Semen Gresik PDF
Semen Gresik PDF
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.
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
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.
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
10
15
20
25
30
35
40
Lag
45
50
55
60
65
70
75
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
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
10
15
20
25
30
35 40
Lag
45
50
55
60
65
70
75
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
10
15
20
25
30
35 40
Lag
45
50
55
60
65
70
75
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
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
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
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
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
10
20
30
40
50
Lag
60
70
80
90
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
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
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