OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING. Oleh: Rossy Susanti ( )

(1)

OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA

PERUSAHAAN PESTISIDA MENGGUNAKAN

METODE

GOAL PROGRAMMING

Oleh:

Rossy Susanti (1207 100 007)

Dosen Pembimbing:

Drs. Suharmadi S., DiplSc.,MPhil JURUSAN MATEMATIKA

Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember

Surabaya 2011

(2)

(3)

Latar Belakang

Permintaan /

Pesanan Produk

Perencanaan Produksi dengan Model Goal Programming

Kendala Sumber Daya (Bahan, Mesin, Transportasi, Gudang

Produksi)

Optimasi Produksi

Penundaan Produksi & Kekurangan Persediaan Produk

Penyelesaian Model dengan LINDO

(4)

Rumusan Masalah

1 Bagaimana

produksi dengan menggunakan metode

memodelkan

perencanaan

goal

programming.

2 Bagaimana

penyelesaian

model

peren-canaan produksi untuk produk pesanan

sehingga diperoleh hasil produksi yang

optimal.

(5)

Batasan Masalah

1. Faktor pada fungsi kendala:

Keterbatasan bahan baku, kapasitas jam kerja mesin produksi, dan kapasitas gudang hasil produksi.

2. Fungsi tujuan:

T

erpenuhinya pesanan produk, meminimumkan biaya transportasi dari

pabrik ke gudang, meminimumkan biaya penyimpanan produk di

gudang, dan memaksimumkan pemanfaatan kapasitas mesin.

3. Data yang dianalisis adalah

data penjualan pestisida untuk dua produk

dari Perusahaan Pestisida selama periode Januari 2006 – Maret 2011.

4. Asumsi bahwa

tidak ada masalah dalam pengadaan bahan baku

(pembelian, penyimpanan, transportasi, dsb), pabrik

berproduksi

menggunakan sistem mesin tunggal, dan proses produksi dianggap

berjalan normal, sehingga tidak ada hambatan dalam proses produksi.

5. Peramalan jumlah permintaan dianalisis menggunakan

metode

time series

model ARIMA.

(6)

Tujuan Penelitian

Mengembangkan model matematik untuk mendapatkan model perencanaan produksi.

1

Mendapatkan hasil optimal dalam produksi untuk produk pesanan yang sesuai dengan sasaran yang telah ditetapkan.

2

Mengetahui model goal programming untuk perencanaan produksi dan penyelesaian optimal dari perencanaan produksi sehingga diperoleh hasil produksi yang maksimum untuk memenuhi produk

(7)

(8)

Pestisida

Pestisida adalah semua zat kimia atau bahan lain serta jasad renik dan

virus yang digunakan untuk mengendalikan atau mencegah hama dan

penyakit tanaman, mengatur dan atau menstimulir pertumbuhan

tanaman atau bagian-bagian tanaman.

Pestisida

Bahan Kimia Tambahan Bahan

(9)

Manajemen Produksi &

Perencanaan Produksi Pesanan

Pandangan modern dalam operasional pabrik adalah menetapkan hasil dari setiap elemen sebagai upaya mencapai tujuan global yang optimum.

Optimasi produksi: mendayagunakan keterbatasan sumber daya untuk mendapatkan hasil yang maksimum pada proses produksi. Sehingga dalam proses optimasi produksi diperlukan adanya perencanaan produksi agar kebutuhan produksi terpenuhi meskipun adanya keterbatasan sumber daya

Perencanaan produksi: aktivitas untuk menetapkan produk yang diproduksi, jumlah yang dibutuhkan, kapan produk tersebut harus selesai dan sumber-sumber yang dibutuhkan.

Proses produksi pesanan: perusahaan akan melakukan produksi apabila terdapat pesanan. Tujuan produksi pesanan bagi perusahaan adalah barang dengan spesifikasi tertentu memenuhi permintaan pelanggan dan dalam kurun waktu yang telah disepakati.

Dalam pengorganisasian kegiatan pabrik dikendalikan oleh manajemen pabrik. Salah satu kinerja manajemen pabrik yaitu melakukan fungsi perencanaan.

(10)

Program Linier

Program linier adalah cara untuk menyelesaikan persoalan pengalokasian

sumber-sumber yang terbatas di antara beberapa aktivitas yang bersaing

dengan menggunakan model matematis yang berkarakteristik linier untuk

nemukan suatu penyelesaian optimal, yaitu dengan memaksimumkan atau

me-minimumkan fungsi tujuan terhadap suatu susunan kendala.

Model program linier mempunyai tiga unsur utama yaitu:

1. Variabel Keputusan

2. Fungsi Tujuan

3. Fungsi Kendala

Bentuk umum model matematis program linier: (Siswanto, 2007)

Fungsi tujuan:

Fungsi kendala:

Optimumkan

(11)

Goal Programming

Model goal programming merupakan perluasan dari model program linier. Perbedaan terletak pada variabel deviasi yang bertindak bukan sebagai pengambil keputusan tetapi hanya sebagai fasilitator untuk merumuskan model. Selain itu, goal programming dapat menyelesaikan kasus program linier yang mempunyai banyak sasaran dan simultan.

Variabel deviasi dibedakan menjadi dua yaitu:

1. Variabel deviasi untuk menampung deviasi yang berada di bawah sasaran. Notasi:

Persamaan:

2. Variabel deviasi untuk menampung deviasi yang berada di atas sasaran. Notasi:

Persamaan:

(12)

Goal Programming

Bentuk Umum Model

Goal Programming

Minimumkan

dengan kendala sasaran:

4 penggunaan variabel deviasional untuk mewujudkan sasaran, antara lain:

1. Untuk mewujudkan suatu sasaran dengan nilai tertentu

2. Untuk mewujudkan suatu sasaran dibawah nilai tertentu

3. Untuk mewujudkan suatu sasaran diatas nilai tertentu

(13)

Peramalan

Peramalan dalam perencanaan produksi yaitu memperkirakan jumlah permintaan di masa datang. Permintaan menjadi perhatian karena akan menentukan jenis dan jumlah produk yang harus diproduksi.

Notasi Model:

Persamaan Model ARIMA:

dengan: ordep sebagai operator dari AR, orded merupakan differencing, ordeq sebagai operator dari MA.

Dalam metode time series perlu diperhatikan kestasioneran data, fungsi autokorelasi, dan fungsi autokorelasi parsial. Penyelesaian untuk model time series nonstasioner homogen yaitu dengan metode time series Box-Jenkins yang biasa disebut ARIMA.

(14)

Peramalan

Kestasioneran

1. Stasioner dalam varian

Deret dikatakan stasioner dalam varian jika rounded value =1.

Jika deret tidak stasioner dalam varian, maka dilakukan Transformasi Box-Cox.

2. Stasioner dalam mean

Kestasioneran deret dalam mean dapat dilihat dari plot ACF dan PACF.

Apabila kenaikan atau penurunan data tiap lag pada plot ACF dan PACF berjalan cepat, maka deret dikatakan stasioner dalam mean.

Apabila kenaikan atau penurunan data tiap lag pada plot ACF dan PACF berjalan lambat (seperti gelomb. sinus), maka deret dikatakan tidak stasioner dalam means. Jika deret tidak stasioner dalam mean, maka dilakukan pembedaan atau

differencing, yaitu menghitung perubahan atau selisih nilai observasi.

(15)

Peramalan

Identifikasi Model ARIMA

Plot ACF dan PACF digunakan untuk mengidentifikasi model awal ARIMA(p,d,q) dengan memperhatikan lag yang keluar.

Lag yang keluar pada plot ACF menjadi acuan dalam menentukan orde q sebagai operator MA, sedangkan lag yang keluar pada plot PACF menjadi acuan dalam menentukan ordep sebagai operator AR.

Pengujian Parameter

Pengujian parameter bertujuan untuk menentukan apakah parameter model sudah layak masuk kedalam model.

Hipotesis: Statistik Uji: Kriteria Pengujian: H₀ : H₁ : atau Jika

Parameter model dikatakan signifikan

(parameter tidak signifikan) (parameter signifikan)

(16)

Peramalan

Pengujian

White Noise

1. Pengujian residual independen

Uji yang digunakan untuk asumsi white noise adalah uji Ljung-Box. Uji white noise adalah sebagai berikut:

maka H ditolak & residual tidak white noise.

(residual memenuhi asumsi white noise)

minimum ada satu untuk (residual tidak white noise)

Ljung-Box statistik (Box-Pierce modified)

dengan adalah taksiran autokorelasi residual lag k

(17)

Peramalan

2. Pengujian residual berdistribusi normal

Untuk mengetahui bahwa residual memenuhi asumsi distribusi normal, maka dilakukan uji Kolmogorov Smirnovsebagai berikut:

maka H₀ ditolak & residual tidak berdistribusi normal.

(residual berdistibusi normal)

D=sup|S(x)-F₀(x)|

(residual tidak berdistibusi normal)

dengan,

S(x) : fungsi peluang kumulatif yang dihitung dari data sampel

F₀(x): fungsi peluang kumulatif distribusi yang dihipotesiskan

F(x) : fungsi distribusi yang belum diketahui

(18)

Pengumpulan data permintaan Identifikasi deret berkala Plot Box-Cox Transformasi Differencing Overfitting Stasioner dalam varian Stasioner dalam mean Uji parameter & white noise Model ARIMA Hasil ramalan Plot ACF & PACF

Ya

Ya Tidak

Tidak Signifikan

Tidak signifikan

(19)

MetodePenelitian

Identifikasi faktor perencanaan produksi Perumusan fungsi kendala & fungsi tujuan

Pengumpulan data & pendefinisian variabel keputusan

Perumusan koefisien fungsi kendala & fungsi tujuan Hasil ramalan

jumlah permintaan Pengolahan data pada_{proses produksi}

Pembentukan model

goal programming

Penyelesaian model dengan LINDO

(20)

ANALISIS DAN

PEMBAHASAN

(21)

Analisis & Pembahasan

 Dipilih dua produk pestisida yang produksinya bersifat kontinu.

 Periode setiap perencanaan produksi adalah selama satu bulan karena penyelesaian setiap pesanan adalah satu bulan.

 Produk pestisida memiliki batas waktu kadaluarsa selama dua tahun. Karena perencanaan produksi ini dilakukan untuk dua periode atau dua bulan, maka masa kadaluarsa produk diabaikan.

Data yang digunakan dalam perencanaan produksi ini antara lain:

1. Persediaan dan penggunaan bahan baku Bahan baku Persediaan bahan baku selama

1 bulan/liter

Penggunaan bahan baku/botol (liter) Produk I Produk II Bahan A Bahan B Bahan C 150.000 100.000 8.000 0,450 0,187 0,015 0,227 0,369 0,015 2. Kapasitas jam kerja mesin

Mesin Jumlah Kapasitas Jam Kerja Mesin (menit)

Jam Kerja Mesin/bulan (menit) Produk I Produk II Mesin Pengadukan Mesin Pengemasan 1 1 22.500 21.600 0.073 0.060 0.069 0.069

(22)

3. Biaya Transportasi dari Pabrik ke Gudang

Produk Biaya transportasi per produk (Rp) Produk I

Produk II

10 10

4. Biaya penyimpanan produk di gudang

Produk Biaya penyimpanan per produk (Rp) Produk I

Produk II

8 8

5. Anggaran dan target perusahaan

Tujuan Ketetapan Perusahaan Penggunaan mesin

Biaya transportasi gudang

15.000 menit Rp. 4.500.000

Gudang produk terletak diluar atau terpisah dengan komplek pabrik sehingga diperlukan anggaran dana untuk transportasi.

Anggaran: ketetapan biaya yang disediakan perusahaan untuk memenuhi kebutuhan selama satu periode perencanaan.

Target: sasaran hasil kerja yang direncanakan dan ditetapkan perusahaan untuk dicapai selama satu periode perencanaan.

Perusahaan menyewa gudang di luar area perusahaan untuk menyimpan hasil produksi. Kapasitas gudang dapat menampung sebanyak 294.000 botol produk.

(23)

Peramalan permintaan

1. Permintaan Produk I Rounded value = 0.5 Transformasi

Z

t Rounded value = 1 Stasioner dalam varians

Plot PACF dan plot ACF yang sudah di-differencing dan stasioner dalam mean

(24)

Pengujian Parameter

Parameter Estimasi Standart Error t -hitung P-value

1 -0,36884 0,12122 -3,044 0,0029

1 0,39757 0.12788 3,11 0,0382

2 0.32244 0,15207 2,12 0,0035

Karena

 Ketiga parameter model signifikan

dan p-value < 0.05, maka H₀ ditolak.

Pengujian White Noise

Pada tahap identifikasi sudah stasioner dalam means dan varians, maka model dapat dikatakan sudah identik.

Pengujian independensi dari residual dengan menggunakan uji Ljung-Box.

Lag (K) Q P-value 6 7,37 7,815 0,0612 12 11,55 16,919 0,2410 18 14,40 24,996 0,4967 24 20,95 32,671 0,4619 dan p-value > 0.05 Karena maka H₀ diterima.

(25)

Uji normal dengan menggunakan uji Kolmogorov Smirnov pada SAS

Tests for Normality

Test --Statistic--- ---p Value---Shapiro-Wilk W 0.990218 Pr < W 0.9044 Kolmogorov-Smirnov D 0.065925 Pr > D >0.1500 Cramer-von Mises W-Sq 0.03322 Pr > W-Sq >0.2500 Anderson-Darling A-Sq 0.212227 Pr > A-Sq >0.2500

diperoleh nilai D = 0.065925. 2. Permintaan Produk II Rounded value = 0 Transformasi Ln(Zt) Rounded value = 1.33 Transformasi Rounded value = 1

 Residual berdistribusi normal.

(26)

Plot PACF dan plot ACF yang sudah di-differencing dan stasioner dalam mean

Model ARIMA ARIMA (2,1,0)

Pengujian Parameter

Karena

 Ketiga parameter model signifikan

Parameter Estimasi Standart Error t-hitung P-value

1 -0,51032 0,11780 -4,33 <0,0001

2 -0,41340 0,11787 -3,51 0,0009 p-value < 0.05, maka H0 ditolak.

Pengujian White Noise

Pada tahap identifikasi sudah stasioner dalam means dan varians, maka model dapat dikatakan sudah identik.

Pengujian independensi dari residual dengan menggunakan uji Ljung-Box.

dan p-value > 0.05

Karena

maka H₀ diterima.

 Residual white noise.

Lag (K) Q P-value

6 4,83 9,488 0,3050 12 7,19 18,307 0,7066 18 21,54 26,296 0,1575

(27)

Uji normal dengan menggunakan uji Kolmogorov Smirnov pada SAS

Tests for Normality

Test --Statistic--- - ----p Value---Shapiro-Wilk W 0.977723 Pr < W 0.3192 Kolmogorov-Smirnov D 0.055853 Pr > D >0.1500 Cramer-von Mises W-Sq 0.027092 Pr > W-Sq >0.2500 Anderson-Darling A-Sq 0.257624 Pr > A-Sq >0.2500

diperoleh nilai D = 0.055853.

 Residual berdistribusi normal.

Karena dan (p-value>0.15) > 0.05, maka H₀ diterima.

Hasil Peramalan Permintaan

Hasil ramalan untuk produk I dan produk II yang sesuai dengan model ARIMA terbaik dan diolah menggunakan SAS

Bulan Produk I (liter) Produk II (liter)

April 208.860 21.059

(28)

Perumusan Model

Goal Programming

Pendefinisian variabel keputusan yang digunakan dalam model goal programming ini adalah sebagai berikut:

: jumlah produk i yang diproduksi pada periode - t i : jenis produk yang dihasilkan, i = 1 dan 2

t : periode produksi, t = 1 dan 2 bulan

n : jenis bahan baku yang tersedia, n = 1,2,3,4

Notasi dan variabel yang digunakan dalam permasalahan perencanaan produksi adalah sebagai berikut:

P1: prioritas pertama, terpenuhinya target jumlah produk pesanan yang akan diproduksi. P2: prioritas kedua, terpenuhinya anggaran biaya yang tersedia untuk transportasi.

P3: prioritas ketiga, terpenuhinya anggaran biaya yang tersedia untuk sewa gudang produksi. P4: prioritas keempat, terpenuhinya target memaksimumkan penggunaan.

dn1,dn2,dn3,dn4: deviasi negatif menunjukkan tingkat pencapaian produksi kurang dari target jumlah permintaan yang ditetapkan.

(29)

X11: jumlah produk I yang diproduksi pada periode 1. X12: jumlah produk I yang diproduksi pada periode 2. X21: jumlah produk II yang diproduksi pada periode 1. X22: jumlah produk II yang diproduksi pada periode 2.

Model lengkap dalam permasalahan perencanaan produksi berdasarkan bentuk umum model goal programming:

Fungsi Tujuan:

Minimumkan Z, dengan

Fungsi Kendala:

1. Kendala bahan baku Bahan A

Bahan B

Bahan C

2. Kendala kapasitas jam kerja mesin Mesin pengadukan

(30)

3. Kendala kapasitas gudang

Kendala Sasaran atau Tujuan:

1. Target pemenuhan jumlah pesanan

2. Target meminimumkan biaya transportasi

3. Target meminimumkan biaya penyimpanan produk

4. Target memaksimumkan penggunaan mesin

Tujuan ini adalah pemaksimuman penggunaan mesin untuk produksi produk I.

(31)

Hasil Pemrograman LINDO

Hasil LINDO untuk periode pertama

Prioritas Sasaran Target Hasil LINDO Ket

I Memenuhi jumlah pesanan T II Meminimumkan biaya transportasi Rp. 4.500.000 Rp. 2.299.190 T III Meminimumkan biaya gudang Rp. 2.500.000 Rp. 1.839.352 T IV Memaksimumkan penggunaan mesin 15.000 menit 27.778,379883 menit T Keterangan: T : Tercapai TT : Tidak Tercapai

(32)

Hasil LINDO untuk periode kedua

Keterangan: T : Tercapai

TT : Tidak Tercapai

I Memenuhi jumlah pesanan T II Meminimumkan biaya transportasi Rp. 4.500.000 Rp. 2.842.810 T III Meminimumkan biaya gudang Rp. 2.500.000 Rp. 2.274.248 T IV Memaksimumkan

penggunaan mesin 15.000 menit

34.992,699219

(33)

Pemanfaatan sumber daya untuk dua periode

Sumber Daya Periode Kapasitas Pemanfaatan Ket

Bahan A 1 2 150.000 150.000 98.767,393 123.203,756 T T Bahan B 1 2 100.000 100.000 46.827,591 57.014,943 T T Bahan C 1 2 8.000 8.000 3.448,785 4.264,215 T T Muatan Gudang 1 2 294.000 294.000 229.919 284.281 T T Jam Kerja Mesin Pengadukan 1 2 22.500 22.500 16.699,851 20.667,801 T T Jam Kerja Mesin Pengemasan 1 2 21.600 21.600 13.984,671 17.247,462 T T Keterangan: T : Tercapai TT : Tidak Tercapai

(34)

Analisis Hasil Model

Goal Programming

pada LINDO dengan Kenaikan Permintaan

Kenaikan maksimal untuk permintaan kedua produk pada periode pertama yang masih dapat dipenuhi sebesar 25%. Hasil LINDO untuk periode pertama dengan kenaikan permintaan 25% adalah sebagai berikut:

I Memenuhi jumlah pesanan T II Meminimumkan biaya transportasi Rp. 4.500.000 Rp. 2..873.990 T III Meminimumkan biaya gudang Rp. 2.500.000 Rp. 2.299.192 T IV Memaksimumkan

34.722,974609

menit T

(35)

Kenaikan maksimal untuk permintaan kedua produk pada periode kedua yang masih dapat dipenuhi sebesar 3%. Hasil LINDO untuk periode kedua dengan kenaikan permintaan 3% adalah sebagai berikut:

I Memenuhi jumlah pesanan T II Meminimumkan biaya transportasi Rp. 4.500.000 Rp. 2.928.090 T III Meminimumkan biaya gudang Rp. 2.500.000 Rp. 2.342.472 T IV Memaksimumkan

36.042,468750

menit T

(36)

Kesimpulan dan Saran

Kesimpulan

1. Analisis hasil untuk sasaran yang telah ditetapkan adalah sebagai berikut:

a. Jumlah pesanan dari kedua produk untuk dua periode dapat terpenuhi. Pesanan produk I bulan pertama sebesar 208.860 liter dan bulan kedua sebesar 263.103 liter. Pesanan produk II bulan pertama sebesar 21.059 liter dan bulan kedua sebesar 21.178 liter.

b. Biaya transportasi dari pabrik ke gudang yang perlu dikeluarkan perusahaan sebesar Rp. 2.299.190 pada periode pertama dan Rp. 2.842.810 pada periode kedua, sehingga perusahaan dapat mengurangi biaya transportasi sebesar Rp. 2.200.810 pada periode pertama dan Rp. 1.657.190 pada periode kedua dari anggaran yang disediakan sebesar Rp. 4.500.000 setiap periode.

c. Biaya penyimpanan produk di gudang yang perlu dikeluarkan perusahaan sebesar Rp. 1.839.352 pada periode pertama dan Rp. 2.274.248 pada periode kedua, sehingga perusahaan dapat mengurangi biaya penyimpanan produk sebesar Rp. 660.648 pada periode pertama dan Rp.225.752 pada periode kedua dari anggaran yang disediakan sebesar Rp. 2.500.000 setiap periode.

(37)

d. Target penggunaan mesin pengadukan dan mesin pengemasan untuk produksi produk I sebesar 15.000 menit setiap periode dapat dicapai dengan model yang ada yaitu sebesar 27.778,379883 pada periode pertama dan 34.992,699219 menit pada periode kedua.

3. Jumlah produk yang dihasilkan telah memenuhi jumlah pesanan. Namun produksi tersebut kurang maksimal karena pemakaian bahan baku, jam kerja mesin, dan kapasitas gudang masih lebih sedikit dari ketersediaannya.

Saran

1. Untuk memperoleh hasil optimasi yang mendekati kondisi nyata perusahaan maka sebaiknya pada penelitian selanjutnya menambah fungsi tujuan dan memperbanyak fungsi kendala. Diperlukan informasi yang lebih mengenai tujuan dan kendala perusahaan dalam produksi sehingga hasil perencanaan produksi lebih optimal.

2. Bagi perusahaan, dengan adanya perencanaan produksi maka perusahaan bisa lebih mempersiapkan kebutuhan produksi tiap periode, terlebih dalam menyediakan bahan dan memperhitungkan kapasitas gudang. Bila jumlah pesanan dalam suatu periode lebih besar dari kapasitas gudang, maka perusahaan harus melakukan pendistribusian secara cepat tanpa harus menunggu masa pesanan agar produk tidak menumpuk di gudang yang dapat mengakibatkan overload.

(38)

Daftar Pustaka

• Blog Pendidikan. 2010. Aplikasi Pestisida di Bidang Pertanian.

<URL:http://www.harisok.blogspot.com/2010/05/aplikasi-pestisida-di-bidang-pertanian.html> diakses pada 11 Maret 2011 pukul 22.00 WIB.

• Dimyati, Tjutju T. & Dimyati, Ahmad. 2009. Operation Research:Model-Model Pengambilan Keputusan. Sinar Baru Algesindo. Bandung.

• Hadiguna, Rika A. 2009. Manajemen Pabrik. Bumi Aksara. Jakarta. • Kementerian Pertanian Indonesia. 2010. Apa Itu Pestisida?.

<URL:http://www.epetani.deptan.go.id/node/apa-itu-pestisida-1528> diakses pada 25 Februari 2011 pukul 20.15 WIB.

• Kliping Nurmala. 2010. Perencanaan dan Pengendalian Produksi.

<URL: http://klipingnurmala.blogspot.com/2010/05/perencanaan-dan-pengendalian-produksi.html> diakses pada 13 Maret 2011 pukul 01.03 WIB.

• Leung, Stephen C.H. & Chan, Shirley S.W. 2009.A Goal Programming Model for Aggregate

Production Planning with Resource Utilization Constraint. Computers & Industrial

Engineering 56 (2009) 1053-1064.

• Makridakis, S., Steven C. Wheelwright, and Victor E. McGee. 1999. Metode dan Aplikasi Peramalan, edisi kedua. Binarupa Aksara. Jakarta.

• Megasari, Kartika. 2010.Goal Programming untuk Perencanaan Produksi Agregat dengan Kendala Sumber Daya. Jurusan Matematika ITS. Surabaya

• Siswanto. 2007.Operation ResearchJilid Satu. Erlangga. Bogor.

• Wei, William W.S. 2006. Time Series Analysis: Univariate and Multivariate Methods. Pearson Education, Inc. USA.