Implementasi Metode Time Series Arima dan Arimax pada Pemodelan Data Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana Dosen Pembimbing I : Wiwik Anggraeni, S.Si, M.Kom Dosen Pembimbing II : Retno Aulia Vinarti, S.Kom, M.Kom
1. Latar Belakang
Dalam proses produksinya, Habibah Busana selalu merencanakan target jumlah produk yang harus diproduksi tiap bulannya secara manual (dengan melihat histori data penjualan periode sebelumnya).
Jumlah permintaan busana muslim yang cenderung berubah-ubah dan tidak dapat diperkirakan jumlah pastinya, menyebabkan perencanaan yang telah dibuat tidak sesuai dengan kondisi nyata.
Perkiraan jumlah permintaan busana muslim dapat membantu Habibah Busana untuk membuat perencanaan yang lebih efektif dan efisien.
Habibah Busana membutuhkan metode yang tepat untuk menghasilkan peralaman jumlah permintaan produk berakurasi tinggi.
2. Rumusan Masalah
Berapakah nilai ordo p, q, d, dan s yang digunakan pada model Arima untuk menghasilkan peramalan jumlah permintaan busana muslim anak dengan tingkat akurasi terbaik?
Berapakah nilai ordo p, q, d, dan s yang digunakan pada model Arimax untuk menghasilkan peramalan jumlah permintaan busana muslim anak dengan tingkat akurasi terbaik? Variabel bebas apa saja yang dapat digunakan untuk menghasilkan peramalan dengan akurasi terbaik?
Manakah diantara metode Arima dan Arimax yang lebih akurat digunakan untuk melakukan peramalan jumlah permintaan busana muslim anak?
3. Batasan Masalah
Data yang digunakan merupakan data per bulan untuk permintaan busana muslim anak tipe setelan rok selama bulan Januari 2005 sampai bulan Desember 2012.
Data yang akan diramalkan yaitu jumlah permintaan busana muslim anak tipe setelan rok untuk periode satu tahun berikutnya.
4. Tujuan Tugas Akhir
Mengimplementasikan model peramalan dengan metode Arima untuk data jumlah permintaan busana muslim anak di Habibah Busana.
Mengimplementasikan model peramalan dengan metode Arimax berbasis model variasi kalender untuk data jumlah permintaan busana muslim anak di Habibah Busana.
Membandingkan hasil model peramalan terbaik yang diperoleh dari metode Arima dengan metode Arimax berbasis variasi kalender berdasarkan tingkat akurasinya.
Memperoleh nilai ramalan jumlah permintaan busana muslim anak di Habibah Busana untuk periode satu tahun ke depan berdasarkan model dari metode yang terbaik.
5. Manfaat Tugas Akhir
Bagi perusahaan,
Dapat memberikan informasi yang lebih akurat kepada pihak Habibah Busana tentang model dan ramalan jumlah permintaan busana muslim anak pada tahun-tahun berikutnya. Habibah Busana akan mampu melakukan perencanaan serta pembuatan keputusan operasional yang lebih efektif dan efisien terkait dengan produksi busana muslim anak, khususnya dalam perencanaan order kain bulanan dan jumlah potong baju yang diproduksi.
Bagi mahasiswa,
Dapat mengimplementasikan metode Arima dan Arimax berbasis variasi kalender dalam bentuk java desktop application.
METODOLOGI TUGAS AKHIR
METODOLOGI TUGAS AKHIR
1. Analisis Data
Data-data yang digunakan dibagi menjadi 2 kelompok data, yaitu :
Data training. Berisi kumpulan data untuk analisis dan penetuan model. Terdiri dari data permintaan busana muslim anak Habibah Busana per. Januari 2005 s/d Desember 2011(N= 84). Data testing. Berisi kumpulan data yang digunakan untuk menguji keakuratan hasil peramalan model. Terdiri dari data permintaan busana muslim anak Habibah Busana per. Januari 2012 s/d Desember 2012 (N = 12).
1. Analisis Data (Cont’d)
Ada unsur musiman setiap 12 bulan, sehingga model Arima musiman dan Arimax musiman sesuai untk pemodelan
Jumlah permintaan produk cenderung meningkat pada bulan-bulan tertentu adanya variasi kalender.
Model variabel dummy untuk efek variasi kalender dapat ditambahkan pada metode Arimax musiman.
Plot menunjukkan jumlah permintaan tertinggi terjadi satu bulan sebelum terjadinya hari raya Idul Fitri.
Tahun 2005, jumlah permintaan tertinggi pada bulan Oktober. Tahun 2006, 2007, dan 2008, jumlah permintaan tertinggi terjadi pada bulan September. Tahun 2009, 2010, 2011, jumlah permintaan melonjak naik pada bulan Agustus. Tahun 2012, lonjakan jumlah permintaan terjadi bulan Juli.
2. Perancangan Sistem Input
Perancangan Sistem Input untuk Metode Arima Data Training
Data seluruh jumlah permintaan produk Data Testing
5. Perancangan Sistem Output
Optimum Model
Nilai AIC
MAPE-in sample
RMSE-in sample
MAPE-out sample
RMSE-out sample
Tabel Data Hasil Training Process
Tabel Data Hasil Testing Process
Tabel Data Hasil Forecasting Process
7. Implementasi Sistem (Cont’d)
Tampilan Muka Metode Arima dan Arimax
1. Uji Coba dan Verifikasi
Hasil Running Aplikasi menggunakan Metode Arima
training process
testing process
forecasting process
2. Uji Coba dan Validasi
Validasi pada Sistem yang mengimplementasikan Metode Arima
Identifikasi Model
Uji Stasioneritas
Diff 1
Pendugaan ordo p dan q
Sehingga, pendugaan sementara model Arima yang mungkin adalah (2, 1, 0) (0,1,0)12
2. Uji Coba dan Validasi (Cont’d)
Validasi pada Sistem yang mengimplementasikan Metode Arima
Peramalan
Pendekatan in-sample Program SPSS
Program Java
MAPE
22.44%
12.48%
RMSE
70.10917
23.023
Pendekatan out-sample Program SPSS
Program Java
MAPE
36.00%
17.30%
RMSE
180.238
73.56
2. Uji Coba dan Validasi (Cont’d)
Validasi pada Sistem yang mengimplementasikan Metode Arima Perbandingan plot hasil Pendekatan in-sample metode Arima pada program SPSS dan Java
Perbandingan plot hasil Pendekatan out-sample metode Arima pada program SPSS dan Java
2. Uji Coba dan Validasi (Cont’d)
Dari gambar perbandingan plot hasil proses training dan testing metode Arima pada program SPSS dan program Java, dapat diketahui bahwa terdapat perbedaan atau gap yang cukup besar diantara keduanya.
Perbedaan ini dimungkinkan terjadi karena adanya faktor critical value yang ada pada program Java namun tidak terdapat pada program SPSS.
Pada library JMSL class AutoArima yang digunakan untuk membangun program Java terdapat fungsi untuk mengeset critical value.
Sehingga, dikarenakan SPSS merupakan statistic package yang sudah tersertifikasi, maka untuk melakukan validasi hasil proses training dan testing akan dilakukan percobaan pengesetan ulang critical value pada program Java untuk mendapatkan hasil dari proses training dan testing dari program Java yang mendekati hasil dari program SPSS.
2. Uji Coba dan Validasi (Cont’d)
Pengesetan ulang critical value pada program Java dilakukan menggunakan beberapa critical value yang berbeda yaitu sebesar 7.0, 8.5, dan 9.0. Adapun hasil dari proses training dan testing yang berupa nilai MAPE dan RMSE dari masing-masing nilai critival value tersebut akan ditunjukkan pada berikut ini. SPSS Mape in-sample RMSE in-sample Mape out-sample RMSE out-sample
22.44% 70.11 36 % 180.238
Program Java dengan Critical value 7.0 8.5 >=9.0 21.72 % 64.764 17.99 % 85.86
22.56 % 75.018 26.36 % 165.38
23.01% 73.58 25.96 % 165.11
Dari table, dapat diketahui bahwa critical value yang menghasilkan nilai MAPE dan RMSE yang paling mendekati dengan nilai MAPE dan RMSE dari SPSS yaitu critical value sebesar 9.0 dan diatas 9.0.
Sehingga, berdasarkan nilai MAPE dan RMSE yang dihasilkan dari proses traning dan testing dengan bantuan software SPSS 17 dan yang dihasilkan dari program java, maka tetap dapat disimpulkan bahwa program telah valid karena nilai MAPE dan RMSEnya hampir sama (mendekati).
2. Uji Coba dan Validasi (Cont’d)
Dari gambar perbandingan plot hasil proses training dan testing metode Arimax pada program SPSS dan program Java, dapat diketahui bahwa terdapat perbedaan atau gap yang cukup besar diantara keduanya.
Perbedaan ini dimungkinkan terjadi karena adanya faktor critical value yang ada pada program Java namun tidak terdapat pada program SPSS.
Pada library JMSL class AutoArima yang digunakan untuk membangun program Java terdapat fungsi untuk mengeset critical value. Sehingga, dikarenakan SPSS merupakan statistic package yang sudah tersertifikasi, maka untuk melakukan validasi hasil proses training dan testing akan dilakukan percobaan pengesetan ulang critical value pada program Java.
Pengesetan ulang critical value pada program Java dilakukan menggunakan beberapa critical value yang berbeda yaitu sebesar 2.0, 2.5, dan 4.0
KESIMPULAN 1.
Model Arima paling optimal yang dapat digunakan untuk meramalkan jumlah permintaan busana muslim tipe setelan rok ini adalah model Arima dengan ordo p=2, d=1, q=0 dan s=12. Pada process training, implementasi model Arima menggunakan JMSL Numerical Library menghasilkan peramalan dengan tingkat akurasi yang baik yaitu nilai MAPE sebesar 12.48 % dan RMSE sebesar 23.023. Sementara itu, pada process testing, dihasilkan peramalan dengan tingkat akurasi yang baik yaitu nilai MAPE sebesar 17.30 dan RMSE sebesar 73.56.
2.
Model Arimax paling optimal yang dapat digunakan untuk meramalkan jumlah permintaan busana muslim tipe setelan rok ini adalah model Arimax dengan ordo p=3, d=1, q=0 dan s=12. Pada process training, implementasi model Arimax menggunakan JMSL Numerical Library menghasilkan peramalan dengan tingkat akurasi yang baik yaitu nilai MAPE sebesar 11.64 % dan RMSE sebesar 18.086. Sementara itu, pada process testing, dihasilkan peramalan dengan tingkat akurasi yang baik yaitu nilai MAPE sebesar 14.81 dan RMSE sebesar 72.09.
3.
Dari hasil analisa implementasi metode Arimax dapat diketahui bahwa variabel bebas yang dapat digunakan untuk menghasilkan peramalan dengan akurasi terbaik yaitu variabel dummy bulan dalam tahun (D1, D2,...., D12)., variabel dummy 1 bulan sebelum terjadinya idul fitri (DSIF), variabel dummy bulan saat terjadinya idul fitri (DIF) dan variabel dummy 1 bulan setelah terjadinya idul fitri (DIFS).
4.
Dengan kemampuan metode Arimax dalam mengikutsertakan pengaruh dari adanya variasi kalender berupa variable dummy, menjadikan metode Arimax dapat menghasilkan nilai peramalan dengan tingkat akurasi yang lebih baik dibandingkan dengan metode Arima.
