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