57
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
Berhasil
Universitas Sumatera Utara
58
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 Mei
11955.88
Universitas Sumatera Utara
59
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.
Universitas Sumatera Utara
60
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
29 0.014525
Universitas Sumatera Utara
61
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
21 -0.062502
Universitas Sumatera Utara
62
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.
Universitas Sumatera Utara
63
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
30 94.962
Universitas Sumatera Utara
64
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
Universitas Sumatera Utara
65
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
24 0.018
Universitas Sumatera Utara
66
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
Jun 2015 91.7612
Universitas Sumatera Utara
67
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
peramalan produk PP hasilnya dapat dilihat pada Tabel 4.15 dan Tabel 4.16.
Universitas Sumatera Utara
68
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 Des 2015
2072
Universitas Sumatera Utara
69
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
Jul 2015 2750
2091.6 658.4
Universitas Sumatera Utara
70
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
Universitas Sumatera Utara
71
Gambar 4.11. Hasil Perbandingan Peramalan PP Tintapro Dengan Data Asli PP Tintapro
Universitas Sumatera Utara
7
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
