TUGAS INDIVIDU

PAPER PERAMALAN (FORECASTING)

METODE KUANTITATIF BISNIS

No Nama NPM

1 Huwaida Alifah 1910631200095

DISUSUN OLEH :

7C Agribisnis

Dosen Pengampu: Drs. Slamet Abadi, M. Si.

PROGRAM STUDI AGRIBISNIS

FAKULTAS PERTANIAN

UNIVERSITAS SINGAPERBANGSA KARAWANG

2022
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa

yang akan datang. Yang meliputi kebutuhan dalam ukuran kuantitas, kualitas,
waktu fan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang
araupun jasa (Nasution, 1999).
Peramalan memiliki estimasi nilai atau karakteristik masa depan yaitu
prediksi (prediction), peramalan (forecast), dan kecenderungan (trend).
Peramalan bersifat tidak pasti, permintaan tidak pasti karena ada beberapa
faktor yaitu karena adanya kompetisi, perilaku konsumen, siklus bisnis, upaya
penjualan, siklus hidup produk, variasi random, dan lain-lain.
Pada dasarnya pendekatan peramalan dapat diklasifikasikan menjadi dua
pendekatan, yaitu pendekatan kualitatif dan pendekatan kuantitatif
(Makridakis, et, al., 1995).

1
 BAB II
TINJAUAN PUSTAKA

2.1 Peramalan (Forecasting)

2.1.1 Pengertian Peramalan (Forecasting)

Heizer dan Render (2015:113) mendefinisikan peramalan (forecasting)
adalah suatu seni dan ilmu pengetahuan dalam memprediksi peristiwa pada
masa mendatang. Peramalan akan melibatkan pengambilan data historis
(penjualan tahun lalu) dan memproyeksi mereka ke masa yang akan datang
dengan model matematika. Perusahaan selalu dituntut untuk memperkirakan
atau meramalkan besarnya permintaan pelanggan akan produknya.
Peramalan permintaan merupakan usaha untuk mengetahui jumlah produk
atau sekelomok produk di masa yang akan datang dalam kendala atau
kondisi tertentu serta untuk mengurangi resiko atau ketidakpastian yang
dihadapi (Deitiana: 2011, 31).
Peramalan untuk permintaan produk adalah dasar untuk keputusan
perencanaan yang paling penting. Menurut Russell dan Taylor (2011:497),
peramalan permintaan produk menentukan seberapa banyak persediaan yang
dibutuhkan, seberapa banyak produk yang harus dibuat dan seberapa banyak
material yang harus dibeli dari supplier untuk mencapai kebutuhan
pelanggan yang sudah diramalkan. Tanpa peramalan yang tepat, persediaan
dalam jumlah dan biaya yang besar harus dipersiapkan untuk mengantisipasi
ketidakpastian permintaan oleh pelanggan.
Peramalan penjualan merupakan bagian penting dari manajemen rantai
pasokan baik pada pengecer akhir dan distributor, manufaktur dan pemasok.
Peramalan penjualan yang tepat waktu dan akurat sangat penting dalam
menjembatani kesenjangan antara pasokan dan permintaan sehingga
mengurangi biaya penyimpanan ketika menjaga kemungkinan kehabisan
persediaan (Sanwanlani & Vijayalakshmi, 2013:39)

2
 Russell dan Taylor (2011:497) secara lebih lanjut menjelaskan bahwa
meskipun peramalan yang akurat tidak pernah mungkin bisa dilakukan,
tetapi peramalan dapat mengurangi ketidakpastian mengenai masa yang
akan datang.

2.1.2 Jenis Peramalan

Penentuan target diperlukan dalam segala aspek kehidupan. Dalam
perusahaan, khususnya bagi seorang manajer untuk mengambil keputusan
yang tepat dalam pencapaian tujuan perusahaan itu sangatlah penting, tetapi
pada kenyataannya antara target yang harus dicapai dengan tingkat
pendapatan yang diterima tidaklah selalu sama atau sesuai dengan apa yang
diharapkan. berdasarkan horizon waktu, peramalan dapat dikelompokan
dalam tiga bagian, yaitu peramalan jangka panjang, peramalan jangka
menengah, dan peramalan jangka pendek.
1. Peramalan jangka panjang, yaitu peramalan yang mencakup waktu yang
lebih dari 18 bulan. Misalnya peramalan yang diperlukan dalam kaitannya
dengan penanaman modal, perencanaan fasilitas, dan perencanaan untuk
kegiatan litbang.

2. Permalan jangka menengah, mancakup waktu antara 3 sampai dengan 18

bulan. Misalnya, peramalan untuk penjualan, perencanaan produksi dan
perencanaan tenaga kerja tidak tetap.

3. Peramalan jangka pendek, yaitu untuk jangka waktu kurang dari 3 bulan.
Misalya, peramalan dalam hubungannya dengan perencanaan pembelian
material, penjadwalan kerja dan penugasan karyawan.

2.1.3 Kegunaan Peramalan

Kegunaan peramalan (forecasting) menurut Jhon E. Biegel (2009: 21)
antara lain sebagai berikut:
1. Menentukan apa yang di butuhkan untuk perluasan pabrik
2. Menentukan perencanaan lanjutan bagi produk-produk yang ada untuk
dikerjakan dengan fasilitas-fasilitas yang ada.

3
 3. Menentukan penjadwalan jangka pendek produk-produk yang ada untuk
dikerjakan berdasarkan peralatan yang ada.

2.1.4 Faktor-faktor yang Mempengaruhi Peramalan

Dalam peramalan menurut Jay Heizer Barry Render (2006;136) terdapat
berbagai faktor yang mempengaruhinya, faktor-faktor tersebut adalah :
1. Horizon waktu
Ada dua aspek yang berhubungan dengan masing-masing metode
peramalan, pertama adalah cakupan waktu dimasa yang akan datang.
Sedangkan yang kedua adalah jumlah peride peramalan yang diinginkan.
2. Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam pola
yang didapat didalam data yang diramalkan akan berkelanjutan.
3. Jenis Model
Model-model ini merupakan suatu deret dimana waktu digambarkan
sebagai unsur penting untuk menentukan perubahan-perubahan didalam
pola yang mungkin secara sistematik dapat dijelaskan dengan analisa
regresi dan korelasi.
4. Biaya
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan
prosedur ramalan yaitu biaya-biaya pengembangan, penyimpangan
(storage data), operasi pelaksanaan dan kesempatan dalam penggunaan
teknik-teknik serta metode lainya.
5. Ketepatan
Tingkat ketepatan yang dibutuhkan sangat erat hubunganya dengan tingkat
perincian yang dibutuhkan dalam suatu peramalan.
6. Penggunaan Metode
Metode-metode yang dapat dimengerti dan dapat diaplikasikan dalam
pengambilan keputusan.

2.1.5 Langkah-langkah Peramalan

4
 Beberapa langkah yang perlu diperhatikan untuk memastikan bahwa
permintaan yang dilakukan dapat mencapai taraf ketepatan yang optimal,
menurut Jay haizer dan Barry render (2006:139) adalah sebagai berikut :
1. Keadaan perusahaan yang bersangkutan. Masing-masing metode akan
memberikan hasil ramalan Menetapkan Tujuan Peramalan. Langkah
pertama dalam penyusunan peramalan adalah penentuan estimasi yang
diinginkan. Sebaliknya, tujuan tergantung pada kebutuhan-kebutuhan
informasi para manajer. Misalnya, manajer membuat permalan penjualan
untuk mengendalikan produksi.

2. Memilih Unsur Apa Yang Diramal.

Setelah tujuan ditetapkan, langkah selanjutnya adalah memilih produk

apa yang akan diramal. Misalnya, jika ada lima produk yang akan dijual,
produk mana dulu yang akan dijual.

3. Menetapkan Horizon Waktu Peramalan.

Apakah ini merupakan peramalan jangka pendek, menengah, atau jangka

panjang. Misalnya, seorang manajer pada perusahaan “x” menyusun
prediksi penjualan bulanan, kuartalan, tahunan.

4. Memilih Tipe Model Peramalan

Pemilihan model peramalan disesuaikan dengan yang berbeda.

5. Mengumpulkan Data Yang Diperlukan Untuk Melakukan Peramalan.

Apabila kebijakan umum telah ditetapkan, maka data yang dibutuhkan
untuk penyusunan peramalan penjualan produk dapat diketahui. Data bila
ditinjau dari sumberdaya terbagi menjadi dua, yaitu:

a. Data internal, data dari dalam perusahaan

b. Data eksternal, data dari luar perusahaan.
c. Membuat peramalan
d. Memvalidasi dan menetapkan hasil peramalan

5
 Peramalan dikaji di departemen penjualan, pemasaran, keuangan, dan
produksi untuk memastikan bahwa model, asumsi, dan data yang digunakan
sudah valid. Perhitungan kesalahan dilakukan, kemudian peramalan
digunakan untuk menjadwalkan bahan, peralatan, dan pekerja pada setiap
pabrik.

2.1.6 Metode Peramalan

Metode Peramalan dapat dikelompokkan menjadi dua metode, yaitu :

metode kualitatif dan metode kuantitatif.

a. Metode Kualitatif (Subjektif) Peramalan kualitatif ini lebih

mengutamakan pendapat dan intuisi manusia daripada penggunaan data
historis yang dimiliki. Sehingga metode ini banyak digunakan dalam
pengambilan keputusan sehari-hari.
b. Metode Kuantitatif Peramalan dengan menggunakan metode kuantitatif
dapat dilakukan apabila memenuhi kondisi berikut :
1. Tersedia informasi tentang masa lalu
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut dimasa mendatang (Efendi, 2010).

Metode peramalan kuantitatif dapat dibagi menjadi dua jenis peramalan

yaitu model time series dan model kausal.

1. Model Time Series Model yang berdasarkan pada input data yang
berupa data dengan basis waktu (harian, mingguan, bulanan, dan
lainnya). Model ini dilakukan dengan mengamati pola, menggunakan
model yang tepat dan kemudian dapat dilakukan prediksi.
2. Model Kausal Peramalan pada model ini berdasarkan hubungan sebab
akibat (kausal) sehingga variabel model lebih dari satu (Efendi, 2010).

6
 BAB III

PEMBAHASAN
3.1 Metode Moving Average
Dalam bukunya Pengestu Subagyo (Forecasting Konsep dan Aplikasi
tahun 2004). Metode peramalan moving average dilakukan dengan
mengambil sekelompok nilai pengamatan yang kemudian dicari rata-
ratanya, lalu menggunakan rata-rata tersebut sebagai ramalan untuk periode
berikutnya. Istilah rata-rata bergerak digunakan, karena setiap kali data
observasi baru tersedia, maka angka rata-rata yang baru dihitung dan
dipergunakan sebagi ramalan.
Moving average merupakan teknik peramalan berdasarkan rata-rata
bergerak dari nilai-nilai masa lalu, misalkan rata-rata bergerak 3 tahunan, 4
bulanan, 5 mingguan, dll. Akan tetapi teknik ini tidak disarankan untuk
data time series yang menunjukkan adanya pengaruh trend dan
musiman. Moving average terbagi menjadi single moving
average dan double moving average.
3.1.1 Single Moving Average
Single Moving Average adalah suatu metode peramalan yang dilakukan
dengan mengambil sekelompok nilai pengamatan, mencari nilai rata-rata
tersebut sebagai ramalan untuk periode yang akan datang. Metode Single
Moving Average mempunyai karakteristik khusus yaitu :

a. Untuk menentukan ramalan pada periode yang akan datang memerlukan

data historis selama jangka waktu tertentu. Misalnya, dengan 3 bulan
moving average, maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4
selesai/berakhir. Jika bulan moving averages bulan ke 7 baru bisa dibuat
setelah bulan ke 6 berakhir.

b. Semakin panjang jangka waktu moving average, efek pelicinan semakin

terlihat dalam ramalan atau menghasilakan moving average yang semakin
halus.

7
 Persamaan matematis single moving averages adalah sebagai berikut :

Keterangan :

Mt : Moving Average periode t

Ft+1 : Ramalan periode t + 1
Xt : Nilai riil periode ke t
n : Jumlah batas dalam moving average
atau

Contoh Soal
Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada Januari
2013. Ia meminta sang manajer untuk mengestimasi nilai tersebut dengan
data omzet bulanan dari bulan Juni 2011 sampai Desember 2012. Berbekal
pengetahuan di bidang statistik, sang manajer melakukan foercast dengan
metode single moving average 3 bulanan.

Forecast Mov. Error

Omzet (Yt) (Omzet-
Bulan (t) Ave. 3t (Yt+1) (Omzet-
(juta rp.) Forcast)²
(juta rp.) Forcast)
Jun-11  131     
 Jul-11  130    
 Ags-11  125    
 Sep-11  226 128,667 -2,667  7,111 
 Okt-11  129 127,000  2,000  4,000
 Nov-11  132 126,667  5,333  28,444
 Des-11  120 129,000  1,000  1,000

8
  Jan-12  132 130,333  1,667  2,778
 Feb-12  139 131,333  7,667  58,778
 Mar-12  137 133,667  3,333  11,111
 Apr-12  137 136,000  1,000  1,000
 Mei-12  140 137,667  2,333  5,444
 Jun-12  143 138,000  5,000  25,000
 Jul-12  143 140,000  3,000  9,000
 Ags-12  141 142,000  -1,000  1,000
 Sep-12  143 142,333  0,667  0,444
 Okt-12  148 142,333  5,667  32,111
 Nov-12  152 144,000  8,000  64,000
 Des-12  152 147,667  4,333  18,778
 Jan-13    150,667    
Jumlah 258,889
RMSE 0,94647203

Pada tabel di atas forecast ramalan bulan September 2011 yaitu 128,667

juta rupiah diperoleh dari penjumlahan omzet bulan Juni, Juli, Agustus 2011
dibagi dengan angka moving average (m=3). Angka forecast pada bulan
Oktober 2011 yaitu 127 juta rupiah diperoleh dari penjumlah omzet bulan
Juli, Agustus, September 2011 dibagi dengan angka moving average tiga
bulanan (m=3). Perhitungan serupa dilakukan hingga ditemukan
hasil forecast bulan Januari 2013 sebesar 150,667 juta rupiah. Dapat
diinterpretasikan bahwa omzet bulan Januari 2013 diperkirakan senilai 150,
667 juta rupiah atau mengalami penurunan sebesar 1,333 juta rupiah
dibanding dengan omzet Desember 2012 sebesar 152 juta rupiah. Perhatikan
baris pada bulan Juni-Agustus 2011 kolom Forecast hingga error tidak
memiliki nilai, karena peramalan pada bulan-bulan tersebut tidak tersedia
data moving average 3 bulanan, bulan sebelumnya.

Selanjutnya untuk melihat kebaikan hasil ramalan digunaka RMSE (root

mean square error)

9
 Untuk perhitungan RMSE, mula-mula dicari nilai error atau selisih antara
nilai aktual dan ramalan (omzet – forecast), kemudian kuadrat nilai-nilai
tersebut untuk masing-masing data bulanan. Lalu, jumlahkan seluruh nilai
error yang telah dikuadratkan. Terakhir hitung nilai RMSE dengan rumus di
atas atau lebih gambangnya, bagi nilai penjumlahan error yang telah
dikuadratkan dengan banyaknya observasi dan hasilnya lalu di akarkan. Pada
tabel di atas, banyaknya observasi yaitu 16 (mulai dari September 2011-
Desember 2012).

3.1.2 Double Moving Average

Menurut Makridakis (1992:78) dasar metode ini adalah menghitung rata-
rata bergerak (moving average) sebanyak dua kali. Bila deret data
menunjukkan trend, maka moving average tunggal akan menghasilkan
sesuatu yang menyerupai kesalahan sistematis dan kesalahan sistematis ini
dapat dikurangi denga menggunakan perbedaan antara nilai rata-rata
bergerak tunggal dan nilai rata-rata bergerak ganda.

Menurut Nasapi dkk (2014) Jika data time series yang diamati merupakan
suatu deret secara tetap meningkat tanpa unsur kesalahan random yang
menghasilkan trend liner meningkat, maka dapat di gunakan metode double
moving averages.

Dalam metode ini pertama–tama dicari moving average, hasil ramalan

ditaruh pada bulan terakhir, kemudian dicari moving average lagi dari
moving average yang pertama, baru kemdian dibuat forecast, (Sidik, 2010).

10
Menurut Makridakis (1992) orde 4x4, memiliki MAPE lebih kecil dari pada
orde 3x3, secara umum, makin besar orde dari rata – rata bergerak yaitu
jumlah nilai data yang digunakan untuk setiap rata – rata, maka pengaruh
penghalusan data akan semakin besar. Jika digunakan sebagai ramalan, tidak
banyak memperhatikan fluktuasi dalam deret data. Berikut merupakan
persamaan yang digunakan pada metode Double Moving Average yang
ditunjukkan pada (2.2), (2.3), (2.4), (2.5), (2.6)

Untuk nilai SMA

Untuk nilai DMA

Untuk nilai konstanta ....................................(2.4)

Untuk nilai kecenderungan

Untuk nilai ramalan F t+m = 𝛼t + bt ..................................(2.6)
Keterangan :

Xt : Nilai data pada periode ke-t (bulanan)

S’t+1 : Nilai rata-rata bergerak tunggal pada waktu t (bulan)
S’’t : Nilai rata-rata bergerak ganda pada waktu t (bulan)
N : Banyaknya data masa lalu
t : Konstanta untuk m periode (bulan) ke muka
bt : Komponen kecenderungan
Ft+m : Nilai ramalan untuk t bulan ke depan

Contoh Soal

Menentukan peramalan dengan metode double moving averages cukup

mudah dilakukan. Bila akan menerapkan 3 bulan rata-rata bergerak maka
ramalan pada bulan Maret dihitung sebesar rata-rata dari 3 bulan
sebelumnya, yaitu bulan Januari, Februari, Maret. Selanjutnya yaitu
menghitung rata-rata kedua dengan data dari rata-rata pertama. Dari data
tersebut digunakan untuk menghitung nilai konstanta dan nilai

11
 kecenderungan untuk menghasilkan nilai peramalan. Berikut tabel data
tersebut:

No Bulan Xt S't S"t at bt Forecast(Ft)

1 Januari 20
2 Februari 21
3 Maret 19 20
4 April 17 19
5 Mei 22 19,3333 19,4444 19,2222 0,03704
6 Juni 24 21 19,7778 22,2222 0,40741 19,2593
7 Juli 18 21,3333 20,5556 22,1111 0,25926 21,8148
8 Agustus 21 21 21,1111 20,8889 0,03704 21,8519
9 September 20 19,6667 20,6667 18,6667 0,33333 20,9259
10 Oktober 23 21,3333 20,6667 22 0,22222 19
11 Nopember 22 21,6667 20,8889 22,4444 0,25926 21,7778
12 Desember 19 21,3333 21,4444 21,2222 0,03704 22,1852

3.2 Metode Autoregressive (AR)

Model autoregressive (AR) adalah model regresi time series yang
menghubungkan nilai pengamatan aktual dengan nilai pengamatan
sebelumnya. Ini dapat dilakukan ketika sebuah pengamatan tidak lepas dari
pengamatan yang terjadi sebelumnya. Konsep dasar model ini yaitu
meregresikan pengamatan aktual dengan nilai pengamatan sebelumnya
untuk melakukan peramalan nilai ke depan. Model AR mengasumsikan
bahwa data sekarang dipengaruhi oleh data sebelumnya

Adapun persamaan model autoregressive dengan order p atau AR(p) dapat

dituliskan sebagai berikut:

di mana: εt∼WN(0,σ2)εt∼WN(0,σ2).

12
Contoh Soal

Tabel 1 di bawah menunjukkan total pengajuan pinjaman mingguan

(weekly total number of loan applications) di sebuah cabang lokal dari suatu
bank nasional selama 2 tahun terakhir. Diduga ada hubungan (yaitu
autokorelasi) antara jumlah pengajuan pinjaman minggu sekarang dan
jumlah pengajuan pinjaman pada minggu-minggu sebelumnya.

Memodelkan hubungan itu akan membantu manajemen untuk secara

proaktif membuat perencanaan pada beberapa minggu mendatang melalui
peramalan (forecasting) yang dapat diandalkan.
Tabel 1. Total pengajuan pinjaman mingguan selama 2 tahun terakhir

13
 Memulai analisis dengan plot time series yang ditunjukkan pada Gambar 1
berikut.

Gambar 1. Plot time series untuk total pengajuan pinjaman mingguan

Gambar 1 di atas menunjukkan bahwa data pengajuan pinjaman mingguan

cenderung memiliki short runs dan karena itu data tersebut tampaknya
memang berautokorelasi. Selanjutnya, kita memeriksa stasioneritas secara
visual. Meskipun mungkin ada sedikit penurunan rata-rata untuk tahun
kedua (minggu 53-104), secara umum, tampaknya aman untuk
mengasumsikan stasioneritas.

Sekarang amati plot ACF dan PACF sampel pada Gambar 2 di bawah.
Berikut adalah interpretasi yang mungkin dari plot ACF:

1. Plot ACF tidak lagi terpotong setelah lag 2 (it cuts off after lag 2) atau
bahkan mungkin pada lag 3, yang mana menyarankan model MA(2) atau
bahkan bisa jadi model MA(3).
2. Plot ACF mempunyai pola yang turun secara eksponensial yang mana
menyarankan model AR(p).

14
 Gambar 2. Plot ACF dan PACF untuk data total pengajuan pinjaman
mingguan

Jika hanya berdasarkan plot ACF sampel akan muncul pertanyaan model
manakah yang seharusnya dipilih? Apakah model MA(2)/MA(3) atau model
AR(p)? Untuk menyelesaikan ini, perhatikan plot PACF sampel.
Berdasarkan plot PACF sampel, kita hanya memiliki satu interpretasi, yakni
ia berhenti terpotong setelah lag 2 (it cuts off after lag 2). Oleh karena itu,
kita menggunakan interpretasi kedua dari plot ACF sampel dan
mengasumsikan bahwa model yang sesuai adalah model AR(2).

Tabel 2 menunjukkan output Minitab untuk model AR (2). Estimasi

parameternya yaitu ^ϕ1=0,27ϕ^1=0,27 dan ^ϕ1=0,42ϕ^1=0,42, dan ternyata
signifikan (lihat nilai P).

Tabel 2. Output Minitab untuk model AR(2)

15
Selain itu, diperoleh nilai MSE sebesar 39,35. Berdasarkan Uji Modified
Box-Pierce, tidak ada autokorelasi pada residual. Kita juga bisa melihat hal
ini pada plot ACF dan PACF sampel dari residual yang ditunjukkan dalam
Gambar 3.

Gambar 3. Plot ACF dan PACF dari residual model

16
 Sebagai pemeriksaan diagnostik terakhir, kita tunjukkan di bawah ini 4
plot yang disediakan Minitab yakni: Normal Probability Plot, Residuals
versus Fitted Value, Histogram of the Residuals, and Time Series Plot of the
Residuals. Keempat plot ini mengindikasikan bahwa hasil fit (yakni model
AR(2)) memang dapat diterima.

Gambar 4. Plot residual untuk AR(2) berdasarkan data pada Tabel 2.

Sekarang perhatikan Gambar 5 di bawah yang menunjukkan data aktual

dan nilai fit berdasarkan model AR(2). Tampak bahwa nilai fit memuluskan
data aktual yang tinggi dan rendah (smooth out the highs and lows in the
data).

17
 Gambar 5. Plot time series dari data aktual dan nilai fit model AR(2)

3.3 Metode Autogressive Moving Average (ARMA)

Model ARMA merupakan campuran antara model autoregressive (AR)

dan moving average (MA). Metode ARMA ini juga sering disebut sebagai
metoda Box-Jenkins karena dikembangkan oleh George Box dan Gwilym
Jenkins pada tahun 1976 (Lutkepohl, 2005). Model AR mengasumsikan
bahwa data sekarang dipengaruhi oleh data sebelumnya, sedangkan model
MA mengasumsikan bahwa data sekarang dipengaruhi oleh nilai residual
data sebelumnya.

Model Autoregressive Moving Average (ARMA) merupakan salah satu

model untuk data time series stasioner. Model ARMA merupakan campuran
antara model autoregressive (AR) yang mengasumsikan bahwa data
sekarang dipengaruhi oleh data sebelumnya dan model moving average
(MA) yang mengasumsikan bahwa data sekarang dipengaruhi oleh nilai
residual data sebelumnya.
Model ARMA dapat dituliskan sebagai berikut (Wei, 2006):
𝑦𝑡 = 𝜙1𝑦𝑡−1 + … + 𝜙𝑝𝑦𝑡−𝑝 + 𝜀𝑡 − 𝜃1𝜀𝑡−1 − … − 𝜃𝑞𝜀𝑡−𝑞 (1)

18
 dengan ,
= parameter AR tingkat i, i = 1,2,3, … , p,
p = order AR,
𝜃𝑖 = parameter MA tingkat i, i = 1,2,3, … ,q,
q = order MA.

Model ARMA dapat juga disederhanakan menggunakan operator

backshift (B) dengan penggunaan sebagai berikut :
𝐵𝑦𝑡 = 𝑦𝑡−1 ,
sehingga model ARMA dapat dinyatakan sebagai berikut :
𝜙𝑝(𝐵)𝑦𝑡 = 𝜃𝑞(𝐵)𝜀𝑡 .
Dalam penggunaannya menggunakan operator backshift, model ARMA
musiman yaitu :
𝜙𝑝(𝐵𝑠)𝑦𝑡 = 𝜃𝑞(𝐵𝑠)𝜀𝑡 (2)
dengan 𝜙𝑝(𝐵𝑠) menyatakan AR Musiman dan 𝜃𝑞(𝐵𝑠) menyatakan MA
Musiman. Berikut ini adalah contoh penggunaan operator backshift pada
model Autoregresivve (AR) musiman periode s tingkat p atau AR(p)s:
• Model AR 1 Musiman dengan periode 6 dapat dinyatakan sebagai
𝜙1(𝐵6)𝑦𝑡 = 𝜀𝑡
Dengan
𝜙1(𝐵6) = 1 − 𝜙𝐵6
sehingga
1 − 𝜙𝐵6)𝑦𝑡 = 𝜀𝑡
𝑦𝑡 − 𝜙𝐵6𝑦𝑡 = 𝜀𝑡,
𝑦𝑡 − 𝜙𝑦𝑡−6 = 𝜀𝑡,
𝑦𝑡 = 𝜙𝑦𝑡−6 + 𝜀𝑡.

Model AR 2 Musiman dengan periode s dapat dinyatakan sebagai

𝜙2(𝐵𝑠)𝑦𝑡 = 𝜀𝑡
dengan 𝜙2(𝐵𝑠) = 1 − 𝜙1𝐵𝑠 − 𝜙2𝐵2𝑠 sehingga
(1 − 𝜙1𝐵𝑠 − 𝜙2𝐵2𝑠 )𝑦𝑡 = 𝜀𝑡 ,

19
 𝑦𝑡 − 𝜙1𝐵𝑠𝑦𝑡 − 𝜙2𝐵2𝑠𝑦𝑡 = 𝜀𝑡,
𝑦𝑡 − 𝜙1𝑦𝑡−𝑠 − 𝜙2𝑦𝑡−2𝑠 = 𝜀𝑡,
𝑦𝑡 = 𝜙1𝑦𝑡−𝑠 + 𝜙2𝑦𝑡−2𝑠 + 𝜀𝑡.

Selain itu, adapun contoh penggunaan operator backshift pada model

Moving Average (MA) musiman periode s tingkat q atau MA(q)s sebagai
berikut :
 Model MA 1 Musiman dengan periode 12 dapat dinyatakan sebagai
𝑦𝑡 = 𝜃1(𝐵12)𝜀𝑡
Dengan
𝜃1(𝐵12) = 1 − 𝜃1𝐵12
sehingga
𝑦𝑡 = (1 − 𝜃1𝐵12)𝜀 ,
𝑦𝑡 = 𝜀𝑡 − 𝜃1𝜀𝑡−12.

 Model MA 2 Musiman dengan periode s dapat dinyatakan sebagai

𝑦𝑡 = 𝜃2(𝐵𝑠)𝜀𝑡
Dengan
𝜃2(𝐵𝑠) = 1 − 𝜃1𝐵𝑠 − 𝜃2𝐵2𝑠
sehingga
𝑦𝑡 = (1 − 𝜃1𝐵𝑠 − 𝜃2𝐵2𝑠)𝜀𝑡,
𝑡 = 𝜀𝑡 − 𝜃1𝜀𝑡−𝑠 − 𝜃2𝜀𝑡−2𝑠.

Sedangkan, bentuk umum AR 1 Musiman dengan intercept dapat

dinyatakan sebagai berikut :
𝑦𝑡 = 𝜇 + 𝜙𝑦𝑡−𝑠 + 𝜀𝑡 . (3)
Untuk periode tahunan dengan periode 12, maka bentuk umumnya
menjadi :
𝑦𝑡 = 𝜇 + 𝜙𝑦𝑡−12 + 𝜀𝑡 . (4)
dengan,
𝑦𝑡 = nilai variable pada waktu ke- t,

20
 = parameter intersept,
= parameter AR,
𝑦𝑡−12 = nilai masa lalu pada waktu ke t-12,
𝜀𝑡 = error pada waktu ke-t.

Langkah-langkah dalam pengolahan data menurut Coghlan (2017)

sebagai berikut :

1. Menguji kestasioneran data. Suatu data dikatakan stasioner apabila

tidak adanya perubahan drastis pada data. Fluktuasi yang terjadi pada
data berada pada sekitaran nilai-nilai yang konstan, tidak bergantung
pada waktu dan variansi dari fluktuasi tersebut (Makridakis, 1999).
Stasioner sangat dibutuhkan sebagai syarat sebelum menentukan
model menggunakan analisis runtun waktu. Uji stasioner dengan
Augmented Dickey Fuller (ADF) Test merupakan pengujian stasioner
dengan menentukan apakah data runtun waktu mengandung akar unit
(unit root). Jika suatu data runtun waktu tidak stasioner maka
stasioneritas data dapat dicari dengan melakukan differensial hingga
diperoleh data yang stasioner. Dalam paket program R dapat
digunakan fungsi “adf.test”
2. Membuat grafik ACF dan PACF untuk menganalisis model apa yang
digunakan. Penentuan model dari data runtun waktu dapat dilakukan
dengan melihat grafik ACF (Auto Correlation Function) dan PACF
(Partial Auto Correlation Function). Pada ACF menghitung korelasi
antara nilai t dengan nilai t+k namun masih memperhitungkan nilai-
nilai yang ada diantaranya secara keseluruhan data, sedangkan pada
PACF menghitung korelasi secara parsial pada nilai yang sama tanpa
dipengaruhi nilai-nilai diantaranya.
Tabel Pola Teoritik ACF dan PACF

Proses ACF Sampel ACF Sampel PACF

21
 AR(p) Meluruh menuju 0 Diatas batas interval
secara eskponensial maksimum sampaipada
lag ke p dan di bawah
batas pada lag >p

MA(q) Diatas batas interval Meluruh menuju 0

maksimum sampaipada secara eskponensial
lag ke q dan di bawah
batas pada lag >q

ARMA(p,q) Meluruh menuju 0 Meluruh menuju 0

secara eskponensial secara eskponensial

3. Menguji normalitas residual dengan menggunakan uji Kolmogorov-

Smirnov dan uji Shapiro Test. Menurut Setiawan (2017), uji
Kolmogorov-Smirnov dapat digunakan untuk menguji normalitas dari
data. Begitu pula dengan uji Shapiro Test yang juga merupakan uji
normalitas yang efektif dan valid digunakan untuk sampel berjumlah
kecil. Dalam paket program R dapat digunakan fungsi “ks.test” dan
“shapiro.test”
4. Menghitung nilai 𝜷̂ dan 𝝈 𝟐 menggunakan metode Least Square.
Perhitungan ini digunakan untuk mendapatkan nilai estimasi parameter
dari 𝜇 ,𝜙 dan 𝜎 2 menggunakan rumus Least Square).
5. Mengestimasi parameter model menggunakan metode Bayesian AR 1
Musiman. Perhitungan ini digunakan untuk mendapatkan nilai estimasi
parameter dari 𝜇 ,𝜙 dan 𝜎 2 menggunakan rumus pada persamaan (18),
namun pada prakteknya digunakan algoritma untuk membangkitkan
data hingga 10.000 kali

Contoh Soal

22
 Suatu aliran sungai menentukan prediksi debit sungai sulit, biasanya nilai
yang digunakan sebagai patokan adalah hasil pantauan tinggi muka air. Pada
bulan Juli 2016, luapan sungai Bengawan Solo mengakibatkan banjir di
kawasan Solo Timur. Hal ini disebabkan karena tinggi muka air pada pos
pemantauan Jurug menembus level 10. Oleh karena itu prediksi nilai tinggi
muka air diperlukan sebagai upaya peringatan dini banjir. Pengukuran tinggi
muka air sungai Bengawan Solo pada setiap pos pemantauan dilakukan
setiap hari. Data tinggi muka air merupakan data runtun waktu. Tentukan
prediksi tinggi tinggi muka air sungai Bengawan Solo menggunakan metode
ARMA

1
5 10 15 20 25 30 35 40 45 50 55 60

Grafik Tinggi Muka Air Bengawan Solo

Gambar diatas menunjukkan data tinggi muka air stasioner dalam rata-rata
tetapi variansi tidak konstan. Hal ini diperkuat menggunakan uji stasioner
unit root. Nilai probabilitas Augmented Dickey-Fuller (ADF) adalah 0,0036.
Nilai probabilitas tersebut lebih kecil dari tingkat signifikansi = 0,05. Hal
ini juga dapat dibuktikan dari nilai statistik , 𝑡 𝑇𝑀𝐴 = 2,911730>𝑡(0,05;59) =–
1,671, artinya 𝐻0 berhasil ditolak yang menunjukkan data tidak memiliki
akar unit maka data stasioner. Hasil ini dapat dilihat pada Tabel 1. Karena
terbukti stasioner terhadap rata-rata maka sebelum memodelkan
variansinya, dilakukan model rata-rata terlebih dahulu.

23
 Tabel 1.Uji Stasioner
Null Hypothesis: TMA has a unit root t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3,906148 0,0036

Test critical values:

1% level -3,546099
5% level -2,911730
10% level -2,593551

 Identifikasi Model Stasioner Rata-rata

Pemodelan rata-rata bersyarat dari data stasioner dapat

menggunakan ARMA. Untuk mengidentifikasi model ARMA digunakan
ACF dan PACF seperti yang terlihat pada Gambar 4. Nilai ACF dan
PACF terputus setelah lag pertama, maka model rata-rata bersyarat yang
digunakan adalah ARMA(1)

Gambar Nilai ACF dan PACF

 Estimasi Parameter Model

Untuk selanjutnya perhitungan estimasi parameter model stasioner

AR(1), ARMA(1,1), dan ARIMA(1,1,1) diperoleh hasil seperti pada Tabel
2.

Tabel 2. AR(1), ARMA (1,1), dan ARIMA (1,1,1)

24
 Variable AR(1) ARMA(1,1)
C 3,382625 3.376777
AR(1) 0,575876 0.075557
MA(1) 0.948131

Berdasarkan Tabel 2 diperoleh estimasi parameter untuk AR(1) sebagai

berikut ϕ 1 = 0,575876 dan nilai intersep 3,382625sehingga diperoleh model
AR(1) berikut

𝑌𝑡 = 0,575876 𝑌𝑡−1 + 3,382625 + 𝑒𝑡

dengan Yt adalah tinggi muka air pada waktu dan et adalah eror yang
dihasilkan model AR (1) pada waktu .

Berdasarkan Tabel 2 diperoleh estimasi parameter untuk ARMA(1,1)

sebagai berikut ϕ 1 = 0,075557, θ 1 = 0,0,948131 dan nilai intersep 3,376777
sehingga diperoleh model ARMA(1,1) berikut

Yt = 0,075557Yt−1 + 3,376777 + et − 0,0,948131et−1

dengan Yt adalah tinggi muka air pada waktu dan et adalah eror yang
dihasilkan model ARMA(1,1) pada waktu .

 Perbandingan Model

Perbandingan model berdasarkan nilai MAPE dan nilai MSE yang

merupakan perbandingan nilai actual dengan nilai prediksi, nilai tersebut
dapat dilihat pada Tabel 3.

Tabel 3. Perbandingan Model

Variable AR(1) ARMA(1,1)
MAPE 0,692167 0,668384
MSE 1,060288 0,772956

25
 Berdasarkan Tabel 3 diperoleh nilai MSE dan MAPE terendah
adalah ARMA(1,1), sehingga dapat disimpulkan untuk periode Januari –
Februari 2017, model yang cocok atau sesuai adalah ARMA (1,1)

3.4 Metode Autogressive Integrated Moving Average (ARIMA)

Model ARIMA (Autoregressive Integrated Moving Average)

dikembangkan oleh George Box dan Gwilyn Jenkins pada tahun 1976
(Samsiah, 2008). Metode Box-Jenkins dipopulerkan oleh Box dan Jenkins.
Dalam menentukan model yang sesuai metode Box-Jenkins terdiri dari tiga
tahap untuk melakukan estimasi dan peramalan pada data deret waktu
univariat. Tahap tersebut yaitu identifikasi model, estimasi parameter, dan
peramalan (Enders, 1995). ARIMA merupakan gabungan model AR dan
MA melalui proses diferensi. Data yang bergerak disepanjang rata-rata
pada kedua model tersebut harus konstan (stasioner) (Santoso, 2011).

Model ARIMA mempunyai kelambanan waktu. Kelambanan waktu satu

periode pada proses autoregresif disebut autoregresif orde pertama atau
disingkat AR(1). Simbol untuk menyatakan banyaknya kelambanan waktu
pada proses autoregresif adalah p. Kelambanan waktu satu periode pada
proses Moving Average disebut Moving Average orde pertama atau
disingkat MA(1). Simbol untuk menyatakan banyaknya kelambanan waktu
pada proses Moving Average adalah q. Nilai p dan q dapat lebih dari 1
(Santoso, 2011).

Model ARIMA mempunyai kelambanan waktu. Kelambanan waktu satu

periode pada proses autoregresif disebut autoregresif orde pertama atau
disingkat AR(1). Simbol untuk menyatakan banyaknya kelambanan waktu
pada proses autoregresif adalah p. Kelambanan waktu satu periode pada
proses Moving Average disebut Moving Average orde pertama atau
disingkat MA(1). Simbol untuk menyatakan banyaknya kelambanan waktu

26
pada proses Moving Average adalah q. Nilai p dan q dapat lebih dari 1
(Santoso, 2011).

Proses diferensi pada model ARIMA bertujuan untuk mendapatkan data

yang stasioner. Proses diferensi dapat dilakukan sekali atau lebih sampai
data bersifat stasioner. Biasanya proses diferensi yang dilakukan tidak lebih
dari 2 kali. Simbol proses diferensi data adalah d. Penulisan model ARIMA
untuk AR (p), MA (q), dan diferensi sebanyak d kali adalah ARIMA
(p,d,q). Jika dalam suatu proses ARIMA menggunakan autoregressive orde
pertama dan moving average orde pertama, dan diferensi sekali untuk
memperoleh data yang stasioner maka penulisan yang sesuai adalah
ARIMA(1,1,1) (Santoso, 2011).

Langkah-langkah dalam metode Box-Jenkins ada empat langkah, yaitu

identifikasi, estimasi, pemeriksaan diagnostik, dan peramalan (Gujarati,
2003).

Rumus :

Keterangan :
Ht : Hasil Ramal ARIMA
Φn : Koefisien parameter `
Yt-n : Nilai Data
et : Nilai Error
Pt : Nilai Data
n : Jumlah Data

Contoh Soal

27
 Toko Buku AGP bergerak dalam bidang penjualan dan produk yang dijual
adalah buku. Toko Buku AGP menyediakan buku yang akan dijual sesuai
dengan banyaknya kebutuhan pelanggan yang membeli. Namun untuk
menyediakan buku yang sesuai maka Toko Buku AGP harus dapat
memprediksi dengan baik sehingga tidak terjadi penumpukan persediaan
buku yang tidak laku terjual dan hal ini akan merugikan pengusaha karena
tertanamnya modal. Sehingga diperlukan sebuah sistem atau aplikasi yang
dapat mengatasi masalah yang terjadi. Gunakan sistem peramalan berbasis
komputer dan metode autoregressive integrated moving average (ARIMA)
dalam menyelesaikan masalah peramalan penjualan buku.

Tabel 1. Penjualan Tahun 2019

BULAN Penjualan (Xt) Periode (t)
Januari 17 Unit 0
Februari 15 Unit 1
Maret 20 Unit 2
April 16 Unit 3
Mei 18 Unit 4
Juni 17 Unit 5
Juli 14 Unit 6
Agustus 19 Unit 7
September 15 Unit 8
Oktober 17 Unit 9
November 18 Unit 10
Desember 14 Unit 11
TOTAL Pada Tahun 200 Unit 66
2019
(Sumber : AGP Gramedia, 2021)

Peramalan :
Pertama-tama cari nilai Φn dengan rumus berikut :
Pt −n
Φn =
Pt −n−1
15
Φ1 = = 0.882
17

28
 20
Φ2 = = 1.333
15 _
16
Φ3 = = 0.8
20 _
18
Φ4 = = 1.125
16 _
17
Φ5 = = 0.944
18 _
14
Φ6 = = 0.823
17
19
Φ7 = = 1.357
14
15
Φ8 = = 0.789
19
17
Φ9 = = 1.133
15 _
18
Φ10 =_ = 1.058
17
14
Φ11 = = 0.777
18 _
Kemudian cari nilai error :
et = (1-Φ.B)
e1 = (1-0.882.1) = 0.118
e2 = (1-1.333.1) = 0.333
e3 = (1-0.8.1) = 0.2
e4 = (1-1.125.1) = 0.125
e5 = (1-0.944.1) = 0.056
e6 = (1-0.823.1) = 0.177
e7 = (1-1.357.1) = 0.357
e8 = (1-0.789.1) = 0.211
e9 = (1-1.133.1) = 0.133
e10 = (1-1.058.1) = 0.058
e11 = (1-0.777.1) = 0.223
Autoregresive (AR) :

29
AR1 (Jan) = 0
AR2 (Feb) = (0.882*17) = 14.994-0.118 = 14.876
AR3 (Mar) = (1.333 *15) = 19.995-0.333 = 19.662
AR4 (Apr) = (0.8*20) = 16-0.2 = 15.8
AR5 (Mei) = (1.125*16) = 18-0.125 = 17.875
AR6 (Jun) = (0.944*18) = 16.992-0.056 = 16.936
AR7 (Jul) = (0.823*17) = 13.991-0.177 = 13.814
AR8 (Ags) = (1.357*14) = 18.998-0.357 = 18.641
AR9 (Sep) = (0.789*19) = 14.991-0.211 = 14.78
AR10 (Okt) = (1.333*15) = 19.995-0.133 = 19.862
AR11 (Nov) = (1.058*17) = 17.986-0.058 = 17.928
AR12 (Des) = (0.777*14) = 10.878-0.223 = 10.655

ARt(2020) = 0 + 14.876 + 19.662 + 15.8 + 17.875 +16.936 + 13.814 +

18.641 + 14.78 + 19.862 + 17.928 + 10.655
= 181

Moving Average :
MA1 (Jan) = 0
MA2 (Feb) = (1/2)*(17+15) = 16
MA3 (Mar) = (1/2)*(15+20) = 17.5
MA4 (Apr) = (1/2)*(20+16) = 18
MA5 (Mei) = (1/2)*(16+18) = 17
MA6 (Jun) = (1/2)*(18+17) = 17.5
MA7 (Jul) = (1/2)*(17+14) = 15.5
MA8 (Ags) = (1/2)*(14+19) = 16.5
MA9 (Sep) = (1/2)*(19+15) = 17
MA10 (Okt) = (1/2)*(15+17) = 16
MA11 (Nov) = (1/2)*(17+18) = 17.5
MA12 (Des) = (1/2)*(18+14) = 16

30
MAt(2020) = 0 + 16 + 17.5 + 18 + 17 + 17.5 + 15.5 + 16.5 + 17 + 16 + 17.5
+ 16
=185

Autoregresive Integrate Moving Average (ARIMA)

P1 (Jan) = 0
P2 (Feb) = (17+14.994) -16= 16
P3 (Mar) = (15+19.995)-17.5=17
P4 (Apr) = (20+ 16)-18=18
P5 (Mei) = (16+18)-17=16
P6 (Jun) = (18+16.992)-17.5=17
P7 (Jul) = (17+13.991)-15.5=15
P8 (Ags) = (14+18.998)-16.5=16
P9 (Sep) = (19+14.991)-17=17
P10 (Okt) = (15+19.995)-16=19
P11 (Nov) = (17+17.986)-17.5= 17
P12 (Des) = (18+10.878)-16=13

Pt(2020) = Pt + Φ1.Pt-1 + Φ2.Pt-2 + Φn.Pt-n + et - (1/n).Pt + Pt-1 + Pt-n

= 200 + 174 – 185
= 189

Tabel 2. Hasil Peramalan Metode ARIMA

Periode Xt AR MA ARIMA Xt Persentase
2019 Ft 2020 Ft 2020 Ft 2020 2020 (%)
Januari 17 - - - - -
Februari 15 15 16 16 15 94%
Maret 20 20 18 17 15 88%
April 16 16 18 18 17 94%
Mei 18 18 17 16 15 93%
Juni 17 17 18 17 16 94%

31
Juli 14 14 16 15 13 98%
Agustus 19 19 17 16 14 86%
September 15 15 17 17 16 94%
Oktober 17 20 16 19 20 95%
November 18 18 18 17 19 89%
Desember 14 11 16 13 12 92%
TOTAL 92%

Berdasarkan hasil uji menggunakan metode ARIMA dan mendapatkan

hasil persentase akurasi sebesar 92% maka metode ARIMA telah berhasil
diterapkan untuk peramalan jumlah penjualan buku.

32
 REFERENSI

Atmaja, N. S., & Mustafa, S. R. (2021). Peramalan Jumlah Penjualan Buku

Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA)
Pada Toko Buku AGP Gramedia. RJOCS (Riau Journal of Computer
Science), 7(02), 122-127.

Biegel, John E. (2009). Production Control: a Quantitative Approach. Jakarta :

Akademika Pressiondo.

Deitiana, Tita. (2011). Manajemen Operasional Strategi dan Analisa Services dan
Manufaktur. (edisi pertama). Jakarta: Mitra Wacana Media.

Efendi, Riswan. (2010). Analisa Runtun Waktu. Jurusan Matematika Fakultas

Sains dan Teknologi. UIN Suska Riau Pekanbaru.

Enders, Walter. (2004). Applied Econometric Time Series Second Edition. New

Jersey: Willey.

Gujarati, Damodar. (2003). Ekonometri Dasar. Terjemahan: Sumarno Zain,

Jakarta: Erlangga

Gujarati, D.N. (2003). Basic Econometrics. New York: Mc.Graw-Hill.

Gujarati, N, Damodar. (2010). Dasar-dasar Ekonometrika (Terjemahan). Buku1.

Edisi 5. Jakarta : Penerbit Salemba Empat.

Gujarati, N, Damodar. (2012). Dasar-dasar Ekonometrika (Terjemahan). Buku2.

Edisi 5. Penerbit Salemba: Jakarta.

Heizer, J. & Render, B. (2011). Operations Management, Tenth Edition. New

Jersey: Pearson Education, Inc

Makridakis, S., S.C. Wheelwright., and V.E. McGee. (1992). Metode dan
Aplikasi Peramalan. Erlangga, Jakarta
Pangestu Subagyo. (2013). Forecasting Konsep dan Aplikasi. Yogyakarta : BPFE-
Yogyakarta.

Pawestri, V., Setiawan, A., & Linawati, L. (2019). Pemodelan data penjualan
mobil menggunakan model autoregressive moving average berdasarkan
metode bayesian. Jurnal Sains dan Edukasi Sains, 2(1), 26-35.

Russel, R.S. dan Taylor, B.W. (2011). Operations Management Creating Value
Along The Supply Chain Seventh Edition, New York: John Wiley and Sons.

Santoso Singgih. (2011). Structural Equation Modeling, Edisi 1, PT Elex Media

Komputindo, Jakarta.

Sidik, N. (2010). Forecasting Volume Produksi Tanaman Pangan, Tanaman

Perkebunan Rakyat Kab. Magelang Dengan Menggunakan Metode
Exponential Smoothing Berbantu Minitab, Skripsi S1. Medan: Jurusan
Matematika, FMIPA Universitas Negeri Semarang.

Vulandari, R. T., & Parwitasari, T. A. (2018). Perbandingan Model AR (1),

ARMA (1, 1), dan ARIMA (1, 1, 1) pada Prediksi Tinggi Muka Air Sungai
Bengawan Solo pada Pos Pemantauan Jurug. MUST: Journal of Mathematics
Education, Science and Technology, 3(1), 46-56.

Widarjono, Agus. (2002). Aplikasi Model ARCH Kasus Inflasi di Indonesia.

Jurnal Ekonomi Pembangunan. Hal 71-82.

34