deret. Auto-korelasi residual yang signifikan pada selang rendah atau selang musiman menunjukkan model yang tidak memadai dan harus dipilih model modifikasi. sedemikian sehingga model akhir adalah model yang paling akurat untuk data historis tersebut. Kondisi ini harus memenuhi syarat Invertibility [∑MA<1] dan Stationarity [∑AR<1]. Hal ini disebut prinsip hemat (parsimony). Secara mendasar. Tahapan ini diselesaikan melalui pembandingan antara ACF dan PACF dari berbagai model ARIMA. Melalui metode ini. Metode ini menggunakan pendekatan iterative.0010. Model yang dipilih adalah model yang menghasilkan Mean Square Error dengan nilai yang paling kecil. Parameter yang dinilai signifikan dipertahankan di dalam model. relatif lebih mudah mencari suatu model dengan parameter banyak yang secara baik cocok dengan data. Pada proses ini dapat dilihat pada output software MINITAB dan menunjukkan Relative change in each estimate less than 0. parameter yang tidak signifikan dikeluarkan dari model. dihasilkan model-model tentatif yang akan diuji kelayakannya dengan prosedur formal untuk mencari model terbaik dalam meramalkan rata-rata upah nominal per bulan di bawah mandor (supervisor) Indonesia beberapa periode ke depan. c) Kondisi inversibilitas dan stasioneritas model terpenuhi. d) Parsimonitas model. Adapun proses pemodelan mengikuti tahapan sebagai berikut.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri PEMBAHASAN Alur Box-Jenkins_______________________________ Metode peramalan yang digunakan adalah metode Box-Jenkins (ARIMA). sehingga sudah memenuhi kriteria yang dibutuhkan. dengan memilih dari sekelompok model umum yang sesuai untuk pola data historis. Setelah estimasi kuadrat dan galat bakunya ditentukan. e) Residual (error) peramalan bersifat acak. 3. Hasil Yang Diperoleh____________________________ Pada kasus pemodelan rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia dari akhir tahun 1996 sampai bulan Juni 2011. Langkah-langkah yang dilakukan dalam pengolahan data ini adalah sebagai berikut: 1. f) MSE terkecil. Identifikasi Model Tentatif Langkah pertama dalam mengidentifikasi model yaitu dengan menentukan apakah deretnya stasioner atau tidak. t dapat dihitung dan diterjemahkan seperti biasanya. b) Parameter yang diestimasi harus sudah signifikan atau sudah berbeda dengan nol. Menurut Hanke (1996). nonstasioner (mengandung unsur trend) dan data yang mengandung komponen musiman. Tabel 2. Beberapa Kemungkinan Model Berdasarkan Pola ACF dan PACF Model Pola ACF Pola PACF Dies down AR (p) Cut-off setelah selang p (p=1 atau p=2) Cut-off setelah Dies down MA (q) selang p (p=1 atau p=2) Dies down ARIMA (p. Setelah deret stasioner didapat. Metode Box-Jenkins adalah metode terbaik yang memiliki MAPE ( Mean Absolute Percentage Error) terkecil. Metode yang digunakan dalam meramalkan ratarata upah nominal per bulan di bawah mandor (supervisor) Indonesia adalah model peramalan ARIMA. Berdasarkan plot historis rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia dari akhir tahun 1996 sampai bulan Juni 2011. artinya ini memiliki persentase penyimpangan hasil ramalan terkecil dari metode peramalan lainnya. 2. q) Dies down Estimasi Parameter pada model ARIMA diestimasi melalui minimisasi jumlah kuadrat error. Peramalan Model yang telah didapat kemudian dijadikan sebagai acuan untuk meramalkan rata-rata upah nominal per bulan di bawah mandor (supervisor) Indonesia. Identifikasi Model Nonseasional ARIMA Tentarif Model tentatif ditentukan berdasarkan data yang berpola stasioner. Apabila modelnya sama. Page 3 . Data yang diperoleh untuk penelitian ini dimulai dari 1996-2011. mencocokan dan memeriksa model ARIMA dengan data historis. Dengan jumlah data terbatas. model sederhana lebih disukai dibandingkan model yang kompleks. Plot data dapat dilihat pada Gambar 1 di bawah ini. a. Evaluasi Model a) Proses iterasi harus konvergen.

5. berdasarkan algoritmanya.1) b) ARIMA (1.1.1. model yang dipilih adalah ARIMA (0.1). Minitab menolak model ARIMA (0.1) √ ARIMA (1.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Gambar 1. akan dilakukan proses evaluasi model dugaan (Diagnostic checking) dengan menggunakan enam indikator sehingga diinginkan model yang memiliki kondisi: 1. Evaluasi Model (Diagnostic Checking/ Model Checking) Berdasarkan estimasi beberapa model tentative yang diajukan. Time series Plot Rata-Rata Upah Nominal Per Bulan Buruh Industri di Bawah Mandor (Supervisor) di Indonesia kemudian dilakukan diagnostic checking. Page 4 .1. Dari Gambar 3 dan Gambar 4 tampak bahwa ACF dan PACF sama-sama berpola Dies Down Sinusoidally. maka perlu dilakukan proses differencing untuk membuat datanya stasioner. maka model nonseasonal ARIMA tentative yang sesuai untuk kasus tersebut adalah ARIMA (0.05 Invertibility [∑MA<1] Stationarity [∑AR<1] MSE ARIMA (1. Namun setelah dilakukan pembacaan dengan software Minitab. Gambar 2.0) ARIMA (0. Pembacaan ACF dan PACF dapat dilihat pada lampiran Gambar 3 dan Gambar 4.0) berdasarkan data historis untuk kasus rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) tersebut dapat menggunakan software Minitab.1. Mean Square Error (MSE) kecil Berikut adalah diagnostic checking yang dilakukan terhadap model ARIMA (1.655 P-Value MA=0.1. Parameter model signifikan 5.5 (P-Value AR = 0.1). proses iterasi konvergen.1. Sehingga dalam mengestimasi model ini ada beberapa model yang diajukan untuk Dari hasil diagnostic checking di atas.1) karena berdasarkan Metode Nonlinear Least Square & Metode Maximum Likelihood (Metode kemungkinan maksimum) dari kelima indikator yang diuji.0). Model-model yang akan diajukan tersebut adalah sebagai berikut: a) ARIMA (1. Error bersifat acak/random 2.1. serta invertibility-nya memenuhi.4 Selanjutnya dari data tersebut dihitung autokorelasi dan autokorelasi parsial dan hasilnya disajikan dalam bentuk ACF dan PACF. Setelah dilakukan proses differencing tampak bahwa polanya sudah stasioner.417) √ √ 1027.1.05 Proses iterasi konvergen Model sederhana (prinsip parsimonious) Parameter model signifikan P-Value < 0. model ARIMA (0.0) dan ARIMA (0.0) c) ARIMA (0.1. dari model yang dipilih didapat mean square error terkecil dengan nilai 1021. Estimasi Model Untuk mengestimasi model ARIMA (0.452) √ 1035.1) memenuhi persyaratan paling banyak yaitu empat indikator dibanding model lainnya. model sederhana. Proses differencing dapat dilakukan dengan menggunakan software Minitab.1.0) karena model ini tidak mengandung autoregressive dan moving average (Model contains no autoregressive or moving average term).1. Bila pola ACF dan PACF kasus ini dibandingkan dengan pola ACF dan PACF teoritis. Selain itu.4 √ √ (P-Value MA=0. Diagnostic Checking Model Kondisi Error bersifat acak Uji LJung-Box P-Value > 0. Plot data setelah First Differencing dapat dilihat pada Gambar 2. ARIMA (1. Invertibility [∑MA<1] Stationarity [∑AR<1] 6. Keempat indikator yang dapat terpenuhi oleh model tersebut adalah error bersifat acak. Time Series Plot First Differencing Rata-Rata Upah Nominal Per Bulan Buruh Industri di Bawah Mandor (Supervisor) di Indonesia - √ √ √ (P-Value AR=0.1) √ Karena datanya belum stasioner.1. ACF dan PACF dapat dipesan memalui software Minitab.1) c. b. Tabel 3.1.115) √ 1021.1. Model sederhana (Prinsip parsimonious) 4. Proses iterasi konvergen 3.

5. . Hasil proyeksi berdasarkan model terpilih. serta invertibility-nya memenuhi.7 -12. Sehingga ( ) ( ) ( ) Artinya batas bawah untuk proyeksi peramalan ratarata upah nominal per bulan Buruh Industri di Bawah Mandor (Supervisor) adalah dan batas atasnya adalah . 95% limit diprediksi diperkirakan dimana adalah ramalan dan s adalah akar Mean Square Eror.2011.5 -13.0 -11.0 215.G.E.3 219.Juni 2011 (IHK 1996=100) Tahun 1996 Maret 1997 Juni September Desember 1998 Maret Triwulan (Bulan) t 1 2 3 4 5 6 Upah Nominal (000) 184. Peramalan Bisnis. Dengan demikian. Selain itu. . *( ) ( )+ DAFTAR PUSTAKA BPS. 2010. Hasil perhitungannya adalah sebagai berikut: Diketahui bahwa triwulan III = Periode 60 (t=60) Dengan Metode peramalan yang paling cocok digunakan dalam meramalkan proyeksi rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) di Indonesia pada beberapa periode ke depan adalah model ARIMA (0. Maka.6 227.W. edisi ke-7.8 201. dari model yang dipilih didapat mean square error terkecil dengan nilai 1021.3 FITS1* 203.1. D. model sederhana. Rata-rata Upah Nominal per Bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia periode 1996 .1 232.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri d.1 240.1 221. model inilah yang paling banyak memenuhi syarat indikator model yang diinginkan seperti error yang bersifat acak. 2003. IHK dan Rata-rata Upah per Bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia. Maka dapat langsung disubstitusikan ke dalam rumus umum untuk menentukan model ARIMA. yaitu . KESIMPULAN Model tersebut masih dalam bentuk Backshift Lag Operator. J. Bogor.8 237. Hasilnya sesuai dengan yang diperlihatkan output Minitab. Harmini. Reitsch. yaitu . Metodologi Box-Jenkins. Modul 4.id/tab_sub/view. proses iterasi konvergen.3 -4. Hal ini karena dari tiga model lain yang diajukan. namun ada sedikit perbedaan karena pembulatan koma. Prenhallindo: Jakarta. Alihbahasa Devy Anantanur.bps. q=1.php?tabel=1&d aftar=1&id_subyek=19&notab=4] [Diakses tanggal 2 Desember 2011] Hanke. d=1. dimana p=0.1 RESI1* -2. Sehingga Untuk meramalkan perkiraan rata-rata upah per bulan Buruh Industri pada tahun 2011 triwulan III dapat dihitung dengan menggunakan persamaan diatas. Sehingga perkiraan 95% limit prediksi untuk periode 60 adalah √ LAMPIRAN Tabel 4.1).4 Page 5 . Untuk deret stasioner. 1996 Juni 2011 (IHK 1996=100) [http://www. Peramalan Rumus umum untuk menentukan model ARIMA adalah ( ) ( ) Dari model yang terpilih. berdasarkan algoritmanya. rata-rata upah nominal per bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia pada tahun 2011 triwulan III diperkirakan sejumlah .go. Winchern & A.1 224. Maka harus ditransformasikan ke dalam model standar. dapat meramalkan rata-rata upah nominal per bulan buruh industri pada tahun 2011 triwulan III (bulan September) yaitu diperkirakan sejumlah .

4 12.3 548.6 561.8 -51.9 954.8 -12.9 -31.2 289.1 313.4 -0.1 535.1 28.6 -5.3 961.1 13.4 4.2 344.6 930.3 691.9 -14.0 1098.8 957.0 498.5 876.1 37.3 49.4 1.5 -2.2 -7.6 269.3 725.7 1015.8 -25.2 1072.2 957.1 290.4 -5.0 384.7 684.2 573.4 445.4 975.1 853.4 990.9 -2.2 749.9 666.1 7.4 9.5 665.6 911.7 1050.2 20.7 982.0 668.8 852.8 16.3 556.2 2.5 72.0 562.1 710.9 340.1 -18.8 324.6 671.1 1034.1 -28.9 410.4 653.2 691.4 1009.8 349.4 1006.8 -26.2 743.5 309.7 769.5 -32.9 1115.4 0.6 1103.0 -18.3 -30.7 848.1 275.6 937.1 1103.0 -0.1 3.6 739.0 3.7 855.6 323.2 431.7 261.0 242.4 1093.4 Page 6 .7 1016.0 943.9 5.1 1031.1 -4.7 872.7 333.4 1091.2 1003.9 0.2 840.6 1116.9 -25.5 722.3 473.6 933.8 34.8 895.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Juni September Desember Maret 1999 Juni September Desember Maret 2000 Juni September Desember Maret 2001 Juni September Desember Maret 2002 Juni September Desember Maret 2003 Juni September Desember Maret 2004 Juni September Desember Maret 2005 Juni September Desember Maret 2006 Juni September Desember Maret 2007 Juni September Desember Maret 2008 Juni September Desember 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 242.7 1005.1 874.1 633.5 290.3 39.0 31.0 819.3 427.1 -4.3 16.3 322.0 412.

964 14 56506.162 -0.1.1 -5.100 0.2 1282.6 15.4826 0.481 23.7 1359.9 23.2 1245.9 1436.283 -0.307 -0.3 1156.4 1177.084 19.5 38.5 -0.5 -49.283 -0.384 24.950 12 56506.9 -0.4 1386.0 -87.110 3 57577.244 7 56667.2 1386.538 8 56566.84 P 0.234 21.5 -0.482 23.7 1165.3 30.5 1190.934 11 56506.4 1119.45 -0.9 -0.130 6 56810.1) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 58577.290 -0.100 17.7 -7.125 1 58226.6295 MA 1 -0.135 0.5 0.534 27.414 -0.3 (backforecasts excluded) MS = 1027.964 Relative change in each estimate less than 0.278 -0.245 T -0.264 -0.3 1394.4 DF = 55 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 10.6 DF 9 21 33 45 P-Value 0.3 19.272 2 57872.5 -0.4 -8.738 ============================================================================================== Page 7 .567 0.7 -0.0010 Final Estimates of Parameters Type Coef SE Coef AR 1 -0.0 Keterangan *) Diperoleh dari Output software Minitab Sumber: Badan Pusat Statistik Republik Indonesia (Statistics Indonesia) Output Software MINITAB Model ARIMA (1.5900 Constant 23.014 -0.592 0.568 26. after differencing 58 Residuals: SS = 56506.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Maret 2009 Juni September Desember Maret 2010 Juni September Desember 2011 Maret*) Juni **) 50 51 52 53 54 55 56 57 58 59 1134.655 0.330 0.483 23.000 Differencing: 1 regular difference Number of observations: Original series 59.971 13 56506.5 -0.066 16.690 9 56506.418 24.2832 0.3 1370.652 5 57081.483 23.283 -0.0 140.5 -0.6 -35.9 -0.4 1222.964 6.2 0.6 1160.885 10 56506.3 1199.2 -0.3 -0.8 -0.483 23.8 1182.437 23.3 -4.477 23.284 -0.440 -0.1 1172.282 -0.5 -0.417 0.915 4 57334.7 1148.82 3.

110 16.7 -0.3 -0.586 8 57202.206 18.5 35.0) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 57991.3 0.431 0.2 (backforecasts excluded) MS = 1035.62 0.0 -0.4 DF = 56 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 13.134 T -1.028 1 58310.1391 Constant 18.610 5 57204. after differencing 58 Residuals: SS = 57202.234 T 0.727 3 57267.76 3.221 18.5 DF = 56 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Page 8 .109 16.1.588 7 57202.666 4.100 17.1 -0.100 19.9 0.026 18.410 0.1097 0.000 Differencing: 1 regular difference Number of observations: Original series 59.585 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef MA 1 -0.585 5.179 18.222 18.217 18.4 -0.6 (backforecasts excluded) MS = 1021.864 2 57526.1.125 1 57983.0010 P 0.585 9 57202.1) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 59792.001 Differencing: 1 regular difference Number of observations: Original series 59.666 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0.115 0.6 22.8 -0.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Model ARIMA (1.193 0.222 18.452 0.3 0.94 0.7 0.2226 0.110 16.0010 P 0.122 18.648 4 57212.594 6 57203.8 -0. after differencing 58 Residuals: SS = 57983.592 ============================================================================================== Model ARIMA (0.2 43.3 0.60 3.8 -0.4 -0.1449 Constant 16.692 2 57983.2 DF 10 22 34 46 P-Value 0.223 18.667 3 57983.

4 34 0.672 ============================================================================================== Forecasts from period 59** 95 Percent Limits Period Forecast Lower Upper Actual 60 1281.6 10 0.1) Gambar 1.39 61 1300. Time Series Plot First Differencing Page 9 . Time Series Plot Gambar 2.1 22 0.1.313 21.512 33.28 Keterangan: **)Peramalan dengan metode ARIMA (0.31 1201.73 1219.07 1344.2 46 0.495 41.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Chi-Square DF P-Value 11.35 1399.

Partial Autocorrelation Function (PACF) Page 10 . Autocorrelation Function (ACF) Gambar 4.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Gambar 3.

Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Page 11 .

Sign up to vote on this title
UsefulNot useful