ABSTRAK

Pertumbuhan penduduk adalah perubahan populasi sewaktu-waktu, dan dapat dihitung

sebagai perubahan dalam jumlah individu dalam sebuah populasi menggunakan per waktu unit
untuk pengukuran. Sebutan pertumbuhan penduduk merujuk pada semua spesies, tapi selalu
mengarah pada manusia, dan sering digunakan secara informal untuk sebutan demografi nilai
pertumbuhan penduduk, dan digunakan untuk merujuk pada pertumbuhan penduduk dunia.
Berdasarkan penelitian di dunia mengatakan bahwa ada kaitan antara angka kelahiran dan usia
harapan hidup di suatu negara, dimana makin rendah angka kelahiran makin tinggi usia
harapan hidup. Hal ini merupakan salah satu masalah pokok yang dihadapi oleh negara-negara
berkembang seperti Mississippi. Dengan teknik analisis runtun waktu akan diduga nilai suatu
variabel untuk masa datang dengan menggunakan nilai-nilai variabel tersebut pada masa lalu.













BAB I
PENDAHULUAN
1.1 LATAR BELAKANG
Menurut PBB dan WHO, kematian adalah hilangnya semua tanda-tanda kehidupan secara
permanen yang bisa terjadi setiap saat setelah kelahiran hidup. Still birth dan keguguran tidak
masuk dalam pengertian kematian. Perubahan jumlah kematian (naik turunnya) di tiap daerah
tidak sama, tergantung pada berbagai macam faktor keadaan. Besar kecilnya tingkat kematian ini
dapat merupakan petunjuk atau indicator bagi tingkat kesehatan dan tingkat kehidupan penduduk
di suatu wilayah.
Konsep-konsep lain yang terkait dengan pengertian mortalitas adalah :
1. Neo-natal death adalah kematian yang terjadi pada bayi yang belum berumur 1 bulan.
2. Lahir mati (still birth) atau yang sering disebut kematian janin (fetal death) adalah
kematian sebelum dikeluarkannya secara lengkap bayi dari ibunya pada saat dilahirkan
tanpa melihat lamanya dalam kandungan.
3. Post Neo-natal adalah kematia anak yang berumur antara 1 bulan sampai dengan kurang
1 tahun.
4. Infant death (kematian bayi) adalah kematian anak sebelum mencapai umur 1 tahun.
Factor pengaruh
Factor-faktor yang mempengaruhi kematian dibagi menjadi 2, yaitu :
1. Factor langsung (factor dari dalam)
a. Umur
b. Jenis kelamin
c. Penyakit
d. Kecelakaan, kekerasan, bunuh diri.
2. Factor tidak langsung (factor dari luar)
a. Tekanan, baik psikis maupun fisik
b. Kedudukan dalam perkawinan
c. Kedudukan social ekonomi
d. Tingkat pendidikan
e. Pekerjaan
f. Beban anak yang dilahirkan
g. Tempat tinggal dan lingkungan
h. Tingkat pencemaran lingkungan
i. Fasilitas kesehatan dan kemampuan mencegah penyakit
j. Politik dan bencana alam
Cara mengukur kematian
1. Crude Death Rate (CDR)
Tingkat kematian kasar atau CDR adalah jmlah kematian penduduk tiap seribu orang
dalam waktu 1 tahun.
Rumus :

Keterangan :
D : jumlah seluruh kematian
P : jumlah penduduk pada pertengahan tahun
Tingkat kematian ini dapat digolongkan dalam criteria sebagai berikut :
- Tingkat kematian golongan >18 (tinggi)
- Tingkat kematian golongan 14 18 (sedang)
- Tingkat kematian golongan 9 13 (rendah)
2. Age Specific Death Rate (ASDR)
Tingkat kematian menurut kelompok umur tertentu atau ASDR adalah banyaknya
kematian yang terjadi pada penduduk dalam kelompok umur tertentu per seribu
penduduk.
Rumus :

Keterangan :
D
i
: banyaknya kematian dalam kelompok umur tertentu selama satu tahun
P
i
: banyaknya penduduk dalam kelompok umur tertentu yang sama pada
pertengahan tahun.

3. Infant Mortality Rate (IMR)
Tingkat kematian bayi adalah banyaknya kematian bayi (sebelum umur satu tahun) yang
terjadi pada kelahiran per seribu bayi. Merupakan cara pengukuran yang dipergunakan
khusus untuk menentukan tinggkat kematian bayi. IMR biasanya dijadikan indicator
dalam pengukuran kesejahteraan penduduk.
Rumus :

Keterangan :
Db : jumlah kematian bayi sebelum umur satu tahun
Pb : jumlah kelahiran hidup dalam waktu yang sama
Tingkat kematian ini dapat digolongkan dalam criteria sebagai berikut :
- Tingkat kematian bayi golongan > 125 (sangat tinggi)
- Tingkat kematian bayi golongan 75 125 (tinggi)
- Tingkat kematian bayi golongan 35 75 (sedang)
- Tingkat kematian bayi golongan < 35 (rendah)
Bila tingkat kelahiran kasar sama dengan tingkat kematian kasar akan tercapai pertambahan
penduduk sebesar 0 % atau zero population growth. Yang berarti keadaan kependukdukan di
daerah tersebut tercapai sebuah keseimbangan.
1.2 RUMUSAN MASALAH
Dalam masalah kematian di Mississippi tentu ada banyak faktor yang menjadi
penyebabnya, oleh karena itu kita perlu mengetahui faktor-faktor yang mempengaruhi
tingkat kematian di Mississippi ini. Sehingga dirumuskanlah masalah sebagai berikut :
1. Bagaimana kajian teoritis dan proses model dalam tingkat kematian di mississippi
2. Faktor apa saja yang mempengaruhi tingkat kematian di Mississippi
3. Apakah faktor yang paling berpengaruh dalam tingkat kematian di Mississippi

1.3 TUJUAN
Adapun tujuan dari permasalahan ini adalah :
a. Menentukan model yang cocok untuk mengetahui tingkat kematian di mississippi
b. Untuk mengetahui faktor-faktor apa saja yang menjadi penyebab tingkat kematian di
mississippi
c. Untuk mengetahui faktor apa yang paling berpengaruh dalam tingkat kematian di
Mississippi
d. Untuk meramalkan tingkat kematian untuk beberapa tahun ke depan di Mississippi

1.4 MANFAAT
Manfaat penulisan makalah ini adalah mengetahui pemodelan peramalan yang dapat
digunakan untuk peramalan pada beberapa periode mendatang.











BAB II
TINJAUAN PUSTAKA

2.1 Prinsip Dasar dan Tujuan Analisis
2.1.1 Prinsip Dasar
ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik
ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang
ketepatan peramalannya kurang baik. Biasanya akan cenderung flat (mendatar/konstan) untuk
periode yang cukup panjang. Model Autoregresif Integrated Moving Average (ARIMA)
adalah model yang secara penuh mengabaikan independen variabel dalam membuat
peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret
waktu (time series) secara statistik berhubungan satu sama lain (dependent).

2.1.2 Tujuan Analisis
Tujuan model ini adalah untuk menentukan hubungan statistik yang baik antar variabel yang
diramal dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan
model tersebut.

2.2 Format Data Dasar dan Program Komputer yang Digunakan
ARIMA hanya menggunakan suatu variabel (univariate) deret waktu. Misalnya: variabel
IHSG. Program komputer yang dapat digunakan adalah EViews, Minitab, SPSS, dll.

2.2.1 Stasioneritas dan Nonstasioneritas
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat nonstasioner
dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret
berkala yang stasioner. Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada
data. Data secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain,
fluktuasi databerada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu
dan varians dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu. Suatu deret
waktu yang tidak stasioner harus diubah menjadi data stasioner dengan melakukan
differencing. Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih
nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum
stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner, maka dilakukan
transformasi logaritma.

2.2.2 Klasifikasi model ARIMA
Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model autoregressive (AR),
moving average (MA), dan model campuran ARIMA (autoregressive moving average) yang
mempunyai karakteristik dari dua model pertama.
1) Autoregressive Model (AR)
Bentuk Umum : at = (1- |
1
B - |
2
B
2
-...- | pB
p
)Z
t
> a
t
(B)Z
t
Biasanya dalam praktek model AR hanya terjadi pada lag 1 dan lag 2. Jika p = 1, maka
diperoleh AR(1), yang mempunyai persamaan Zt =|
1
Z
t-1
+ a
t
(1|
1
B)Z
t
= a
t
>Proses
Markov dan invertible. Supaya Stasioner dan invertible maka nilai parameter ||
1
|<1. Pada
AR(1) nilai ACF turun secara eksponensial dan nilai PACF hanya muncul pada lag 1 saja
(pada lag 1 signifikan berbeda dengan nol )
2) Moving Average Model (MA)
Bentuk Umum : Zt = (1- u
1
B - u
2
B
2
)a
t
Z
t
= |q (B)a
t
Biasanya dalam praktek model MA hanya terjadi pada lag 1 dan lag 2. Jika q = 1, maka
diperoleh MA(1), yang mempunyai persamaan Zt = at u1at 1 (1u1B)at = Zt Selalu
stasioner dan invertible. Supaya Stasioner dan invertible maka akar polinomial dari MA(1) :
(1u1B) = 0 terletak diluar lingkaran satuan sehingga syarat MA(1) invertible adalah : |u1 |<1.
Secara umum ACF dan PACF model MA(1) merupakan bentuk lain seperti dalam AR(1),
yakni ACF muncul pada lag 1 saja, artinya setelah lag 1 nilai mendekati nol ( terpotong
setelah lag 1 ) sedang nilai PACF nya turun secara eksponensial.
3) Model campuran
Bentuk Umum : | p (B)Zt =u q (B)at
Dengan | p (B) =(1|
1
B |
2
B
2
... | pB
p
) Polynomial AR(p)
u q (B) =(1u
1
B u
2
B
2
... uqB
p
) Polynomial MA(q)
Agar proses invertible maka akar-akar polynomial AR(p) berada diluar lingkaran satuan.
Demikian juga supaya proses stasioner, maka akar- akar polynomial MA(q) juga harus
berada diluar lingkaran satuan. Secara khusus proses ARMA (p,q) dapat dinyatakan
dalam model AR maupun model MA dengan orde tak terhingga. Nilai ACF model
ARMA (P,Q) adalah :
k
= |
1

k1
+... + | p
k
p , k > q +1
Nilai PACFnya untuk model ARMA secara umum seperti diformulasikan dalam Durbin
(1960). Dalam praktek biasanya yang sering dijumpai adalah model ARMA (1,1), model
ARMA(1,2), modelARMA(2,1) dan model ARMA (2,2). Untuk memudahkan langkah
awal dalam identifikasi model-model ARW yang stasioner, dapat digunakan pedoman
dalam tabel berikut :
Model ACF PACF
AR(p) Turun secara eksponensial
menuju nol sejalan dengan
bertambahnya k (Dies down)
Terpotong setelah lag p
(cut off after lag p)
MA(q) Terpotong setelah lag q (cut
off after lag q)
Turun secara eksponensial
menuju nol sejalan dengan
bertambahnya k
ARMA(p,q) Turun secara eksponensial
menuju nol sejalan dengan
bertambahnya k
Turun secara eksponensial
menuju nol sejalan dengan
bertambahnya k

2.2.3 Musiman dan Model ARIMA
Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam selang waktu
yang tetap. Untuk data yang stasioner, faktor musiman dapat ditentukan dengan
mengidentifikasi koefisien autokorelasi pada dua atau tiga time-lag yang berbeda nyata
dari nol. Autokorelasi yang secara signifikan berbeda dari nol menyatakan adanya suatu
pola dalam data. Untuk mengenali adanya faktor musiman, seseorang harus melihat pada
autokorelasi yang tinggi.
Untuk menangani musiman, notasi umum yang singkat adalah:
ARIMA (p,d,q) (P,D,Q)S
Dimana (p,d,q) = bagian yang tidak musiman dari model
(P,D,Q) = bagian musiman dari model
S = jumlah periode per musim
2.2.3 Identifikasi

Proses identifikasi dari model musiman tergantung pada alat-alat statistik berupa
autokorelasi dan parsial autokorelasi, serta pengetahuan terhadap sistem (atau proses) yang
dipelajari.

2.2.4 Penaksiran Parameter
Ada dua cara yang mendasar untuk mendapatkan parameter-parameter tersebut:
a. Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan
memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu
parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of
squared residual).
b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan program
komputer memperhalus penaksiran tersebut secara iteratif.












BAB III
METODOLOGI PENELITIAN

3.1 DATA
Data permasalahan tentang Deaths and Rates, by Year an Race, Mississippi, 1950-2010
yang bersumber dari msdh.ms.gov/phs/time.htm.

3.2 DIAGRAM ALIR



















Input data
Identifikasi :
1. Plot data Time series
2. Plot ACF dan PACF
Estimasi parameter :
1. Uji independensi residual
2. Uji signifikansi parameter
Verifikasi :
1. Underfit (pengurangan parameter yang tidak signifikan terhadap model)
2. Nilai MSE
3. Model terbaik
Peramalan
Mulai
Selesai
Output

BAB IV
HASIL DAN PEMBAHASAN

4.1 STASIONERITAS
Berdasarkan grafik time series plot of data, terlihat bahwa probabilitanya tidak sama,
mean dan varian pun tidak konstan. Ini berarti data tidak stasioner, sehingga perlu dilakukan
diferensi satu kali. Dalam time series plot of diffdata (hasil dari pendiferensian satu kali/satu
lag) data sudah stasioner, terlihat dari probabilitanya yang sudah sama serta mean dan
variannya konstan. Ini artinya data akan cenderung kembali ke arah rata-ratanya (mean) dan
akan berfluktuasi disekitar rata-ratanya. Pada ACF terlihat 1 lag yang muncul dan pada
PACF terlihat 1 lag yang muncul, sehingga data runtun waktu sudah stasioner. Karena data
diffdata sudah statsioner, selanjutnya dapat dilakukan estimasi model dengan data diffdata.
4.2 IDENTIFIKASI MODEL
Berdasarkan plot PACF dari data diffdata didapatkan satu lag keluar melewati garis
standar error, ini berarti terjadi proses AR(1). Pada plotACF dari data diffdata didapatkan
satu lag keluar melewati garis standar error, ini berarti terjadi proses MA(1). Kemungkinan
model runtun waktu yang dapat diidentifikasi adalah:
1. AR(1)
2. MA(1)
3. ARMA(1,1)

4.3 HOMOGENITAS DAN NORMALITAS
Berdasarkan residual plot for diffdata terlihat pada normal probability plot of the residual
terlihat titik-titik data mengikuti garis lurus (normal), maka dapat disimpulkan normalitasnya
terpenuhi. Dan pada residuals versus the fitted values terlihat titik-titik datanya tersebar acak
dan tidak membentuk pola,sehingga dapat disimpulkan bahwa datanya homogen.


4.4 PERSAMAAN MODEL
MODEL AR(1)

MODEL MA(1)

MODEL ARMA (1,1)

4.5 ESTIMASI PARAMETER
a. Uji independensi residual
i. MODEL AR(1)
Hipotesis:
H0:

(tidak ada korelasi antar lag)

H1: paling sedikit ada satu

0 (ada korelasi antar lag)

Taraf signifikansi: = 5%
Statistik uji:
Nilai p-value Ljung-Box:
Lag 12 24 36 48
P-Value 0.504 0.500 0.773 0.160

Daerah penolakan:
Tolak H0 jika minimal ada satu p-value yang kurang dari =0.05
Keputusan:
H0 diterima karena semua nilai p-value > =0.05
Kesimpulan:
Tidak terdapat korelasi antar lag dalam model AR(1)
ii. MODEL MA(1)
Hipotesis:
H0:

(tidak ada korelasi antar lag)

H1: paling sedikit ada satu

0 (ada korelasi antar lag)

Taraf signifikansi: = 5%
Statistik uji:
Nilai p-value Ljung-Box:
Lag 12 24 36 48
P-Value 0.580 0.560 0.774 0.154

Daerah penolakan:
Tolak H0 jika minimal ada satu p-value yang kurang dari =0.05
Keputusan:
H0 diterima karena semua nilai p-value > =0.05
Kesimpulan:
Tidak terdapat korelasi antar lag dalam model MA(1)

iii. Model ARMA (1,1)
Hipotesis:
H0:

(tidak ada korelasi antar lag)

H1: paling sedikit ada satu

0 (ada korelasi antar lag)

Taraf signifikansi: = 5%
Statistik uji:
Nilai p-value Ljung-Box:
Lag 12 24 36 48
P-Value 0.486 0.490 0.755 0.160

Daerah penolakan:
Tolak H0 jika minimal ada satu p-value yang kurang dari =0.05
Keputusan:
H0 diterima karena semua nilai p-value > = 0.05
Kesimpulan:
Tidak terdapat korelasi antar lag dalam model ARMA(1,1)
b. Uji signifikansi parameter
i. Model AR(1)
Hipotesis:
H
0
: parameter tidak signifikan
H
1
: parameter signifikan
Taraf signifikansi: = 5%
Statistik uji:
p-value AR(1) = 0,004
Daerah penolakan:
Tolak H
0
jika p-value <
Keputusan:
p-value AR(1) = 0,004 < ( =0,05) maka H
0
ditolak
Kesimpulan
Parameter AR(1) pada model AR(1) signifikan.

ii. Model MA(1)
Hipotesis:
H
0
: parameter tidak signifikan
H
1
: parameter signifikan
Taraf signifikansi: = 5%
Statistik uji:
p-value MA(1) = 0,003
Daerah penolakan:
Tolak H
0
jika p-value <
Keputusan:
p-value MA(1) = 0,003 < ( =0,05) maka H
0
ditolak
Kesimpulan:
Parameter MA (1) pada model MA(1) signifikan.




iii. Model ARMA(1,1)
Hipotesis:
H
0
: parameter tidak signifikan
H
1
: parameter signifikan
Taraf signifikansi: = 5%
Statistik uji:
p-value AR(1) = 0,659
p-value MA(1) = 0,449
Daerah penolakan:
Tolak H
0
jika p-value <
Keputusan:
p-value AR(1) = 0,659 > ( =0,05) maka H
0
diterima
p-value MA(1) = 0,449 > ( =0,05) maka H
0
diterima
Kesimpulan:
Parameter AR(1) pada model ARMA (1,1) tidak signifikan dan demikian
dengan parameter MA(1) tidak signifikan.

4.6 VERIFIKASI MODEL
Model Persamaan Nilai MSE
AR (1)

5 05

327174

MA (1)

325267

ARMA (1,1)

05

329782




4.7 MODEL TERBAIK
Model terbaik didapat dari nilai MSE yang terkecil dan parameter-parameter dalam model
signifikan semua. Dari penjelasan di atas, didapatkan model terbaiknya adalah model MA (1),
karena pada model MA (1) nilai MSE nya terkecil yaitu 325267 dan parameter dalam model MA
(1) signifikan. Sehingga modelnya adalah

4.8 PERAMALAN
Di bawah ini adalah peramalan Deaths and Rates, by Year and Race, Mississippi untuk lima
tahun ke depan (2011-2015) dari ke 3 model yang ada :
a. Model AR (1)
Period Forecast
62 -104.99
63 224.26
64 102.59
65 147.55
66 130.94


b. Model MA (1)
Period Forecast
62 -14.37
63 137.16
64 137.16
65 137.16
66 137.16

c. Model ARMA (1,1)
Period Forecast
62 -55.72
63 165.12
64 131.73
65 136.78
66 136.01


Sehingga untuk peramalan pada model terbaiknya Model MA (1) adalah :
Period Forecast
62 -14.37
63 137.16
64 137.16
65 137.16
66 137.16













































BAB V
KESIMPULAN

Dari analisis yang sudah dilakukan pada BAB IV, didapatkan kesimpulan sebagai berikut:
1. Data stasioner setelah dilakukan difference sebanyak satu kali. Hal ini dibuktikan dengan
telihatnya probabilita yang sama, mean dan varian konstan, serta titik titik data berada di
sekitar nilai 0.
2. Pada plot PACF, ada satu lag yang keluar melewati garis standar error, ini berarti terjadi
proses AR(1). Pada plot ACF, ada satu lag keluar melewati garis standar error, ini berarti
terjadi proses MA(1). Jadi, model yang mungkin adalah AR (1), MA (1), ARMA (1,1).
3. Berdasarkan residual plot for diffdata, didapat kesimpulan bahwa data bersifat normal
dan homogen.
4. Pada uji independensi residual, model AR (1), MA (1),dan ARMA (1,1) tidak memiliki
korelasi antar lag.
5. Pada uji signifikansi parameter, diperoleh kesimpulan bahwa parameter pada model
AR(1) dan MA(1) signifikan. Sedangkan parameter pada model ARMA(1,1) tidak
signifikan.
6. Verifikasi Model
Model Persamaan Nilai MSE
AR (1)

5 05

327174

MA (1)

325267

ARMA (1,1)

05

329782


Model terbaik adalah MA (1), dengan parameter yang signifikan dan nilai MSE yang
terkecil, yaitu 325267. Sehingga model terbaiknya adalah

7. Peramalan untuk model terbaik (model MA1) adalah :
Period Forecast
62 -55.72
63 165.12
64 131.73
65 136.78
66 136.01



































DAFTAR PUSTAKA

Kurnia, Rahma.2006. KELAHIRAN (FERTILITAS). (Diakses tanggal 29 Juni 2012,
http://rahma-kurnia.blogspot.com/2006/09/kelahiran-fertilitas.html)
Rosadi, D., 2006, Pengantar Analisa Data Runtun Waktu, Program Studi Statistika
FMIPA UGM.
http://www.google.co.id/url?sa=t&rct=j&q=konsep-
konsep%20dasar%20analisis%20runtun%20waktu&source=web&cd=2&ved=0CE4QFjAB&url
=http%3A%2F%2Frepository.upi.edu%2Foperator%2Fupload%2Fs_mat_0706693_chapter2.pdf
&ei=mX7oT6SfCobirAfVtuDuCA&usg=AFQjCNEUnF90QTVb_FofhjaFWV_F3YCpcw
(Diunduh : Sabtu, 23 Juni 2012, pukul 10.49 WIB)
http://www.google.co.id/url?sa=t&rct=j&q=konsep-
konsep%20dasar%20analisis%20runtun%20waktu&source=web&cd=3&ved=0CFAQFjAC&url
=http%3A%2F%2Fdedirosadi.staff.ugm.ac.id%2FARW%2Fkuliah1.pdf&ei=mX7oT6SfCobirAf
VtuDuCA&usg=AFQjCNGiSsxSMqrT9iK_DRM-ZS-E5QTpRA (Diunduh : Sabtu, 23 Juni
2012, pukul 10.37 WIB)
























LAMPIRAN
1. DATA
Deaths and Rates, by Year an Race, Mississippi, 1950-2010























Tahun Total Tahun Total
1950 20567 1983 23831
1951 21007 1984 23781
1952 20657 1985 24568
1953 20492 1986 24341
1954 19353 1987 24525
1955 19403 1988 24706
1956 19780 1989 25273
1957 20476 1990 24994
1958 21541 1991 25503
1959 20890 1992 25163
1960 21713 1993 26271
1961 21232 1994 26657
1962 22713 1995 26910
1963 23339 1996 26566
1964 22559 1997 27380
1965 22652 1998 27737
1966 23350 1999 28090
1967 22609 2000 28529
1968 23986 2001 28134
1969 23865 2002 28765
1970 23305 2003 28333
1971 23426 2004 27748
1972 23663 2005 29047
1973 24007 2006 28343
1974 23153 2007 27994
1975 22768 2008 28867
1976 23124 2009 28164
1977 23022 2010 28950
1978 23363
1979 22932
1980 23576
1981 23405
1982 23173

2. OUTPUT

a. Data sebelum didiference

b. Data sesudah diddiference 1 kali


c. ACF

d. PACF




e. Residual Plots







6/28/2012 7:35:13 AM

Welcome to Minitab, press F1 for help.


Time Series Plot of data


Time Series Plot of diffdata


Autocorrelation Function: diffdata

Lag ACF T LBQ
1 -0.360712 -2.79 8.20
2 0.031783 0.22 8.27
3 0.063739 0.44 8.53
4 -0.174512 -1.20 10.56
5 0.206791 1.39 13.45
6 0.028426 0.18 13.50
7 -0.143592 -0.93 14.95
8 0.047135 0.30 15.11
9 -0.168989 -1.08 17.19
10 0.074964 0.47 17.61
11 0.041846 0.26 17.74
12 -0.047218 -0.30 17.92
13 -0.039658 -0.25 18.04
14 -0.110091 -0.69 19.02
15 0.091374 0.57 19.71


Autocorrelation for diffdata


Partial Autocorrelation Function: diffdata

Lag PACF T
1 -0.360712 -2.79
2 -0.113038 -0.88
3 0.041600 0.32
4 -0.152988 -1.19
5 0.108884 0.84
6 0.157053 1.22
7 -0.070996 -0.55
8 -0.073342 -0.57
9 -0.179501 -1.39
10 -0.056958 -0.44
11 -0.008699 -0.07
12 0.012827 0.10
13 -0.065565 -0.51
14 -0.140483 -1.09
15 0.018875 0.15


Partial Autocorrelation for diffdata


ARIMA Model: diffdata

Estimates at each iteration

Iteration SSE Parameters
0 21907131 0.100 0.100 125.835
1 19007890 -0.050 0.250 143.378
2 18801183 -0.140 0.259 155.380
3 18800512 -0.151 0.254 156.650
4 18800509 -0.151 0.253 156.690
5 18800509 -0.151 0.253 156.692

Relative change in each estimate less than 0.0010


Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 -0.1512 0.3411 -0.44 0.659
MA 1 0.2533 0.3322 0.76 0.449
Constant 156.69 55.36 2.83 0.006
Mean 136.12 48.09


Number of observations: 60
Residuals: SS = 18797571 (backforecasts excluded)
MS = 329782 DF = 57


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8.5 20.5 27.1 54.4
DF 9 21 33 45
P-Value 0.486 0.490 0.755 0.160


Residual Plots for diffdata


ARIMA Model: diffdata

Estimates at each iteration

Iteration SSE Parameters
0 23701539 0.100 125.835
1 21170382 -0.050 145.568
2 19601642 -0.200 164.842
3 18995194 -0.350 183.512
4 18987051 -0.368 185.405
5 18987022 -0.369 185.464
6 18987022 -0.370 185.464

Relative change in each estimate less than 0.0010


Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 -0.3695 0.1234 -3.00 0.004
Constant 185.46 73.85 2.51 0.015
Mean 135.42 53.92


Number of observations: 60
Residuals: SS = 18976084 (backforecasts excluded)
MS = 327174 DF = 58


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 9.3 21.3 27.6 55.5
DF 10 22 34 46
P-Value 0.504 0.500 0.773 0.160


ARIMA Model: diffdata

Estimates at each iteration

Iteration SSE Parameters
0 20544361 0.100 139.817
1 19253219 0.250 137.589
2 18868952 0.393 136.301
3 18865471 0.381 137.191
4 18865465 0.381 137.157
5 18865464 0.381 137.159

Relative change in each estimate less than 0.0010


Final Estimates of Parameters

Type Coef SE Coef T P
MA 1 0.3813 0.1215 3.14 0.003
Constant 137.16 45.62 3.01 0.004
Mean 137.16 45.62


Number of observations: 60
Residuals: SS = 18865461 (backforecasts excluded)
MS = 325267 DF = 58


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8.5 20.4 27.6 55.7
DF 10 22 34 46
P-Value 0.580 0.560 0.774 0.154


ARIMA Model: diffdata

Estimates at each iteration

Iteration SSE Parameters
0 23701539 0.100 125.835
1 21170382 -0.050 145.568
2 19601642 -0.200 164.842
3 18995194 -0.350 183.512
4 18987051 -0.368 185.405
5 18987022 -0.369 185.464
6 18987022 -0.370 185.464

Relative change in each estimate less than 0.0010


Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 -0.3695 0.1234 -3.00 0.004
Constant 185.46 73.85 2.51 0.015
Mean 135.42 53.92


Number of observations: 60
Residuals: SS = 18976084 (backforecasts excluded)
MS = 327174 DF = 58


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 9.3 21.3 27.6 55.5
DF 10 22 34 46
P-Value 0.504 0.500 0.773 0.160


Forecasts from period 61

95 Percent Limits
Period Forecast Lower Upper Actual
62 -104.99 -1226.31 1016.34
63 224.26 -971.18 1419.70
64 102.59 -1102.61 1307.80
65 147.55 -1058.98 1354.09
66 130.94 -1075.78 1337.65


ARIMA Model: diffdata

Estimates at each iteration

Iteration SSE Parameters
0 20544361 0.100 139.817
1 19253219 0.250 137.589
2 18868952 0.393 136.301
3 18865471 0.381 137.191
4 18865465 0.381 137.157
5 18865464 0.381 137.159

Relative change in each estimate less than 0.0010


Final Estimates of Parameters

Type Coef SE Coef T P
MA 1 0.3813 0.1215 3.14 0.003
Constant 137.16 45.62 3.01 0.004
Mean 137.16 45.62


Number of observations: 60
Residuals: SS = 18865461 (backforecasts excluded)
MS = 325267 DF = 58


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8.5 20.4 27.6 55.7
DF 10 22 34 46
P-Value 0.580 0.560 0.774 0.154


Forecasts from period 61

95 Percent Limits
Period Forecast Lower Upper Actual
62 -14.37 -1132.42 1103.69
63 137.16 -1059.43 1333.75
64 137.16 -1059.43 1333.75
65 137.16 -1059.43 1333.75
66 137.16 -1059.43 1333.75


ARIMA Model: diffdata

Estimates at each iteration

Iteration SSE Parameters
0 21907131 0.100 0.100 125.835
1 19007890 -0.050 0.250 143.378
2 18801183 -0.140 0.259 155.380
3 18800512 -0.151 0.254 156.650
4 18800509 -0.151 0.253 156.690
5 18800509 -0.151 0.253 156.692

Relative change in each estimate less than 0.0010


Final Estimates of Parameters

Type Coef SE Coef T P
AR 1 -0.1512 0.3411 -0.44 0.659
MA 1 0.2533 0.3322 0.76 0.449
Constant 156.69 55.36 2.83 0.006
Mean 136.12 48.09


Number of observations: 60
Residuals: SS = 18797571 (backforecasts excluded)
MS = 329782 DF = 57


Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8.5 20.5 27.1 54.4
DF 9 21 33 45
P-Value 0.486 0.490 0.755 0.160


Forecasts from period 61

95 Percent Limits
Period Forecast Lower Upper Actual
62 -55.72 -1181.51 1070.07
63 165.12 -1049.29 1379.53
64 131.73 -1084.63 1348.09
65 136.78 -1079.63 1353.18
66 136.01 -1080.39 1352.42