!" #   $     " #%&      $"     #% % #%& & #    #% % #%    () "                 ) (       *(   )     ( %       ) # +()(*   ...
.#(+ /                  !" #     $"          %" % $ 0 #% % #% 1#       %" % #% % #% 1#   2() , $ 0 " *   2   3     ( ) #2 ...
LEMBAR PENGESAHANPERAMALAN HASIL PENANGKAPAN IKAN KONSUMSI AIR TAWAR DI KABUPATEN MOJOKERTO DENGAN METODE               AR...
KATA PENGANTAR         Syukur Alhamdulillah penulis panjatkan kehadirat AllahSWT yang telah memberikan rahmat, taufiq dan ...
PERAMALAN HASIL PENANGKAPAN IKAN KONSUMSI    AIR TAWAR DI KABUPATEN MOJOKERTO DENGAN            METODE ARIMA BOX-JENKINS  ...
FORECASTING OF CONSUMPTION FISH                   IN MOJOKERTO        BY USING ARIMA BOX-JENKINS METHOD        Name       ...
DAFTAR ISIJudul                                                                           halamanHALAMAN JUDUL...............
BAB III METODOLOGI PENELITIAN       3.1 Sumber Data..........................................................17       3.2 ...
DAFTAR TABELTabel 2.1 Transformasi Box-Cox................................................ 6Tabel 2.2 Kriteria ACF dan PAC...
DAFTAR GAMBARGambar 3.1 Diagram langkah penelitian ................................... 20Gambar 4.1 Plot Time Series Data ...
Tidak seorang pun dapat kembali dan membuat suatu awal yangbagus. Siapapun dapat memulai dari sekarang dan membuat akhir y...
BAB I                      PENDAHULUAN1.1 Latar Belakang        Indonesia merupakan negara dengan sumber daya perair-an ya...
Adapun beberapa penelitian yang pernah dilakukan me-ngenai sektor perikanan yaitu “Pola Ekspor Hasil Perikanan de-ngan men...
2. Bagaimana nilai peramalan 3 jenis ikan konsumsi air ta-      war hasil penangkapan ikan bulanan untuk periode yang     ...
(halaman ini sengaja dikosongkan)
Setiap orang mendengar apa yang kau katakan. Sahabat mendengar apayang harus kau katakan. Sahabat terbaik mendengarkan apa...
BAB II                      TINJAUAN PUSTAKA2.1 Tinjauan Statistika2.1.1 Metode Time Series         Deret Waktu (Time seri...
transformasi Box-Cox (Wei, 1990) untuk beberapa nilai                                  yangsering digunakan.              ...
1 dianggap terpisah. Fungsi autokorelasi parsial dapat dituliskansebagai berikut :φ kk = corr (Zt, Zt+k | Zt+1, Zt+2,... Z...
Bentuk fungsi persamaan untuk model MA pada orde (q)adalah (Wei, 1990) :        Z t = at − θ1at −1 − θ 2 at −2 − ... − θ q...
dimana:          Φ P = orde P pada koefisien komponen AR musiman          φ p = orde p pada koefisien komponen AR         ...
dengan asumsi bahwa error at berdistribusi normal. Fungsi kepa-datan peluang suatu error at adalah :                      ...
Daerah Kritis :       Tolak H0 jika P_value <             atau thitung > t(1-α/2);df   = n-np,dimana np = banyaknya para...
Statistik uji :                   D = sup |S(x) – F0 (x)| ..............................(2.24) Dimana : S (x) = fungsi pel...
SBC (M)= n ln ( σ a ) + M ln (n)                    ˆ2                    .................(2.26)   Dimana :   n = banyakn...
2.2    Tinjauan Non Statistika2.2.1  Perikanan        Perikanan adalah semua kegiatan yang berhubungan de-ngan pengelolaan...
a. Memperoleh ikan dalam hal ini adalah kegiatan menangkap    atau mengumpulkan ikan yang hidup bebas di laut atau perai- ...
kannya. Perairan yang terjadi karena luapan banjir, walaupun me-nutupi tanah milik perseorangan, dimasukkan sebagai perair...
Kebanggaan kita yang terbesar adalah bukan tidak pernah gagaltetapi bangkit kembali setelah kita jatuh. (La Rouchefoucauld...
BAB III                METODOLOGI ANALISIS3.1 Sumber Data         Data yang digunakan dalam penelitian tugas akhir iniadal...
g. Dari estimasi tersebut diperoleh data hasil penangkapan tiap   bulan yang sudah dikurangi dengan hasil ikan yang   diko...
3. Melakukan uji kelayakan terhadap model ARIMA (p, d, q)   yang didapatkan.   a. Penaksiran parameter            Melakuka...
3.4 Diagram Alur Penelitian                            Mulai           Input data penangkapan tiap jenis ikan        • Mem...
Jika engkau merasa terjatuh karena tidak mendapatkan apa yangengkau inginkan, berusahalah dan bertawakal. Karena Allah aka...
BAB IV             ANALISIS DAN PEMBAHASAN4.1 Analisis Time Series        Data yang digunakan untuk analisis time series a...
plot time series terlihat variansi datanya lebih rapat dan adapendugaan bahwa data tersebut tidak stasioner dalam musiman....
Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan Tawes         Berdasarkan Gambar 4.3 dapat dilihat bahwa ACF plotda...
rencing lag-lag berada didalam batas signifikansi. Setelah itudilakukan identifikasi model musiman yaitu sebagai berikut: ...
autoregresive dan moving average yaitu ARIMA (0 1 0)12.Selanjutnya dilakukan uji white noise dari model yang diperolehyait...
Tabel 4.6 nilai AIC model Tawes                     model             Nilai AIC                     (1 1 0)12         897....
periode 12 bulan ke depan untuk data penangkapan ikan tawesadalah sebagai berikut :  Tabel 4.9 peramalan 12 bulan kedepan ...
!         Gambar 4.5 Plot Time Series Data Penangkapan Ikan Nila        Berdasarkan Gambar 4.5 dapat dilihat bahwa plot da...
! Gambar 4.7 Time Series Plot Data Transformasi Penangkapan Ikan Nila        Gambar 4.6 menunjukkan bahwa untuk data penan...
Gambar 4.8 Plot Differencing Musiman Data Penangkapan Ikan Nila        Gambar 4.8 menunjukkan bahwa untuk data penangkapan...
Gambar 4.9 ACF Plot Data Musiman Penangkapan Ikan Nila         Berdasarkan Gambar 4.9 plot ACF data dapat dilihatbahwa pad...
Berdasarkan tabel 4.10 diperoleh bahwa tiap parameteryang ada disetiap model itu signifikan karena memiliki nilai P-value ...
gagal tolak H0, yang berarti residual pada model ARIMA(1 1 0)12berdistribusi normal.         Dari Proses sebelumnya model ...
didapatkan nilai peramalan untuk data penangkapan ikan nilaselama 12 bulan kedepan adalah sebagai berikut: Tabel 4.14 Pera...
Gambar 4.11 Plot Time Series Data Penangkapan Ikan lele        Berdasarkan Gambar 4.11 dapat dilihat bahwa plot datapenang...
selanjutnya adalah menentukan model peramalan dengan melihatsecara visual plot ACF dan plot PACF.                         ...
Gambar 4.14 PACF Plot Data Differencing Penangkapan Ikan Lele         Berdasarkan Gambar 4.14 dapat diketahui bahwa plotPA...
DF          11     23    35      *            P-Value      0.154 0.110 0.336 *(0 1 1)12   Lag        12     24    36    48...
Shapiro-Wilk              W 0.820512      Pr < W      <0.0001Kolmogorov-Smirnov        D 0.195176      Pr > D      <0.0100...
(0 1 0)12          21.97483%         Dari Tabel 4.21 menunjukkan bahwa untuk model (0 10)12 mempunyai nilai MAPE sebesar 2...
84        773,5       Dari tabel 4.23 dapat diketahui hasil nilai peramalan darimodel (0 1 0)12 untuk data penangkapan ika...
(halaman ini sengaja dikosongkan)
Tak ada rahasia menggapai sukses, sukses itu dpat terjadi karenapersiapan, kerja keras dan mau belajar dari kegagalan. (W....
BAB V               KESIMPULAN DAN SARAN5.1 Kesimpulan        Berdasarkan penelitian terhadap data penangkapan tiapjenis i...
5.2 Saran1. Saran yang dapat diberikan dalam penelitian ini adalah    agar Dinas Peternakan dan Perikanan pemerintah lebih...
Jangan pernah menyia – yiakan kesempatan yang ada, karenakesempatan tidak mungkin datang dua kali seperti matahari pagi ti...
DAFTAR PUSTAKAAswi dan Sukarna, 2006, “Analisis Deret Waktu”, Andira       Publisher, MakassarCryer, D.J, 1986, “Time Seri...
Ketika kau sedih, merasa sendirian, dan orang – orang disekitarkamu terlalu sibuk dengan urusannya masing – masing, Jangan...
LAMPIRAN AData penangkapan ikan konsumsi dinas peternakan dan perikanan                       kab. Mojokerto              ...
JANUARI’05     1650      251       385FEBRUARI’05     720      275       280MARET’05        970      275       390APRIL’05...
LAMPIRAN BIdentifikasi Model Data Penangkapan Ikan TawesTime series plot Ikan TawesDifferencing musiman ikan tawes
ACF plot differencing ikan tawesPACF plot differencing ikan tawes
Pengujian Signifikansi Model ARIMA (1 1 0)12 TawesFinal Estimates of ParametersType        Coef     SE Coef       T       ...
Pengujian Signifikansi Model ARIMA(0 1 1)12 TawesFinal Estimates of ParametersType       Coef   SE Coef       T        PSM...
Pengujian Model ARIMA(0 1 0)12 Tawes                                                                                      ...
1        5   5,38     :                          :                          :  8       /5   5,8      :                    ...
6       /                               >      .?                       +@         6       .?            /////////////////...
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Tugasakhirindraherlangga1305030029 090829023233-phpapp01
Upcoming SlideShare
Loading in...5
×

Tugasakhirindraherlangga1305030029 090829023233-phpapp01

1,518
-1

Published on

Published in: Economy & Finance, Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
1,518
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
41
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Tugasakhirindraherlangga1305030029 090829023233-phpapp01

  1. 1. !" # $ " #%& $" #% % #%& & # #% % #% () " ) ( *( ) ( % ) # +()(* +#( , -
  2. 2. .#(+ / !" # $" %" % $ 0 #% % #% 1# %" % #% % #% 1# 2() , $ 0 " * 2 3 ( ) #2 2# +() (* + ( $ 0 % 2* ) ,#( , -
  3. 3. LEMBAR PENGESAHANPERAMALAN HASIL PENANGKAPAN IKAN KONSUMSI AIR TAWAR DI KABUPATEN MOJOKERTO DENGAN METODE ARIMA BOX-JENKINS LAPORAN TUGAS AKHIR Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan Di Program Studi Diploma Tiga Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya Oleh : INDRA HERLANGGA NRP 1305 030 029Disetujui oleh Pembimbing Tugas Akhir :Dra. Kartika Fitriasari, M.Si. ( )NIP. 132 061 809 Mengetahui Ketua Jurusan Statistika FMIPA-ITS Dr. Sony Sunaryo, MSi NIP. 131 843 380 SURABAYA, JUNI 2008
  4. 4. KATA PENGANTAR Syukur Alhamdulillah penulis panjatkan kehadirat AllahSWT yang telah memberikan rahmat, taufiq dan hidayah-Nya.Sehingga penulis dapat menyelesaikan Laporan Tugas Akhirdengan judul “Peramalan Hasil Penangkapan Ikan KonsumsiAir Tawar Di Kabupaten Mojokerto Dengan Metode ArimaBox-Jenkins”. Keberhasilan dalam penyusunan laporan akhir initidak terlepas dari bantuan banyak pihak. Penulis menyampaikanterima kasih yang sebesar-besarnya kepada semua pihak yangtelah memberikan dukungan, bimbingan, petunjuk dan juga saranselama penyusunan laporan tugas akhir ini, antara lain kepada : 1. Bapak Dr. Sonny Sunaryo, M.Si selaku Ketua Jurusan Statistika FMIPA ITS Surabaya. 2. Ibu Dra. Kartika Fitriasari, M.Si selaku dosen pembimbing yang telah meluangkan waktu untuk memberi bimbingan, nasihat serta saran. 3. Ibu Ir. Mutiah Salamah, M.Kes selaku Koordinator Tugas Akhir Jurusan Statistika ITS Surabaya. 4. Bapak, Ibu, kakak dan adik yang selalu memberikan motivasi, dukungan, kasih sayang dan do’a. 5. Terima kasihku untuk “Adè-q” yang selalu memarahi, menemani, memberi dukungan moral, motivasi dan do’a. 6. Teman-teman angkatan D3 Statistika 2005, terimakasih atas dukungan serta bantuannya. 7. Staff dosen dan karyawan jurusan yang telah banyak membantu penulis selama kuliah di D3 Statistika ITS Penulis menyadari dalam pembuatan laporan tugas akhirini masih jauh dari kesempurnaan, untuk itu kritik serta saransangat penulis harapkan perbaikan dan kesempurnaan. Semogalaporan tugas akhir ini bermanfaat bagi pembaca. Surabaya, Juni 2008 Penulis
  5. 5. PERAMALAN HASIL PENANGKAPAN IKAN KONSUMSI AIR TAWAR DI KABUPATEN MOJOKERTO DENGAN METODE ARIMA BOX-JENKINS Nama Mahasiswa : Indra Herlangga Nrp : 1305.030.029 Program : Dipl. III Statistika FMIPA-ITS Dosen Pembimbing : Dra. Kartika Fitriasari, M.SiAbstrak Indonesia merupakan negara dengan sumber daya perairanyang sangat melimpah. Perikanan adalah salah satu hasil dari sektorperairan yang selama ini mulai dikembangkan pemerintah. Di bidangperikanan banyak sekali kendala-kendala yang dihadapi oleh pemerin-tah baik dalam kegiatan pemberdayaan dan pengelolaannya. Dalam halini pemerintah membentuk suatu instansi negeri pemerintah untukmengelola sektor perikanan Indonesia yaitu Dinas Peternakan dan Pe-rikanan Indonesia. Dalam penelitian ini difokuskan terhadap hasilpenangkapan ikan konsumsi air tawar di Mojokerto yang saat iniberkembang sangat dinamis. Jenis ikan konsumsi yang akan dianalisisadalah jenis ikan konsumsi air tawar yang banyak dikonsumsi danmenjadi permintaan terbanyak masyarakat di Mojokerto yaitu ikantawes, nila, dan lele. Oleh karena itu untuk mengetahui perkembanganhasil penangkapan ikan air tawar digunakan suatu model peramalanberdasarkan data masa lalu, yaitu model time series. Berdasarkanpenelitian terhadap data penangkapan tiap jenis ikan yang telahdilakukan diperoleh model peramalan untuk data penangkapan ikantawes pada periode bulan Januari 2002 sampai dengan Desember 2007didapatkan suatu model yang terbaik adalah ARIMA (0 1 0)12.Sedangkan untuk data penangkapan ikan nila pada periode yang samadidapatkan model yang terbaik adalah ARIMA (1 1 0)12 dan untuk datapenangkapan ikan lele pada periode yang sama didapatkan modelterbaik yaitu ARIMA (0 1 0)12.Kata Kunci : Penangkapan Ikan, Time Series, ARIMA
  6. 6. FORECASTING OF CONSUMPTION FISH IN MOJOKERTO BY USING ARIMA BOX-JENKINS METHOD Name : Indra Herlangga Nrp : 1305.030.029 Programe : Diploma III Statistika FMIPA-ITS Supervisor : Dra. Kartika Fitriasari, M.SiAbstract Indonesia is a country with a real abundance water territoryresource. Fishery is one of results from water territory sector whichrecently developed by government. In fishery area, a lot of constraintsfaced by good government in the enable activity and management. Inthis case governmental formed an institution of government country tomanage Indonesia fishery sector that is Dinas Peternakan danPerikanan Indonesia. In this research focused to result of arrest ofconsumption fish of freshwater in Mojokerto which now grows verydynamic. Consumption fish which will be analysed is type of freshwaterwhich many consumed and become request by public in Mojokerto thatis tawes, nila, and lele. Therefore to know development result of arrestof bream is applied by a forecasting model based on past data, that ismodel time series. Based on research to data every fish type which hasbeen done obtained forecasting at period of January 2002 up toDecember 2007. The result shows that the best ARIMA model of tawes isARIMA (0 1 0)12. Than the best arima model of nila is ARIMA (1 1 0)12and than the best ARIMA model of lele is ARIMA (0 1 0)12.Keyword : Fish arrest, Time Series, ARIMA
  7. 7. DAFTAR ISIJudul halamanHALAMAN JUDUL................................................................iLEMBAR PENGESAHAN.....................................................iiiABSTRAK............................................................................... ivABSTRACT............................................................................. vKATA PENGANTAR............................................................. viDAFTAR ISI............................................................................ viiDAFTAR GAMBAR............................................................... ixDAFTAR TABEL.................................................................... xBAB I PENDAHULUAN 1.1 Latar Belakang...................................................... 1 1.2 Permasalahan ................................................. 2 1.3 Tujuan................................................................... 3 1.4 Manfaat................................................................ 3 1.3Batasan Masalah................................................... 3BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Statistika .............................................. 5 2.1.1 Metode Time Series........................................5 2.1.2 Model Time Series.......................................... 7 2.1.3 Identifikasi Model ARIMA Box-Jenkins Dan Pemeriksaan Parameter………………. 9 2.1.4 Pengujian Asumsi Residual………………… 11 2.1.5 Pemilihan Model Terbaik…………………... 12 2.2 Tinjauan Non Statistika …………………............14 2.2.1 Perikanan…………………………………….14 2.2.2 Perikanan Tangkap…………………………..14 2.2.3 Penangkapan Ikan…………………………... 14 2.2.4 Perairan Umum (Air Tawar)………………... 15
  8. 8. BAB III METODOLOGI PENELITIAN 3.1 Sumber Data..........................................................17 3.2 Metode Pengukuran Variabel Penelitian.............. 17 3.3 Metode Analisis.................................................... 18 3.4 Diagram Langkah Penelitian............... .................20BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Time Series............................................. 21 4.2 Peramalan Data Penangkapan Jenis Ikan Tawes.. 21 4.2.1 Identifikasi Model Untuk Data Penangkapan Ikan Tawes..................................................... 21 4.3 Peramalan Data Penangkapan Jenis Ikan Nila..... 28 4.3.1 Identifikasi Model Untuk Data Penangkapan Ikan Nila......................................................... 28 4.4 Peramalan Data Penangkapan Jenis Ikan Lele......35 4.4.1 Identifikasi Model Untuk Data Penangkapan Ikan Lele........................................................ 35BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan........................................................... 43 5.2 Saran..................................................................... 44DAFTAR PUSTAKALAMPIRAN
  9. 9. DAFTAR TABELTabel 2.1 Transformasi Box-Cox................................................ 6Tabel 2.2 Kriteria ACF dan PACF pada model ARIMA ....... . .. 9Tabel 4.1 Signifikansi Model Musiman Tawes ..................... . 24Tabel 4.2 Uji Ljung-Box Model Musiman Tawes. ................ . 24Tabel 4.3 Uji Kenormalan Model Musiman Tawes. .............. . 24Tabel 4.4 Uji Asumsi white noise Differencing musiman . ... . 25Tabel 4.5 Uji Asumsi Normal Differencing Musiman .......... . 25Tabel 4.6 Nilai AIC model Tawes ......................................... . 26Tabel 4.7 Kriteria Out Sampel Data Ikan Tawes model . ...... . 26Tabel 4.8 Estimasi nilai konstan Model ARIMA Tawes . ..... . 27Tabel 4.9 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Tawes . ………………………………………. 27Tabel 4.10 Hasil Uji Parameter Data Jenis Ikan Nila .............. . 32Tabel 4.11 Hasil Uji Box Pierce (Ljung Box) Chi-Square Data Ikan Nila ........................................................ . 32Tabel 4.12 Pemeriksaan Kenormalan Data Jenis Ikan Nila...... 33Tabel 4.13 Kriteria Out Sampel Data Penangkapan Ikan Nila . 34Tabel 4.14 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Nila..................................................................34Tabel 4.15 Signifikansi Model Musiman Lele ....................... . 37Tabel 4.16 Uji Ljung-Box Model Musiman Lele. .................. . 38Tabel 4.17 Uji Kenormalan Model Musiman Lele. ................ . 38Tabel 4.18 Uji Asumsi white noise Differencing musiman lele 39Tabel 4.19 Uji Asumsi Normal Differencing Musiman lele... . 39Tabel 4.20 Nilai AIC model lele. ............................................ . 40Tabel 4.21 Kriteria Out Sampel Data Ikan Lele model............. 40Tabel 4.22 Estimasi nilai Konstan Model ARIMA Lele ........ . 40Tabel 4.23 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Lele .............................................................. . 41
  10. 10. DAFTAR GAMBARGambar 3.1 Diagram langkah penelitian ................................... 20Gambar 4.1 Plot Time Series Data Ikan Tawes....................... . 21Gambar 4.2 Plot Differencing Musiman Data Penangkapan Ikan Tawes............................................................. 22Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan Tawes .......................................................................23Gambar 4.4 PACF Plot Data Differencing Penangkapan Ikan Tawes............... ...................................................... 23Gambar 4.5 Time Series Data Penangkapan Ikan Nila............ . 28Gambar 4.6 Box-Cox Plot Data Penangkapan Ikan Nila .......... 29Gambar 4.7 Time Series Plot Data Transformasi Penangkapan Ikan Nila..................................................................29Gambar 4.8 Plot Differencing Musiman Data Penangkapan Ikan Nila ................................................................ 30Gambar 4.9 ACF Plot Data Musiman Penangkapan Ikan Nila 31Gambar 4.10 PACF Plot Musiman Penangkapan Ikan Nila ..... 31Gambar 4.11 Plot Time Series Data Penangkapan Ikan lele...... 35Gambar 4.12 Plot Differencing Musiman Data Penangkapan Ikan lele. .................................................................36Gambar 4.13 ACF Plot Data Differencing Penangkapan Ikan Lele................... ................................................... 36Gambar 4.14 PACF Plot Data Differencing Penangkapan Ikan Lele................... ................................................... 37
  11. 11. Tidak seorang pun dapat kembali dan membuat suatu awal yangbagus. Siapapun dapat memulai dari sekarang dan membuat akhir yangbagus (NN) BAB I PENDAHULUAN
  12. 12. BAB I PENDAHULUAN1.1 Latar Belakang Indonesia merupakan negara dengan sumber daya perair-an yang sangat melimpah. Perikanan adalah salah satu hasil darisektor perairan yang selama ini mulai dikembangkan pemerintah.Di bidang perikanan banyak sekali kendala-kendala yang dihada-pi oleh pemerintah baik dalam kegiatan pemberdayaan dan pe-ngelolaannya. Pemerintah membentuk suatu instansi negeri peme-rintah untuk mengelola sektor perikanan Indonesia yaitu DinasPeternakan dan Perikanan Indonesia. Instansi ini mengelola setiapjenis perikanan di Indonesia seperti perikanan laut, perikananumum (darat), budidaya, dan lain-lain. Instansi ini dalam kiner-janya berfungsi sebagai penyuluhan pendidikan perikanan, mana-jemen perikanan daerah, hingga penjualan yang berorientasiterhadap peningkatan devisa negara. Penelitian ini difokuskan terhadap hasil penangkapanikan konsumsi air tawar di Indonesia yang saat ini berkembangsangat dinamis. Hal ini menjadi acuan bagi pemerintah bagaima-na agar hasil penangkapan ikan konsumsi semakin lama semakinberkembang dengan mengetahui faktor-faktor yang mempenga-ruhinya. Ada 2 jenis ikan perairan yaitu ikan konsumsi dan ikannon konsumsi. Ikan konsumsi adalah semua jenis ikan yang dapatdikonsumsi oleh masyarakat. Sedangkan ikan non konsumsiadalah ikan yang tidak dapat dikonsumsi masyarakat dalam artibisa untuk tujuan lain, misal ikan hias, ikan penangkaran, pakanternak, tepung ikan, bahan pakan ikan dan lain-lain. Hasil pe-nangkapan ikan berasal dari air tawar yaitu perikanan yang basisusahanya berupa penangkapan ikan di air tawar (sungai, waduk,rawa, danau, atau genangan air lainnya). Untuk mengetahui pe-ningkatan jumlah penangkapan ikan konsumsi maka ikan dariperairan tawar yang dikelola masyarakat harus dipantau perkem-bangannya.
  13. 13. Adapun beberapa penelitian yang pernah dilakukan me-ngenai sektor perikanan yaitu “Pola Ekspor Hasil Perikanan de-ngan menggunakan Analisis Regresi” oleh Avrohandri (1993) dan“Pendugaan Fungsi Produksi Ikan dalam Jaring Apung denganmenggunakan analisis Multivariat” oleh Nurlatifah (1999).Peneliti mencoba menggunakan metode peramalan ARIMA Box-Jenkins sebagai salah satu alternatif solusi dalam memodel-kanperamalan hasil penangkapan ikan konsumsi air tawar untuk masayang akan datang. Oleh karena itu untuk mengetahui per-kembangan hasil penangkapan ikan konsumsi maka digunakansuatu model peramalan berdasarkan data masa lalu, yaitu data 3jenis ikan hasil penangkapan selama 6 tahun terakhir yang diper-oleh dari Dinas Peternakan dan Perikanan Kabupaten Mojokerto.Jenis ikan konsumsi yang akan dianalisis adalah jenis ikan kon-sumsi air tawar yang banyak dikonsumsi dan menjadi permintaanterbanyak masyarakat di Mojokerto yaitu ikan tawes, nila, danlele. Dari penelititan ini akan didapatkan model peramalan yangmampu meramalkan hasil penangkapan ikan tiap jenis di tahun-tahun berikutnya. Metode deret waktu yang digunakan adalah untuk mera-malkan peningkatan hasil penangkapan 3 jenis ikan konsumsimenggunakan metode ARIMA Box-Jenkins dimana metode terse-but adalah salah satu metode peramalan untuk meramalkan suatudata pada periode yang akan datang dan dapat dijadikan sebagaicara dalam menentukan kemungkinan peningkatan hasil penang-kapan ikan air tawar, sehingga hasil peramalan tersebut dapatmembantu Dinas Peternakan dan Perikanan Kab. Mojokerto me-nentukan kebijakan yang akan diambil dengan acuan perkem-bangan hasil penangkapan ikan konsumsi air tawar itu sendiri.1.2 Permasalahan 1. Bagaimana menentukan model peramalan yang sesuai dengan data 3 jenis ikan konsumsi air tawar hasil penang- kapan di Dinas Peternakan dan Perikanan Kab. Mojokerto dengan menggunakan metode ARIMA Box-Jenkins.
  14. 14. 2. Bagaimana nilai peramalan 3 jenis ikan konsumsi air ta- war hasil penangkapan ikan bulanan untuk periode yang akan datang.1.3 Tujuan 1. Memperoleh model peramalan yang sesuai dengan data 3 jenis ikan konsumsi air tawar hasil penangkapan ikan di Dinas Peternakan dan Perikanan Kab. Mojokerto dengan menggunakan metode ARIMA Box-Jenkins. 2. Mengetahui besarnya nilai peramalan 3 jenis ikan kon- sumsi air tawar hasil penangkapan ikan bulanan untuk pe- riode yang akan datang.1.4 Manfaat Manfaat dari penelitian yang dilakukan adalahmemberikan gambaran mengenai perkembangan hasil penang-kapan ikan konsumsi di Dinas Peternakan dan Perikanan Kab.Mojokerto melalui analisis peramalan dengan metode ARIMABox-Jenkins sehingga hasil peramalan tersebut dapat membantuinstansi dalam menentukan kebijakan yang akan diambil denganacuan perkembangan hasil produksi ikan konsumsi itu sendiri.Dari hasil peramalan dapat juga digunakan untuk menentukantarget produksi penangkapan ikan dan menentukan targetkonsumsi ikan perkapita pada tahuntahun berikutnya sesuaidengan jenis ikan yang dikonsumsi.1.5 Batasan Masalah Adapun beberapa hal yang menjadi batasan permasalahandalam penelitian ini yaitu sebagai berikut :1. Data yang digunakan adalah 3 jenis ikan konsumsi air tawar yang paling banyak dikonsumsi masyarakat Mojokerto yaitu ikan tawes, nila, dan lele.2. Data yang digunakan mulai periode Januari 2002 hingga Desember 2007 sebanyak 72 bulan.
  15. 15. (halaman ini sengaja dikosongkan)
  16. 16. Setiap orang mendengar apa yang kau katakan. Sahabat mendengar apayang harus kau katakan. Sahabat terbaik mendengarkan apa yang kautidak dapat katakan (Roullete) BAB II TINJAUAN PUSTAKA
  17. 17. BAB II TINJAUAN PUSTAKA2.1 Tinjauan Statistika2.1.1 Metode Time Series Deret Waktu (Time series) adalah serangkaian penga-matan terhadap suatu variabel yang diambil dari waktu ke-waktudan dicatat secara berurutan menurut urutan waktu kejadiannyadengan interval waktu yang tetap (Wei, 1990). Time series dapatjuga diartikan sebagai serangkaian data yang didapatkan berdasar-kan pengamatan dari suatu kejadian pada urutan waktu terjadinya.Waktu kejadian bisa merupakan periode dalam satuan detik, me-nit, jam, hari, bulan, tahun dan periode waktu yang lainnya, se-muanya itu merupakan serangkaian data pengamatan yang dida-sarkan pada waktu kejadian dengan interval waktu tertentu yanglebih dikenal dengan time series (Cryer, 1986), dimana setiappengamatan dinyatakan sebagai variabel random Zt yang didapat-kan berdasarkan indeks waktu tertentu (ti) sebagai urutan waktupengamatan, sehingga penulisan data time series adalah Zt1, Zt2,Zt3, …, Ztn. Dalam metode time series ada beberapa hal yang per-lu diperhatikan, yaitu kestasioneran data, fungsi autokorelasi danfungsi autokorelasi parsial. Stasioneritas time series merupakan suatu keadaan jikaproses pembangkitan yang mendasari suatu deret berkaladidasarkan pada nilai tengah konstan dan nilai varians konstan(Makridakis, Wheelwright, McGee, 1999). Dalam suatu datakemungkinan data tersebut tidak stationer hal ini dikarenakanmean tidak konstan atau variansnya tidak konstan sehingga Untukmenghilangkan ketidakstasioneran terhadap mean, maka datatersebut dapat dibuat lebih mendekati stasioner dengan caramelakukan penggunaan metode pembedaan atau differencing(Makridakis, Wheelwright, McGee, 1999). Yt = Zt – Zt-1 .................................(2.1) Dan jika data tidak stasioner dalam varians, maka dapatdistabilkan dengan menggunakan transformasi. Berikut adalah
  18. 18. transformasi Box-Cox (Wei, 1990) untuk beberapa nilai yangsering digunakan. Tabel 2.1 Transformasi Box-Cox Nilai Transformasi estimasi -1,0 1/ Zt -0,5 1/ Zt 0,0 Ln Zt 0,5 Zt 1 Zt (tidak ada transformasi) (Sumber : Wei, 1990) Autocorrelation Function (ACF) merupakan suatu proseskorelasi pada data time series antara Zt dengan Zt+k. Plot ACFdapat digunakan untuk identifikasi model pada data time seriesdan melihat kestasioneran data, terutama pada kestasionerandalam mean. fungsi autokovarians dapat dituliskan sebagaiberikut: (Wei, 1990)γ k = cov (Zt , Zt+k) = E (Zt- µ ) (Zt+k- µ ) ..............................(2.2)dan fungsi autokorelasi antara Zt dan Zt+k adalah : cov(Z t , Z t + k )ρk = ......................................(2.3) var(Z t ) var(Z t + k ) Sampel pengambilan data pada time series untuk fungsiautokorelasi dapat dituliskan sebagai berikut : (Wei, 1990) n−k ( Z t − Z )( Z t + k − Z ) ρk = t =1 n untuk k = 0,1,2,3, ................(2.4) (Zt − Z ) 2 t =1 Plot fungsi autokorelasi parsial digunakan sebagai alatuntuk mengukur tingkat keeratan antara Zt dan Zt+k dan apabilaterjadi pengaruh dari lag time 1,2,3,..., dan seterusnya sampai k =
  19. 19. 1 dianggap terpisah. Fungsi autokorelasi parsial dapat dituliskansebagai berikut :φ kk = corr (Zt, Zt+k | Zt+1, Zt+2,... Zt+k-1)........................................(2.5) Durbin dalam (Wei, 1990) memperkenalkan prosedurtentang suatu fungsi autokorelasi parsial dalam persamaan : k −1 ρk − Φ k −1, j ρ k − j j −1 φkk = k −1 .........................................(2.6) 1− Φ k −1, j ρ j j =1dimana : φkj = φk −1, j − φkkφk −1, k − j ,untuk j= 1,2, …,k-12.1.2 Model Time Series Proses pada time series secara umum memiliki beberapamodel, diantaranya Model AR (Autoregressive), MA (MovingAverage), Model campuran ARMA (Autoregressive MovingAverage), ARIMA (Autoregressive Integrated Moving Average),dan model SARIMA (Seasonal Autoregressive Integrated MovingAverage). (Makridakis, Wheelwright, McGee, 1999). Model AR (Autoregressive) pada orde p menyatakan bah-wa suatu model dimana pengamatan pada waktu ke-t berhubung-an linear dengan pengamatan waktu sebelumnya t-1, t-2, t-p. Ben-tuk fungsi persamaan untuk model AR pada orde p adalah (Wei,1990) : Z t = φ1 Z t −1 + φ2 Z t −2 + ... + φ p Z t − p + at ......................(2.7)Model AR pada orde 1 yaitu : Z t = φ1 Z t −1 + at .............................................(2.8)Model AR pada orde 2 yaitu : Z t = φ1 Z t −1 + φ2 Z t −2 + at ............................................(2.9) Model MA (Moving Average) pada orde q menyatakanbahwa suatu model yang merupakan suatu penyimpangan pe-ngamatan masa lalu dengan pengamatan waktu ke-t.
  20. 20. Bentuk fungsi persamaan untuk model MA pada orde (q)adalah (Wei, 1990) : Z t = at − θ1at −1 − θ 2 at −2 − ... − θ q at −q ..................(2.10)Model MA pada orde 1 yaitu : Z t = at − θ1at −1 .....................................................(2.11)Model MA pada orde 2 yaitu : ( ) Z t = 1 − θ1 B − θ 2 B 2 at ………..........................(2.12) Model ARMA merupakan model gabungan antara modelAR (autoregressive) dengan MA (Moving Average) yang kadangditulis dengan notasi ARMA (p,q). Bentuk fungsi model ARMApada orde p dan q adalah :Z t = φ1 Z t −1 + ... + φ p Z t − p + at − θ1at −1 − ... − θ q at −q .............(2.13)Model ARMA (1,1) pada orde p =1 dan q =1 yaitu : Z t = φ1 Z t −1 + at − θ1at −1 ........................................(2.14) Model ARIMA (p, d, q) yang dikenalkan oleh Box danJenkins dengan orde p sebagai operator dari AR, orde dmerupakan differencing, dan orde q sebagai operator dari MA.Model ini digunakan untuk data time series yang telah didifferencing atau sudah stasioner dalam mean, dimana d adalahbanyaknya hasil differencing, bentuk persamaan untuk modelARIMA adalah (Wei, 1990) :φ p (B )(1 − B )d Ζ t = θ 0 + θ q (B )at ........................................(2.15)Fungsi orde (p) untuk operator dari AR yang telah stasioner : (φ p (B ) = 1 − φ1 B − ... − φ p B p ) ........................................(2.16)Fungsi dari orde (q) untuk operator MA yang telah stasioner :θ q (Β) = (1 − θ1Β − θ 2 B 2 − ... − θ q Β q ) ....................................(2.17) Model ini dinotasikan dengan ARIMA (p, d, q) (P, D, Q)syang mempunyai faktor musiman dalam pengamatan waktu ke-t.Bentuk fungsi persamaan model ARIMA musiman adalah : ( ) ( )Φ P B s φ p (B )(1 − B ) Z t = θ q (B )Θ Q B S at .....................(2.18) D
  21. 21. dimana: Φ P = orde P pada koefisien komponen AR musiman φ p = orde p pada koefisien komponen AR Θ Q = orde Q pada koefisien komponen MA Musiman θ q = orde q pada koefisien komponen MA2.1.3 Identifikasi Model ARIMA Box-Jenkins dan Pemeriksaan Parameter Identifikasi model ARIMA Box-Jenkins dapat dijadikansebagai langkah dalam mengidentifikasi adanya ketidakstasio-neran model. Bila tidak stasioner dalam mean maka harus di diffe-rencing dan jika tidak stasioner dalam varians maka harusditransformasi. Salah satu tranformasi yang digunakan adalahtranformasi Box Cox, kemudian setelah data sudah stationerdalam mean dan varian maka selanjutnya membuat plot ACF danPACF yang digunakan untuk mengidentifikasi model awalARIMA jika data sudah stasioner dalam mean dan varians. Tabel 2.2 Kriteria ACF dan PACF pada model ARIMA Proses ACF PACF AR (p) Tails off menurun Cut off setelah lag ke-p mengikuti bentuk eksponensial atau gelombang sinus MA (q) Cut off setelah lag ke-q Tails off menurun mengikuti bentuk eksponensial atau gelombang sinus ARMA (p,q) Tails off setelah lag (q-p) Tails off setelah lag (p-q)(Sumber : Wei, 1990) Penaksiran parameter, dapat dilakukan dengan menggu-nakan metode Likelihood dimana mengikuti fungsi kepadatanpeluang berdistribusi normal. Dalam hal ini analisis sebenarnya
  22. 22. dengan asumsi bahwa error at berdistribusi normal. Fungsi kepa-datan peluang suatu error at adalah : at2 .......(2.19) f (at | σ a ) = (2πσ a ) −1 / 2 exp − 2 2 2 2σ a Maka fungsi likelihood untuk parameter-parameternyajika diketahui data observasi adalah 1 ..........(2.20)L(φ ,θ , σ a2 | Z) = ( 2πσ a2 ) −n / 2 exp − S(φ ,θ ) 2σ a2dimana nS (φ ,θ ) = ( Z t − φ1Z t −1 − − φ p Z t − p − θ1at −1 − − θ q at − q ) 2 ..(2.21) i =1 Penaksiran parameter dilakukan dengan tujuan untukmenentukan apakah parameter model sudah layak masuk kedalammodel. Secara umum, misal θ adalah suatu parameter dan θˆ ˆadalah nilai taksiran dari parameter tersebut, serta SE( θ ) adalah ˆstandart error dasi nilai taksiran θ , maka uji kesignifikananparameter dapat dilakukan sebagai berikut :Hipotesis : H0 : θ = 0 (parameter tidak signifikan) H1 : θ ≠ 0 (parameter signifikan)Statistik Uji : θˆ t hitung = .............................................. (2.22) ˆ SE (θ )
  23. 23. Daerah Kritis : Tolak H0 jika P_value < atau thitung > t(1-α/2);df = n-np,dimana np = banyaknya parameter2.1.4 Pengujian Asumsi Residual Untuk mendapatkan model yang baik setelah modelmemiliki parameter yang signifikan selanjutnya melakukan peng-ujian terhadap residualnya yaitu melakukan pengujian apakah re-sidual white noise dan residual berdistribusi normal. Residual ( a t) yang white noise (residual independen danidentik) harus berupa variabel random. Uji yang digunakan untukasumsi white noise adalah uji Ljung-Box (Wei, 1990). Dimana ujiini bertujuan untuk menguji residual memenuhi asumsi whitenoise digunakan uji sebagai berikut :Hipotesis :H0 : ρ1 = ρ 2 = ... = ρ K = 0 (residual memenuhi asumsi white noise)H1 : minimal ada satu ρ i ≠ 0 , untuk i = 1,2,....,K (residual tidak white noise)Statistik Uji : Ljung-Box statistic (Box-Pierce modified) KQ = n ( n + 2) (n − k ) −1 ρ k2 ˆ .................(2.23) k =1dimana :ρ k adalah taksiran autokorelasi residual lag k ˆdaerah kritis : tolak H0 jika Q > χ 2 (1−α );df = K − p −q ,dimana nilai pdan q adalah order dari ARMA(p,q). Untuk mengetahui bahwa data memenuhi asumsidistribusi normal, maka dilakukan uji yaitu uji KolmogorovSmirnov. (Daniel, 1989). untuk menguji residual berdistribusinormal digunakan uji sebagai berikut :Hipotesa :H0 : F (x) = F0 (x) (residual berdistribusi normal)H1 : F (x) F0 (x) (residual tidak berdistribusi normal)
  24. 24. Statistik uji : D = sup |S(x) – F0 (x)| ..............................(2.24) Dimana : S (x) = fungsi peluang kumulatif yang dihitung dari data sampel. F0 (x) = fungsi peluang kumulatif distribusi yang dihipotesiskan. F (x) = fungsi distribusi yang belum diketahui Sup = nilai supremum semua x dari S ( x) − F0 ( x) Daerah Kritis : Tolak H0 jika Dhitung > D(1- , n), atau nilai P-value < α2.1.5 Pemilihan Model Terbaik Pemilihan model terbaik atau seleksi model dilakukan jika terdapat lebih dari satu model time series yang layak dipakai yaitu dengan menggunakan dua pendekatan diantaranya pendekatan In Sampel dan pendekatan Out Sampel. Pendekatan In Sampel dapat dilakukan berdasarkan nilai AIC, SBC, MSE, sedangkan pendekatan Out Sampel menggunakan MAPE. 1. AIC (Akaike’s Information Criterion) Pemilihan model terbaik melalui pendekatan In Sampel dapat dilakukan berdasarkan nilai AIC. Nilai AIC semakin kecil maka model yang didapatkan semakin baik dengan mempertimbangkan banyaknya parameter dalam model. Persamaan AIC sebagai berikut (Wei,1990): AIC(M) = n ln ( σ a ) + 2 M ˆ2 ...................(2.25) Dimana : n = banyaknya pengamatan M = banyaknya parameter dalam model σ a = estimasi varians residual ˆ2 2. SBC (Schwartz’s Bayesian Criterion) SBC juga merupakan cara pemilihan model terbaik dengan pendekatan In Sampel. Nilai SBC semakin kecil maka model yang didapatkan semakin baik. Persamaan SBC sebagai berikut (Wei,1990) :
  25. 25. SBC (M)= n ln ( σ a ) + M ln (n) ˆ2 .................(2.26) Dimana : n = banyaknya pengamatan M = banyaknya parameter dalam model σ a = estimasi varians residual ˆ23. MSE (Mean Square Error) MSE (Mean Square Error) digunakan untuk mengetahui kesalahan rata-rata kuadrat dari tiap-tiap model yang layak dengan rumus sebagai berikut (Wei,1990) : 1 M 2 MSE = et .................(2.27) M t =1 Dengan ˆ et = ( Z t − Z t ) (taksiran sisa pada peramalan) M = banyaknya residual Pemilihan model terbaik melalui pendekatan outsampel berdasarkan error adalah dengan menggunakanMAPE (Mean Absolute Percentage Error). PersamaanMAPE sebagai berikut (Wei, 1990) : 1 M et MAPE = 100% ...............................(2.28) M t =1 Zt dimana : M = banyaknya residual et ˆ = ( Z t − Z t ) (taksiran sisa pada peramalan)
  26. 26. 2.2 Tinjauan Non Statistika2.2.1 Perikanan Perikanan adalah semua kegiatan yang berhubungan de-ngan pengelolaan dan pemanfaatan sumber daya ikan dan lingku-ngannya mulai dari pra produksi, produksi, pengolahan sampaidengan pemasaran, yang dilaksanakan dalam suatu sistem bisnisperikanan. Cakupan dalam statistik perikanan, meliputi kegiatanekonomi dibidang penangkapan, pembudidayaan, pengolahan danpemasaran ikan. Pemanfaatan sumber daya ikan dilakukan melalui kegia-tan usaha perikanan. Usaha perikanan mencakup semua usahaperorangan atau badan hukum untuk menangkap, membudidaya-kan mengolah dan memasarkan ikan untuk tujuan komersial.2.2.2 Perikanan Tangkap Perikanan tangkap adalah perikanan yang basis usahanyaberupa penangkapan ikan di laut maupun di perairan umum. Adapun penjelasan dari perikanan tangkap tersebut adalah sebagai berikut: a) Perikanan Tangkap di Laut adalah perikanan yang basis usahanya berupa penangkapan ikan di laut. b) Perikanan tangkap di perairan umum adalah perikanan yang basis usahanya berupa penagkapan ikan di perairan umum (sungai, danau, kolam, waduk, rawa dan genangan air lainnya).2.2.3 Penangkapan Ikan Penangkapan Ikan adalah kegiatan untuk memperolehikan di perairan yang tidak dalam keadaan dibudidayakan denganalat atau cara apapun, termasuk kegiatan yang menggunakan ka-pal untuk memuat, mengangkut, menyimpan, mendinginkan, me-nangani, mengolah, dan mengawetkannya. Adapun penjelasan dari penangkapan ikan tersebut diatasadalah sebagai berikut :
  27. 27. a. Memperoleh ikan dalam hal ini adalah kegiatan menangkap atau mengumpulkan ikan yang hidup bebas di laut atau perai- ran umum.b. Penangkapan ikan yang dilakukan dalam rangka penelitian dan pelatihan, tidak termasuk dalam penangkapan ikan seba- gai kegiatan ekonomi.c. Penangkapan ikan yang dilakukan sepenuhnya hanya untuk konsumsi keluarga juga tidak termasuk sebagai kegiatan eko- nomi.d. Penangkapan ikan di laut adalah semua kegiatan penangkapan ikan yang dilakukan di laut, muara sungai, laguna dan seba- gainya yang dipengaruhi oleh amplitudo pasang surut.e. Penangkapan ikan diperairan umum adalah semua kegiatan penangkapan ikan yang dilakukan di perairan umum seperti sungai, danau, kolam, waduk, rawa dan genangan air lainnya, yang bukan milik perorangan atau badan hukum. Proses penangkapan ikan di Mojokerto dimulai dengan prosespendataan yang dilakukan secara langsung oleh petugas dinas ditingkat kecamatan melalui desa sampel. Pendataan dilakukan de-ngan mengisi blanko pendataan. Data setiap bulan akan dikum-pulkan di kabupaten dan ditangani oleh petugas survey yang ber-tugas melakukan pengumpulan data. Data kemudian diperiksadengan melakukan survey rumah tangga perikanan ke desa-desasesuai dengan desa sampel yang diambil dari data seluruh desayang potensi perikanan sesuai dengan jenis perikanan. Hasil sur-vey digunakan untuk mengestimasi data produksi penangkapanikan.2.2.4 Perairan Umum (Air Tawar) Perairan umum adalah bagian dari perikanan darat (ta-war) sebagaimana yang dimaksud dalam uu No. 6 tahun 1996tentang Perairan Indonesia, yang merupakan bagian permukaanbumi yang secara permanen atau berkala digenangi air dan ter-bentuk secara alami atau buatan yang dikuasai oleh negara. Peme-rintah mempunyai wewenang untuk mengelola dan mengembang-
  28. 28. kannya. Perairan yang terjadi karena luapan banjir, walaupun me-nutupi tanah milik perseorangan, dimasukkan sebagai perairanumum. Untuk keperluan statistik perikanan tangkap, perairan airtawar di Indonesia diklasifikasikan kedalam 5 kategori, yaitu : a. Sungai adalah perairan yang airnya mengalir secara terus- menerus pada arah tertentu, berasal dari air tanah, air hu- jan, atau air permukaan yang akhirnya bermuara ke laut atau perairan terbuka yang luas. Sungai lebak, kanal dan saluran irigasi yang dibuat manusia termasuk dalam kate- gori sungai. b. Danau adalah genangan air yang luas dengan tinggi dan luas permukaan air berfluktuasi kecil, yang kedalaman- nya dangkal atau sangat dalam, mempunyai atau tidak mempunyai sungai yang mengalir ke dalam atau ke luar perairan, terbentuk secara alami dan terisolasi dari laut. Situ dan telaga termasuk ke dalam kategori danau. c. Kolam adalah perairan yang mempunyai luas cukup kecil dan kedalamannya dangkal. Kolam biasanya dibuat oleh manusia sendiri. d. Waduk adalah genangan air yang terbentuk karena pem- bendungan aliran sungai oleh manusia. e. Rawa adalah perairan yang cukup luas yang terdapat di dataran rendah dengan sumber air dari hujan, air laut atau yang berhubungan dengan sungai, relatif tidak dalam, berdasarkan lumpur atau tumbuhan yang membusuk, ba- nyak terdapat vegetasi baik yang mengapung dan men- cuat maupun tenggelam.
  29. 29. Kebanggaan kita yang terbesar adalah bukan tidak pernah gagaltetapi bangkit kembali setelah kita jatuh. (La Rouchefoucauld) BAB III METODOLOGI PENELITIAN
  30. 30. BAB III METODOLOGI ANALISIS3.1 Sumber Data Data yang digunakan dalam penelitian tugas akhir iniadalah data sekunder yang diambil dari Dinas Peternakan danPerikanan Kabupaten Mojokerto yaitu data bulanan 3 jenis ikanhasil penangkapan ikan konsumsi air tawar periode Januari 2002 -Desember 2007 yaitu ikan tawes, nila, dan lele yang merupakanjenis ikan yang banyak di konsumsi oleh masyarakat Mojokerto.3.2 Metode Pengukuran Variabel Penelitian Data penangkapan ikan konsumsi air tawar diperoleh dariDinas peternakan dan Perikanan Kab. Mojokerto dan terdapatmetode tersendiri dimana dalam pengukuran variabelnya adalahsebagai berikut :a. Data merupakan data langsung yang diperoleh dari pendataan petugas dinas lapangan dengan mengambil data pada desa sampel yang diambil dari data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan.b. Dari setiap desa sampel diambil 5-6 responden dari Rumah Tangga Perikanan (RTP) dan dicatat hasil penangkapan ikan tiap trip penangkapan.c. Petugas mengisi blanko formulir penangkapan ikan sesuai dengan hasil penangkapan tiap trip ikan dari desa sampel.d. Data dikumpulkan di kabupaten dan diolah oleh dinas kemudian mengirim petugas survey untuk melakukan pendataan kembali apakah data sudah cocok.e. Petugas melakukan survey tiap Rumah Tangga Perikanan (RTP) ke desa-desa sesuai dengan desa sampel yang diambil dari data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan.f. Hasil survey untuk mengestimasi data produksi hasil penangkapan ikan dan dilaporkan tiap bulan sekali.
  31. 31. g. Dari estimasi tersebut diperoleh data hasil penangkapan tiap bulan yang sudah dikurangi dengan hasil ikan yang dikonsumsi sendiri oleh nelayan.3.3 Metode Analisis Langkah awal dari penelitian ini adalah menentukanmodel peramalan yang sesuai dengan data hasil penangkapan ikandi Dinas Peternakan dan Perikanan Kab. Mojokerto dianalisisdengan menggunakan metode time series dengan tahapan sebagaiberikut : Untuk menjawab tujuan pertama langkah – langkahanalisis yang digunakan adalah sebagai berikut :1. Melakukan identifikasi Model ARIMA (p, d, q) dengan langkah sebagai berikut: a. Melakukan Time Series Plot terhadap data 3 jenis ikan konsumsi dan melihat kestationeran apakah sudah stationer dalam mean dan varian atau belum, jika data belum stationer dalam varian maka dilakukan transformasi sedangkan jika belum stationer dalam mean dilakukan differencing. Selain itu untuk mengetahui apakah data 3 jenis ikan konsumsi stationer dalam mean dapat juga dilihat melalui plot ACF dan PACF data awal, jika pada plot tersebut lag-lag turun secara melambat maka data tersebut belum stationer dalam mean. b. Membuat plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data yang sudah stationer dalam mean maupun varians.2. Melakukan pendugaan model ARIMA (p, d, q) awal Melakukan pendugaan model yang terbentuk melalui plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) yang sudah memenuhi syarat stationer.
  32. 32. 3. Melakukan uji kelayakan terhadap model ARIMA (p, d, q) yang didapatkan. a. Penaksiran parameter Melakukan penaksiran parameter berdasarkan model yang didapatkan melalui suatu software diantaranya minitab dan melakukan uji signifikasi parameter sampai mendapatkan model yang memiliki parameter signifikan. b. Diagnostic Checking Melakukan diagnostic checking melalui pemeriksaan terhadap residual dari model yang signifikan yaitu melalui : Uji residual white noise Uji residual berdistribusi normal4. Evaluasi terhadap model ARIMA (p, d, q) yang didapatkan jika model yang dihasilkan lebih dari satu. Jika model arima ARIMA (p, d, q) lebih dari satu maka seharusnya dilakukan evaluasi terhadap model melalui dua kriteria diantaranya : Kriteria in sample berdasarkan nilai MSE atau SSE Kriteria Out sample berdasarkan nilai MAPE. Untuk menjawab tujuan kedua langkah – langkah analisisyang digunakan adalah sebagai berikut :1. Setelah mendapatkan model ARIMA (p, d, q) yang sesuai maka selanjutnya dilakukan peramalan pada periode yang akan datang.2. Melakukan peramalan data 3 jenis ikan hasil penangkapan pada periode yang akan datang.
  33. 33. 3.4 Diagram Alur Penelitian Mulai Input data penangkapan tiap jenis ikan • Membuat Times Series Plot data jenis ikan • Membuat plot ACF Varians : ditransformasi Mean : didifferencing Data sudah Stasioner? Tidak Ya Melihat Plot ACF dan PACF data yang sudah stasioner dalam mean dan varians Pendugaan Model & Pengujian Parameter dari plot ACF dan PACF Diagnostic Checking model Residual White noise ? Residual Normal ? Tidak Ya Model yang sesuai lebih Tidak dari satu ? Ya Pemilihan model terbaik Kriteria in sampel Kriteria out sampel Perolehan model ARIMA terbaik Peramalan data penangkapan tiap jenis ikan periode 12 bulan kedepan Selesai Gambar 3.1 Diagram Alur Penelitian
  34. 34. Jika engkau merasa terjatuh karena tidak mendapatkan apa yangengkau inginkan, berusahalah dan bertawakal. Karena Allah akanmemberikan sesuatu yang lebih baik bagi dirimu.(As Salam) BAB IV HASIL DAN PEMBAHASAN
  35. 35. BAB IV ANALISIS DAN PEMBAHASAN4.1 Analisis Time Series Data yang digunakan untuk analisis time series adalahdata penangkapan bulanan tiap jenis ikan konsumsi. Analisis timeseries dilakukan melalui 5 tahap, yaitu tahap identifikasi model,pendugaan parameter model, pengujian asumsi model, evaluasimodel, dan terakhir adalah tahap peramalan. Penelitian ini meng-gunakan 60 data untuk menduga model sementara dan sisanya 12data untuk validasi model.4.2 Peramalan Data Penangkapan Jenis Ikan Tawes4.2.1 Identifikasi Model Untuk Data Penangkapan IkanTawes Langkah awal yang dilakukan adalah membuat time se-ries plot untuk data penangkapan jenis ikan tawes sebanyak 60data sedangkan untuk validasi menggunakan 12 data. Time seriesplot digunakan untuk melihat kestasioneran data baik stasionerdalam rata-rata maupun dalam varian. Gambar 4.1 Plot Time Series Data Penangkapan Ikan Tawes Berdasarkan Gambar 4.1 dapat dilihat bahwa plot datapenangkapan ikan tawes diduga tidak stationer dalam mean. Dari
  36. 36. plot time series terlihat variansi datanya lebih rapat dan adapendugaan bahwa data tersebut tidak stasioner dalam musiman.Sehingga dilakukan differencing 12. Hasil dari differencingmusiman dapat dilihat dari plot sebagai berikut : Gambar 4.2 Plot Differencing Musiman Data Penangkapan Ikan Tawes Gambar 4.2 menunjukkan bahwa untuk data penangkapanikan tawes sudah stasioner dalam mean dan varian. Dilihat daritahap selanjutnya adalah menentukan model peramalan denganmelihat secara visual plot ACF dan plot PACF. Dari plot ACFdan PACF maka diperoleh parameter dari model ARIMA denganmelihat lag-lag pada plot yang keluar dari batas signifikansi.Sehingga dengan melihat lag-lag yang keluar dari batassignifikansi maka diperoleh model awal hasil identifikasi lag-lagpada plot ACF dan PACF. Berikut ini adalah gambar dari PlotACF dan PACF yang ditunjukkan pada Gambar 4.3 dan Gambar4.4.
  37. 37. Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan Tawes Berdasarkan Gambar 4.3 dapat dilihat bahwa ACF plotdata penangkapan ikan tawes lag-lag berada didalam batassignifikansi dan tidak ada lag yang keluar dari batas signifikansi.Sehingga dapat disimpulkan bahwa terjadi white noise karenanilai dari lag-lag mendekati nilai nol. Gambar 4.4 PACF Plot Data Differencing Penangkapan Ikan Tawes Berdasarkan Gambar 4.4 dapat diketahui bahwa plotPACF data penangkapan ikan tawes setelah dilakukan diffe-
  38. 38. rencing lag-lag berada didalam batas signifikansi. Setelah itudilakukan identifikasi model musiman yaitu sebagai berikut: Tabel 4.1 Signifikansi Model Musiman Tawes Model output signifikansi (1 1 0)12 Type Coef SE Coef T P Signifikan SAR 12 -0.4787 0.1585 -3.02 0.004 (0 1 1)12 Type Coef SE Coef T P Signifikan SMA 12 0.8358 0.1560 5.36 0.000 Pada Tabel 4.1 menunjukkan bahwa parameter darimodel ARIMA (1 1 0)12 dan ARIMA(0 1 1)12 sudah signifikankarena nilai P-value kurang dari . Selanjutnya dilakukan ujiasumsi residual white noise sebagai berikut: Tabel 4.2 Uji Ljung-Box Model Musiman Tawes Model output (1 1 0)12 Lag 12 24 36 48 White noise Chi-Square 13.9 27.1 49.7 * DF 11 23 35 * P-Value 0.236 0.252 0.051 * (0 1 1)12 Lag 12 24 36 48 White noise Chi-Square 6.7 13.2 47.9 * DF 11 23 35 * P-Value 0.821 0.948 0.071 * Dari tabel 4.2 menunjukkan bahwa lag-lag pada setiapmodel ARIMA (1 1 0)12 dan ARIMA(0 1 1)12 sudah memenuhiuji asumsi residual white noise. Selanjutnya dilakukan uji asumsiresidual normal sebagai berikut: Tabel 4.3 Uji Kenormalan Model Musiman Tawes model p-value keputusan kesimpulan (1 1 0)12 <0,010 Tolak H0 Tidak normal (0 1 1)12 <0,010 Tolak H0 Tidak normal Dari Tabel 4.3 menunjukkan bahwa pada model musimanjuga tidak memenuhi uji asumsi kenormalan. Sehingga melihatsecara visual dari plot ACF dan PACF diperoleh suatu modeldata differencing musiman yang tidak mengandung unsur
  39. 39. autoregresive dan moving average yaitu ARIMA (0 1 0)12.Selanjutnya dilakukan uji white noise dari model yang diperolehyaitu sebagai berikut. Tabel 4.4 Uji Asumsi White Noise Differencing Musiman To Chi- Pr > Lag Square DF ChiSq 6 3.03 6 0.8054 12 6.55 12 0.8861 18 9.02 18 0.9592 24 17.45 24 0.8287 Tabel 4.5 Uji Asumsi Normal Differencing Musiman Tests for NormalityTest --Statistic--- -----p Value------Shapiro-Wilk W 0.805751 Pr < W <0.0001Kolmogorov-Smirnov D 0.235926 Pr > D <0.0100Cramer-von Mises W-Sq 0.750318 Pr > W-Sq <0.0050Anderson-Darling A-Sq 3.879625 Pr > A-Sq <0.0050 Berdasarkan Tabel 4.4 dapat diketahui bahwa modelARIMA (0 1 0)12 sudah memenuhi asumsi white noise karenanilai P-value pada setiap lag lebih dari nilai . Sedangkan padaTabel 4.5 menunjukkan bahwa model ARIMA(0 1 0)12 tidakmemenuhi asumsi residual berdistribusi normal karena denganmenggunakan uji kolmogorov smirnov nilai P-value kurang darinilai . Sehingga dari ketiga model awal yang telah di identifikasidiperoleh bahwa model ARIMA(1 1 0)12, (0 1 1)12, dan (0 1 0)12telah memenuhi uji asumsi white noise dengan parameter yangsudah signifikan. Namun residual ketiga model tersebut tidakberdistribusi normal. Dengan tidak mempertimbangkan uji asumsi residualnormal maka diperoleh model yang white noise yaitu ARIMA(1 10)12, ARIMA(0 1 1)12, dan ARIMA(0 1 0)12. Sehingga untukmenentukan model terbaik maka dilakukan pengujian in-sampledengan membandingkan nilai AIC sebagai berikut:
  40. 40. Tabel 4.6 nilai AIC model Tawes model Nilai AIC (1 1 0)12 897.368 (0 1 1)12 885.176 (0 1 0)12 858.29 Tabel 4.6 menunjukkan bahwa model ARIMA(0 1 0)12memiliki nilai AIC yang paling kecil dibandingkan denganmodel ARIMA(1 1 0)12 dan ARIMA(0 1 1)12 yaitu 858.29.Sehingga dapat disimpulkan bahwa model (0 1 0) adalah modelterbaik. Tabel 4.7 Kriteria Out Sampel model Data Ikan Tawes model Nilai MAPE (1 1 0)12 21.09745% (0 1 1)12 40.55332% (0 1 0)12 16,59213% Dari Tabel 4.7 menunjukkan bahwa untuk modelARIMA(0 1 0)12 mempunyai nilai MAPE sebesar 16.59213%sehingga berdasarkan kriteria out sampel model peramalanARIMA(0 1 0)12 bisa dikatakan model yang cukup baik karenamemiliki nilai MAPE yang kecil. Dari pengujian model dengankriteria in-sampel dan out-sampel menunjukkan bahwa diperolehmodel terbaik yaitu ARIMA(0 1 0)12 dengan persamaan umumZ t = δ + Z t −12 + at dimana δ adalah nilai konstan. Dari outputprogram SAS diperoleh nilai konstan untuk model ARIMA(0 10)12 sebagai berikut : Tabel 4.8 Estimasi Nilai Konstan Model ARIMA (0 1 0)12 tawes Standard Approx Parameter Estimate Error t Value Pr > |t| Lag MU -67.40000 224.36929 -0.30 0.7649 0 Dari Tabel 4.8 diperoleh nilai konstan ( δ ) untuk modelARIMA(0 1 0)12 sebesar -67.4. Sehingga nilai peramalan untuk
  41. 41. periode 12 bulan ke depan untuk data penangkapan ikan tawesadalah sebagai berikut : Tabel 4.9 peramalan 12 bulan kedepan untuk penangkapan ikan tawes periode forecast 73 1942.6 74 677.6 75 867.6 76 227.6 77 2197.6 78 5837.6 79 7512.6 80 5842.6 81 7422.6 82 1182.6 83 3657.6 84 2802.6 Dari tabel 4.9 dapat diketahui hasil nilai peramalan darimodel ARIMA(0 1 0)12 untuk data penangkapan ikan tawes.Dengan mengabaikan asumsi residual berdistribusi normal makanilai peramalan dinyatakan tidak valid. Karena apabila residualtidak normal maka akan berpengaruh terhadap signifikansi nilaiperamalannya. Sehingga masih diperlukan metode lain yang lebihbaik.4.3 Peramalan data penangkapan Jenis Ikan Nila4.3.1 Identifikasi Model Untuk Data Penangkapan Ikan Nila Langkah awal yang dilakukan untuk menentukan modeladalah membuat time series plot untuk data penangkapan jenisikan nila sebanyak 60 data. Time series plot digunakan untukmelihat kestasioneran data baik stasioner dalam rata-rata maupundalam varian.
  42. 42. ! Gambar 4.5 Plot Time Series Data Penangkapan Ikan Nila Berdasarkan Gambar 4.5 dapat dilihat bahwa plot datapenangkapan ikan nila tidak stationer dalam mean dan varian ka-rena lebar variannya tidak sama dan penyebaran datanya tidakmengumpul pada suatu garis atau bergerak menjauhi mean. !" " #" $ #" " %& ! & ( " #" $ #" ) & &* " Gambar 4.6 Box-Cox Plot Data Penangkapan Ikan Nila
  43. 43. ! Gambar 4.7 Time Series Plot Data Transformasi Penangkapan Ikan Nila Gambar 4.6 menunjukkan bahwa untuk data penang-kapan ikan nila mempunyai nilai estimasi sebesar -0.15 yangmendekati nilai 0 sehingga data dikatakan tidak stasioner dalamvarian dan dilakukan transformasi ln untuk data penangkapanikan Nila. Pada Gambar 4.7 plot transformasi menunjukkanterdapat suatu unsur musiman. Karena terdapat unsur musimanmaka dilakukan differrencing musiman terhadap hasiltransformasi. Hasil dari proses differencing ditunjukkan padaGambar 4.8 berikut:
  44. 44. Gambar 4.8 Plot Differencing Musiman Data Penangkapan Ikan Nila Gambar 4.8 menunjukkan bahwa untuk data penangkapanikan nila sudah stasioner dalam mean dan varian karenapenyebaran datanya mengumpul pada suatu garis atau bergerakdisekitar mean sehingga tahap berikutnya adalah melihat plotACF dan plot PACF untuk menduga atau mengestimasi modelawal peramalan data penangkapan ikan nila. Secara visual plotACF dan PACF ditunjukkan pada gambar sebagai berikut:
  45. 45. Gambar 4.9 ACF Plot Data Musiman Penangkapan Ikan Nila Berdasarkan Gambar 4.9 plot ACF data dapat dilihatbahwa pada data penangkapan ikan nila lag-lag berada didalambatas signifikansi dan tidak ada lag yang keluar dari batas. Karenatidak terdapat lag-lag yang keluar maka diduga model tidakmengandung unsur moving average dan dapat disimpulkan bahwaterjadi white noise karena nilai dari lag mendekati nilai nol. Gambar 4.10 PACF Plot Data Musiman Penangkapan Ikan Nila Berdasarkan Gambar 4.10 dapat diketahui bahwa plotPACF menunjukkan terjadi cut-off pada lag ke-12 sehinggaterdapat unsur Autoregresion dan musiman. Sehingga dari plotACF dan PACF diperoleh pendugaan model yaitu ARIMA(1 10)12 dan ARIMA(0 1 1)12. Setelah mengetahui model yangdidapatkan selanjutnya adalah melakukan pengujian signifikasiparameter sebagai berikut: Tabel 4.10 Hasil Uji Parameter Data Jenis Ikan Nila Tipe Model Out put Signifikasi 12 Type Coef SE Coef T P (1 1 0) Signifikan SAR 12 -0.5993 0.1645 -3.64 0.001 Type Coef SE Coef T P (0 1 1)12 Signifikan SMA 12 0.8356 0.1855 4.50 0.000
  46. 46. Berdasarkan tabel 4.10 diperoleh bahwa tiap parameteryang ada disetiap model itu signifikan karena memiliki nilai P-value < α, sehingga diperoleh model awal yaitu ARIMA(1 1 0)12dan ARIMA(0 1 1)12. Setelah didapatkan model awal yang signifikanselanjutnya dilakukan diagnostic checking terhadap model datapenangkapan ikan nila yang signifikan dengan mengujiresidualnya apakah white noise dan normal. Tabel 4.11 Hasil Uji Box Pierce (Ljung Box) Chi-Square Data Ikan Nila Tipe Model Output Signifikasi Lag 12 24 36 48 Chi-Square 11.5 25.6 39.0 * (1 1 0)12 White noise DF 11 23 35 * P-Value 0.404 0.318 0.296 * Lag 12 24 36 48 12 Chi-Square 7.5 13.1 30.5 * (0 1 1) White noise DF 11 23 35 * P-Value 0.753 0.949 0.685 * Berdasarkan Tabel 4.11 diatas diketahui bahwa seluruhlag pada model ARIMA(1 1 0)12, terjadi white noise karena nilaiPvalue pada lag > α. Sedangkan untuk model ARIMA (0 1 1)12 jugaterjadi white noise karena di setiap lag signifikan. Setelahmelakukan pengujian residual white noise selanjutnya dilakukanpengujian kenormalan dengan uji Kolmogorov Smirnov sebagaiberikut : Tabel 4.12 Pemeriksaan Kenormalan Data Jenis Ikan Nila Model P-value Keputusan Kesimpulan (1 1 0)12 >0.150 Gagal tolak H0 Normal (0 1 1)12 <0.010 Tolak H0 Tidak normal Berdasarkan tabel 4.12 diketahui bahwa model (0 1 1)12memiliki P-value sebesar kurang dari 0.010, jadi keputusan ada-lah tolak H0, yang berarti residual pada model ARIMA(0 1 1)12tidak berdistribusi normal. Sedangkan pada ARIMA(1 1 0)12memiliki P-value sebesar lebih dari 0.150, jadi keputusan adalah
  47. 47. gagal tolak H0, yang berarti residual pada model ARIMA(1 1 0)12berdistribusi normal. Dari Proses sebelumnya model yang telah memenuhiseluruh asumsi adalah ARIMA(1 1 0)12. Setelah diperoleh modelumum yaitu Z t = (1 + Φ1 ) Z t −12 − Φ 1 Z t −24 + at maka dilakukanpendekatan dengan kriteria out sampel untuk mengetahui apakahmodel merupakan model yang cukup baik dengan melihat nilaiMAPE. Dalam evaluasi model dengan kriteria out sampeldigunakan 12 data bulanan sebagai validasi yaitu membandingkannilai ramalan dengan nilai aktualnya kemudian dicari nilaiMAPE-nya adalah sebagai berikut: Tabel 4.13 Kriteria Out Sampel Data Penangkapan Ikan Nila ˆ Zt − Zt actual forecast Zt 565 336.07 0.405186 527 327.41 0.378729 580 366.98 0.367276 245 213.68 0.127837 455 583.99 0.283495 2605 984.06 0.622242 2410 2064.12 0.143519 2870 2259.87 0.212589 8080 5541.31 0.314194 1225 2229.94 0.820359 4835 4470.99 0.075286 980 1338.57 0.365888 MAPE 34.30499 Berdasarkan Tabel 4.13 dapat diketahui bahwa untuknilai MAPE sebesar 34.30499% sehingga berdasarkan kriteria outsampel model ARIMA (1 1 0)12 bisa dikatakan cukup baik karenamemiliki nilai MAPE yang kecil. Setelah mengetahui modelumumnya langkah berikutnya adalah meramalkan dengan modelyang sesuai untuk periode 12 bulan ke depan. Sehingga
  48. 48. didapatkan nilai peramalan untuk data penangkapan ikan nilaselama 12 bulan kedepan adalah sebagai berikut: Tabel 4.14 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Nila periode forecast Lower Upper 73 436.12 -1527.22 2399.45 74 380.49 -1582.85 2343.83 75 474.69 -1488.65 2438.03 76 230.71 -1732.62 2194.05 77 587.26 -1376.08 2550.59 78 584.79 -1378.55 2548.12 79 3195.97 1232.63 5159.31 80 2447.60 484.26 4410.94 81 7028.24 5064.90 8991.58 82 1827.47 -135.87 3790.81 83 4747.86 2784.52 6711.19 84 1317.59 -645.75 3280.93 Dari tabel 4.14 diperoleh bahwa nilai hasil peramalandengan model ARIMA(1 1 0)12 menunjukkan nilainya beradadidalam batas bawah dan batas atas. Seshingga dapat dikatakanbahwa nilai peramalan sudah sesuai.4.4 Peramalan data penangkapan Jenis Ikan lele4.4.1 Identifikasi Model Untuk Data Penangkapan Ikan lele Langkah awal penentuan model adalah membuat timeseries plot untuk untuk data penangkapan jenis ikan lele sebanyak60 data. Untuk menguji apakah data sudah stasioner yaitu denganmelihat sebaran data pada time series plot. Pada data penang-kapan jenis ikan lele time series plotnya adalah sebagai berikut.
  49. 49. Gambar 4.11 Plot Time Series Data Penangkapan Ikan lele Berdasarkan Gambar 4.11 dapat dilihat bahwa plot datapenangkapan ikan lele diduga tidak stationer dalam mean. Dariplot time series terlihat variansi datanya lebih rapat dan adapendugaan bahwa data ikan lele tersebut adalah tidak stasionerdalam musiman. Sehingga dilakukan differencing 12. Hasil daridifferencing musiman dapat dilihat dari plot sebagai berikut : Gambar 4.12 Plot Differencing Musiman Data Penangkapan Ikan lele Gambar 4.12 menunjukkan bahwa untuk data penang-kapan ikan lele sudah stasioner dalam mean dan varian. Tahap
  50. 50. selanjutnya adalah menentukan model peramalan dengan melihatsecara visual plot ACF dan plot PACF. Gambar 4.13 ACF Plot Data Differencing Penangkapan Ikan Lele Berdasarkan Gambar 4.13 dapat dilihat bahwa ACF plotdata penangkapan ikan lele lag-lag berada didalam batassignifikansi dan tidak ada lag yang keluar dari batas signifikansi.Sehingga dapat disimpulkan bahwa terjadi white noise karenanilai dari lag-lag mendekati nilai nol. Tetapi plot juga dapatmenjelaskan bahwa tidak mengandung unsur moving average.
  51. 51. Gambar 4.14 PACF Plot Data Differencing Penangkapan Ikan Lele Berdasarkan Gambar 4.14 dapat diketahui bahwa plotPACF data penangkapan ikan lele setelah dilakukan differencinglag-lag berada didalam batas signifikansi. Sehingga tidak terdapatunsur autoregression pada model. Setelah itu dilakukanidentifikasi model musiman yaitu sebagai berikut: Tabel 4.15 Signifikansi Model Musiman Lele Model output signifikansi (1 1 0)12 Type Coef SE Coef T P Signifikan SAR 12 -0.9275 0.1095 -8.47 0.000 (0 1 1)12 Type Coef SE Coef T P Signifikan SMA 12 0.9260 0.1214 7.63 0.000 Pada Tabel 4.15 menunjukkan bahwa parameter darimodel ARIMA (1 1 0)12 dan ARIMA (0 1 1)12 sudah signifikankarena nilai P-value kurang dari . Selanjutnya dilakukan ujiasumsi residual white noise sebagai berikut: Tabel 4.16 Uji Ljung-Box Model Musiman Lele Model Output Signifikansi(1 1 0)12 Lag 12 24 36 48 White noise Chi-Square 15.7 31.5 38.0 *
  52. 52. DF 11 23 35 * P-Value 0.154 0.110 0.336 *(0 1 1)12 Lag 12 24 36 48 Tidak Chi-Square 12.0 18.8 69.3 * White noise DF 11 23 35 * P-Value 0.360 0.714 0.000 * Dari tabel 4.16 menunjukkan bahwa lag-lag pada setiapmodel ARIMA (1 1 0)12 sudah memenuhi uji asumsi residualwhite noise. Sedangkan pada model ARIMA(0 1 1)12 terdapatsalah satu lag yang tidak memenuhi asumsi residual white noise.Sehingga diperoleh satu model musiman yang memenuhi asumsiwhite noise. Selanjutnya dilakukan uji asumsi residual normalsebagai berikut: Tabel 4.17 Uji Kenormalan Model Musiman Lele model p-value keputusan kesimpulan (1 1 0)12 <0,010 Tolak H0 Tidak normal Dari Tabel 4.17 menunjukkan bahwa pada modelmusiman juga tidak memenuhi uji asumsi kenormalan. Sehinggamelihat secara visual dari plot ACF dan PACF diperoleh suatumodel data differencing musiman yang tidak mengandung unsurautoregresive dan moving average yaitu (0 1 0)12. Selanjutnyadlakukan uji white noise dari model yang diperoleh yaitu sebagaiberikut. Tabel 4.18 Uji Asumsi White Noise Differencing Musiman lele To Chi- Pr > Lag Square DF ChiSq 6 4.53 6 0.6049 12 6.77 12 0.8723 18 7.18 18 0.9886 24 8.27 24 0.9988 Tabel 4.19 Uji Asumsi Normal Differencing Musiman lele Tests for NormalityTest --Statistic--- -----p Value------
  53. 53. Shapiro-Wilk W 0.820512 Pr < W <0.0001Kolmogorov-Smirnov D 0.195176 Pr > D <0.0100Cramer-von Mises W-Sq 0.613774 Pr > W-Sq <0.0050Anderson-Darling A-Sq 3.296734 Pr > A-Sq <0.0050 Berdasarkan Tabel 4.18 dapat diketahui bahwa model (01 0)12 sudah memenuhi asumsi white noise. Sedangkan padaTabel 4.19 menunjukkan bahwa model (0 1 0)12 tidak memenuhiasumsi residual berdistribusi normal karena dengan menggunakanuji kolmogorov smirnov nilai P-value kurang dari nilai .Sehingga dari ketiga model awal yang telah di identifikasidiperoleh bahwa terdapat dua model yaitu ARIMA(1 1 0)12danARIMA(0 1 0)12 telah memenuhi uji asumsi white noise denganparameter yang sudah signifikan. Namun residual kedua modeltersebut tidak berdistribusi normal. Dengan tidak mempertimbangkan uji asumsi residualnormal maka diperoleh model yang white noise yaitu ARIMA(1 10)12 dan ARIMA(0 1 0)12 sehingga untuk menentukan modelterbaik maka dilakukan pengujian in sample dengan mem-bandingkan nilai AIC sebagai berikut: Tabel 4.20 nilai AIC model Lele model Nilai AIC (1 1 0)12 766.502 (0 1 0)12 759.88 Tabel 4.20 menunjukkan bahwa model (0 1 0)12 memilikinilai AIC yang paling kecil dibandingkan dengan model (1 1 0)12dan (0 1 1)12 yaitu 759.88. Sehingga dapat disimpulkan bahwamodel (0 1 0) adalah model terbaik. Tabel 4.21 Kriteria Out Sampel model Data Ikan lele model Nilai MAPE (1 1 0)12 37.79234%
  54. 54. (0 1 0)12 21.97483% Dari Tabel 4.21 menunjukkan bahwa untuk model (0 10)12 mempunyai nilai MAPE sebesar 21.97483% sehingga ber-dasarkan kriteria out sampel model peramalan (0 1 0)12 bisa dika-takan model yang cukup baik karena memiliki nilai MAPE yangkecil. Dari pengujian model dengan kriteria in sampel dan outsampel menunjukkan bahwa diperoleh model terbaik yaitu (0 10)12 dengan persamaan umum dengan persamaan umum Z t = δ + Z t −12 + at dimana δ adalah nilai konstan. Dari outputprogram SAS diperoleh nilai konstan untuk model ARIMA(0 10)12 sebagai berikut : Tabel 4.22 Estimasi Nilai Konstan Model ARIMA (0 1 0)12 Lele Standard Approx Parameter Estimate Error t Value Pr > |t| Lag MU 3.50000 78.13078 0.04 0.9644 0 Dari Tabel 4.22 diperoleh nilai konstan ( δ ) untuk modelARIMA(0 1 0)12 sebesar 3.5. Sehingga nilai peramalan untukperiode 12 bulan ke depan untuk data penangkapan ikan leleadalah sebagai berikut : Tabel 4.23 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Lele periode forecast 73 423,5 74 243,5 75 393,5 76 258,5 77 648,5 78 453,5 79 543,5 80 763,5 81 3653,5 82 358,5 83 1773,5
  55. 55. 84 773,5 Dari tabel 4.23 dapat diketahui hasil nilai peramalan darimodel (0 1 0)12 untuk data penangkapan ikan lele. Denganmengabaikan asumsi residual berdis-tribusi normal maka nilaiperamalan dinyatakan tidak valid. Karena apabila residual tidaknormal maka akan berpengaruh terhadap signifikansi nilaiperamalannya. Sehingga masih diperlukan metode lain yang lebihbaik.
  56. 56. (halaman ini sengaja dikosongkan)
  57. 57. Tak ada rahasia menggapai sukses, sukses itu dpat terjadi karenapersiapan, kerja keras dan mau belajar dari kegagalan. (W.A Nance) BAB V KESIMPULAN DAN SARAN
  58. 58. BAB V KESIMPULAN DAN SARAN5.1 Kesimpulan Berdasarkan penelitian terhadap data penangkapan tiapjenis ikan yang telah dilakukan dapat diambil beberapakesimpulan sebagai berikut:1. Untuk data penangkapan ikan tawes pada periode bulan Janu- ari 2002 sampai dengan Desember 2007 didapatkan model yang terbaik adalah model ARIMA(0 1 0)12 dengan model peramalan Z t = δ + Z t −12 + at . Sedangkan untuk data penangkapan ikan nila pada periode yang sama didapatkan model yang terbaik adalah model ARIMA(1 1 0)12 dengan model Z t = (1 + Φ1 ) Z t −12 − Φ 1 Z t −24 + at dan untuk data penangkapan ikan lele pada periode yang sama juga didapatkan model terbaik adalah ARIMA(0 1 0)12 model umum yaitu Z t = δ + Z t −12 + at .2. Nilai peramalan untuk penangkapan 3 jenis ikan konsumsi adalah sebagai berikut : Tabel 5.1 Nilai Peramalan 3 Jenis Ikan Untuk 12 Periode periode Ikan Tawes Ikan Nila Ikan Lele 73 1942.6 436.12 423,5 74 677.6 380.49 243,5 75 867.6 474.69 393,5 76 227.6 230.71 258,5 77 2197.6 587.26 648,5 78 5837.6 584.79 453,5 79 7512.6 3195.97 543,5 80 5842.6 2447.60 763,5 81 7422.6 7028.24 3653,5 82 1182.6 1827.47 358,5 83 3657.6 4747.86 1773,5 84 2802.6 1317.59 773,5
  59. 59. 5.2 Saran1. Saran yang dapat diberikan dalam penelitian ini adalah agar Dinas Peternakan dan Perikanan pemerintah lebih memperhatikan fluktuasi hasil penangkapan ikan konsumsi dan mempelajari faktor-faktor yang menyebab- kan adanya fluktuasi hasil penangkapan ikan konsumsi dimasa yang akan datang.2. Masih diperlukan metode-metode peramalan yang lain dan lebih baik untuk meramalkan nilai hasil penangkapan ikan tiga jenis ikan konsumsi air tawar.
  60. 60. Jangan pernah menyia – yiakan kesempatan yang ada, karenakesempatan tidak mungkin datang dua kali seperti matahari pagi tidakmungkin terbit dua kali untuk membangunkan tidur kita. (Helen Keller) DAFTAR PUSTAKA
  61. 61. DAFTAR PUSTAKAAswi dan Sukarna, 2006, “Analisis Deret Waktu”, Andira Publisher, MakassarCryer, D.J, 1986, “Time Series Analisis”, PWS-KENT Publishing Company, Inc, BostonDaniel, W.W., 1989, “Statistika Nonparametrik Terapan”, Georgia State University. PT Gramedia, Jakarta.Direktorat Jendral Perikanan tangkap, 2004, “Pedoman Pelaksanaan pengumpulan Data Statistik Perikanan Umum”, Ditjen Perikanan Tangkap, JakartaMakridakis S., Wheelwright, Mc Gee, 1999, “Metode dan Aplikasi Peramalan”, Edisi Kedua, Bina Rupa Aksara, Jakarta.Wei, W.W.S., 1990, “Time Analysis Univariate and Multivariate Methods“, Addison Wesley Publishing Company, Inc.
  62. 62. Ketika kau sedih, merasa sendirian, dan orang – orang disekitarkamu terlalu sibuk dengan urusannya masing – masing, Janganlah kamutakut karena Allah selalu berada disampingmu. (NN) LAMPIRAN
  63. 63. LAMPIRAN AData penangkapan ikan konsumsi dinas peternakan dan perikanan kab. Mojokerto Jenis Ikan Bulan TAWES* NILA* LELE* JANUARI’02 1295 403 476 FEBRUARI’02 910 433 358 MARET’02 548 283 321 APRIL’02 397 289 140 MEI’02 1667 460 402 JUNI’02 13357 1026 674 JULI’02 10492 1972 249 AGUSTUS’02 4050 1738 2115 SEPTEMBER’02 3660 2460 2877 OKTOBER’02 3331 1082 72 NOVEMBER’02 2185 2569 1065 DESEMBER’02 3132 621 1286 JANUARI’03 1195 496 245 FEBRUARI’03 980 532 255 MARET’03 423 266 188 APRIL’03 349 129 62 MEI’03 2856 952 1080 JUNI’03 9918 4299 199 JULI’03 11530 1235 142 AGUSTUS’03 4539 1688 484 SEPTEMBER’03 3569 3115 711 OKTOBER’03 9689 2737 2385 NOVEMBER’03 2669 2994 916 DESEMBER’03 1565 269 1041 JANUARI’04 1680 261 405 FEBRUARI’04 688 252 248 MARET’04 885 229 395 APRIL’04 360 299 200 MEI’04 3265 1033 1240 JUNI’04 8578 2190 559 JULI’04 12065 1685 605 AGUSTUS’04 5795 1730 855 SEPTEMBER’04 3362 4158 1656 OKTOBER’04 3528 4517 1791 NOVEMBER’04 2176 2625 1095 DESEMBER’04 2034 1272 836
  64. 64. JANUARI’05 1650 251 385FEBRUARI’05 720 275 280MARET’05 970 275 390APRIL’05 420 195 235MEI’05 3360 580 1245JUNI’05 8132 2460 711JULI’05 10395 1295 475AGUSTUS’05 7305 2055 925SEPTEMBER’05 3735 4238 1644OKTOBER’05 2830 2920 875NOVEMBER’05 2970 4160 1670DESEMBER’05 2490 1365 1183JANUARI’06 1700 520 440FEBRUARI’06 670 425 235MARET’06 930 565 365APRIL’06 370 245 285MEI’06 2870 590 1130JUNI’06 7835 250 715JULI’06 5935 4145 410AGUSTUS’06 3160 2605 415SEPTEMBER’06 7730 8275 3550OKTOBER’06 1195 1490 360NOVEMBER’06 3684 4980 1555DESEMBER’06 2545 1300 915JANUARI’07 2010 565 420FEBRUARI’07 745 527 240MARET’07 935 580 390APRIL’-07 295 245 255MEI’07 2265 455 645JUNI’07 5905 2605 450JULI’07 7580 2410 540AGUSTUS’07 5910 2870 760SEPTEMBER’07 7490 8080 3650OKTOBER’07 1250 1225 355NOVEMBER’07 3725 4835 1770DESEMBER’07 2870 980 770 Ket(*) = Dalam Kilogram
  65. 65. LAMPIRAN BIdentifikasi Model Data Penangkapan Ikan TawesTime series plot Ikan TawesDifferencing musiman ikan tawes
  66. 66. ACF plot differencing ikan tawesPACF plot differencing ikan tawes
  67. 67. Pengujian Signifikansi Model ARIMA (1 1 0)12 TawesFinal Estimates of ParametersType Coef SE Coef T PSAR 12 -0.4787 0.1585 -3.02 0.004Differencing: 0 regular, 1 seasonal of order 12Number of observations: Original series 60, after differencing 48Residuals: SS = 142227153 (backforecasts excluded) MS = 3026110 DF = 47Modified Box-Pierce (Ljung-Box) Chi-Square statisticLag 12 24 36 48Chi-Square 13.9 27.1 49.7 *DF 11 23 35 *P-Value 0.236 0.252 0.051 *Uji Kenormalan Model ARIMA (1 1 0)12 Tawes % #$ 0 !! + -. / ! 0 1- ! 2 * , #$
  68. 68. Pengujian Signifikansi Model ARIMA(0 1 1)12 TawesFinal Estimates of ParametersType Coef SE Coef T PSMA 12 0.8358 0.1560 5.36 0.000Differencing: 0 regular, 1 seasonal of order 12Number of observations: Original series 60, after differencing 48Residuals: SS = 116076083 (backforecasts excluded) MS = 2469704 DF = 47Modified Box-Pierce (Ljung-Box) Chi-Square statisticLag 12 24 36 48Chi-Square 6.7 13.2 47.9 *DF 11 23 35 *P-Value 0.821 0.948 0.071 *Pengujian Kenormalan Model ARIMA(0 1 1)12 Tawes % #$ 0 !! + -. / ! 0 1- ! 2 * , #$
  69. 69. Pengujian Model ARIMA(0 1 0)12 Tawes !"# ## $ " % " ! % # " & % ( ) * + , - . /01 2 . + ,1 3 2,3 "% 4% 05 4% ) * " %! , 6 6 /, 7 8 1 0 2 3 , 5 , 3 2 0 1 8 7 , . 9 5 715, 3 , 55555 : :;;;;;;;;;;;;;;;;;;;;: 5 , /, 0 3, / 52 05 : ;: : 5 , 7577 / 31 7, / ,8575 : ;;;;: : 5 , 7332 3 , 5 1 5 51,37 : :; : 5 ,33282 2 /3,2 18 / ,5 7, : ;;: : 5 ,32,,7 25 5 85 5 5,3 2 : : : 5 ,3 5 0 288 , 20, 5 5,02 : : : 5 ,3 8 1 /, 82 / 5 332 : ;: : 5 ,3 0, 8 /88221 00, / 5 718 : ;: : 5 ,3 7,, 7 1 7 7 733 5 5 2 0 : : : 5 ,305,7 ,5 3823,5 5 , 737 : :;;; : 5 ,30573 ,, /,2 35 / 52755 : ;: : 5 ,38, 8 , /1 3130 / 2301 : ;;;;;: : 5 ,382,8 ,3 / 02 78 / 5,81, : : : 5 ,2 37, ,2 /3 2327 / ,57 5 : ;;: : 5 ,2 23, , /12522 ,31 / 5 273 : : : 5 ,2017 ,0 3,7,22 5 ,512 : :;; : 5 ,2080 ,1 /,3 05 / 52203 : ;: : 5 ,28,01 ,8 /0 ,3 8 / 5 57 : : : 5 ,2837, ,7 8, 10 , 7 5 5 121 : :; : 5 ,28225 5 /7, , 11 / 55351 : : : 5 ,28 2 , 3 22, 5 ,57 : :;; : 5 ,28 0 ,2812 5 ,133 : :;;; : 5 ,278 8 3 /3 2 ,3 / ,,730 : ;;: : 5 , 3,02 2 /1 3 221 / 55 22 : : : 5 , 2150 < < " - = . . .! " 6 /, 7 8 1 0 2 3 , 5 , 3 2 0 1 8 7 , , 5 ,383 : :;;; : 5 ,351 : :;;;; : 3 /5 5 28 : ;: : 2 5 ,5,82 : :;; : 5 55788 : : : 0 5 5 0 3 : :; :
  70. 70. 1 5 5,38 : : : 8 /5 5,8 : : : 7 /5 51 20 : ;: :,5 /5 58385 : ;;: :,, 5 57052 : :;; :, 5 135 : :;;;;; :,3 5 57021 : :;; :,2 5 ,3578 : :;;; :, 5 5307 : :; :,0 /5 550 : : :,1 5 5 5 , : : :,8 /5 5, 05 : : :,7 5 5,882 : : : 5 /5 51851 : ;;: : , /5 5717, : ;;: : /5 ,725 : ;;;;: : 3 5 52571 : :; : 2 /5 5,118 : : : 6 /, 7 8 1 0 2 3 , 5 , 3 2 0 1 8 7 , , /5 52 05 : ;: : /5 ,8352 : ;;;;: : 3 5 5 020 : :; : 2 /5 ,38 0 : ;;;: : 5 5 711 : :; : 0 /5 53210 : ;: : 1 /5 53, 1 : ;: : 8 /5 5 023 : ;: : 7 5 5,,80 : : :,5 5 , 2,1 : :;; :,, /5 5235 : ;: :, /5 0 : ;;;;: :,3 /5 51528 : ;: :,2 /5 ,87,5 : ;;;;: :, /5 5 3 7 : ;: : . . 6 /, 7 8 1 0 2 3 , 5 , 3 2 0 1 8 7 ,,0 /5 552 0 : : :,1 /5 53 2 : ;: :,8 /5 52,0 : ;: :,7 /5 523,3 : ;: : 5 /5 52,0, : ;: : , 5 ,,3 : :;; : 5 2,5 : :;;;;; : 3 /5 5 1 8 : ;: : 2 5 5 3 5 : : : 6 -
  71. 71. 6 / > .? +@ 6 .? //////////////////// //////////////////// 0 3 3 0 5 101 /5 523 /5 ,8, 5 51, /5 ,50 5 5,2 5 5,0, 7 00 , 5 02 7 /5 5 3 /5 535 5 5 5 , 7 /5 527 /5 22,8 ,, 87 ,8 5 8 7 /5 5,7 /5 ,57 /5 5 5 ,51 /5 52 /5 5 , 2 ,1 21 2 5 8 17 5 5 1 /5 553 5 ,57 5 ,13 /5 ,,7 /5 55 . . .! " A .? 9 " . ## $ " 9 " 9 & > : : A /01 25555 2 307 7 /5 35 5 1027 5 6 9 " /01 2 & 9 " 35 527 . 9 9 " ,131 7 1 6 ,500 .B6 ,508 0,2 "% 05 6 - 6 / > .? +@ 6 .? //////////////////// //////////////////// 0 3 3 0 5 101 /5 523 /5 ,8, 5 51, /5 ,50 5 5,2 5 5,0, 7 00 , 5 02 7 /5 5 3 /5 535 5 5 5 , 7 /5 527 /5 22,8 ,, 87 ,8 5 8 7 /5 5,7 /5 ,57 /5 5 5 ,51 /5 52 /5 5 , 2 ,1 21 2 5 8 17 5 5 1 /5 553 5 ,57 5 ,13 /5 ,,7 /5 55 % ( 9 " /01 2 ) * + , " ! //. /// /////# & ////// . # / - 5 85 1 , C C5 555, D " /." + 5 3 7 0 > + C5 5,55 6 " / /.? 5 1 53,8 > /.? C5 55 5 /+ /.? 3 8170 > /.? C5 55 5

×