peramalan data perusahaan f menggunakan metode box jenkins
TRANSCRIPT
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
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
21
18.00
6 Selasa, 9 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen
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
10 Selasa, 16 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen
11 Rabu, 17 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen
12 Kamis, 18 Februari 2016 09.00 - 18.00 Mengklasifikasikan sentimen, dan Membuat laporan weekly
13 Jumat, 19 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen
14 Senin, 21 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen
15 Selasa, 22 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen
16 Rabu, 23 Februari 2016 09.00 - 18.00 Mengklasifikasikan Sentimen
17 Kamis, 24 Februari 2016 09.00 - 18.00 Mengklasifikasikan sentimen, dan Membuat laporan weekly
18 Jumat, 25 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)
Berikut adalah output fungsi autokorelasi data sentimen perusahaan
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 )
Berikut adalah output fungsi autokorelasi data sentimen perusahaan
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)
Final Estimates of Parameters
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)
Final Estimates of Parameters
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)
Final Estimates of Parameters
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 :
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
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:
1) Keberartian Koefisien
33
Hipotesis yang diuji :
H0 : koefisien tidak berarti
H1 : koefisien berarti (berpengaruh terhadap model)
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
signifikan terhadap model.
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 *
Lag P-Value Kesimpulan
12 0,01 Tolak H0
24 0,234 Terima H0
36 0,762 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(2).
c. MA (1)
Model MA(1) mempunyai bentuk W t=a t+θ at−1 atau
(W ¿¿ t−W )=at+θ at−1 ¿
Dengan minitab 17 diperoleh output sebagai berikut :Final Estimates of Parameters
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
Selanjutnya, dilakukan uji verifikasi terhadap model diatas, sebagai
berikut:
35
1) Keberartian Koefisien
Hipotesis yang diuji :
H0 : koefisien tidak berarti
H1 : koefisien berarti (berpengaruh terhadap model)
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
signifikan terhadap model.
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
Lag P-Value Kesimpulan
12 0,006 Tolak H0
24 0,128 Terima H0
36 0,54 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 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 ¿¿
Dengan minitab 17 diperoleh output sebagai berikut :Final Estimates of Parameters
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
digunakan adalah model pertama, yaitu :
W t=ϕW t −1+at+θ a t−1
W t=−0,2181 W t−1+at+0,9536 at−1
Selanjutnya, dilakukan uji verifikasi terhadap model diatas, sebagai
berikut:
1) Keberartian Koefisien
Hipotesis yang diuji :
37
H0 : koefisien tidak berarti
H1 : koefisien berarti (berpengaruh terhadap model)
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¿¿¿
Dengan minitab 17 diperoleh output sebagai berikut :Final Estimates of Parameters
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
digunakan adalah model pertama, yaitu :
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
Selanjutnya, dilakukan uji verifikasi terhadap model diatas, sebagai
berikut:
1) Keberartian Koefisien
Hipotesis yang diuji :
H0 : koefisien tidak berarti
H1 : koefisien berarti (berpengaruh terhadap model)
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
signifikan terhadap model.
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)
W t=a t+0,9556 a t−1 ,dengan a t N (0 ;15725828,86)
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 :
W t=a t+0,9556 a t−1 ,dengan a t N (0 ;15725828,86)
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