MAKALAH TUGAS AKHIR

PERAMALAN VOLUME PENJUALAN SEMEN DI PT. SEMEN GRESIK(PERSERO) Tbk.

Dwi Hapsari Kurniasih1 dan Kartika Fitriasari2
1
Mahasiswa Jurusan Statistika FMIPA-ITS (hapsari_stat06@yahoo.com)
2
Dosen Jurusan Statistika FMIPA-ITS (kartika_f@statistika.its.ac.id)
ABSTRAK
PT. Semen Gresik merupakan perusahaan semen di Indonesia yang tergabung dalam
Semen Gresik Group (SGG) bersama PT. Semen Tonasa dan PT. Semen Padang.
Berdasarkan data volume penjualan semen PT. Semen Gresik tahun 2001 hingga 2009,
dapat diketahui bahwa penjualan semen cenderung menurun pada bulan yang di
dalamnya terdapat periode libur lebaran (berlangsung selama satu minggu sebelum dan
sesudah lebaran). Dari gambaran tersebut menyebabkan perlu dilakukannya metode
peramalan yang sesuai. Pada penelitian ini, metode yang digunakan adalah ARIMA BoxJenkins dan Analisis Variasi Kalender. Hal ini bertujuan untuk mendapatkan model yang
sesuai untuk meramalkan data volume penjualan semen PT. Semen Gresik dan juga
mendapatkan nilai ramalan untuk periode April hingga September tahun 2010. Dari dua
metode yang digunakan, diketahui bahwa metode yang sesuai untuk meramalkan data
volume penjualan semen adalah metode analisis variasi kalender karena metode tersebut
mempunyai nilai RMSE yang lebih kecil daripada metode ARIMA Box-Jenkins.
Kata Kunci : ARIMA Box-Jenkins, Analisis Variasi Kalender, Peramalan , RMSE.

1. Pendahuluan
Semen merupakan bahan baku yang vital dalam pembangunan. Secara umum, kebutuhan akan
semen didasarkan pada peramalan dan pengambilan keputusan dalam situasi yang mengandung adanya
ketidakpastian. Pentingnya dilakukan peramalan, khususnya pada industri semen adalah berkaitan dengan
perencanaan jumlah material, produksi, penjadwalan, penyediaan jumlah armada transportasi, maupun
distribusi ke agen-agen pemasaran. PT. Semen Gresik merupakan perusahaan semen di Indonesia yang
tergabung dalam Semen Gresik Group (SGG) bersama PT. Semen Tonasa dan PT. Semen Padang.
Berdasarkan data volume penjualan PT. Semen Gresik tahun 2001 hingga 2009, dapat diketahui bahwa
penjualan semen oleh PT. Semen Gresik cenderung meningkat dari tahun ke tahun. Namun di sisi lain,
penjualan PT. Semen Gresik cenderung menurun pada bulan yang di dalamnya terdapat periode libur
lebaran yang biasanya berlangsung selama satu minggu sebelum dan sesudah lebaran. Berdasarkan fakta
tersebut maka perlu dilakukan metode peramalan yang didasarkan pada kalender Islam, yang biasa
disebut analisis variasi kalender. Diharapkan dengan metode analisis variasi kalender tersebut dapat
meningkatkan keakuratan hasil peramalan jika dibandingkan dengan penelitian sebelumnya yang
menggunakan metode ARIMA Box-Jenkins
2. Metode ARIMA Box-Jenkins
Model ARIMA dalam peramalan menghendaki adanya kestasioneran data. Apabila data tidak
stasioner dalam varians dapat dilakukan transformasi dan apabila data tidak stasioner dalam mean dapat
dilakukan proses differencing (pembedaan). Secara umum, model ARIMA ini dituliskan dengan notasi
ARIMA (p,d,q), dimana p menyatakan orde dari proses autoregressive (AR), d menyatakan pembedaan
(differencing), dan q menyatakan orde dari proses moving average (MA).
(1)
(1 1 B ... p B p )(1 B ) d Z t = (1 1 B ... q B q )a t
Prosedur Box-Jenkins adalah suatu prosedur standar yang banyak digunakan dalam pembentukan
model ARIMA. Secara umum prosedur ini memiliki empat tahapan, yaitu tahap identifikasi model
sementara, tahap estimasi parameter, tahap pemeriksaan diagnostik, dan tahap peramalan. Pada penelitian
ini, metode yang dilakukan untuk menaksir parameter model adalah Conditional Least Squares.

3. Metode Analisis Variasi Kalender

Analisis variasi kalender menurut Bell dan Hillmer (1983) terbagi menjadi dua bagian, yaitu
variasi perdagangan dan variasi liburan. Kasus yang hampir sama di Indonesia adalah efek lebaran,
terutama pada sektor ekonomi.
Ide dasar dari model variasi kalender adalah
yt = t + t
(2)
dimana t adalah komponen deterministik untuk menghitung variasi kalender sedangkan t adalah
proses ARIMA untuk menghitung sisaan y t yang masih belum dijelaskan oleh komponen variasi
kalender.
Mean deterministik ( t ) dapat diwakili oleh trend, faktor musiman dan efek variasi kalender,
sehingga model variasi kalender yang terbentuk adalah sebagai berikut :
( B ) Q ( B S )
(3)
yt = 0 + 1t + 1D1,t + ... + ( L 1)D( L 1),t + CVt + q
at
p ( B ) P ( B S )
dimana D1 , D2 , D( L 1) adalah dummy waktu dalam satu periode musiman dan CVt adalah variabel
dummy efek variasi kalender, bernilai 1 jika pada observasi ke-t terjadi efek variasi kalender dan bernilai 0
untuk yang lain.
Untuk mendapatkan estimasi , dan adalah dengan cara meregresikan antara variabel respon
(yt) dengan variabel dummy. Residual dari hasil regresi tersebut dimodelkan ARIMA.
4. Metodologi
Data yang digunakan dalam penelitian ini adalah data sekunder volume penjualan semen oleh
PT.Semen Gresik dalam satuan ton selama periode Januari 2001 hingga Maret 2010. Sehingga banyaknya
data yang digunakan adalah 111 pengamatan, dengan 96 data in-sample dan 15 data out-sample.
Metode analisis statistik yang digunakan dalam penelitian ini adalah metode ARIMA Box-Jenkins
dan metode analisis variasi kalender. Dari kedua metode tersebut dibandingkan nilai RMSE-nya guna
mengetahui keakuratan hasil forecasting masing-masing metode. Metode dengan nilai RMSE yang paling
kecil itulah metode yang akan digunakan untuk meramal 6 periode yang akan datang.
Langkah-langkah pemodelan data dengan menggunakan metode ARIMA Box-Jenkins adalah
sebagai berikut :
1. Data dibagi menjadi dua, yaitu data in-sample dan data out-sample.
2. Melakukan identifikasi Model ARIMA (p, d, q) dengan langkah sebagai berikut:
a. Membuat Time Series Plot untuk melihat kestationeran data. Selain itu untuk mengetahui apakah
data penjualan semen stationer dalam mean dapat juga dilihat melalui plot ACF data awal, jika
pada plot tersebut lag-lag turun secara melambat maka data tersebut belum stationer dalam mean.
b. Membuat plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF)
dari data yang sudah stationer dalam mean maupun varians.
3. Melakukan pendugaan model awal ARIMA (p, d, q) dengan melihat Plot ACF dan PACF.
4. Melakukan penaksiran dan uji signifikansi parameter. Jika semua parameter signifikan maka langkah
pengujian model dapat dilanjutkan dan jika tidak signifikan maka proses dihentikan dan melakukan
pengujian dengan model yang lain.
5. Melakukan Diagnostic Checking, yang meliputi uji asumsi residual white noise dan berdistribusi
normal. Pengujian white noise menggunakan uji L-jung Box dan pengujian residual berdistribusi
normal menggunakan uji Kolmogorov Smirnov.
6. Apabila model yang didapatkan lebih dari satu, maka dilakukan seleksi model dengan

memilih model yang memiliki nilai AIC, SBC, MSE dan MAPE yang terkecil.

Langkah-langkah pemodelan data dengan menggunakan metode analisis variasi kalender adalah
sebagai berikut.
1. Data dibagi menjadi dua, yaitu data in-sample dan data out-sample.
2. Melakukan identifikasi model yang bertujuan apakah volume penjualan semen dipengaruhi oleh
waktu dan periode libur lebaran sehingga membentuk pola tren, musiman atau keduanya. Identifikasi
dilakukan secara visual dengan melihat time series plot dari data.
3. Pembentukan variabel dummy. Variabel dummy yang digunakan adalah variabel dummy bulan dalam
satu tahun ( D1,t , D2,t , , D11,t ) dan variabel dummy periode libur lebaran ( PL t ). Berikut ini adalah
definisi dari masing-masing variabel dummy.
1 Jika periode t adalah bulan Januari
D1,t =
0 Lainnya
1 Jika periode t adalah bulan Februari
D 2 ,t =
0 Lainnya

1 Jika periode t adalah bulan November

=
0 Lainnya
D1,t , D 2,t , , D11,t = 0 , jika periode t adalah bulan Desember.
D11,t

1 Jika periode t terdapat periode libur lebaran

=
0 Lainnya
4. Melakukan pemodelan regresi dummy, dengan variabel respon volume penjualan semen tiap bulan,
dan variabel prediktornya adalah waktu (t), dummy 12 bulan ( D1,t , D2,t , , D11,t ) dan dummy periode
PLt

5.
6.
7.
8.
9.

libur lebaran ( PLt ). Dengan pemodelan regresi, diharapkan dapat diketahui variabel bulan yang
berpengaruh terhadap volume penjualan semen.
Melakukan uji white noise dengan uji L-jung Box, jika residual tidak white noise maka dilanjutkan
pada tahap selanjutnya yaitu memodelkan residual dengan model ARIMA.
Melakukan pemodelan terhadap residual dengan melihat Plot ACF dan PACF residual sehingga
didapatkan dugaan model variasi kalender sementara.
Menaksir parameter model variasi kalender, dan melakukan pengujian signifikansi parameter.
Melakukan pengujian terhadap residual, meliputi uji asumsi white noise (independen dan identik) dan
residual berdistribusi normal.
Apabila model yang didapatkan lebih dari satu, maka dilakukan seleksi model dengan memilih model
yang memiliki nilai AIC, SBC, MSE dan MAPE yang terkecil.

5. Hasil dan Pembahasan

Metode ARIMA Box-Jenkins
Menurut Wei (1990), syarat terpenting yang harus dipenuhi agar data dapat diolah dengan metode
time series khususnya model ARIMA adalah data stasioner baik dalam mean maupun varians.
900000

1,0
0,8

800000

0,6
Autocorrelation

penjualan

700000

600000

500000

0,4
0,2
0,0
-0,2
-0,4
-0,6

400000

300000
Month Jan
Year 2001

-0,8
-1,0
Jan
2002

Jan
2003

Jan
2004

Jan
2005

Jan
2006

Jan
2007

Jan
2008

Gambar 1. Plot Time series Data Volume Penjualan Semen

10

15

20

25

30

35

40
Lag

45

50

55

60

65

70

75

Gambar 2. Plot ACF Data Volume Penjualan Semen

Dari Gambar 1 dapat diketahui data penjualan semen telah stasioner dalam varians namun belum
stasioner dalam mean. Selain itu, dari Gambar 2 dapat dijelaskan bahwa untuk plot ACF data volume
penjualan semen ialah dies down exponential karena lag turun lambat mendekati nol atau dengan kata lain
data belum stasioner dalam mean sehingga perlu dilakukan differencing reguler.
300000
200000
100000

diff1

0
-100000
-200000
-300000
-400000
Month Jan
Year 2001

Jan
2002

Jan
2003

Jan
2004

Jan
2005

Jan
2006

Jan
2007

Jan
2008

Gambar 3. Plot Time series Data dengan Differencing 1

1,0

1,0

0,8

0,8

0,6

0,6
Partial A utocorrelation

Autocorrelation

Gambar 3 merupakan plot time series dari data volume penjualan semen yang differencing
sebanyak 1. Dapat diketahui bahwa plot berbentuk naik turun-naik turun (berfluktuasi) dan apabila ditarik
garis lurus ditengah-tengah plot (nilai nol) maka akan terlihat bahwa plot akan mengikuti garis lurus
tersebut sehingga dapat disimpulkan bahwa data volume penjualan semen dengan differencing 1 ini sudah
stasioner dalam mean. Plot ACF dan PACF dari data dengan differencing regular adalah sebagai berikut.

0,4
0,2
0,0
-0,2
-0,4
-0,6

0,4
0,2
0,0
-0,2
-0,4
-0,6

-0,8

-0,8

-1,0

-1,0

10

15

20

25

30

35 40
Lag

45

50

55

60

65

70

75

Gambar 4. Plot ACF Data Dengan Differencing 1

10

15

20

25

30

35 40
Lag

45

50

55

60

65

70

75

Gambar 5. Plot PACF Data Dengan Differencing 1

Pada Gambar 4 dapat diketahui bahwa untuk plot ACF membentuk pola Cuts Off setelah lag ke 1
karena garis yang keluar dari batas adalah garis ke 1 (lag ke-1) tetapi terdapat pula lag yang keluar batas
yaitu pada lag ke 12, 13, 22, 23 dan 35. Sementara itu, plot PACF membentuk pola Cuts Off pada lag
ke-1 dan lag lain yang keluar batas adalah lag ke 7, 8, 10,11,12 dan 22. Dugaan model yang memenuhi
adalah ARIMA(0,1,1)(0,0,1)12, ARIMA (1,1,1)(1,0,0)12, ARIMA (1,1,1)(0,0,1)12, ARIMA
(1,1,1)(1,0,1)12, ARIMA ([1,11,12,22], 1,0), ARIMA ([11,12],1,1), ARIMA ([11,12],1,[1,35] dan
ARIMA ([1,7,8,10,11,12,22],1,[1,12,13,22,23,35]).
Pada Gambar 4, selain plot ACF membentuk pola Cuts Off setelah lag ke 1 namun masih ada lag
yang keluar batas yaitu lag 12, 13 dan lag-lag musiman lainnya. Karena ACF lag musiman masih turun
lambat menuju nol sehingga ada indikasi bahwa data masih belum stasioner musiman maka perlu
dilakukan differencing musiman.

1,0

0,8

0,8

0,6

0,6
Partial Autocorrelation

Autocorrelation

1,0

0,4
0,2
0,0
-0,2
-0,4
-0,6

0,4
0,2
0,0
-0,2
-0,4
-0,6

-0,8

-0,8

-1,0

-1,0

10

15

20

25

30

35 40
Lag

45

50

55

60

65

70

75

Gambar 6. Plot ACF Data Differencing 1 dan 12

10

15

20

25

30

35 40
Lag

45

50

55

60

65

70

75

Gambar 7. Plot PACF Data Differencing 1 dan 12

Gambar 6 dan 7 merupakan plot ACF dan PACF data volume penjualan semen setelah dilakukan
differencing regular dan musiman. Dapat diketahui bahwa plot ACF sudah stasioner dalam musiman
sehingga dugaan model yang sesuai adalah ARIMA (1,1,1)(0,1,0)12, ARIMA (2,1,1)(0,1,0)12, ARIMA
([1,2,22],1,0) (0,1,0)12 dan ARIMA(0,1,[1,22,23])(0,1,0)12.
Dugaan model-model ARIMA tersebut selanjutnya diestimasi dan diuji signifikansi parameternya
dengan hipotesis sebagai berikut :
H0 : i = 0 atau j = 0
H1 : i 0 atau j 0 ; i = 1,2,, p

j = 1,2,, q

Hasil uji signifikansi parameter model ARIMA dapat dilihat pada Tabel 1 berikut ini.
Tabel 1. Signifikansi Parameter Model ARIMA Data Volume Penjualan Semen di PT. Semen Gresik
MODEL
Parameter
Estimasi
P-value
Keputusan
MA
1
0,60715
<
0,0001
signifikan
ARIMA(0,1,1)(0,0,1)12
MA12
-0,5907
< 0,0001 signifikan
AR 1
0,21332
0,1047 tidak signifikan
ARIMA(1,1,1)(1,0,0)12
AR 12
0,6054
< 0,0001 signifikan
MA 1
0,87918
< 0,0001 signifikan
AR 1
0,33276
0,0095 signifikan
ARIMA(1,1,1)(0,0,1)12
MA 1
0,89402
< 0,0001 signifikan
MA 12
-0,58934
< 0,0001 signifikan
AR 1
0,27956
0,0365 signifikan
AR 12
0,38079
0,0322 signifikan
12
ARIMA(1,1,1)(1,0,1)
MA 1
0,89113
< 0,0001 signifikan
MA 12
-0,3329
0,0599 tidak signifikan
AR 1
-0,34587
< 0,0001 signifikan
AR 11
0,30746
0,0002 signifikan
ARIMA([1,11,12,22],1,0)
AR 12
0,607
< 0,0001 signifikan
AR 22
-0,26658
0,0011 signifikan
AR 11
0,29147
< 0,0001 signifikan
ARIMA([11,12],1,1)
AR 12
0,58065
0,0007 signifikan
MA 1
0,62159
< 0,0001 signifikan
AR 11
0,27672
0,0029 signifikan
AR 12
0,5096
< 0,0001 signifikan
ARIMA([11,12],1,[1,35])
MA 1
0,582
< 0,0001 signifikan
MA 35
-0,30211
0,006 signifikan

Lanjutan Tabel 1
MODEL

ARIMA ([1,7,8,10,11,12,22],
1,[1,12,13,22,23,35])

ARIMA(1,1,1)(0,1,0)12

ARIMA(2,1,1)(0,1,0)12

ARIMA([1,2,22],1,0)(0,1,0)12

ARIMA(0,1,[1,22,23])(0,1,0)12

Parameter

Estimasi

P-value

Keputusan

AR 1

-0,25284

0,0766

tidak signifikan

AR 7
AR 8
AR 10
AR 11
AR 12
AR 22
MA 1
MA 12
MA 13
MA 22
MA 23
MA 35
AR 1
MA 1
AR 1
AR 2
MA 1
AR 1
AR 2
AR 22
MA 1
MA 22
MA 23

-0,0664
-0,03882
-0,03483
0,2537
0,59078
-0,031
0,29319
0,03087
-0,14363
0,20031
-0,26423
-0,23569
-0,04346
0,7709
0,1263
0,21194
0,93804
-0,64856
-0,29653
-0,35794
0,81828
0,43399
-0,31127

0,4877
0,6847
0,758
0,0227
0,0022
0,8564
0,0536
0,8759
0,3908
0,2721
0,101
0,1798
0,7587
< 0,0001
0,3105
0,0852
< 0,0001
< 0,0001
0,0034
0,0002
< 0,0001
0,0008
0,0191

tidak signifikan
tidak signifikan
tidak signifikan
signifikan
signifikan
tidak signifikan
tidak signifikan
tidak signifikan
tidak signifikan
tidak signifikan
tidak signifikan
tidak signifikan
tidak signifikan
signifikan
tidak signifikan
tidak signifikan
signifikan
signifikan
signifikan
signifikan
signifikan
signifikan
signifikan

Dengan toleransi kesalahan sebesar 5% maka dengan mengacu pada Tabel 1 dapat diketahui
model ARIMA (1,1,1) (1,0,0)12, ARIMA (1,1,1) (1,0,1)12, ARIMA ([1,7,8,10,11,12,22],1
,[1,12,13,22,23,35]), ARIMA (1,1,1)(0,1,0)12 dan ARIMA (2,1,1)(0,1,0)12 memiliki beberapa parameter
yang tidak signifikan, nilai P (P-value) lebih besar dari (5%) dan model yang semua parameternya
signifikan adalah model ARIMA (0,1,1)(0,0,1)12, ARIMA (1,1,1)(0,0,1)12, ARIMA ([1,11,12,22],1,0),
ARIMA ([11,12],1,1), ARIMA ([11,12],1,[1,35]), ARIMA ([1,2,22],1,0)(0,1,0)12 dan ARIMA
(0,1,[1,22,23])(0,1,0)12. Tahap selanjutnya yang harus dilakukan adalah pengujian asumsi residual (white
noise dan berdistribusi normal). Uji white noise menggunakan uji L-jung Box dengan hipotesis sebagai
berikut :
H0 : 1 = 2 = ... = k = 0
H1 : minimal ada satu nilai k 0 , dimana k = 1, 2,..., K.
Hasil uji white noise dengan L-jung Box adalah sebagai berikut.

Model
ARIMA(0,1,1)(0,0,1)12

ARIMA(1,1,1)(0,0,1)12

Tabel 2. Uji Asumsi White Noise (L-jung Box) Model ARIMA

Uji L-jung Box
Lag
6
12
18
24
30
Chi-square
14,82
24,09
31,59
62,38
73,86
DF
4
10
16
22
28
P-value
0,0051 0,0074
0,0113
< 0,001 < 0,001
Chi-square
5,06
9,68
14,41
40,21
42,81
DF
3
9
15
21
27
P-value
0,1673
0,377
0,4945
0,007
0,0274

36
89,45
34
< 0,001
57,45
33
0,0052

Keterangan
Tidak
White
Noise
Tidak
White
Noise

Lanjutan Tabel 2
Model
ARIMA([1,11,12,22],1,0)

ARIMA([11,12],1,1)

ARIMA([11,12],1,[1,35])

ARIMA([1,2,22],1,0)(0,1,0)12

ARIMA(0,1,[1,22,23])(0,1,0)12

Lag
Chi-square
DF
P-value
Chi-square
DF
P-value
Chi-square
DF
P-value
Chi-square
DF
P-value
Chi-square
DF
P-value

6
3,96
2
0,1382
4,79
3
0,1874
4,82
2
0,0899
4,27
3
0,2334
0,74
3
0,8643

Uji L-jung Box

12
18
24
5,79
12,22
17
8
14
20
0,6707 0,5884
0,653
7,76
14,12
33,16
9
15
21
0,5585 0,5168 0,0445
5,98
12,72
30,92
8
14
20
0,649
0,5484 0,0562
9,94
17,38
21,14
9
15
21
0,3554 0,2968 0,4505
6,09
15,54
23,64
9
15
21
0,7312 0,4132 0,3109

30
23,01
26
0,6325
34,96
27
0,14
32,72
36
0,1705
23,99
27
0,6309
27,86
27
0,4182

36
31,03
32
0,5154
45,09
33
0,0782
40,78
32
0,1375
37,01
33
0,2888
38,76
33
0,2258

Keterangan
White
noise
Tidak
White
Noise
White
noise
White
noise
White
noise

Dari Tabel 2 diketahui residual model ARIMA (0,1,1) (0,0,1)12, ARIMA (1,1,1)(0,0,1)12 dan
ARIMA ([11,12],1,1) tidak white noise karena terdapat P-value yang mempunyai nilai lebih kecil dari
(5%) . Setelah melakukan pengujian residual white noise selanjutnya dilakukan pengujian residual
berdistribusi normal dengan uji Kolmogorov Smirnov pada model ARIMA ([1,11,12,22],1,0), ARIMA
([11,12],1,[1,35]), ARIMA ([1,2,22], 1,0) (0,1,0)12 dan ARIMA(0,1,[1,22,23])(0,1,0)12 dengan hipotesis
adalah sebagai berikut :
H0 : residual berdistribusi normal
H1: residual tidak berdistribusi normal
Hasil uji Kolmogorov Smirnov pada residual masing-masing model adalah sebagai berikut.
Tabel 3. Uji Asumsi Distribusi Normal Model ARIMA
MODEL
ARIMA([1,11,12,22],1,0)
ARIMA([11,12],1,[1,35])
ARIMA([1,2,22],1,0)(0,1,0)12
ARIMA(0,1,[1,22,23])(0,1,0)12

P-value

0,079095
0,071801
0,088984
0,070057

0,1477
> 0,1500
0,101
> 0,1500

Keterangan
Berdistribusi normal
Berdistribusi normal
Berdistribusi normal
Berdistribusi normal

Pada Tabel 3 dapat diketahui bahwa dari keseluruhan model yang mungkin didapatkan P-value
yang lebih besar dari (5%) sehingga keputusan yang diambil adalah H0 diterima atau dapat dikatakan
bahwa residual dari model ARIMA ([1,11,12,22],1,0), ARIMA ([11,12],1,[1,35]), ARIMA ([1,2,22],1,0)
(0,1,0)12 dan ARIMA (0,1,[1,22,23])(0,1,0)12 data volume penjualan semen di PT. Semen Gresik
berdistribusi normal. Karena ada lebih dari satu kemungkinan model yang sesuai maka dilakukan
pemilihan model dan model ARIMA ([11,12],1,[1,35]) merupakan model ARIMA terbaik karena
memiliki nilai MSE dan MAPE yang terkecil yaitu sebesar 7048691550 dan 0,09703 dan model
matematisnya adalah

Z t = Z t 1 + 0,27672 Z t 11 + 0,23288 Z t 12 0,5096 Z t 13 + at 0,582 at 1 + 0,30211at 35

Metode Analisis Variasi Kalender

Pada Gambar 1 diketahui jika volume penjualan semen PT. Semen Gresik berkorelasi positif
dengan waktu (t). Selain itu, diketahui jika terjadi penurunan volume penjualan pada pengamatan ke 12,
23, 24, 35, 47, 58, 59, 70, 82, 93 dan 94. Penurunan tersebut terjadi karena pada pengamatan tersebut
terjadi periode libur lebaran. Berdasarkan pola tersebut maka model variasi kalender dengan variabel
dummy berdasarkan pola seasonal dan pola trend yang terbentuk adalah sebagai berikut:

Yt = 504693 + 2551t 88134D1, t 157558D2 ,t 110016D3,t 103574 D4, t 18447 D5, t 9731D6 ,t +

+ 20377 D7 , t + 64012 D8, t + 77726 D9, t + 99616 D10, t + 38982 D11,t 182190 PLt
dimana:
: dummy data yang mengandung trend
t
D1,t , D2,t , D11,t : dummy bulan dalam 1 tahun

PLt

: variabel dummy periode libur lebaran

Untuk mengetahui pengaruh variabel bebas terhadap variabel respon secara individu (parsial)
adalah dengan melihat parameter model yang didapatkan. Hipotesis dalam uji parsial adalah
H0 : i = 0
H1 : i 0 , i = 1,2,..., k
Hasil uji parsial dari data volume penjualan semen dengan memasukkan semua variabel dummy
diketahui bahwa terdapat beberapa parameter yang tidak signifikan karena mempunyai P-value lebih
besar dari nilai yaitu variabel dummy D5,t , D6 ,t , D7 ,t dan D11,t .
Walaupun dalam uji signifikansi parameter secara individu terdapat beberapa parameter yang
tidak signifikan namun dalam pengujian secara serentak dihasilkan P-value 0,000 sehingga dapat
dikatakan jika seluruh variabel bebas ( D1,t , D2,t D11,t , PLt ) berpengaruh terhadap volume penjualan
semen sehingga model regresi dummy yang terbaik menurut konsep time series adalah model regresi
dummy dengan menyertakan seluruh variabel dummy ( D1,t , D2,t D11,t , PLt ) sebagai variabel bebas.
Setelah diperoleh model regresi dummy yang terbaik maka langkah selanjutnya adalah melakukan
pengujian asumsi residual meliputi uji white noise dan berdistribusi normal.Berikut ini adalah hasil uji
white noise (L-jung Box) pada residual model regresi dummy.
Tabel 4. Uji White Noise Residual Model Regresi Dummy
Uji L-jung Box
Keterangan
lag
Q
P-value
6
35,940
0,0000028 Tidak White noise
12
37,543
0,0001823 Tidak White noise
18
43,911
0,0005940 Tidak White noise
24
72,620
0,0000009 Tidak White noise
30
95,237
0,0000000 Tidak White noise
36
101,047
0,0000000 Tidak White noise

Pada Tabel 4 terlihat bahwa bahwa nilai P (P-value) di setiap lag memiliki nilai yang lebih kecil
dari (5 %) sehingga dapat dikatakan residual dari model regresi dummy tidak white noise atau
menunjukkan adanya autokorelasi .
Setelah dilakukan uji identik dan independen, dilakukan uji kenormalan untuk melihat
kenormalan dari residual. Pengujian asumsi kenormalan residual dilakukan dengan uji Kolmogorov
Smirnov, dengan hiptesis sebagai berikut.
H0: Residual regresi dummy berdistribusi normal
H1: Residual regresi dummy tidak berdistribusi normal
Hasil Uji Kolmogorov Smirnov, dengan menggunakan = 5% didapat nilai P sebesar 0,129
(lebih dari ), sehingga residual berdistribusi normal. Dari hasil pengujian asumsi residual diketahui
bahwa residual pada model regresi dummy mengandung autokorelasi, sehingga perlu dilakukan analisis
lebih lanjut dengan melakukan pemodelan ARIMA pada residualnya.

1,0

1,0

0,8

0,8

0,6

0,6
Partial Autocorrelation

Autocorrelation

Sebelum memodelkan residual dengan menggunakan model ARIMA maka dilakukan identifikasi
terlebih dahulu melalui plot ACF dan PACF . Berikut ini plot ACF dan PACF dari residual model regresi
dummy.

0,4
0,2
0,0
-0,2
-0,4

0,4
0,2
0,0
-0,2
-0,4

-0,6

-0,6

-0,8

-0,8
-1,0

-1,0
1

10

20

30

40

50
Lag

60

70

80

90

Gambar 8. Plot ACF Residual Model Regresi Dummy

10

20

30

40

50
Lag

60

70

80

90

Gambar 9. Plot PACF Residual Model Regresi Dummy

Pada plot ACF (Gambar 8) terlihat bahwa pola ACF signifikan pada lag 1, lag 2, dan lag 24
sedangkan pada Gambar 9 terlihat bahwa pola PACF signifikan pada lag 1, lag 19 dan lag 24.
Berdasarkan informasi yang diperoleh pada Gambar 8 dan Gambar 9, dugaan model ARIMA yang
memenuhi adalah ARIMA (1,0,1), ARIMA (1,0[1,24]) dan ARIMA([1,24],0,0). Uji signifikansi
parameter ketiga model ARIMA tersebut adalah sebagai berikut.
Tabel 5. Uji Signifikansi Parameter Model ARIMA Residual
Model
Parameter
Coefisien
P-value
Keterangan
AR 1
0,81505
< 0,0001 Signifikan
ARIMA(1,0,1)
MA 1
0,55494
0,0063 Signifikan
AR 1
0,68121
< 0,0001 Signifikan
ARIMA (1,0[1,24])
MA 1
0,45854
0,0133 Signifikan
MA 24
0,42169
0,0009 Signifikan
AR 1
0,27493
0,0047 Signifikan
ARIMA([1,24],0,0)
AR 24
-0,55207
< 0,0001 Signifikan

Berdasarkan Tabel 5 dapat diketahui bahwa semua parameter model ARIMA (1,0,1), ARIMA
(1,0,[1,24]) dan ARIMA([1,24],0,0) adalah signifikan, maka langkah selanjutnya yang dilakukan adalah
pengujian asumsi white noise dan berdistribusi normal.
Berikut ini adalah hasil uji White Noise untuk model regresi dummy dengan kombinasi model
ARIMA (0,0,[1,12]), ARIMA ([1],0[1,12]) dan ARIMA([1],0,[12]).
Tabel 6. Uji White Noise Model ARIMA Residual
Model

ARIMA(1,0,1)

ARIMA (1,0[1,24])

ARIMA([1,24],0,0)

Lag
Chi-Square
DF
P-value
Chi-Square
DF
P-value
Chi-Square
DF
P-value

6
2,51
4
0,6432
3,48
3
0,323
7,07
4
0,1323

Uji L-jung Box

12
18
24
8,04
16,23
35,57
10
16
22
0,6245 0,4371 0,0337
9,13
16,38
22,74
9
15
21
0,4253 0,3573 0,3578
13,04
20,22
27,15
10
16
22
0,2216 0,2103 0,2057

30
40,27
28
0,0625
26,82
27
0,4735
31,45
28
0,2976

36
48,49
34
0,0512
39,38
33
0,206
43,69
34
0,1235

Keterangan
Tidak
White
Noise
White
Noise
White
Noise

Kesimpulan pada uji white noise untuk model regresi dummy dengan kombinasi ARIMA (1,1,1)
adalah residual tidak memenuhi asumsi white noise namun pengujian pada model regresi dummy dengan
kombinasi model ARIMA (1,0,[1,24]) dan ARIMA([1,24],0,0) menunjukkan bahwa residual kedua model
ARIMA tersebut telah memenuhi asumsi white noise.
Asumsi lain yang perlu dipenuhi ialah residual berdistribusi normal. Untuk semua model, hasil
pengujian dapat dilihat pada Tabel 7 sebagai berikut.
Tabel 7. Uji Distribusi Normal Model ARIMA Residual

Model
ARIMA (1,0[1,24])
ARIMA([1,24],0,0)

D
P-value
0,069478 >0,1500
0,068843 >0,1500

Keterangan
Berdistribusi normal
Berdistribusi normal

Pada Tabel 7 terlihat bahwa kedua model telah memenuhi asumsi berdistribusi normal. Namun
sebelum melakukan peramalan pada volume penjualan semen, maka dilakukan pemilihan model terbaik
berdasarkan perhitungan error untuk masing-masing model. Berikut ini adalah perhitungan ketepatan
model regresi dummy dengan kombinasi ARIMA (1,0,[1,24]) dan ARIMA ([1,24],0,0) berdasarkan
kriteria in-sample (AIC dan SBC) dan out-sample (RMSE dan MAPE).
Tabel 8. Pemilihan Terbaik Model ARIMA Residual

Kriteria in-sample

Kriteria Out-sample

AIC

SBC

MSE

MAPE

ARIMA(1,0,[1,24])

2364,371

2407,964

7027808091

0,10067

ARIMA([1,24],0,0)

2361,436

2402,466

10530871690

0,12306

Model

Kesimpulan yang dapat diperoleh dengan mengacu pada Tabel 8 adalah model regresi dummy
dengan kombinasi ARIMA (1,0,[1,24]) merupakan model variasi kalender terbaik karena memiliki nilai
MSE dan MAPE yang terkecil yaitu sebesar 7027808091 dan 0,10067.
Berikut ini adalah model variasi kalender yang telah didapatkan melalui model regresi dummy
dengan kombinasi model ARIMA(1,0,[1,24]).
Yt = 0 + 1t + 2 D1,t + 2 D2,t + 3 D3,t + 4 D4,t + + 12 D11,t + 13 PLt + t
dengan t mengikuti model ARIMA sebagai berikut :

t =

(1 1 B 24 B 24 )
a t , sehingga didapatkan model variasi kalender sebagai berikut :
(1 1 )

Yt = 494063,2 + 2834,1 t 89946,7 D1,t 153773,6 D2,t 105545,3 D3,t 103565,6 D4,t 24121,5 D5,t
11307 ,9 D6,t + 21077 ,4 D7 ,t + 66780,6 D8,t + 81316 D9,t + 94878,1 D10,t + 34998,8 D11,t +
(1 0,45854 B 0,42169 B 24 )
at
(1 0,68121 B)
Model tersebut dapat diartikan jika pada pengamatan ke-t adalah bulan Desember dan tidak
terjadi libur lebaran maka volume penjualan semen meningkat sebesar 494063,2 ton sedangkan jika
pengamatan ke-t adalah bulan Januari dan tidak terjadi libur lebaran maka penjualan semen meningkat
sebesar 404116,5 (494063,2 89946,7) ton. Penurunan volume penjualan semen di bulan Januari (tidak
terjadi libur lebaran) adalah sebesar 89946,7 jika dibandingkan dengan volume penjualan semen di bulan
Desember (tidak terjadi libur lebaran).
178065,9 PLt +

Perbandingan Model ARIMA dengan Model Variasi Kalender Berdasarkan Nilai RMSE

Dari kedua model yang digunakan untuk menganalisis data volume penjualan semen PT. Semen
Gresik mulai dari Januari 2001 hingga Maret 2010 yaitu model ARIMA Box-Jenkins dan model variasi
kalender akan dibandingkan model mana yang merupakan model terbaik yang akan digunakan untuk
meramalkan volume penjualan semen pada bulan April hingga September 2010. Yang akan dijadikan
pembanding adalah nilai RMSE dari residual model yang didapatkan dari masing-masing model dimana

10

nilai RMSE yang paling kecil itulah model terbaik yang akan digunakan untuk meramal. Berikut adalah
nilai RMSE dari masing-masing metode.
Tabel 9. Perbandingan RMSE Model ARIMA dan Variasi Kalender

MODEL
ARIMA
Variasi Kalender

MSE
7048691550
7027808091

RMSE
83956,49
83832,02

Dari Tabel 9 diatas dapat dijelaskan bahwa dari kedua model yang digunakan untuk menganalisis
data volume penjualan semen PT. Semen Gresik , model yang mempunyai nilai RMSE paling kecil
adalah pada model variasi kalender dengan nilai RMSE sebesar 83832,02 sehingga model peramalan
yang terbaik yang digunakan untuk meramalkan data volume penjualan semen PT.Semen Gresik adalah
model variasi kalender.
Dengan menggunakan model variasi kalender, hasil peramalan volume penjualan semen di
PT. Semen Gresik untuk enam bulan mendatang adalah sebagai berikut.
Tabel 10. Peramalan Volume Penjualan Semen

Periode
April 2010
Mei 2010
Juni 2010
Juli 2010
Agustus 2010
September 2010

Volume Penjualan Semen (ton)

696206,4
754706,1
782241,8
825368,3
890204,6
686298,6

6. Kesimpulan dan Saran

Dari Analisis yang telah dilakukan maka kesimpulan yang dapat diambil adalah model peramalan
yang sesuai dengan data volume penjualan semen oleh PT. Semen Gresik adalah model variasi kalender
dengan model matematis:
Yt = 494063,2 + 2834,1 t 89946,7 D1,t 153773,6 D2,t 105545,3 D3,t 103565,6 D4,t 24121,5 D5,t

11307 ,9 D6,t + 21077 ,4 D7 ,t + 66780,6 D8,t + 81316 D9,t + 94878,1 D10,t + 34998,8 D11,t +
178065,9 PLt +

(1 0,45854 B 0,42169 B 24 )
at
(1 0,68121 B)

Diperkirakan penjualan tertinggi selama enam bulan mendatang akan terjadi pada bulan Agustus
dan penjualan terendah akan terjadi pada bulan September. Berdasarkan hal tersebut maka diharapkan
pihak Semen Gresik lebih bijak dalam mengambil keputusan dalam hal perencanaan produksi,
penjadwalan, penyediaan jumlah armada transportasi, maupun distribusi ke agen-agen pemasaran. Untuk
penelitian selanjutnya, dapat ditambahkan metode yang lebih bervariatif sehingga tidak hanya
membandingkan dua metode penelitian, seperti : ARIMAX ataupun Neural Network (NN).

7. DAFTAR PUSTAKA
Anonim. (2008). PT. Semen Gresik (Persore) Tbk. http://www.semengresik.com/ina/ (tanggal akses: 15
Januari 2010).
Bell, W.R. dan Hilmer, S., (1983). Modelling Time Series With Calendar Variation. Journal of
American Statistical Association, 78, 526-534.
Bowerman, B.L. dan OConnell, D., (1993). Forecasting and Time Series: An Applied Approach, 3rd
edition. California: Duxbury Press.
Cryer, D. J. (1986). Time Series Analysis, University of IOWA PWS-KENT Publishing Company,
Boston.
Daniel, W.W. (1989). Statistika Nonparametrik Terapan. Jakarta : PT.Gramedia.
Drapper, N.R. dan Smith, H. (1992). Analisis Regresi Terapan, Edisi kedua, Jakarta : PT. Gramedia
Pustaka Utama.
11

Hindarto, Probo (2008). Mengenal Material Semen, Jenis dan Aplikasinya Untuk Rumah Tinggal.
http://astudioarchitect.com/2009/06/mengenal-material-semen-jenis-dan.html (tanggal akses : 15
Februari 2010)
Kamaliah, N., (2008). Laporan Tugas Akhir Peramalan Volume Penjualan Konveksi dan Non Konveksi
dengan Pendekatan Model Kombinasi Tren Deterministik dan Stokastik (Studi Kasus di Amigo
Pedan dan Amigo Sukoharjo), Tugas Akhir, FMIPA Statistika ITS.
Makridakis, W.,Mc Gee, (1999). Metode dan Aplikasi Peramalan, Edisi kedua, Bina Rupa Aksara,
Jakarta.
Rasyid, N.R.,(2009). Laporan Tugas Akhir Peramalan Permintaan Baju Muslim Anak-Anak di Dannis
Collections, Tugas Akhir, FMIPA Statistika ITS.
Roviq, A.A., (2001). Laporan Tugas Akhir Optimalisasi Pendistribusian Semen PPC di PT. Semen
Gresik (Persero) Tbk dan Untuk Wilayah Jawa, Tugas Akhir, FMIPA Statistika ITS.
Setyo,T.R., (2006). Laporan Tugas Akhir Analisis Time Series Terhadap Penjualan Produk Semen di PT.
Semen Gresik, PT. Semen Tonasa dan PT. Semen Padang, Tugas Akhir, FMIPA Statistika ITS.
Suhartono. (2006). Calender Variation Model for Forecasting Time Series Data with Islamic Calender
Effect. Jurnal Matematika, Sains, & Teknologi, 7, 2 : 85-94.
Suhartono dan Atok, R.M., (2006), Studi Perbandingan Model tren Deterministic, tren Stokastik,
Kombinasi tren deterministik dan Stokastik, dan Neural Network pada Data Time Series,
http://www.library.its.ac.id, ( tanggal akses : 15 januari 2010)
Wei, W.W.S., (1990). Time Series Univariate and Multivariate Methods. Addison Wesley Publishing
Company, Inc.

12