ANALISIS PERAMALAN TINGKAT KEMISKINAN DI INDONESIA DENGAN MODEL ARIMA 1 Rinaldo Isnawan Prasetyono, 2 Dyah Anggraini Program Pasca Sarjana Universitas Gunadarma, Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat 1 aldoisnawan18@gmail.com, 2d_anggraini@staff.gunadarma.ac.id 1,2 Abstrak Kemiskinan di Indonesia merupakan masalah yang kompleks dan multidimensi, karena tingkat kemiskinan di suatu negara akan mempengaruhi indikator keberhasilan baik dari segi pembangunan maupun perekonomian negara tersebut. Berdasarkan permasalahan tersebut diperlukan sebuah cara untuk mengetahui tingkat kemiskinan di Indonesia baik wilayah Perkotaan, Pedesaan maupun secara Nasional, salah satunya yaitu dengan menggunakan metode peramalan. Pada penelitian kali ini, peneliti menggunakan sebuah model dari Box Jenkins yaitu Auto Regresive Moving Average (ARIMA) untuk meramalkan tingkat kemiskinan di Indonesia pada masa yang akan datang. Dataset kemiskinan yang digunakan bersumber dari Badan Pusat Statistik (BPS) dengan data pengujian dari tahun 2011 hingga tahun 2020. Peneliti akan menggunakan 3 parameter error untuk mengevaluasi hasil tingkat kemiskinan di Perkotaan, Pedesaan maupun secara Nasional yaitu RMSE, MAE dan MAPE. Berdasarkan pengujian yang dilakukan bahwa dataset perkotaan menghasilkan model ARIMA(2,2,5) sebagai model ARIMA terbaik dengan RMSE=1.246582, MAE=0.923255 dan MAPE=12%, untuk dataset pedesaan menghasilkan model ARIMA(1,2,1) sebagai yang terbaik dengan RMSE=0.392650, MAE=0.311529 dan MAPE=2%. Sementara untuk dataset secara nasional menghasilkan model ARIMA(0,2,5) sebagai yang terbaik dengan RMSE=2.533166, MAE=2.090505 dan MAPE=20%. Dari 3 pengujian tersebut disimpulkan bahwa model ARIMA berhasil menghasilkan nilai peramalan tingkat kemiskinan di Indonesia baik wilayah Perkotaan, Pedesaan maupun secara Nasional dengan hasil yang baik . Kata Kunci: ARIMA, Kemiskinan, MAE, MAPE, RMSE Abstract Poverty in Indonesia is a complex and multidimensional problem, because the level of poverty in a country will affect indicators of success both in terms of development and the country's economy. Based on these problems, a way is needed to find out the level of poverty in Indonesia, both in urban, rural and national areas, one of which is by using the forecasting method. In this study, the researcher uses a model from Box Jenkins, namely the Auto Regressive Moving Average (ARIMA) to predict the level of poverty in Indonesia in the future. The poverty dataset used is sourced from the Central Statistics Agency (BPS) with test data from 2011 to 2020. Researchers will use 3 error parameters to evaluate the results of poverty rates in urban, rural and national levels, namely RMSE, MAE and MAPE. Based on the tests conducted, the urban dataset produces the ARIMA(2,2,5) model as the best ARIMA model with RMSE=1.246582, MAE=0.923255 and MAPE=12%, for the rural dataset, the ARIMA(1,2,1) model as the the best with RMSE=0.392650, MAE=0.311529 and MAPE=2%. Meanwhile, for the national dataset, the ARIMA(0,2,5) model is the best with RMSE=2.533166, MAE=2.090505 and MAPE=20%. From these 3 tests, it is concluded that the ARIMA model has succeeded in producing forecasting values for poverty levels in Indonesia, both in urban, rural and national areas with good results. Keywords: ARIMA, MAE, MAPE, Poverty, RMSE Prasetyono, Anggraini, Analisis Peramalan Tingkat… https://doi.org/10.35760/ik.2021.v26i2.3699 95 PENDAHULUAN digunakan. Penelitian kali ini menggunakan model Auto Regresive Moving Average Indonesia termasuk salah satu negara (ARIMA). Model ARIMA merupakan kom- berkembang dimana permasalahan pokok binasi dari 2 model yaitu Auto Regresive yang biasa dialami yaitu tentang kemiskinan. (AR) dan Moving Average (MA). Model AR Dalam kehidupan bernegara masalah sosial merupakan model persamaan regresi yang seperti kemiskinan dapat mempengaruhi nilai menghubungkan nilai variabel sebelumnya suatu bangsa dalam mensejahterakan masya- yang bersifat dependen, biasanya model ini rakatnya. Kemiskinan menjadi suatu masalah ditulis dengan ordo p [4] dan model MA yang kompleks dan multidimensi karena merupakan model yang menetapkan bahwa indikator keberhasilan pembangunan suatu variabel output bergantung secara linear pada negara tergantung pada tingkat kesejahteraan nilai saat ini dan berbagai nilai dimasa lalu masyarakat [1]. Berdasarkan data dari Badan dan ditulis dengan ordo q [5]. Beberapa pene- Pusat Statistik bahwa sejak tahun 2011 hingga litian yang pernah dilakukan untuk mem- tahun 2019 persentase tingkat kemiskinan di prediksi kemiskinan maupun penggunaan Indonesia mengalami penurunan, hanya pada model ARIMA telah dilakukan diantaranya tahun 2015 semester I bulan Maret ada Prediksi Tingkat Kemiskinan di Kalimantan kenaikan tingkat kemiskinan. Pada tahun Timur dengan Menggunakan Single dan 2020 tingkat kemiskinan di Indonesia naik Double Exponential Smoothing. Penelitian secara signifikan [2]. Terlepas dari faktor tersebut menghasilkan nilai MAPE pada eksternal dimana terjadi pandemi covid-19 model Single Exponential Smoothing sebesar yang melanda dunia tak terkecuali Indonesia, 10.94% dan Double Exponential Smoothing sudah seharusnya pemerintah mulai sadar sebesar 14.90%, sehingga dari perbandingan terhadap tersebut permasalahan kemiskinan yang menunjukkan model Single memiliki tingkat terjadi. Salah satu bentuk yang bisa dilakukan Exponential adalah dengan melakukan peramalan tingkat keakurasian paling baik dalam memprediksi kemiskinan di Indonesia pada masa yang akan kemiskinan di Kalimantan Timur [6]. Prediksi datang. Peramalan diperlukan untuk mem- tingkat kemiskinan di Provinsi Jawa Barat antu user dalam proses perencanaan maupun menggunakan Seasonal ARIMA (SARIMA). pengambilan keputusan pada masa yang akan Penelitian ini menghasilkan nilai MAPE datang untuk sebesar 2.81% yang artinya model tersebut perencanaan dan pengambilan keputusan, masuk kedalam kategori sangat baik dalam namun hal ini tidak selalu akurat, karena melakukan peramalan [7]. Penelitian menge- keakuratan proses peramalan ini tergantung nai prediksi tingkat kemiskinan di Provinsi dari data yang diperoleh maupun metode yang NTB dengan menggunakan metode ARDL 96 [3]. Peramalan berguna Smoothing Jurnal Ilmiah Informatika Komputer Volume 26 No. 2 Agustus 2021 (Auto Regresive Distributed Lag) dimana kesalahan yang rendah sehingga mampu pada penelitian tersebut memiliki nilai MAPE membantu pemerintah dalam mengidentifi- sebesar 3% sehingga peramalan tersebut bisa kasi tingkat kemiskinan yang terdapat di dikategorikan sangat baik dan penggunaan Indonesia berdasarkan wilayah baik itu metode ARDL cocok dalam memprediksi Perkotaan, Pedesaan maupun dalam skala tingkat kemiskinan di wilayah tersebut [8]. Nasional pada masa yang akan datang. Penelitian tentang memprediksi jumlah penduduk miskin di wilayah Yogyakarta METODE PENELITIAN dengan menggunakan model Triple Exponential Smoothing, dimana penelitian tersebut Penelitian yang dilakukan terdiri dari memiliki nilai MAPE sebesar 3% sehingga beberapa tahapan proses, hal ini dilakukan peramalan dikategorikan sangat baik [9]. untuk mendapatkan akurasi terbaik dalam Berdasarkan permasalahan diatas, maka untuk meramalkan tingkat kemiskinan di Indonesia penelitian dengan mengenai peramalan tingkat model Auto Regresive Moving kemiskinan di Indonesia menggunakan model Average (ARIMA). ARIMA. Metode ARIMA dipilih karena gambaran umum dari tahapan penelitian yang memiliki akurasi terbaik dalam memprediksi dilakukan. Berdasarkan Gambar 1, tahapan untuk [10]. awal penelitian dilakukan dengan menginput model data kemiskinan di Indonesia, data yang ARIMA ini mampu menghasilkan tingkat digunakan bersumber dari Badan Pusat akurasi terbaik dalam memprediksi tingkat Statistik (www.bps.go.id). Setelah menginput kemiskinan di Indonesia. Pada penelitian ini data, langkah berikutnya melakukan iden- menggunakan model ARIMA dalam mela- tifikasi model dengan menggunakan uji kukan stasioneritas dan diferensiasi data untuk men- penelitian Diharapkan jangka dengan peramalan pendek penggunaan data kemiskinan di Indonesia berdasarkan wilayah Perkotaan, Gambar 1 merupakan dapatkan pendugaan model ARIMA (p,d,q). Pedesaan dan secara Nasional. Penelitian ini Tahapan berikutnya setelah didapatkan menggunakan data kemiskinan yang ber- model ARIMA yang diduga yaitu melakukan sumber dari Badan Pusat Statistik tahun 2011 estimasi parameter model dengan menggu- hingga 2020 dengan jumlah 60 record data nakan ACF (Autocorrelation Function) dan dengan harapan mampu untuk meramalkan PACF (Partial Autocorrelation Function). tingkat kemiskinan di Indonesia pada masa 4 Tahapan berikutnya dilanjutkan dengan tahun yang akan datang dari tahun 2021 pemeriksaan diagnostik dengan parameter hingga 2024. Hasil yang diharapkan dari AIC (Akaike Information Criterion) dan SBC penelitian ini yaitu mampu memberikan nilai (Schwarz Bayes Criterion) untuk melihat akurasi peramalan yang baik dan nilai parameter model yang terbaik. Prasetyono, Anggraini, Analisis Peramalan Tingkat… https://doi.org/10.35760/ik.2021.v26i2.3699 Langkah 97 selanjutnya melakukan uji parameter error dilakukan per-6 bulan yaitu Maret dan dengan 3 katergori yaitu menggunakan September. RMSE (Root Mean Square Error), MAE observasi dalam penelitian, digunakan data (Mean Absolute Error) dan MAPE (Mean dari tahun 2011 hingga 2020 untuk peramalan Absolute Percentage Error) untuk dilihat dengan jumlah 60 dataset. Tabel 1 contoh model ARIMA yang paling kecil nilai error sampel data pengujian tingkat kemiskinan di dan Indonesia. paling baik akurasinya. Setelah Maka untuk memudahkan didapatkan model ARIMA yang memiliki Pada bulan Maret 2015 persentase nilai akurasi terbaik dengan error terkecil tingkat kemiskinan di Indonesia wilayah barulah data tersebut bisa digunakan untuk perkotaan sebesar 8.29 %, sedangkan untuk proses peramalan. wilayah pedesaan lebih besar yaitu sebesar 14.21 % dan dalam skala Nasional sebesar Input Data Kemiskinan di Indonesia 11,22 %. Pada tahapan ini data yang diinput Persentase tingkat kemiskinan dilakukan dalam satuan persen, dihitung berjumlah 102 data dari periode 1996 hingga berdasarkan sensus tiap tahunnya dari 2020. Pengambilan data kemiskinan di banyaknya jumlah penduduk yang berada Indonesia pada tahun 1996 hingga 2010 dibawah garis kemiskinan dan rata-rata dilakukan setahun sekali, sedangkan pada pengeluaran per kapita penduduk yang berada tahun 2011 hingga 2020 pengambilan data dibawah garis kemiskinan. Gambar 1. Tahapan Model Penelitian Tabel 1. Sampel Data Pengujian Tingkat Kemiskinan di Indonesia Bulan Maret 2011 September 2011 Maret 2012 September 2012 Maret 2013 September 2013 Maret 2014 September 2014 Maret 2015 September 2015 Kota 9,23 9,09 8,78 8,6 8,39 8,52 8,34 8,16 8,29 8,22 Desa 15,72 15,59 15,12 14,7 14,32 14,42 14,17 13,76 14,21 14,09 Nasional 12,49 12,36 11,96 11,66 11,37 11,47 11,25 10,96 11,22 11,13 [Sumber : www.bps.go.id, 2021] 98 Jurnal Ilmiah Informatika Komputer Volume 26 No. 2 Agustus 2021 Identifikasi Model tingkat kemiskinan belum stasioner. Langkah Pada tahap ini data yang diinput akan selanjutnya untuk menjadikan data stasioner melalui yaitu dengan pengujian diferensiasi dimana pengujian unit root dengan menggunakan pengujian bisa dilakukan dengan kriteria Augmented Dickey-Fuller (ADF) serta mela- Akaike Info Criterion (AIC) atau Schwarz kukan pengujian dengan level diferensiasinya. Info Pengujian stasioner dilakukan untuk meng- stasioner, nilai probabilitas (p-value) harus hasilkan nilai rata-rata dan varian yang lebih kecil dari nilai signifikan (α) 0.05 dan konstan. Gambar 2 ditampilkan grafik tingkat nilai t-statistic lebih kecil dari nilai kritis kemiskinan di Indonesia. Berdasarkan Gam- pengujian. Nilai signifikan (α) sebesar 0.05 bar 2 variabel X ditunjukkan dengan nama merupakan bulan dan variabel Y nilai rata-rata tingkat kesalahan yang dilakukan dalam penelitian, kemiskinan. Dari grafik tersebut terlihat data nilai probabilitas (p-value) merupakan besar- belum stasioner hal ini ditunjukkan dengan nya peluang dalam statistik pengujian yang keadaan naik dan penurunan grafik masih dilakukan dan nilai t-statistic merupakan belum konstan atau tidak stabil. Sebagai sebuah nilai yang digunakan untuk menguji contoh pada rata-rata tingkat kemiskinan kebenaran dalam sample yang digunakan tahun 2014 dimana terlihat terjadi kenaikan pada penelitian [11]. Dalam pengujian dife- grafik lalu kemudian terjadi sedikit naik turun rensiasi dilakukan 3 kriteria yaitu Level grafik dari rentang 2015 hingga 2016 yang (Level 0), 1st Difference (Level 1) dan 2nd kemudian terjadi penurunan sangat signifikan Difference (Level 2). Apabila data sudah sta- pada periode 2017 hingga 2019. Maka dari itu sioner, maka pengujian diferensiasi dihen- dikatakan bahwa grafik pengujian pada tikan pada level tersebut. dilakukan pengecekan stasioner Criterion nilai (SBC). batas Pada pengujian maksimal dari Gambar 2. Sampel Grafik Tingkat Kemiskinan di Indonesia Tabel 2. Aturan Pola ACF dan PACF ACF Tails off Cut off setelah lag p Cut off setelah lag p PACF Cut off setelah lag q Tails off Cut off setelah lag p Model AR (p) MA (q) AR(p), MA(q) Keterangan : tails off adalah kondisi dimana parameter model berubah menjadi nol secara asimptotik dan cut off adalah kondisi dimana parameter model menjadi nol secara tiba-tiba [12]. Prasetyono, Anggraini, Analisis Peramalan Tingkat… https://doi.org/10.35760/ik.2021.v26i2.3699 99 Pendugaan Model dan Estimasi Parameter persentase error dari hasil peramalan. Para- ACF-PACF meter untuk menguji error menggunakan 3 Data time series yang sudah stasioner kriteria yaitu Root Mean Square Error dapat dilakukan pengujian estimasi parameter (RMSE), Mean Square Error (MSE) dan model menggunakan Autocorelation Function Mean Absolute Percentage Error (MAPE). (ACF) dan Partial Autcorelation Function Kriteria RMSE digunakan untuk memberikan (PACF). Model pembentukan ARIMA harus gambaran lengkap tentang distribusi kesa- memperhatikan aturan pola seperti pada Tabel lahan menggunakan Persamaan 1. 2. Setelah pendugaan model ARIMA ditemukan berdasarkan plot ACF dan PACF (1) dari data time series yang sudah stasioner, maka selanjutnya dilakukan tahapan analisis regresi melalui metode Least Square. Kriteria MSE untuk mengukur tingkat Pengujian menggunakan metode Least Square kesalahan dari prediksi untuk menemukan nilai penduga dalam Persamaan 2. Kriteria MAPE merupakan pemodelan regresi yang meminimumkan presentase jumlah kuadrat galat. Pengujian ini untuk terhadap nilai aktual pada periode tertentu menghasilkan nilai Akaike Info Criterion menggunakan Persamaan 3. kesalahan hasil menggunakan peramalan (AIC) dan Schwarz Info Criterion (SBC). (2) Pemeriksaan Diagnostik Pemeriksaan Diagnostik dilakukan (3) untuk mengetahui apakah dari pemodelan ARIMA sementara menghasilkan nilai yang signifikan atau tidak. Model dikatakan signi- HASIL DAN PEMBAHASAN fikan apabila probabilitas (p-values) < 0.05. Pengujian yang dilakukan pada tahap ini yaitu dengan uji white noise. Pengujian dengan white noise dikatakan baik dan bisa dijadikan pemodelan ARIMA apabila plot ACF dan PACF memiliki probabilitas (p-value) > 0.05. Dalam penelitian kali ini yang akan diramalkan adalah tingkat kemiskinan di Indonesia berdasarkan wilayah perkotaan, pedesaan dan nasional pada masa 4 tahun kedepan, dari tahun 2021 hingga 2024. Pengujian dengan model ARIMA diharapkan mampu meramalkan tingkat kemiskinan di Evaluasi Parameter Error Pengujian dilakukan untuk melihat model ARIMA yang terbaik dengan melihat 100 Indonesia berdasarkan model terbaik dengan nilai RMSE, MAE dan MAPE. Jurnal Ilmiah Informatika Komputer Volume 26 No. 2 Agustus 2021 Hasil Identifikasi Model pengujian diferensiasi. Diperlukan uji unit Proses pengidentifikasian model yang root menggunakan Augmented Dickey-Fuller akan digunakan dalam peramalan, langkah (ADF) untuk mengidentifikasi stasioneritas yang dilakukan yaitu dengan melakukan data dan pengujian diferensiasi. identifikasi stasioneritas data yang diuji dan (a) Hasil uji Diferensiasi Level 0 (b) Hasil uji Diferensiasi Level 1 (c) Hasil uji Level 2 Gambar 3. Hasil Uji data Perkotaan dengan ADF (a) Hasil uji Diferensiasi Level 0 (b) Hasil uji Diferensiasi Level 1 (c) Hasil Uji Diferensiasi Level 2 Gambar 4. Hasil Uji data Pedesaan dengan ADF Prasetyono, Anggraini, Analisis Peramalan Tingkat… https://doi.org/10.35760/ik.2021.v26i2.3699 101 (a) Hasil uji Diferensiasi Level 0 (b) Hasil uji Diferensiasi Level 1 (c) Hasil Uji Diferensiasi Level 2 Gambar 5. Hasil Uji data Nasional dengan ADF Pada Gambar 4(a) dapat dilihat bahwa (d=1) mendapatkan p value 0.3199 > 0.05 dan pada pengujian awal (level 0) didapatkan nilai t statistic -1.906763 > -3.098896 sehingga p value 0.6850 > 0.05 dan t statistic - bisa dikatakan H1 dan data belum stasioner. 1.756711 > -3.673616 bisa Pada gambar 5(c) bahwa diferensisasi level 2 dikatakan H0 ditolak belum (d=2) mendapatkan p value 0.0013 < 0.05 dan stasioner. Pada bahwa t statistic -4.977644 < -3.065585 sehingga diferensisasi level 1 (d=1) mendapatkan p bisa dikatakan H2 dan data sudah stasioner. value 0.0586 > 0.05 dan t statistic -3.600253 Hasil uji diferensiasi untuk data nasional > -3.690814 sehingga bisa dikatakan H1 adalah 2nd Difference (Level 2). sehingga dan gambar data 4(b) ditolak dan data belum stasioner. Gambar 4(c) bahwa diferensisasi level 2 (d=2) Hasil Estimasi Parameter Model mendapatkan p value 0.0156 < 0.05 dan t Setelah data stasioner maka selanjutnya statistic -4.412499 < -3.733200 sehingga bisa pengujian dengan parameter model ACF dan dikatakan H2 dan data sudah stasioner. Hasil PACF. Pada pengujian sebelumnya masing- nd masing data memiliki level diferensiasi 2. uji diferensiasi untuk data pedesaan adalah 2 Difference (Level 2). Selanjutnya untuk mendapatkan model Pada pengujian Gambar 5(a) dapat ARIMA bisa dilihat pada Gambar 6. Gambar dilihat bahwa pada pengujian awal (level 0) 6(a) menampilkan pendugaan model plot didapatkan nilai p value 0.3493 > 0.05 dan t ACF dan plot PACF dengan data kemiskinan statistic -1.844413 > -3.029970 sehingga bisa di Perkotaan diferensiasi level 2. Plot ACF dikatakan H0 dan data belum stasioner. mengalami signifikan pada lag ke 5 dan plot Gambar 5(b) bahwa diferensisasi level 1 PACF mengalami signifikan di lag ke 2. 102 Jurnal Ilmiah Informatika Komputer Volume 26 No. 2 Agustus 2021 (a) Hasil Pendugaan Model data Perkotaan (b) Hasil Pendugaan Model data Pedesaan (c) Hasil Pendugaan Model data Nasional Gambar 6. Hasil Estimasi Model Data Uji Berdasarkan hasil tersebut pendugaan mengalami signifikan di lag ke 1. Berdasar- model ARIMA data kemiskinan wilayah kan hasil tersebut pendugaan model ARIMA Perkotaan adalah autoregressive dengan nilai data kemiskinan wilayah Perkotaan adalah AR(2) dan moving average dengan nilai autoregressive MA(5). Tabel 3 terdapat 3 model pendugaan moving average dengan nilai MA(1) dapat yang sesuai untuk data kemiskinan perkotaan dilihat pada Tabel 4. Maka terdapat 3 model yaitu ARIMA(2,2,5), ARIMA(0,2,5) dan yang sesuai untuk data kemiskinan perkotaan ARIMA(2,2,0). Gambar 6 (b) menampilkan yaitu ARIMA(1,2,1), ARIMA(0,2,1) dan pendugaan model plot ACF dan plot PACF ARIMA(1,2,0). Gambar 6(c) menampilkan dengan data kemiskinan di Pedesaan diferen- pendugaan model plot ACF dan plot PACF siasi level 2. Pada plot ACF mengalami dengan data kemiskinan secara Nasional signifikan pada lag ke 1 dan plot PACF juga diferensiasi level 2. dengan nilai AR(1) dan Tabel 3. Pendugaan Variabel ACF dan PACF Perkotaan ARIMA (2,2,5) ARIMA (0,2,5) ARIMA (2,2,0) variabel p (ACF) 2 0 2 variabel d (level diferensiasi) 2 2 2 Variabel q (PACF) 5 5 0 Tabel 4. Pendugaan Variabel ACF dan PACF Pedesaan ARIMA (1,2,1) ARIMA (0,2,1) ARIMA (1,2,0) variabel p (ACF) 1 0 1 variabel d (level diferensiasi) 2 2 2 Prasetyono, Anggraini, Analisis Peramalan Tingkat… https://doi.org/10.35760/ik.2021.v26i2.3699 Variabel q (PACF) 1 1 0 103 Tabel 5. Pendugaan Variabel ACF dan PACF Nasional variabel p (ACF) variabel d (level diferensiasi) Variabel q (PACF) 0 2 5 ARIMA (0,2,5) Tabel 6. Perbandingan Model ARIMA Data Perkotaan Model ARIMA ARIMA (2,2,5) ARIMA (0,2,5) ARIMA (2,2,0) AIC 0.646196 0.579118 0.779273 SBC 0.844056 0.727513 0.927669 Gambar 7. Pendugaan Parameter Model ARIMA (0,2,5) data Perkotaan Tabel 7. Perbandingan Model ARIMA Data Pedesaan Model ARIMA ARIMA (1,2,1) ARIMA (0,2,1) ARIMA (1,2,0) AIC 0.689214 0.581924 0.819069 SBC 0.887075 0.730319 0.967465 Gambar 8. Pendugaan Parameter Model ARIMA (0,2,1) Data Pedesaan Pada plot ACF mengalami signifikan model tersebut berdasarkan kriteria Akaike pada lag ke 5 dan plot PACF tidak mengalami Info Criterion (AIC) dan Schwarz Info lag signifikan. Berdasarkan hasil tersebut Criterion (SBC). Berdasarkan hasil pengujian pendugaan model ARIMA data kemiskinan terhadap masing-masing data maka diperoleh secara Nasional adalah moving average pendugaan model terbaik dapat dilihat pada dengan nilai MA(5) dapat dilihat pada Tabel Tabel 6. 5. Maka terdapat 1 model yang sesuai untuk Penentuan nilai estimasi parameter data kemiskinan perkotaan yaitu ARIMA model terbaik dapat dilihat dari hasil AIC dan (0,2,5). Setelah diperoleh pendugaan model SBC terkecil. Dari perbandingan 3 model ARIMA maka langkah selanjutnya menguji ARIMA yang terdapat pada Tabel 6, model 104 Jurnal Ilmiah Informatika Komputer Volume 26 No. 2 Agustus 2021 ARIMA(0,2,5) memiliki estimasi parameter Penentuan nilai estimasi parameter model terbaik dibandingkan model ARIMA model untuk data secara Nasional hanya (2,2,5) dan ARIMA(2,2,0) dengan nilai AIC memiliki 1 model jadi tidak diperlukan sebesar 0.579118 dan SBC sebesar 0.727513. adanya perbandingan. Hasil pengujian model Nilai ARIMA(0,2,5) dapat dilihat pada ARIMA (0,2,5) data kemiskinan secara Gambar 7. Penentuan nilai estimasi parameter nasional memiliki nilai AIC sebesar 0.574757 model terbaik dapat dilihat dari hasil AIC dan dan nilai SBC sebesar 0.723153. Hasil dapat SBC terkecil. Dari perbandingan 3 model dilihat pada Tabel 8 dan Gambar 9. ARIMA yang terdapat pada Tabel 7, model ARIMA (0,2,1) memiliki estimasi parameter model terbaik dibandingkan model ARIMA (1,2,1) dan ARIMA(1,2,0) dengan nilai AIC sebesar 0.581924 dan SBC sebesar 0.730319. Tabel 8. Perbandingan Model ARIMA Data Nasional Model ARIMA AIC SBC ARIMA (0,2,5) 0.574757 0.723153 Gambar 9. Pendugaan Parameter Model ARIMA (0,2,5) Data Nasional (a) Hasil Diagnostik ARIMA (2,2,5) (b) Hasil Diagnostik ARIMA (0,2,5) Prasetyono, Anggraini, Analisis Peramalan Tingkat… https://doi.org/10.35760/ik.2021.v26i2.3699 105 (c) Hasil Diagnostik ARIMA (2,2,0) Gambar 10. Hasil Diagnostik Model ARIMA Perkotaan (a) Hasil Diagnostik ARIMA (1,2,1) (b) Hasil Diagnostik ARIMA (0,2,1) (c) Hasil Diagnostik ARIMA (1,2,0) Gambar 11. Hasil Diagnostik Model ARIMA Pedesaan Gambar 12. Hasil Diagnostik Model ARIMA (0,2,5) Nasional Pemeriksaan Diagnostik Berdasarkan Gambar 11. (a), (b) dan Pada tahap ini untuk memeriksa apakah (c) lag ke-1 sampai dengan lag ke-17 tidak model yang digunakan sudah baik dengan ada lag yang signifikan dengan ditunjukkan melihat residual. Analisis residual dapat bahwa nilai probabilitas dari masing-masing dikatakan baik jika memiliki white noise pengujian dengan melihat nilai probabilitas pada ACF signifikan 5% (p-value > 0.05). dan PACF yang tidak signifikan (p-value > α menunjukkan bahwa residual model ARIMA = 0.05). (1,2,1), ARIMA(0,2,1) dan ARIMA(1,2,0) lebih besar dari pada nilai Hal ini sudah white noise dan terdistribusi dengan 106 Jurnal Ilmiah Informatika Komputer Volume 26 No. 2 Agustus 2021 bisa Error (MAPE). Dari Tabel 9. bahwa model digunakan untuk proses peramalan. Berdasar- terbaik untuk peramalan data kemiskinan kan Gambar 12 lag ke-1 sampai dengan lag perkotaan yaitu ARIMA (2,2,5) karena ke-17 memiliki nilai error lebih kecil dari ARIMA baik sehingga tidak 3 ada model lag tersebut yang signifikan ditunjukkan bahwa nilai probabilitas pada (0,2,5). Nilai ARIMA(2,2,5) memiliki pengujian tersebut lebih besar dari nilai RMSE=1.246582, signifikan 5% (p-value > 0.05). Hal ini MAPE=12%. Dari Tabel 10. bahwa model menunjukkan bahwa residual model ARIMA terbaik untuk peramalan data kemiskinan (0,2,5) sudah white noise dan terdistribusi pedesaan yaitu ARIMA(1,2,1) karena memi dengan baik sehingga model tersebut bisa liki nilai error lebih kecil dari ARIMA(0,2,1) digunakan untuk proses peramalan. dan ARIMA(1,2,0). Nilai ARIMA(1,2,1) MAE=0.923255 dan memiliki RMSE=0.392650, MAE=0.311529 Pemeriksaan Error dan MAPE=2%, sementara untuk peramalan Pada tahap ini masing-masing model data kemiskinan secara nasional hanya ARIMA yang terdapat pada data akan di menggunakan 1 model saja yaitu ARIMA evaluasi akurasi dan error untuk mendapat- (0,2,5) dan tidak ada perbandingan. Berda- kan hasil peramalan terbaik. Untuk evaluasi sarkan hasil pengujian untuk ARIMA(0,2,5) error digunakan 3 parameter yaitu Root Mean nilai akurasi RMSE sebesar 2.533166, MAE Square Error (RMSE), Mean Absolute Error sebesar 2.090505 dan MAPE sebesar 20%. (MAE) dan Mean Absolute Percentager Tabel 9. Perbandingan Error Model ARIMA Perkotaan Model ARIMA(2,2,5) ARIMA(0,2,5) RMSE 1.246582 2.319173 MAE 0.923255 1.831840 MAPE 12.95332 25.16329 Tabel 10. Perbandingan Error Model ARIMA Pedesaan Model ARIMA(1,2,1) ARIMA(0,2,1) ARIMA(1,2,0) RMSE 0.392650 1.904272 0.574083 MAE 0.311529 1.671111 0.469415 MAPE 2.255216 12.47963 3.505666 Tabel 11. Model ARIMA Terbaik Perkotaan Pedesaan Nasional ARIMA (2,2,5) ARIMA (1,2,1) ARIMA (0,2,5) Tabel 12. Hasil Peramalan Maret 2021 September 2021 Perkotaan 9.731618 10.00904 Pedesaan 12.86529 12.90742 Prasetyono, Anggraini, Analisis Peramalan Tingkat… https://doi.org/10.35760/ik.2021.v26i2.3699 Nasional 14.68985 15.06510 107 Maret 2022 September 2022 Maret 2022 September 2023 Maret 2024 September 2024 10.30984 10.63402 10.98156 11.35246 11.74672 12.16436 12.96710 13.04433 13.13910 13.25141 12.38128 13.52868 Hasil Peramalan 15.46560 15.89138 16.34241 16.81871 17.32027 17.84709 kesalahan dalam penelitian [14] dan RMSE Berdasarkan terhadap untuk mengukur tingkat kesalahan dari masing-masing data maka diperoleh model perbandingan hasil prediksi yang dilakukan ARIMA terbaik dapat lihat pada Tabel 11. [15], sementara pada penelitian lain hanya Setelah menemukan model ARIMA terbaik menggunakan 1 parameter saja. Oleh karena dari pengujian, tahap selanjutnya proses pera- itu malan. Tabel 12 merupakan hasil peramalan meramalkan angka kemiskinan di Indonesia dari pengujian data kemiskinan di Indonesia dengan model ARIMA sangat baik namun berdasarkan wilayah Perkotaan, Pedesaan dan perlu juga dilakukan dengan metode lainnya secara Nasional. Pada Tabel 12. diperoleh untuk mengetahui nilai akurasi dan persentase hasil peramalan yang dilakukan terhadap data yang berbeda. kemiskinan pengujian dengan pemodelan penelitian yang dilakukan untuk ARIMA. Peramalan dilakukan untuk periode Maret KESIMPULAN DAN SARAN 2021 hingga September 2024. Berdasarkan pengujian dalam Disimpulkan bahwa peramalan dengan penelitian ini dapat dikatakan bahwa hasil model ARIMA terhadap data kemiskinan pengujian dengan model ARIMA terhadap wilayah perkotaan, model ARIMA yang data kemiskinan di Indonesia termasuk digunakan adalah model ARIMA(2,2,5). kategori pengujian yang baik. Hal ini Model ini memiliki nilai akurasi dan error dibuktikan terhadap nilai akurasi maupun lebih baik dari pada model ARIMA lainnya perhitungan menggunakan dengan nilai RMSE sebesar 1.246582, nilai parameter Mean Absolute Error (MAE), MAE sebesar 0.923255 dan nilai MAPE Mean Absolute Percentage Error (MAPE) sebesar 12%, untuk data kemiskinan wilayah dan Root Mean Square Error (RMSE) pedesaan menggunakan model ARIMA(1,2,1) menghasilkan dan karena memiliki nilai akurasi dan error lebih persentase error rendah. Keunggulan dari baik dari pada model ARIMA lainnya dengan penelitian ini dibanding penelitian terdahulu nilai RMSE sebesar 0.392650, nilai MAE yaitu terdapat pada tahap pengujian akurasi sebesar 0.311529 dan nilai MAPE sebesar 2% dan nilai error dimana pada penelitian ini dan data kemiskinan secara Nasional hanya dilakukan pengujian dengan 3 parameter yaitu diperoleh 1 model ARIMA yaitu model MAE untuk menguji tingkat keakuratan ARIMA(0,2,5) dengan nilai akurasi dan error model [13], MAPE untuk menguji persentase berdasarkan 108 yang telah error nilai dilakukan dengan yang akurat parameter RMSE sebesar Jurnal Ilmiah Informatika Komputer Volume 26 No. 2 Agustus 2021 2.533166, MAE sebesar 2.090505 dan MAPE menurut-wilayah.html.. [Accessed 02 sebesar 20%. Maret 2021]. Beberapa saran yang dapat diberikan [3] Heizer, B. and Render, B., Operations agar penelitian berikutnya menjadi lebih baik Management, Jakarta: Salemba Empat, antara lain. 2011. 1. Penggunaan dataset disarankan lebih [4] M. Ekananda, Analisis Data Time banyak daripada yang digunakan pada Series penelitian saat ini. Karena semakin banyak Manajemen dan Akuntansi, Bogor: dataset yang digunakan, semakin besar Mitra Wacana, 2014. pula nilai akurasi yang dihasilkan [5] 2. Metode peramalan bisa menggunakan N. Untuk Penelitian Bakar, and "Autoregressive Ekonomi, S. Rosbi, Integrated Moving selain dari ARIMA, hal ini diharapkan Average dengan bisa Forecasting Cryptocurrency Exchange menghasilkan tingkat akurasi yang lebih Rate in High Volatility Environment: A baik dalam peramalan tingkat kemiskinan New Insight of Bitcoin Transaction," di Indonesia International 3. Metode metode untuk yang menguji lain parameter Model Journal of for Advanced Engineering Research and Science kesalahan juga bisa menggunakan selain dari 3 metode yang digunakan pada (ARIMA) (IJAERS), vol. 4, no. 1, 2017. [6] P. Herman, B. Yuniarta, and H. penelitian saat ini, harapannya yaitu bisa Rahmawati, "Prediksi menghasilkan nilai error yang lebih baik Penduduk Miskin Kalimantan Timur dari metode yang digunakan sebelumnya. Menggunakan Single dan Jumlah Double Exponential Smoothing," Jurnal Ilmiah DAFTAR PUSTAKA Ilmu Komputer, vol. 15, no. 1, pp. 4751, 2020. [1] B. P. Statistik, Data dan Informasi Kemiskinan [2] Kabupaten dan [7] S. Desi, "Forecasting of Poverty Data Kota Using Seasonal ARIMA Modeling in Tahun 2019, Jakarta: CV Nario Sari, West Java Province," JTAM (Jurnal 2020. Teori dan Aplikasi Matematika), vol. 4, B. P. Statistik, "bps.go.id," Persentase no. 1, pp. 76-86, 2020. Penduduk Miskin Menurut Wilayah [8] A. Aulia, S. Eka, J. Miftahul, L.K. (Persen), 1996-2020, 2021. [Online]. Pathullaili, and S. Ahmad, "ARDL Available: Method: Forecasting Data Kemiskinan https://www.bps.go.id/indicator/23/184 di NTB," JTAM (Jurnal Teori dan /1/persentase-penduduk-miskin- Prasetyono, Anggraini, Analisis Peramalan Tingkat… https://doi.org/10.35760/ik.2021.v26i2.3699 109 Aplikasi Matematika), vol. 3, no. 1, pp. [9] [13] A. Suryanto, and A. Muqtadir, 52-57, 2019. "Penerapan Metode Mean Absolute P. Jana, "Aplikasi Triple Exponential Error (MAE) Dalam Algoritma Regresi Smoothing untuk Forecasting Jumlah Linear Untuk Prediksi Produksi Padi," Penduduk Miskin," Jurnal Derivat, vol. SAINTEKBU, vol. 11, pp. 78-83, 3, no. 2, pp. 75-81, 2016. 2019. [10] B. P. Statistik, "bps.go.id," ARIMA, 2021. [Online]. Available: [14] Khoiri, "Khoiri.com," Cara Menghitung Mean Absolute Percentage https://daps.bps.go.id/file_artikel/77/ari Error, ma.pdf.. [Accessed 18 Maret 2021]. https://www.khoiri.com/2020/12/penge [11] F. Hutapea, Diferensiasi "Analisis Untuk Strategi Meningkatkan Keunggulan Bersaing Pada Produk Flexy Classy di PT.Telkom 2020. [Online]. Available: rtian-dan-cara-menghitung-meanabsolute-percentage-error-mape.html.. [Accessed 21 May 2021]. [15] S.W. Hasniah, and Y. Desi, "Penerapan Representative Office Medan Area Metode Commerce I Sumatera," Universitas Peramalan (Studi Kasus : Inflasi di Sumatera Utara, Medan, 2012. Indonesia)," Jurnal Eksponensial, vol. [12] Q. Stack, "qastack.id," Istilah cut-off ARIMA Ensembel pada 7, no. 1, 2016. dan tail off tentang ACF, fungsi PACF, 2021. [Online]. Available: https://qastack.id/stats/241914/termscut-off-and-tail-off-about-acf-pacffunctions.. [Accessed 21 May 2021]. 110 Jurnal Ilmiah Informatika Komputer Volume 26 No. 2 Agustus 2021