JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
1
Implementasi Metode Time Series Arima Berbasis Java Desktop Application untuk Memperkirakan Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana Yuni Dwi Kurniawati , Wiwik Anggraeni, Retno Aulia Vinarti Jurusan Sistem Informasi, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Jl. Sukolilo, Surabaya 60111 E-mail:
[email protected],
[email protected],
[email protected] Abstrak— Peramalan jumlah permintaan busana muslim anak merupakan hal yang sangat penting dilakukan bagi perusahaan Habibah Busana. Karena dengan adanya peramalan jumlah permintaan busana muslim, maka pihak manajemen akan dapat melakukan perencanaan order kain bulanan dan pengambilan keputusan operasional produksi secara efektif dan efisien. Selama ini, Habibah Busana masih melakukan perencanaan produksinya berdasarkan jumlah produksi periode sebelumnya. Oleh karena itu, pada penelitian ini akan dilakukan implementasi peramalan dengan menggunakan metode Arima untuk memperkirakan jumlah permintaan busana Muslim anak. Metode Arima ini digunakan karena merupakan metode terbaik dibanding metode-metode lain yang dapat memodelkan pola data linear. Hasil yang didapatkan dari uji coba adalah metode Arima ini memiliki akurasi yang baik, dengan nilai MAPE out-sample di bawah 20%, yaitu sebesar 17,30%. Dengan akurasi tersebut, hasil peramalan ini diharapkan dapat membantu Habibah Busana dalam membuat perencanaan yang lebih efektif dan efisien, khususnya dalam penyediaan jumlah busana muslim anak. Kata kunci— peramalan, arima, busana, java
I. PENDAHULUAN Habibah Busana merupakan salah satu industri konveksi berskala nasional yang memproduksi segala jenis busana muslim, mulai dari baju setelan, baju terusan, rok, mukenah, serta beberapa jenis busana muslim lainnya. Sebagai perusahaan yang bergerak di bidang konveksi, Habibah Busana selalu dituntut untuk dapat menyediakan kebutuhan busana muslim bagi masyarakat Indonesia. Agar Habibah Busana selalu menjadi pilihan busana masyarakat Indonesia maka diperlukan penjagaan dan peningkatan kualitas produksi yang terus menerus. Peningkatan kualitas produksi ini ditunjukkan dengan adanya pengelolaan bahan baku, proses produksi sesuai standart, dan tenaga kerja yang tercukupi. Untuk melakukan hal ini maka dibutuhkan sebuah perencanaan yang tepat, efektif dan efisien. Sehingga dengan adanya perencanaan ini maka perusahaan akan dapat memberikan layanan yang terbaik untuk pelanggannya. Dalam proses produksinya, Habibah Busana selalu merencanakan target jumlah produk yang harus diproduksi tiap bulannya hanya dengan melihat histori data penjualan periode sebelumnya. Namun, dikarenakan jumlah permintaan busana muslim yang cenderung berubah-ubah dan tidak dapat diperkirakan jumlah pastinya, menyebabkan perencanaan yang telah dibuat tidak sesuai dengan kondisi nyata. Sebab terkadang jumlah pakaian yang diproduksi melebihi jumlah permintaan pelanggan. Selain itu, tidak jarang pula perusahaan mengalami kekurangan bahan baku dan tenaga kerja dikarenakan jumlah permintaan yang melonjak naik.
Agar perencanaan produksi yang dibuat sesuai dengan jumlah permintaan produk, maka dibutuhkan sebuah system yang dapat melakukan peramalan jumlah permintaan produk yang didasarkan pada data histori penjualan. Dengan menganalisis data histori penjualan produk menggunakan analisis Time Series, maka diharapkan bisa didapatkan model peramalan yang sesuai dengan data yang telah terjadi. Model peramalan yang didapatkan itu dapat digunakan untuk meramalkan jumlah permintaan yang akan terjadi pada bulan-bulan berikutnya. Metode analisis yang akan digunakan untuk menentukan model terbaik haruslah merupakan metode yang dapat memberikan hasil dengan tingkat kesalahan paling minimal. Ketepatan pemilihan metode peramalan akan berpengaruh terhadap tingkat keakuratan hasil peramalan. Metode peramalan yang paling akurat adalah metode yang memiliki nilai error paling kecil[1]. Oleh karena itu diperlukan suatu analisa pemilihan metode peramalan yang tepat sesuai dengan studi kasus. Penentuan metode peramalan disesuaikan dengan pola datanya. Setelah dilakukan ploting data time-series diperoleh bahwa data historis penjualan busana muslim anak di Habibah Busana memiliki pola data seasonal. Bowerman dan Connel dalam buku Time Series and forcasting: An applied approach mengungkapkan bahwa model Arima merupakan model yang dapat digunakan untuk semua jenis pola data termasuk data seasonal[2]. Selain itu, hasil peramalan dengan menggunakan metode Arima dapat memberikan hasil yang paling reliable jika dibandingkan dengan menggunakan model ekonometri biasa yang kebanyakan memiliki fungsi linear[3]. Oleh karena itu perlu dilakukan analisis Time Series dengan metode Arima ini untuk merencanakan jumlah permintaan busana muslim pada periode berikutnya. Hal ini dilakukan agar dapat membantu Habibah Busana dalam membuat perencanaan produksi busana yang lebih efektif dan efisien.
II. METODOLOGI Berikut ini adalah gambar metodologi tugas akhir yang digunakan dalam tugas akhir ini. Mulai
Identifikasi Permasalahan Studi Literatur
Perancangan dan Implementasi Model Peramalan
1
1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
1
Analisis Kebutuhan Sistem
Perancangan Model Arima - Membagi data timeseries menjadi 2: data in-sample dan data out-sample - Mencari model Arima terbaik dan mengesetnya dalam sistem - Menggunakan model Arima utk mengolah data in-sample dan out-sample - Menghitung MAPE & RMSE dari peramalan data insample dan out-sample - Melakukan forecast untuk 12
Implementasi model peramalan Arima menggunakan Java
Uji Coba dan Verifikasi
Uji Coba dan Validasi
Analisis Hasil
Kesimpulan dan Saran
Selesai Gambar 2.1 Diagram Alur Metodologi Pengerjaan
2.1 Analisis Kebutuhan Sistem Dalam pembuatan aplikasi model peramalan dengan menggunakan metode Arima ini maka dibutuhkan beberapa analisis kebutuhan sistem yang diperlukan, antara lain yaitu: 2.1.1 Analisis Kebutuhan Sistem Input Untuk membangun aplikasi peramalan dengan menggunakan metode Arima maka dilakukan analisis kebutuhan model data yang diinputkan pada system. Adapun analisis kebutuhan untuk sistem input antara lain, yaitu : a. Model data input bersifat integer. b. Data input disimpan dalam sebuah file yang berekstensi (berformat) .xls. c. Pada sheet 1, kolom pertama dalam file .xls tersebut berisikan data training. Data training ini merupakan kumpulan data yang nantinya akan digunakan untuk melakukan analisis dan penentuan model. Data training yang dimasukkan ke dalam file .xls adalah data jumlah permintaan produk pada periode ke-1 sampai dengan data jumlah permintaan produk pada periode ke-(n-12) dimana n merupakan total data yang ada. d. Pada sheet 1, kolom kedua dalam file .xls berisikan data testing. Data testing ini merupakan kumpulan data yang nantinya akan digunakan untuk menguji tingkat akurasi hasil peramalan model yang dihasilkan oleh system. Data testing yang dimasukkan ke dalam file .xls adalah data jumlah permintaan produk pada periode ke-(n-12) sampai dengan data jumlah permintaan produk pada periode ke-n dimana n merupakan total data yang ada. e. Pada sheet 1, kolom ketiga dalam file .xls tersebut berisikan seluruh data jumlah permintaan produk. Data ini digunakan untuk melakukan proses peramalan dimana dijadikan sebagai inputan yang dimasukkan ke dalam system forecast data. Data jumlah permintaan produk ini merupakan seluruh data jumlah permintaan yang ada untuk menghasilkan sejumlah data peramalan permintaan produk untuk 12 periode selanjutnya.
2
2.1.2 Analisis Kebutuhan Sistem Output Pada bagian ini akan dijelaskan analisa dari bentuk keluaran (output) dari system yang mengimplementasikan metode Arima. Adapun beberapa keluaran (output) yang butuh untuk dihasilkan antara lain yaitu sebagai berikut : a. Optimum Model, Optimum model ini berisikan nilai dari derajat p, d, q dan s yang didapatkan dari pencarian model yang memiliki nilai AIC paling minimum (paling kecil). Optimum model ini akan ditampilkan secara langsung pada jendela program (aplikasi). b. Nilai AIC (Akaike’s Information Criterion), Nilai AIC ini merupakan ukuran relatif kebaikan fit dari sebuah model statistic. Nilai AIC yang ditampilkan pada jendela program ini, merupakan nilai yang paling minimum dari hasil pengolahan model statistic Arima yang memiliki nilai paling optimum. c. MAPE in-sample, Nilai MAPE in-sample ini merupakan nilai persentase yang diperoleh dari hasil perhitungan rata-rata nilai absolute residual (error) yang dihasilkan dari perhitungan data training. d. RMSE in-sample, Nilai RMSE in-sample ini merupakan nilai yang diperoleh dari hasil akar perhitungan rata-rata nilai kuadrat residual (error) yang dihasilkan dari perhitungan data training. e. MAPE out-sample, Nilai MAPE out-sample ini merupakan nilai persentase yang diperoleh dari hasil perhitungan rata-rata nilai absolute residual (error) yang dihasilkan dari perhitungan data testing. f. RMSE out-sample, Nilai RMSE out-sample ini merupakan nilai yang diperoleh dari hasil akar perhitungan rata-rata nilai kuadrat residual (error) yang dihasilkan dari perhitungan data testing. g. Tabel Data Training Process, Tabel ini berisikan beberapa data yang dihasilkan dari training process antara lain yaitu : data training real dari jumlah permintaan produk setelan rok, data prediksi jumlah permintaan produk setelan rok dari hasil training process, data nilai residual (selisih nilai antara data real dan data prediksi jumlah permintaan produk setelan rok). Jumlah data yang ditampilkan pada output training process ini yaitu sebanyak jumlah data yang dimiliki oleh data training. h. Tabel Data Testing Process, Tabel ini berisikan beberapa data yang dihasilkan dari testing process antara lain yaitu : data testing actual (real) dari jumlah permintaan produk setelan rok, data prediksi jumlah permintaan produk setelan rok dari hasil testing process, data nilai residual (selisih nilai antara data real dan data prediksi jumlah permintaan produk setelan rok). Jumlah data yang ditampilkan pada output testing process ini yaitu sebanyak jumlah data yang dimiliki oleh data testing (system mengatur jumlahnya sebanyak 12 periode). i. Tabel Data Forecasting Process, Tabel ini berisikan data hasil peramalan yang dihasilkan dari forecasting process sebanyak 12 periode selanjutnya. 2.2 Perancangan Model Arima Alur kerja (proses) dari system yang mengimplementasikan metode Arima ini memiliki empat bagian utama yaitu: input data, training process, testing process, dan forecasting process. Adapun rincian perancangan proses untuk melakukan pemodelan data menggunakan Metode Arima yaitu sebagai berikut : a. Setelah data yang dibutuhkan (data in-sample dan data outsample) diinputkan maka akan dilakukan proses training untuk mendapatkan derajat p, d, q, dan s yang memiliki nilai paling optimum. b. Selain mencari optimum model, dalam training process ini akan dihitung nilai dari AIC, Mape in-sample, dan RMSE in-
2
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 sample. Sehingga dapat diketahui tingkat akurasi dari pengolahan data training ini. c. Selanjutnya, dilanjutkan pada testing process System terlebih dulu akan membaca data training dan data testing. Kemudian yaitu menginputkan derajat p, d, q dan s sesuai dengan optimum model yang diperoleh saat training process. d. System akan melakukan pengolahan data training menggunakan metode Arima untuk melakukan peramalan 12 periode ke depan. e. Dari proses testing ini selanjutnya akan dihitung selisih nilai antara data hasil peramalan dengan data testing atau yang selanjutnya disebut nilai residual. Dari testing process ini akan diketahui nilai dari Mape out-sample dan RMSE outsample untuk mengukur tingkat akurasi dari hasil peramalan yang dihasilkan. f. Proses terakhir yang dilakukan dalam system ini adalah forecasting process. Proses ini dilakukan untuk meramalkan data jumlah permintaan produk untuk 12 periode mendatang. g. Untuk mendapatkan hasil peramalan maka system terlebih dahulu membaca seluruh data histori permintaan produk yang ada. Selanjutnya yaitu menginputkan derajat p, d, q dan s sesuai dengan optimum model yang diperoleh saat training process. h. Maka system selanjutnya akan melakukan pengolahan data tersebut menggunakan metode Arima kemudian melakukan peramalan data untuk 12 periode mendatang.
3 III. HASIL DAN PEMBAHASAN 3.1 Uji Coba dan Verifikasi Untuk memastikan apakah program yang telah dibuat sudah bebas dari error maka perlu dilakukan uji coba dan verifikasi. Langkah pertama dalam melakukan uji coba dan verifikasi adalah dengan melihat pada program yang telah dibuat, apakah ada kesalahan yang ditandai dengan adanya tanda error.
Gambar 3.1 Verifikasi Program
Apabila pada program sudah tidak terdapat tanda error maka langkah selanjutnya adalah melakukan proses running untuk mengetahui hasil yang dikeluarkan program. Gambar 3.2, Gambar 3.3, dan Gambar 3.4 merupakan hasil yang dikeluarkan program saat melakukan training process, testing process, dan forecasting process dengan menggunakan metode Arima.
2.3 Implementasi Model Dalam pengimplementasian system ini, dilakukan dengan menggunakan bahasa pemrograman java. Library java JMSL Numerical library digunakan untuk melakukan proses perhitungan data menggunakan metode Arima. Class JMSL Numerical library yang akan digunakan pada tugas akhir ini adalah class autoArima. Class autoArima digunakan untuk mendapatkan model Arima yang paling cocok untuk data jumlah permintaan busana muslim anak di Habibah Busana. 2.4 Uji Coba dan Analisis Setelah melakukan perancangan model dan pembuatan aplikasi maka dapat dilakukan uji coba aplikasi dan analisis hasil yang diperoleh dari aplikasi yang telah dibuat . 2.4.1 Uji Coba Untuk uji coba implementasi metode ini maka data yang akan digunakan adalah dikhususkan pada data permintaan busana dengan tipe baju setelan rok. Uji coba dilakukan dengan cara melakukan proses running pada perangkat lunak Netbeans. 2.4.2 Verifikasi Verifikasi dilakukan untuk memastikan apakah langkahlangkah yang dilakukan sudah sesuai dengan struktur yang ditetapkan dan sudah tidak ada error pada program. 2.4.3 Validasi Model Validasi model merupakan tahapan yang digunakan untuk memastikan apakah keluaran yang dihasilkan sudah sesuai dengan yang diharapkan. Tahapan ini dilakukan dengan cara membandingkan keluaran yang dihasilkan oleh program Java yang telah dibuat dengan hasil penyelesaian menggunakan perangkat lunak SPSS. Apabila solusi yang dihasilkan sama maka dapat dikatakan bahwa model valid. 2.4.5 Analisis Hasil Setelah program valid maka langkah selanjutnya adalah menganalisis hasil. Pada tugas akhir ini hasil yang diinginkan adalah mengetahui hasil ramalan jumlah permintaan produk untuk 12 periode berikutnya dari model yang memiliki tingkat akurasi terbaik. Sehingga, tujuan yang diinginkan perusahaan untuk melakukan perencanaan jumlah permintaan secara tepat dapat tercapai.
Gambar 3.2 Hasil keluaran program saat training, testing dan forecasting process
3.2 Uji Coba dan Validasi Proses validasi akan dilakukan dengan menggunakan bantuan perangkat lunak SPSS statistics 17.0 dan Ms. Office Excel 2007. Adapun tahapan-tahapan yang dilakukan dalam proses validasi metode Arima yaitu sebagai berikut. 3.2.1 Identifikasi Model Untuk melakukan tahapan identifikasi model ARIMA maka dibutuhkan uji stasioneritas data dan penentuan ordo p, d, q dan s. a. Uji Stasioneritas Memeriksa apakah data training jumlah permintaan produk setelan rok sudah stasioner atau belum. Hal ini dilakukan dengan menampilkan correlogram ACF dari data training jumlah permintaan produk setelan rok.
3
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
4 tersebut terpenuhi maka parameter model tersebut dikatakan cukup signifikan sehingga model tersebut layak untuk digunakan. Berikut ini merupakan table model parameter dari masingmasing model sementara yang diperoleh dari software SPSS 17. Tabel 3.1 Model Parameters ARIMA(1,1,0) (0,1,0)12
Gambar 3.3 Correlogram ACF data training jumlah permintaan produk rok
Gambar 3.3 menunjukkan bahwa data tidak stasioner. Hal ini dibuktikan dengan nilai ACF yang turun secara lambat atau tidak cepat menuju nol. Hal ini menunjukkan bahwa data in-sample tidak stasioner dalam mean karena pola data cenderung dipengaruhi oleh perubahan waktu. Dikarenakan data training belum stasioner maka perlu dilakukan differencing 1 untuk memperoleh data yang stasioner dalam mean. Hasil differencing 1 ditunjukkan pada gambar 3.4.
produk- Constant Model_1 AR Lag 1
Estimate
SE
t
Sig.
.755
7.370
.102
.919
-.334
.113
-2.953
.004
Difference
1
Seasonal Difference
1
Dari tabel diatas dapat dilihat bahwa semua parameter pada model Arima (1,1,0)(0,1,0)12 signifikan. Pada kolom ‘sig‘ menunjukkan bahwa seluruh parameter memiliki p-value < α . Tabel 3.2 Model Parameters ARIMA(1, 1, 0) (0,1,0)12
Estimate produk- Constant Model_1 AR
Gambar 3.4 Correlogram ACF data training jumlah permintaan produk setelan rok setelah differencing 1
Berdasarkan gambar 3.4, data sudah stasioner sebab data yang stasioner itu, autokorelasinya akan berbeda dari nol atau menurun mendekati nol secara eksponensial sesudah time lag kedua. Pada gambar 3.4 dapat dilihat bahwa setelah lag 2, level of sig mendekati nilai 0. Banyaknya proses differensiasi yang dilakukan ini menentukan ordo d dalam model Arima. b. Pendugaan ordo p dan q Setelah data stasioner maka dilakukan pendugaan ordo p dan q pada data tersebut. Pendugaan ordo p dan q model Arima dapat dilakukan melalui plot correlogram ACF dan PACF. Adapun acuan penentuan ordo p dan q mengacu pada Tabel 3.1. Berdasarkan correlogram fungsi autokorelasi pada gambar 3.4, pola ACF menurun secara cepat dan membentuk pola gelombang sinus. Hal ini menimbulkan dugaan bahwa ordo q(AR) bernilai 0. Dari gambar 3.4, dapat dilihat terdapat spike yang melebihi garis (cuts off) pada lag 12 yang menandakan adanya seasonal pada data.
SE
t
Sig.
.823
4.298 .192
Lag 1
-.505
.104 -4.831 .000
Lag 2
-.495
.104 -4.737 .000
Difference
1
Seasonal Difference
1
.849
Dari tabel diatas dapat dilihat bahwa semua parameter pada model Arima (2,1,0)(0,1,0)12 signifikan. Pada kolom ‘sig‘ menunjukkan bahwa seluruh parameter memiliki p-value < α. Berdasarkan table model parameter diatas, kedua model Arima tersebut dapat dikatakan memenuhi syarat untuk digunakan sehingga untuk mendapatkan model yang paling baik harus dilakukan tahapan selanjutnya yaitu proses pemeriksaan diagnostik untuk memperoleh nilai terbaik. 3.2.3 Pemeriksaan Diagnostik Pemeriksaan diagnostik dilakukan untuk mengetahui model Arima mana saja yang layak digunakan untuk melakukan peramalan. Model Arima tersebut harus memenuhi syarat yaitu residual harus bersifat White Noise. Residual White Noise (pure random) mengartikan bahwa error tidak dipengaruhi oleh errorerror waktu yang lalu. Untuk mengetahui apakah residual bersifat White Noise, dapat diketahui melalui Ljung Box. Parameter yang digunakan adalah apabila nilai p-value dari hasil uji tersebut bernilai lebih besar dari α. Berdasarkan hasil uji Ljung Box pada Model Arima (1,1,0)(0,1,0)12 yang ditampilkan pada table 3.3 menunjukkan bahwa residual dari model Arima ini tidak bersifat White Noise. Hal ini dikarenakan nilai p-value yang keluar pada masing-masing lag nilainya kurang dari 0.05. Tabel 3.3 Hasil uji Ljung Box pada Model Arima (1,1,0)(0,1,0)12 Modified Box-Pierce (Ljung-Box) ChiSquare
Gambar 3.5 Correlogram PACF data training jumlah permintaan produk setelan rok saat differencing 1
Sementara pada correlogram PACF pada gambar 3.5, muncul lag yang signifikan dan cut off setelah lag ke 2. Dari hasil ini, dapat dilakukan pendugaan sementara model Arima yang mungkin untuk produk setelan rok ini adalah (2,1,0) (0,1,0)12 . Dikarenakan pada proses pendugaan ini hanya terdapat 1 model yang ditemukan, maka sebagai pembanding untuk membuktikan bahwa model ini lebih baik maka digunakan model sementara (1, 1, 0) (0,1,0)12. 3.2.2 Pengujian dan Estimasi Parameter Pengujian parameter signifikan dari setiap model yang mungkin berdasarkan p-value yang nilainya harus kurang dari α (0.05) dimana tingkat kepercayaannya sebesar 95%. Jika kondisi
Lag Chi-Square DF
12 26.3 10
24 35.2 22
36 66.4 34
48 73.1 46
Sementara itu, Pada hasil uji Ljung Box pada Model Arima (2,1,0)(0,1,0)12 yang ditampilkan pada table 5.6 menunjukkan bahwa residual dari model Arima ini bersifat White Noise (tersebar secara random). Pada model ini terdapat korelasi antara residual dengan rata-rata konstan. Kesimpulan ini di dapat dari nilai pvalue yang keluar pada masing-masing lag nilainya lebih besar dari 0.05 (p-value > α). Tabel 3.4 Hasil uji Ljung Box pada Model Arima (2,1,0)(0,1,0)12 Modified Box-Pierce (Ljung-Box) ChiSquare Lag Chi-Square DF
12 15.2 9
24 22.9 21
36 42.2 33
48 48.7 45
4
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 Setelah pemeriksaan residual dilakukan, dipilihlah model yang memenuhi syarat pemeriksaan diagnostik diantara keduanya. Berdasarkan hasil uji white-noise diatas, dapat diketahui bahwa kedua model Arima yang mungkin digunakan dalam pemodelan peramalan jumlah permintaan produk tipe setelan rok yaitu hanya model Arima (2,1,0)(0,1,0)12 dimana telah terbukti memiliki residual yang white-noise. Berdasarkan proses pemodelan data menggunakan metode Arima dengan SPSS 17 ini, menunjukkan bahwa model terbaik yang dapat digunakan untuk melakukan peramalan jumlah permintaan produk tipe setelan rok ini adalah model Arima (2,1,0)(0,1,0)12. Sementara itu, model terbaik Arima yang dihasilkan secara otomatis dari program java memiliki model yang sama dengan model terbaik yang dihasilkan dari SPSS ditampilkan pada halaman program pada gambar 5.11 berikut ini.
5 yaitu sebesar 17.30 % untuk MAPE dan 73.56. Nilai yang dihasilkan dari kedua program ini cukup berbeda. Nilai RMSE dari testing process menggunakan program java relative lebih kecil daripada nilai yang dihasilkan dari program SPSS. Sementara itu, berdasarkan table kriteria MAPE, Nilai Mape yang dihasilkan oleh Program Java sebesar 17.30% tergolong memiliki kemampuan peramalan yang baik. Sedangkan pada nilai Mape yang dihasilkan oleh Program SPSS sebesar 36.00% tergolong memiliki kemampuan peramalan yang cukup. Berdasarkan hasil ini dapat diketahui bahwa nilai akurasi dari program Java lebih baik dikarenakan pada program Java, system mampu menghasilkan nilai prediksi yang lebih mendekati nilai data actual dibandingkan dengan nilai prediksi yang dihasilkan dari SPSS. Hal ini dapat dilihat pada gambar 3.7 perbandingan plot hasil proses training program SPSS dan program Java. Dan pada gambar 3.8 perbandingan plot hasil proses testing program SPSS dan program Java
Gambar 3.6 Optimum Model pada Program Peramalan dengan Metode Arima
Sehingga, berdasarkan model Arima terbaik yang diperoleh dengan SPSS 17 dan yang dihasilkan dari program java yang telah dibangun ini, maka dapat disimpulkan bahwa program telah valid karena nilai model yang dikeluarkan sama. 3.2.4 Peramalan Langkah selanjutnya yaitu melakukan proses peramalan jumlah permintaan produk tipe setelan rok untuk 12 periode ke depan. Sebelum melakukan proses peramalan, pada tahapan ini akan dilakukan proses pendekatan in-sample (training process) dan pendekatan out-sample (testing process) yang bertujuan untuk mengevaluasi kelayakan model berdasarkan tingkat akurasi yang dihasilkan. a. Pendekatan in-sample Berdasarkan hasil dari pendekatan in-sample (training process) diketahui bahwa nilai MAPE dan RMSE dari proses training menggunakan SPSS yaitu sebesar 22.44 % untuk MAPE dan 70.11 untuk RMSE. Sedangkan, nilai MAPE dan RMSE dari proses training menggunakan Program Java masing-masing yaitu sebesar 12.48 % untuk MAPE dan 23.023. Nilai yang dihasilkan dari kedua program ini cukup berbeda. Nilai RMSE dari training process menggunakan program java relative lebih kecil daripada nilai yang dihasilkan dari program SPSS. Berdasarkan kriteria MAPE, nilai yang dihasilkan melalui evaluasi MAPE, menunjukkan kemampuan peramalan seperti yang ditunjukkan dalam kriteria MAPE berikut ini [4]: Tabel 3.5 Kriteria MAPE
MAPE
Pengertian
< 10%
Kemampuan peramalan sangat baik
10% - 20%
Kemampuan peramalan baik
20% - 50%
Kemampuan peramalan cukup
> 50% Kemampuan peramalan buruk Berdasarkan table criteria MAPE diatas, maka dapat diketahui bahwa nilai Mape yang dihasilkan oleh Program Java sebesar 12.485% tergolong memiliki kemampuan peramalan yang baik. Sedangkan pada nilai Mape yang dihasilkan oleh Program SPSS sebesar 22.44% tergolong memiliki kemampuan peramalan yang cukup. b. Pendekatan out-sample Berdasarkan hasil dari pendekatan out-sample (testing process) diketahui bahwa nilai MAPE dan RMSE dari proses testing menggunakan SPSS yaitu sebesar 36.00 % untuk MAPE dan 180.238 untuk RMSE. Sedangkan, nilai MAPE dan RMSE dari proses testing menggunakan Program Java masing-masing
Gambar 3.7 Perbandingan plot hasil proses training metode Arima pada program SPSS dan program Java
Gambar 3.8 Perbandingan plot hasil proses testing metode Arima pada program SPSS dan program Java
3.3 Analisis Hasil 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. Hal ini dilakukan agar hasil dari proses training dan testing dari program Java sama atau mendekati hasil dari program SPSS. Pengesetan 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 Tabel 3.5 berikut ini. Tabel 3.5 Critical Value pada Java Arima
SPSS Mape in-sample RMSE in-sample
Program Java dengan Critical value 7.0 8.5 >=9.0
22.44%
21.72%
22.56%
23.01%
70.11
64.764
75.018
73.58
5
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Mape out-sample RMSE out-sample
SPSS
Program Java dengan Critical value 7.0 8.5 >=9.0
36%
17.99%
26.36%
25.96%
180.23
85.86
165.38
165.11
Dari table 3.5, 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. Critical value dengan nilai diatas 9.0 tetap memberikan nilai MAPE dan RMSE yang tidak berubah (nilai yang sama saat critical value 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). Setelah model Arima (2,1,0)(0,1,0)12 dievaluasi kelayakannya berdasarkan tingkat akurasi yang dihasilkan pada pendekatan in-sample dan out-sample, maka selanjutnya dapat dilakukan proses peramalan data jumlah permintaan produk tipe setelan rok untuk periode Januari 2013 sampai Desember 2013. Untuk melakukan proses peramalan ini maka akan digunakan program Java dengan mengeset nilai default dari critical value yang telah diatur secara otomatis oleh program Java. Pada pengujian sebelumnya, diketahui bahwa program Java dengan critical value default memberikan hasil akurasi paling baik dibanding menggunakan critical value di bawah atau diatas nilai default ataupun dengan menggunakan bantuan program SPSS. Adapun hasil ramalan dengan model Arima (2,1,0)(0,1,0)12 menggunakan program java ditunjukkan pada Tabel 3.6 berikut.
6 tergolong baik yaitu nilai MAPE sebesar 17.30 dan RMSE sebesar 73.56.
V. DAFTAR PUSTAKA [1] Thomakos, D and Guerard. 2004. John. Naı¨ve, ARIMA, nonparametric, transfer function and VAR models: A comparison of forecasting performance. International Journal of Forecasting. Vol 20. Pp 53-67. [2] Ho, S.L and XIE, M. 1998. The Use of Arima Models for Reliability Forecasting and Analysis. Computers & Industrial Engineering. Vol 35. Issues 1-2. Pages 213-216 [3] Bowerman, B.L. and O’Connell, R.T. 1993. Time Series and forcasting: An applied approach (3rd ed.). Boston: Duxbury Press. [4] Chang , P. C., Wang, Y. W., & Liu, C. H. (2007). The development of a weighted evolving fuzzy neural. Expert Systems with Applications, 86–96.
Tabel 3.6 Hasil Ramalan model Arima (2,1,0)(0,1,0)12 menggunakan Java
Periode
Nilai Ramalan Arima
Jan-13
373.671
Feb-13
409.281
Mar-13
338.968
Apr-13
208.275
May-13
164.041
Jun-13
255.092
Jul-13
407.432
Aug-13
303.071
Sep-13
276.234
Oct-13
433.798
Nov-13
500.504
Dec-13
172.403
IV. KESIMPULAN Berdasarkan proses-proses yang telah dilakukan dalam pengerjaan tugas akhir ini maka ada beberapa kesimpulan yang dapat diambil, diantaranya adalah : 1. Model Arima paling optimal yang digunakan untuk peramalan jumlah permintaan busana muslim tipe setelan rok ini adalah model Arima dengan ordo p=2, d=1, q=0 dan s=12 atau (2,1,0)(0,1,0)12. 2. Pada process training (pendekatan in-sample), 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 (pendekatan out-sample), menghasilkan peramalan dengan tingkat akurasi yang juga
6
