Peramalan Kebutuhan Bahan Baku Pembuatan Produk Plastik berdasarkan Data Pendapatan Menggunakan Metode ARIMA

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).

Santoso, S. 2009. Business Forecasting Metode Peramalan Bisnis Masa Kini Dengan Minitab dan SPSS. PT Elex Media Komputindo: Jakarta.

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.

Wibowo, I. 2010. Analisis Peramalan Penjualan Rokok Golden Pada PT.DJITOE Indonesia Tobacco Coy Surakarta. Skripsi. Universitas Sebelas Maret.

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

Plastik HDPE per KG

JAN2012 924

FEB2012 329

MAR2012 100

APR2012 434

MAY2012 546

. . .

. . .

OCT2014 3605

NOV2014 2282

DEC2014 910

2. Data Penjualan Produk Plastik PE

Dalam penelitian ini, data yang digunakan adalah produk jenis PE. Data yang digunakan dalam penelitian ini berjumlah 36 periode. Dimana 1 periode merupakan 1 bulan. Data histori penjualan produk plastik PE dapat dilihat pada tabel 3.2.

Tabel 3.2. Data Histori Penjualan Produk Plastik PE per PCS Bulan Total Penggunaan Produk

Plastik PE per KG

JAN2012 38626.12

FEB2012 33197.12

MAR2012 32559.83

APR2012 29603.02

MAY2012 28519.45

. . . . . .

OCT2014 28786.31

NOV2014 27589.08

DEC2014 31614.67

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 Bulan Total Penjualan Produk

Plastik PP per PCS

JAN2012 8988.67

FEB2012 8230.58

MAR2012 10020.21

APR2012 6096.3

MAY2012 10216.16

. . . . . .

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

terjadi error.*/

KomaPanjang = find (Panjang,',');

if KomaPanjang > 0then Panjang = tranwrd (Panjang,',','.');

KomaLebar = find (Lebar,',');

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;

run;

procprint data = Sasuser.Total_sort; run;

3.3.3. Data Selection

Pada tahap data selection yang dilakukan adalah menyeleksi data mana saja yang 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 mean dari data produk PP :

̅

̅

̅

̅

Setelah didapatkan nilai mean. Selanjutnya akan dicari nilai koefisien autokorelasi dengan (2.4).

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.

Untuk menguji data konstan dalam varians suatu data digunakan box-cox transformation dengan aplikasi minitab. Data dikatakan telat konstan dalam varians jika lambda = 1.Jika tidak terpenuhi maka dilakukan transformasi data. Berikut adalah diagram box-cox dari data produk PP.

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 =

Dengan cara yang sama, transformasi data produk PP dapat diperoleh. Setelah ditransformasi akan menghasilkan data yang baru yang nantinya akan di uji ulang kestasisionerannya dalam varians. Berikut hasil pengujian yang telah ditransformasi.

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

Apabila data sudah stasioner dalam mean dan varians maka tahap selanjutnya adalah indentifikasi model ARIMA. Biasanya dalam menentukan nilai p, d dan q dengan melihat pola grafik ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function). Namun dengan melakuan pemrograman didalam SAS akan didapatkan hasil ESACF (The Extended Sample Autocorrelation Function). ESACF di dalam SAS akan mengindentifikasi nilai p, d dan q berdasarkan pola grafik ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function).

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:

Dengan pemograman di SAS, estimasi koefisien / parameter AR dan nilai t-uji dapat dilihat pada Tabel 3.5.

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

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 (4,0,0). Dan diperoleh DF = 36-4 = 32. Selanjutnya dicari pada t-tabel dengan DF = 32 dan alpha 0,05 dan didapatkan nilai t-tabel adalah = 2,0369. Untuk uji t-tabel pada AR 1,1 (0,76 < 2,0301). Maka diterima dengan kata lain berarti estimasi koefisien AR 1,1 tidak signifikan. Begitu juga dengan koefisien AR 1,2 ,AR 1,3 dan AR1,4 (0,1 , 1,01 , -0,41) tidak signifikan. Sehingga model ARIMA (4,0,0) tidak bisa dijadikan model karena semua nilai koefisiennya 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:

= Estimasi dari koefisien signifikan = Estimasi dari koefisien tidak signifikan

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 :

( )

( )

Sedangkan untuk mencari nilai derajat kebebasan (DF) = jumlah lag – jumlah parameter ARIMA (3,0,2) yakni 6 – 5 = 1. Dengan cara yang sama, nilai-nilai chi-square autokorelasi residul dan derajat kebebasan ARIMA (3,0,2) dapat diperoleh. Dengan menggunakan permograman SAS hasil pengujian ljung-box dapat dilihat pada Tabel 3.7.

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

Use case diagram digunakan untuk memodelkan batasan sistem dan fungsi-fungsi utamanya. Mendiskripsikan fungsi dari sebuah sistem dari perspektif pengguna, use case bekerja dengan cara mendeskripsikan tipikal interaksi antara pengguna sebuah sistem dengan sistemnya sendiri melalui sebuah alur bagaimana sebuah sistem

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) No. Nama Use

Case

Deskripsi

data pengguna.

Ucf-02 Data Suatu fungsi atau menu untuk menampilkan data penjualan.

Ucf-03 Peramalan Suatu fungsi atau menu untuk menampilkan hasil peramalan.

3. Skenario Use Case

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

Aksi Aktor Aksi Sistem

Langkah 1:

User mengklik menu data pengguna.

Langkah 2:

Sistem menampilkan menu data pengguna dan logout

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

Aksi Aktor Aksi Sistem

Langkah 1:

User mengklik menu data penjualan

Langkah 2:

Sistem menampilkan menu data penjualan.

Langkah 3:

User memilih data penjualan

Langkah 4:

Sistem menampilkan informasi data penjualan.

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

Pre-condition Menampilkan halaman utama web Typical couse of event

Aksi Aktor Aksi Sistem

Langkah 1:

User mengklik menu peramalan

Langkah 2:

Sistem menampilkan peramalan Typical couse of event

Langkah 3:

User memilih peramalan

Langkah 4:

Sistem menampilkan informasi peramalan Post Condition Tampilan info peramalan dan graph-nya

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

Activity diagram ini menjelaskan aktivitas sistem dalam menampilkan peramalan. Activity diagram dapat dilihat pada Gambar 3.13.

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

Halaman ini digunakan untuk mengetahui bahwa terlebih dulu anda adalah anggota dan ingin masuk ke menu utama sistem.Pengguna diminta untuk mengisi username dan password. Rancangan tampilan halaman login dapat dilihat pada Gambar 3.14.

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

Pada halaman data penjualan pengguna dapat melihat data penjualan sesuai dengan tahun yang telah disediakan.Data Penjualan termasuk menu utama karena begitu user selesai login masuk ke dalam menu data penjualan. Rancangan tampilan halaman data penjualan dapat dilihat pada Gambar 3.15.

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

Pada halaman peramalan produk dapat melihat hasil peramalan sesuai dengan peroduk yang telah disediakan. Rancangan tampilan halaman data penjualan dapat dilihat pada Gambar 3.16.

.

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

Pada halaman Pengguna dapat melihat informasi tentang pengguna. tampilan halaman data penjualan dapat dilihat pada Gambar 3.17.

Gambar 3.17.Rancangan Halaman Pengguna

Keterangan:

1. Menampilkan informasi data pengguna sesuai dengan ID yang ada di database.

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

Halaman data Penjualan adalah halaman untuk menampilkan seluruh data penjualan produk plastik dari file JSON yang ada di server. Pada halaman ini pengguna dapat memilih rentang waktu periode data yang ingin ditampilkan. Setelah memilih pilihan, sistem akan menampilkan grafik penjualan sesuai pilihan yang ditentukan. Adapun halaman data penjualan dapat dilihat pada gambar 4.2.

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

Halaman ini juga menampilkan grafik penjualan tiap jenis produk plastik penjualan dalam setahun seperti pada gambar 4.4.

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 4.7. Grafik Peramalan Bahan Baku Produk Plastik Di Halaman Peramalan Produk Plastik

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

Pengujian sistem dilakukan untuk menguji bahwa komponen-komponen yang telah dirancang dan diimplementasikan kedalam sistem sudah bekerja sesuai dengan yang

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

Scenario Uji Hasil yang diharapkan Hasil Pengujian

1. Login Masukan

username dan password yang

salah

Ketika data untuk login dimasukkan dan tombol Login ditekan, maka akan dilakukan proses pengecekkan data untuk

Tabel 4.2. Hasil Pengujian Halaman Login (Lanjutan) No. Komponen

sistem yang diuji

Scenario Uji Hasil yang diharapkan Hasil Pengujian

login. Apabila data untuk login salah maka akan ditampilkan pesan kesalahan.

2. Masukan

username dan password yang

benar

Ketika data untuk login dimasukkan dan tombol Login ditekan, maka akan dilakukan proses pengecek data. Apabila data untuk login benar maka akan ditampilkan pesan benar, dan akan langsung masuk ke halaman data penjualan.

Berhasil

2. Hasil pengujian halaman data penjualan pada tabel 4.3.

Tabel 4.3. Hasil Pengujian Halaman Data Penjualan No. Komponen

sistem yang diuji

Scenario Uji Hasil yang diharapkan Hasil Pengujian

1. Halaman Data Penjualan Menekan tombol Data Penjualan berdasarkan periode tahun data.

Ketika pengguna ingin menampilkan data penjualan berdasarkan periode tahun maka pengguna memilih tombol

Data Penjualan

berdasarkan periode tahun yang telah disediakan, lalu akan tampil data penjualan.

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

1. Halaman Peramalan Produk Plastik Menekan tombol Peramalan Produk Plastik berdasarkan periode tahun data.

Ketika pengguna ingin menampilkan peramalan produk plastik maka pengguna memilih tombol Peramalan Produk Plastik 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

Scenario Uji Hasil yang diharapkan Hasil Pengujian

1. Halaman Pengguna

Menekan tombol Profil

Ketika pengguna ingin menampilkan data pengguna, maka pengguna menekan tombol Data Pengguna lalu sistem akan menampilkan data pengguna.

Berhasil

2. Halaman Pengguna

Menekan tombol Back

Ketika pengguna ingin kembali ke menu utama, maka pengguna menekan

tombol Back lalu sistem

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

Plastik PP per KG

2012

Jan 8988.67

Feb 8230.58

Mar 10020.21

Apr 6096.3

Mei 10216.16

Jun 7723.02

Jul 8590.94

Agt 7610.82

Sep 9326.59

Oct 11577.59

Nov 11653.52

Dec 12685.78

Jan 7100.04

Feb 11345.23

Mar 7693.76

Apr 8980.81

Tabel 4.6. Data Penjualan Produk Plastik PP Tahun 2012 – 2014 (Lanjutan)

Tahun Bulan Jumlah Penjualan Total

Plastik PP per KG

2013

Jun 14179.11

Jul 13853.88

Agt 6368.95

Sep 7740.66

Oct 10705.49

Nov 7641.35

Dec 8576.27

2014

Jan 4800.28

Feb 7259.95

Mar 9779.9

Apr 11029.47

Mei 12487.74

Jun 9017.87

Jul 10522.13

Agt 8076.62

Sep 9039.56

Oct 13816.09

Nov 10135.03

Dec 8718.95

Langkah-langkah perhitungan manual pada metode ARIMA untuk data pada tabel 4.5 sebagai berikut:

1. Mencari nilai autokorelasi dan autokorelasi parsial dari data produk PP berdasarkan (2.4) dan (2.5). Maka didapatkan nilai autokorelasi dan autokorelasi parsial pada tabel 4.7 dan tabel 4.8.

Tabel 4.7. Nilai Autokorelasi Data Produk PP

Lag ACF

1 0.172293

2 -0.0004

3 -0.187077

4 -0.141921

5 0.116907

6 -0.127877

7 0.048208

8 -0.201438

9 -0.131355

10 -0.024780

11 -0.045823

12 0.089939

13 -0.175648

14 -0.270606

15 -0.061163

16 0.122381

17 0.219755

18 0.027419

19 0.116324

20 0.021105

21 -0.009718

22 0.054417

23 0.062469

24 0.071478

25 -0.053743

26 -0.028338

27 -0.074258

28 -0.013886

28 -0.013886

Tabel 4.7. Nilai Autokorelasi Data Produk PP (Lanjutan)

Lag ACF

30 -0.064682

31 0.005076

32 -0.064682

33 -0.019583

34 0.004168

35 0.002527

Tabel 4.8. Nilai Autokorelasi Parsial Data Produk PP

Lag PACF

1 0.172293

2 -0.035629

3 -0.185811

4 -0. 083128

5 0.163676

6 -0.226573

7 0.076443

8 -0.210356

9 -0.091113

10 -0.033599

11 -0.053544

12 -0.040465

13 -0.183041

14 -0.353518

15 0.011986

16 0.025234

17 -0.066201

18 -0.095247

19 0.138848

20 -0.092958

Tabel 4.8. Nilai Autokorelasi Parsial Data Produk PP (Lanjutan)

Lag PACF

22 -0.050848

23 0.068849

24 -0.051045

25 0.007441

26 0.005667

27 -0.099024

28 -0.105445

29 0.061692

30 0.002390

31 0.038640

32 0.014237

33 0.035587

34 0.019998

35 -0.039086

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.

3. Untuk melihat apakah data telah konstan dalam varians atau belum Dapat dilakukan dengan uji box-cox pada gambar (3.7). Didapati lambda = 0.5 sehingga di lakukan transformasi sesuai dengan Lambda di tabel (2.1). Maka didapatkan nilai hasil transformasi pada tabel 4.9.

Tabel 4.9. Nilai Hasil Transformasi Data Produk PP

Lag Transformasi

1 94.809

2 90.723

3 100.101

4 78.079

5 101.075

6 87.881

7 92.687

8 87.240

9 96.574

10 107.599

11 107.951

12 112.631

13 84.262

14 106.514

15 87.714

16 94.767

17 109.343

18 119.076

19 117.703

20 79.806

21 87.981

22 103.467

23 87.415

24 92.608

25 69.284

26 85.415

27 98.893

28 105.021

29 111.749

Tabel 4.9. Nilai Hasil Transformasi Data Produk PP (Lanjutan)

Lag Transformasi

31 102.577

32 89.870

33 95.077

34 117.542

35 100.673

36 93.375

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

Nilai koefisien dikatakan signifikan apabila t >= t tabel. 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 t-tabel adalah = 2,0395. Untuk uji t-tabel 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.

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)

Lag ACF

1 0.059

2 -0.131

3 -0.240

4 -0. 018

5 0.085

6 -0.026

7 -0.010

8 -0.153

9 -0.108

10 -0.080

11 0.113

12 0.059

13 -0.001

14 -0.361

15 -0.069

16 0.226

17 0.135

18 0.024

19 0.001

20 0.032

21 -0.017

22 0.005

23 0.098

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

Jan 2015 88.7219

Feb 2015 99.828

Mar 2015 95.0285

Apr 2015 95.6152

Mei 2015 100.4627

Tabel 4.13. Hasil Peramalan Produk PP Tahun 2015 (Lanjutan) Tanggal Bahan Produk PP dalam Ukuran KG

Jul 2015 102.2484

Agt 2015 92.6434

Sep 2015 98.9756

Okt 2015 97.5

Nov 2015 93.7597

Des 2015 101.7702

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

Jan 2015 7871,581

Feb 2015 9965.6348

Mar 2015 9030.4207

Apr 2015 9142.264

Mei 2015 10092.751

Jun 2015 8420.123

Jul 2015 10454.726

Agt 2015 8582.800

Sep 2015 9796.159

Okt 2015 9506.244

Nov 2015 8790.887

Des 2015 10357.181

9. Selanjut adalah mencari nilai bahan baku PP Trilene dengan hitungan 80 % dari hasil peramalan produk PP dan PP Titanpro dengan hitungan 20 % dari hasil

Tabel 4.15. Hasil Peramalan Produk PP Trilene Tahun 2015

Tanggal Bahan Produk PP Trilene dalam Ukuran KG

Jan 2015 6300

Feb 2015 7974.4

Mar 2015 7224

Apr 2015 7313.6

Mei 2015 8072.2

Jun 2015 6736.8

Jul 2015 8366.4

Agt 2015 6865.6

Sep 2015 7834.4

Okt 2015 7604.8

Nov 2015 7033.6

Des 2015 8288

Tabel 4.16. Hasil Peramalan Produk PP Titanpro Tahun 2015 Tanggal Bahan Produk PP Tintanpro dalam

Ukuran KG

Jan 2015 1575

Feb 2015 1993.6

Mar 2015 1806

Apr 2015 1828.4

Mei 2015 2018.8

Jun 2015 1684.2

Jul 2015 2091.6

Agt 2015 1716.4

Sep 2015 1958.6

Okt 2015 1901.2

Nov 2015 1758.4

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

Asli

Hasil Peramalan

Error

Jan 2015 10650 6300 4350

Feb 2015 9000 7974.4 1025.6

Mar 2015 5000 7224 2224

Apr 2015 6000 7313.6 1313.6

Mei 2015 10500 8072.2 2427

Jun 2015 6500 6736.8 236.8

Jul 2015 11000 8366.4 2633.6

Agt 2015 6000 6865.6 865.6

Sep 2015 5000 7834.4 2834.4

Okt 2015 7200 7604.8 404.8

Nov 2015 5000 7033.6 2033.6

Tabel 4.18. Hasil Nilai Error Produk PP Tintapro Tahun 2015

Tanggal Data

Asli

Hasil Peramalan

Error

Jan 2015 2700 1575 1125

Feb 2015 2250 1993.6 256.4

Mar 2015 800 1806 1006

Apr 2015 1500 1828.4 328

Mei 2015 2700 2018.8 681.2

Jun 2015 1700 1684.2 15.8

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.

Gambar 4.10. Hasil Perbandingan Peramalan PP Trilene Dengan Data Asli PP Trilene

Gambar 4.11. Hasil Perbandingan Peramalan PP Tintapro Dengan Data Asli PP Tintapro

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

Pada penelitian selanjutnya, diharapkan dapat diterapkan penggabungan metode ARIMA dengan menambahkan variabel-variabel yang mempengaruhi musiman sehingga dapat menghasilkan data peramalan SARIMA agar lebih akurat.

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 permintaan dan kebutuhan harian.

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 menerapkan pembobotan menurun secara exponential terhadap data histori.

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)

Dimana :

Yt = nilai AR yang di prediksi

Yt-1, Yt-2, Yt-n =nilai lampau series yang bersangkutan ; nilai lag dari

time series.

p =koefisien

et = residual; error yang menjelaskan efek dari variabel

yang tidak dijelaskan oleh model

2. Moving Average (MA)

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 model

2.4.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.

∑ ̅̅̅ (2.7)

Dimana:

= Varians

̅ = Rata-rata Y = Nilai pada data

N = Jumlah keseluruhan data

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 :

B = Yt-Yt-1 (2.8)

Dimana:

B = Pembeda ordo pertama Yt = Nilai Y pada order ke t

Yt-1 = Nilai Y pada order ke t-1

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

lambda -1 -0.5 0 0.5 1

transformation 1/ _1/√ ln _√

.

2.5.2. Identifikasi

Pada proses ini ialah menentukan nilai p, d, dan q di mana p ialah jumlah proses

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

Model Pola ACF Pola PACF

AR (p) Menurun secara eksponensial/bertahap

Menurun drastis pada lag tertentu

Tabel 2.2.Pola ACF dan PACF (Lanjutan)

Model Pola ACF Pola PACF

MA (q) Menurun drastis pada lag tertentu

Menurun secara eksponensial/bertahap ARMA (p,q) Menurun secara

eksponensial/bertahap

Menurun secara eksponensial/bertahap

2.5.3. Estimasi

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 :

(2.10) Dimana :

= Kesalahan peramalan = Nilai Y pada order ke t

= Nilai peramalan

2.5.3.2. Pemeriksaan Kesalahan Standar Residu

Nilai (Standar Error) dari adalah :

_√ (2.11) Dimana :

= Koefisen autokorelasi lag ke k, dimana k = 0,1,β,…,k = Banyaknya data

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 :

(2.14)

Untuk meramalkan satu periode kedepannya, maka dapat ditambahkan didepannya :

(2.15)

Untuk meramalkan h periode kedepannya yaitu maka :

(2.16)

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

̂ = Data hasil ramalan N = Jumlah data

2. Akar rata-rata kuadrat kesalahan (Root Mean Squared Error / RMSE)

RMSE adalah akar kuadrat rata-rata kuadrat kesalahan. Rumus RMSE adalah sebagai berikut:

√∑ ̂ (2.18) Dimana :

= Data aktual

̂ = Data hasil ramalan N = Jumlah data

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:

∑ | |

(2.19) Dimana :

= Data aktual

= Data hasil ramalan N = Jumlah data

2.6. SAS

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 laporan.

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 penelitian terdahulu dapat dilihat pada tabel 2.3.

Tabel 2.3. Penelitian Terdahulu

Nama Peneliti Metode Keterangan

Linda Stepvhanie (2012)

Metode grey backpropagation

neural network

grey backpropagation neural network memiliki kelebihan meramalkan data acak yang memiliki range yang tidak terlalu jauh. Sedangkan kelebihan dari metode neural network adalah lebih cocok untuk meramalkan data acak yang memiliki fluktuasi data yang tidak begitu stabil.

Warsini (2012)

Metode smoothing dan

ARIMA

Metode ARIMA memiliki 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 metode ARIMA.

Jumita Hari Yanti BR.Sembiring

(2010)

Metode ARIMA

Peramalan dengan Metode ARIMA memiliki kemampuan yang sangat akurat dalam memprediksi curah hujan dalam jangka pendek. Tetapi tidak begitu akurat apabila dilakukan untuk jangka yang cukup panjang.

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 sebesar 4.26%.

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 model tradisional ini masih dinilai kurang akurat. Oleh karena itu akan dilakukan

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 ruang masalah penelitian sebagai berikut :

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 dengan peramalan, metode ARIMA, dan SAS.

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 arsitektur umum, hingga proses peramalan ARIMA dengan menggunakan SAS.

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 dengan penelitian selanjutnya.

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 2016

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 2016

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 NIP. 19800110 200801 1 010

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

2.5.2 Identifikasi 14

2.5.3 Estimasi 15

2.5.3.1 Residu 15

2.5.3.2 Pemeriksaan Kesalahan Standar Residu 15

2.5.4 Diagnosis 16

2.5.5 Peramalan 17

2.6 SAS 18

2.7 Penelitian Terdahulu 19

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

3.3.2 Data Integration 26

3.3.3 Data Selection 27

3.4 Peramalan 28

3.4.1 Pengujian Data Konstan 28

3.4.2 Identifikasi Model ARIMA 32

3.4.3 Estimasi 33

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

BAB 4 IMPLEMENTASI DAN PENGUJIAN 49

4.1 Implementasi Sistem 49

4.1.1 Spesifikasi perangkat keras dan perangkat lunak

yang digunakan 49

4.1.2 Implementasi Perancangan Antarmuka 49

4.2 Pengujian Kinerja Sistem 54

4.2.1 Rencana Pengujian Sistem 55

4.2.2 Kasus Dan Hasil Pengujian Sistem 55

4.2.3 Pengujian Kinerja Sistem 58

4.2.4 Pengujian Data 69

BAB 5 KESIMPULAN DAN SARAN 72

5.1 Kesimpulan 72

5.2 Saran 72

DAFTAR TABEL

Hal.

Tabel 2.1. Bentuk Tranformasi 14

Tabel 2.2. Pola ACF dan PACF 15

Tabel 2.3. Penelitian terdahulu 20

Tabel 3.1. Data Histori Penjualan Produk Plastik HDPE per PCS 23 Tabel 3.2. Data Histori Penjualan Produk Plastik PE per PCS 24 Tabel 3.3. Data Histori Penjualan Produk Plastik PP per PCS 25

Tabel 3.4. Output ESACF 34

Tabel 3.5. Estimasi Model ARIMA (4,0,0) 35

Tabel 3.6. Estimasi Model ARIMA (3,2,0) 36

Tabel 3.7. Hasil Chi-Square Dengan Pengujian Ljung-Box 39

Tabel 3.8. Definisi Aktor 42

Tabel 3.9. Definisi User Case 42

Tabel 3.10. Skenario Use Case Pengguna 43

Tabel 3.11. Skenario Use Case Data Penjualan 44

Tabel 3.12. Skenario Use Case Peramalan 44

Tabel 4.1. Rencana Pengujian Sistem 57

Tabel 4.2. Hasil Pengujian Halaman Login 58

Tabel 4.3. Hasil Pengujian Halaman Data Penjualan 59

Tabel 4.4. Hasil Pengujian Halaman Data Peramalan 60

Tabel 4.5. Hasil Pengujian Halaman Pengguna 60

Tabel 4.6. Data Penjualan Produk Plastik PP Tahun 2012-2014 61

Tabel 4.7. Nilai Autokorelasi Data Produk PP 63

Tabel 4.8. Nilai Autokorelasi Parsial Data Produk PP 65 Tabel 4.9. Nilai Hasil Transformasi Data Produk PP 67

Tabel 4.12. Hasil Chi-Square Dengan Pengujian Ljung-Box 70

Tabel 4.13. Hasil Peramalan Produk PP Tahun 2015 71

Tabel 4.14. Hasil Peramalan Produk PP Tahun 2015 Yang Telah Ditransformasi

Kuadrat 72

Tabel 4.15. Hasil Peramalan Produk PP Trilene Tahun 2015 72 Tabel 4.16. Hasil Peramalan Produk PP Tintapro Tahun 2015 73 Tabel 4.17. Hasil Nilai Error Produk PP Trilene Tahun 2015 74 Tabel 4.18. Hasil Nilai Error Produk PP Tintapro Tahun 2015 74

DAFTAR GAMBAR

Hal. Gambar 2.1. Diagram Tahapan-Tahapan Pada Model ARIMA 12

Gambar 3.1. Arsitektur Umum 22

Gambar 3.2. Proses Data Cleaning Mengubah Koma Dengan Titik 26 Gambar 3.3. Proses Data Integration Pergabungan Data Tahun 2012

Sampai Tahun 2014 27

Gambar 3.4. Proses Data Selection Menyeleksi Data Mana Saja Yang

Relevan 28

Gambar 3.5 Plot Autokorelasi Data Produk PP 30

Gambar 3.6. Plot Autokorelasi Parsial Data Produk PP 31

Gambar 3.7. Box-Cox Uji Konstan Varians 32

Gambar 3.8. Box-Cox Uji Konstan Varians 33

Gambar 3.9. Plot Autokorelasi Residu ARIMA (3,0,2) 38 Gambar 3.10. Pengiriman Data Menggunakan Web Server 40 Gambar 3.11. Usecase Aplikasi Peramalan Bahan Baku 41

Gambar 3.12. Acitivity Diagram Data Penjualan 45

Gambar 3.13. Acitivity Diagram Data Peramalan 46

Gambar 3.14. Rancangan Halaman Login 47

Gambar 3.15. Rancangan Halaman Penjualan 48

Gambar 3.16. Rancangan Halaman Data Peramalan 49

Gambar 3.17. Rancangan Halaman Data Pengguna 50

Gambar 4.1. Halaman Login 52

Gambar 4.2. Halaman Data Penjualan 53

Di Halaman Data Penjualan 54

Gambar 4.5. Halaman Peramalan Produk Plastik 55

Gambar 4.6. Grafik Peramalan Plastik Di Halaman Peramalan Produk

Plastik 55

Gambar 4.7. Grafik Peramalan Bahan Baku Produk Plastik Di Halaman

Peramalan Produk Plastik 56

Gambar 4.8. Data Peramalan Bahan Baku Produk Plastik Di Halaman

Peramalan Produk Plastik 56

Gambar 4.9. Halaman Data Pengguna 57

Gambar 4.10. Hasil Perbandingan Peramalan PP Trilene Dengan Data

Asli PP Trilene 75

Gambar 4.11. Hasil Perbandingan Peramalan PP Tintanpro Dengan Data