PEMBUATAN APLIKASI PENDUKUNG KEPUTUSAN UNTUK PERAMALAN PERSEDIAAN BAHAN BAKU PRODUKSI PLASTIK BLOWING DAN INJECT MENGGUNAKAN METODE ARIMA

PEMBUATAN APLIKASI PENDUKUNG KEPUTUSAN UNTUK PERAMALAN PERSEDIAAN BAHAN BAKU PRODUKSI PLASTIK BLOWING DAN INJECT MENGGUNAKAN METODE ARIMA (AUTOREGRESSIVE INTEGRATED MOVING AVERAGE) DI CV. ASIA AMIRA HERWINDYANI (5210100029)

Latar Belakang

•Peramalan atau forecasting merupakan aktifitas di mana perusahaan melakukan analisis untuk memperkirakan permintaan barang atau jasa di masa mendatang. Peramalan yang buruk akan mengakibatkan perencanaan yang buruk pula dan juga dapat mengakibatkan meningkatnya biaya pengeluaran oleh perusahaan. •CV. Asia sebuah perusahaan manufaktur kemasan plastik dengan spesialisasi pada injection dan blow moulding, 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 satu penyebabnya 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 baku produksi plastic inject dan blowing di CV. Asia. Model ARIMA yang akan diperoleh nantinya akan diterapkan ke dalam Microsoft Excel menggunakan Visual Basic for Applications (VBA) atau macro karena perusahaan saat ini menggunakan Microsoft Excel sebagai perangkat lunak dasar untuk melakukan aktifitas manajemen perusahaannya. •Hasil yang diharapkan dari tugas akhir ini adalah untuk mendapatkan model dan hasil peramalan terbaik menggunakan metode ARIMA serta mudah digunakan sehingga dapat mengurangi kerugian yang ditimbulkan. Daftar Isi

2

Perumusan Masalah •Model ARIMA seperti apa yang tepat untuk menggambarkan data persediaan bahan baku plastik blowing dan inject? •Bagaimana meramalkan data persediaan dengan metode ARIMA sehingga memiliki tingkat keakuratan yang tinggi? •Bagaimana membuat aplikasi pendukung bagi perusahaan untuk dapat menerapkan peramalan menggunakan VBA atau macro dalam Microsoft Excel?

Daftar Isi

3

Batasan MASALAH •Peramalan dilakukan dengan menggunakan metode ARIMA pada data penggunaan bahan baku plastik blowing dan inject periode mingguan untuk Januari 2012 – Desember 2013. •Pemrograman dalam tugas akhir ini dilakukan dengan bahasa pemrograman VBA atau macro menggunakan Microsoft Excel 2013.

Daftar Isi

4

Tujuan Tugas Akhir •Memperoleh model ARIMA yang tepat untuk menggambarkan data persediaan bahan baku plastik blowing dan inject •Meramalkan data persediaan dengan metode ARIMA sehingga memiliki tingkat keakuratan yang tinggi. •Membuat aplikasi pendukung bagi perusahaan untuk dapat menerapkan peramalan menggunakan VBA atau macro dalam Microsoft Excel.

Daftar Isi

5

Tinjauan Pustaka Teori Peramalan Peramalan dapat didefinisikan sebagai alat atau teknik untuk memprediksi atau memperkirakan suatu nilai pada masa mendatang dengan memperhatikan data atau informasi yang relevan, baik data atau informasi masa lalau maupun data atau informasi saat ini. Metode peramalan, data yang menunjang, dan rekomendasi yang tepat atas peramalan yang dilakukan, saat ini memiliki peran penting dalam kegiatan perekonomian dan niaga. Metode peramalan sendiri dibagi ke dalam dua kategori utama, yaitu metode kualitatif dan metode kuantitatif. peramalan dengan metode kuantitatif dapat dibagi menjadi dua macam, yaitu model time series dan mode kausal.

Daftar Isi

6

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 membuat keputusan dan rencana saat ini. Time series memiliki empat komponen penting berikut:

Tren sekuler (T) ◦ Variasi musiman (S) ◦ Variasi siklus (C) ◦ Variasi ireguler (I)

Daftar Isi

7

Tinjauan Pustaka (cont’d) Stasioneritas Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data berada di sekitar suatu nilai rata–rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut. Data time series dikatakan stasioner dalam rata–rata jika rata–ratanya tetap (tidak terdapat pola trend).

Gambar 1: Contoh plot data stasioner dalam rata–rata dan varians

Daftar Isi

Gambar 2: Contoh plot data stasioner dalam rata–rata 8

Tinjauan Pustaka (cont’d) Metode ARIMA ARIMA (Auto Regressive Integrative Moving Average) merupakan suatu pendekatan pemodelan yang dapat digunakan untuk menghitung probabilitas dari nilai masa depan yang terletak di antara dua batas yang ditentukan. Kelebihan ARIMA adalah memiliki sifat yang fleksibel (mengikuti pola data), memiliki tingkat akurasi peramalan yang cukup tinggi dan cocok digunakan untuk meramal sejumlah variabel dengan cepat, sederhana, akurat, dan murah karena 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) yang mempunyai karakteristik dari dua model pertama. ARIMA memadukan unsur dalam model autoregressive dan moving average.

Daftar Isi

9

Tinjauan Pustaka (cont’d) Pengukuran Akurasi Peramalan Akurasi peramalan akan diukur dengan menggunakan fungsi Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Dan standard deviasi (s).

= =

=

∑

∑ ̅

Daftar Isi

=

∑

(

100%

atau =

∑

)

∑

⁄

10

Tinjauan Pustaka (cont’d) Visual Basic for Application (VBA) merupakan bahasa pemrograman yang dikembangkan oleh Microsoft. Seluruh produk Microsoft Office sudah mencakup bahasa pemrograman VBA beserta editornya, termasuk Microsoft Excel. VBA memungkinkan pengguna Microsoft Excel untuk mengautomatisasi beberapa aspek di Microsoft Excel, seperti melakukan penganggaran dan peramalan, menganalisis data ilmiah, membuat faktur dan form-form lainnya, membuat grafik dari data, dan sebagainya. Bahasa pemrograman VBA yang sudah terstruktur (sudah berbentuk program) dinamakan dengan macro.

Daftar Isi

11

Tinjauan Pustaka (cont’d) Profil CV. Asia CV. Asia merupakan sebuah perusahaan manufaktur kemasan plastik dengan spesialisasi pada injection dan blow moulding yang berdiri sejak tahun 1985. Beberapa produk yang telah dikembangkan 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 setiap bulannya dari supplier bahan baku. Bahan baku yang digunakan oleh CV. Asia terbagi menjadi dua macam, yaitu HD Blowing dan HD Inject.

Daftar Isi

12

Metodologi Pembuatan dan Penerapan Model ARIMA untuk Peramalan Uji Stasioneritas Data

Identifikasi Model

Estimasi Parameter Model

Studi Pendahuluan dan Literatur

Pengumpulan Data

BELUM

Uji Diagnosis / Uji Kelayakan

Pembuatan Aplikasi

Penyusunan Buku Tugas Akhir

Apakah model sudah layak?

SUDAH Penggunaan Model untuk Peramalan Analisis Hasil Peramalan

Daftar Isi

13

Metodologi (Cont’d) 1. Studi Pendahuluan dan Literatur • Pembelajaran dan pemahaman literatur yang berkaitan dengan permasalahan yang ada. Beberapa yang akan dipelajari seperti teori-teori peramalan dan cara melakukan peramalan menggunakan model ARIMA serta 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. Periode historis data yang akan digunakan yaitu periode mingguan untuk bulan Januari 2012 s.d. Desember 2013.

Daftar Isi

14

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 Daftar Isi

15

Metodologi (Cont’d) 4. Pembuatan Aplikasi • Pembuatan aplikasi sebagai alat bantu bagi perusahaan untuk menerapkan model peramalan yang telah disusun penulis serta memudahkan perusahaan untuk membaca hasil peramalan. Aplikasi akan dibuat dengan menggunakan macro atau Visual Basic for Applications pada Microsoft Excel.

5. Penyusunan Buku Tugas Akhir • Langkah ini dilakukan setelah semua langkah sebelumnya selesai dilakukan dengan tujuan agar seluruh langkah-langkah pengerjaan tugas akhir yang dilakukan didokumentasikan secara lengkap sehingga dapat memberikan informasi yang berguna bagi yang membacanya.

Daftar Isi

16

Pengolahan Data dan Implementasi 1.

Pengumpulan Data

Pada tahap ini dilakukan pengumpulan data untuk pengerjaan tugas akhir. Data yang digunakan sebagai data masukan dalam model adalah data pemakaian bahan baku pada CV. Asia untuk memproduksi plastik blowing dan plastik inject selama tahun 2012 hingga 2013 dalam periode mingguan. ◦ Gambaran Data Masukan Data pemakaian bahan baku pada CV. Asia memiliki entri sebanyak 104 entri, sesuai dengan jumlah minggu selama periode tahun 2012 hingga tahun 2013. Per entri data menunjukkan jumlah satuan kilogram bahan baku yang terpakai setiap minggunya. Tabel 4.1 menunjukkan data pemakaian bahan baku plastik inject untuk 10 periode awal dan akhir dan Tabel 4.2 menunjukkan data pemakaian bahan baku plastik blowing untuk 10 periode awal dan akhir.

Daftar Isi

17

Pengolahan Data dan Implementasi (cont’d) Tabel 1 Pemakaian bahan baku produksi plastic inject 10 periode awal dan akhir

NO. 1 2 3 4 5 6 7 8 9 10 … 95 96 97 98 99 100 101 102 103 104

Daftar Isi

PERIODE Jan-12 Jan-12 Jan-12 Jan-12 Feb-12 Feb-12 Feb-12 Feb-12 Mar-12 Mar-12 … Oct-13 Oct-13 Nov-13 Nov-13 Nov-13 Nov-13 Dec-13 Dec-13 Dec-13 Dec-13

INJECT (KG) 12397.38 12418.42 12415.7 12359.92 12392.69 12462.47 12449.45 12471.02 12422.06 12482.07 … 12442.49 12369.38 12504.48 12502.81 12496.15 12529.75 12454.83 12580.69 12419.86 12393.45

Tabel 2 Pemakaian bahan baku produksi plastic blowing 10 periode awal dan akhir

NO. 1 2 3 4 5 6 7 8 9 10 … 95 96 97 98 99 100 101 102 103 104

PERIODE Jan-12 Jan-12 Jan-12 Jan-12 Feb-12 Feb-12 Feb-12 Feb-12 Mar-12 Mar-12 … Oct-13 Oct-13 Nov-13 Nov-13 Nov-13 Nov-13 Dec-13 Dec-13 Dec-13 Dec-13

BLOWING (KG) 13096.46 13232.62 13093.16 13112.44 13245.68 12932.73 12811.32 12815.39 12815.08 12756.18 … 14455.82 14511.73 14421.49 14512.03 14447.75 14559.65 14526.16 14578.54 14572.85 14662.01

18

Pengolahan Data dan Implementasi (cont’d)

Time series plot untuk pemakaian bahan baku plastik inject

Daftar Isi

Time series plot untuk pemakaian bahan baku plastik blowing

19

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 diolah menggunakan model ARIMA, maka data harus bersifat stasioner. Untuk melihat stasioner atau tidaknya data, dapat diamati dengan melihat time series plot dari data.

Daftar Isi

20

Pengolahan Data dan Implementasi (cont’d) Dari grafik yang dihasilkan dapat dilihat bahwa data pemakaian bahan baku plastik inject dan plastik blowing masih memiliki pola tren sehingga dapat dikatakan belum stasioner. Oleh karena itu data perlu didiferensiasi agar menjadi stasioner.

Diferensiasi pertama data bahan baku plastik inject Daftar Isi

Diferensiasi kedua data bahan baku plastik inject 21


Diferensiasi pertama data bahan baku plastik blowing

Daftar Isi

Diferensiasi kedua data bahan baku plastik blowing

22


Identifikasi Model

Tahap identifikasi model ini merupakan tahap penetapan model ARIMA (p, d, q) yang sekiranya cocok untuk meramalkan data. Jika data tidak mengalami differencing, maka d = 0, jika data menjadi stasioner setelah differencing ke- 1 maka d = 1 dan seterusnya. Dalam memilih dan menetapkan p dan q dapat dibantu dengan mengamati pola Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF).

Grafik ACF untuk produk plastik inject Daftar Isi

Grafik PACF untuk produk plastik inject 23


Grafik ACF untuk produk plastik blowing

Daftar Isi

Grafik PACF untuk produk plastik blowing

24


Estimasi Parameter

Untuk data pemakaian bahan baku plastik inject memiliki model ARIMA (0,2,2) dan data pemakaian bahan baku plastik blowing juga memiliki model ARIMA (0,2,2). Formulasi untuk peramalan dengan model ARIMA (0,2,2) adalah: =2

−

−

−

Dari hasil estimasi parameter, didapatkan nilai koefisien MA(1) dan MA(2) dari data bahan baku plastik inject masing-masing sebesar 0.82 dan -0.1681. sedangkan untuk bahan baku plastik blowing adalah MA(1) sebesar 0.96 dan MA(2) adalah -0.2304.

Daftar Isi

25


Uji Diagnostik

Uji diagnostik dilakukan untuk mengevaluasi model apakah telah memenuhi syarat untuk digunakan. Evaluasi yang 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). |t| hitung

t tabel (df = 102)

|t| hitung

t tabel (df = 102)

|t1|= 0.003

1.98

|t1|= 0.0016

1.98

|t2|= 0.0006

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

Karena kedua nilai t hitung < t tabel, maka estimasi parameter diterima, sehingga dapat dikatakan parameter sudah signifikan (Massey & Millery). Untuk melihat grafik ACF dari residu atau error perlu dilakukan peramalan berdasar data historis untu mendapatkan nilai residu atau error-nya. Apabila pada grafik ACF tidak ada lag yang melebihi garis batas signifikansi (garis putus–putus) secara drastis atau tidak membentuk pola tren, maka residu bersifat random yang menandakan model memadai dan memenuhi syarat untuk digunakan. Daftar Isi

26

Pengolahan Data dan Implementasi (cont’d) Untuk melihat grafik ACF dari residu atau error perlu dilakukan peramalan berdasar data historis untu mendapatkan nilai residu atau error-nya. Apabila pada grafik ACF tidak membentuk pola tertentu, maka residu bersifat random yang menandakan model memadai dan memenuhi syarat untuk digunakan.

Grafik ACF untuk residual data bahan baku inject Daftar Isi

Grafik ACF untuk residual data bahan baku blowing 27


Verifikasi Hasil Model ARIMA pada Excel

Verifikasi model ARIMA yang dilakukan dengan melihat nilai MAPE dan RMSE peramalan yang dihasilkan di Excel. Model

MAPE

RMSE

ARIMA (0,2,2) Data Inject

0.520%

84.424

ARIMA (0,2,2) Data Blowing

0.571%

104.077

Kisaran nilai MAPE yang sangat baik adalah <10% dan nilai yang baik adalah 10-20%. Karena nilai MAPE yang dihasilkan aplikasi <10% maka dapat disimpulkan hasil peramalan sangat baik.

Daftar Isi

28


Perancangan Sistem Informasi

Cross-functional Flowchart untuk alur proses aplikasi Daftar Isi

29


Perancangan Sistem Antarmuka Pengguna

Antarmuka #2

Antarmuka #1

Daftar Isi

30


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 periode mendatang, 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 yang didapatkan dari peramalan data historis. RMSE (Root Mean Squared Error) Nilai RMSE merupakan hasil akar dari rata-rata nilai kuadrat residual (error) yang didapatkan dari peramalan data historis.

Daftar Isi

31

Pengolahan Data dan Implementasi (cont’d) 10. Batasan Desain Batasan yang perlu diperhatikan ketika menjalankan aplikasi ini adalah data riil yang akan dimasukkan harus berada pada kolom A, dimulai dari cell A2. Hal ini dilakukan untuk mempermudah proses perhitungan dan peramalan. Nama lembar kerja (worksheet) sebaiknya tidak diubah atau dibiarkan tetap default, yaitu Inject dan Blowing untuk mempermudah pengguna dalam membedakan kategori bahan baku plastik inject dan blowing serta mempermudah proses perhitungan dan peramalan. Serta, untuk peramalan ke depan, penulis membatasi periode peramalan yaitu selama 36 minggu ke depan atau selama 6 bulan.

Daftar Isi

32

Pengolahan Data dan Implementasi (cont’d) 11. Implementasi Model pada Macro Excel Implementasi model ARIMA dengan Excel dilakukan dengan menggunakan macro atau Visual Basic for Applications (VBA) yang terdapat pada Excel. Macro dapat dijalankan dengan merekam aktifitas yang kita kerjakan dengan Excel, dinamakan Record Macro, di mana macro yang sudah kita rekam tadi dapat berbentuk koding yang kemudian dapat dibaca dan diperbaiki di VBA Editor. Untuk mengakses VBA Editor, dapat melalui tab Developer pada Excel, lalu pilih Visual Basic.

Menu untuk mengakses VBA Editor pada Excel

Daftar Isi

33


Daftar Isi

34

Uji Coba dan Analisis Hasil 1. Lingkungan Uji Coba Perangkat Keras Jenis Processor RAM Hard Disk Drive Perangkat Lunak Sistem Operasi Bahasa Pemrograman Menghitung Data

Daftar Isi

Spesifikasi Notebook Intel® Core™ i3 CPU M330 2.13GHz 4 GB 250 GB SATA Spesifikasi Windows 7 Visual Basic for Applications Micosoft Excel 2013, Minitab 16

35

Uji Coba dan Analisis Hasil (cont’d) 2. Verifikasi Verifikasi dilakukan untuk memastikan tidak ada error pada aplikasi ketika dijalankan. Apabila ketika dijalankan aplikasi memunculkan kotak dialog dan juga hasil seperti pada gambar, maka dapat dikatakan bahwa tidak terdapat error pada apliaksi.

Daftar Isi

36

Uji Coba dan Analisis Hasil (cont’d) 3.

Validasi

Salah satu cara melakukan validasi yakni dengan membandingkan hasil luaran aplikasi dibandingkan dengan hasil luaran oleh perangkat lunak yang lain, misalnya Minitab. A.

Data Pemakaian Bahan Baku Plastik Inject

Identifikasi Model Trend Analysis Plot for INJECT

Linear Trend Model Yt = -0.3 - 0.003083*t

Linear Trend Model Yt = 27.8 - 0.526104*t

Variable Actual Fits

13200 13100

Accuracy Measures MAPE 1.6 MAD 211.2 MSD 65260.0

13000

lag 1

12900 12800

0

12700 12600

200


100


300


200


100 lag 2

13300

INJECT

Trend Analysis Plot for lag 2


Linear Trend Model Yt = 12751.6 + 1.99*t

0 -100 -200

-100

12500

-300

12400

-200

1

10

20

Daftar Isi

30

40

50 60 Index

70

80

90

Daftar Isi

100

-400

1

10

20

30

40

50 60 Index

70

80

90

100

1

10

20

30

40

50 60 Index

70

80

90

100

37

Uji Coba dan Analisis Hasil (cont’d) Trend Analysis Plot for lag 1


Linear Trend Model Yt = 27.8 - 0.526104*t

Linear Trend Model Yt = -0.3 - 0.003083*t


200

0

-100


100 lag 2

lag 1

Hasil Minitab

200


100


300

0 -100 -200 -300

-200 -400

1

10

20

30

40

50 60 Index

70

80

90

100

1

10

20

30

40

50 60 Index

70

80

90

100

Hasil perhitungan dengan Excel

Daftar Isi

38

Uji Coba dan Analisis Hasil (cont’d) Uji Diagnostik ACF of Residuals for INJECT (with 5% significance limits for the autocorrelations) 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2

4

6

8

10

12 14 Lag

16

18

20

22

24

Uji diagnostik yang dilakukan adalah dengan melihat apakah nilai residual hasil peramalan bersifat random dan nilainya mendekati nol. Hasil yang dibandingkan adalah residu dari hasil peramalan aplikasi dengan residu hasil di Minitab. Dari grafik ACF dapat dilihat bahwa residual memiliki nilai error random dan mendekati nol, oleh karena itu dapat disimpulkan bahwa model telah memadai dan dapat digunakan untuk melakukan peramalan untuk periode mendatang. Daftar Isi

39

Uji Coba dan Analisis Hasil (cont’d) B. Data Pemakaian Bahan Baku Plastik Blowing Identifikasi Model Trend Analysis Plot for BLOWING

Linear Trend Model Yt = -6.5 +0.114*t

Linear Trend Model Yt = -0.9 +0.305*t


200


13500

13000

0

1

10

20

30

40

50 60 Index

70

80

90

Daftar Isi

100

200


100 0 -100

-100

-200

-200

-300 -400

-300

12500


300


100 lag 1

14000

400


300

lag 2

14500

BLOWING



Linear Trend Model Yt = 12636.3 + 18.6*t

-500 1

10

20

30

40

50 60 Index

70

80

90

100

1

10

20

30

40

50 60 Index

70

80

90

100

40

Uji Coba dan Analisis Hasil (cont’d) Trend Analysis Plot for lag 1


Linear Trend Model Yt = -0.9 + 0.305*t

Linear Trend Model Yt = -6.5 + 0.114*t

200

200

-100


100 lag 2

0


300


100 lag 1

Hasil Minitab

400


300

0 -100 -200 -300

-200

-400

-300

-500 1

10

20

30

40

50 60 Index

70

80

90

100

1

10

20

30

40

50 60 Index

70

80

90

100

Hasil perhitungan dengan Excel

Daftar Isi

41

Uji Coba dan Analisis Hasil (cont’d) Uji Diagnostik ACF of Residuals for BLOWING (with 5% significance limits for the autocorrelations) 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2

4

6

8

10

12 14 Lag

16

18

20

22

24

Uji diagnostik yang dilakukan adalah dengan melihat apakah nilai residual hasil peramalan bersifat random dan nilainya mendekati nol. Hasil yang dibandingkan adalah residu dari hasil peramalan aplikasi dengan residu hasil di Minitab. Dari grafik ACF dapat dilihat bahwa residual memiliki nilai error random dan mendekati nol, oleh karena itu dapat disimpulkan bahwa model telah memadai dan dapat digunakan untuk melakukan peramalan untuk periode mendatang. Daftar Isi

42

Uji Coba dan Analisis Hasil (cont’d) 4.

Analisis Hasil Peramalan

Pada tahap ini akan dilakukan analisis hasil peramalan untuk periode mendatang beserta verifikasi hasil peramalan dengan melihat nilai error dan standar deviasi. Peramalan Bahan Baku Inject Time Series Plot of INJECT 13400 13200 13000

INJECT

A.

12800 12600 12400 12200 12000 1

14

Daftar Isi

28

42

56

70 Index

84

98

112

126

140

43

Uji Coba dan Analisis Hasil (cont’d) Dari hasil peramalan dan grafik oleh Minitab dan aplikasi macro Excel, dapat dilihat bahwa jumlah bahan baku yang diramalkan nilainya semakin menurun Hal ini terjadi karena pemodelan dan peramalan oleh model ARIMA sebagian besar berdasarkan pada data historis yang paling baru. Ketika terjadi kenaikan ataupun penurunan pada data, sudah merupakan hal yang wajar jika nilai 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 diperoleh dapat disimpulkan bahwa hasil peramalan pemakaian bahan baku plastik inject menggunakan model ARIMA (0,2,2) oleh aplikasi sangat baik. Hasil standard deviasi relatif untuk hasil peramalan bahan baku plastik inject sebesar 2,06% yang mengindikasikan bahwa hasil peramalan keduanya memiliki sedikit nilai simpangan.

Daftar Isi

44

Uji Coba dan Analisis Hasil (cont’d) Peramalan Bahan Baku Blowing Time Series Plot of BLOWING 15500 15000 14500 BLOWING

B.

14000 13500 13000 12500 1

14

Daftar Isi

28

42

56

70 Index

84

98

112

126

140

45

Uji Coba dan Analisis Hasil (cont’d) Dari hasil peramalan dan grafik oleh Minitab dan aplikasi macro Excel, dapat dilihat bahwa jumlah bahan baku yang diramalkan nilainya semakin naik. Nilai MAPE pada hasil peramalan aplikasi adalah sebesar 0.571% dan hasil standard deviasi relatif untuk kedua hasil peramalan bahan baku blowing pada adalah sebesar 4.3%. Dari hasil MAPE dan RSD dapat disimpulkan bahwa hasil peramalan oleh aplikasi sangat baik karena memiliki nilai MAPE yang kecil, yaitu di bawah 10% dan memiliki nilai penyimpangan yang kecil pula. Dengan ini, model ARIMA (0,2,2) yang telah diimplementasikan pada dalam aplikasi macro Excel sudah merupakan model yang tepat untuk meramalkan data pemakaian bahan baku plastik blowing.

Daftar Isi

46

Kesimpulan 1.

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 di Microsoft Excel, sebelum fungsi rumus dapat diimplementasikan ke dalam coding, pastikan bahwa fungsi atau rumus model sudah sesuai dan hasil dari peramalan memiliki nilai standard deviasi yang 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 RMSE pada peramalan bahan baku plastik inject masing-masing adalah 0.52% dan 84.424, sedangkan pada 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) pada kedua data sudah baik. ◦ Standard deviasi digunakan untuk mengetahui besarnya nilai simpangan. Nilai standard deviasi yang sangat baik adalah yang berada di bawah 5%. Berdasarkan hasil perhitungan, peramalan bahan baku plastik inject menggunakan model ARIMA (0,2,2) memiliki standard deviasi sebesar 2.04%, dan untuk peramalan bahan baku plastik blowing dengan model ARIMA (0,2,2) memiliki standard deviasi sebesar 4.23%. Daftar Isi

47

Saran Dari 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 dapat dipertimbangkan: 1.

Hasil yang ditampilkan dalam tugas akhir ini hanya sebatas nilai dan grafik hasil peramalannya. Pada penelitian selanjutnya dapat ditambahkan hasil berupa nilai dan grafik untuk prediksi interval. Fungsi prediksi interval sendiri untuk mengetahui kisaran atau range nilai peramalan, karena nilai peramalan tidak terbatas pada hanya satu angka yang dihasilkan, 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 preferensi dari pihak perusahaan, seperti sumber daya manusia, biaya yang dikeluarkan, dan jangka waktu penggunaan peramalan.

Daftar Isi

48

Daftar Pustaka D. R. Anderson, D. J. Sweeney, T. A. Williams, J. D. Camm and R. K. Martin, "Time Series Analysis and Forecasting," in An Introduction 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 distributor in 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 and Publications 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 http://people.duke.edu/~rnau/compare.htm. [Accessed March 2014].

models,"

Decision

411,

[Online].

Available:

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 evidence from the new car retail sector. London School of Economics and Political Science 49

Daftar Isi BAB 1 PENDAHULUAN Latar Belakang

BAB 4 PENGOLAHAN DATA DAN IMPLEMENTASI

Rumusan Masalah

Pengumpulan Data

Tujuan

Analisis Time Series

Pembuatan dan Penerapan Model ARIMA ◦ Uji Stasioneritas ◦ Identifikasi Model ◦ Estimasi Parameter ◦ Uji Diagnostik ◦ Verifikasi Hasil Peramalan

Metode ARIMA

Perancangan Sistem Informasi

BAB 2 TINJAUAN PUSTAKA Teori Peramalan

Microsoft Excel VBA BAB 3 PENDAHULUAN Metodologi

Perancangan Sistem Output Batasan Desain Implementasi dalam Macro Excel

BAB 5 UJI COBA DAN ANALISIS Lingkungan Uji Coba Verifikasi Validasi ◦ Data Bahan Baku Plastik Inject ◦ Data Bahan Baku Plastik Blowing Analisis Hasil ◦ Data Bahan Baku Plastik Inject ◦ Data Bahan Baku Plastik Blowing BAB 6 Kesimpulan Saran 50

TERIMA KASIH

51

PEMBUATAN APLIKASI PENDUKUNG KEPUTUSAN UNTUK PERAMALAN PERSEDIAAN BAHAN BAKU PRODUKSI PLASTIK BLOWING DAN INJECT MENGGUNAKAN METODE ARIMA

Recommend Documents