Dosen Pembimbing I : Wiwik Anggraeni, S.Si, M.Kom Dosen Pembimbing II : Retno Aulia Vinarti, S.Kom, M.Kom
Implementasi Metode Time Series Arima dan Arimax
pada Pemodelan Data Jumlah Permintaan Busana
Muslim Anak di Perusahaan Habibah Busana
1. Latar Belakang
Dalam proses produksinya, Habibah Busana selalu merencanakan target
jumlah produk yang harus diproduksi tiap bulannya secara manual (dengan melihat histori data penjualan periode sebelumnya).
Jumlah permintaan busana muslim yang cenderung berubah-ubah dan tidak
dapat diperkirakan jumlah pastinya, menyebabkan perencanaan yang telah dibuat tidak sesuai dengan kondisi nyata.
Perkiraan jumlah permintaan busana muslim dapat membantu Habibah
Busana untuk membuat perencanaan yang lebih efektif dan efisien.
Habibah Busana membutuhkan metode yang tepat untuk menghasilkan
2. Rumusan Masalah
Berapakah nilai ordo p, q, d, dan s yang digunakan pada model Arima untuk
menghasilkan peramalan jumlah permintaan busana muslim anak dengan tingkat akurasi terbaik?
Berapakah nilai ordo p, q, d, dan s yang digunakan pada model Arimax untuk
menghasilkan peramalan jumlah permintaan busana muslim anak dengan tingkat akurasi terbaik? Variabel bebas apa saja yang dapat digunakan untuk menghasilkan peramalan dengan akurasi terbaik?
Manakah diantara metode Arima dan Arimax yang lebih akurat digunakan
3. Batasan Masalah
Data yang digunakan merupakan data per bulan untuk permintaan busana
muslim anak tipe setelan rok selama bulan Januari 2005 sampai bulan Desember 2012.
Data yang akan diramalkan yaitu jumlah permintaan busana muslim anak
4. Tujuan Tugas Akhir
Mengimplementasikan model peramalan dengan metode Arima untuk data
jumlah permintaan busana muslim anak di Habibah Busana.
Mengimplementasikan model peramalan dengan metode Arimax berbasis
model variasi kalender untuk data jumlah permintaan busana muslim anak di Habibah Busana.
Membandingkan hasil model peramalan terbaik yang diperoleh dari metode
Arima dengan metode Arimax berbasis variasi kalender berdasarkan tingkat akurasinya.
Memperoleh nilai ramalan jumlah permintaan busana muslim anak di
Habibah Busana untuk periode satu tahun ke depan berdasarkan model dari metode yang terbaik.
5. Manfaat Tugas Akhir
Bagi perusahaan,
Dapat memberikan informasi yang lebih akurat kepada pihak Habibah Busana tentang
model dan ramalan jumlah permintaan busana muslim anak pada tahun-tahun berikutnya.
Habibah Busana akan mampu melakukan perencanaan serta pembuatan keputusan
operasional yang lebih efektif dan efisien terkait dengan produksi busana muslim anak, khususnya dalam perencanaan order kain bulanan dan jumlah potong baju yang diproduksi.
Bagi mahasiswa,
Dapat mengimplementasikan metode Arima dan Arimax berbasis variasi kalender
1. Analisis Data
Data-data yang digunakan dibagi menjadi 2 kelompok data,
yaitu :
Data training. Berisi kumpulan data untuk analisis dan penetuan model.
Terdiri dari data permintaan busana muslim anak Habibah Busana per. Januari 2005 s/d Desember 2011(N= 84).
Data testing. Berisi kumpulan data yang digunakan untuk menguji
keakuratan hasil peramalan model. Terdiri dari data permintaan busana muslim anak Habibah Busana per. Januari 2012 s/d Desember 2012 (N = 12).
1. Analisis Data (Cont’d)
Ada unsur musiman setiap 12 bulan, sehingga model Arima musiman dan Arimax musiman sesuai untk pemodelan
Jumlah permintaan produk cenderung meningkat pada bulan-bulan tertentu adanya variasi kalender.
Model variabel dummy untuk efek variasi kalender dapat ditambahkan pada metode Arimax musiman.
Plot menunjukkan jumlah permintaan tertinggi terjadi satu bulan sebelum terjadinya hari raya Idul Fitri.
Tahun 2005, jumlah permintaan tertinggi pada bulan Oktober. Tahun 2006, 2007, dan 2008, jumlah permintaan
tertinggi terjadi pada bulan September. Tahun 2009, 2010, 2011, jumlah permintaan melonjak naik pada bulan Agustus. Tahun 2012, lonjakan jumlah permintaan terjadi bulan Juli.
2. Perancangan Sistem Input
Perancangan Sistem Input untuk Metode Arima
Data Training
Data Testing
Data seluruh jumlah permintaan produk
5. Perancangan Sistem Output
Optimum Model Nilai AIC MAPE-in sample RMSE-in sample MAPE-out sample RMSE-out sample Tabel Data Hasil Training Process Tabel Data Hasil Testing Process Tabel Data Hasil Forecasting Process
7. Implementasi Sistem (Cont’d)
1. Uji Coba dan Verifikasi
Hasil Running Aplikasi menggunakan Metode Arima
2. Uji Coba dan Validasi
Validasi pada Sistem yang mengimplementasikan Metode Arima
Identifikasi Model
Uji Stasioneritas
Pendugaan ordo p dan q
Sehingga, pendugaan sementara model Arima yang mungkin adalah (2, 1, 0) (0,1,0)12 Diff 1
2. Uji Coba dan Validasi (Cont’d)
Validasi pada Sistem yang mengimplementasikan Metode Arima
Peramalan
Pendekatan in-sample
Pendekatan out-sample
Program SPSS Program Java
MAPE 22.44% 12.48%
RMSE 70.10917 23.023
Program SPSS Program Java
MAPE 36.00% 17.30%
2. Uji Coba dan Validasi (Cont’d)
Validasi pada Sistem yang mengimplementasikan Metode Arima Perbandingan plot hasil Pendekatan in-sample metode Arima pada program SPSS dan Java
2. Uji Coba dan Validasi (Cont’d)
Dari gambar perbandingan plot hasil proses training dan testing metode
Arima pada program SPSS dan program Java, dapat diketahui bahwa terdapat perbedaan atau gap yang cukup besar diantara keduanya.
Perbedaan ini dimungkinkan terjadi karena adanya faktor critical value yang
ada pada program Java namun tidak terdapat pada program SPSS.
Pada library JMSL class AutoArima yang digunakan untuk membangun
program Java terdapat fungsi untuk mengeset critical value.
Sehingga, dikarenakan SPSS merupakan statistic package yang sudah
tersertifikasi, maka untuk melakukan validasi hasil proses training dan testing akan dilakukan percobaan pengesetan ulang critical value pada program Java untuk mendapatkan hasil dari proses training dan testing dari program Java yang mendekati hasil dari program SPSS.
2. Uji Coba dan Validasi (Cont’d)
Pengesetan ulang critical value pada program Java dilakukan menggunakan beberapa
critical value yang berbeda yaitu sebesar 7.0, 8.5, dan 9.0. Adapun hasil dari proses training dan testing yang berupa nilai MAPE dan RMSE dari masing-masing nilai
critival value tersebut akan ditunjukkan pada berikut ini.
Dari table, dapat diketahui bahwa critical value yang menghasilkan nilai MAPE dan
RMSE yang paling mendekati dengan nilai MAPE dan RMSE dari SPSS yaitu critical value sebesar 9.0 dan diatas 9.0.
Sehingga, berdasarkan nilai MAPE dan RMSE yang dihasilkan dari proses traning dan
testing dengan bantuan software SPSS 17 dan yang dihasilkan dari program java, maka tetap dapat disimpulkan bahwa program telah valid karena nilai MAPE dan RMSEnya hampir sama (mendekati).
SPSS Program Java dengan Critical value7.0 8.5 >=9.0
Mape in-sample 22.44% 21.72 % 22.56 % 23.01% RMSE in-sample 70.11 64.764 75.018 73.58 Mape out-sample 36 % 17.99 % 26.36 % 25.96 % RMSE out-sample 180.238 85.86 165.38 165.11
2. Uji Coba dan Validasi (Cont’d)
Dari gambar perbandingan plot hasil proses training dan testing metode Arimax
pada program SPSS dan program Java, dapat diketahui bahwa terdapat perbedaan atau gap yang cukup besar diantara keduanya.
Perbedaan ini dimungkinkan terjadi karena adanya faktor critical value yang ada pada
program Java namun tidak terdapat pada program SPSS.
Pada library JMSL class AutoArima yang digunakan untuk membangun program Java
terdapat fungsi untuk mengeset critical value. Sehingga, dikarenakan SPSS merupakan statistic package yang sudah tersertifikasi, maka untuk melakukan validasi hasil proses training dan testing akan dilakukan percobaan pengesetan ulang critical value
pada program Java.
Pengesetan ulang critical value pada program Java dilakukan menggunakan beberapa
KESIMPULAN
1. Model Arima paling optimal yang dapat digunakan untuk meramalkan jumlah permintaan busana muslim
tipe setelan rok ini adalah model Arima dengan ordo p=2, d=1, q=0 dan s=12. Pada process training, implementasi model Arima menggunakan JMSL Numerical Library menghasilkan peramalan dengan tingkat akurasi yang baik yaitu nilai MAPE sebesar 12.48 % dan RMSE sebesar 23.023. Sementara itu, pada process testing, dihasilkan peramalan dengan tingkat akurasi yang baik yaitu nilai MAPE sebesar 17.30 dan RMSE sebesar 73.56.
2. Model Arimax paling optimal yang dapat digunakan untuk meramalkan jumlah permintaan busana
muslim tipe setelan rok ini adalah model Arimax dengan ordo p=3, d=1, q=0 dan s=12. Pada process training, implementasi model Arimax menggunakan JMSL Numerical Library menghasilkan peramalan dengan tingkat akurasi yang baik yaitu nilai MAPE sebesar 11.64 % dan RMSE sebesar 18.086. Sementara itu, pada process testing, dihasilkan peramalan dengan tingkat akurasi yang baik yaitu nilai MAPE sebesar 14.81 dan RMSE sebesar 72.09.
3. Dari hasil analisa implementasi metode Arimax dapat diketahui bahwa variabel bebas yang dapat
digunakan untuk menghasilkan peramalan dengan akurasi terbaik yaitu variabel dummy bulan dalam tahun (D1, D2,...., D12)., variabel dummy 1 bulan sebelum terjadinya idul fitri (DSIF), variabel dummy bulan saat terjadinya idul fitri (DIF) dan variabel dummy 1 bulan setelah terjadinya idul fitri (DIFS).
4. Dengan kemampuan metode Arimax dalam mengikutsertakan pengaruh dari adanya variasi kalender
berupa variable dummy, menjadikan metode Arimax dapat menghasilkan nilai peramalan dengan tingkat akurasi yang lebih baik dibandingkan dengan metode Arima.
