No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Tabel 5.2. Data Penjualan Plastik Buram Periode 2008-2012 Ribuan kg Data Penjualan
2008 2009
2010 2011
2012
Jan 8.15
7.2 7.95
9.6 10.1
Feb 8.25
7.05 7.9
9.75 9.5
Mar 7.85
7.25 8.25
9.55 9.8
Apr 7.6
7.05 8.6
9.65 10.05
May 7.55
6.9 8.45
9.5 9.6
Jun 7.85
6.95 9.1
9.85 9.8
Jul 7.65
7.55 8.9
9.7 9.95
Aug 7.4
7.4 9.05
9.9 9.85
Sep 7.1
7.55 9.25
9.85 9.8
Oct 7.15
7.55 9.5
9.95 9.9
Nov 7.1
7.5 9.45
9.9 10
Dec 7.3
7.8 9.65
9.9 10.15
Sumber: PT. Megah Plastik
5.2. Pengolahan Data
Data yang akan diolah yaitu data sekunder yang merupakan data penjualan plastik kilat dan plastik buram periode 2008-2012. Pengolahan data dilakukan
dengan menggunakan program perangkat lunak Minitab 15 English agar memberikan hasil yang lebih akurat dan memperkecil kemungkinan kesalahan
perhitungan.
5.2.1. Pengolahan Data Penjualan Plastik Kilat 5.2.1.1.Pemeriksaan Stasioneritas Data Plastik Kilat
Data yang digunakan untuk pengolahan harus telah stasioner dalam mean maupun dalam variansnya. Oleh karena itu perlu dilakukan pemeriksaan
sasioneritas data.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1 Adapun langkah-langkah dalam pemeriksaan stasioneritas adalah:
1. Pemeriksaan secara manual Pemeriksaan dilakukan secara kasat mata terhadap data penjualan plastik kilat
periode 2008-2012. Plot data dapat dilihat pada Gambar 5.1.
Periode P
e n
ju a
la n
P la
s ti
k K
il a
t r
ib u
a n
k g
Time Se rie s Plot of Pe njualan Plastik Kilat 2008-2012
Gambar 5.1. Plot Data Penjualan Plastik Kilat 2008-2012
Dari grafik di atas dapat dilihat bahwa data cukup stasioner dari segi varians, akan tetapi data tidak stasioner dalam mean karena data tersebut memiliki tren
yang menanjak. 2. Pemeriksaan Box-Cox
Box-Cox digunakan untuk melihat apakah data telah stasioner dalam varians. Apabila data tersebut tidak stasioner dalam varians, maka data tidak dapat
digunakan dalam penelitian dan harus dilakukan transformasi terhadapt data tersebut. Plot Box-Cox untuk data penjualan plastik kilat periode 2008-2012
dapat dilihat pada Gambar 5.2.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Lambda S
tD e
v
Lower CL Upper CL
Limit
Estimate 1.16
Lower CL 0.12
Upper CL 2.26
Rounded Value 1.00
using 95.0 confidence Lambda
Box-Cox Plot of Penjualan Plastik Kilat
Gambar 5.2. Plot Box-Cox untuk Data Penjualan Plastik Kilat 2008-2012
Hasil pemeriksaan Box-Cox menunjukkan bahwa data telah stasioner dalam varians, hal tersebut dapat dilihat pada nilai lambda atau Rounded Value
menghasilkan angka 1. Untuk itu tidak diperlukan lagi proses transformasi data.
3. Pemeriksaan Autocorrelation Function ACF dan Partial Autocorrelation Function PACF
Pemeriksaan ACF dan PACF untuk melihat apakah data telah stasioner dalam mean. Apabila data tidak stasioner dalam mean, maka perlu dilakukan
pembedaan differencing hingga data stasioner dalam mean. Nilai lag ACF dan PACF dihitung dengan menggunakan Minitab 15. Adapun hasil untuk
nilai lag ACF dan PACF untuk data penjualan plastik kilat adalah:
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Autocorrelation Function: Penjualan Plastik Kilat
Lag ACF 1 0.953474
2 0.926519 3 0.894093
4 0.856954 5 0.825100
6 0.790384 7 0.750480
8 0.703335 9 0.639842
10 0.578725 11 0.516320
12 0.461678 13 0.406929
Partial Autocorrelation Function: Penjualan Plastik Kilat
Lag PACF 1 0.953474
2 0.191519 3 -0.031264
4 -0.086777 5 0.016492
6 -0.025350 7 -0.087756
8 -0.137195 9 -0.253238
10 -0.100684 11 -0.052844
12 0.056406 13 -0.006106
14 -0.168705 15 0.056547
Untuk melihat apakah data telah stasioner dalam mean, harus dilihat dari bentuk grafiknya. Grafik ACF dan PACF untuk data penjualan plastik kilat
dapat dilihat pada Gambar 5.3. dan 5.4.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Lag A
u to
c o
rr e
la ti
o n
Autocorrelation Function for Penjualan Plastik Kilat
with 5 significance limits for the autocorrelations
Gambar 5.3. Grafik ACF untuk Data Penjualan Plastik Kilat 2008-2012
Lag P
a rt
ia l
A u
to c
o rr
e la
ti o
n
Partial Autocorrelation Function for Penjualan Plastik Kilat
with 5 significance limits for the partial autocorrelations
Gambar 5.4. Grafik PACF untuk Data Penjualan Plastik Kilat 2008-2012
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1 Suatu data dikatakan telah bersifat stasioner dalam mean apabila data tersebut
bersifat dies down atau cut off. Dies down artinya data tersebut turun cepat secara sinusoidal. Cut off berarti data terputus setelah lag ke sekian. Dari
gambar diatas dapat dilihat bahwa grafik ACF tidak berbentuk dies down maupun cut off, sedangkan grafik PACF berbentuk cut off. Oleh karena itu,
maka kita akan melakukan differencing dengan lag sebesar 1. Hasil differencing dapat dilihat pada Tabel 5.3.
Tabel 5.3. Hasil Pembedaan Pertama Data Penjualan Plastik Kilat 2008- 2012
Plastik Kilat Diff-1
-0.05 0.2
-0.8 0.25
0.2 -0.1
-0.15 0.25
-0.6 -0.65
0.3 0.55
0.45 0.4
-0.3 -1.3
0.45 0.35
0.25 0.3
1 -0.4
0.05 -0.45
-0.2 -0.3
0.25 0.1
-0.1 0.7
0.35 0.55
0.25 -0.35
0.05 -0.65
-0.25 0.3
0.95 -0.7
-0.25 0.15
-0.2 0.3
0.6 0.3
0.1 -0.2
-0.2 0.1
0.25 0.25
0.4 0.25
-0.05
Dari hasil pembedaan yang pertama ini, dilakukan perhitungan kembali terhadap lag ACF dan PACF untuk melihat apakah data telah stasioner dalam
mean. Apabila data belum stasioner dalam mean, maka akan dilakukan kembali pembedaan yang kedua kalinya dan seterusnya hingga didapatkan
data yang telah stasioner dalam mean. Adapun hasil untuk nilai lag ACF dan PACF untuk data pembedaan pertama adalah:
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Autocorrelation Function: Plastik Kilat Diff-1
Lag ACF 1 -0.317541
2 0.028912 3 0.087949
4 -0.121477 5 0.008746
6 0.103984 7 0.063168
8 0.127794 9 0.002672
10 0.077745 11 -0.238095
12 0.024052 13 0.204568
14 -0.218902 15 0.109329
Partial Autocorrelation Function: Plastik Kilat Diff-1
Lag PACF 1 -0.317541
2 -0.079986 3 0.081111
4 -0.072811 5 -0.058043
6 0.090978 7 0.161668
8 0.224236 9 0.119140
10 0.153323 11 -0.195427
12 -0.156909 13 0.158576
14 -0.133655 15 -0.140050
Untuk melihat apakah data telah stasioner dalam mean, harus dilihat dari bentuk grafiknya. Grafik ACF dan PACF untuk data penjualan plastik kilat
dapat dilihat pada Gambar 5.5. dan 5.6.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Lag A
u to
c o
rr e
la ti
o n
Autocorrelation Function for Plastik Kilat Diff-1
with 5 significance limits for the autocorrelations
Gambar 5.5. Grafik ACF untuk Data Penjualan Plastik Kilat 2008-2012 Pembedaan Pertama
Lag P
a rt
ia l
A u
to c
o rr
e la
ti o
n
Partial Autocorrelation Function for Plastik Kilat Diff-1
with 5 significance limits for the partial autocorrelations
Gambar 5.6. Grafik PACF untuk Data Penjualan Plastik Kilat 2008-2012 Pembedaan Pertama
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1 Dari Gambar di atas dapat dilihat bahwa grafik ACF bersifat cut off atau
terputus pada lag yang pertama, sedangkan grafik PACF bersifat dies down atau menurun cepat secara sinusoidal. Dengan demikian, dapat dikatakan
bahwa data telah stasioner dalam mean.
5.2.1.2.Identifikasi Model Plastik Kilat
Identifikasi model dilakukan apabila data telah stasioner dalam varians maupun mean. Model yang terbentuk bergantung pada grafik ACF dan PACF
yang telah diplot sebelumnya, dimana grafik ACF bersifat cut off pada lag pertama dan grafik PACF bersifat dies down. Untuk lebih jelasnya dapat dilihat
pada Tabel 5.4.
Tabel 5.4. Identifikasi Model Data Penjualan Plastik Kilat 2008-2012 Model
ACF PACF
AR p Dies down turun cepat secara
eksponensialsinusoidal Cuts off after lag p terputus
setelah lag p MA q
Cuts off after lag q terputus setelah lag q
Dies down turun cepat secara ekponensialsinusoidal
ARMA p, q Dies down after lag q-p turun cepat secara setelah lag q-p
Dies down after lag p-q turun cepat setelah lag p-q
Berdasarkan Tabel 5.4. model yang terbentuk yaitu MA q. Akan tetapi data mengalami differencing sebanyak satu kali. Oleh karena itu, model ARIMA
yang terbentuk adalah ARIMA 0,1,1.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
5.2.1.3.Estimasi Parameter Model Plastik Kilat
Model peramalan yang terbentuk adalah ARIMA 0,1,1. Selanjutnya kita akan mengestimasi parameter dari model tersebut. Pengestimasian parameter
dilakukan dengan menggunakan Minitab 15. Hasil output untuk ARIMA 0,1,1 adalah:
ARIMA Model: Penjualan Plastik Kilat
Estimates at each iteration Iteration SSE Parameters
0 10.4665 0.100 0.150 1 9.3353 0.250 0.071
2 9.2417 0.325 0.050 3 9.2410 0.318 0.051
4 9.2410 0.319 0.051 5 9.2410 0.319 0.051
Relative change in each estimate less than 0.0010 Final Estimates of Parameters
Type Coef SE Coef T P MA 1 0.3186 0.1255 2.54 0.014
Constant 0.05095 0.03574 1.43 0.160 Differencing: 1 regular difference
Number of observations: Original series 60, after differencing 59 Residuals: SS = 9.23988 backforecasts excluded
MS = 0.16210 DF = 57
Dari hasil Minitab dapat dilihat bahwa nilai Konstanta adalah 0.05095 dan nilai MA adalah 0.3186. Rumus ARIMA 0,1,1 adalah:
Y
t
= c + Y
t-1
- m
1
e
t-1
Kemudian, nilai yag diperoleh dari minitab dimasukkan ke dalam rumus tersebut sehingga model ARIMA 0,1,1 untuk peramalan penjualan plastik kilat adalah:
Y
t
= 0.05095 + Y
t-1
- 0.3186e
t-1
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
5.2.1.4.Pengujian Model Plastik Kilat
Pengujian model dilakukan untuk melihat apakah model yang telah terbentuk diatas sudah tepat atau belum. Pengujian model dilakukan dengan dua
tahap yaitu: 1. Uji independensi residual
Uji independensi residual digunakan untuk mendeteksi ada tidaknya korelasi residual antar lag. Langkah-langkah dalam melakukan uji
independensi residual adalah: a. Rumusan hipotesis
H :
ρ
1
= ρ
2
= ... = ρ
K
= 0 residual independen H
1
: minimal ada satu ρ
i
≠ 0, untuk i = 1, 2, ..., K residual dependen b. Menentukan taraf signifikansi
α = 0.05 c. Menentukan statistik uji
Statistik uji yang digunakan yaitu statistik uji Ljung Box. Rumus statistik uji Ljung Box adalah:
dengan, k = selisih lag
K = banyak lag yang diuji
2
ˆ
k
ρ = autokorelasi residual periode k
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1 d. Menentukan kriteria keputusan
Uji Ljung Box mengikuti χ
2
. H ditolak jika pvalue
α atau Q
hitung
χ
2
α,K-p-q
, dengan p adalah banyak parameter AR dan q adalah banyak parameter MA, artinya {e
t
} merupakan suatu barisan yang dependent. e. Melakukan perhitungan
Perhitungan dilakukan dengan menggunakan rumus uji statistik Ljung Box. Perhitungan output dari Minitab adalah:
Modified Box-Pierce Ljung-Box Chi-Square statistic Lag 12 24 36 48
Chi-Square 12.0 32.2 47.2 54.8 DF 10 22 34 46
P-Value 0.284 0.074 0.066 0.175
Perbandingan nilai Ljung Box dengan nilai χ
2
α,K-p-q
dapat dilihat pada Tabel 5.5.
Tabel 5.5. Pengujian Independensi Residual Lag
Df Ljung Box
�
�
α,K-p-q
12 10
12 18.307
24 22
32.2 33.924
36 34
47.2 48.608
48 46
54.8 62.83
f. Menarik kesimpulan Nilai Ljung Box pada lag ke 12, 24, 36 dan 48 tidak melebihi nilai
χ
2
α,K-p-q
, maka dapat disimpulkan bahwa tidak ada korelasi residual antara lag ke-t sehingga memenuhi asumsi independensi residual.
2. Uji kenormalan residual
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1 Uji kenormalan residual dugunakan untuk memeriksa apakah suatu proses
residual {e
t
} mempunyai distribusi normal atau tidak. Langkah – langkah yang digunakan dalam pengujian kenormalan residual adalah:
a. Rumusan hipotesis H
: Residual {e
t
} berdistribusi normal H
1
: Residual {e
t
} tidak berdistribusi normal b. Menentukan taraf signifikansi
α = 0.05 c. Menentukan statistik uji
Statistik uji yang digunakan dalam uji normalitas residual adalah uji Kolmogorov Smirnov. Uji Kolmogorov Smirnov menggunakan rumus
berikut: D = KS = maksimum|F
X-S
n
X| dengan, F
X : Suatu fungsi distribusi frekuensi kumulatif yang terjadi di bawah distribusi normal
S
n
X : Suatu fungsi distribusi frekuensi kumulatif yang diobservasi d. Menentukan kriteria keputusan
H ditolak jika pvalue D 0.05
e. Melakukan perhitungan Perhitungan dilakukan dengan menggunakan Minitab. Pvalue untuk
data residual dapat dilihat pada Gambar 5.7.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
RESI1 P
e rc
e n
t
Mean -0.0005693
StDev 0.3991
N 59
KS 0.100
P-Value 0.148
Probability Plot of RESI1
Normal
Gambar 5.7. Plot Probabilitas Data Residual
f. Menarik kesimpulan Nilai pvalue yang diperoleh yaitu 0.148, maka nilai pvalue 0.05
sehingga H diterima dan data residual berdistribusi normal.
5.2.1.5.Penggunaan Model untuk Peramalan
Model peramalan untuk data penjualan plastik kilat telah melalui uji independensi residual dan uji normalitas residual. Hal ini berarti bahwa model
ARIMA 0,1,1 telah layak digunakan sebagai model peramalan penjualan untuk produk plastik kilat. Tingkat akurasi peramalan akan diukur dengan menggunakan
metode MAPE Mean Absolute Percentage Error.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1 Untuk mengukur tingkat akurasi peramalan penjualan kantong plastik
buram, terlebih dahulu dihitung peramalan dengan menggunakan model ARIMA 0,2,1 dengan rumus dibawah ini:
Y
t
= 0.05095 + Y
t-1
- 0.3186e
t-1
Contoh perhitungan adalah sebagai berikut: 1. Periode Jan-08:
Hasil peramalan dianggap sama dengan data historis karena tidak tersedianya data Y
t-1
2. Periode Feb-08 Y
t
= 0.05095 + Y
t-1
- 0.3186e
t-1
Y
t
= 0.05095 + 7.1 - 0.3186 7.1 - 7.1 Y
t
= 7.151 3. Periode Mar-08
Y
t
= 0.05095 + Y
t-1
- 0.3186e
t-1
Y
t
= 0.05095 + 7.3 - 0.3186 7.3 – 7.151 Y
t
= 7.303 4. Dan seterusnya perhitungan dilakukan hingga Periode Dec-12
Sedangkan untuk perhitungan tingkat akurasi, digunakan metode MSE Mean Square Error. Langkah-langkah perhitungannya adalah sebagai berikut:
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1 1. Untuk peramalan lama
N F
X MSE
N t
t t
2 1
∑
= −
=
60 10000
10050 ...
6500 7300
6500 7100
2 2
2
− +
+ −
+ −
= MSE
7 .
189166 =
MSE 2. Untuk peramalan baru
N F
X MSE
N t
t t
2 1
∑
= −
=
60 84
. 10119
10050 ...
95 .
7150 7300
7100 7100
2 2
2
− +
+ −
+ −
= MSE
8 .
154037 =
MSE Perbandingan tingkat akurasi antara model ARIMA 0,1,1 dengan model
peramalan sebelumnya dapat dilihat pada Tabel 5.6.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Tabel 5.6. Perbandingan Akurasi Peramalan Sebelumnya dengan ARIMA 0,1,1
Periode Data
Historis Peramalan
Lama ARIMA
0,1,1 X
t
- F
t
Peramalan Lama ARIMA 0,1,1
Jan-08 7100
6500 7100
360000 Feb-08
7300 6500
7151 640000
22215.9 Mar-08
6650 6500
7303 22500
427013.5 Apr-08
6350 6500
6909 22500
312641.1 May-08
6650 6500
6579 22500
5027.799 Jun-08
6450 6500
6678 2500
52147.85 Jul-08
6350 6500
6574 22500
50044.01 Aug-08
6000 6500
6472 250000
222994.1 Sep-08
5750 6500
6201 562500
203762 Oct-08
5900 6500
5945 360000
2004.001 Nov-08
5900 6000
5965 10000
4252.666 Dec-08
6150 6000
5972 22500
31781.37 Jan-09
6100 6000
6144 10000
1949.41 Feb-09
6000 6000
6165 27230.57
Mar-09 6300
6000 6104
90000 38602.67
Apr-09 5000
6000 6288
1000000 1659853
May-09 6000
6000 5461
290069.3 Jun-09
5700 6000
5879 90000
32169.35 Jul-09
6400 6000
5808 160000
350353.3 Aug-09
6400 6000
6262 160000
18942.4 Sep-09
6700 6000
6407 490000
85790.04 Oct-09
6500 6500
6658 24847.93
Nov-09 6600
6500 6601
10000 1.372737
Dec-09 6850
6500 6651
122500 39472.44
Jan-10 7050
7000 6838
2500 45091.84
Feb-10 6900
7000 7033
10000 17767.77
Mar-10 7450
7000 6993
202500 208467.1
Apr-10 7900
7000 7355
810000 296498.8
May-10 7500
7000 7777
250000 76987.87
Jun-10 7750
7000 7639
562500 12243.21
Jul-10 8100
8000 7766
10000 111758.4
Aug-10 8150
8000 8044
22500 11142.67
Sep-10 9100
9000 8167
10000 869894
Oct-10 9400
9000 8854
160000 298336.8
Nov-10 9200
9000 9277
40000 5918.222
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Tabel 5.6. Perbandingan Akurasi Peramalan Sebelumnya dengan ARIMA 0,1,1 Lanjutan
Periode Data
Historis Peramalan
Lama ARIMA
0,1,1 X
t
- F
t
Peramalan Lama ARIMA 0,1,1
Dec-10 9600
9000 9275
360000 105326.3
Jan-11 8800
9000 9548
40000 558833.3
Feb-11 9050
9000 9089
2500 1530.368
Mar-11 9500
9000 9113
250000 149449
Apr-11 9850
9500 9428
122500 178266.7
May-11 9900
9500 9766
160000 17840.45
Jun-11 10000
9500 9908
250000 8391.442
Jul-11 10550
9500 10022
1102500 279032.5
Aug-11 9900
9500 10433
160000 283720.5
Sep-11 9200
9500 10121
90000 847603.1
Oct-11 9800
9500 9544
90000 65397.71
Nov-11 9600
9500 9769
10000 28721.61
Dec-11 9850
9500 9705
122500 21041.08
Jan-12 10100
9500 9855
360000 60154.75
Feb-12 9500
9500 10073
328109.8 Mar-12
9900 9500
9733 160000
27739.95 Apr-12
10150 9500
9898 422500
63561.39 May-12
9700 9500
10121 40000
176926.7 Jun-12
9700 9500
9885 40000
34210.8 Jul-12
9950 9500
9810 202500
19633.96 Aug-12
9950 9500
9956 202500
39.78299 Sep-12
9700 9500
10003 40000
91784.48 Oct-12
10000 9500
9847 250000
23264.51 Nov-12
10100 9500
10002 360000
9534.572 Dec-12
10050 10000
10120 2500
4877.662
MSE 189116.7
154037.8
Dari hasil perhitungan MSE, dapat dilihat bahwa tingkat kesalahan metode peramalan yang lama adalah sebesar 189116.7 dan tingkat kesalahan metode
ARIMA 0,1,1 adalah sebesar 154037.8. Dengan demikian model peramalan ARIMA 0,1,1 lebih layak digunakan karena tingkat kesalahan yang lebih kecil.
Hasil peramalan untuk 12 bulan ke depan dapat dilihat pada Tabel 5.7.
Universitas Sumatera Utara
No. Dok: FM-GKM-TI-TS-01-05A; Tgl. Efektif: 2 Juli 2012; Rev: 0; Halaman: 1 dari 1
Tabel 5.7. Hasil Peramalan ARIMA 0,1,1 Periode 2013 Periode
Hasil Peramalan kg
Jan-13 10123
Feb-13 10174
Mar-13 10225
Apr-13 10276
May-13 10327
Jun-13 10378
Jul-13 10429
Aug-13 10480
Sep-13 10531
Oct-13 10582
Nov-13 10633
Dec-13 10684
5.2.2. Pengolahan Data Penjualan Plastik Buram 5.2.2.1.Pemeriksaan Stasioneritas Data Plastik Buram
