analisis mahasiswa baru menggunakan metode arima€¦ · nilai selisih yang diperoleh dicek lagi...
TRANSCRIPT
1
Analisis Data Mahasiswa Baru Menggunakan Metode
ARIMA (Studi Kasus: UKSW Salatiga)
Artikel Ilmiah
Peneliti:
Irvan Agusta (682010602)
Charitas Fibriani, S.Kom., M.Eng.
Program Studi Sistem Informasi
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
November 2014
1
2
3
4
5
6
7
Analisis Data Mahasiswa Baru Menggunakan Metode Autoregresif
Integrated Moving Average (ARIMA)
(Studi Kasus: UKSW Salatiga)
1) Irvan Agusta
2) Charitas Fibriani
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60 Salatiga 50711, Indonesia
Email: 1)
Abstract
Number of college students is an important thing in the life of the college. Each of
these colleges to increase the number of students competing. Promotion in order to
attract new students also actively conducted throughout the area. Based on data from the
new student, can be seen a variety of information, such as the number of new students
each year, the amount each program of study, the amount of each area, even to the
amount each school in the area. Based on the student data, forecasting can be done next
to new students. So hopefully, promotion can be done on target. Motede forecasting used
was autoregressive Integrated Moving Average (ARIMA) to predict the number of
students the next 2 years.
Keywords: ARIMA, Time Series, Forecasting
Abstrak
Jumlah mahasiswa suatu perguruan tinggi adalah hal yang penting dalam kehidupan
peruguruan tinggi. Masing-masing perguruan tinggi bersaing untuk meningkatkan jumlah
mahasiswanya. Promosi dalam rangka menjaring mahasiswa baru juga giat dilakukan di seluruh
daerah. Berdasarkan data mahasiswa baru dalam time series, dapat dilihat berbagai informasi,
seperti jumlah mahasiswa baru setiap tahun. Berdasarkan data mahasiswa tersebut, dapat
dilakukan peramalan untuk mahasiswa baru berikutnya. Sehingga diharapkan, promosi yang
dilakukan dapat sesuai sasaran. Motede peramalan yang digunakan adalah Autoregresif Integrated
Moving Average (ARIMA) untuk meramalkan jumlah mahasiswa 2 tahun berikutnya.
Kata kunci: ARIMA, Time Series, Peramalan
1 Mahasiswa Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
2 Staff Pengajar Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
8
1. Pendahuluan
Jumlah mahasiswa suatu perguruan tinggi adalah hal yang penting dalam
kehidupan peruguruan tinggi. Masing-masing peruguruan tinggi bersaing untuk
meningkatkan jumlah mahasiswanya. Promosi dalam rangka menjaring
mahasiswa baru juga giat dilakukan di seluruh daerah.
Universitas Kristen Satya Wacana salatiga merupakan salah satu universitas
yang telah menjadi tujuan bagi calon mahasiswa, dimana terjadi perkembangan
jumlah mahasiswa, baik dilihat dari sisi tiap program studi maupun secara fakultas
keseluruhan.
Peningkatan dalam menjaring mahasiswa selalu ditingkatkan dari tahun ke
tahun. Promosi yang dilakukan tanpa perencanaan hanya akan memberikan
kerugian, baik kerugian waktu maupun biaya. Promosi diharapkan tepat sasaran.
Berdasarkan data mahasiswa baru Universitas Kristen Satya Wacana dari
tahun 1984-2014, dapat dilihat berbagai informasi, seperti jumlah mahasiswa baru
setiap tahun, jumlah mahasiswa baru setiap program studi, jumlah mahasiswa
baru setiap daerah, bahkan sampai jumlah mahasiswa baru setiap sekolah di
daerah tersebut.
Berdasarkan data mahasiswa tersebut, dapat dilakukan peramalan untuk
mahasiswa baru berikutnya berdasarkan informasi yang diperoleh. Sehingga
diharapkan, dapat dilakukan strategi promosi untuk kedepannya. Misalnya,
sasaran untuk mengoptimalkan cara promosi yang sudah berjalan maupun dengan
menambahi cara promosi yang lain, seperti penambahan daerah promosi atau
dengan menambahkan target mahasiswa baru.
Motede peramalan yang digunakan adalah Autoregresif Integrated Moving
Average (ARIMA) adalah model yang secara penuh mengabaikan independen
variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan
sekarang untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA
sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk
peramalan jangka panjang ketepatan peramalannya kurang baik. Penelitian ini
menggunakan bahasa R untuk melakukan proses analisis. [1]
Penelitian ini bertujuan untuk bagaimana menganalisis data mahasiswa baru
Universitas Kristen Satya Wacana dalam rentang waktu 1984-2014 sehingga
informasi tersebut dapat digunakan untuk proses peramalan mahasiswa 2 tahun
berikutnya (2015-2016).
2. Tinjauan Pustaka
Penelitian yang terkait dengan promosi Fakutas Teknologi Informasi adalah
penelitian yang berjudul “ Rancang bangun Sistem Informasi FTI UKSW berbasis
AHP (Analytical Hierarchy Process). Penelitian ini menggunakan motede AHP
untuk melakukan perangkingan daerah promosi menggunakan kriteria biaya dan
jumlah mahasiswa yang berasal dari daerah tersebut. Data yang digunakan adalah
data mahasiswa baru dari tahun 2003-2010. Penelitian ini menghasilkan
rekomendasi daerah promosi yang optimal (dari sisi biaya dan banyaknya
mahasiswa FTI yang berasal dari daerah tersebut). [2]
9
Penelitian yang membahas mengenai metode peramalan menggunakan
ARIMA adalah penelitian yang berjudul “Peramalan Luas Areal Tebu di
Indonesia Menggunakan Metode ARIMA”. Metode ARIMA digunakan untuk
meramal luas areal tebu di Indonesia. Adapun data yang digunakan adalah data
luas area tebu tahun 1969-2009. Peramalan yang dihasilkan adalah untuk tahun
2010-2014. [3]
Penelitian ini menganalisis data mahasiswa baru UKSW dari tahun 2003-
2013, dimana informasi yang didapat digunakan untuk proses meramal mahasiswa
baru UKSW tahun 2014-2015. Adapun metode pramalan yang digunakan adalah
metode ARIMA.
Autoregresif Integrated Moving Average (ARIMA) adalah model yang
secara penuh mengabaikan independen variabel dalam membuat peramalan.
ARIMA menggunakan nilai masa lalu dan sekarang untuk menghasilkan
peramalan jangka pendek yang akurat. ARIMA sangat baik ketepatannya untuk
peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ketepatan
peramalannya kurang baik. Biasanya akan cenderung flat (mendatar atau konstan)
untuk periode yang cukup panjang. [1]
Model Autoregressive Integrated Moving Average (ARIMA) merupakan
salah satu model yang populer dalam peramalan dengan pendekatan time
series.Model ini terdiri dari tiga bentuk utama yaitu model AR, MA, dan ARMA.
Prosedur Box-Jenkins adalah suatu prosedur standar yang banyak digunakan
dalam pembentukan model ARIMA. Prosedur ini terdiri dari empat tahapan yang
iteratif dalam pembentukan model ARIMA pada suatu runtut waktu, yaitu tahap
identifikasi, estimasi diagnostic check, dan peramalan. Berikut adalah diagram
yang menggambarkan tahap-tahap pada prosedur Box-Jenkins. [4]
Gambar 1. Prosedur Box-Jenkins untuk pembentukan model ARIMA [4]
10
Peramalan dapat didefinisikan juga sebagai suatu proses memperkirakan
secara sistematis tentang apa yang paling mungkin terjadi di masa depan
berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya
dapat diperkecil. [5]
Kesalahan atau error merupakan selisih antara apa yang terjadi dengan hasil
perkiraan. Peramalan tidak memberikan jawaban yang pasti tentang apa yang
akan terjadi, tetapi berusaha mencari sedekat mungkin dengan yang akan terjadi.
Time series adalah jenis data yang dikumpulkan menurut urutan waktu dalam
suatu rentang waktu tertentu. Jika waktu dipandang bersifat diskrit (waktu dapat
dimodelkan bersifat continue), frekuensi pengumpulan selalu sama (equidistant).
Dalam kasus diskrit, frrekuensi dapat berupa misalnya detik, menit, jam, hari,
minggu, bulanan atau tahunan. [6]
Secara umum model ARIMA dirumuskan dengan notasi sebagai berikut [7]:
ARIMA(p,d,q)
Dalam hal ini,
p menunjukkan orde atau derajat Autoregressive (AR)
d menunjukkan orde atau derajat differencing (pembedaan) dan
q menunjukkan orde atau derajat Moving Average (MA)
Model ARIMA dibagi kedalam tiga kelompok, yaitu: a) Autoregressive
Model (AR) adalah model yang menggambarkan bahwa variabel dependent
(terikat) dipengaruhi oleh variabel dependent itu sendiri pada periode-periode
dan waktu-waktu sebelumnya. Variabel dependent merupakan variabel terikat
yang besarannya tergantung dari besaran variabel independent (bebas).
Banyaknya nilai lampau yang digunakan oleh model, yaitu sebanyak p,
menentukan tingkat model ini. Apabila hanya digunakan satu lag dependent,
maka model ini dinamakan model autoregressive tingkat satu (first-order
autoregressive) atau AR(1). Apabila nilai yang digunakan sebanyak p lag
dependent, maka model ini dinamakan model autoregressive tingkat p atau
AR(p). b) Moving Average Model (MA). Perbedaan model moving average
dengan model autoregressive terletak pada jenis variabel independent. Bila
variabel independent pada model autoregressive adalah nilai sebelumnya dari
model dependent itu sendiri, maka pada model moving average sebagai variabel
independent adalah nilai residual pada periode sebelumnya. Orde dari nilai MA
(yang diberi notasi q) ditentukan oleh jumlah periode variabel independent yang
masuk dalam model. c) Model campuran terdiri dari Proses ARMA adalah Model
yang menggabungkan antara Autoregressive Model (AR) dan Moving Average
Model (MA) dan Proses ARIMA. Apabila nonstasioneritas ditambahkan pada
campuran proses ARMA, maka model umum ARIMA (p,d,q) terpenuhi.
Persamaan proses arima adalah
Yt = Yt-1 + + + (1)
11
Dimana:
Yt = nilai actual pada saat t periode
Yt-1 = nilai data lampau
= Parameter yang akan diestimasi
= Nilai kesalahan pada saat t periode
Tahapan ARIMA terdiri dari tiga langkah dasar [8], yaitu:
1. Tahap identifikasi yaitu mengidentifikasi model ARIMA yang sesuai yaitu
merubah data, apabila diperlukan dapat menjadi bentuk yang stasioner dan
memutuskan model sementara dengan menganalisis ACF (Autocorrelation
Function) dan PACF (Partial Autocorrelation Function). Data stasioner adalah
sekumpulan nilai yang tidak mempunyai hubungan dengan nilai lainnya. Nilai
terdahulu tidak dapat memprediksi keluarnya nilai yang berikutnya. Atau dengan
kata lain data stasioner adalah data acak. [8] Pembedaan atau differencing dari
deret berkala adalah
Zt=Yt–Yt-1 (2)
Dimana :
Yt = nilai actual pada saat t periode
Zt = nilai data yang stasioner pada saat t periode
Yt-1 = nilai data lampau
ACF (Autocorrelation Function) adalah korelasi diantara variabel itu sendiri
dengan selang satu atau beberapa periode kebelakang. Sedangkan PACF (Partial
Autocorrelation Function) adalah suatu ukuran dari korelasi dua variabel time
series stasioner setelah pengaruh dari variabel lainnya dihilangkan.
Data yang tidak stasioner biasanya ditransformasi menjadi data stasioner
dengan melakukan differencing (menghitung perubahan atau selisih nilai
observasi). Nilai selisih yang diperoleh dicek lagi apakah sudah stasioner atau
belum. Jika belum stasioner maka dilakukan differencing lagi.
Karakteristik dan persamaan yang umum untuk model ARIMA [ARIMA
(p,d,q)(P,D,Q)L], yaitu sebagai berikut [9]: a) Jika ACF terpotong (cuts off)
setelah lag 1 atau lag 2; lag musiman tidak signifikan dan PACF perlahan-lahan
menghilang (dies down), maka diperoleh model nonseasonal MA (q=1 atau 2). b)
Jika ACF terpotong (cuts off) setelah lag musiman L; lag nonmusiman tidak
signifikan dan PACF perlahan-lahan menghilang (dies down), maka diperoleh
model seasonal MA (Q=1). c) Jika ACF terpotong (cuts off) setelah lag musiman
L; lag non musiman terpotong (cuts off) setelah lag 1 atau 2, maka diperoleh
model nonseasonal-seasonal MA (q=1 atau 2;Q=1). d) Jika ACF perlahan-lahan
menghilang (dies down) dan PACF terpotong (cuts off) setelah lag 1 atau 2; lag
musiman tidak signifikan, maka diperoleh model nonseasonal AR (p=1 atau 2). e)
Jika ACF perlahan-lahan menghilang (dies down) dan PACF terpotong (cuts off)
setelah lag musiman L; lag nonmusiman tidak signifikan, maka diperoleh model
seasonal AR (P=1). f) Jika ACF perlahan-lahan menghilang (dies down) dan
PACF terpotong (cuts off) setelah lag musiman L; lag nonmusiman terpotong
12
(cuts off) setelah lag 1 atau 2, maka diperoleh model nonseasonal-seasonal
AR(p=1 atau 2;P=1). g) Jika ACF dan PACF perlahan-lahan menghilang (dies
down) maka diperoleh mixed model (ARMA atau ARIMA).
Dies down merupakan proses penurunan data dari lag awal menuju nilai nol.
Sedangkan cuts off adalah perpotongan data dari positif ke negatif. Lag adalah
banyaknya deret waktu atau jumlah data yang ada.
2) Tahap penaksiran dan pengujian Setelah model ditemukan, maka parameter
dari model harus diestimasi. Terdapat dua cara mendasar yang dapat digunakan
untuk pendugaan terhadap parameter-parameter tersebut, yaitu:
- Trial and Error yaitu dengan menguji beberapa nilai yang berbeda dan
memilih diantaranya dengan syarat jumlah kuadrat nilai galat (sum square of
residuals) paling kecil.
- Perbaikan secara iteratif yaitu dengan cara memilih taksiran awal dan
kemudian membiarkan program komputer untuk memperhalus penaksiran
tersebut secara iteratif.
3) Pemeriksaan diagnostik Secara mendasar, model sudah memadai apabila
residualnya tidak dapat dipergunakan untuk memperbaiki ramalan atau dengan
kata lain residualnya bersifat acak. Jika tidak, hal ini mengindikasikan bahwa
model yang digunakan belum sesuai dengan data. Menguji autokorelasi residual
menggunakan uji statistik Ljung-box. Tahap selanjutnya setalah model memadai
ditemukan, maka peramalan satu atau beberapa periode ke depan dapat dilakukan
menggunakan R-programming. R-programming adalah Perangkat lunak yang
digunakan untuk menganalisa data statistik dan presentasi grafik.
4) Tahap FORECASTING, adalah tahap dimana model yang didapat
digunakan untuk proses peramalan.
3. Metode Penelitian
Ada beberapa tahap dalam penelitian ini. Tahapan penelitian dapat dilihat
pada Gambar 2.
Gambar 2. Tahapan Penelitian
13
Tahap awal adalah studi literatur terkait dengan penelitian, pada tahap ini
mencari tahu mengenai penggunaan data promosi yang pernah ada untuk
penelitian dan mencari tahu mengenai metode Autoregresif Integrated Moving
Average (ARIMA) dalam proses peramalan.
Tahap selanjutnya adalah pengumpulan data yang digunakan sebagai bahan
analisis penelitian ini. Data diperoleh dari Pimpinan Biro Administrasi dan
Akademik(BAA) Universitas Kristen Satya Wacana, dari Bapak Haryadi. Data
penelitian ini berupa data sekunder yaitu data mahasiswa baru Universitas Kristen
Satya Wacana selama rentang waktu 1984-2014. Data mahasiswa yang diperoleh
meliputi program studi, daerah asal dan sekolah asal tiap tahun.
Tahap manajemen data mentah adalah proses memilih data untuk supaya
data dapat digunakan untuk proses analisis, dalam tahap ini dilakukan proses
pemisahan data mahasiswa Universitas Kristen Satya Wacana setiap tahunnya.
Pada tahap identifikasi, data akan diplot, untuk melihat bagaimanakah
persebaran datanya. Setelah itu akan dilakukan proses uji estimasi dan statistik
terhadap model ARIMA yang diperkirakan. Tahap selanjutnya adalah
mendiagnosa model yang diperkirakan tersebut, apakah ARIMA tersebut telah
terdistribusi secara random. Setelah dilakukan diagnosa, model tersebut dapat
digunakan untuk proses peramalan data mahasiswa baru untuk 2 tahun berikutnya
(2015-2016).
4. Hasil dan Pembahasan
Penelitian ini menggunakan bahasa R dalam proses analisisnya, dan untuk
memudahkan maka dibuat tampilannya untuk menjalankan tahapan ARIMA
tersebut. Tampilannya dapat dilihat pada Gambar 3 berikut.
Gambar 3. Tampilan Analisis pada Penelitian Data Mahasiswa
Pada Gambar 3 tersebut merupakan tampilan awal. Terdiri dari menu File,
Lihat data mahasiswa dan Peramalan Data mahasiswa. Menu Peramalan
Mahasiswa Per Tahun terdapat submenu yang merupakan tahapan ARIMA.
14
Tahap awal adalah tahap identifikasi, tahap ini akan dilihat bagaimana plot
datanya, adapaun kode programnya adalah seperti pada Kode Program 1.
Kode Program 1. Identifikasi Data
Pada Kode Program 1, data disimpan dalam bentuk .txt untuk dapat
dilakukan proses analisis. Setelah itu dibuat time series dari data tersebut dan
disimpan dalam variabel jumlah. Tahap identifikasi selanjutnya adalah
memanggil fungsi dan menampilkan hasil differencing pada acf dan pacf data
time series jumlah tersebut.
Kode Program 1 tersebut akan menghasilkan plot-plot yang digambarkan
pada Gambar 4, Gambar 5 dan Gambar 6 berikut.
Gambar 4. Plot Data Mahasiswa FTI
Pada Gambar 4 dapat dilihat jumlah mahasiswa UKSW dari tahun 1984-
2014. Dapat dilihat bahwa data jumlah mahasiswa per tahun tersebut mengandung
tren naik.
1 identifikasimahasiswa <- function()
2 mahasiswa <- read.csv("C:/R/skripsi/irvan/text/Data_uksw.txt", sep="")
3 View(mahasiswa)
4 plotmahasiswa <- function()
5 mahasiswa <- read.csv("C:/R/skripsi/irvan/text/Data_uksw.txt", sep="")
6 jumlah=ts(mahasiswa[,2],start=2003,frequency=1)
7 plot(jumlah,type="o");title("Mahasiswa FTI")
8 acfpacfmahasiswa <- function()
9 mahasiswa <- read.csv("C:/R/skripsi/irvan/text/Data_uksw.txt", sep="")
10 jumlah=ts(mahasiswa[,2],start=2003,frequency=1)
12 par(mfrow=c(2,1))
13 acf(jumlah,20)
14 pacf(jumlah,20)
15
Gambar 5. Plot ACF Data Mahasiswa
Pada pola Gambar 5 dapat dijelaskan bahwa plot ACF turun cepat secara
sinusoidal. Dilihat dari lag 1 ke lag 2, plot turun secara cepat. Sehingga nilai q=1.
Gambar 6. Plot PACF Data Mahasiswa
Pada pola Gambar 6 tersebut dapat dijelaskan bahwa plot PACF dies down
setelah lag 1. Sehingga nilai p=1.Model ARIMA yang diprediksikan berdasarkan
16
pola ACF dan PACF pada Gambar 5 dan Gambar 6 adalah model ARIMA (1,0,1)
atau ARMA(1,1). Ada 2 model yang diujikan yaitu ARIMA (1,0,0) dan ARIMA
(0,0,1)
Setelah model ARIMA diperoleh, akan dilakukan tahap estimasi dan uji
statistik terhadap model ARIMA tersebut. Kode yang digunakan untuk tahap
estimasi dan uji statistik adalah seperti pada Kode Program 2 berikut
Kode Program 2. Tahap Estimasi dan Uji Statistik
Hasil yang diperoleh untuk uji statistik pada Kode Program 2 tersebut
adalah seperti yang dilihat pada Gambar 7 berikut.
Gambar 7. Hasil Estimasi dan Uji Statistik
Pada Gambar 7 dapat dilihat kalau nilai nilai likehood yang lebih besar dan
nilai AIC yang lebih kecil dimiliki oleh model ARIMA (1,0,0). Sehingga model
tersebutlah yang akan digunakan untuk tahap selanjutnya
Tahapan selanjutnya adalah tahap pemeriksaan diagnosa model ARIMA
(1,0,0). Pada tahap ini akan dilakukan pemeriksaan apakah model ARIMA
tersebut dapat digunakan untuk proses peramalan. Tahap pemeriksaannya dapat
dilihat pada Gambar 8 berikut.
1 jumlah.ar=arima(jumlah,order=c(1,0,0)) #tahap estimasi ARIMA (1,0,0)
2 jumlah.ma=arima(jumlah,order=c(0,0,1)) #tahap estimasi ARIMA (0,0,1)
3 jumlah.ar
4 jumlah.ma
17
Gambar 8. Pemeriksaan Model ARIMA (1,0,0)
Berdasarkan Gambar 8, dapat disimpulkan bahawa ARIMA (1,0,0) telah
terdistribusi secara random(white noise) karena p-value lebih besar dari tingkat
significant pengujian. Sehingga diputuskan model ARIMA (1,0,0) akan
digunakan untuk proses peramalan
Tahap terakhir adalah tahap peramalan jumlah mahasiswa Universitas
kristen Satya Wacana untuk tahun 2015-2016. Adapun kode program yang
digunakan untuk peramalan dapat dilihat pada Kode Program 3 berikut.
Kode Program 3. Tahap Peramalan Jumlah Mahasiswa
1 mahasiswa <- read.csv("C:/R/skripsi/irvan/text/Data_uksw.txt", sep="")
2 jumlah=ts(mahasiswa[,2],start=1984,frequency=1)
3 jumlah.ar=arima(jumlah,order=c(1,0,0))
4 jumlah.fore=predict(jumlah.ar,n.ahead=2)
5 U=jumlah.fore$pred+2
6 L=jumlah.fore$pred-jumlah.fore$se
7
ts.plot(jumlah,jumlah.fore$pred,col=1:2,type="o",ylim=c(0,4000),xlim=c(19
83,2015));title("Mahasiswa UKSW")
8 mahasiswa <- read.csv("C:/R/skripsi/irvan/text/Data_uksw.txt", sep="")
9 jumlah=ts(mahasiswa[,2],start=1984,frequency=1)
10 jumlah.ar=arima(jumlah,order=c(1,0,0))
11 jumlah.fore=predict(jumlah.ar,n.ahead=2)
12 U=jumlah.fore$pred+2
13 L=jumlah.fore$pred-jumlah.fore$se
14 jumlah.fore
15 View(jumlah.fore)
18
Kode Program 3 tersebut akan menghasilkan plot mahasiswa yang berisi
ramalan jumlah mahasiswa Universitas Kristen Satya Wacana pada tahun 2015-
2016. Adapun plot peramalan tersebut dapat dilihat pada Gambar 9 berikut.
Gambar 9. Plot Peramalan Jumlah Mahasiwa FTI
Pada Gambar 9 dapat dilihat bahwa diramalkan bahwa jumlah mahasiwa
UKSW pada tahun 2015 akan mengalami penurunan dari tahun 2014. Sehingga
dapat dilakukan antisipasi dengan melakukan penambahan pada rencana promosi,
misal dengan menambah daerah baru ataupun lebih intensif mendekati target.
Adapun jumlah peramalannya dapat dilihat pada Gambar 10 berikut.
Gambar 10. Peramalan Jumlah Mahasiwa 2014-2015
Pada Gambar 10 tersebut, dapat dilihat jumlah maksimum dan jumlah
minimum yang diramalkan di tahun 2015-2016.
5. Simpulan Data mahasiswa baru di Universitas Kristen Satya Wacana dapat
memberikan informasi yang dapat digunakan untuk proses peramalan jumlah
mahasiswa di masa mendatang. Proses peramalan menggunakan metode ARIMA,
dengan model ARIMA (1,0,0), hasil peramalan diperoleh bahwa diramalkan
bahwa jumlah mahasiwa UKSW tahun 2015 dan 2016 akan mengalami penurunan
dari tahun 2014. Berdasarkan proses peramalan tersebut, dapat digunakan sebagai
19
saran kepada biro promosi untuk melakukan tindakan antisipasi untuk mencegah
menurunnya mahasiswa baru di tahun selanjutnya.
Saran untuk penelitian ini, dapat lebih menggali informasi dari data mentah
yang ada sehingga dapat digunakan untuk analisis yang lain terkait promosi,
misalnya data mahasiswa baru per progdi atau data mahasiswa baru per daerah
asal.
6. Daftar Pustaka
[1] Brockwell, P.J. dan Davis, R.A. 1996,Introduction to Time Series and
Forecasting.
[2] Dewi,Christine, 2010, Rancang Bangun Sistem Informasi Promosi FTI
UKSW Berbasis AHP(Analyticl Hierarchy Process),[Skripsi] Universitas Kristen
Satya Wacana, Salatiga.
[3] Yunus Mustofa, Mohammad,2012, Peramalan Luas Areal Tebu di
Indonesia Menggunakan Metode ARIMA,[Skripsi] Universitas Kristen Satya
Wacana, Salatiga.
[4] Suhartono, 2008, Analisis Data Statistik dengan R, Lab Statistik
Komputasi,ITS Surabaya.
[5] Sugiarto dan Harijono. 2000. Peramalan Bisnis. PT. Gramedia Pustaka
Utama.
[6] Gaynor, PE and Kirkpatrick RC. 1994. Introduction to Time Series
Modelling and Forecasting in Business and Economics. Mc Grow Hill, Singapore.
[7] Makridakis, Spyros G., Wheelwright, Steven C., Hyndman, Rob J, 1998,
Forecasting Method and Applications 3rd
Edition, New York: John Wiley & Sons.
[8] Ramdani ,Ahmad Luky.2011.Penggunaan Model Arima dalam peramalan
suhu udara di sekitar Palangkaraya.[Skripsi] Departemen Ilmu komputer
Fakultas Matematika dan ilmu Pengetahuan alam Institut Pertanian Bogor.Bogor
http://repository.ipb.ac.id/handle/123456789/48231 Diakses pada tanggal 21
Maret