DAFTAR PUSTAKA
Box, G.E.P & Cox, D.R. 1964. An Analysis of Transformations. Journal of The Royal Statistical 26(2) : 211-243.
Bauer, J. 2014. Leveraging SAS Visualization Technologies to Increase The Global Competency of the U.S. Workforce. Paper SAS 216: 1-6.
Brocklebank, J.C. & Dickey, D.A. 2003. SAS for Forecasting Time Series.2nd Edition. SAS Institute Inc: Cary.
Delwiche, D. L. & Slaughter, S. J. 2012. The Little SAS Book, 4th Edition. SAS Institute Inc: Cary.
Hanke, J.E. & Wichers, D.W. 2005. Business Forecasting 4th Edition. Pearson Prentice Hall : New Jersey.
Heizer, J. & Render, B. 2001. Prinsip-Prinsip Manajemen Operasional. Terjemahan Kresnohadi Ariyoto. Salemba Empat: Jakarta.
Ho, S. & Dorn, B. V. 2012. Are Sales Figures in Line With Expectations ? Using PROC ARIMA in SAS to Forecast Company Revenue. Paper SA 8: 1-10. Jarrett, J. E. & Kyper, E. 2011. ARIMA Modeling With Intervention to Forecast and
Analyze Chinese Stock Prices. International Journal of Engineering Business Management 3(53).
Kandananond, K. 2012. A Comparison of Various Forecasting Methods for Autocorrelated Time Series. International Journal of Engineering Business Management 4(4).
Linda, P. 2013. Peramalan Penjualan Produksi Teh Botol Sosro Pada PT. Sinar Sosro Sumatera Bagian Utara Tahun 2014 Dengan Metode ARIMA Box-Jenkins. Skripsi. Universitas Sumatera Utara.
Makridakis, S., Wheelwright, S.C. & Hyndman, R.J. 1998. Forecasting: Methods and Applications. 3rd Edition. John Wiley & Sons : New York.
Nenni, M. E, Giustiniano, L. & Pirolo, L. 2013. Demand Forecasting in the Fashion Industry: A Review. International Journal of Engineering Business Management 5(37).
Sembiring, J. H. 2010. Peramalan Curah Hujan Bulanan Di Kota Medan Dengan Metode Box-Jenkins. Skripsi. Universitas Sumatera Utara.
Simanjuntak, L. H. 2014. Prediksi Jumlah Permintaan Barang Musiman Menggunakan Metode Holt-Winters. Skripsi. Universitas Sumatera Utara. Stepvhanie, L. 2012. Peramalan Penjualan Produk Susu Bayi Dengan Metode Grey
System Theory dan Neural Network. Skripsi. Universitas Indonesia.
Subagyo, P. 2002. Forecasting : Konsep dan Aplikasi. 2nd Edition. BPFE-Yogyakarta: Yogyakarta.
Sumayang, L. 2003. Dasar-Dasar Manajemen Produksi dan Operasi. Salemba Empat: Jakarta.
Taylor, J. W. 2010. Short-Electricity Demand Forecasting Using Double Seasonal Exponential Smothing. Journal of Operational Research Society 54 : 799-805. Uminingsih, D. 2012. Model Exponential Generalized Autoregressive Conditional
Heteroscedasticity (EGARCH) dan Penerapannya Pada Data Indeks Harga Saham. Skripsi. Universitas Negeri Yogyakarta.
Warsini. 2011. Perbandingan Metode Pemulusan (Smoothing) Eksponensial dan ARIMA (Box-Jenkins) Sebagai Metode Peramalan Indeks Harga Saham Gabungan (IHSG) Skripsi. Universitas Sumatera Utara.
BAB 3
ANALISA DAN PERANCANGAN
Bab ini membahas metode yang digunakan dalam penelitian ini yaitu metode ARIMA. Bab ini juga akan membahasa arsitektur umum, hingga proses peramalan ARIMA dengan menggunakan SAS.
3.1. Arsitektur Umum
Pada penelitian ini, Arsitektur umum dalam proses peramalan kebutuhan bahan baku pembuatan produk plastik berdasarkan data pendapatan ditunjukan dalam Gambar 3.1. Tahap pertama yang dilakukan adalah dilakukan dengan mengumpulkan data dari data histori penjualan dan tinjauan lapangan, kemudian akan dilakukan proses Preprocessing data serta peramalanan di dalam SAS. Hasil peramalan tersebut akan dikompresi ke dalam bentuk file JSON yang akan dikirim ke web server dan diolah menjadi web dasboard.
3.2. Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data pendapatan harian pada sebuah pabrik plastik di Bandung dari Januari 2012 sampai Desember 2014. Data dikelompokkan perbulan karena data nantinya akan diramal tahunan. Adapun data yang digunakan merupakan data dari pendapatan tiga jenis plastik. Data yang digunakan dalam penelitian ini berjumlah 36 periode.Dimana 1 periode merupakan 1 bulan.Berikut adalah data pendapatan yang digunakan:
1. Data Penjualan Produk Plastik HDPE
Dalam penelitian ini, data yang digunakan adalah produk jenis HDPE. Data yang digunakan dalam penelitian ini berjumlah 36 periode. Dimana 1 periode merupakan 1 bulan. Data histori penjualan produk plastik HDPE dapat dilihat pada tabel 3.1.
Tabel 3.1. Data Histori Penjualan Produk Plastik HDPE per PCS Bulan Total Penggunaan Produk
2. Data Penjualan Produk Plastik PE
Tabel 3.2. Data Histori Penjualan Produk Plastik PE per PCS
3. Data Penjualan Produk Plastik PP
Dalam penelitian ini, data yang digunakan adalah produk jenis PP. Data yang digunakan dalam penelitian ini berjumlah 36 periode. Dimana 1 periode merupakan 1 bulan. Data histori penjualan produk plastik PP dapat dilihat pada tabel 3.3.
Tabel 3.3. Data Histori Penjualan Produk Plastik PP per PCS (Lanjutan) Bulan Total Penjualan Produk
Plastik PP per PCS
OCT2014 13816.09
NOV2014 10135.03
DEC2014 8718.95
3.3. Preprocessing Data
Preprocessing Data terdapat 3 tahapan teknik dalam preprocessing yaitu data cleaning, data integration dan data selection.
3.3.1. Data Cleaning
Pada tahap data cleaning yang akan dilakukan antara lain seperti menghilangkan noise, mengisi missing value, mengidentifikasi outlier dan memperbaiki data yang tidak konsisten dengan tujuan akhir dari peramalan.
Contoh data cleaning ada pada Gambar 3.2 yakni proses mengubah data yang memiliki tanda koma dengan tanda titik. Data perlu diubah karena akan digunakan dalam perhitungan, proses perhitungan akan error bila tidak diganti dengan titik. Adapun program yang digunakan di SAS :
/* Untuk mencari koma pada variabel panjang , lebar , dan tinggi supaya
diganti menjadi titik. Agar pada proses pengubahan dari charater menjadi numerik tidak
if KomaLebar > 0 then Lebar = tranwrd (Lebar,',','.'); KomaTinggi = find(Tinggi,',');
if KomaTinggi > 0 then Tinggi = tranwrd (Tinggi,',','.');
3.3.2. Data Integration
Pada tahap data integration yang akan dilakukan adalah menggabungkan atau mengkombinasikan data pendapatan dari setiap bulan selama periode 2012 sampai 2014 menjadi satu.
Gambar 3.3. Proses Data Integration Pergabungan Data Tahun 2012 Sampai Tahun 2014
Gambar 3.3 adalah proses Data integration pergabungan data pendapatan dari periode 2012 sampai 2014 menjadi satu.
/*proses pergabungan data dari 2012 sampai 2014*/ data Sasuser.Total_Awal;
set Jan2012Total Jan2013Total Jan2014Total Feb2012Total Feb2013Total Feb2014Total
Mar2012Total Mar2013Total Mar2014Total Apr2012Total Apr2013Total Apr2014Total
May2012Total May2013Total May2014Total June2012Total June2013Total June2014Total
July2012Total July2013Total July2014Total Aug2012Total Aug2013Total Aug2014Total
Sept2012Total Sept2013Total Sept2014Total Oct2012Total Oct2013Total Oct2014Total
Nov2012Total Nov2013Total Nov2014Total Dec2012Total Dec2013Total Dec2014Total;
run;
/*proses pergurutan berdasarkan ID dan Bulan*/
Procsort data = Sasuser.Total_Awal out = Sasuser.Total_Sort; by ID Bulan; relevan dan diperlukan untuk peramalan. Adapun porsesnya ada pada gambar 3.4.
Adapun program yang digunakan di SAS : data work.Apr2012Total;
set work.Apr2012sort; by ID Bulan;
if first.Bulan then TotalPCS = 0; TotalPCS +QTY;
if last.Bulan;
keep Bulan ID TotalPCS; run;
3.4. Peramalan
Tedapat beberapa macam tahapan dalam peramalan dengan metode ARIMA yaitu data yang konstan, estimasi, diagnosis, dan peramalan. Peramalan pendapatan menggunakan metode ARIMA ini merupakan peramalan sekumpulan data time series yang akan memberikan hasil peramalan berdasarkan data-data di masa lalu.
3.4.1.Pengujian Data Konstan
Data yang akan dianalisa pada penelitian ini adalah data Produk PP dari bulan Januari 2012 sampai Januari 2014 dari Tabel 3.3. Tahap pertama sebelum memulai peramalan dengan metode ARIMA, yakni data harus konstan dalam rata-rata dan varians. Untuk mengetahui apakah data konstan dalam rata-rata dapat dilihat pada koefisien autokorelasi.
Yang pertama kali dilakukan adalah mencari nilai mean dari data Produk PP dengan (2.6).
Diperoleh nilai koefisien autokorelasi data produk PP untuk: ( )( ) ( )( ) ( )( )
( ) ( ) ( )
( )
Dengan cara yang sama, nilai-nilai koefien autokorelasi data produk PP dapat diperoleh. Untuk melihat apakah data telah konstan dalam rata-rata atau belum. Dapat dilihat pada koefiisien autokorelasi pada Gambar 3.5 yang berbeda nyata dari nol. Suatu data time series bersifat acak apabila koefisien korelasinya berada pada batas
interval -1,96
√ ) <= <= 1,96 √ ). Dimana n= 36, maka 95% seluruh autokorelasi harus berada pada : -0,326 <= <= 0,326.
Plot kofisien autokorelasi dan plot autokorelasi parsial data produk PP dapat dilihat pada Gambar 3.5 dan Gambar 3.6 :
Gambar 3.6. Plot Autokorelasi Parsial Data Produk PP
Diketahui bahwa nilai koefisien autokorelasi pada lag 1 (0,172), lag 2 (-0,187), lag 3 (-0,142) , lag 4 (-0,142), lag 5 (0,117), lag 6 (-0,128). Terlihat bahwa nilai sudah berada dalam 95 % nilai koefisien autokorelasi sehingga data telah konstan dalam rata-rata dan tidak perlu dilakukan pembedaan.
Gambar 3.7. Box-Cox Uji Konstan Varians
Berdasarkan Gambar 3.7 diketahui bahwa data belum konstan pada varians karena lambda bernilai 0.5. Sehingga perlu dilakukan transformasi sesuai pada Tabel 2.1.
Diperoleh nilai transformasi data produk PP untuk:
X1 = √
X1 = √
X1 =
Gambar 3.8.Box-Cox Uji Konstan Varians
Berdasarkan Gambar 3.8 data diketahui bahwa telah konstan dalam varians karena nilai lambda = 1.
3.4.2. Identifikasi Model ARIMA
Tabel 3.4. Output ESACF
Output ESACF yang ada pada Tabel 3.4 dapat diketahui bahwa model ARIMA yang cocok adalah ARIMA (4,0,0) , ARIMA ( 3,0,2).
3.4.3. Estimasi
Setelah medapatkan beberapa kemungkinan model yang mungkin, langkah selanjutnya adalah mengestimasikan parameternya. Yaitu mencari nilai estimasi terbaik untuk parameter model.
3.4.3.1 Estimasi Parameter Model ARIMA (4,0,0)
Persamaan model ARIMA (4,0,0) sebagai berikut:
Tabel 3.5. Estimasi Model ARIMA (4,0,0)
Selanjutnya dilakukan uji t terhadap nilai-nilai koefisien AR yang diperoleh dengan hipotesis:
= Estimasi dari koefisien signifikan = Estimasi dari koefisien tidak signifikan
3.4.3.2 Estimasi Parameter Model ARIMA (3,0,2)
Persamaan model ARIMA (3,0,2) sebagai berikut:
Dengan pemograman di SAS, estimasi koefisien AR dan MA dapat dilihat pada Tabel 3.6.
Tabel 3.6. Estimasi Model ARIMA (3,0,2)
Selanjutnya dilakukan uji t terhadap nilai-nilai koefisien AR yang diperoleh dengan hipotesis:
Nilai koefisien dikatakan signifikan apabila t >= t tabel, maka ditolak dan diterima . Untuk mencari t tabel, Pertama kali harus dicari nilai derajat kebebasan (DF) = jumlah data – jumlah parameter dari model ARIMA (3,0,2). Dan diperoleh DF = 36-5 = 31. Selanjutnya dicari pada t-tabel dengan DF = 31 dan alpha 0,05 dan didapatkan nilai ttabel adalah = 2,0395. Untuk uji ttabel pada AR 1,1 (9.34 > -2,0301). Maka diterima dengan kata lain berarti estimasi koefisien AR 1,1 signifikan. Begitu juga untuk AR 1,2 ,AR 1,3 ,MA1,1 dan MA1,2 (-9.34 , -4,31 , 22.83 , -2.29 , -1.15) diketahui hanya koefisien MA1,2 yang tidak signifikan. Sehingga model ARIMA (3,0,2) bisa dijadikan model karena hanya satu koefisien yang tidak signifikan.
3.4.4. Diagnostik
Setelah melakukan tahap estimasi nilai-nilai parameter dari model ARIMA yang telah ditetapkan sementara, selanjutnya akan dilakukan diagnostik checking. Pada diagnostik checking, dilakukan dengan metode Ljung Box untuk pengujian asumsi white noise. Pertama-tama yang harus dilakukan adalah mencari nilai residu dari peramalan ARIMA (3,0,2). Kemudian dihitung nilai koefisien autokorelasinya dari plot autokorelasi residu yang dapat dilihat pada Gambar 3.9.
Uji Ljung Box dilakukan untuk mengetahui bahwa autokorelasi residul / chi-square telah bersifat white noise atau tidak. Untuk menghitungnya menggunakan (2.13).
Adapun hipotesisnya :
= Estimasi dari chi-square signifikan = Estimasi dari chi-square tidak signifikan
Diperoleh nilai pengujian Ljung-box dengan lag 6 :
( )
( )
Tabel 3.7. Hasil Chi-Square Dengan Pengujian Ljung-Box
Selanjutnya dicari tabel dengan DF = 1 dan alpha 0,05 dan didapatkan nilai tabel adalah = 3.84146. Dengan cara yang sama, nilai tabel dapat dicari. Berdasarkan nilai Q yang didasari pada lag 6, 12, 18, dan 24, maka nilai chi-square adalah 3.58, 6,57, 19,82, dan 20,99. Dan tabel (1) = 3,84146, tabel (7) = 14,06713, tabel (13) = 22,36203, dan tabel (19) = 30,14351. Sehingga diperoleh bahwa Q < . Yang berarti model telah memenuhi asumsi white noise, sehingga dapat disimpulkan model ARIMA (3,0,2) telah memadai.
3.4.5. Peramalan
Model ARIMA untuk produk PP adalah ARIMA (3,0,2) dapat dihitung dengan (2.3). Dimana data Yt-1, Yt-2, Yt-n pada Tabel 3.3 dan data ( estimate konsta) , p ( parameter AR) , ( parameter MA) pada Tabel 3.7.
Diperoleh nilai peramalan satu periode kedepan dengan t = 37 dari data produk PP :
Karena data menggunakan hasil transformasi akar, maka untuk memperoleh nilai peramalan sebenarnya digunakan kembali transformasi kuadrat. Jadi nilai 7837.04.
3.5. Pengiriman Data Menggunakan Web Server
Gambar 3.10.Pengiriman Data Menggunakan Web Server
Setelah mendapatkan model terbaik, maka data peramalan dari model tersebut akan digunakan untuk mencari nilai-nilai bahan baku yang ada dimasa mendatang. Setelah itu hasil informasi dan chart statistik yang didapat akan dikompresi ke dalam bentuk file JSON (Java Script Object Notation). File JSON tersebut akan dikirim ke web server.
3.6. Perancangan
Pada tahap perancangan aplikasi hasil peramalan akan dilakukan perancangan tentang antarmuka pengguna ( user interface) yang akan dibangun.
3.6.1. Use Case Diagram
dipakai. Use case yang sederhana hanya melibatkan satu aktor dalam sistem. Sementara use case yang lebih kompleks melibatkan lebih dari satu aktor. Adapun diagram use case dari aplikasi peramalan bahan baku dapat dilihat pada gambar 3.11.
Gambar 3.11. Usecase Aplikasi Peramalan Bahan Baku
User Case ini terdiri atas tiga bagian yaitu : 1. Definisi Aktor
Definisi aktor berfungsi untuk mendeskripsikan peran aktor dalam aplikasi ini.Definisi tersebut dapat dilihat pada Tabel 3.8.
Tabel 3.8. Definisi Aktor
No. Aktor Deskripsi
Ak-01 User Adakah aktor yang berperan dalam penggunaan aplikasi peramalan untuk melihat hasil data dan hasil peramalan.
2. Definisi Use Case
Definisi use case berfungsi untuk menjelaskan proses yang terdapat pada setiap use case. Definisi tersebut dapat dilihat pada Tabel 3.9.
Tabel 3.9. Definisi User Case No. Nama Use
Case
Deskripsi
Tabel 3.9. Definisi User Case (Lanjutan)
Skenario use case berfungsi untuk menunjukkan lebih rinci penjelasan pada setiap bagian proses yang ada pada use case. Di dalam scenario, penjelasan use case akan tergambar lebih jelas. Seperti penjelasan user memberikan perintah pada setiap bagian dan respon apa saja yang diberikan kepada user. Berikut tabel-tabel yang menjelaskan skenario usecase.
Tabel 3.10. Skenario User Case Pengguna Identifikasi
Nama User Case Pengguna
Aktor User
Deskripsi Use case ini digunakan untuk mengatur data pengguna dan log out Pre-condition User harus memiliki username dan
password untuk masuk ke dalam sistem Typical couse of event
Post Condition Tampilan menu data pengguna dan akan
Tabel 3.11. Skenario User Case Data Penjualan Identifikasi
Nama User Case Data Penjualan
Aktor User
Deskripsi Menampilkan data penjualan
Pre-condition Menampilkan halaman utama web Typical couse of event
Post Condition Tampilan info data penjualan dan graph-nya
Tabel 3.12. Skenario User Case Peramalan Identifikasi
Nama User Case Peramalan
Aktor User
Deskripsi Menampilkan peramalan
3.6.2. Acitivity Diagram
Activity diagram adalah diagram yang menggambarkan berbagai alur aktivitas dalam sistem yang dirancang, pembuatan awal alur sistem, keputusan yang mungkin terjadi, dan akhir dari keputusan. Adapun diagram acitivity untuk sistem ini adalah :
1. Acitivity Diagram Data Penjualan
Activity diagram ini menjelaskan aktivitas sistem dalam menampilkan data penjualan. Activity diagram dapat dilihat pada Gambar 3.12.
Gambar 3.12. Acitivity Diagram Data Penjualan
2. Acitivity Diagram Peramalan
Gambar 3.13. Acitivity Diagram Peramalan
3.6.3. Perancangan User Interface
Perancangan antarmuka user interface dibutuhkan untuk mewakili keadaan sebenarnya dari perancangan yang akan dibangun. Berikut perancangan antarmuka yang akan dibangun:
1. Rancangan Halaman Login
Gambar 3.14. Rancangan Halaman Login
Keterangan :
1. Sistem akan meminta pengguna yang ingin login, dengan mengisi username dan password yang diperlukan untuk mengakses sistem.
2. User menekan tombol Submit setelah selesai memasukkan username dan password, jika benar maka user akan masuk ke halaman menu utama, namun jika salah akan muncul peringatan kesalahan.
2. Rancangan Halaman Data Penjualan
Gambar 3.15.Rancangan Halaman Data Penjualan
Keterangan :
1. Menampilkan grafik data penjualan sesuai tahun yang dipilih.
2. Menampilkan grafik data penjualan produk HDPE, PP dan PE sesuai tahun yang dipilih.
3. Rancangan Halaman Peramalan
.
Gambar 3.16.Rancangan Halaman Data Peramalan
Keterangan:
1. Menampilkan grapfik hasil peramalan pada produk yang telah dipilih.
2. Menampilkan grapfik hasil bahan baku ke depannya sesuai dengan produk yang dipilih.
3. Menampilkan data hasil bahan baku ke depannya sesuai dengan produk yang dipilih.
3. Rancangan Halaman Pengguna
Gambar 3.17.Rancangan Halaman Pengguna
Keterangan:
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas hasil yang didapatkan dari implementasi metode ARIMA untuk meramalkan kebutuhan bahan baku pembuatan produk plastik berdasarkan data pendapatan dan pengujian sistem sesuai dengan analisis dan perancangan yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem
Pada tahap ini, peramalan ARIMA yang sudah didapat akan diimplementasikan ke dalam sistem menggunakan bahasa pemrograman web sesuai dengan perancangan yang telah dilakukan.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak yang digunakan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem adalah sebagai berikut:
1. Prosesor Intel Core i3-2330M CPU 2.2 GHz. 2. Kapasitas harddisk 500 GB.
3. Memori 3.00 RAM DDR3.
4. Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate 5. Apache / xampp
6. MySql 5 7. PHP 5.4
8. PHP Framework Codeigniter v3.0
4.1.2 Implementasi Perancangan Antarmuka
1. Halaman Login
Sebelum masuk ke dalam halaman utama, pengguna akan terlebih dulu masuk kedalam halaman login. Halaman login adalah halaman yang pertama kali muncul ketika sistem dijalankan. Pada halaman login, pengguna dapat masuk ke halaman administrator dengan memasukkan username dan password pada form yang telah disediakan. Halaman login pada sistem peramalan bahan baku produk plastik menggunakan metode ARIMA dapat dilihat pada gambar 4.1.
Gambar 4.1. Halaman Login
Setelah melakukan login, pengguna akan masuk ke halaman menu utama. Halaman ini memiliki dua menu pilihan yaitu menu data penjualan tahunan dan menu hasil peramalan.
2. Halamam Data Penjualan
Gambar 4.2. Halaman Data Penjualan
Halaman ini menampilkan grafik total penjualan semua produk plastik dalam setahun seperti pada gambar 4.3.
Gambar 4.3. Grafik Total Penjualan Selama Setahun Di Halaman Data Penjualan
Gambar 4.4. Grafik Tiap Jenis Produk Plastik Penjualan Selama Setahun Di Halaman Data Penjualan
3. Halamam Hasil Peramalan
Halaman hasil peramalan adalah halaman untuk menampilkan produk plastik yang telah diramal dari file JSON yang ada di server. Pada halaman ini pengguna dapat memilih hasil peramalan produk plastik mana yang ingin ditampilkan. Setelah memilih pilihan, sistem akan menampilkan grafik peramalan sesuai pilihan yang ditentukan. Adapun halaman hasil peramalan dapat dilihat pada gambar 4.5.
.
Halaman ini menampilkan grafik hasil peramalan produk plastik seperti pada gambar 4.6.
Gambar 4.6. Grafik Peramalan Produk Plastik Di Halaman Peramalan Produk Plastik
Halaman ini juga menampilkan grafik dan data peramalan bahan baku yang dibutuhkan ke depannya seperti pada gambar 4.7 dan gambar 4.8.
Gambar 4.8. Data Peramalan Bahan Baku Produk Plastik Di Halaman Peramalan Produk Plastik
4. Halamam Data Pengguna
Halaman pengguna adalah halaman untuk melihat data profil pengguna. Adapun halama profil dapat dilhat pada gambar 4.9.
Gambar 4.9. Halaman Data Pengguna
4.2. Pengujian Kinerja Sistem
diharapkan. Metode pengujian yang digunakan adalah metode pengujian Black Box. Yaitu pengujian dilakuan pada interface tanpa melihat coding.
4.2.1. Rencana Pengujian Sistem
Adapun rancangan pengujian sistem yang akan diuji dengan metode pengujian Black Box dapat dilihat pada tabel 4.1.
Tabel 4.1. Rencana Pengujian Sistem
No. Komponen Sistem Yang Diuji Butir Uji
1 Halaman Login Tombol “Login”
Informasi kegagalan dan berhasil dalam melakukan login.
2 Halaman Data Penjualan Tombol “Data Penjualan” 3 Halaman Peramalan Produk Plastik Tombol “Peramalan Produk
Plastik”
4 Halaman Data Pengguna Tombol “Profile” dan “Back”
4.2.2 Kasus Dan Hasil Pengujian Sistem
Berikut adalah kasus-kasus yang digunakan untuk menguji sistem dengan menggunakan metode pengujian Black Box yang sudah dibahas sebelumnya berdasarkan rencana pengujian pada tabel 4.1.
1. Hasil pengujian halaman login pada tabel 4.2.
Tabel 4.2. Hasil Pengujian Halaman Login No. Komponen
sistem yang diuji
Tabel 4.2. Hasil Pengujian Halaman Login (Lanjutan) No. Komponen
sistem yang diuji
Scenario Uji Hasil yang diharapkan Hasil Pengujian
2. Hasil pengujian halaman data penjualan pada tabel 4.3.
Tabel 4.3. Hasil Pengujian Halaman Data Penjualan No. Komponen
sistem yang diuji
3. Hasil pengujian halaman peramalan produk plastic pada tabel 4.4. Tabel 4.4. Hasil Pengujian Halaman Data Peramalan No. Komponen
sistem yang diuji
Scenario Uji Hasil yang diharapkan Hasil Pengujian berdasarkan periode tahun yang telah disediakan, lalu sistem akan menampilkan data penjualan dan grafik nya sesuai pilihan.
Berhasil
4. Hasil pengujian halaman pengguna pada tabel 4.5.
Tabel 4.5. Hasil Pengujian Halaman Data Pengguna No. Komponen
sistem yang diuji
Tabel 4.5. Hasil Pengujian Halaman Data Pengguna (Lanjutan) No. Komponen
sistem yang diuji
Scenario Uji Hasil yang diharapkan Hasil Pengujian
Kembali ke menu utama. Berhasil
4.2.3. Pengujian Kinerja Sistem
Pengujian kinerja sistem digunakan untuk mengetahui kinerja dari sistem yang telah dikembangkan. Misalkan terdapat 36 data penjualan produk plastik PP yang dikelompokkan perbulan pada tabel 4.6.
Tabel 4.6. Data Penjualan Produk Plastik PP Tahun 2012 – 2014
Tahun Bulan Jumlah Penjualan Total
Tabel 4.6. Data Penjualan Produk Plastik PP Tahun 2012 – 2014 (Lanjutan)
Tahun Bulan Jumlah Penjualan Total
Plastik PP per KG
Langkah-langkah perhitungan manual pada metode ARIMA untuk data pada tabel 4.5 sebagai berikut:
Tabel 4.7. Nilai Autokorelasi Data Produk PP (Lanjutan)
Tabel 4.8. Nilai Autokorelasi Parsial Data Produk PP
Tabel 4.8. Nilai Autokorelasi Parsial Data Produk PP (Lanjutan)
2. Untuk melihat apakah data telah konstan dalam rata-rata atau belum. Dapat dilihat pada koefiisien autokorelasi yang berbeda nyata dari nol. Suatu data time series
bersifat acak apabila koefisien korelasinya berada pada batas interval -1,96
√ ) <= <= 1,96
√ ). Dimana n= 36, maka 95% seluruh autokorelasi harus berada pada : -0,326 <= <= 0,326. Sehingga tidak perlu dilakukan pembedaan.
Tabel 4.9. Nilai Hasil Transformasi Data Produk PP (Lanjutan)
4. Kemudian dilakukan pemilihan model ARIMA yang cocok berdasarkan autokorelasi dan autokorelasi parsialnya Tabel 4.7 dan Tabel 4.8 Dan didapatkan model yang cocok adalah ARIMA ( 3,0,2).
5. Setelah didapati model yang cocok, maka selanjutnya dilakukan estimasi koefisien AR dan MA dan nilai t-value yang dapat dilihat pada Tabel 4.10.
Tabel 4.10. Estimasi Model ARIMA (3,0,2)
Parameter Estimasi T value
MA 1,1 -1.72557 -2.29
MA 1,2 -0.96848 -1.15
AR 1,1 -1.41829 -9.34
AR1,2 -0.42228 -4.31
AR1,3 0.32890 22.83
MA1,2 yang tidak signifikan. Sehingga model ARIMA (3,0,2) bisa dijadikan model karena hanya satu koefisien yang tidak signifikan.
6. Selanjutnya mencari nilai autokorelasi residu dari ARIMA (3,0,2) dengan (2.4). Maka didapatkan nilai autokorelasi pada tabel 4.11.
Tabel 4.11. Nilai Autokorelasi Residu ARIMA (3,0,2)
Setelah didapat hasil autokorelasi residunya, maka selanjutnya mencari nilai chi square dengan (2.13) berdasarkan lag 6, 12, 18, dan 24. dan mencari nilai derajat kebebasan (DF) = jumlah lag – jumlah parameter ARIMA (3,0,2). Hasilnya dapat dilihat pada tabel 4.12.
Tabel 4.12. Hasil Chi-Square Dengan Pengujian Ljung-Box
Lag DF Chi-Square
6 1 3.58
12 7 6.57
18 13 19.82
24 19 20.99
Selanjutnya dicari tabel dengan DF = 1 dan alpha 0,05 dan didapatkan nilai tabel adalah = 3.84146. Dengan cara yang sama, nilai tabel dapat dicari. Berdasarkan nilai Q yang didasari pada lag 6, 12, 18, dan 24 chi-squarenya adalah 3.58, 6,57, 19,82, dan 20,99. Dan tabel (1) = 3,84146, tabel (7) = 14,06713, tabel (13) = 22,36203, dan tabel (19) = 30,14351. Sehingga diperoleh bahwa Q <
. Yang berarti model telah memenuhi asumsi white noise, sehingga dapat disimpulkan model ARIMA (3,0,2) telah memadai.
7. Melakukan proses peramalan bahan baku PP menggunakan metode ARIMA (3,0,2) dengan (2.14). Hasil dari proses peramalan tersebut dapat dilihat pada tabel 4.13.
Tabel 4.13. Hasil Peramalan Produk PP Tahun 2015
Tanggal Bahan Produk PP dalam Ukuran KG
Tabel 4.13. Hasil Peramalan Produk PP Tahun 2015 (Lanjutan) Tanggal Bahan Produk PP dalam Ukuran KG
Jul 2015 102.2484
8. Data yang telah diramal hasilnya akan dilakukan transformasi kuadrat karena sebelumnya dilakukan transformasi akar, agar data kembali ke bentuk aktual. Hasil dari transformasi tersebut dapat dilihat pada tabel 4.14.
Tabel 4.14. Hasil Peramalan Produk PP Tahun 2015 Yang Telah Ditransformasi Kuadrat
Tanggal Bahan Produk PP dalam Ukuran KG
Tabel 4.15. Hasil Peramalan Produk PP Trilene Tahun 2015
Tanggal Bahan Produk PP Trilene dalam Ukuran KG
Tabel 4.16. Hasil Peramalan Produk PP Titanpro Tahun 2015 Tanggal Bahan Produk PP Tintanpro dalam
4.2.4 Pengujian Data
Selanjutnya adalah menguji keakuratan peramalan tersebut terhadap data yang asli dengan cara menghitung nilai error. Nilai error ini didapatkan dengan membandingkan nilai dari hasil peramalan dengan nilai data sebenarnya yang sudah dimiliki. Hasil nilai error dari bahan produk PP Trilene dan bahan produk PP Tintanpro dapat dilihat pada Tabel 4.17 dan Tabel 4.18.
Tabel 4.17. Hasil Nilai Error Produk PP Trilene Tahun 2015
Tanggal Data
Tabel 4.18. Hasil Nilai Error Produk PP Tintapro Tahun 2015
Tabel 4.18. Hasil Nilai Error Produk PP Tintapro Tahun 2015 (Lanjutan)
Tanggal Data
Asli
Hasil Peramalan
Error
Agt 2015 1500 1716.4 216.4
Sep 2015 1250 1958.6 708.4
Okt 2015 1800 1901.2 101.2
Nov 2015 1300 1758.4 458.4
Setelah didapatkan nilai error tiap bulan, maka untuk menghitung nilai MAPE nya menggunakan (2.19) yaitu dengan menjumlahkan hasil pembagian nilai error tiap bulan dengan data asli kemudian membaginya dengan jumlah bulan. Didapatkan hasil MAPE untuk produk PP Trilene sebesar 26 % berarti tingkat keakuratan sebesar 74% dan untuk produk Tintanpro sebesar 32 % berarti tingkat keakuratan sebesar 68%.
Grafik perbandingan hasil peramalan dan data asli dari produk PP Trilene dan PP Tintanpro dapat dilhat pada Gambar 4.10 dan 4.11.
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan pengujian peramalan bahan baku dengan menggunakan metode arima diperoleh beberapa kesimpulan :
1. Hasil peramalan dengan metode ARIMA memiliki ketepatan yang cukup baik pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang biasanya akan cenderung mendatar / konstan. Karena metode ARIMA secara penuh mengabaikan variabel independen dan hanya menggunakan nilai-nilai masa lalu dari variabel independen untuk menghasilkan peramalan jangka pendek. 2. Peramalan metode ARIMA pada produk PP mempunyai tingkat keakuratan untuk
produkPP Trilene sebesar 74% dan untuk produk Tintanpro sebesar 68%.
1.2Saran
BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang
berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan
baku .
2.1. Peramalan
Peramalan atau forecasting adalah perhitungan yang akurat dalam menentukan
sesuatu yang akan datang dengan menggunakan data-data masa lalu (Sumayang,
2003). Menurut pendapat (Render & Heizer, 2001) adalah sebuah ilmu peramalan
peristiwa masa depan dengan menggunakan beberapa bentuk model matematis.
Peramalan adalah memprediksikan sesuatu yang bakalan terjadi ( Subagyo, 2002).
Dari pengertian peramalan menurut para ahli, maka dapat diartikan bahwa
peramalan adalah memprediksikan yang ada dimasa depan dengan menggunakan data
dari masa lalu.
Menurut (Heizer & Render, 2001) ada tiga jenis peramalan yaitu :
1. Economic forecast
Untuk mengetahui keadaan ekonomi dengan memprediksikan dan perencanaan tingkat
inflasi dan ketersediaan dana yang dibutuhkan.
2. Technological forecast
Mengamati kemajuan teknologi agar dapat meluncurkan produk baru yang dapat
berguna dan menarik.
3. Demand Forecast
Menurut (Hanke & Wichers, 2005) Dalam melakukan peramalan terdapat beberapa langkah-langkah yang harus dilakukan :
1. Mengidentifikasi Masalah Dan Mengumpulkan Data
Pada tahap ini, akan dicari masalah-masalah yang memiliki hubungan pada
penjualan. Setelah itu dilakukan pengumpulan data dan tahap identifikasi.
2. Pemilihan Data Dan Manipulasi
Data yang telah dikumpulkan akan diseleksi dengan benar supaya mendapatkan data
yang benar-benar relevan. Kemudian data akan dimanipulasi agar sesuai dengan
kebutuhan dalam pembuatan model peramalan.
3. Pembuatan Model
Setelah itu Data yang telah dimanipulasi akan diaplikasikan ke dalam model
peramalan.
4. Implementasi Model
Model peramalan yang sesuai akan diimplementasikan langsung terhadap data
penjualan, sehingga didapatkan hasil peramalan yang benar-benar sesuai dengan
kebutuhan.
5. Evaluasi Peramalan Penjualan
Pada tahap ini, akan dilakukan perbandingan antara peramalan yang telah dibuat
dengan kondisi aktual penjualan sebenarnya. Sehingga dapat mengetahui
kesalahan-kesalahan yang terjadi pada saat implementasi dan memperbaikinya agar dapat
menemukan model peramalan yang lebih bagus.
Menurut (Kandananond, 2012) peramalan permintaan sangat penting dalam
meningkatkan efisiensi sistem rantai pasokan. Karena setiap pihak dalam rantai
pasokan akan memproses pesanan dalam menanggapi sinyal permintaan, akurasi
perkiraan permintaan secara signifikan akan meningkatkan penjadwalan produksi,
perencanaan kapasitas, perencanaan kebutuhan material dan manajemen persediaan.
Menurut (Taylor, 2003) hubungan antara forecasting dengan horizon waktu
terbagi menjadi 3 kategori :
1. Short Range Forecast
Sebagai penjadwalan kegiatan harian suatu perusahaan bisnis. Seperti perkiraan
2. Medium Rnge Forecast
Diperlukan untuk rencana produksi tahunan untuk menentukan kebutuhan masa depan
seperti pembelian bahan baku, mesin dan peralatan ditahun berikutnya.
3. Long Range Forecast
Digunakan untuk peramalan yang lebih dari setahun dalam merencanakan produk
baru, membangun fasilitas dan menjamin pembiayaan jangka panjang.
Menurut (Uminigsih, 2012) berdasarkan sifatnya, forecasting dibedakan menjadi 2
jenis yaitu:
1. Metode Kualitatif
Adalah metode yang memperkirakan atau memprediksikan sesuatu berdasarkan
pengalaman dan pendapat pribadi.
2. Metode Kuantitatif
Adalah metode yang memperkirakan atau memprediksikan sesuatu berdasarkan
pengalaman dan pendapat pribadi.
Menurut (Stepvhanie, 2012) metode kuantitatif sendiri terbagi menjadi dua jenis,
yaitu metode derek berkala (time series) Dan metode kausal.
1. Metode Kausal
Metode peramalan kausal mengembangkan bentuk suatu model sebab-akibat antara
permintaan yang diramalkan dengan variabel-variabel yang memiliki hubungan.
2. Metode Derek Berkala
Metode derek berkala menggunakan analisa suatu pola hubungan antar
variabel-variabel yang diperkirakan dengan variabel-variabel waktu.
2.2.Metode Deret Berkala
Metode deret berkala (time series) adalah metode peramalaan yang memprediksikan
nilai-nilai di masa depan dengan menggunakan data histori.
Metode Peramalan derek waktu terdiri dari :
1. Metode Exponential Smoothing
Metode exponential smoothing adalah suatu metode peramalan derek berkala yang
2. Metode ARIMA box-jenkins
Metode auto integrated moving average (ARIMA) yang sering juga disebut metode
time series Box Jenkins. Metode ini sangat sesuai dalam meramalkan peramalan
jangka pendek, sedangkan untuk peramalan jangka panjang ketepatannya kurang baik.
Biasanya akan berbentuk mendatar atau konstan pada periode yang cukup panjang.
Metode ARIMA sendiri merupakan metode yang hanya menggunakan variabel
dependen dan mengabaikan variabel independen sewaktu melakukan peramalan.
3. Metode Trend (Linear Regression)
Metode trend (Linear Regression) adalah metode peramalan rata-rata perubahan
dalam jangka panjang dengan menggunakan kuadrat terkecil yang membentuk trend
garis lurus untuk persamaan matematis.
2.3.Klasifikasi Model ARIMA
Model ARIMA dibagi menjadi tiga bagian yaitu :
1. Autoregressive Model (AR)
Bentuk umum model ini adalah (Santoso, 2009) :
(2.1)
Bentuk umum model ini adalah (Santoso, 2009):
(2.2)
Dimana :
1,2,q = konstanta; koefisien atau bobot (weight)
et = residual; error yang menjelaskan efek dari variabel yang
tidak dijelaskan oleh model.
3. ARIMA
Bentuk umum model ini adalah (Santoso, 2009):
(2.3)
Dimana :
Yt = nilai series yang stasioner
Yt-1, Yt-2 = nilai lampau series yang bersangkutan
et-1, et-2 = variabel bebas yang merupakan lag dari residual
,
δ
1,δ
q, 1, p = koefisien model2.4.ACF dan PACF
2.4.1. ACF (Autocorrelation Function)
Koefisien autokorelasi adalah derajat hubungan antara Yt dan Yt-k. Menurut
(Makridakis, et al. 1998) dengan persamaan
∑ ̅
∑ ̅ (2.4)
Dimana :
= Koefisen autokeralsi lag ke k, dimana k = 0,1,β,…,k
= Data aktual pada orde ke t
̅ = Nilai rata-rata (mean)
2.4.2. PACF (Partial Autocorrelation Function)
Fungsi Autokorelasi parsial digunakan untuk mengukur tingkat keeratan dan .
Apabila pengaruh dari selisih waktu pada lag 1,β,γ,…,k-1 dianggap terpisah. Nilai koefisien autokorelasi parsial dapat dihitung dengan persamaan berikut:
(2.5)
Dimana :
= Data aktual pada orde ke t
= Parameter autoregressive pada lag k
= Data aktual pada orde t dengan time lag k
= Kesalahan ramalan
2.5. Tahapan Metode ARIMA
Langkah-langkah tahapan metode ARIMA adalah :
1. Memeriksa kestasioneran data
2. Identifikasi
3. Estimasi
4. Diagnosis
5. Peramalan
Gambar 2.1.Diagram Tahapan-Tahapan Pada Model ARIMA
2.5.1. Konstan (Stasioner)
Yang terpenting dalam peramalan ARIMA adalah data yang konstan / stasioner.
Peramalan dapat dilakukan apabila kodisi data sudah konstan. Menurut (Makridakis,
et al. 1998) stasioner adalah fluktuasi data yang rata-rata dan variansi dari fluktuasi
tersebut relatif konstan dari satu periode ke periode selanjutnya.
2.5.1.1 Rata-rata (Mean)
Rata-rata (Mean) adalah nilai yang mewakili sekelompok data. Nilai ini diperoleh
dengan menjumlahkan seluruh data , kemudian menbagi dengan jumlah individu.
̅ ∑ …(β.6)
Dimana :
̅ = Rata-rata Y = Nilai pada data
N = Jumlah keseluruhan data
Memeriksa kestasioneran data
Identifikasi model ARIMA
Estimasi parameter dari model yang dipilih
Uji diagnostik model tersebut
2.5.1.2 Varians
Varians adalah ukuran disperse yang menggunakan selisih antara semua nilai data
dengan rata-rata hitung.
2.5.1.3 Data Konstan dan Data Non-Konstan Dalam Mean
Menurut (Makridakis, et al. 1998) nilai autokorelasi pada data konstan akan turun
sampai nol sesudah lag kedua atau ketiga, sedangkan untuk data yang non-konstan,
nilai autokorelasi akan berbeda secara signifikan dari nol untuk beberapa periode
waktu.
Suatu deret data yang tidak konstan dalam mean harus diubah menjadi data
konstan dengan melakukan pembedaan. Yang dimaksud Pembedaan adalah
menghitung perubahan atau selisih nilai observasi. Notasi yang sangat bermanfaat
adalah operator backward shift. Pembedaan ordo pertama dari data aktual dapat
dinyatakan sebagai berikut :
Pembedaanordo kedua dapat dinyatakan sebagai berikut :
B’ = (1-B)2 Yt (2.9)
Dimana:
2.5.1.4 Data Konstan dan Data Non-Konstan Dalam Varians
Suatu time series dikatakan konstan dalam varians apabila mempunyai struktur data
yang berfluktuasi tetap atau konstan dari waktu ke waktu.
(Box & Cox 1964) mengembangkan suatu prosedur transformasi data sehingga
bisa mengatasi ketidak konstan data dalam varians. Dimana data yang konstan dalam
varians nilai lambda = 1 pada box cox plot. Jika lambda tidak sama dengan dengan 1,
maka data akan ditransformasisesuai lambda di tabel 2.1:
Tabel 2.1. Bentuk Transformasi
autoregressive (AR), d merupakan jumlah Pembedaanagar suatu data time series bisa
konstan, dan q ialah jumlah proses moving average (MA). Berdasarkan plot data
aktual dapat diketahui apakah data sudah konstan. Jika belum konstan maka data
harus di konstankan terlebih dahulu. Menentukan kombinasi model ARIMA yang
mungkin. Dari plot autokorelasi tentukan nilai AR (p), dan nilai MA (q) dari
autokorelasi parsial.
Model AR dan MA dari suatu time series dapat di identifikasi dengan melihat
pola grafik ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation
Function). Dapat dilihat pada tabel 2.2.
Tabel 2.2.Pola ACF dan PACF (Lanjutan)
Setelah berhasil mendapatkan p,d,q, selanjutnya adalah memperkirakan parameter dari
model untuk diuji agar mendapatkan model terbaik. Untuk itu dilakukan pemeriksaan
terhadap :
2.5.3.1 Residu
Model yang telah diperkirakan akan memperlihatkan perbedaan residu antara
nilai-nilai data time series dan nilai-nilai estimasi dari model yang sangat kecil. Residu
dapat diperoleh dari persamaan berikut :
Suatu derek akan bersifat acak apabila koefisien korelasinya berada dalam
batas interval:
(2.12)
2.5.4. Diagnosis
Setelah model ditentukan, kemudian kita cek apakah model cocok dengan data dan
memenuhi persyaratan model peramalan yang baik. Jika estimasi residualnya white
noise maka model cocok, namun jika tidak maka harus dilakukan pengecekan
kembali. Model dikatakan memadai jika asumsi dari error memenuhi proses white
noise dan berdistribusi normal.
2.5.4.1. Ljung-Box
Untuk memeriksa apakah autokorelasi nilai-nilai sisa (residu) berpola acak (bersifat
white noise), digunakan ljung-box adapun persamaannnya :
∑ (2.13)
Dimana :
= Hasil perhitungan ljung-box / chi-square
= Jumlah lag autokorelasi residu
= N – d -SD
= Jumlah keseluruhan data
= Ordo pembedaan bukan musiman
= Ordo pembedaan musiman
= Jumlah periode per musim
2.5.5. Peramalan
Menurut (Linda, 2013) Setelah parameter-parameter model ARIMA telah di
diagnostik, maka selanjutnya adalah menggunakan model tersebut untuk peramalan.
Sebagai contoh, pertama-tama ditetapkan model ARIMA (1,1,1) dengan persamaan
regresi biasa :
Pada kenyataannya hasil peramalan tidak pernah akurat 100 persen benar. Oleh karena
itu diperlukan suatu metode untuk menghitung tingkat kesalahan (error) dalam suatu
peramalan.Semakin kecil kesalahan yang didapatkan, maka semakin baik peramalan
tersebut. Berikut ini beberapa cara untuk menghitung tingkat kesalahan dari
peramalan:
1. Rata-rata kuadrat kesalahan (Mean Squared Error / MSE)
MSE adalah metode penghitung kesalahan peramalan dengan cara mengkuadratkan
masih-masih kesalahan kemudian dijumlahkan dan dibagi dengan jumlah data /
periode. Rumus MSE adalah sebagai berikut:
∑ ̂ (2.17)
Dimana :
= Data aktual
2. Akar rata-rata kuadrat kesalahan (Root Mean Squared Error / RMSE)
RMSE adalah akar kuadrat rata-rata kuadrat kesalahan. Rumus RMSE adalah sebagai
berikut:
3. Rata-rata presentase kesalahan mutlak (Mean Absolute Percent Error / MAPE)
MAPE adalah metode perhitungan kesalahan yang dihitung dengan mencari
presentase kesalahan dari setiap periode peramalan kemudian membaginya dengan
jumlah data / periode yang digunakan. Rumus MAPE adalah sebagai berikut:
∑ | |
SAS (Statistical Analysis System) adalah software komputer yang digunakan untuk
analisis statistika yang dikembangkan oleh perusahaan SAS Institute. Perangkat lunak
ini digunakan dalam massive data processing, reporting, analisis stastistika,
pembuatan grafik statistika dan lain-lain. Bahasa pemograman SAS termasuk bahasa
pemograman generasi keempat, yakni program yang siap digunakan untuk manipulasi
data, penyimpanan dan pengambilan informasi, statistik deskriptif dan penulisan
2.7. Penelitian Terdahulu
Beberapa penelitian telah dilakukan untuk meramalkan data penjualan. Salah satunya
adalah penelitian yang dilakukan oleh (Stepvhanie, 2012) melakukan peramalan
penjualan produk susu bayi dengan metode grey system theory dan neural network.
Penelitian ini melakukan perbandingan antara metode tradisional dengan metode grey
system theory. Dan medapatkan hasil bahwa metode grey system theory lebih baik dari
metode tradisional karena memiliki nilai mean absolute percentage error terkecil dari
metode tradisional.
Penelitian yang dilakukan oleh (Warsini, 2011). Melakukan perbandingan
metode pemulusan (smoothing) eksponensial dan arima (box-jenkins) sebagai metode
peramalan Indek Harga Saham Gabungan (IHSG). Penelitian ini dilakukan untuk
mengetahui metode mana yang lebih tepat digunakan pada indek harga saham
gabungan. Dan didapatkan hasil bahwa model yang tepat adalah arima karena
memiliki nilai mean absolute percentage error yang lebih kecil yakni bernilai 0,0063
sedangkan model eksponensial bernilai 0,0070.
Penelitian yang dilakukan oleh (Sembiring, 2010). Yang melakukan penelitian
tentang peramalan curah hujan bulanan di kota medan dengan metode box-jenkins.
Hasil dari penelitian ini menunjukkan bahwa model ARIMA memiliki kemampuan
yang sangat akurat dalam memprediksi curah hujan.
Penelitian selanjutnya yang dilakukan oleh (Simanjuntak, 2014) membahas
prediksi jumlah permintaan barang musiman menggunakan metode holt-winters.
Penelitian ini dilakukan untuk dapat menganalisis dengan metode holt-winters untuk
menentukan variabel mana yang signifikan mengengaruhi variabel dependen. Selain
itu juga dapat digunakan dalam meramalkan data musiman. dengan konstanta
parameter (α) = 0.γ5 , ( ) = 0.15 , dan ( ) = 0,47.
Selanjutnya penelitian yang dilakukan oleh (Bauer.J, 2014). Penelitian ini
memperlihatkan bagaimana cara menggunakan PROC GMAP pada map creation di
dalam SAS base dan cara pembuatan hasilnya ke dalam JSON metadata. Ringkasan
Tabel 2.3. Penelitian Terdahulu
Nama Peneliti Metode Keterangan
Linda Stepvhanie
jauh. Sedangkan kelebihan dari
metode neural network adalah
lebih cocok untuk meramalkan
data acak yang memiliki fluktuasi
keakuratan dalam meramalkan
data dalam jangka pendek
dibandingkan dengan metode
smoothing. Namun metode arima
memiliki kelemahan dalam
meramalkan data dalam jangka
yang cukup panjang. Hasil yang
didapatkan akan bersifat datar.
Sedangkan pada metode
smoothing dalam meramalankan
dalam jangka panjang didapatkan
hasil yang lebih bagus daripada
memprediksi curah hujan dalam
jangka pendek. Tetapi tidak
begitu akurat apabila dilakukan
untuk jangka yang cukup
Tabel 2.3. Penelitian Terdahulu (Lanjutan)
Nama Peneliti Metode Keterangan
Lia Hartati Simanjuntak
(2014)
Metode
Holt-Winters
Metode Holt-Winters yang
digunakan dalam meramalkan
harga barang musiman dengan
konstanta parameter (α) = 0.γ5 ,
( ) = 0.15 , dan ( ) = 0,47
menghasilkan tingkat akurasi
prediksi sebesar 95,74% dan
dengan nilai error rata-rata
BAB 1
PENDAHULUAN
Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan
penelitian, manfaat penelitian, metodologi penelitian, serta sistematika penulisan.
1.1. Latar Belakang
Dewasa ini persaingan antar perusahaan semakin ketat, didukung dengan
perkembangan ilmu pengetahuan dan teknologi yang pesat memaksa perusahaan
tersebut berlomba menghasilkan aneka produk yang berkualitas bagi kosumen namun
efisien dari sisi biaya produksi. Oleh karena itu diperlukan teknik peramalan yang
digunakan untuk memprediksi hasil produksi di masa depan dari data produksi
sebelumnya.
Peramalan adalah perhitungan yang akurat dalam menentukan sesuatu yang
akan datang dengan menggunakan data-data masa lalu (sumayang, 2003). Hasil dari
peramalan digunakan untuk perencanaan produksi, penjadwalan, dan pengendalian
persediaan. Peramalan penjualan akan sangat mempengaruhi working capital dari
sebuah perusahaan, yakni jumlah barang yang diproduksi dan bahan baku yang
dipesan harus sesuai dengan kebutuhan. Jumlah produk yang berlebih dan terlalu
sedikit akan menyebabkan perusahaan merugi. Oleh karena itu diperlukan teknik
peramalan yang memiliki gambaran mendatang yang akurat.
Teknik peramalan yang sering digunakan adalah metode time series. Time
series adalah suatu proses meramal data-data masa lalu untuk meramalkannya ke
masa depan. Dalam metode time series terdapat beberapa model tradisional seperti
moving average (MA), autoregressive (AR), exponential smoothing (ESM). Namun
peramalan menggunakan model ARIMA untuk mendapatkan hasil yang lebih baik
pada penelitian ini.
Beberapa penelitian telah dilakukan untuk meramalkan data penjualan. Salah
satunya adalah penelitian yang dilakukan oleh (Stepvhanie, 2012) melakukan
peramalan penjualan produk susu bayi dengan metode grey system theory dan neural
network. Metode grey system theory dan neural network dipilih karena memiliki
tingkat akurasi yang lebih tinggi dibandingkan dengan metode tradisional lainnya.
Penelitian yang dilakukan oleh (Warsini, 2008). Melakukan perbandingan
metode pemulusan (smoothing) eksponensial dan ARIMA box-jenkins sebagai metode
peramalan indeks harga saham gabungan (IHSG). Data yang ada nantinya akan
dilakukan analisis dan dibandingkan hasil peramalan dengan metode pemulusan dan
metode ARIMA.
Penelitian selanjutnya yang dilakukan oleh (Simanjuntak, 2014) membahas
prediksi perjumlahan permintaan barang musiman dengan metode holt winters.
Penelitian ini menggunakan metode holt winters karena memiliki ketelitian prediksi
yang lebih akurat dan efektif dalam memprediksikan data musiman.
1.2. Rumusan Masalah
Penyusunan rencana jangka panjang sangat diperlukan untuk mendapatkan gambaran
bisnis perusahaan di masa depan. Apakah kegiatan bisnis akan mengalami kenaikan
atau penurunan. Bagi pabrik hal ini akan berdampak pada proses produksi yaitu pada
seberapa banyak produk yang akan dihasilkan yang berdampak pada persediaan bahan
baku yang akan dipesan. Oleh karena itu, dibutuhkan sebuah pendekatan yang mampu
untuk meramalkan antara jumlah hasil produksi dan persediaan bahan baku (inventory
control) di masa mendatang berdasarkan data historis penjualan sebelumnya.
1.3. Batasan Masalah
Agar penelitian yang dilakukan penulis terarah dan fokus, maka penulis membatasi
1. Data yang digunakan adalah data historis dari penjualan plastik hasil produk dari
sebuah pabrik di bandung.
2. Kejadian-kejadian force majeure yang mungkin mempengaruhi hasil prediksi
seperti gempa bumi, banjir, kebakaran dan lainnya tidak dipertimbangkan dalam
penelitian.
1.4. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah untuk meramalkan penjualan hasil produk
dan persediaan bahan baku di masa mendatang berdasarkan data penjualan di masa
lalu menggunakan metode ARIMA.
1.5. Manfaat Penelitian
Berikut ini manfaat yang didapatkan dari penelitian ini :
1. Membantu pihak produsen untuk melakukan perencanaan produksi yang tepat.
2. Mengetahui kemampuan metode ARIMA dalam melakukan peramalan pada data
penjualan produk plastik.
3. Menambah pengetahuan penulis tentang prediksi dalam bidang industri plastik.
4. Sebagai bahan pembelajaran dan referensi untuk peneliti selanjutnya.
1.6. Metodologi Penelitian
Tahapan-tahapan yang akan dilakukan dalam pelaksanaan penelitian ini adalah
sebagai berikut :
1. Studi Literatur
Pada tahap ini penulis mengumpulkan dan mempelajari materi-materi yang
berhubungan dengan penelitian. Referensi yang diambil berasal dari buku, skripsi,
jurnal, informasi dari internet, dan juga referensi lainnya yang memiliki hubungan
2. Analisis Permasalahan
Pada tahap ini penulis melakukan analisis terhadap studi literatur yang telah
dikumpulkan sebelumnya untuk mendapatkan pemahaman mengenai metode
ARIMA dalam rangka menyelesaikan masalah peramalan.
3. Implementasi
Pada tahap ini dilakukan proses implementasi pengkodean program dalam aplikasi
komputer menggunakan bahasa pemrograman SAS.
4. Pengujian
Pada tahap ini dilakukan pengujian hasil peramalan yang telah dibuat guna
memastikan peramalan telah berjalan sesuai dengan apa yang diharapkan.
5. Dokumentasi dan penyusunan laporan
Pada tahap ini akan dilakukan dokumentasi hasil analisis dari penelitian metode
ARIMA untuk menyelesaikan masalah prediksi.
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:
Bab 1 : Pendahuluan
Pada bab pendahuluan ini, berisi latar belakang, rumusan masalah,batasan masalah,
tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika
penulisan.
Bab 2 : Landasan Teori
Bab ini berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas
pada penelitian ini. Pada bab ini dijelaskan tentang peramalan ARIMA untuk
meramalkan kebutuhan bahan baku pembuat produk plastik berdasarkan data
pendapatan.
Bab 3 : Analisis dan Perancangan
Bab ini berisi analisis dan penerapan metode ARIMA untuk melakukan peramalan
permintaan barang pada periode yang akan datang, Bab ini juga akan membahasa
Bab 4 : Implementasi dan Pengujian Sistem
Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan yang
disusun pada Bab 3 dan pengujian apakah hasil peramalan yang didapatkan sesuai
dengan yang diharapkan.
Bab 5 : Kesimpulan dan Saran
Bab ini berisi tentang kesimpulan hasil penelitian dan saran-saran yang berkaitan
ABSTRAK
Peramalan adalah suatu proses memperkirakan sesuatu yang akan datang dengan
melakukan perhitungan dari data sebelumnya. Dalam hal ini penulis akan melakukan
peramalan penjualan produksi plastik dengan menggunakan metode ARIMA Box-Jenkins
untuk peramalan 2015. Data yang digunakan adalah data penjualan parbik produksi plastik
di bandung tahun 2012 sampai 2014. Penelitian ini akan menggunakan prosedur ARIMA
di SAS yang memungkinkan untuk identifikasi, estimasi dan peramalan model Time
Series. Pengukuran tingkat akurasi hasil peramalan dilakukan dengan nilai MAPE (Mean
Absolute Percentage Error). Hasil peramalan yang dilakukan untuk tahun 2015
menggunakan ARIMA (3,0,2) pada data penjualan produk plastik periode 2012 sampai
2014 menghasilkan tingkat akurasi peramalan sebesar 74% untuk produk PP Trilene dan
sebesar 68% untuk produk PP Tintapro.
INVENTORY-MATERIAL NEEDS FOR PLASTIC PRODUCTS FORECASTING
BASED ON INCOME DATA USING ARIMA METHOD
ABSTRACT
Forecasting is a process of estimating an output in comparison of its calculation using
previous data. In this research, the forecasting points to plastic production sale forecasting
using ARIMA Box-Jenkins method to forecast 2015. Data used are factory plastic sale
production in 2012 to 2014. This research uses ARIMA procedure in SAS that enables in
identification, estimation and model Time Series forecasting. The accuracy of forecasting
results is measured by the value of MAPE ( Mean Absolute Percentage Error). The results
of forecasting using ARIMA (3,0,2) made for the year 2015, on the PP plastic product
sales data period from January 2012 up to December 2014 resulted in forecasting accuracy
level up to 74 % for product PP and 68% for product PP Tintanpro.
PERAMALAN KEBUTUHAN BAHAN BAKU PEMBUATAN PRODUK
PLASTIK BERDASARKAN DATA PENDAPATAN
MENGGUNAKAN METODE ARIMA
ALEXANDER
111402082
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PERAMALAN KEBUTUHAN BAHAN BAKU PEMBUATAN PRODUK
PLASTIK BERDASARKAN DATA PENDAPATAN
MENGGUNAKAN METODE ARIMA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
ALEXANDER
111402082
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PERSETUJUAN
Judul : PERAMALAN KEBUTUHAN BAHAN BAKU
PEMBUATAN PRODUK PLASTIK BERDASARKAN
DATA PENDAPATAN MENGGUNAKAN METODE
ARIMA
Kategori : SKRIPSI
Nama : ALEXANDER
Nomor Induk Mahasiswa : 111402082
Program Studi : S1 TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Erna Budhiarti Nababan, M.IT Baihaqi Siregar, S.SI, M.IT
NIP. - NIP. 198603032010121004
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
PERNYATAAN
PERAMALAN KEBUTUHAN BAHAN BAKU PEMBUATAN PRODUK
PLASTIK BERDASARKAN DATA PENDAPATAN
MENGGUNAKAN METODE ARIMA SKRIPSI
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 Januari 2016
Alexander
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Tuhan Yang Maha Esa yang telah
memberikan rahmat serta restu-Nya sehingga penulis dapat menyelesaikan skripsi ini
sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi.
Pertama, penulis ingin mengucapkan terima kasih kepada Bapak Baihaqi Siregar,
S.Si, M.IT selaku pembimbing pertama dan Ibu Dr. Erna Budhiarti Nababan, M.IT selaku
pembimbing kedua yang telah membimbing penulis dalam penelitian serta penulisan
skripsi ini. Penulis tidak akan dapat menyelesaikan skripsi ini tanpa inspirasi serta motivasi
yang diberikan dari kedua pembimbing. Penulis juga mengucapkan terima kasih kepada
Bapak Prof. Dr. Opim Salim Sitompul, M.Sc sebagai dosen pembanding pertama dan
Bapak Romi Fadillah Rahmat, B.Comp.Sc, M.Sc sebagai dosen pembanding kedua yang
telah memberikan masukan serta kritik yang bermanfaat dalam penulisan skripsi ini.
Ucapan terima kasih juga ditjukan kepada semua dosen serta semua pegawai pada program
studi S1 Teknologi Informasi, yang telah membantu serta membimbing penulis selama
proses perkuliahan.
Penulis tentunya berterima kasih kepada kedua orang tua penulis, Bapak penulis
Anton, serta Ibu penulis Leily yang telah membesarkan penulis dengan sabar dan penuh
cinta. Terima kasih juga penulis ucapkan kepada adik penulis, Vania. yang selalu
memberikan dukungan kepada penulis. Penulis juga berterima kasih kepada seluruh
anggota keluarga penulis yang namanya tidak dapat disebutkan satu-satu.
Terima kasih juga penulis ucapkan kepada seluruh teman-teman angkatan 2011
yang telah bersama-sama penulis melewati perkuliahan pada program studi S1 Teknologi
ABSTRAK
Peramalan adalah suatu proses memperkirakan sesuatu yang akan datang dengan
melakukan perhitungan dari data sebelumnya. Dalam hal ini penulis akan melakukan
peramalan penjualan produksi plastik dengan menggunakan metode ARIMA Box-Jenkins
untuk peramalan 2015. Data yang digunakan adalah data penjualan parbik produksi plastik
di bandung tahun 2012 sampai 2014. Penelitian ini akan menggunakan prosedur ARIMA
di SAS yang memungkinkan untuk identifikasi, estimasi dan peramalan model Time
Series. Pengukuran tingkat akurasi hasil peramalan dilakukan dengan nilai MAPE (Mean
Absolute Percentage Error). Hasil peramalan yang dilakukan untuk tahun 2015
menggunakan ARIMA (3,0,2) pada data penjualan produk plastik periode 2012 sampai
2014 menghasilkan tingkat akurasi peramalan sebesar 74% untuk produk PP Trilene dan
sebesar 68% untuk produk PP Tintapro.
INVENTORY-MATERIAL NEEDS FOR PLASTIC PRODUCTS FORECASTING
BASED ON INCOME DATA USING ARIMA METHOD
ABSTRACT
Forecasting is a process of estimating an output in comparison of its calculation using
previous data. In this research, the forecasting points to plastic production sale forecasting
using ARIMA Box-Jenkins method to forecast 2015. Data used are factory plastic sale
production in 2012 to 2014. This research uses ARIMA procedure in SAS that enables in
identification, estimation and model Time Series forecasting. The accuracy of forecasting
results is measured by the value of MAPE ( Mean Absolute Percentage Error). The results
of forecasting using ARIMA (3,0,2) made for the year 2015, on the PP plastic product
sales data period from January 2012 up to December 2014 resulted in forecasting accuracy
level up to 74 % for product PP and 68% for product PP Tintanpro.
DAFTAR ISI
1.6 Metodologi Penelitian 3
1.7 Sistematika Penulisan 4
BAB 2 LANDASAN TEORI 6
2.1 Peramalan 6
2.2 Metode Derek Berkala 8
2.3 Klasifikasi Model ARIMA 9
2.4 ACF dan PACF 10
2.4.1 ACF (Autocorrelation Function) 10
2.4.2 PACF (PartialAutocorrelation Function) 11
2.5 Tahapan Metode ARIMA 11
2.5.1 Konstan (Stasioner) 12
2.5.1.2 Varians 13
2.5.1.3 Data Konstan dan Non-Konstan Dalam Mean 13
2.5.1.4 Data Konstan dan Non-Konstan Stasioner
Dalam Varians 14
BAB 3 Analisis Dan Perancangan 22
3.1 Arsitektur Umum 22
3.2 Pengumpulan Data 23
3.3 Preprocessing Data 25
3.3.1 Data Cleaning 25
3.4.3.1 Estimasi Parameter Model ARIMA (4,0,0) 33
3.4.3.2 Estimasi Parameter Model ARIMA (3,0,2) 35
3.4.4 Diagnostik 36
3.4.5 Peramalan 38
3.5 Pengiriman Data Menggunakan Web Server 39
3.6 Perancangan 39