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

D adalah perbedaan secara musiman. b) Kesederhanaan model. Bila dalam suatu deret data terdapat komponen musiman maka untuk membentuk model dibutuhkan perbedaan musiman beserta ordo musimannya. Terdapat prosedur 3. Output yang ditampilkan dan enam kriteria kelayakan dari metode ini dapat menerangkan signifikansi parameter. c) Signifikansi model. 2006). dan biasanya unsur musiman ini disebabkan oleh beberapa faktor. et all. kelebihan dan kelemahan metode ARIMA adalah sebagai berikut: Tabel 1. Model-model tentatif yang dihasilkan kemudian dievaluasi dengan enam kriteria kelayakan untuk memilih model yang paling baik. diantaranya yaitu hari raya. Data yang mengandung musiman cenderung akan berulang sepanjang waktu pengamatan yang sama. 1999). Menurut Firdaus (2006). 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. Selain itu. Pembentukan model yang formal dalam yang baik seringkali pengujian kesesuaian membutuhkan waktu dan model sumberdaya yang lain 4. dan sebagainya. Metode ARIMA tidak mengikuti variabel bebas dalam pembentukan modelnya. Peramalan.d. q dan P. 3. 2003). Enam kriteria kelayakan yang dilakukan antara lain: a) Pengecekan residual. Pola Trend Trend merupakan komponen data historis yang menunjukkan kenaikan atau penurunan sekuler jangka panjang dalam data. kesederhanaan model. cuaca. Pola data ini adalah pola horizontal yang terjadi di sekitar nilai rataan data yang konstan atau disebut pola data stasioner. Metode Peramalan Time Series ARIMA (Box-Jenkins) Metode ARIMA merupakan metode peramalan yang menyajikan suatu set kriteria kelayakan model yang lengkap dan jelas. tahapan peramalan dengan menggunakan metode ini adalah: 1. Menurut Henke. Estimasi.q) dimana p adalah ordo yang mewakili AR. Q yang kecil. Q) dimana P adalah ordo AR musiman (SAR). Pola Acak (Random) Pola acak adalah pola data yang tidak mengandung ketiga pola data yang telah disebutkan di atas. Page 2 .Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri data historis. d. d. et all. 4. Fleksibel dan dapat Tidak ada cara 2 mewakili rentang memperbaharui model . dan f) MSE terkecil. Ada tidaknya unsur trend dalam suatu data dapat dilihat dengan memplotkan data tersebut dalam grafik dan melalui analisis autocorrelation (Hanke. tahap ini dilakukan untuk menghitung nilai MSE dan MAPE dari suatu model. D. Kelebihan dan Kelemahan Metode ARIMA Kelebihan Kelemahan 1. Hal yang menarik pada metode ini dengan nilai p. sebagai model yang digunakan untuk meramalkan kondisi di masa depan. ada atau tidaknya autokorelasi. Baik untuk peramalan 1. Diperlukan data dalam jangka pendek jumlah yang banyak 2. Tahap ini dilakukan untuk mengetahui pola data. 1996). Model yang diperoleh tersebut kemudian dapat dijadikan acuan dalam melakukan peramalan rata-rata upah nominal per bulan di bawah mandor (supervisor) Indonesia. yang lebar dari apabila terjadi karakter deret waktu penambahan data (time series) yang terjadi dalam jangka pendek 3. d adalah ordo yang mewakili differencing pada model tersebut. L Modelnya menjadi ARIMA (p. 3. D. 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. apakah stasioner atau ada pola trend dalam data. Interval ramalan dan prediksi sudah mengikuti modelnya. q) (P. yang besar 4. 2. Estimasi ini dilakukan dengan software Minitab 13. Model yang terbentuk dari autoregressive (AR) dan moving average (MA) ini ditulis dalam bentuk ordo menjadi ARIMA (p. kita dapat menangani bermacam himpunan data (Markidakis. 4.20. dan q adalah ordo yang mewakili MA. tidak dapat diterapkan dengan baik apabila tidak dapat dimengerti dengan baik. Estimasi ini dilakukan untuk melihat signifikansi dari suatu parameter. dan Q adalah ordo MA musiman (SMA). Tahap ini dilakukan untuk nilai-nilai dari parameter atau koefisien dari model tentatif. Apabila semua kriteria kelayakan itu terpenuhi maka pengolahan data dilanjutkan ke tahap selanjutnya. e) Iterasi konvergen. Data ini akan membentuk gelombang di sepanjang trend atau disebut juga musiman jangka panjang yang berulang biasanya lima sampai sepuluh tahun (Firdaus. 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. Komponen data historis dapat dibedakan menjadi empat pola: 1. et all. Pola Musiman (Seasonal) Pola ini terjadi apabila suatu data historis dipengaruhi oleh faktor musiman. Identifikasi pola data. terlebih dahulu kita perlu mengetahui komponen atau perilaku data sepanjang periode yang diamati. Metode ini memberikan kajian yang teliti. Selain itu mengetahui pola Autocorelation function dan Partial Autocorelation function. dan ketetapan model dengan keadaan yang sebenarnya. d) Kondisi invertibilitas model dan stasioneritas. Evaluasi model. 2. (2003).

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

4 Selanjutnya dari data tersebut dihitung autokorelasi dan autokorelasi parsial dan hasilnya disajikan dalam bentuk ACF dan PACF.0) ARIMA (0.1. Sehingga dalam mengestimasi model ini ada beberapa model yang diajukan untuk Dari hasil diagnostic checking di atas. Gambar 2. Time series Plot Rata-Rata Upah Nominal Per Bulan Buruh Industri di Bawah Mandor (Supervisor) di Indonesia kemudian dilakukan diagnostic checking.1) b) ARIMA (1. Plot data setelah First Differencing dapat dilihat pada Gambar 2. berdasarkan algoritmanya.1) √ ARIMA (1.655 P-Value MA=0. Invertibility [∑MA<1] Stationarity [∑AR<1] 6. Time Series Plot First Differencing Rata-Rata Upah Nominal Per Bulan Buruh Industri di Bawah Mandor (Supervisor) di Indonesia - √ √ √ (P-Value AR=0.0) karena model ini tidak mengandung autoregressive dan moving average (Model contains no autoregressive or moving average term). Parameter model signifikan 5.1.5 (P-Value AR = 0. b. Keempat indikator yang dapat terpenuhi oleh model tersebut adalah error bersifat acak. dari model yang dipilih didapat mean square error terkecil dengan nilai 1021. Diagnostic Checking Model Kondisi Error bersifat acak Uji LJung-Box P-Value > 0. model yang dipilih adalah ARIMA (0. Bila pola ACF dan PACF kasus ini dibandingkan dengan pola ACF dan PACF teoritis.1).1.1) memenuhi persyaratan paling banyak yaitu empat indikator dibanding model lainnya. Error bersifat acak/random 2.1. serta invertibility-nya memenuhi. Proses iterasi konvergen 3. model ARIMA (0.05 Proses iterasi konvergen Model sederhana (prinsip parsimonious) Parameter model signifikan P-Value < 0.1).1.1) c. Minitab menolak model ARIMA (0. Pembacaan ACF dan PACF dapat dilihat pada lampiran Gambar 3 dan Gambar 4.0) c) ARIMA (0.1. Mean Square Error (MSE) kecil Berikut adalah diagnostic checking yang dilakukan terhadap model ARIMA (1. Dari Gambar 3 dan Gambar 4 tampak bahwa ACF dan PACF sama-sama berpola Dies Down Sinusoidally.0).1) √ Karena datanya belum stasioner.1. maka perlu dilakukan proses differencing untuk membuat datanya stasioner. model sederhana. ARIMA (1.115) √ 1021.05 Invertibility [∑MA<1] Stationarity [∑AR<1] MSE ARIMA (1.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Gambar 1.5.1. Estimasi Model Untuk mengestimasi model ARIMA (0.1. maka model nonseasonal ARIMA tentative yang sesuai untuk kasus tersebut adalah ARIMA (0. Setelah dilakukan proses differencing tampak bahwa polanya sudah stasioner.417) √ √ 1027.1.0) berdasarkan data historis untuk kasus rata-rata upah nominal per bulan buruh industri di bawah mandor (supervisor) tersebut dapat menggunakan software Minitab. ACF dan PACF dapat dipesan memalui software Minitab.1. proses iterasi konvergen.1. akan dilakukan proses evaluasi model dugaan (Diagnostic checking) dengan menggunakan enam indikator sehingga diinginkan model yang memiliki kondisi: 1. Selain itu.1. Evaluasi Model (Diagnostic Checking/ Model Checking) Berdasarkan estimasi beberapa model tentative yang diajukan. Model sederhana (Prinsip parsimonious) 4. Namun setelah dilakukan pembacaan dengan software Minitab.0) dan ARIMA (0.1) karena berdasarkan Metode Nonlinear Least Square & Metode Maximum Likelihood (Metode kemungkinan maksimum) dari kelima indikator yang diuji. Proses differencing dapat dilakukan dengan menggunakan software Minitab. Tabel 3.1. Page 4 .4 √ √ (P-Value MA=0. Model-model yang akan diajukan tersebut adalah sebagai berikut: a) ARIMA (1.452) √ 1035.

Harmini. Sehingga perkiraan 95% limit prediksi untuk periode 60 adalah √ LAMPIRAN Tabel 4. Metodologi Box-Jenkins. dapat meramalkan rata-rata upah nominal per bulan buruh industri pada tahun 2011 triwulan III (bulan September) yaitu diperkirakan sejumlah . *( ) ( )+ DAFTAR PUSTAKA BPS.3 219.1 RESI1* -2. Hasilnya sesuai dengan yang diperlihatkan output Minitab. Reitsch. Winchern & A. Alihbahasa Devy Anantanur. Prenhallindo: Jakarta.G.8 237. J. Peramalan Bisnis. Modul 4. dari model yang dipilih didapat mean square error terkecil dengan nilai 1021.0 -11. Hasil proyeksi berdasarkan model terpilih. Sehingga ( ) ( ) ( ) Artinya batas bawah untuk proyeksi peramalan ratarata upah nominal per bulan Buruh Industri di Bawah Mandor (Supervisor) adalah dan batas atasnya adalah . Bogor.6 227. Untuk deret stasioner.bps.1 221. yaitu .1 224. Rata-rata Upah Nominal per Bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia periode 1996 . rata-rata upah nominal per bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia pada tahun 2011 triwulan III diperkirakan sejumlah . 95% limit diprediksi diperkirakan dimana adalah ramalan dan s adalah akar Mean Square Eror. edisi ke-7. Hal ini karena dari tiga model lain yang diajukan. q=1.1). 2003. d=1. Sehingga Untuk meramalkan perkiraan rata-rata upah per bulan Buruh Industri pada tahun 2011 triwulan III dapat dihitung dengan menggunakan persamaan diatas.1 232. dimana p=0. 1996 Juni 2011 (IHK 1996=100) [http://www.0 215.3 -4. IHK dan Rata-rata Upah per Bulan Buruh Industri di Bawah Mandor (Supervisor) Indonesia. .7 -12. berdasarkan algoritmanya. Maka dapat langsung disubstitusikan ke dalam rumus umum untuk menentukan model ARIMA. yaitu .1 240. Dengan demikian. Selain itu. proses iterasi konvergen.E. .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) 184.5. D.id/tab_sub/view. Maka.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri d. model sederhana.2011.W. serta invertibility-nya memenuhi. Maka harus ditransformasikan ke dalam model standar.php?tabel=1&d aftar=1&id_subyek=19&notab=4] [Diakses tanggal 2 Desember 2011] Hanke. Peramalan Rumus umum untuk menentukan model ARIMA adalah ( ) ( ) Dari model yang terpilih. KESIMPULAN Model tersebut masih dalam bentuk Backshift Lag Operator. model inilah yang paling banyak memenuhi syarat indikator model yang diinginkan seperti error yang bersifat acak.1.go. 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 (0.8 201. 2010.5 -13.4 Page 5 . namun ada sedikit perbedaan karena pembulatan koma.3 FITS1* 203.

4 -5.0 -0.8 -25.1 -18.1 28.1 535.6 1116.9 5.6 -5.1 710.4 990.4 1.1 37.3 -30.2 289.0 3.7 1005.0 1098.2 691.4 1006.1 1103.4 Page 6 .1 7.0 668.2 -7.8 349.3 16.2 1072.9 410.2 957.7 848.0 412.5 876.1 853.2 743.6 937.2 20.0 31.7 333.9 -31.9 954.0 384.3 691.4 -0.1 3.2 573.9 0.5 722.5 72.8 -51.2 749.1 290.0 498.5 290.1 1031.1 13.9 -25.6 911.4 12.8 324.7 769.3 49.7 1016.4 1009.8 852.2 840.3 961.0 943.8 -26.0 819.1 -4.1 633.4 4.7 261.4 1091.6 930.7 855.6 269.9 -2.2 344.4 1093.5 -32.3 548.7 684.7 872.1 275.7 1050.4 975.9 666.0 562.7 982.6 739.8 957.5 665.9 340.9 -14.8 16.1 -28.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 49 242.0 -18.1 313.6 561.4 653.1 874.2 1003.3 725.2 2.3 556.5 -2.9 1115.8 -12.8 895.4 0.6 671.6 933.0 242.3 427.4 9.3 322.3 473.6 1103.1 1034.3 39.8 34.2 431.4 445.6 323.7 1015.1 -4.5 309.

245 T -0.3 1156.7 1359.950 12 56506.9 -0.5 0.3 1394.652 5 57081.5 -0.1 1172.0 140.45 -0.915 4 57334.000 Differencing: 1 regular difference Number of observations: Original series 59.3 (backforecasts excluded) MS = 1027.2 0.483 23.0 Keterangan *) Diperoleh dari Output software Minitab Sumber: Badan Pusat Statistik Republik Indonesia (Statistics Indonesia) Output Software MINITAB Model ARIMA (1.162 -0.418 24.384 24.5 -0.066 16.084 19.9 -0.964 Relative change in each estimate less than 0.1.6 -35.971 13 56506.738 ============================================================================================== Page 7 .125 1 58226.7 1165.2 1386.290 -0.481 23.567 0.014 -0.655 0.5900 Constant 23.477 23.4 1119.283 -0.4 DF = 55 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 10.330 0.284 -0.1 -5.234 21.3 -4.6295 MA 1 -0.534 27.4 1222.9 23.283 -0.244 7 56667.417 0.130 6 56810.7 1148.2 1282.885 10 56506.690 9 56506.7 -0.538 8 56566.592 0.9 -0.307 -0.0 -87.5 -0.5 -49.264 -0.278 -0.482 23.5 -0.100 0.5 38.9 1436. after differencing 58 Residuals: SS = 56506.100 17.7 -7.272 2 57872.3 30.6 1160.934 11 56506.4 1177.5 -0.5 -0.3 1370.0010 Final Estimates of Parameters Type Coef SE Coef AR 1 -0.6 15.964 6.568 26.4 1386.1) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 58577.3 1199.283 -0.483 23.437 23.3 -0.3 19.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 1134.483 23.82 3.4826 0.8 -0.2832 0.135 0.282 -0.110 3 57577.8 1182.2 1245.4 -8.440 -0.964 14 56506.414 -0.84 P 0.5 1190.2 -0.6 DF 9 21 33 45 P-Value 0.

115 0.6 22.585 5.2226 0.60 3.594 6 57203.3 0.9 0.431 0.234 T 0.028 1 58310.217 18.0 -0.222 18. after differencing 58 Residuals: SS = 57202.666 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0.221 18.000 Differencing: 1 regular difference Number of observations: Original series 59.193 0.1) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 59792.5 DF = 56 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Page 8 .648 4 57212.0010 P 0.3 0.592 ============================================================================================== Model ARIMA (0.62 0.026 18.110 16.1449 Constant 16.0010 P 0.109 16.2 DF 10 22 34 46 P-Value 0.8 -0.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Model ARIMA (1.1.222 18.1.2 43.692 2 57983.4 -0.4 DF = 56 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 13.5 35.727 3 57267.585 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef MA 1 -0.1097 0.667 3 57983.1 -0.125 1 57983.122 18.100 19.6 (backforecasts excluded) MS = 1021.179 18.7 -0.134 T -1.8 -0.3 -0.223 18.100 17.7 0.8 -0.666 4.610 5 57204.864 2 57526.76 3.588 7 57202.001 Differencing: 1 regular difference Number of observations: Original series 59.3 0.2 (backforecasts excluded) MS = 1035.4 -0.452 0.206 18.410 0.1391 Constant 18.110 16.585 9 57202.0) ARIMA Model: Upah Nominal (000) ARIMA model for Upah Nominal (000) Estimates at each iteration Iteration SSE Parameters 0 57991.586 8 57202. after differencing 58 Residuals: SS = 57983.94 0.

73 1219.31 1201. Time Series Plot Gambar 2.1) Gambar 1.2 46 0.512 33.495 41.07 1344.672 ============================================================================================== Forecasts from period 59** 95 Percent Limits Period Forecast Lower Upper Actual 60 1281. Time Series Plot First Differencing Page 9 .313 21.39 61 1300.6 10 0.Jurnal Peramalan Rata-Rata Upah Nominal Per Bulan Buruh Industri Chi-Square DF P-Value 11.4 34 0.28 Keterangan: **)Peramalan dengan metode ARIMA (0.35 1399.1 22 0.1.

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

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

Sign up to vote on this title
UsefulNot useful