1. !" #
$ " #%& $" #% % #%
'& & # #% % #%
() " ) ( *( )
( % ) # +()(* +
#( , -

2. .
#(+ /
!" #
$" %" % $ 0 #% % #% 1#
%" % #% % #% 1#
2() , $ 0 " * 2 3 ( ) #2 2
# +() (* + ( $ 0 % 2* ) ,
#( , -

3. LEMBAR PENGESAHAN
PERAMALAN 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 030 029
Disetujui 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. KATA PENGANTAR
Syukur Alhamdulillah penulis panjatkan kehadirat Allah
SWT yang telah memberikan rahmat, taufiq dan hidayah-Nya.
Sehingga penulis dapat menyelesaikan Laporan Tugas Akhir
dengan judul “Peramalan Hasil Penangkapan Ikan Konsumsi
Air Tawar Di Kabupaten Mojokerto Dengan Metode Arima
Box-Jenkins”. Keberhasilan dalam penyusunan laporan akhir ini
tidak terlepas dari bantuan banyak pihak. Penulis menyampaikan
terima kasih yang sebesar-besarnya kepada semua pihak yang
telah memberikan dukungan, bimbingan, petunjuk dan juga saran
selama 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 akhir
ini masih jauh dari kesempurnaan, untuk itu kritik serta saran
sangat penulis harapkan perbaikan dan kesempurnaan. Semoga
laporan tugas akhir ini bermanfaat bagi pembaca.
Surabaya, Juni 2008
Penulis

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.Si
Abstrak
Indonesia merupakan negara dengan sumber daya perairan
yang sangat melimpah. Perikanan adalah salah satu hasil dari sektor
perairan yang selama ini mulai dikembangkan pemerintah. Di bidang
perikanan banyak sekali kendala-kendala yang dihadapi oleh pemerin-
tah baik dalam kegiatan pemberdayaan dan pengelolaannya. Dalam hal
ini pemerintah membentuk suatu instansi negeri pemerintah untuk
mengelola sektor perikanan Indonesia yaitu Dinas Peternakan dan Pe-
rikanan Indonesia. Dalam penelitian ini difokuskan terhadap hasil
penangkapan ikan konsumsi air tawar di Mojokerto yang saat ini
berkembang sangat dinamis. Jenis ikan konsumsi yang akan dianalisis
adalah jenis ikan konsumsi air tawar yang banyak dikonsumsi dan
menjadi permintaan terbanyak masyarakat di Mojokerto yaitu ikan
tawes, nila, dan lele. Oleh karena itu untuk mengetahui perkembangan
hasil penangkapan ikan air tawar digunakan suatu model peramalan
berdasarkan data masa lalu, yaitu model time series. Berdasarkan
penelitian terhadap data penangkapan tiap jenis ikan yang telah
dilakukan diperoleh model peramalan untuk data penangkapan ikan
tawes pada periode bulan Januari 2002 sampai dengan Desember 2007
didapatkan suatu model yang terbaik adalah ARIMA (0 1 0)12.
Sedangkan untuk data penangkapan ikan nila pada periode yang sama
didapatkan model yang terbaik adalah ARIMA (1 1 0)12 dan untuk data
penangkapan ikan lele pada periode yang sama didapatkan model
terbaik yaitu ARIMA (0 1 0)12.
Kata Kunci : Penangkapan Ikan, Time Series, ARIMA

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.Si
Abstract
Indonesia is a country with a real abundance water territory
resource. Fishery is one of results from water territory sector which
recently developed by government. In fishery area, a lot of constraints
faced by good government in the enable activity and management. In
this case governmental formed an institution of government country to
manage Indonesia fishery sector that is Dinas Peternakan dan
Perikanan Indonesia. In this research focused to result of arrest of
consumption fish of freshwater in Mojokerto which now grows very
dynamic. Consumption fish which will be analysed is type of freshwater
which many consumed and become request by public in Mojokerto that
is tawes, nila, and lele. Therefore to know development result of arrest
of bream is applied by a forecasting model based on past data, that is
model time series. Based on research to data every fish type which has
been done obtained forecasting at period of January 2002 up to
December 2007. The result shows that the best ARIMA model of tawes is
ARIMA (0 1 0)12. Than the best arima model of nila is ARIMA (1 1 0)12
and than the best ARIMA model of lele is ARIMA (0 1 0)12.
Keyword : Fish arrest, Time Series, ARIMA

7. DAFTAR ISI
Judul halaman
HALAMAN JUDUL................................................................i
LEMBAR PENGESAHAN.....................................................iii
ABSTRAK............................................................................... iv
ABSTRACT............................................................................. v
KATA PENGANTAR............................................................. vi
DAFTAR ISI............................................................................ vii
DAFTAR GAMBAR............................................................... ix
DAFTAR TABEL.................................................................... x
BAB I PENDAHULUAN
1.1 Latar Belakang...................................................... 1
1.2 Permasalahan ................................................. 2
1.3 Tujuan................................................................... 3
1.4 Manfaat................................................................ 3
1.3Batasan Masalah................................................... 3
BAB 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. 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............... .................20
BAB 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........................................................ 35
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan........................................................... 43
5.2 Saran..................................................................... 44
DAFTAR PUSTAKA
LAMPIRAN

9. DAFTAR TABEL
Tabel 2.1 Transformasi Box-Cox................................................ 6
Tabel 2.2 Kriteria ACF dan PACF pada model ARIMA ....... . .. 9
Tabel 4.1 Signifikansi Model Musiman Tawes ..................... . 24
Tabel 4.2 Uji Ljung-Box Model Musiman Tawes. ................ . 24
Tabel 4.3 Uji Kenormalan Model Musiman Tawes. .............. . 24
Tabel 4.4 Uji Asumsi white noise Differencing musiman . ... . 25
Tabel 4.5 Uji Asumsi Normal Differencing Musiman .......... . 25
Tabel 4.6 Nilai AIC model Tawes ......................................... . 26
Tabel 4.7 Kriteria Out Sampel Data Ikan Tawes model . ...... . 26
Tabel 4.8 Estimasi nilai konstan Model ARIMA Tawes . ..... . 27
Tabel 4.9 Peramalan 12 Bulan Kedepan Untuk Penangkapan
Ikan Tawes . ………………………………………. 27
Tabel 4.10 Hasil Uji Parameter Data Jenis Ikan Nila .............. . 32
Tabel 4.11 Hasil Uji Box Pierce (Ljung Box) Chi-Square
Data Ikan Nila ........................................................ . 32
Tabel 4.12 Pemeriksaan Kenormalan Data Jenis Ikan Nila...... 33
Tabel 4.13 Kriteria Out Sampel Data Penangkapan Ikan Nila . 34
Tabel 4.14 Peramalan 12 Bulan Kedepan Untuk Penangkapan
Ikan Nila..................................................................34
Tabel 4.15 Signifikansi Model Musiman Lele ....................... . 37
Tabel 4.16 Uji Ljung-Box Model Musiman Lele. .................. . 38
Tabel 4.17 Uji Kenormalan Model Musiman Lele. ................ . 38
Tabel 4.18 Uji Asumsi white noise Differencing musiman lele 39
Tabel 4.19 Uji Asumsi Normal Differencing Musiman lele... . 39
Tabel 4.20 Nilai AIC model lele. ............................................ . 40
Tabel 4.21 Kriteria Out Sampel Data Ikan Lele model............. 40
Tabel 4.22 Estimasi nilai Konstan Model ARIMA Lele ........ . 40
Tabel 4.23 Peramalan 12 Bulan Kedepan Untuk Penangkapan
Ikan Lele .............................................................. . 41

10. DAFTAR GAMBAR
Gambar 3.1 Diagram langkah penelitian ................................... 20
Gambar 4.1 Plot Time Series Data Ikan Tawes....................... . 21
Gambar 4.2 Plot Differencing Musiman Data Penangkapan
Ikan Tawes............................................................. 22
Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan
Tawes .......................................................................23
Gambar 4.4 PACF Plot Data Differencing Penangkapan Ikan
Tawes............... ...................................................... 23
Gambar 4.5 Time Series Data Penangkapan Ikan Nila............ . 28
Gambar 4.6 Box-Cox Plot Data Penangkapan Ikan Nila .......... 29
Gambar 4.7 Time Series Plot Data Transformasi Penangkapan
Ikan Nila..................................................................29
Gambar 4.8 Plot Differencing Musiman Data Penangkapan
Ikan Nila ................................................................ 30
Gambar 4.9 ACF Plot Data Musiman Penangkapan Ikan Nila 31
Gambar 4.10 PACF Plot Musiman Penangkapan Ikan Nila ..... 31
Gambar 4.11 Plot Time Series Data Penangkapan Ikan lele...... 35
Gambar 4.12 Plot Differencing Musiman Data Penangkapan
Ikan lele. .................................................................36
Gambar 4.13 ACF Plot Data Differencing Penangkapan Ikan
Lele................... ................................................... 36
Gambar 4.14 PACF Plot Data Differencing Penangkapan Ikan
Lele................... ................................................... 37

11. Tidak seorang pun dapat kembali dan membuat suatu awal yang
bagus. Siapapun dapat memulai dari sekarang dan membuat akhir yang
bagus (NN)
BAB I
PENDAHULUAN

12. BAB I
PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan negara dengan sumber daya perair-
an yang sangat melimpah. Perikanan adalah salah satu hasil dari
sektor 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 Dinas
Peternakan dan Perikanan Indonesia. Instansi ini mengelola setiap
jenis perikanan di Indonesia seperti perikanan laut, perikanan
umum (darat), budidaya, dan lain-lain. Instansi ini dalam kiner-
janya berfungsi sebagai penyuluhan pendidikan perikanan, mana-
jemen perikanan daerah, hingga penjualan yang berorientasi
terhadap peningkatan devisa negara.
Penelitian ini difokuskan terhadap hasil penangkapan
ikan konsumsi air tawar di Indonesia yang saat ini berkembang
sangat dinamis. Hal ini menjadi acuan bagi pemerintah bagaima-
na agar hasil penangkapan ikan konsumsi semakin lama semakin
berkembang dengan mengetahui faktor-faktor yang mempenga-
ruhinya. Ada 2 jenis ikan perairan yaitu ikan konsumsi dan ikan
non konsumsi. Ikan konsumsi adalah semua jenis ikan yang dapat
dikonsumsi oleh masyarakat. Sedangkan ikan non konsumsi
adalah ikan yang tidak dapat dikonsumsi masyarakat dalam arti
bisa untuk tujuan lain, misal ikan hias, ikan penangkaran, pakan
ternak, tepung ikan, bahan pakan ikan dan lain-lain. Hasil pe-
nangkapan ikan berasal dari air tawar yaitu perikanan yang basis
usahanya berupa penangkapan ikan di air tawar (sungai, waduk,
rawa, danau, atau genangan air lainnya). Untuk mengetahui pe-
ningkatan jumlah penangkapan ikan konsumsi maka ikan dari
perairan tawar yang dikelola masyarakat harus dipantau perkem-
bangannya.

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 dengan
menggunakan analisis Multivariat” oleh Nurlatifah (1999).
Peneliti mencoba menggunakan metode peramalan ARIMA Box-
Jenkins sebagai salah satu alternatif solusi dalam memodel-kan
peramalan hasil penangkapan ikan konsumsi air tawar untuk masa
yang akan datang. Oleh karena itu untuk mengetahui per-
kembangan hasil penangkapan ikan konsumsi maka digunakan
suatu model peramalan berdasarkan data masa lalu, yaitu data 3
jenis 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 permintaan
terbanyak masyarakat di Mojokerto yaitu ikan tawes, nila, dan
lele. Dari penelititan ini akan didapatkan model peramalan yang
mampu 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 konsumsi
menggunakan metode ARIMA Box-Jenkins dimana metode terse-
but adalah salah satu metode peramalan untuk meramalkan suatu
data pada periode yang akan datang dan dapat dijadikan sebagai
cara dalam menentukan kemungkinan peningkatan hasil penang-
kapan ikan air tawar, sehingga hasil peramalan tersebut dapat
membantu 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. 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 adalah
memberikan gambaran mengenai perkembangan hasil penang-
kapan ikan konsumsi di Dinas Peternakan dan Perikanan Kab.
Mojokerto melalui analisis peramalan dengan metode ARIMA
Box-Jenkins sehingga hasil peramalan tersebut dapat membantu
instansi dalam menentukan kebijakan yang akan diambil dengan
acuan perkembangan hasil produksi ikan konsumsi itu sendiri.
Dari hasil peramalan dapat juga digunakan untuk menentukan
target produksi penangkapan ikan dan menentukan target
konsumsi ikan perkapita pada tahuntahun berikutnya sesuai
dengan jenis ikan yang dikonsumsi.
1.5 Batasan Masalah
Adapun beberapa hal yang menjadi batasan permasalahan
dalam 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. (halaman ini sengaja dikosongkan)

16. Setiap orang mendengar apa yang kau katakan. Sahabat mendengar apa
yang harus kau katakan. Sahabat terbaik mendengarkan apa yang kau
tidak dapat katakan (Roullete)
BAB II
TINJAUAN PUSTAKA

17. BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Statistika
2.1.1 Metode Time Series
Deret Waktu (Time series) adalah serangkaian penga-
matan terhadap suatu variabel yang diambil dari waktu ke-waktu
dan dicatat secara berurutan menurut urutan waktu kejadiannya
dengan interval waktu yang tetap (Wei, 1990). Time series dapat
juga 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 yang
lebih dikenal dengan time series (Cryer, 1986), dimana setiap
pengamatan dinyatakan sebagai variabel random Zt yang didapat-
kan berdasarkan indeks waktu tertentu (ti) sebagai urutan waktu
pengamatan, 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 dan
fungsi autokorelasi parsial.
Stasioneritas time series merupakan suatu keadaan jika
proses pembangkitan yang mendasari suatu deret berkala
didasarkan pada nilai tengah konstan dan nilai varians konstan
(Makridakis, Wheelwright, McGee, 1999). Dalam suatu data
kemungkinan data tersebut tidak stationer hal ini dikarenakan
mean tidak konstan atau variansnya tidak konstan sehingga Untuk
menghilangkan ketidakstasioneran terhadap mean, maka data
tersebut dapat dibuat lebih mendekati stasioner dengan cara
melakukan penggunaan metode pembedaan atau differencing
(Makridakis, Wheelwright, McGee, 1999).
Yt = Zt – Zt-1 .................................(2.1)
Dan jika data tidak stasioner dalam varians, maka dapat
distabilkan dengan menggunakan transformasi. Berikut adalah

18. transformasi Box-Cox (Wei, 1990) untuk beberapa nilai yang
sering 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 proses
korelasi pada data time series antara Zt dengan Zt+k. Plot ACF
dapat digunakan untuk identifikasi model pada data time series
dan melihat kestasioneran data, terutama pada kestasioneran
dalam mean. fungsi autokovarians dapat dituliskan sebagai
berikut: (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 fungsi
autokorelasi 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 alat
untuk mengukur tingkat keeratan antara Zt dan Zt+k dan apabila
terjadi pengaruh dari lag time 1,2,3,..., dan seterusnya sampai k =

19. 1 dianggap terpisah. Fungsi autokorelasi parsial dapat dituliskan
sebagai berikut :
φ kk = corr (Zt, Zt+k | Zt+1, Zt+2,... Zt+k-1)........................................(2.5)
Durbin dalam (Wei, 1990) memperkenalkan prosedur
tentang 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 =1
dimana : φkj = φk −1, j − φkkφk −1, k − j ,untuk j= 1,2, …,k-1
2.1.2 Model Time Series
Proses pada time series secara umum memiliki beberapa
model, diantaranya Model AR (Autoregressive), MA (Moving
Average), Model campuran ARMA (Autoregressive Moving
Average), ARIMA (Autoregressive Integrated Moving Average),
dan model SARIMA (Seasonal Autoregressive Integrated Moving
Average). (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 menyatakan
bahwa suatu model yang merupakan suatu penyimpangan pe-
ngamatan masa lalu dengan pengamatan waktu ke-t.

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 model
AR (autoregressive) dengan MA (Moving Average) yang kadang
ditulis dengan notasi ARMA (p,q). Bentuk fungsi model ARMA
pada 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 dan
Jenkins dengan orde p sebagai operator dari AR, orde d
merupakan differencing, dan orde q sebagai operator dari MA.
Model ini digunakan untuk data time series yang telah di
differencing atau sudah stasioner dalam mean, dimana d adalah
banyaknya hasil differencing, bentuk persamaan untuk model
ARIMA 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)s
yang 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. 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 MA
2.1.3 Identifikasi Model ARIMA Box-Jenkins dan
Pemeriksaan Parameter
Identifikasi model ARIMA Box-Jenkins dapat dijadikan
sebagai langkah dalam mengidentifikasi adanya ketidakstasio-
neran model. Bila tidak stasioner dalam mean maka harus di diffe-
rencing dan jika tidak stasioner dalam varians maka harus
ditransformasi. Salah satu tranformasi yang digunakan adalah
tranformasi Box Cox, kemudian setelah data sudah stationer
dalam mean dan varian maka selanjutnya membuat plot ACF dan
PACF yang digunakan untuk mengidentifikasi model awal
ARIMA 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 kepadatan
peluang berdistribusi normal. Dalam hal ini analisis sebenarnya

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-parameternya
jika diketahui data observasi adalah
1 ..........(2.20)
L(φ ,θ , σ a2 | Z) = ( 2πσ a2 ) −n / 2 exp − S(φ ,θ )
2σ a2
dimana
n
S (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 untuk
menentukan apakah parameter model sudah layak masuk kedalam
model. Secara umum, misal θ adalah suatu parameter dan θˆ
ˆ
adalah nilai taksiran dari parameter tersebut, serta SE( θ ) adalah
ˆ
standart error dasi nilai taksiran θ , maka uji kesignifikanan
parameter 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. Daerah Kritis :
Tolak H0 jika P_value < atau thitung > t(1-α/2);df = n-np,
dimana np = banyaknya parameter
2.1.4 Pengujian Asumsi Residual
Untuk mendapatkan model yang baik setelah model
memiliki 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 dan
identik) harus berupa variabel random. Uji yang digunakan untuk
asumsi white noise adalah uji Ljung-Box (Wei, 1990). Dimana uji
ini bertujuan untuk menguji residual memenuhi asumsi white
noise 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)
K
Q = n ( n + 2) (n − k ) −1 ρ k2
ˆ .................(2.23)
k =1
dimana :
ρ k adalah taksiran autokorelasi residual lag k
ˆ
daerah kritis : tolak H0 jika Q > χ 2 (1−α );df = K − p −q ,dimana nilai p
dan q adalah order dari ARMA(p,q).
Untuk mengetahui bahwa data memenuhi asumsi
distribusi normal, maka dilakukan uji yaitu uji Kolmogorov
Smirnov. (Daniel, 1989). untuk menguji residual berdistribusi
normal digunakan uji sebagai berikut :
Hipotesa :
H0 : F (x) = F0 (x) (residual berdistribusi normal)
H1 : F (x) F0 (x) (residual tidak berdistribusi normal)

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 < α
2.1.5 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. 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
ˆ2
3. 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 out
sampel berdasarkan error adalah dengan menggunakan
MAPE (Mean Absolute Percentage Error). Persamaan
MAPE 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. 2.2 Tinjauan Non Statistika
2.2.1 Perikanan
Perikanan adalah semua kegiatan yang berhubungan de-
ngan pengelolaan dan pemanfaatan sumber daya ikan dan lingku-
ngannya mulai dari pra produksi, produksi, pengolahan sampai
dengan pemasaran, yang dilaksanakan dalam suatu sistem bisnis
perikanan. Cakupan dalam statistik perikanan, meliputi kegiatan
ekonomi dibidang penangkapan, pembudidayaan, pengolahan dan
pemasaran ikan.
Pemanfaatan sumber daya ikan dilakukan melalui kegia-
tan usaha perikanan. Usaha perikanan mencakup semua usaha
perorangan 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 usahanya
berupa 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 memperoleh
ikan di perairan yang tidak dalam keadaan dibudidayakan dengan
alat 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 diatas
adalah sebagai berikut :

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 proses
pendataan yang dilakukan secara langsung oleh petugas dinas di
tingkat 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 diperiksa
dengan melakukan survey rumah tangga perikanan ke desa-desa
sesuai dengan desa sampel yang diambil dari data seluruh desa
yang potensi perikanan sesuai dengan jenis perikanan. Hasil sur-
vey digunakan untuk mengestimasi data produksi penangkapan
ikan.
2.2.4 Perairan Umum (Air Tawar)
Perairan umum adalah bagian dari perikanan darat (ta-
war) sebagaimana yang dimaksud dalam uu No. 6 tahun 1996
tentang Perairan Indonesia, yang merupakan bagian permukaan
bumi 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. kannya. Perairan yang terjadi karena luapan banjir, walaupun me-
nutupi tanah milik perseorangan, dimasukkan sebagai perairan
umum. Untuk keperluan statistik perikanan tangkap, perairan air
tawar 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. Kebanggaan kita yang terbesar adalah bukan tidak pernah gagal
tetapi bangkit kembali setelah kita jatuh. (La Rouchefoucauld)
BAB III
METODOLOGI PENELITIAN

30. BAB III
METODOLOGI ANALISIS
3.1 Sumber Data
Data yang digunakan dalam penelitian tugas akhir ini
adalah data sekunder yang diambil dari Dinas Peternakan dan
Perikanan Kabupaten Mojokerto yaitu data bulanan 3 jenis ikan
hasil penangkapan ikan konsumsi air tawar periode Januari 2002 -
Desember 2007 yaitu ikan tawes, nila, dan lele yang merupakan
jenis ikan yang banyak di konsumsi oleh masyarakat Mojokerto.
3.2 Metode Pengukuran Variabel Penelitian
Data penangkapan ikan konsumsi air tawar diperoleh dari
Dinas peternakan dan Perikanan Kab. Mojokerto dan terdapat
metode tersendiri dimana dalam pengukuran variabelnya adalah
sebagai 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. 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 menentukan
model peramalan yang sesuai dengan data hasil penangkapan ikan
di Dinas Peternakan dan Perikanan Kab. Mojokerto dianalisis
dengan menggunakan metode time series dengan tahapan sebagai
berikut :
Untuk menjawab tujuan pertama langkah – langkah
analisis 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. 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 normal
4. 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 analisis
yang 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. 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. Jika engkau merasa terjatuh karena tidak mendapatkan apa yang
engkau inginkan, berusahalah dan bertawakal. Karena Allah akan
memberikan sesuatu yang lebih baik bagi dirimu.(As Salam)
BAB IV
HASIL DAN PEMBAHASAN

35. BAB IV
ANALISIS DAN PEMBAHASAN
4.1 Analisis Time Series
Data yang digunakan untuk analisis time series adalah
data penangkapan bulanan tiap jenis ikan konsumsi. Analisis time
series dilakukan melalui 5 tahap, yaitu tahap identifikasi model,
pendugaan parameter model, pengujian asumsi model, evaluasi
model, dan terakhir adalah tahap peramalan. Penelitian ini meng-
gunakan 60 data untuk menduga model sementara dan sisanya 12
data untuk validasi model.
4.2 Peramalan Data Penangkapan Jenis Ikan Tawes
4.2.1 Identifikasi Model Untuk Data Penangkapan Ikan
Tawes
Langkah awal yang dilakukan adalah membuat time se-
ries plot untuk data penangkapan jenis ikan tawes sebanyak 60
data sedangkan untuk validasi menggunakan 12 data. Time series
plot digunakan untuk melihat kestasioneran data baik stasioner
dalam rata-rata maupun dalam varian.
Gambar 4.1 Plot Time Series Data Penangkapan Ikan Tawes
Berdasarkan Gambar 4.1 dapat dilihat bahwa plot data
penangkapan ikan tawes diduga tidak stationer dalam mean. Dari

36. plot time series terlihat variansi datanya lebih rapat dan ada
pendugaan bahwa data tersebut tidak stasioner dalam musiman.
Sehingga dilakukan differencing 12. Hasil dari differencing
musiman dapat dilihat dari plot sebagai berikut :
Gambar 4.2 Plot Differencing Musiman Data Penangkapan Ikan Tawes
Gambar 4.2 menunjukkan bahwa untuk data penangkapan
ikan tawes sudah stasioner dalam mean dan varian. Dilihat dari
tahap selanjutnya adalah menentukan model peramalan dengan
melihat secara visual plot ACF dan plot PACF. Dari plot ACF
dan PACF maka diperoleh parameter dari model ARIMA dengan
melihat lag-lag pada plot yang keluar dari batas signifikansi.
Sehingga dengan melihat lag-lag yang keluar dari batas
signifikansi maka diperoleh model awal hasil identifikasi lag-lag
pada plot ACF dan PACF. Berikut ini adalah gambar dari Plot
ACF dan PACF yang ditunjukkan pada Gambar 4.3 dan Gambar
4.4.

37. Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan Tawes
Berdasarkan Gambar 4.3 dapat dilihat bahwa ACF plot
data penangkapan ikan tawes lag-lag berada didalam batas
signifikansi dan tidak ada lag yang keluar dari batas signifikansi.
Sehingga dapat disimpulkan bahwa terjadi white noise karena
nilai dari lag-lag mendekati nilai nol.
Gambar 4.4 PACF Plot Data Differencing Penangkapan Ikan Tawes
Berdasarkan Gambar 4.4 dapat diketahui bahwa plot
PACF data penangkapan ikan tawes setelah dilakukan diffe-

38. rencing lag-lag berada didalam batas signifikansi. Setelah itu
dilakukan 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 dari
model ARIMA (1 1 0)12 dan ARIMA(0 1 1)12 sudah signifikan
karena nilai P-value kurang dari . Selanjutnya dilakukan uji
asumsi 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 setiap
model ARIMA (1 1 0)12 dan ARIMA(0 1 1)12 sudah memenuhi
uji asumsi residual white noise. Selanjutnya dilakukan uji asumsi
residual 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 musiman
juga tidak memenuhi uji asumsi kenormalan. Sehingga melihat
secara visual dari plot ACF dan PACF diperoleh suatu model
data differencing musiman yang tidak mengandung unsur

39. autoregresive dan moving average yaitu ARIMA (0 1 0)12.
Selanjutnya dilakukan uji white noise dari model yang diperoleh
yaitu 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 Normality
Test --Statistic--- -----p Value------
Shapiro-Wilk W 0.805751 Pr < W <0.0001
Kolmogorov-Smirnov D 0.235926 Pr > D <0.0100
Cramer-von Mises W-Sq 0.750318 Pr > W-Sq <0.0050
Anderson-Darling A-Sq 3.879625 Pr > A-Sq <0.0050
Berdasarkan Tabel 4.4 dapat diketahui bahwa model
ARIMA (0 1 0)12 sudah memenuhi asumsi white noise karena
nilai P-value pada setiap lag lebih dari nilai . Sedangkan pada
Tabel 4.5 menunjukkan bahwa model ARIMA(0 1 0)12 tidak
memenuhi asumsi residual berdistribusi normal karena dengan
menggunakan uji kolmogorov smirnov nilai P-value kurang dari
nilai . Sehingga dari ketiga model awal yang telah di identifikasi
diperoleh bahwa model ARIMA(1 1 0)12, (0 1 1)12, dan (0 1 0)12
telah memenuhi uji asumsi white noise dengan parameter yang
sudah signifikan. Namun residual ketiga model tersebut tidak
berdistribusi normal.
Dengan tidak mempertimbangkan uji asumsi residual
normal maka diperoleh model yang white noise yaitu ARIMA(1 1
0)12, ARIMA(0 1 1)12, dan ARIMA(0 1 0)12. Sehingga untuk
menentukan model terbaik maka dilakukan pengujian in-sample
dengan membandingkan nilai AIC sebagai berikut:

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)12
memiliki nilai AIC yang paling kecil dibandingkan dengan
model ARIMA(1 1 0)12 dan ARIMA(0 1 1)12 yaitu 858.29.
Sehingga dapat disimpulkan bahwa model (0 1 0) adalah model
terbaik.
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 model
ARIMA(0 1 0)12 mempunyai nilai MAPE sebesar 16.59213%
sehingga berdasarkan kriteria out sampel model peramalan
ARIMA(0 1 0)12 bisa dikatakan model yang cukup baik karena
memiliki nilai MAPE yang kecil. Dari pengujian model dengan
kriteria in-sampel dan out-sampel menunjukkan bahwa diperoleh
model terbaik yaitu ARIMA(0 1 0)12 dengan persamaan umum
Z t = δ + Z t −12 + at dimana δ adalah nilai konstan. Dari output
program SAS diperoleh nilai konstan untuk model ARIMA(0 1
0)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 model
ARIMA(0 1 0)12 sebesar -67.4. Sehingga nilai peramalan untuk

41. periode 12 bulan ke depan untuk data penangkapan ikan tawes
adalah 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 dari
model ARIMA(0 1 0)12 untuk data penangkapan ikan tawes.
Dengan mengabaikan asumsi residual berdistribusi normal maka
nilai peramalan dinyatakan tidak valid. Karena apabila residual
tidak normal maka akan berpengaruh terhadap signifikansi nilai
peramalannya. Sehingga masih diperlukan metode lain yang lebih
baik.
4.3 Peramalan data penangkapan Jenis Ikan Nila
4.3.1 Identifikasi Model Untuk Data Penangkapan Ikan Nila
Langkah awal yang dilakukan untuk menentukan model
adalah membuat time series plot untuk data penangkapan jenis
ikan nila sebanyak 60 data. Time series plot digunakan untuk
melihat kestasioneran data baik stasioner dalam rata-rata maupun
dalam varian.

42. !
Gambar 4.5 Plot Time Series Data Penangkapan Ikan Nila
Berdasarkan Gambar 4.5 dapat dilihat bahwa plot data
penangkapan ikan nila tidak stationer dalam mean dan varian ka-
rena lebar variannya tidak sama dan penyebaran datanya tidak
mengumpul pada suatu garis atau bergerak menjauhi mean.
!"
" #" $ #"
" %&
! ' &
( '
" #" '
$ #" '
) & &* '
"
Gambar 4.6 Box-Cox Plot Data Penangkapan Ikan Nila

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 yang
mendekati nilai 0 sehingga data dikatakan tidak stasioner dalam
varian dan dilakukan transformasi ln untuk data penangkapan
ikan Nila. Pada Gambar 4.7 plot transformasi menunjukkan
terdapat suatu unsur musiman. Karena terdapat unsur musiman
maka dilakukan differrencing musiman terhadap hasil
transformasi. Hasil dari proses differencing ditunjukkan pada
Gambar 4.8 berikut:

44. Gambar 4.8 Plot Differencing Musiman Data Penangkapan Ikan Nila
Gambar 4.8 menunjukkan bahwa untuk data penangkapan
ikan nila sudah stasioner dalam mean dan varian karena
penyebaran datanya mengumpul pada suatu garis atau bergerak
disekitar mean sehingga tahap berikutnya adalah melihat plot
ACF dan plot PACF untuk menduga atau mengestimasi model
awal peramalan data penangkapan ikan nila. Secara visual plot
ACF dan PACF ditunjukkan pada gambar sebagai berikut:
'
'
'
'
'
'
'
'
'
'
'

45. Gambar 4.9 ACF Plot Data Musiman Penangkapan Ikan Nila
Berdasarkan Gambar 4.9 plot ACF data dapat dilihat
bahwa pada data penangkapan ikan nila lag-lag berada didalam
batas signifikansi dan tidak ada lag yang keluar dari batas. Karena
tidak terdapat lag-lag yang keluar maka diduga model tidak
mengandung unsur moving average dan dapat disimpulkan bahwa
terjadi 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 plot
PACF menunjukkan terjadi cut-off pada lag ke-12 sehingga
terdapat unsur Autoregresion dan musiman. Sehingga dari plot
ACF dan PACF diperoleh pendugaan model yaitu ARIMA(1 1
0)12 dan ARIMA(0 1 1)12. Setelah mengetahui model yang
didapatkan selanjutnya adalah melakukan pengujian signifikasi
parameter 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. Berdasarkan tabel 4.10 diperoleh bahwa tiap parameter
yang ada disetiap model itu signifikan karena memiliki nilai P-
value < α, sehingga diperoleh model awal yaitu ARIMA(1 1 0)12
dan ARIMA(0 1 1)12.
Setelah didapatkan model awal yang signifikan
selanjutnya dilakukan diagnostic checking terhadap model data
penangkapan ikan nila yang signifikan dengan menguji
residualnya 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 seluruh
lag pada model ARIMA(1 1 0)12, terjadi white noise karena nilai
Pvalue pada lag > α. Sedangkan untuk model ARIMA (0 1 1)12 juga
terjadi white noise karena di setiap lag signifikan. Setelah
melakukan pengujian residual white noise selanjutnya dilakukan
pengujian kenormalan dengan uji Kolmogorov Smirnov sebagai
berikut :
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)12
memiliki P-value sebesar kurang dari 0.010, jadi keputusan ada-
lah tolak H0, yang berarti residual pada model ARIMA(0 1 1)12
tidak berdistribusi normal. Sedangkan pada ARIMA(1 1 0)12
memiliki P-value sebesar lebih dari 0.150, jadi keputusan adalah

47. gagal tolak H0, yang berarti residual pada model ARIMA(1 1 0)12
berdistribusi normal.
Dari Proses sebelumnya model yang telah memenuhi
seluruh asumsi adalah ARIMA(1 1 0)12. Setelah diperoleh model
umum yaitu Z t = (1 + Φ1 ) Z t −12 − Φ 1 Z t −24 + at maka dilakukan
pendekatan dengan kriteria out sampel untuk mengetahui apakah
model merupakan model yang cukup baik dengan melihat nilai
MAPE. Dalam evaluasi model dengan kriteria out sampel
digunakan 12 data bulanan sebagai validasi yaitu membandingkan
nilai ramalan dengan nilai aktualnya kemudian dicari nilai
MAPE-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 untuk
nilai MAPE sebesar 34.30499% sehingga berdasarkan kriteria out
sampel model ARIMA (1 1 0)12 bisa dikatakan cukup baik karena
memiliki nilai MAPE yang kecil. Setelah mengetahui model
umumnya langkah berikutnya adalah meramalkan dengan model
yang sesuai untuk periode 12 bulan ke depan. Sehingga

48. didapatkan nilai peramalan untuk data penangkapan ikan nila
selama 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 peramalan
dengan model ARIMA(1 1 0)12 menunjukkan nilainya berada
didalam batas bawah dan batas atas. Seshingga dapat dikatakan
bahwa nilai peramalan sudah sesuai.
4.4 Peramalan data penangkapan Jenis Ikan lele
4.4.1 Identifikasi Model Untuk Data Penangkapan Ikan lele
Langkah awal penentuan model adalah membuat time
series plot untuk untuk data penangkapan jenis ikan lele sebanyak
60 data. Untuk menguji apakah data sudah stasioner yaitu dengan
melihat sebaran data pada time series plot. Pada data penang-
kapan jenis ikan lele time series plotnya adalah sebagai berikut.

49. Gambar 4.11 Plot Time Series Data Penangkapan Ikan lele
Berdasarkan Gambar 4.11 dapat dilihat bahwa plot data
penangkapan ikan lele diduga tidak stationer dalam mean. Dari
plot time series terlihat variansi datanya lebih rapat dan ada
pendugaan bahwa data ikan lele tersebut adalah tidak stasioner
dalam musiman. Sehingga dilakukan differencing 12. Hasil dari
differencing 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. selanjutnya adalah menentukan model peramalan dengan melihat
secara visual plot ACF dan plot PACF.
'
'
'
'
'
'
'
'
'
'
'
Gambar 4.13 ACF Plot Data Differencing Penangkapan Ikan Lele
Berdasarkan Gambar 4.13 dapat dilihat bahwa ACF plot
data penangkapan ikan lele lag-lag berada didalam batas
signifikansi dan tidak ada lag yang keluar dari batas signifikansi.
Sehingga dapat disimpulkan bahwa terjadi white noise karena
nilai dari lag-lag mendekati nilai nol. Tetapi plot juga dapat
menjelaskan bahwa tidak mengandung unsur moving average.

51. '
'
'
'
'
'
'
'
'
'
'
Gambar 4.14 PACF Plot Data Differencing Penangkapan Ikan Lele
Berdasarkan Gambar 4.14 dapat diketahui bahwa plot
PACF data penangkapan ikan lele setelah dilakukan differencing
lag-lag berada didalam batas signifikansi. Sehingga tidak terdapat
unsur autoregression pada model. Setelah itu dilakukan
identifikasi 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 dari
model ARIMA (1 1 0)12 dan ARIMA (0 1 1)12 sudah signifikan
karena nilai P-value kurang dari . Selanjutnya dilakukan uji
asumsi 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. 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 setiap
model ARIMA (1 1 0)12 sudah memenuhi uji asumsi residual
white noise. Sedangkan pada model ARIMA(0 1 1)12 terdapat
salah satu lag yang tidak memenuhi asumsi residual white noise.
Sehingga diperoleh satu model musiman yang memenuhi asumsi
white noise. Selanjutnya dilakukan uji asumsi residual normal
sebagai 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 model
musiman juga tidak memenuhi uji asumsi kenormalan. Sehingga
melihat secara visual dari plot ACF dan PACF diperoleh suatu
model data differencing musiman yang tidak mengandung unsur
autoregresive dan moving average yaitu (0 1 0)12. Selanjutnya
dlakukan uji white noise dari model yang diperoleh yaitu sebagai
berikut.
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 Normality
Test --Statistic--- -----p Value------

53. Shapiro-Wilk W 0.820512 Pr < W <0.0001
Kolmogorov-Smirnov D 0.195176 Pr > D <0.0100
Cramer-von Mises W-Sq 0.613774 Pr > W-Sq <0.0050
Anderson-Darling A-Sq 3.296734 Pr > A-Sq <0.0050
Berdasarkan Tabel 4.18 dapat diketahui bahwa model (0
1 0)12 sudah memenuhi asumsi white noise. Sedangkan pada
Tabel 4.19 menunjukkan bahwa model (0 1 0)12 tidak memenuhi
asumsi residual berdistribusi normal karena dengan menggunakan
uji kolmogorov smirnov nilai P-value kurang dari nilai .
Sehingga dari ketiga model awal yang telah di identifikasi
diperoleh bahwa terdapat dua model yaitu ARIMA(1 1 0)12dan
ARIMA(0 1 0)12 telah memenuhi uji asumsi white noise dengan
parameter yang sudah signifikan. Namun residual kedua model
tersebut tidak berdistribusi normal.
Dengan tidak mempertimbangkan uji asumsi residual
normal maka diperoleh model yang white noise yaitu ARIMA(1 1
0)12 dan ARIMA(0 1 0)12 sehingga untuk menentukan model
terbaik 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 memiliki
nilai AIC yang paling kecil dibandingkan dengan model (1 1 0)12
dan (0 1 1)12 yaitu 759.88. Sehingga dapat disimpulkan bahwa
model (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. (0 1 0)12 21.97483%
Dari Tabel 4.21 menunjukkan bahwa untuk model (0 1
0)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 yang
kecil. Dari pengujian model dengan kriteria in sampel dan out
sampel menunjukkan bahwa diperoleh model terbaik yaitu (0 1
0)12 dengan persamaan umum dengan persamaan umum
Z t = δ + Z t −12 + at dimana δ adalah nilai konstan. Dari output
program SAS diperoleh nilai konstan untuk model ARIMA(0 1
0)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 model
ARIMA(0 1 0)12 sebesar 3.5. Sehingga nilai peramalan untuk
periode 12 bulan ke depan untuk data penangkapan ikan lele
adalah 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. 84 773,5
Dari tabel 4.23 dapat diketahui hasil nilai peramalan dari
model (0 1 0)12 untuk data penangkapan ikan lele. Dengan
mengabaikan asumsi residual berdis-tribusi normal maka nilai
peramalan dinyatakan tidak valid. Karena apabila residual tidak
normal maka akan berpengaruh terhadap signifikansi nilai
peramalannya. Sehingga masih diperlukan metode lain yang lebih
baik.

56. (halaman ini sengaja dikosongkan)

57. Tak ada rahasia menggapai sukses, sukses itu dpat terjadi karena
persiapan, kerja keras dan mau belajar dari kegagalan. (W.A Nance)
BAB V
KESIMPULAN DAN SARAN

58. BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan penelitian terhadap data penangkapan tiap
jenis ikan yang telah dilakukan dapat diambil beberapa
kesimpulan 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. 5.2 Saran
1. 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. Jangan pernah menyia – yiakan kesempatan yang ada, karena
kesempatan tidak mungkin datang dua kali seperti matahari pagi tidak
mungkin terbit dua kali untuk membangunkan tidur kita. (Helen Keller)
DAFTAR PUSTAKA

61. DAFTAR PUSTAKA
Aswi dan Sukarna, 2006, “Analisis Deret Waktu”, Andira
Publisher, Makassar
Cryer, D.J, 1986, “Time Series Analisis”, PWS-KENT
Publishing Company, Inc, Boston
Daniel, 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, Jakarta
Makridakis 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. Ketika kau sedih, merasa sendirian, dan orang – orang disekitar
kamu terlalu sibuk dengan urusannya masing – masing, Janganlah kamu
takut karena Allah selalu berada disampingmu. (NN)
LAMPIRAN

63. LAMPIRAN A
Data 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. JANUARI’05 1650 251 385
FEBRUARI’05 720 275 280
MARET’05 970 275 390
APRIL’05 420 195 235
MEI’05 3360 580 1245
JUNI’05 8132 2460 711
JULI’05 10395 1295 475
AGUSTUS’05 7305 2055 925
SEPTEMBER’05 3735 4238 1644
OKTOBER’05 2830 2920 875
NOVEMBER’05 2970 4160 1670
DESEMBER’05 2490 1365 1183
JANUARI’06 1700 520 440
FEBRUARI’06 670 425 235
MARET’06 930 565 365
APRIL’06 370 245 285
MEI’06 2870 590 1130
JUNI’06 7835 250 715
JULI’06 5935 4145 410
AGUSTUS’06 3160 2605 415
SEPTEMBER’06 7730 8275 3550
OKTOBER’06 1195 1490 360
NOVEMBER’06 3684 4980 1555
DESEMBER’06 2545 1300 915
JANUARI’07 2010 565 420
FEBRUARI’07 745 527 240
MARET’07 935 580 390
APRIL’-07 295 245 255
MEI’07 2265 455 645
JUNI’07 5905 2605 450
JULI’07 7580 2410 540
AGUSTUS’07 5910 2870 760
SEPTEMBER’07 7490 8080 3650
OKTOBER’07 1250 1225 355
NOVEMBER’07 3725 4835 1770
DESEMBER’07 2870 980 770
Ket(*) = Dalam Kilogram

65. LAMPIRAN B
Identifikasi Model Data Penangkapan Ikan Tawes
Time series plot Ikan Tawes
Differencing musiman ikan tawes

66. ACF plot differencing ikan tawes
PACF plot differencing ikan tawes

67. Pengujian Signifikansi Model ARIMA (1 1 0)12 Tawes
Final Estimates of Parameters
Type Coef SE Coef T P
SAR 12 -0.4787 0.1585 -3.02 0.004
Differencing: 0 regular, 1 seasonal of order 12
Number of observations: Original series 60, after differencing 48
Residuals: SS = 142227153 (backforecasts excluded)
MS = 3026110 DF = 47
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-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. Pengujian Signifikansi Model ARIMA(0 1 1)12 Tawes
Final Estimates of Parameters
Type Coef SE Coef T P
SMA 12 0.8358 0.1560 5.36 0.000
Differencing: 0 regular, 1 seasonal of order 12
Number of observations: Original series 60, after differencing 48
Residuals: SS = 116076083 (backforecasts excluded)
MS = 2469704 DF = 47
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-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. 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. 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. 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