Professional Documents
Culture Documents
1.1 Tujuan Praktikum 1. Mampu memahami manfaat dan posisi peramalan dalam sistem industri 2. Mampu memahami definisi tentang beberapa hal yang berkaitan dengan metode peramalan. 3. Memberikan pemahaman mengenai beberapa metode dan teknik peramalan . 4. Mampu memahami dan menggunakan metode peramalan secara manual maupun dengan bantuan program MINITAB dari beberapa contoh kasus. 5. Melatih mahasiswa untuk menentukan metode peramalan yang tepat untuk memprediksi kebutuhan yang diperlukan dalam proses produksi. 1.2 Materi Pendukung Materi pendukung disini akan dipelajari perencanan dan pengendalian Produksi, peramalan 1.2.1 Perencanan dan Pengendalian Produksi Input dari sistem perencanaan dan pengendalian produksi berupa informasi dalam bentuk pesanan (order), sumber daya (mesin, material, manusia dan modal) dan energi. Kegiatan perencanaan dan pengendalian produksi bertujuan sebagai berikut : 1. Mengusahakan agar perusahaan dapat berproduksi secara efisien dan efektif. 2. Mengusahakan agar perusahaan dapat menggunakan modal (sumber daya) secara optimal. 3. Meningkatkan efisien sistem produksi. Sistem perencanaan dan pengendalian produksi terbagi ke dalam tiga tingkatan, yaitu : 1. Perencanaan jangka panjang (Long Range Planning). Meliputi kegiatan peramalan usaha, perencanaan jumlah produk dan penjualan, perencanaan produksi, perencanaan kebutuhan bahan dan perencanaan finansial. 2. Perencanaan jangka menengah (Medium Range Planning). Meliputi kegiatan berupa perencanaan kebutuhan kapasitas (CRP), perencanaan kebutuhan material (MRP), jadwal induk produksi (MPS) dan perencanaan kebutuhan distribusi (DRP). 3. Perencanaan jangka pendek (Short Range Planning). Terdiri dari kegiatan penjadwalan perakitan produk akhir (FAS), perencanaan dan pengendalian inputoutput, pengendalian kegiatan produksi, perencanaan dan pengendalian pembelian material (Purchasing) dan manajemen proyek. Aliran proses perencanaan dan pengendalian manufaktur. 1. Peramalan a. Sumber data : data didapat dari permintaan (data aktual) sebelum tahun perhitungan. Oleh karena itu peramalan hanya diperlukan dalam sistem manufaktur make to stock.
Causal Methods
Analogies
Nave Methods
Moving Averages
Exponential Smoothing
References :
Simple Regression
ARIMA
Makridakis et al. Hanke and Reitsch Wei, W.W.S. Box, Jenkins and Reinsel
Neural Networks
Peramalan dengan menggunakan metode kuantitatif dapat diterapkan apabila terdapat 3 kondisi yaitu : 1) tersedia informasi masa lalu, 2) informasi tersebut dapat dikuantifikasikan dalam bentuk numerik dan 3) diasumsikan pola data masa lalu akan berulang dimasa mendatan. Dengan kata lain, jika asumsi tersebut tidak dipenuhi maka kemungkinan besar hasil ramalan menjadi tidak akurat. Pola data time series dikelompokkan menjadi empat komponen yaitu a. Trend/Kecenderungan (T) Trend merupakan sifat dari permintaan masa lalu terhadap waktu kejadian, permintaan cenderung naik,turun, konstan. b. Season/musiman (S) Fluktuasi permintaan produk dapat naik atau turun disekitar garis trend dan biasanya berulang setiap tahun (misalnya kuartalan, bulanan, mingguan dll). Pola musiman dapat dilihat bila pada plot data terkadang naik dan terkadang turun dalam jangka waktu atau periode tertentu. Panjang periode musiman dapat dilihat dari jarak periode antar puncak atau antar lembah pada plot time series. c. Cycle/Siklus Permintaan suatu produk dapat memiliki siklus yang berulang secara periodik biasanya lebih dari satu tahun. datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis
Nave Model SimpleAverages MovingAverages SingleExponential Smoothing Nonseasonal stationary Models pd ARIMA
Nave Model Double MovingAverages Double Exponential Smoothing Regresi untuk trend linier Nonseasonal non stationary Models pd ARIMA
Nave Model winters models Regresi untuk seasonal data Seasonal and Multiplicative Models pd ARIMA
Nave Model winters model Regresi untuk cyclic effect Intervention Models pd ARIMA
Langkah-langkah proses peramalan : langkah 1. Kumpulkan data masa lalu dan bagi menjadi 2 yaitu data training dan data testing 2. Buat plot data masa lalu baik data training dan data testing. 3. Memilih model peramalan dengan memilih 2 atau lebih metode yang memenuhi tujuan peramalan dan sesuai dengan plot data training training. 4. Menghitung parameter-parameter fungsi peramalan contoh (a, b, ). parameter 5. Menghitung error dengan ukuran error yang ditentukan.
ei = Yi Yi
Dengan
Untuk menentukan metode peramalan yang terpilih dipilih yang error (kesalahan peramalan) terkecil.Ada beberapa uji kesalahan peramalan yaitu 1.MSE/MSD (mean squared error) Adalah rata-rata kuadrat kesalahan (residual atau error).
(
MSE =
i =1
Yi Yi n
) e
=
i =1
2.MAD (mean absolute deviation) Adalah ukuran kesalahan peramalan dalam unit ukuran yang sama dengan data aslinya.
Yi Yi
MAD =
i =1
e
=
i =1
3.MAPE (mean absolute percentage error) Adalah persentase kesalahan absolut rata-rata.
MAPE =
dengan
i =1
PEi n =
i =1
Yi Yi (100% ) Yi n
e
MPE =
i =1
Uji Validasi Merupakan suatu tahapan untuk menguji apakah metode peramalan yang digunakan sesuai dengan kondisi nyata atau tidak. Uji validasi dilakukan dengan membagi data penelitian menjadi 2 (tidak harus sama banyak), satu bagian digunakan data training , yang dibuat model (model building) dan sisa data yang belum dipakai disebut data testing digunakan untuk mengukur validasi, apakah hasil ramalan dari model (yang dibangun dari data training ) memang memberikan hasil yang baik menghitung error peramalan. Model terbaik dipilih yang nilai kreteria MAPE terkecil.
MAPE =
dengan
Xi
i =1
PEi n =
i =1
Yi Yi (100% ) Yi n
Yt +1 = Yt
ii) Pola Data yang Mengandung Trend Naive 2 adalah model yang paling sederhana untuk data yang mengandung trend dirumuskan :
Yt +1 = Yt + (Yt Yt 1 )
iii) Pola Data Musiman atau Gabungan Musiman dan Trend Naive 3 adalah model yang paling sederhana untuk data yang mengandung pola musiman atau gabungan musiman dan trend dirumuskan sebagai berikut:
Yt +1 = Y(t +1) s
B Model Average (Rata-Rata) Terdiri dari i)Simple average (SA) Metode ini menggunakan nilai rata-rata semua data time series untuk meramalkan masa mendatang. Metode ini digunakan untuk data yang stasioner, yaitu dirumuskan sebagai berikut:
Y Yt +1 = t t =1 n
ii) moving average (MA) Metode ini menggunakan nilai rata-rata sejumlah data time series (di masa lalu) untuk meramalkan masa mendatang. Metode ini digunakan untuk data yang stasioner, yaitu dirumuskan sebagai berikut:
(Y + Y + K + Yt n +1 ) M t = Yt +1 = t t 1 n
iii) Double moving Average (DMA) Setelah sejumlah moving average dihitung, maka dihiutng lagi sejumlah moving average yang kedua. Hasil moving average yang kedua akan digunakan untuk melakukan peramalan. Metode ini digunakan untuk data yang mengandung trend linier. Peramalan dilakukan melalui beberapa tahap yaitu 1) 2)
(Yt + Yt 1 + K + Yt n +1 ) n ( M t + M t 1 + K + M t n +1 ) M t = n M t = Yt +1 =
Laboratorium OSI & K | FT. UNTIRTA | Cilegon - Banten
3) 4)
Yt + p = at + bt p
C Model-model Eksponensial Smoothing Pada metode pemulusan eksponensial, pada dasarnya data masa lalu dimuluskan dengan cara melakukan pembobotan menurun secara eksponensial terhadap nilai pengamatan yang lebih tua. Atau nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai pengamatan yang lebih lama. Nilai digunakan untuk menghaluskan perbedaan permintaan dari periode ke periode. Jadi bila selisih jumlah permintaan dari periode satu ke periode yang lain semakin besar, maka nilai alpha yang dipilih mendekati 1. i) Single eksponensial smoothing (SES) Model ini biasa juga disebut model eksponensial sederhana. Model ini digunakan untuk memodelkan data dengan pola stasioner. Model ini ditulis secara matematis sebagai berikut: 0 < <1 dengan
Yt +1 = Yt + (1 )Yt
ii)
Double eksponensial smoothing (DES) atau Hold method Model eksponensial sederhana ganda biasa disebut juga model Holt atau metode Brown. Model ini digunakan untuk memodelkan data yang mengandung pola trend. Metode Double Exponential Smoothing memberikan pembobotan pada observasi masa lalu secara berganda. Pada dasarnya, Double Exponential Smoothing tetap menggunakan pembobotan model Single Exponential Smoothing namun terdapat penambahan pembobot untuk mengestimasi adanya trend pada data. Tahapan yang harus dilakukan adalah sebagai berikut: 1) Pemulusan secara eksponensial (Taksiran Level) At = Yt + (1) (At-1+ Tt-1) dengan 2)Taksiran trend Tt = (At At-1) + (1 ) Tt-1 dengan 3)Peramalan untuk p periode ke depan
0 1
0 1
Yt + p = At + pTt
Nilai At menyatakan estimasi besarnya (level) nilai ramalan pada waktu t, nilai Tt menyatakan nilai slope pada waktu t. Nilai pembobotan dan dapat ditentukan oleh user, namun dalam beberapa software telah dilakukan optimisasinya.
Model Regresi untuk Data seasonal (variasi konstan) Yt = a + b1 D1 + + bS-1 DS-1 + error dengan : D1, D2, , DS-1 adalah dummy waktu dalam satu periode seasonal.
Iii Model Regresi untuk Data dengan Linier trend dan seasonal (variasi konstan) Yt = a + b.t + c1 D1 + + cS-1 DS-1 + error Gabungan model 1 dan 2.
E Model ARIMA Box Jenkins Model ARIMA (AutoregressiveIntegreatedMoving Average) pertama kali dikembangkan oleh George Box dan Gwilym Jenkins pada tahun 1976, untuk itu pemodelan ARIMA sering juga disebut BoxJenkins models. Seperti halnya pada metode analisis sebelumnya, model ARIMA dapat digunakan untuk analisis data deret waktu dan peramalan data. Pada model ARIMA diperlukan penetapan karakteristik data deret berkala seperti : stasioner, musiman dan sebagainya, yang memerlukan suatu pendekatan sistematis, dan akhirnya akan menolong untuk mendapatkan gambaran yang jelas mengenai model-model dasar yang akan ditangani. Hal utama yang mencirikan dari model ARIMA dalam rangkan analisis data deret waktu dibandingkan metode pemulusan adalah perlunya pemeriksaan keacakan data dengan melihat koefisien autokorelasinya. Model ARIMA juga bisa digunakan untuk mengatasi masalah sifat keacakan, trend, musiman bahkan sifat siklis data data deret waktu yang dianalisis. Ada empat pemodelan mewakili ARIMA yaitu a) Model Autoregressive (AR(p)) Model Autoregressive (AR) menunjukkan nilai prediksi variabel dependen Zt hanya merupakan fungsi linier dari sejumlah Zt aktual sebelumnya. Sebagai contoh, nilai variabel dependen Zt hanya dipengaruhi oleh nilai variabel tersebut satu periode sebelumnya maka model tersebut disebut dengan model autoregresif tingkat pertama atau disingkat AR(1). Sehingga bentuk model AR(1) dapat dinyatakan dalam persamaan sebagai berikut (Wei, 1994).
Z t = 1Z t 1 + ... + p Z t p + at
dengan : Z = variabel dependen Zt-1, Zt-p = kelambanan (lag) dari Z
(2.3)
at
p
b) Model Moving Average (MA(q)) Model Moving Average (MA) menunjukkan bahwa nilai prediksi variabel dependen Zt hanya dipengaruhi oleh nilai residual pada periode sebelumnya. Sebagai contoh, nilai variabel dependen Zt hanya dipengaruhi oleh nilai residual pada satu periode sebelumnya maka disebut dengan model MA tingkat pertama atau disingkat dengan model MA(1). Sehingga bentuk model MA(1) dapat ditulis sebagai berikut (Wei, 1994) .
Z t = (1 1 B ) at Z t = at 1at 1
Secara umum bentuk model MA(q) adalah (Cryer, 1986) :
(2.4) (2.5)
Z t = at 1at 1 ... q at q
dengan :
(2.6)
at
= residual
c) Model Autoregressive Moving Average (ARMA(p,q)) Seringkali perilaku data time series dapat dijelaskan dengan baik melalui penggabungan antara model AR dan model MA. Model gabungan ini disebut Autoregressive Moving Average (ARMA). Misalnya nilai variabel dependen Zt dipengaruhi oleh nilai variabel tersebut satu periode sebelumnya dan nilai residual pada satu periode
(1 1B ) Zt = (1 1B ) at Zt =1 Z t 1 + at 1 at 1
Secara umum model ARMA(p,q) dapat ditulis dalam bentuk :
(2.7) (2.8)
Z t = 1 Z t 1 + ... + p Z t p + at 1 at 1 ... q at q
d) Model Autoregressive Integrated Moving Average (ARIMA(p,d,q))
(2.9)
Asumsi dasar yang digunakan dalam pembahasan proses time series model AR, MA, ARMA, dan ARIMA adalah proses yang stasioner baik dalam mean maupun varians. Jika data belum stasioner dalam varians maka dilakukan transformasi. Transformasi yang digunakan adalah Box-Cox (Wei, 1994).Namun bila data belum stasioner dalam mean maka dilakukan proses differencing. Proses differencing merupakan suatu proses mencari perbedaan antara data satu periode dengan periode yang lainnya secara berurutan. Secara umum bentuk ARIMA(p,d,q) adalah :
(B )(1 B )d Z t = (B ) at
dengan :
(2.10)
1. Tentative IDENTIFICATION
NO
2. Parameter ESTIMATION
Testing parameters
Forecast calculation
a. Tahap Identifikasi Tahap identifikasi dilakukan dengan mengamati kestasioneran data dapat dilihat secara visual melalui plot time series, pola estimasi fungsi autokorelasi (ACF), pola fungsi autokorelasi parsial (PACF). Data stationer jika plot time series cenderung membentuk trend sejajar dengan sumbu horizontal dengan fluktuasi yang relative konstan. Menurut Wei(1994) data time series tidak stasioner jika nilai autokorelasi mulai lag 1 pada plot ACF turun dengan lamban dan nilai autokorelasi parsial pada plot PACF cut off setelah lag 1. Dan mengamati dan yang diperoleh dari data yang selanjutnya digunakan untuk mendapatkan. Tabel 1 memperlihatkan karakteristik ACF dan PACF yang bisa digunakan untuk mengidentifikasi dugaan model yang sesuai.
Tabel 1 Karakteristik ACF dan PACF Model AR(p) MA(q) ARMA (p,q) White Noise ACF Dies down Cut of after lag p Dies down after lag (q-p) Semua 0 = k PACF Cut of after lag p Dies down Dies down after lag (p-q) Semua 0 = kk
Keterangan
cuts off
0 Lag k
no oscillation
Lag k
8
oscillation
0 Lag k -1
Lag k
-1
b. Tahap Estimasi Parameter Setelah dilakukan identifikasi model sementara dan telah diketahui p dan q, tahap selanjutnya adalah mengestimasi parameter-parameter model. Secara umum penaksiran parameter model ARIMA dengan menggunakan beberapa metode yaitu metode Moment, metode Least Squares, dan metode Maximum Likelihood. c. Tahap Pemeriksaan Diagnostik Pemeriksaan disgnostik dapat dibagi dalam dua bagian yaitu uji signifikansi parameter dan uji kesesuaian model, i) Uji Signifikansi Parameter Model ARIMA yang baik adalah model yang menunjukkan bahwa taksiran parameternya signifikan berbeda dengan nol. Misalkan adalah suatu parameter pada model, Hipotesisnya adalah H0 : = 0 H1 : 0 Statistik uji : t =
^ SE
^
^ ^
(2.11)
ii) Uji kesesuaian model Pengujian terhadap residual untuk mengetahui ketepatan model tersebut. Pemeriksaan residual terbagi menjadi 2 yaitu pemeriksaan white noise dan kenormalan residual.Suatu model bersifat white noise artinya residual dari model tersebut telah memenuhi asumsi identik (variasi residual homogen) serta independen (antar residual tidak berkorelasi). Pengujian asumsi white noise dilakukan dengan menggunakan uji Ljung-Box. Hipotesis : H0 : 1 = 2 = ... = k = 0 H1 : Minimal ada satu j 0 , j = 1 , 2 , ..., k Statatistik uji : Q* Q* = n(n+2)
r 2k 1 n k k=
K
berdistribusi 2 sehingga perumusan untuk perhitungan white noise adalah (Wei, 1994). d. Tahap Peramalan Tahap peramalan bisa dilakukan jika seluruh parameter model signifikan dan seluruh asumsi residualnya terpenuhi. 2.4 Pemilihan Model Terbaik Pemilihan model terbaik dapat dilakukan berdasarkan kriteria in sampel (data training) yang meliputi : Mean Square Error (MSE), Akaikes Information Criterion (AIC) dan Schwatzs Bayessian Criterion (SBC). Berdasarkan kriteria out sampel (data testing), pemilihan model dapat dilakukan dengan memperhatikan nilai Mean Absolute Percentage Error (MAPE) merupakan salah satu ukuran ketepatan peramalan yang berkaitan dengan galat persentase (Makridakis, 1998). Model terbaik dipilih yang nilai kreteria kecil.
MAPE =
dengan
Xi
i =1
PE i n =
i =1
X i Fi (100% ) Xi n
(2.13)
Sales
Q3
Q1 2002
Q3
Q1 2003
Q3
Q1 2004
Q3
3. Hitung sesuai rumus Naive 1 (Y1_hat), Naive 2 (Y2_hat) dan Naive 3 (Y3_hat)dan error
4.Validasi dengan membandingkan plot data dengan plot model naive. Pilih yang paling sesuai dengan plot data sales
800
Data
600
400
Dipilih model naive 3 dengan MSE =7612,5 6.Peramalan pada kuartal 1,2,3,4 tahun 2005 diperoleh 850, 600, 450 dan 700 B. Model Average Prosedur praktikum Moving Average 1. Masukkan data dalam minitab 2. Plot data time series Stat > time series plot >simple ok 3. Pilih Stat > time series > moving average ok
4. Pilih Variable, masukkan data time series. In MA length, enter angka yang sesuai. 5. Check Generate forecasts, and enter 4 in Number of forecasts. Click OK. Studi kasus 2: Gunakan data studi kasus 1 dan bandingkan nilai MSE atau MSD nya Jawab 1. Dengan plot time series yang sama dengan kasus 1 maka langsung ke langkah 3 2. Pilih Stat > time series > moving average ok 3. Pilih Variable, masukkan data time series. In MA length, enter 4 4. Check Generate forecasts, and enter 4 in Number of forecasts. Click OK.
5. Diperoleh hasilnya
Moving Average Plot for Sales
1000 900 800 700 Sales 600 500 400 300 200 2 4 2 4 2 4 quarter 2 4
Variable A ctual Fits Forecasts 95.0% PI Moving A verage Length 4 A ccuracy Measures MA PE 20.4 MA D 116.7 MSD 21478.6
Dari model moving average diperoleh MSE 21478,6 dan Peramalan pada kuartal 1,2,3,4 tahun 2005 diperoleh dengan nilai yang sama yaitu 650 C. Model model Eksponensial Dalam minitab ada 3 model yaitu single eksponensial smoothing, double eksponensial smoothing dan Winters. i) Prosedur praktikum SES 1. Masukkan data dalam minitab 2. Plot data time series Stat > time series plot >simple ok 3. Pilih Stat > time series > single eksponensial smoothing 4. Pilih Variable, masukkan data time series. In Weight you smoothing, enter angka alpha yang sesuai. Check Generate forecasts, and enter 4 in Number of forecasts. Click OK Studi kasus : Sama dengan data kasus 1
Smoothing Plot for Sales
Single Exponential Method 900 800 700 600 500 400 300 200 2 4 6 8 10 12 Index 14 16 18 20
Variable A ctual Fits Forecasts 95.0% PI Smoothing C onstant A lpha 0.1 A ccuracy Measures MA PE 26.5 MA D 137.2 MSD 26283.5
Sales
ii)
1. Masukkan data dalam minitab 2. Plot data time series Stat > time series plot >simple ok 3. Pilih Stat > time series > Double Eksp smoothing. 4. Pilih Variable, masukkan data time series. In pilih alpha dan gamma enter angka yang sesuai. 5. Buat ramalannya
Studi kasus : Data sama dengan data kasus 1 Pilih Variable, masukkan sales. In pilih alpha=0.3 dan gamma =0.1
iii)
1. Masukkan data dalam minitab 2. Plot data time series Stat > time series plot >simple ok 3. Pilih Stat > time series > Winters Method 4. Pilih Variable, masukkan data time series. In seasonal length, enter angka yang sesuai. Tentukan nilai alpha, gamma dan delta Check Generate forecasts, and enter 4 in Number of forecasts. Click OK
D. Model-model regresi Time series Ada model Regresi untuk Linier trend, Model Regresi untuk Data seasonal (variasi konstan), Model Regresi untuk Data dengan Linier trend dan seasonal (variasi konstan) i) Prosedur Praktikum model Regresi untuk Linier trend
3.Pilih Stat > time series > trend analysis. Pilih Model Type sesuai plot data time series 4.forecasting Studi kasus: Seperti data pada kasus 1
Trend Analysis Plot for Sales
Linear Trend Model Yt = 387.0 + 16.7*t 900 800 700 Sales 600 500 400 300 200 year quarter
Variable A ctual Fits Forecasts A ccuracy Measures MA PE 24.9 MA D 116.6 MSD 18202.4
ii)
3. Buat dummy variabel sesuai jumlah seasonal 4.Pilih Stat > regression< regression 5. forecasting Studi kasus: Seperti data pada kasus 1. Dari plot ada sesonal 4 sesuai kuartal. Dibuat dummy variabel
S = 107.498
R-Sq = 64.1%
R-Sq(adj) = 55.1%
Analysis of Variance Source Regression Residual Error DF 3 12 SS 247542 138669 MS 82514 11556 F 7.14 P 0.005
DF 1 1 1
iii)
Prosedur Model Regresi untuk Data dengan Linier trend dan seasonal (variasi konstan)
Data
S = 35.9841
R-Sq = 96.3%
R-Sq(adj) = 95.0%
Analysis of Variance Source Regression Residual Error Total DF 4 11 15 SS 371967 14243 386211 MS 92992 1295 F 71.82 P 0.000
Data
Analisa : Dari data yang ada bila dibuat plot time series menunjukkan adanya pola trend dan seasonal dan dari pemilihan model yang baik memang menunjukkan model yang terbaik adalah winters model dan regresi dengan trend dan seasonal.
Model
MAD 52.29
MAPE 9.67
E. Model ARIMA Prosedur praktikum pada ARIMA 1.Tahap identifikasi a)Menggambar/plot data Pilih menu Stat > Time series > time series plot Lihat pola datanya apakah sudah stationer atau belum b)Menggambar ACF dan PACF Pilih menu Stat > Time series > Autocorerrelation (untuk menggambar ACF) dan pilih > Partial Autocorerrelation (untuk menggambar PACF). Setelah itu muncul tampilan seperti dibawah ini
Klik data yang akan dicari pada kotak series klik store ACF , store t statistic dan Ljung Box
b. Klik data yang akan diramal kemudian isi kolom autoregressive, difference dan moving average sesuai model yang cocok . Misal model yang cocok AR (1) maka isi kolom autoregressive dengan 1 yang lainnya 0. c. Pilih Graph pilih ACF for residuals fungsinya untuk mendeteksi proses whitenoise pada residual klik Ok
3) Tahap peramalan
1.Menggambar/plot data Pilih menu Stat > Time series > time series plot
1030
1 030 1 020 1 010 1 000 990 980 970 960 1 10 20 30 40 50 Inde x 60 70 80 90 100
outsampel
penjualan
1020
1010
1000
990 1 2 3 4 5 Index 6 7 8 9 10
(a)
(b)
Gambar 1 Plot data in sampel (a) dan data out sampel (b)
Plot ACF menunjukkan korelasi pada lag 1, 2, dan 3 melewati garis merah. Garis merah adalah selang kepercayaan yang merupakan batas signifikan autokorelasi. Berdasarkan diagram ACF dapat dikatakan bentuk ACF turun secara eksponensial.
Dari Plot PACF menunjukkan hanya pada lag 1 keluar dari garis merah. Berdasarkan ACF dan PACF menujukkan data telah stasioner Identifikasi awal dengan melihat plot data, nilai sampel ACF dan PACF-nya mengindikasikan bahwa data penjualan ini mengikuti model ARIMA(1,0,0) atau AR(1), karena bentuk ACF yang turun secara eksponensial dan PACF yang terputus setelah di lag 1.
Final Estimates of Parameters Type AR 1 Constant Mean Coef 0.7983 202.678 1004.78 SE Coef 0.0612 1.030 5.11 T 13.04 196.72 P 0.000 0.000
menunjukkan taksiran parameter model AR(1) tersebut signifikan berbeda dari nol dengan tingkat kepercayaan 95%. Hal ini dapat dilihat dari t hitung atau nilai p = 0,00 < = 0,05. Setelah dilakukan pengujian kesignifikan parameter langkah selanjutnya adalah uji kesesuaian model yang meliputi kecukupan model ( uji apakah residualnya white noise) dan uji asumsi distribusi normal
terlihat bahwa dengan Statistik uji Ljung Box, pada lag 12 p value adalah 0,296, lag24 p value = 0,634 dan seterusnya. Nilai p tersebut lebih besar dari = 0,05. artinya bahwa
residual telah memenuhi syarat white noise ( tidak ada korelasi antara residual pada lag t dengan residual pada lag 12, lag 24 dan seterusnya).
Percent
-40
-30
-20
-10
0 RESI1
10
20
30
40
Berdasarkan uji Kolmogorov Smirnov diperoleh nilai p > 0,15 yang lebih besar dari nilai = 0,05 sehingga dapat disimpulkan bahwa residual memenuhi asumsi berdistribusi normal Karena semua parameter dalam model signifikan dan residualnya telah memenuhi syarat white noise dan berdistribusi normal maka model dugaan awal sesuai. Secara matematis model ARIMA (1,0,0) dapat dituliskan dalam bentuk matematis adalah Z t = 202, 679 + 0, 7983Z t 1 + at dengan MSE = 106,1.
4. Tahap peramalan dilakukan karena seluruh parameter model signifikan dan seluruh asumsi residualnya terpenuhi.Hasil ramalan in sample dan out sample dapat dilihat pada Gambar 4.
Data
Data
5 6 Index
10
(a)
(b)
Pemilihan model terbaik yaitu ARIMA (1,0,0) dapat dilakukan berdasarkan kriteria in sampel (data training) dengan Mean Square Error (MSE) = 106,1 dan Berdasarkan kriteria out sampel (data testing), pemilihan model dapat dilakukan dengan memperhatikan nilai Mean Absolute Percentage Error (MAPE) yang kecil, diperoleh
MAPE =
i =1
X i Fi (100% ) Xi n
Dalam penelitian ini akan dilakukan prediksi penjualan pada hari ke-111 sampai 115, hasil prediksi menggunakan ARIMA (1,0,0). Berdasarkan Tabel 4 ditunjukkan pertumbuhan nominal penjualan mengalami peningkatan.
1. Jelaskan definisi peramalan? 2. Sebutkan dan jelaskan macam-macam peramalan! 3. Jelaskan perlunya peramalan kaitkan dengan PPC ? 4. Sebutkan pola data di peramalan dan sebutkan metode yang dipakai! 5. Jelaskan langkah-langkah / cara melakukan peramalan? 6. Selesaikan perhitungan dari data dibawah ini menggunakan moving average dan single eksponensial smoothing
1. Jelaskan definisi ARIMA ? 2. Jelaskan perbedaan AR, MA, ARMA dan ARIMA? 3. Jelaskan metode Box Jenkins ?Sebutkan !
III.
DAFTAR PUSTAKA