peramalan data perusahaan f menggunakan metode box jenkins

BAB I

PENDAHULUAN1.1 Latar Belakang

Program Studi Matematika merupakan salah satu program studi yang berada

di Departemen Pendidikan Matematika, Fakultas Pendidikan Matematika dan

Ilmu Pengetahuan Alam, Universitas Pendidikan Indonesia. Sebanyak 148 Satuan

Kredit Semester (SKS) dibebankan kepada mahasiswa program studi matematika

untuk memperoleh bukti kelulusan. Dua SKS diantaranya dialokasikan untuk

mata kuliah Program Latihan Akademik (PLA).avg://close/

PLA merupakan salah satu kegiatan Kerja Praktik di lingkungan Program

Studi Matematika, sebagai mata kuliah yang harus ditempuh oleh setiap

mahasiswa Program Studi Matematika. Kegiatan Kerja Praktik adalah kegiatan

kerja magang di perusahaan-perusahaan atau instansi-instansi yang terkait untuk

memperoleh pengalaman kerja. Adapun tujuan dari PLA adalah untuk melatih dan

membina mahasiswa Program Studi Matematika menjadi seorang tenaga yang

profesional, bertanggung jawab, dan berdisiplin pada bidangnya.

Sehubungan dengan tuntutan mata kuliah tersebut, saya memilih PT

MediaWave di kota Bandung sebagai perusahaan untuk melakukan praktik kerja

dan bagian data analis yang paling sesuai untuk latar belakang akademik kami

(matematika). PT MediaWave adalah suatu perusahaan yang bekerja di bidang

Marketing Insight, yang bertugas pada social monitoring and measurement

dengan pemfokusan pada Social Media.

Social Media mempunyai tujuan yang sangat beragam, salah satunya adalah

sebagai penyebar informasi, baik informasi yang umum ataupun spesifik yang

menujukan ke suatu instansi atau individu. Terkadang hal ini dapat menjadi

indikator seberapa baik atau buruk nya instansi tersebut. Hal ini mendorong suatu

instansi untuk mengetahui bagaimanakah pembicaraan di social media terkait

perusahaannya. Pembicaraan di social media ini biasanya disebut dengan buzz ,

jika dalam setiap pembicaraannya terdapat ketidaksinkronan antara pembicaraan

1

avg://close/

2

dengan perusahaan tersebut hal seperti ini maka dikatakan noise. Dalam setiap

buzz, dapat terlihat bagaimana kecondongan dari suatu pembicaraan ini, apakah

ke arah positif atau negatif ataupun netral. Kecondongan ini biasanya di katakan

sebagai sentimen, baik itu sentimen positif, sentimen negatif ataupun sentimen

netral.

Jumlah buzz, dari setiap perusahaan pada setiap periode selalu berbeda-

beda. Hal ini dikarenakan isu yang terjadi itu akan selalu bergantung pada

kejadian – kejadian terkait perusahaan tersebut. Hal ini membuat fluktuasi jumlah

buzz sulit diperkirakan, dan dikarenakan selalu bergantung pada waktu, maka

dapat dikatakan bahwa data jumlah buzz ini merupakan data time-series. Oleh

karena itu, akan dilakukan peramalan untuk menerapkan pengetahuan teoritis

yang telah didapat di bangku perkuliahan di tempat kerja praktik. Peramalan

merupakan kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang

akan datang. Untuk melakukan peramalan dibutuhkan data runtun waktu untuk

mengolah dan dicari polanya sehingga dapat ditarik ke masa depan. Ada berbagai

metode peramalan yang dapat digunakan, salah satunya adalah Metode Box-

Jenkins.

Berkaitan dengan pemaparan di atas, permasalahan terkait akan di angkat

dalam laporan ini dengan judul “Peramalan Jumlah Buzz Perusahaan PT. F

Dengan Metode Box – Jenkins ”.

1.2 Rumusan Masalah

Adapun rumusan masalah dari latar belakang yang telah dipaparkan diatas

sebagai berikut:

1. Bagaimana model peramalan terbaik untuk jumlah buzz PT. F dengan

metode Box Jenkins?

2. Bagaimana hasil peramalan data mingguan untuk 5 minggu ke depan

dari model yang diperoleh?

3

1.3 Tujuan Penulisan

Dari rumusan masalah di atas, tujuan penulisan penyusunan laporan PLA

ini yaitu sebagai berikut:

1. Mengetahui model peramalan terbaik untuk jumlah buzz PT. F dengan

metode Box Jenkins,

2. Mampu meramalkan data mingguan 5 minggu kedepan dari model

yang diperoleh.

1.4 Batasan Masalah

Batasan masalah yang digunakan dalam laporan ini, yaitu dalam jumlah

buzz hasil peramalan dianggap bahwa isu yang terjadi dari perusahaan tersebut

sama seperti sebelumnya.

1.5 Manfaat Penulisan

Manfaat yang diharapkan dari penulisan laporan PLA ini adalah sebagai

berikut:

1. Bagi penyusun dapat menambah pengetahuan baru serta pengalaman

dalam hal penelitian, bisa memberikan pengalaman dan pengetahuan

untuk meramalkan suatu kejadian di masa yang akan datang dengan

menggunakan data yang disediakan di masa sebelumnya,

2. Bagi pembaca bisa menjadi sumber rujukan maupun bacaan untuk

meningkatkan kemampuan diri dalam menggali dan

menumbuhkembangkan ilmu, serta memberikan motivasi untuk

melakukan penelitian, khususnya di bidang statistika,

3. Bagi PT. F sebagai client dari MediaWave, bisa mengetahui jumlah

buzz dimasa yang akan datang.

4. Bagi MediaWave, bisa meningkatkan nilai report. Sehingga akan

menambah value kepercayaan dari client.

4

5. Bagi Prodi Matematika, bisa menjalin hubungan kerjasama yang nyata

antara Prodi Matematika FPMIPA UPI dengan MediaWave guna

meningkatkan kualitas dan eksistensi Prodi Matematika FPMIPA UPI

BAB II

TINJAUAN PUSTAKA

2.1 Analisis Runtun Waktu

Data runtun waktu (time series) adalah jenis data yang dikumpulkan

menurut waktu dalam suatu rentang waktu tertentu. Dinotasikan sebagai Z1, Z2,

…,Zn. Model yang digunakan untuk memodelkan data seperti ini adalah model-

model time series. Runtun waktu (time series) adalah serangkaian pengamatan

terhadap suatu peristiwa, kejadian, gejala atau variabel yang diambil dari waktu ke

waktu, dicatat secara teliti menurut urutan- urutan waktu terjadinya dan kemudian

disusun sebagai data. Adapun waktu yang digunakan dapat berupa mingguan,

bulan, tahun, dan sebagainya. Suatu data runtun waktu dapat dianggap sebagai

realisasi proses stokastik (statistik). Dengan kata lain, tidak dapat mengulang

keadaan untuk memperoleh data seperti yang telah dimiliki.

2.2 Stasioner dan non-stasioner dalam mean

Suatu data runtun waktu dikatakan stasioner dalam mean jika rata- rata tetap

pada keadaan waktu yang kondusif atau jika tidak ada unsur trend dalam data dan

apabila suatu diagram time series berfluktuasi secara lurus. Time series plot dapat

membantu secara visual yaitu dengan jalan membuat plot terhadap data runtun

waktu. Jika hasil plot tidak menunjukkan gejala trend maka dapat diduga bahwa

data sudah stasioner.

Apabila data tidak stasioner dalam mean, maka untuk menghilangkan

ketidakstasioneran digunakan metode pembedaan (differencing). Operator yang

digunakan adalah operator backshift B, yaitu sebagai berikut :

BZt = Zt-1

dimana B : pembeda

Zt = nilai Z pada orde ke t

5

6

Zt-1 = nilai Z pada orde ke t-1

Notasi B yang dipasang pada Z, mempunyai pengaruh menggeser data 1

periode ke belakang. Dua penerapan B untuk Zt akan menggeser data tersebut 2

periode ke belakang sebagai berikut :

B (BZt) = B2Zt = Zt-2

dengan Zt-2 adalah nilai Z pada orde ke t-2.

Apabila suatu runtun waktu tidak stasioner, maka data tersebut dapat dibuat

lebih mendekati stasioner dengan melakukan pembedaan (differencing) pertama.

Differencing pertama Wt = Zt – Zt-1, dengan Wt adalah differencing pertama.

Menggunakan operator backshift, maka persamaan diatas dapat ditulis

kembali menjadi :

Wt = Zt – Zt-1=Zt – BZt = (1-B)Zt.

Differencing pertama dinyatakan oleh (1-B) sama halnya apabila

differencing orde kedua (yaitu differencing pertama dari differencing pertama

sebelumya) harus dihitung, maka :

Differencing orde kedua

Vt = Wt – Wt-1

= (Zt – Zt-1) – (Zt-1 – Zt-2)

= Zt – 2Zt-1 + Zt-2

= (1-2B+B2) Zt

= (1-B)2Zt

dengan Vt adalah differencing orde kedua.

Differencing orde kedua diberi notasi (1-B)2 . Differencing orde kedua tidak

sama dengan differencing kedua yang diberi notasi (1-B2), sedangkan differencing

pertama sama dengan differencing orde pertama yaitu (1-B).

Tujuan menghitung differencing adalah untuk mencapai stasioneritas dan

secara umum, apabila terdapat differencing orde ke-d untuk mencapai

stasioneritas, ditulis sebagai berikut :

Differencing orde ke-d = (1-B)dZt . (Samsiah, 2009)

7

2.3 Fungsi Autokorelasi dan Fungsi Autokorelasi Parsial

2.3.1. Fungsi Autokorelasi (fak)

Fungsi autokorelasi adalah himpunan semua autokorelasi untuk berbagai

lag, ditulis{ρ k , k=0 ,1, 2 ,…¿} dengan ρ0=1.

Autokorelasi lag ke-k didefinisikan oleh:

ρk=Cov (z t , zt−k)

√Var (z t)√Var ( zt−k)

Pada umumnya, μ dan γk ditaksir oleh :

μ= z= 1N ∑

t=1

N

zt

γk=C k=∑t=1

N

(z t−z)(z t−k−z),

sedangkan autokorelasi lag ke-k ditaksir oleh

ρk=rk=yk

y0=

Ck

C0.

Untuk lag yang cukup besar, Bartlett menyatakan bahwa variansi dari rk

dirumuskan sebagai:

Var (rk ) ≈ 1N (1+2∑

i=1

k

ri2) , N ≥50

rk dikatakan terputus setelah lag ke-k jika |r k|<2SE(rk).

2.3.2. Fungsi Autokorelasi Parsial (fakp)

Fungsi autokorelasi parsial (fakp) adalah himpunan autokorelasi parsial

untuk berbagai lag, ditulis {ϕkk , k=1 , 2,…}.

Matriks autokorelasi berukuran N didefinisikan oleh :

PN=[1ρ1

ρ1

1ρ2

ρ1

ρ3

ρ2

……

ρN −1

ρN −2

ρ2

ρ3

ρ1

ρ2

1ρ1

ρ1

1……

ρN −3

ρN−4

⋮ρN−1

⋮ρN−2

⋮ρN−3

⋮ρN −4

⋱…

⋮1

].

8

Autokorelasi parsial lag ke-k dinotasikan oleh ϕkk yang didefinisikan oleh :

ϕkk=|Pk

¿||Pk|

, di mana Pk¿ adalah Pk dengan kolom terakhir diganti oleh [ ρ1

ρ2

⋮ρk

]. Untuk lag yang cukup besar, Quinouille menyatakan bahwa var (ϕkk)≈ 1

N .

ϕkk terputus setelah lag ke- k jika |ϕkk|<2 SE(ϕkk) artinya fakp tidak berbeda

secara signifikan dengan nol. (Soejoeti, 1987)

2.4 Metode Box-Jenkins

Metode Box-Jenkins (ARIMA) telah dipelajari secara mendalam dan

dikembangkan oleh George Box dan Gwilyn Jenkins (1976). Model Autoregresif

(AR) pertama kali dikembangkan oleh Yule (1926) dan kemudian dikembangkan

oleh Walker (1931), sedangkan model Moving Average (MA) pertama kali

digunakan oleh Slutzky (1937). (Makridakis, Wheelwright, & McGree, 1999)

Model ARIMA atau model gabungan Auto-regresif dan Moving Average

adalah jenis model linear yang mampu mewakili deret waktu yang stasioner

maupun non-stasioner. Pada metode peramalan dengan menggunakan Box-

Jenkins, dimana sangat baik ketepatannya untuk peramalan jangka pendek,

sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik.

Biasanya akan cenderung flat untuk jangka panjang. Model Autoregresif

Integrated Moving Average (ARIMA) adalah model yang secara penuh

mengabaikan independen variabel dalam membuat peramalan. ARIMA

menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk

menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika

observasi dari deret waktu (time series) secara statistik berhubungan satu sama

lain (dependent).

2.5 Model untuk Data Stasioner (Proses AR, MA, dan ARMA)

2.5.1 Proses AR (Autoregresif)

9

Autoregresif adalah nilai sekarang suatu proses dinyatakan sebagai jumlah

tertimbang nilai- nilai yang lalu ditambah satu sesatan (goncangan random)

sekarang. Jadi dapat dipandang Zt diregresikan pada p nilai Z yang lalu. (Soejoeti,

1987)

Bentuk umum model AR orde p ditulis AR(p) adalah

Zt=ϕ1 Z t−1+ϕ2 Zt−2+…+ϕ p Z t−p+at

Persamaan diatas dapat ditulis menjadi :

ϕ (B ) Z t=at

dimana ϕ (B )=1−ϕ1 B−ϕ2 B2−…−ϕ p Bp disebut operator AR(p).

a. Model AR(1)

Bentuk umum model AR(1) adalah Zt=ϕ Zt−1+at dengan suku sesatan

a t N (0 ;σa2 ) dan model ini dianggap stasioner. Karena at independen dengan Zt-1

,maka variansinya adalah σ z2=

σ a2

1−ϕ2 .Supaya σ z2 terbatas maka daerah

stasioneritas AR(1) adalah -1 < ϕ < 1.

Ciri teoritik dari proses AR(1) :

1) ρk=ϕk ;k ≥1

Pada selang -1 < ϕ < 0, fak turun berganti tanda menuju nol dan pada selang

0 < ϕ < 1, fak akan turun secara eksponensial menuju nol.2)ϕ11=ρ1=ϕ. ϕkk=0 untuk k > 1.Fakp terputus setelah lag ke-1.

b. Model AR(2)

Bentuk umum model AR(2) adalah Zt=ϕ1 Z t−1+ϕ2 Zt−2+at dengan suku

sesatan a t N (0 ;σa2 ) dan variansinya adalah

σ z2=γ 0=( 1−ϕ2

(1+ϕ2 ) (1−ϕ1−ϕ2 )(1+ϕ1−ϕ2))σ a2 .Supaya σ z

2 berhingga maka

daerah stasioneritas AR(2) adalah

-1 < ϕ2< 1

ϕ1+ϕ2<1

−ϕ1+ϕ2<1

10

Ciri teoritik dari proses AR(2) :

1) ρk=ϕ1 ρ k−1+ϕ2 ρk−2 ;k ≥1. Fak turun menuju nol.

2) ϕ11=ρ1=ϕ1

1−ϕ2

ϕ22=ϕ2

ϕkk=0 untuk k > 2

Fakp terputus setelah lag ke-2.

Secara umum, ciri teoritik AR(p) adalah

1) Fak turun menuju nol.

2) Fakp terputus setelah lag ke-p.

2.5.2 Proses MA (Moving Average)

Bentuk umum proses MA dengan orde q ditulis MA(q) adalah

Zt=at+θ1 at−1+θ2 at−2+…+θq at−q dengan a t N (0 ;σa2 ). Bentuk tersebut dapat

ditulis menjadi Zt=θ (B)at dengan θ ( B )=(1+θ1 B+θ2 B2+…+θq Bq) adalah

operator MA(q). Dengan variansnya adalah σ z2=(1+θ1

2+…+θq2) at. Pada saat q

berhingga maka model ini selalu stasioner. π (B)Z t=at dengan π (B )=θ−1(B).

Proses MA(q) dikatakan invertibel jika π (B ) konvergen.

a. Model MA(1)

Bentuk umum model MA(1) adalah Zt=at+θ a t−1 dengan a t N (0 ;σa2 )

.Model ini selalu stasioner dan daerah invertibilitas MA(1) adalah -1 < θ < 1.

Maka variansinya σ z2=γ 0=(1+θ2)σa

2.

Ciri teoritik dari proses MA(1) :

1) ρ1=θ

1+θ2

ρk=0 untuk k>1.

Fak terputus setelah lag ke-1.

2) ϕkk=(−1 )k−1θk(1−θ2)

1−θ2(k +1) untuk k ≥ 1Fakp turun menuju nol.b. Model MA(2)

11

Bentuk umum model MA(2) adalah Zt=at+θ1 at−1+θ2 at−2 dengan a t N (0 ;σa2 ).Model ini selalu stasioner dan daerah invertibilitas MA(2) adalah

θ2<1 ; −θ1−θ2<1 ; θ1−θ2<1 ;Maka variansinya adalah σ z2=γ 0=(1+θ1

2+θ22)σa

2.Ciri teoritik dari proses MA(1) :1) ρ1=

θ1+θ1 θ2

1+θ12+θ2

2

ρ2=θ2

1+θ12+θ2

2

ρk=0 untuk k>2.

Fak terputus setelah lag ke-2.

2) Fakp turun menuju nol.

Secara umum, ciri teoritik MA(q) adalah

1) Fak terputus setelah lag ke-q.

2) Fakp turun menuju nol.

2.5.3 Proses ARMA (Autoregresif - Moving Average)Bentuk umum ARMA(p,q) adalahZt=ϕ1 Z t−1+…+ϕ p Z t−p+at+θ1a t−1+…+θq at−q Bentuk diatas dapat ditulis menjadi

(1−ϕ1 B−…−ϕ p Bp ) Z t=(1+θ1 B+…+θq Bq)a t

ϕ (B ) Z t=θ (B ) atdengan ϕ (B ) adalah operator AR(p) dan θ ( B ) adalah operator MA(q).Ciri teoritik ARMA(p,q) adalah fak dan fakp turun menuju nol.

12

2.6 Model untuk Data Non- Stasioner (Proses ARIMA)

Pada umumnya runtun waktu yang ada adalah non stasioner. Padahal alat

yang kita punya (fak, fakp) didasarkan pada asumsi stasioner. Penyebab

ketidakstasioneran umumnya adalah rata- rata yang tidak konstan. Runtun waktu

yang seperti itu, ketidakstasionerannya disebut tidak stasioner homogen. Artinya,

walaupun runtun waktu itu bergerak bebas pada lokasi tertentu, namun tingkat

geraknya pada periode waktu lain adalah relatif sama. Runtun waktu non stasioner

memiliki kelebihan yaitu walaupun runtun waktu tersebut non stasioner tetapi

runtun selisih data yang berurutannya adalah stasioner.

Pandang runtun waktu stasioner ARMA(p,q) untuk Wt yang berasal dari

selisih pertama runtun waktu Zt yang tak stasioner.

ARMA(p,q) → Wt

W t=ϕ1 W t −1+…+ϕ pW t− p+a t+θ1 at−1+…+θq at−q

Karena W t=Z t−Z t−1 maka

Zt=W t+Z t −1

Zt−1=W t−1+Z t−2

Zt−2=W t−2+Z t−3

⋮

Zt=W t+W t−1+W t−2+…

Zt dapat dipandang sebagai integrasi dari para Wt dan model

W t=ϕ1 W t −1+…+ϕ pW t− p+a t+θ1 at−1+…+θq at−q

disebut Integrated Autoregresive Moving Average (ARIMA).

Mungkin saja selisih pertama belum menjadikan data stasioner, maka

diperlukan selisih kedua

Yt = Wt – Wt-1

= (Zt – Zt-1) – (Zt-1 – Zt-2)

= Zt – 2Zt-1 + Zt-2

Jika d menyatakan derajat selisih maka runtun waktu non stasioner dapat

dituliskan dalam dimensi p,d,q. Artinya ARIMA(p,d,q) adalah runtun waktu non

stasioner yang jika diselisihkan d kali akan menjadi stasioner model ARMA(p,q).

(Soejoeti, 1987)

BAB III

PT. Mediawave Interactive

PT. Mediawave Interactive adalah perusahaan yang bergerak di bidang jasa

terutama dalam social media monitoring & measurement. Mediawave Interactive

didirikan untuk memaksimalkan potensi dan manfaat penggunaan teknologi

berbasis web untuk bisnis perusahaan di seluruh dunia. Didukung oleh tim

profersional dan ahli, PT. Mediawave Interactive mengumpulkan kombinasi dari

teknologi internet yang dibangun untuk memenuhi kebutuhan bisnis sehari-hari

produk client.

PT. Mediawave Interactive membuat konsep, berkonsultasi, merancang,

development dan integrate. Itulah cara PT. Mediawave Interactive melakukan

bisnis. PT. Mediawave Interactive juga memiliki daftar layanan nilai tambah

lainnya untuk mendukung pelayanan pada client, seperti berikut :

1. Web Site Maintenance

2. Pengembangan Konten

3. Produksi Multimedia

4. Pengembangan Database

5. Internet Marketing

6. Consultant & Development Strategi

3.1 Sejarah

PT. Mediawave Interactive didirikan pada bulan Maret tahun 2010,

merupakan perusahaan pertama di Indonesia yang merintis Social Media

Monitoring & Analysis Platform. Dengan platform ini maka PT. Mediawave

Interactive bisa menjangkau, menganalisa dan memprediksi apa yang baik dan

tidak baik dari issue suatu produk atau servis. Platform ini juga dapat menangkap,

14

15

menganalisa dan melibatkan semua percakapan dari Twitter, Facebook, Blog,

Forum, Berita, Instagram, dan Youtube .

PT. Mediawave Interactive didirikan dan dikembangkan oleh Yose Rizal.

Beliau merupakan lulusan Institut Teknologi Bandung yang sudah berpengalaman

selama sepuluh tahun dalam bidang informasi teknologi dengan specialization

skills web 2.0 & Mobile Site, Search Engine Optimization (SEO), Social Media

Marketing, Location Based Advertising, Digital Data Mining, Monitoring &

Analyst, Mobile Application & Mobile Advertising.

Menurut Yose Rizal, Digital Marketing harus selalu dipantau dan diukur

karena ini adalah salah satu kekuatan media digital daripada media konvensional

lainnya. Digital marketing akan memainkan peran yang lebih besar, dalam dunia

bisnis, pemerintahan dan aspek kehidupan lainnya. Sebagai pendiri perusahaan,

salah satu impiannya adalah menerapkan teknologi digital untuk UKM dan

pariwisata di Indonesia, sehingga mereka dapat meningkatkan tingkat persaingan

di pasar global

3.2 Logo Perusahaan

Logo perusahaan PT. Mediawave Interactive berbentuk huruf M dan W

yang melambangkan inisial dari nama perusahaan. Logo yang berwarna hitam

tersebut, mengartikan sebuah kepercayaan, dimana menjunjung tinggi

kepercayaan kerjasama. Logo perusahaan PT. Mediawave Interactive dapat dilihat

pada gambar di bawah ini :

16

Gambar 3. 1 Logo Perusahaan PT. MediaWave Inc.

3.3 Struktur Organisasi Perusahaan

Suatu perusahaan yang baik pasti memiliki struktur organisasi karena

dengan adanya struktur organisasi maka akan terlihat jelas garis komando dan

garis koordinasi yang berlaku pada suatu perusahaan. Struktur organisasi PT

Media Wave bisa dilihat pada gambar berikut :

Gambar 3. 2 Strukutur Organisasi PT. Media Wave Inc.

17

3.4 Deskripsi Kerja Tiap Bidang

Berikut adalah uraian tugas pokok dari tiap bidang :

a. Bidang Digital Analyst :

Bidang Digital Analyst mempunyai tugas pokok sebagai berikut :

1. Tim Analisa Mengecek project, Objective dari tiap project

2. Tim analisa membuat struktur project

3. Tim Analisa dan Tim DP membuat project base on struktur project

yang telah disepakati

4. Project Trial (project berjalan dengan baik, sistem crawling, noise

berjalan)

5. Tim Analisa dibantu Tim DP, melakukan pengecekan rutin project.

(keyword, Back End, dll)

b. Bidang Data Admin :

Bidang Data Admin mempunyai tugas pokok sebagai berikut :

1. Mencari data yang berhubungan dengan keyword tertentu.

Searching Keyword

2. Membuat Project Create Project

3. Mencheck Dashbord untuk selanjutnya dituangkan dalam project

Cek Dashboard

4. Mengecheck Conversation dari setiap issue Cek Conversation

5. Mencari Noise dan Menghapuskannya Insert Noise

6. Mencari dan Mengecheck Sentiment

7. Membuat Report

c. Bidang Digital Strategy

Bidang Digital Strategy mempunyai tugas pokok sebagai berikut :

1. Membuat dan melaporkan strategi social media baik itu dari konten,

aktifitas reguler, dan campaign

18

2. Membuat dan memanage konten untuk iklan

3. Mengelola KOLs/ Buzzers/ Influencers

4. Mengkonsultasikan dan merepresentasikan ide untuk klien terkait

social media yang digunakan

5. Bertanggung jawab di setiap penyampaian social media

6. Memonitoring interaksi antara brand dan hashtag

d. Bidang IT & Research

Bidang IT & Research mempuynai tugas pokok sebagai berikut :

1. Mengimplementasikan teknologi web di platform, dan juga

melakukan data base & caching technique

2. Menjalankan strategi short-term & long-term architecture dan

mengembangkannya

3. Mendesign dan mengembangkan infrastruktur BluePrint

4. Menyelesaikan masalah terkait dengan web, platform, dan device

yang digunakan, dan juga mengembangkannya.

5. Pemeliharaan dan Menyelesaikan masalah terkait dengan Informasi

dan Teknologi yang digunakan.

3.5 Service

Service yang di tawarkan oleh Mediawave adalah :

1. Social media monitoring ( Brand – Cooperate )

Memperlihatkan insight brand dari keseluruhan media digital, mengukur

akibat dari kampanye ataupun iklan perusahaan, mengidentifikasi

kesempatan untuk suatu perjanjian, mengakses aktifitas dan share of

voice dari kompetitor, memberitahu kemungkinan krisis yang akan

19

datang. Juga menyediakan trend dari apa yang konsumer dan client fikir

tentang suatu topik atau brand atau produk.

2. Social Media Monitoring ( Political Tracking – Politicawave )

Politicawave adalah pemonitoringan platform berdasarkan pada

dashboard mediawave dan memperbolehkan untuk menemukan suatu

percakapan dari semua channel : Facebook, Twitter, Online News,

Forum dan Blog. Suatu Percakapan dengan kata kunci yang spesifik

akan di analisis oleh team analis untuk validasi. Berdasarakan pada

analisis percakapannya, akan dicheck juga tentang kesensitifan sebuah

isu sedemikian sehingga strategi komunikasi dapat dirancang lebih

komperhensif.

3. Digital Communication and Marketing

Mengiklankan, memasarkan campaign, dan Marketing Intelligence.

BAB IV

URAIAN KEGIATAN

4.1 Jadwal Pelaksanaan Kegiatan

Tanggal : 1 Februari 2016 – 4 Maret 2016

Hari : Senin – Jumat

Pukul : 09.00 – 18.00

Tempat : PT. Mediawave

Alamat : Parahyangan Business Park Blok D No. 5 The Suite Metro. Jl. Soekarno Hatta No. 389, Bandung 40286

Telp. : +62 22 87793101

Fax : +62 22 87793102

Email : [email protected]

4.2 Prosedur Pelaksanaan Kegiatan

Berikut ini adalah uraian kegiatan penulis selama melaksanakan

kerja praktik di PT. Mediawave yang dilaksanakan selama satu bulan.

Tempat selama dilaksanakannya kerja praktik adalah di Lt.2 Kantor

Mediawave, sebagai data analyst.

Tabel 4. 1 Kegiatan Kerja Praktik di MediaWave

No Hari/Tanggal Waktu Kegiatan

1 Senin, 1 Februari 2016 09.00 - 18.00 Briefing, dan mengklasifikasikan sentimen

2 Selasa, 2 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen

3 Rabu, 3 Februari 2016 09.00 - 18.00 Mengklasifikasikan sentimen, dan Membuat laporan weekly

4 Kamis, 4 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen

5 Jumat, 5 Februari 2016 09.00 - Mengklasifikasikan Sentimen

20

mailto:[email protected]

21

18.00


7 Rabu, 10 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen

8 Kamis, 11 Februari 2016 09.00 - 18.00 Mengklasifikasikan sentimen, dan Membuat laporan weekly

9 Jumat, 12 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen





14 Senin, 21 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen





19 Senin, 29 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen

20 Selasa, 1 Maret 2016 09.00 - 18.00 Mengklasifikasikan Sentimen

21 Rabu, 2 Maret 2016 09.00 - 18.00 Mengklasifikasikan Sentimen

22 Kamis, 3 Maret 2016 09.00 - 18.00 Mengklasifikasikan sentimen, dan Membuat laporan weekly

23 Jumat, 4 Maret 2016 09.00 - 18.00 Mengklasifikasikan Sentimen

4.3 Hasil dan Pembahasan

Pada penelitian ini data yang digunakan adalah data primer yang

diperoleh dari PT Mediawave. Data tersebut merupakan data sentimen

mingguan dari Perusahaan F . Data mingguan yang diambil pada dari

periode 28 April 2015 – 4 Mei 2015 hingga 23 Februari 2016 – 29

22

Februari 2016 dan seluruhnya berjumlah 40 data yang dapat dilihat pada

lampiran. Data tersebut akan diolah menggunakan minitab versi 17 dengan

menggunakan metode Box – Jenkins. Langkah – langkah pengolahan data

dengan minitab dapat dilihat pada lampiran.

4.3.1 Identifikasi Model

Berikut adalah output plot data asli sentimen perusahaan F :

403632282420161284

18000

16000

14000

12000

10000

8000

6000

4000

2000

0

MAPE 90MAD 2186MSD 9804292

Accuracy Measures

Index

C1

ActualFits

Variable

Sentimen Perusahaan FLinear Trend ModelYt = 436 + 162,9×t

Gambar 4. 1 Plot Data Asli Sentimen Perusahaan FPlot data asli pada gambar 4.1 terlihat trend-nya menaik, hal ini

mengindikasikan sifat ketidakstasioneran.

Berikut adalah output fungsi autokorelasi data sentimen perusahaan

F :

23

10987654321

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Auto

corre

latio

n

FAK untuk Data Sentimen Perusahaan F(with 5% significance limits for the autocorrelations)

Gambar 4. 2 FAK untuk Data Asli Sentimen Perusahan FBerikut adalah output fungsi autokorelasi parsial data sentimen

perusahaan F :

10987654321

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Parti

al Au

toco

rrelat

ion

FAKP untuk Data Sentimen Perusahaan F(with 5% significance limits for the partial autocorrelations)

Gambar 4. 3 FAKP untuk Data Asli Sentimen Perusahaan FTerlihat dari fungsi FAK-nya yang terpotong pada lag ke 1, dan dari

fungsi FAKP yang terpotong pula pada lag ke-1 . walaupun dilihat dari

FAK dan FAKPnya yang tidak terlalu buruk, tetapi sifat stasioner nya

tidak terpenuhi dari fungsi trend yang terlihat pada gambar 4.1. Oleh

karena itu, akan dilakukan differencing

24

Berikut adalah output plot data asli sentimen perusahaan F yang

telah di differencing satu kali :

403632282420161284

15000

10000

5000

0

-5000

MAPE 95MAD 2366MSD 14158629

Accuracy Measures

Index

C2

ActualFits

Variable

Data Sentimen Perusahaan F ( diff 1 )Linear Trend ModelYt = 222 - 6,9×t

Gambar 4. 4 Plot Data Sentimen Perusahaan F (differencing 1)


F yang telah di differencing 1 kali :

25

10987654321

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Auto

corre

latio

n

FAK Data Sentimen Perusahaan F ( diff 1 )(with 5% significance limits for the autocorrelations)

Gambar 4. 5 FAK Data Sentimen Perusahaan F ( differencing 1 )

Berikut adalah output fungsi autokorelasi parsial data sentimen

perusahaan F :

10987654321

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Parti

al Au

toco

rrelat

ion

FAKP Data Sentimen Perusahaan F ( diff 1 )(with 5% significance limits for the partial autocorrelations)

Gambar 4. 6 FAKP Data Sentimen Perusahaan F ( differencing 1 )

Data Sentimen Perusahaan F yang telah differencing pertama dilihat

dari plot datanya berfluktuansi disekitar rata-rata, menunjukan data

stasioner, tetapi dilihat dari FAK dan FAKP nya tidak menunjukan pola

26

dari model box jenkin, atau dapat dikatakan merupakan proses white

noise, sehingga diperlukan differencing lagi.

Berikut adalah output plot data asli sentimen perusahaan F yang

telah di differencing dua kali :

403632282420161284

15000

10000

5000

0

-5000

-10000

-15000

-20000

-25000

MAPE 98MAD 3807MSD 35371458

Accuracy Measures

Index

C9

ActualFits

Variable

Data Perusahaan F ( diff 2 )Linear Trend Model

Yt = 131 - 6,7×t

Gambar 4. 7 Plot Data Perusahaan F ( differencing 2 )


F yang telah di differencing dua kali :

27

10987654321

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Auto

corre

latio

n

FAK Data Sentimen Persuhaan F ( diff 2 )(with 5% significance limits for the autocorrelations)

Gambar 4. 8 FAK Data Sentimen Perusahaan F ( differencing 2 )

Berikut adalah output fungsi autokorelasi parsial data sentimen

perusahaan F yang telah di differencing dua kali :

10987654321

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

Lag

Parti

al Au

toco

rrelat

ion

FAKP Data Sentimen Perusahaan F ( diff 2 )(with 5% significance limits for the partial autocorrelations)

Gambar 4. 9. FAKP Data Sentimen Perusahaan F ( differencing 2 )

Data Sentimen Perusahaan F yang telah differencing dua kali dilihat

dari plot datanya berfluktuansi disekitar rata-rata, menunjukan data

stasioner, dilihat dari fungsi FAK nya bahwa FAK terputus pada lag ke-1

dan dilihat dari fungsi FAKP nya bahwa FAKP terputus pada lag ke-2.

28

Maka didapat model yang teridentifikasi dari Data Sentimen Perusahaan F

yang di differencing tiga kali adalah :

1. MA (1)

2. AR (1)

3. AR (2)

4. ARMA (1,1)

5. ARMA (2,1)

4.3.2 Estimasi Parameter

Estimasi parameter diproses dengan minitab 17 dan outputnya bisa

dilihat sebagai berikut :

a. AR(1)Final Estimates of Parameters

Type Coef SE Coef T PAR 1 -0,4654 0,1482 -3,14 0,003Constant -66,5 878,3 -0,08 0,940Mean -45,4 599,4

Berdasarkan estimasi parameter, diperoleh ϕ1=−0,4654dengan

standar errornya 0,1482 dan konstantanya -66,5 dengan standar errornya

878,3 serta meannya -45,4 dengan standar errornya 599,4.

b. AR(2)

Final Estimates of Parameters

Type Coef SE Coef T PAR 1 -0,6977 0,1463 -4,77 0,000AR 2 -0,5280 0,1532 -3,45 0,001Constant -5,3 770,0 -0,01 0,995Mean -2,4 346,0

29

Berdasarkan estimasi parameter, diperoleh ϕ1=−0,6977dengan

standar errornya 0,1463, serta ϕ2=−0,528 dengan standar errornya

0,1532, konstantanya -5,3 dengan standar errornya 770, meannya -2,4

dengan standar errormya 346

c. MA(1)


Type Coef SE Coef T PMA 1 0,9556 0,1955 4,89 0,000Constant -11,5 110,9 -0,10 0,918Mean -11,5 110,9

Berdasarkan estimasi parameter, diperoleh θ❑=0,9556dengan

standar errornya 0,1955 dan konstantanya -11,5 dengan standar errornya

110,9 serta meannya -11,5 dengan standar errornya 110,9.

d. ARMA (1,1)


Type Coef SE Coef T PAR 1 -0,2181 0,1812 -1,20 0,237MA 1 0,9536 0,1787 5,34 0,000Constant -13,59 82,60 -0,16 0,870Mean -11,16 67,81

Berdasarkan estimasi parameter, diperoleh ϕ❑=−0,2181 dengan

standar error 0,1812, θ❑=0,9536dengan standar errornya 0,1787 dan

konstantanya -13,59 dengan standar errornya 82,6 serta meannya -11,16

dengan standar errornya 67,81.

e. ARMA (2,1)


Type Coef SE Coef T PAR 1 -0,3170 0,1685 -1,88 0,068AR 2 -0,4052 0,1702 -2,38 0,023MA 1 0,9468 0,1653 5,73 0,000Constant -2,37 53,05 -0,04 0,965

30

Mean -1,38 30,80

Berdasarkan estimasi parameter, diperoleh ϕ1=−0,317 dengan

standar error 0,1685 , ϕ2=−0,4052 dengan standar error 0,1702 ,

θ1=0,9468 dengan standar errornya 0,1653 dan konstantanya -2,37 dengan

standar errornya 53,05 serta meannya -1,38 dengan standar errornya 30,8.

4.3.3 Verifikasi Model

Uji verifikasi adalah uji pemeriksaan kecocokan model dengan data

yang menurunkannya. Uji Verifikasi ini meliputi, uji keberartian koefisian,

uji variansi sesatan, dan uji kecocokan model (Lack of Fit).

a. AR (1)

Model AR (1) mempunyai bentuk. W t=ϕW t−1+atatau

(W t−W )=ϕ (W t−1−W )+at. Dengan minitab 17 diperoleh output sebagai

berikut :


Type Coef SE Coef T PAR 1 -0,4654 0,1482 -3,14 0,003Constant -66,5 878,3 -0,08 0,940Mean -45,4 599,4

Karena mean atau |W| = 45,4 < 2SE (mean) = 2(599,4) = 1198,8

maka W tidak berbeda secara signifikan dengan nol. Sehingga model yang

digunakan adalah model bentuk pertama, yaitu:

W t=ϕW t−1+at

W t=−0,4654W t−1+a t

Selanjutnya akan dilakukan verifikasi terhadap model di atas,

sebagai berikut:

1) Keberartian Koefisien

Hipotesis yang diuji :

31

H0 : koefisien tidak berarti

H1 : koefisien berarti (berpengaruh terhadap model)

Kritera pengujian : Tolak H0 jika |ϕ|>2SE (ϕ )karena ϕ=0,4654

dan SE (ϕ )=0,1482 maka H0 ditolak, sehingga koefisien ϕ berarti secara

signifikan terhadap model.

2) Variansi sesatan

Berdasarkan output Minitab versi 17, nilai variansi sesatan adalah

Number of observations: 38Residuals: SS = 1055297728 (backforecasts excluded) MS = 29313826 DF = 36

Diperoleh nilai estimasi variansi sesatan :

σ 2a=

SS−MSDF

=1055297728−2931382636

=102598390236

=28499552,83

σ a2=(28499552,83 )2 .Ini berarti bahwa a t N (0 ; (28499552,83 )2).

Model AR (1) yang telah diperoleh dapat dituliskan sebagai

W t=−0,4654W t−1+a t, dengan a t N (0 ; (28499552,83 )2)

3)Kecocokan model (lack of fit)

Hipotesis yang harus diuji adalah:

H0 : model sesuai

H1 : model tidak sesuai

Kriteria pengujian : Tolak H0 jika Pvalue<α , dengan α=5%.Berdasarkan output Minitab versi 17, diperoleh :

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

Lag 12 24 36 48Chi-Square 27,8 32,8 35,2 *DF 10 22 34 *

32

P-Value 0,002 0,064 0,409 *

Sehingga dapat ditunjukan

Lag P-Value Kesimpulan

12 0,002 Tolak H0

24 0,064 Terima H0

36 0,409 Terima H0

48 * -

Dikarenakan mayoritas penarikan kesimpulan menyatakan terima H0,

maka dapat disimpulkan bahwa H0 diterima, artinya data runtun waktu

tersebut cocok untuk dijadikan model AR(1).

b. AR (2)

Model AR(2) mempunyai bentuk W t=ϕ1 W t−1+ϕ2 W t−2+at atau

(W ¿¿ t−W )=ϕ1(W t−1−W )+ϕ2(W t−2−W )+at ¿

Dengan minitab 17 diperoleh output sebagai berikut :Final Estimates of Parameters

Type Coef SE Coef T PAR 1 -0,6977 0,1463 -4,77 0,000AR 2 -0,5280 0,1532 -3,45 0,001Constant -5,3 770,0 -0,01 0,995Mean -2,4 346,0

Karena mean atau |W|=5,3<2|SE (W )|=2 (770 )=1540 maka W tidak

berbeda secara signifikan dengan nol. Sehingga model yang digunakan

adalah model pertama, yaitu :

W t=ϕ1 W t−1+ϕ2 W t−2+at

W t=−0,6977 W t−1−0,5280 W t−2+at

|Konstanta| ¿2,4<2|SE|=2 (346 )=692 . Ini berarti, nilai konstanta

tidak berarti.

Selanjutnya, dilakukan uji verifikasi terhadap model diatas, sebagai

berikut:


33




Kritera pengujian : Tolak H0 jika |ϕ|>2 SE (ϕ )karena ϕ1=0,6977

dan SE (ϕ1 )=0,1463 maka H0 ditolak, sehingga koefisien ϕ1 berarti secara

signifikan terhadap model, dan untuk ϕ2 karena ϕ2=0,528dan

SE (ϕ2 )=0,1532 maka H0 ditolak, sehingga koefisien ϕ2 berarti secara


2) Variansi Sesatan

Berdasarkan output Minitab 16, nilai variansi sesatan adalahNumber of observations: 38Residuals: SS = 787848600 (backforecasts excluded) MS = 22509960 DF = 35

Diperoleh nilai estimasi varians sesatan :

σ 2a=

SS−MSDF

=787848600−2250996035

=76533864035

=21866818,29

Ini berarti bahwa a t N (1607846,857)

Model AR(2) dapat dituliskan sebagai:

W t=−0,6977 W t−1−0,5280 W t−2+at ,dengan a t N (1607846,857)

3) Kecocokan Model (Lack of Fit)

Hipotesis yang diuji adalah :

H0 : Model sesuai

H1 : Model tidak sesuai

Kriteria pengujian : Tolak H0 jika Pvalue<α , dengan α=5%.

34

Berdasarkan output Minitab 17, diperoleh:Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48Chi-Square 21,6 25,3 27,0 *DF 9 21 33 *P-Value 0,010 0,234 0,762 *


12 0,01 Tolak H0

24 0,234 Terima H0

36 0,762 Terima H0

48 - -



tersebut cocok untuk dijadikan model AR(2).

c. MA (1)

Model MA(1) mempunyai bentuk W t=a t+θ at−1 atau

(W ¿¿ t−W )=at+θ at−1 ¿


Type Coef SE Coef T PMA 1 0,9556 0,1955 4,89 0,000Constant -11,5 110,9 -0,10 0,918Mean -11,5 110,9

Karena mean atau |W|=11,5<2|SE (W )|=2 (110,9 )=221,8 maka W

tidak berbeda secara signifikan dengan nol. Sehingga model yang

digunakan adalah model pertama, yaitu :

W t=a t+θ at−1

W t=a t+0,9556 a t−1


berikut:

35





Kritera pengujian : Tolak H0 jika |θ|>2SE (θ )karena θ=0,9556

dan SE (θ )=0,1955 maka H0 ditolak, sehingga koefisien θ berarti secara


2) Variansi Sesatan

Berdasarkan output Minitab 16, nilai variansi sesatan adalahNumber of observations: 38Residuals: SS = 582304977 (backforecasts excluded) MS = 16175138 DF = 36

Diperoleh nilai estimasi varians sesatan :

σ 2a=

SS−MSDF

=582304977−1617513836

=56612983936

=15725828,86

Ini berarti bahwa a t N (0 ;15725828,86)

Model MA(1) dapat dituliskan sebagai:

W t=a t+0,9556 a t−1 ,dengan a t N (0 ;15725828,86)

3) Kecocokan Model (Lack of Fit)

Hipotesis yang diuji adalah :

H0 : Model sesuai

H1 : Model tidak sesuai

Kriteria pengujian : Tolak H0 jika Pvalue<α , dengan α=5%.Berdasarkan output Minitab 17, diperoleh:

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

Lag 12 24 36 48Chi-Square 24,8 29,6 32,5 *DF 10 22 34 *P-Value 0,006 0,128 0,540 *

36


12 0,006 Tolak H0

24 0,128 Terima H0

36 0,54 Terima H0

48 - -



tersebut cocok untuk dijadikan model MA(1).

d. ARMA (1,1)

Model ARMA(1,1) mempunyai bentuk :

W t=ϕW t−1+at+θ a t−1 atau

(W ¿¿ t−W )=ϕ(W ¿¿ t−1−W )+at+θ at−1 ¿¿


Type Coef SE Coef T PAR 1 -0,2181 0,1812 -1,20 0,237MA 1 0,9536 0,1787 5,34 0,000Constant -13,59 82,60 -0,16 0,870Mean -11,16 67,81

Karena mean atau |W|=11,16<2|SE (W )|=2 (67,81 )=¿ 135,62 maka

W tidak berbeda secara signifikan dengan nol. Sehingga model yang


W t=ϕW t −1+at+θ a t−1

W t=−0,2181 W t−1+at+0,9536 at−1


berikut:



37



Kritera pengujian, tolak H0 jika |ϕ|>2 SE (ϕ )karena ϕ=0,2181

dan SE (ϕ )=0,1812 maka H0 diterima, sehingga koefisien ϕtidak berarti

secara signifikan terhadap model, dan untuk Tolak H0 jika |θ|>2 SE (θ ), karena θ=0,9536dan SE (θ )=0,1787 maka H0 ditolak,

sehingga koefisien θ berarti secara signifikan terhadap model.

Karena koefisien ϕ tidak berarti secara signifikan, jadi model

ARMA(1,1) tidak cocok dijadikan model atau dikecualikan dari model.

e. ARMA (2,1)

Model ARMA(2,1) mempunyai bentuk :

W t=ϕ1 W t−1+ϕ2 W t−2+at+θ a t−1

atau

(W ¿¿ t−W )=ϕ1(W ¿¿ t−1−W )+ϕ2(W ¿¿ t−2−W )+at +θ at−1¿¿¿


Type Coef SE Coef T PAR 1 -0,3170 0,1685 -1,88 0,068AR 2 -0,4052 0,1702 -2,38 0,023MA 1 0,9468 0,1653 5,73 0,000Constant -2,37 53,05 -0,04 0,965Mean -1,38 30,80

Karena mean atau |W|=1,38<2|SE (W )|=2 (30,8 )=61,6 maka W

tidak berbeda secara signifikan dengan nol. Sehingga model yang


W t=ϕ1 W t−1+ϕ2 W t−2+at+θ a t−1

W t=−0,317 W t−1−0,4052 W t−2+at+0,9468 a t−1

38


berikut:





Kritera pengujian, untuk ϕ1 tolak H0 jika |ϕ1|>2 SE (ϕ1 )

karena ϕ1=0,2181dan SE (ϕ1 )=0,1812 maka H0 diterima, sehingga

koefisien ϕtidak berarti secara signifikan terhadap model, untuk ϕ2 tolak H0 jika |ϕ2|>2 SE (ϕ2 )karena ϕ2=0,4052dan SE (ϕ2 )=0,1702 maka H0

ditolak, sehingga koefisien ϕ2 berarti secara signifikan terhadap model., dan untuk Tolak H0 jika |θ|>2 SE (θ ), karena θ=0,9468dan SE (θ )=0,1653 maka H0 ditolak, sehingga koefisien θ berarti secara


Karena koefisien ϕ1 tidak berarti secara signifikan, jadi model

ARMA(2,1) tidak cocok dijadikan model atau dikecualikan dari model.

Berdasarkan uji koefisien dan uji kecocokan model, model yang

lolos adalah AR(1), AR(2), dan MA(1). Untuk selanjutnya akan

dibandingkan berdasarkan nilai varians sesatan. AR(1) : 28499552,83AR(2) : 21866818,29MA(1) : 15725828,86Untuk data runtun waktu tersebut, model MA(1) lebih cocok

dibandingkan AR(1), dan AR(2) karena model MA(1) mempunyai nilai

variansi sesatan yang lebih kecil dibandingkan AR(1), dan AR(2). Jadi,

39

untuk data runtun waktu yang paling cocok digunakan adalah model

MA(1) yang memiliki variansi sesatan terkecil.

4.3.4 Peramalan

Setelah melakukan identifikasi, estimasi, dan verifikasi terhadap

berbagai model, diperoleh model MA(1) sebagai model yang paling sesuai

untuk data sentimen dari perusahaan F, yaitu

Model MA (1)


Berikut adalah output peramalan untuk data sentimen dari

perusahaan F selama 10 minggu yang akan datang dengan menggunakan

software Minitab 17 :Forecasts from period 40

95% LimitsPeriod Forecast Lower Upper Actual 41 673,2 -7211,2 8557,6 42 -11,5 -10917,1 10894,2 43 -11,5 -10917,1 10894,2 44 -11,5 -10917,1 10894,2 45 -11,5 -10917,1 10894,2

Hasil diatas merupakan hasil forecasting dari data yang telah di

differencing dua kali dan sudah stasioner. Peramalan dilakukan dengan

data asli ARIMA dengan mengisi differencing sebanyak dua kali.

Sehingga untuk data runtun waktu sentimen dari perusahaan F yang telah

kita lakukan dengan model yang paling sesuai yaitu MA(1) diperoleh data

sentimen dari perusahaan F untuk 5 minggu ke depan dari data runtun

waktu tersebut, yaitu :

Tabel 4. 2 Ramalan Jumlah Sentimen Perusahana F untuk 10 Minggu ke-depan

Minggu ke- Nilai Sentimen Batas Bawah Batas Atas41 4120,2 - 7211,2 8557,642 3829,9 -10917,1 10894,243 3528,1 -10917,1 10894,244 3214,8 -10917,1 10894,245 2890 -10917,1 10894,2

40

Dari hasil ramalan, akan dibandingkan dengan data asli yang sudah

diambil untuk 4 minggu kedepannya.

Tabel 4. 3 Perbandingan Data Asli dan Data Hasil Forecast 4 Minggu ke-depan

Data Asli

Data Hasil Forecast error

2137 4120,2 1983,22396 3829,9 1433,91853 3529,9 1676,9978 3528,1 2550,1

Dari tabel diatas terlihat bahwa nilai peramalan tidak dekat dengan

nilai yang sebenernya. Hal ini mengindikasikan adanya isu-isu yang

berkembang dan mempengaruhi terhadap sentimen perusahaan F.

BAB V

PENUTUP

5.1 Kesimpulan

Dari data informasi sentimen perusahaan F diperoleh hasil yang stasioner

dengan melakukan differensing sebanyak dua kali. Berikut adalah model yang

teridentifikasi AR(1), AR(2), MA(1), ARMA(1,1), dan ARMA(2,1).

Model yang baik adalah yang paling sederhana dan memenuhi 3 uji

verifikasi yaitu uji keberartian koefisien, uji variansi sesatan dan uji lack of fit

(kecocokan). Pada kasus yang dibahas dalam laporan ini, diperoleh model MA(1)

yang sesuai untuk dijadikan peramalan.

Berikut model yang diberikan :


Untuk data runtun waktu sentimen perusahaan F yang telah kita lakukan

dengan model yang paling sesuai yaitu MA(1) dengan data yang telah

didiferensing dua kali diperoleh data sentimen perusahaan F untuk 5 minggu

kedepan dari data runtun waktu tersebut, untuk selanjutnya dibandingkan dengan

data sesungguhnya yang disajikan pada tabel berikut

Tabel 5. 1 Perbandingan Data Asli dan Data Hasil Forecast 4 Minggu ke-depan

Data Asli

Data Hasil Forecast error

2137 4120,2 1983,22396 3829,9 1433,91853 3529,9 1676,9978 3528,1 2550,1

41

42

Dari hasil perbandingannya dapat terlihat bahwa, errornya cukup besar,

sehingga dapat dikatakan bahwa, metode box jenkin ini kurang cocok digunakan

untuk peramalan data sentimen. Hal ini bisa terjadi karena dari data sentimen ini

terdapat pencilan, sehingga peramalan menggunakan metode box jenkin

menghasilkan error yang sangat besar.

5.2 Saran

Berdasarkan pengalaman dan pemahaman dalam proses analisis data runtun

waktu menggunakan metode Box- Jenkins, saran-saran yang dapat penulis berikan

bagi para pembaca berkenaan dengan penelitian selanjutnya agar hasilnya lebih

baik dari laporan ini ialah pencatatan data atau pemilihan data harus lebih baik

agar peramalan dapat dilakukan dengan baik, karena data yang ditemui seringkali

tidak sesuai sehingga cukup menyulitkan dalam proses penelitian untuk

meramalkan suatu data. Dalam pengambilan data disarankan tidak kurang dari 60

dan semakin banyak data, semakin baik juga peramalannya.

Penelitian dengan Metode Box-Jenkins yang sudah dipaparkan dalam

laporan ini, penulis mengharapkan dapat menjadi pertimbangan dalam

pengembangan bidang riset Perusahaan Mediawave.

Demikian saran dari penulis semoga dapat menjadi inspirasi para pembaca

untuk menggali lebih dalam lagi penerapan Metode Runtun Waktu dan

melanjutkan serta mengembangkan penelitian ini. Penyusun menyadari bahwa

dalam laporan ini masih banyak terdapat kekurangan dan kesalahan, oleh karena

itu saran yang bersifat membangun dari pembaca, sangat penyusun harapkan demi

kesempurnaan laporan penelitian-penelitian yang akan penulis susun dimasa yang

akan datang.

43

DAFTAR PUSTAKA

Makridakis, S., Wheelwright, S. C., & McGree, V. E. (1999). Metode dan

Aplikasi peramalan. Jakarta: Erlangga.

Samsiah, D. N. (2009). Digital Library. Dipetik Desember 24, 2014, dari Digital

Library: http://digilib.uin-suka.ac.id

Soejoeti, Z. (1987). Analisis Runtun Waktu. Jakarta: Karunika Universitas

Terbuka.

44

Daftar IsiBAB I.................................................................................................................................1

PENDAHULUAN.............................................................................................................1

1.1 Latar Belakang...................................................................................................1

1.2 Rumusan Masalah..............................................................................................2

1.3 Tujuan Penulisan................................................................................................3

1.4 Batasan Masalah.................................................................................................3

1.5 Manfaat Penulisan..............................................................................................3

BAB II...............................................................................................................................4

TINJAUAN PUSTAKA.....................................................................................................4

2.1 Analisis Runtun Waktu......................................................................................4

2.2 Stasioner dan non-stasioner dalam mean............................................................4

2.3 Fungsi Autokorelasi dan Fungsi Autokorelasi Parsial........................................6

2.4 Metode Box-Jenkins...........................................................................................7

2.5 Model untuk Data Stasioner (Proses AR, MA, dan ARMA)..............................7

2.6 Model untuk Data Non- Stasioner (Proses ARIMA)........................................10

BAB III............................................................................................................................12

PT. Mediawave Interactive..............................................................................................12

3.1 Sejarah...................................................................................................................12

3.2 Logo Perusahaan....................................................................................................13

3.3 Struktur Organisasi Perusahaan..............................................................................14

3.4 Deskripsi Kerja Tiap Bidang..................................................................................15

3.5 Service...................................................................................................................16

BAB IV............................................................................................................................18

URAIAN KEGIATAN.....................................................................................................18

4.1 Jadwal Pelaksanaan Kegiatan.................................................................................18

4.2 Prosedur Pelaksanaan Kegiatan..............................................................................18

4.3 Hasil dan Pembahasan......................................................................................19

BAB V.............................................................................................................................40

PENUTUP.......................................................................................................................40

45

5.1 Kesimpulan............................................................................................................40

5.2 Saran................................................................................................................41

DAFTAR PUSTAKA......................................................................................................42

46

DAFTAR TABEL

Tabel 4. 1 Kegiatan Kerja Praktik di MediaWave........................................18Tabel 4. 2 Ramalan Jumlah Sentimen Perusahana F untuk 10 Minggu ke-depan..............................................................................................................38Tabel 4. 3 Perbandingan Data Asli dan Data Hasil Forecast 4 Minggu ke-depan..............................................................................................................39

Tabel 5. 1 Perbandingan Data Asli dan Data Hasil Forecast 4 Minggu ke-depan 40

47

DAFTAR GAMBAR

Gambar 3. 1 Logo Perusahaan PT. MediaWave Inc........................................14Gambar 3. 2 Strukutur Organisasi PT. Media Wave Inc................................14Gambar 4. 1 Plot Data Asli Sentimen Perusahaan F........................................20Gambar 4. 2 FAK untuk Data Asli Sentimen Perusahan F.............................21Gambar 4. 3 FAKP untuk Data Asli Sentimen Perusahaan F........................21Gambar 4. 4 Plot Data Sentimen Perusahaan F (differencing 1)....................22Gambar 4. 5 FAK Data Sentimen Perusahaan F ( differencing 1 ).................23Gambar 4. 6 FAKP Data Sentimen Perusahaan F ( differencing 1 )..............23Gambar 4. 7 Plot Data Perusahaan F ( differencing 2 )...................................24Gambar 4. 8 FAK Data Sentimen Perusahaan F ( differencing 2 ).................25Gambar 4. 9. FAKP Data Sentimen Perusahaan F ( differencing 2 ).............25

peramalan data perusahaan f menggunakan metode box jenkins

Documents