pembuatan aplikasi pendukung keputusan...
TRANSCRIPT
PEMBUATAN APLIKASI PENDUKUNG KEPUTUSAN UNTUKPERAMALAN PERSEDIAAN BAHAN BAKU PRODUKSI PLASTIKBLOWING DAN INJECT MENGGUNAKAN METODE ARIMA(AUTOREGRESSIVE INTEGRATED MOVING AVERAGE) DI CV. ASIAAMIRA HERWINDYANI (5210100029)
Latar Belakang•Peramalan atau forecasting merupakan aktifitas di mana perusahaan melakukan analisis untukmemperkirakan permintaan barang atau jasa di masa mendatang. Peramalan yang buruk akan mengakibatkanperencanaan yang buruk pula dan juga dapat mengakibatkan meningkatnya biaya pengeluaran olehperusahaan.
•CV. Asia sebuah perusahaan manufaktur kemasan plastik dengan spesialisasi pada injection dan blowmoulding, antara lain pallet plastik blow, keranjang industri, botol plastik, jerigen, pail, galon, pelampung,kebutuhan peternakan. Saat ini, CV. Asia sedang memiliki kendala dalam proses produksi, di mana salah satupenyebabnya adalah kurangnya bahan baku untuk produksi sehingga menyebabkan keterlambatan (delay)terhadap pemenuhan permintaan pelanggannya.
•Pada tugas akhir kali ini penulis mengusulkan metode ARIMA untuk meramalkan persediaan bahan bakuproduksi plastic inject dan blowing di CV. Asia. Model ARIMA yang akan diperoleh nantinya akan diterapkan kedalam Microsoft Excel menggunakan Visual Basic for Applications (VBA) atau macro karena perusahaan saatini menggunakan Microsoft Excel sebagai perangkat lunak dasar untuk melakukan aktifitas manajemenperusahaannya.
•Hasil yang diharapkan dari tugas akhir ini adalah untuk mendapatkan model dan hasil peramalan terbaikmenggunakan metode ARIMA serta mudah digunakan sehingga dapat mengurangi kerugian yang ditimbulkan.
2Daftar Isi
Perumusan Masalah•Model ARIMA seperti apa yang tepat untuk menggambarkan data persediaan bahan baku plastikblowing dan inject?
•Bagaimana meramalkan data persediaan dengan metode ARIMA sehingga memiliki tingkatkeakuratan yang tinggi?
•Bagaimana membuat aplikasi pendukung bagi perusahaan untuk dapat menerapkan peramalanmenggunakan VBA atau macro dalam Microsoft Excel?
3Daftar Isi
Batasan MASALAH•Peramalan dilakukan dengan menggunakan metode ARIMA pada data penggunaan bahan bakuplastik blowing dan inject periode mingguan untuk Januari 2012 – Desember 2013.
•Pemrograman dalam tugas akhir ini dilakukan dengan bahasa pemrograman VBA atau macromenggunakan Microsoft Excel 2013.
4Daftar Isi
Tujuan Tugas Akhir•Memperoleh model ARIMA yang tepat untuk menggambarkan data persediaan bahan bakuplastik blowing dan inject
•Meramalkan data persediaan dengan metode ARIMA sehingga memiliki tingkat keakuratan yangtinggi.
•Membuat aplikasi pendukung bagi perusahaan untuk dapat menerapkan peramalanmenggunakan VBA atau macro dalam Microsoft Excel.
5Daftar Isi
Tinjauan PustakaTeori Peramalan
Peramalan dapat didefinisikan sebagai alat atau teknik untuk memprediksi atau memperkirakansuatu nilai pada masa mendatang dengan memperhatikan data atau informasi yang relevan, baikdata atau informasi masa lalau maupun data atau informasi saat ini.
Metode peramalan, data yang menunjang, dan rekomendasi yang tepat atas peramalan yangdilakukan, saat ini memiliki peran penting dalam kegiatan perekonomian dan niaga. Metodeperamalan sendiri dibagi ke dalam dua kategori utama, yaitu metode kualitatif dan metodekuantitatif. peramalan dengan metode kuantitatif dapat dibagi menjadi dua macam, yaitu modeltime series dan mode kausal.
6Daftar Isi
Tinjauan Pustaka (cont’d)Analisis Time Series
Time series atau deret waktu adalah serangkaian pengamatan tercatat selama periode waktu(mingguan, bulanan, dan triwulanan). Ini dapat digunakan oleh pihak manajemen untuk membuatkeputusan dan rencana saat ini. Time series memiliki empat komponen penting berikut:
Tren sekuler (T)◦ Variasi musiman (S)◦ Variasi siklus (C)◦ Variasi ireguler (I)
7Daftar Isi
Tinjauan Pustaka (cont’d)Stasioneritas
Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi databerada di sekitar suatu nilai rata–rata yang konstan, tidak tergantung pada waktu dan variansdari fluktuasi tersebut. Data time series dikatakan stasioner dalam rata–rata jika rata–ratanyatetap (tidak terdapat pola trend).
8
Gambar 1: Contoh plot data stasioner dalam rata–rata danvarians Gambar 2: Contoh plot data stasioner dalam rata–rata
Daftar Isi
Tinjauan Pustaka (cont’d)Metode ARIMA
ARIMA (Auto Regressive Integrative Moving Average) merupakan suatu pendekatan pemodelanyang dapat digunakan untuk menghitung probabilitas dari nilai masa depan yang terletak diantara dua batas yang ditentukan. Kelebihan ARIMA adalah memiliki sifat yang fleksibel(mengikuti pola data), memiliki tingkat akurasi peramalan yang cukup tinggi dan cocokdigunakan untuk meramal sejumlah variabel dengan cepat, sederhana, akurat, dan murahkarena hanya membutuhkan data historis untuk melakukan peramalannya.
Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model autoregressive (AR),moving average (MA), dan model campuran ARMA (Autoregressive Moving Average) yangmempunyai karakteristik dari dua model pertama. ARIMA memadukan unsur dalam modelautoregressive dan moving average.
9Daftar Isi
Tinjauan Pustaka (cont’d)Pengukuran Akurasi PeramalanAkurasi peramalan akan diukur dengan menggunakan fungsi Root Mean Square Error (RMSE) dan MeanAbsolute Percentage Error (MAPE). Dan standard deviasi (s).
= = ∑ ( )
=∑
100%
= ∑ ̅ atau = ∑ ∑ ⁄
10Daftar Isi
Tinjauan Pustaka (cont’d)Visual Basic for Application (VBA)
merupakan bahasa pemrograman yang dikembangkan oleh Microsoft. Seluruh produk MicrosoftOffice sudah mencakup bahasa pemrograman VBA beserta editornya, termasuk Microsoft Excel.VBA memungkinkan pengguna Microsoft Excel untuk mengautomatisasi beberapa aspek diMicrosoft Excel, seperti melakukan penganggaran dan peramalan, menganalisis data ilmiah,membuat faktur dan form-form lainnya, membuat grafik dari data, dan sebagainya. Bahasapemrograman VBA yang sudah terstruktur (sudah berbentuk program) dinamakan denganmacro.
11Daftar Isi
Tinjauan Pustaka (cont’d)Profil CV. Asia
CV. Asia merupakan sebuah perusahaan manufaktur kemasan plastik dengan spesialisasi padainjection dan blow moulding yang berdiri sejak tahun 1985. Beberapa produk yang telahdikembangkan CV. Asia antara lain pallet plastik blow, keranjang industri, botol plastik, jerigen,pail, galon, pelampung, kebutuhan peternakan.
Dalam proses pemenuhan bahan bakunya, CV. Asia mendatangkan bahan baku ke pabrik setiapbulannya dari supplier bahan baku. Bahan baku yang digunakan oleh CV. Asia terbagi menjadidua macam, yaitu HD Blowing dan HD Inject.
12Daftar Isi
Metodologi
13
Pembuatan dan Penerapan Model ARIMAuntuk Peramalan
Pengumpulan Data
Uji Stasioneritas Data
Identifikasi Model
Estimasi Parameter Model
Uji Diagnosis / UjiKelayakan
Penggunaan Model untukPeramalan
Apakah modelsudah layak?
SUDAH
BELUM
Analisis Hasil Peramalan
Pembuatan Aplikasi Penyusunan Buku TugasAkhir
Studi Pendahuluandan Literatur
Daftar Isi
Metodologi (Cont’d)1. Studi Pendahuluan dan Literatur• Pembelajaran dan pemahaman literatur yang berkaitan dengan
permasalahan yang ada. Beberapa yang akan dipelajari seperti teori-teoriperamalan dan cara melakukan peramalan menggunakan model ARIMAserta pemrograman menggunakan VBA atau macro pada Microsoft Excel.
2. Pengumpulan Data• Data yang akan digunakan pada tugas akhir ini adalah data
realisasi pemakaian bahan baku plastik di CV. Asia. Periodehistoris data yang akan digunakan yaitu periode mingguan untukbulan Januari 2012 s.d. Desember 2013.
14Daftar Isi
Metodologi (Cont’d)3. Pembuatan dan Penerapan Model ARIMA untuk Peramalan
3.1 Uji Stasioneritas Data
3.2 Identifikasi Model
3.3 Estimasi Parameter Model
3.4 Uji Diagnosis / Uji Kelayakan
3.5 Penggunaan Model untuk Peramalan
3.6 Analisis Hasil Peramalan
15Daftar Isi
Metodologi (Cont’d)4. Pembuatan Aplikasi• Pembuatan aplikasi sebagai alat bantu bagi perusahaan untuk
menerapkan model peramalan yang telah disusun penulis sertamemudahkan perusahaan untuk membaca hasil peramalan. Aplikasiakan dibuat dengan menggunakan macro atau Visual Basic forApplications pada Microsoft Excel.
5. Penyusunan Buku Tugas Akhir• Langkah ini dilakukan setelah semua langkah sebelumnya
selesai dilakukan dengan tujuan agar seluruh langkah-langkahpengerjaan tugas akhir yang dilakukan didokumentasikansecara lengkap sehingga dapat memberikan informasi yangberguna bagi yang membacanya.
16Daftar Isi
Pengolahan Data dan Implementasi1. Pengumpulan Data
Pada tahap ini dilakukan pengumpulan data untuk pengerjaan tugas akhir. Data yang digunakansebagai data masukan dalam model adalah data pemakaian bahan baku pada CV. Asia untukmemproduksi plastik blowing dan plastik inject selama tahun 2012 hingga 2013 dalam periodemingguan.
◦ Gambaran Data Masukan
Data pemakaian bahan baku pada CV. Asia memiliki entri sebanyak 104 entri, sesuai denganjumlah minggu selama periode tahun 2012 hingga tahun 2013. Per entri data menunjukkanjumlah satuan kilogram bahan baku yang terpakai setiap minggunya. Tabel 4.1 menunjukkandata pemakaian bahan baku plastik inject untuk 10 periode awal dan akhir dan Tabel 4.2menunjukkan data pemakaian bahan baku plastik blowing untuk 10 periode awal dan akhir.
17Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
NO. PERIODE INJECT (KG)1 Jan-12 12397.382 Jan-12 12418.423 Jan-12 12415.74 Jan-12 12359.925 Feb-12 12392.696 Feb-12 12462.477 Feb-12 12449.458 Feb-12 12471.029 Mar-12 12422.06
10 Mar-12 12482.07… … …95 Oct-13 12442.4996 Oct-13 12369.3897 Nov-13 12504.4898 Nov-13 12502.8199 Nov-13 12496.15
100 Nov-13 12529.75101 Dec-13 12454.83102 Dec-13 12580.69103 Dec-13 12419.86104 Dec-13 12393.45
18
Tabel 1 Pemakaian bahan baku produksi plastic inject 10periode awal dan akhir
NO. PERIODE BLOWING (KG)1 Jan-12 13096.462 Jan-12 13232.623 Jan-12 13093.164 Jan-12 13112.445 Feb-12 13245.686 Feb-12 12932.737 Feb-12 12811.328 Feb-12 12815.399 Mar-12 12815.08
10 Mar-12 12756.18… … …95 Oct-13 14455.8296 Oct-13 14511.7397 Nov-13 14421.4998 Nov-13 14512.0399 Nov-13 14447.75
100 Nov-13 14559.65101 Dec-13 14526.16102 Dec-13 14578.54103 Dec-13 14572.85104 Dec-13 14662.01
Tabel 2 Pemakaian bahan baku produksi plastic blowing 10periode awal dan akhir
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
19
Time series plot untuk pemakaian bahan baku plastik inject Time series plot untuk pemakaian bahan baku plastik blowing
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
2. Pembuatan dan Penerapan Model ARIMA untuk Peramalan
a. Uji Stasioneritas Data
Tahap selanjutnya adalah mencari tahu apakah data sudah stasioner atau belum. Agar data dapat diolahmenggunakan model ARIMA, maka data harus bersifat stasioner. Untuk melihat stasioner atau tidaknyadata, dapat diamati dengan melihat time series plot dari data.
20Daftar Isi
Pengolahan Data dan Implementasi(cont’d)Dari grafik yang dihasilkan dapat dilihat bahwa data pemakaian bahan baku plastik inject danplastik blowing masih memiliki pola tren sehingga dapat dikatakan belum stasioner. Oleh karenaitu data perlu didiferensiasi agar menjadi stasioner.
21
Diferensiasi pertama data bahan baku plastik inject Diferensiasi kedua data bahan baku plastik inject
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
22
Diferensiasi pertama data bahan baku plastik blowing Diferensiasi kedua data bahan baku plastik blowing
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
3. Identifikasi Model
Tahap identifikasi model ini merupakan tahap penetapan model ARIMA (p, d, q) yang sekiranya cocok untukmeramalkan data. Jika data tidak mengalami differencing, maka d = 0, jika data menjadi stasioner setelahdifferencing ke- 1 maka d = 1 dan seterusnya. Dalam memilih dan menetapkan p dan q dapat dibantudengan mengamati pola Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF).
23
Grafik ACF untuk produk plastik inject Grafik PACF untuk produk plastik inject
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
24
Grafik ACF untuk produk plastik blowing Grafik PACF untuk produk plastik blowing
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
4. Estimasi Parameter
Untuk data pemakaian bahan baku plastik inject memiliki model ARIMA (0,2,2) dan datapemakaian bahan baku plastik blowing juga memiliki model ARIMA (0,2,2). Formulasi untukperamalan dengan model ARIMA (0,2,2) adalah:
25
= 2 − − −
Dari hasil estimasi parameter, didapatkan nilai koefisien MA(1) dan MA(2) dari data bahan baku plastikinject masing-masing sebesar 0.82 dan -0.1681. sedangkan untuk bahan baku plastik blowing adalahMA(1) sebesar 0.96 dan MA(2) adalah -0.2304.
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
5. Uji Diagnostik
Uji diagnostik dilakukan untuk mengevaluasi model apakah telah memenuhi syarat untuk digunakan. Evaluasiyang dilakukan yaitu melihat hasil uji statistik t dan dengan melihat grafik ACF dari residu atau error (Data riil –Data peramalan).
Hasil t hitung dilambangkan dengan t1 untuk parameter MA(1) dan t2 untuk parameter MA(2).
Karena kedua nilai t hitung < t tabel, maka estimasi parameter diterima, sehingga dapat dikatakan parametersudah signifikan (Massey & Millery).
Untuk melihat grafik ACF dari residu atau error perlu dilakukan peramalan berdasar data historis untumendapatkan nilai residu atau error-nya. Apabila pada grafik ACF tidak ada lag yang melebihi garis batassignifikansi (garis putus–putus) secara drastis atau tidak membentuk pola tren, maka residu bersifat random yangmenandakan model memadai dan memenuhi syarat untuk digunakan.
26
|t| hitung t tabel (df = 102)
|t1|= 0.003 1.98
|t2|= 0.0006 1.98
|t| hitung t tabel (df = 102)
|t1|= 0.0016 1.98
|t2|= 0.0003 1.98
Uji t untuk model ARIMA data bahan baku plastik inject Uji t untuk model ARIMA data bahan baku plastik blowing
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)Untuk melihat grafik ACF dari residu atau error perlu dilakukan peramalan berdasar data historisuntu mendapatkan nilai residu atau error-nya. Apabila pada grafik ACF tidak membentuk polatertentu, maka residu bersifat random yang menandakan model memadai dan memenuhi syaratuntuk digunakan.
27
Grafik ACF untuk residual data bahan baku inject Grafik ACF untuk residual data bahan baku blowing
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
6. Verifikasi Hasil Model ARIMA pada Excel
Verifikasi model ARIMA yang dilakukan dengan melihat nilai MAPE dan RMSE peramalan yangdihasilkan di Excel.
Kisaran nilai MAPE yang sangat baik adalah <10% dan nilai yang baik adalah 10-20%. Karena nilaiMAPE yang dihasilkan aplikasi <10% maka dapat disimpulkan hasil peramalan sangat baik.
28
Model MAPE RMSE
ARIMA (0,2,2) Data Inject 0.520% 84.424
ARIMA (0,2,2) Data Blowing 0.571% 104.077
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
7. Perancangan Sistem Informasi
29
Cross-functional Flowchart untuk alur proses aplikasi
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
8. Perancangan Sistem Antarmuka Pengguna
30
Antarmuka #1
Antarmuka #2
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
9. Perancangan Sistem Output
Luaran (output) yang akan dihasilkan oleh aplikasi antara lain adalah:
Data Peramalan
Data ini berisi hasil peramalan historis dari data riil dan juga data peramalan untuk 36 periodemendatang, serta nilai error dan persentase error untuk peramalan historis per periodenya.
MAPE (Mean Absolute Percentage Error)
Nilai MAPE merupakan hasil rata-rata dari nilai absolut residual (error) dalam bentuk persentase yangdidapatkan dari peramalan data historis.
RMSE (Root Mean Squared Error)
Nilai RMSE merupakan hasil akar dari rata-rata nilai kuadrat residual (error) yang didapatkan dariperamalan data historis.
31Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
10. Batasan Desain
Batasan yang perlu diperhatikan ketika menjalankan aplikasi ini adalah data riil yang akandimasukkan harus berada pada kolom A, dimulai dari cell A2. Hal ini dilakukan untukmempermudah proses perhitungan dan peramalan. Nama lembar kerja (worksheet) sebaiknyatidak diubah atau dibiarkan tetap default, yaitu Inject dan Blowing untuk mempermudahpengguna dalam membedakan kategori bahan baku plastik inject dan blowing sertamempermudah proses perhitungan dan peramalan. Serta, untuk peramalan ke depan, penulismembatasi periode peramalan yaitu selama 36 minggu ke depan atau selama 6 bulan.
32Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
11. Implementasi Model pada Macro Excel
Implementasi model ARIMA dengan Excel dilakukan dengan menggunakan macro atau VisualBasic for Applications (VBA) yang terdapat pada Excel. Macro dapat dijalankan dengan merekamaktifitas yang kita kerjakan dengan Excel, dinamakan Record Macro, di mana macro yang sudahkita rekam tadi dapat berbentuk koding yang kemudian dapat dibaca dan diperbaiki di VBAEditor. Untuk mengakses VBA Editor, dapat melalui tab Developer pada Excel, lalu pilih VisualBasic.
33
Menu untuk mengakses VBA Editor pada Excel
Daftar Isi
Pengolahan Data dan Implementasi(cont’d)
34Daftar Isi
Uji Coba dan Analisis Hasil1. Lingkungan Uji Coba
35
Perangkat Keras SpesifikasiJenis NotebookProcessor Intel® Core™ i3 CPU M330 2.13GHzRAM 4 GBHard Disk Drive 250 GB SATA
Perangkat Lunak SpesifikasiSistem Operasi Windows 7Bahasa Pemrograman Visual Basic for ApplicationsMenghitung Data Micosoft Excel 2013, Minitab 16
Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)2. Verifikasi
Verifikasi dilakukan untuk memastikan tidak ada error pada aplikasi ketika dijalankan. Apabila ketikadijalankan aplikasi memunculkan kotak dialog dan juga hasil seperti pada gambar, maka dapat dikatakanbahwa tidak terdapat error pada apliaksi.
36Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)3. Validasi
Salah satu cara melakukan validasi yakni dengan membandingkan hasil luaran aplikasi dibandingkan denganhasil luaran oleh perangkat lunak yang lain, misalnya Minitab.
A. Data Pemakaian Bahan Baku Plastik Inject
Identifikasi Model
37
1009080706050403020101
13300
13200
13100
13000
12900
12800
12700
12600
12500
12400
Index
INJE
CT
MAPE 1.6MAD 211.2MSD 65260.0
Accuracy Measures
ActualFits
Variable
Trend Analysis Plot for INJECTLinear Trend Model
Yt = 12751.6 +1.99*t
1009080706050403020101
200
100
0
-100
-200
Index
lag
1
MAPE 138.47MAD 62.53MSD 6582.90
Accuracy Measures
ActualFits
Variable
Trend Analysis Plot for lag 1Linear Trend Model
Yt = 27.8 - 0.526104*t
1009080706050403020101
300
200
100
0
-100
-200
-300
-400
Index
lag
2
MAPE 101.6MAD 92.1MSD 13517.4
Accuracy Measures
ActualFits
Variable
Trend Analysis Plot for lag 2Linear Trend Model
Yt = -0.3 - 0.003083*t
Daftar Isi Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)
38
1009080706050403020101
200
100
0
-100
-200
Index
lag
1
MAPE 138.47MAD 62.53MSD 6582.90
Accuracy Measures
ActualFits
Variable
Trend Analysis Plot for lag 1Linear Trend Model
Yt = 27.8 - 0.526104*t
1009080706050403020101
300
200
100
0
-100
-200
-300
-400
Index
lag
2
MAPE 101.6MAD 92.1MSD 13517.4
Accuracy Measures
ActualFits
Variable
Trend Analysis Plot for lag 2Linear Trend Model
Yt = -0.3 - 0.003083*t
Hasil Minitab
Hasil perhitungandengan Excel
Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)Uji Diagnostik
39
Uji diagnostik yang dilakukan adalah dengan melihat apakah nilai residual hasil peramalan bersifat random dan nilainya mendekati nol. Hasilyang dibandingkan adalah residu dari hasil peramalan aplikasi dengan residu hasil di Minitab. Dari grafik ACF dapat dilihat bahwa residualmemiliki nilai error random dan mendekati nol, oleh karena itu dapat disimpulkan bahwa model telah memadai dan dapat digunakan untukmelakukan peramalan untuk periode mendatang.
24222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
ACF of Residuals for INJECT(with 5% significance limits for the autocorrelations)
Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)B. Data Pemakaian Bahan Baku Plastik Blowing
Identifikasi Model
40
1009080706050403020101
14500
14000
13500
13000
12500
Index
BLO
WIN
G
MAPE 0.9MAD 115.2MSD 26284.3
Accuracy Measures
ActualFits
Variable
Trend Analysis Plot for BLOWINGLinear Trend Model
Yt = 12636.3 +18.6*t
1009080706050403020101
300
200
100
0
-100
-200
-300
Index
lag
1
MAPE 131.32MAD 68.24MSD 8095.08
Accuracy Measures
ActualFits
Variable
TrendAnalysis Plot for lag1Linear Trend ModelYt = -0.9 +0.305*t
1009080706050403020101
400
300
200
100
0
-100
-200
-300
-400
-500
Index
lag
2
MAPE 99.1MAD 102.2MSD 17914.3
Accuracy Measures
ActualFits
Variable
TrendAnalysis Plot for lag2Linear Trend ModelYt = -6.5 +0.114*t
Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)
41
Hasil Minitab
Hasil perhitungandengan Excel
1009080706050403020101
300
200
100
0
-100
-200
-300
Index
lag
1
MAPE 131.32MAD 68.24MSD 8095.08
Accuracy Measures
ActualFits
Variable
Trend Analysis Plot for lag 1Linear Trend ModelYt = -0.9 + 0.305*t
1009080706050403020101
400
300
200
100
0
-100
-200
-300
-400
-500
Index
lag
2
MAPE 99.1MAD 102.2MSD 17914.3
Accuracy Measures
ActualFits
Variable
Trend Analysis Plot for lag 2Linear Trend ModelYt = -6.5 +0.114*t
Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)Uji Diagnostik
42
Uji diagnostik yang dilakukan adalah dengan melihat apakah nilai residual hasil peramalan bersifat random dan nilainya mendekati nol. Hasilyang dibandingkan adalah residu dari hasil peramalan aplikasi dengan residu hasil di Minitab. Dari grafik ACF dapat dilihat bahwa residualmemiliki nilai error random dan mendekati nol, oleh karena itu dapat disimpulkan bahwa model telah memadai dan dapat digunakan untukmelakukan peramalan untuk periode mendatang.
24222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
ACF of Residuals for BLOWING(with 5% significance limits for the autocorrelations)
Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)4. Analisis Hasil Peramalan
Pada tahap ini akan dilakukan analisis hasil peramalan untuk periode mendatang beserta verifikasi hasilperamalan dengan melihat nilai error dan standar deviasi.
A. Peramalan Bahan Baku Inject
43
140126112988470564228141
13400
13200
13000
12800
12600
12400
12200
12000
Index
INJE
CT
Time Series Plot of INJECT
Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)Dari hasil peramalan dan grafik oleh Minitab dan aplikasi macro Excel, dapat dilihat bahwajumlah bahan baku yang diramalkan nilainya semakin menurun Hal ini terjadi karena pemodelandan peramalan oleh model ARIMA sebagian besar berdasarkan pada data historis yang palingbaru. Ketika terjadi kenaikan ataupun penurunan pada data, sudah merupakan hal yang wajar jikanilai hasil prediksi bergantung pada data terbaru yang berfluktuasi tersebut (Christodoulos,Michalakelis, & Varoutas, 2010).
Nilai MAPE pada hasil peramalan aplikasi adalah sebesar 0.520%. Dari nilai MAPE yang diperolehdapat disimpulkan bahwa hasil peramalan pemakaian bahan baku plastik inject menggunakanmodel ARIMA (0,2,2) oleh aplikasi sangat baik. Hasil standard deviasi relatif untuk hasilperamalan bahan baku plastik inject sebesar 2,06% yang mengindikasikan bahwa hasil peramalankeduanya memiliki sedikit nilai simpangan.
44Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)B. Peramalan Bahan Baku Blowing
45
140126112988470564228141
15500
15000
14500
14000
13500
13000
12500
Index
BLO
WIN
G
Time Series Plot of BLOWING
Daftar Isi
Uji Coba dan Analisis Hasil (cont’d)Dari hasil peramalan dan grafik oleh Minitab dan aplikasi macro Excel, dapat dilihat bahwajumlah bahan baku yang diramalkan nilainya semakin naik. Nilai MAPE pada hasil peramalanaplikasi adalah sebesar 0.571% dan hasil standard deviasi relatif untuk kedua hasil peramalanbahan baku blowing pada adalah sebesar 4.3%.
Dari hasil MAPE dan RSD dapat disimpulkan bahwa hasil peramalan oleh aplikasi sangat baikkarena memiliki nilai MAPE yang kecil, yaitu di bawah 10% dan memiliki nilai penyimpanganyang kecil pula. Dengan ini, model ARIMA (0,2,2) yang telah diimplementasikan pada dalamaplikasi macro Excel sudah merupakan model yang tepat untuk meramalkan data pemakaianbahan baku plastik blowing.
46Daftar Isi
Kesimpulan1. Model ARIMA yang tepat untuk menggambarkan data persediaan bahan baku plastik inject dan
bahan baku plastik blowing adalah sama, yaitu ARIMA (0,2,2).
2. Untuk menimplementasikan model ARIMA yang didapatkan menggunakan VBA atau macro diMicrosoft Excel, sebelum fungsi rumus dapat diimplementasikan ke dalam coding, pastikan bahwafungsi atau rumus model sudah sesuai dan hasil dari peramalan memiliki nilai standard deviasiyang kecil.◦ Nilai MAPE yang sangat baik adalah yang di bawah 10% sedangkan nilai MAPE yang baik adalah
berkisar antara 10%-20%. Berdasarkan hasil peramalan historis, didapatkan nilai MAPE dan RMSEpada peramalan bahan baku plastik inject masing-masing adalah 0.52% dan 84.424, sedangkanpada peramalan bahan baku plastik blowing, nilai MAPE dan RMSE masing-masing adalah 0.57%dan 104.077. dapat disimpulkan bahwa hasil peramalan menggunakan model ARIMA (0,2,2) padakedua data sudah baik.
◦ Standard deviasi digunakan untuk mengetahui besarnya nilai simpangan. Nilai standard deviasi yangsangat baik adalah yang berada di bawah 5%. Berdasarkan hasil perhitungan, peramalan bahanbaku plastik inject menggunakan model ARIMA (0,2,2) memiliki standard deviasi sebesar 2.04%, danuntuk peramalan bahan baku plastik blowing dengan model ARIMA (0,2,2) memiliki standarddeviasi sebesar 4.23%.
47Daftar Isi
SaranDari pengerjaan tugas akhir ini terdapat beberapa hal yang perlu diperbaiki lagi. Oleh karena itu,untuk pengembangan yang lebih baik lagi berikut adalah beberapa saran yang dapatdipertimbangkan:
1. Hasil yang ditampilkan dalam tugas akhir ini hanya sebatas nilai dan grafik hasilperamalannya. Pada penelitian selanjutnya dapat ditambahkan hasil berupa nilai dan grafikuntuk prediksi interval. Fungsi prediksi interval sendiri untuk mengetahui kisaran atau rangenilai peramalan, karena nilai peramalan tidak terbatas pada hanya satu angka yangdihasilkan, tetapi juga memiliki kisaran.
2. Dalam pemilihan metode peramalan, bisa saja terjadi perolehan model dengan special case,misalnya model ARIMA yang sepadan dengan bentuk peramalan exponential smoothing.Sebaiknya dalam pemilihan model peramalan perlu dicari dan dipertimbangkan preferensidari pihak perusahaan, seperti sumber daya manusia, biaya yang dikeluarkan, dan jangkawaktu penggunaan peramalan.
48Daftar Isi
Daftar PustakaD. R. Anderson, D. J. Sweeney, T. A. Williams, J. D. Camm and R. K. Martin, "Time Series Analysis and Forecasting," in AnIntroduction to Management Science: Quantitative Approaches to Decision Making, Revised, 13th Edition, Cengage Learning,2012.
CV. Asia, CV. Asia, 2012. [Online]. Available: http://cvasiaplastic.com/index.html. [Accessed 16 Desember 2013].
P. Udom and N. Phumchusri, "A comparison study between time series model and ARIMA model for sales forecasting of distributorin plastic industry," IOSR Journal of Engineering, vol. 04, no. 02, pp. 32-38, 2014.
A. Meyler, G. Kenny and T. Quinn, "Forecasting irish inflation using ARIMA models," in Economic Analysis, Research andPublications Department, Central Bank of Ireland, Dublin, 2008.
S. G. Makridakis, S. C. Wheelwright and V. E. McGee, "Metode dan aplikasi peramalan," Binarupa Aksara, 1999.
Duke University, "What's the bottom line? How to compare models," Decision 411, [Online]. Available:http://people.duke.edu/~rnau/compare.htm. [Accessed March 2014].
Massey, A., & Miller, S. J. Tests of Hypotheses Using Statistics.
J. Voulgaraki, M. (2013). Forecasting sales and intervention analysis of durable products in the Greek market. Empirical evidencefrom the new car retail sector. London School of Economics and Political Science
49
Daftar IsiBAB 1 PENDAHULUANLatar BelakangRumusan MasalahTujuan
BAB 2 TINJAUAN PUSTAKATeori PeramalanAnalisis Time SeriesMetode ARIMAMicrosoft Excel VBA
BAB 3 PENDAHULUANMetodologi
50
BAB 4 PENGOLAHAN DATA DANIMPLEMENTASI
Pengumpulan Data
Pembuatan dan Penerapan Model ARIMA◦ Uji Stasioneritas◦ Identifikasi Model◦ Estimasi Parameter◦ Uji Diagnostik◦ Verifikasi Hasil Peramalan
Perancangan Sistem Informasi
Perancangan Sistem Output
Batasan Desain
Implementasi dalam Macro Excel
BAB 5 UJI COBA DAN ANALISISLingkungan Uji CobaVerifikasiValidasi
◦ Data Bahan Baku Plastik Inject◦ Data Bahan Baku Plastik Blowing
Analisis Hasil◦ Data Bahan Baku Plastik Inject◦ Data Bahan Baku Plastik Blowing
BAB 6KesimpulanSaran
TERIMA KASIH
51