oleh:
DINDA PUSPARANI
165090501111043
oleh:
DINDA PUSPARANI
165090501111043
Mengetahui
Ketua Jurusan Statistika
iii
iv
PERAMALAN KUANTITAS PENJUALAN EKSPOR SEPATU
DENGAN MODEL SEASONAL AUTOREGRESSIVE
INTEGRATED MOVING AVERAGE (SARIMA)
PT KARYAMITRA BUDISENTOSA
ABSTRAK
PT Karyamitra Budisentosa memproduksi berbagai jenis
brand sepatu yang secara konsisten memenuhi standar internasional di
berbagai negara. Perusahaan yang melakukan ekspor dalam jumlah
besar, harus dibekali manajemen marketing yang baik. Manajemen
marketing berkaitan dengan perencanaan, pelaksanaan, dan
pengawasan proses penjualan. Departemen marketing yang terlibat
dalam proses penjualan baik lokal maupun ekspor memerlukan
perencanaan kegiatan usaha. Dalam perencanaan tersebut tentu
melibatkan departemen lain terutama produksi dan Planning
Production and Inventory Control (PPIC). Salah satu perencanaan
yang diperlukan yaitu menentukan kebutuhan material untuk kegiatan
produksi sehingga diperlukan analisis terhadap perilaku pasar.
Analisis dilakukan dengan memodelkan kuantitas penjualan ekspor
sepatu PT Karyamitra Budisentosa berdasarkan periode waktu untuk
peramalan. Peramalan dilakukan dengan model SARIMA dan
didapatkan hasil ramalan penjualan ekspor sepatu berpola musiman.
Hasil peramalan tersebut sesuai dengan informasi yang diberikan
perusahaan yaitu perusahaan mengalami dua musim yang disebut high
season dan low season. Pemodelan SARIMA untuk meramalkan
kuantitas penjualan ekspor sepatu PT Karyamitra Budisentosa
diharapkan dapat menjadi informasi tambahan dalam perencanaan
kebutuhan material dan perencanaan terkait kegiatan bisnis lainnya
khususnya dalam proses penjualan ekspor.
v
vi
KATA PENGANTAR
Penulis
vii
viii
DAFTAR ISI
ABSTRAK ........................................................................................ V
KATA PENGANTAR .................................................................... VII
DAFTAR ISI .................................................................................... IX
DAFTAR GAMBAR........................................................................ XI
DAFTAR TABEL .......................................................................... XII
DAFTAR LAMPIRAN ................................................................. XIII
BAB I PENDAHULUAN .................................................................. 3
1.1. Latar Belakang............................................................................. 3
1.2. Tujuan .......................................................................................... 4
Tujuan Umum .................................................................. 5
Tujuan Khusus.................................................................. 5
1.3. Manfaat ........................................................................................ 5
Bagi Mahasiswa ............................................................... 5
Bagi Universitas Brawijaya .............................................. 5
Bagi Instansi ..................................................................... 6
1.4. Batasan Masalah .......................................................................... 6
BAB II TINJAUAN UMUM DAN PERMASALAHAN .................. 7
2.1. Tinjauan Umum Instansi ............................................................. 7
2.2. Tinjauan Umum Bidang .............................................................. 9
2.3. Permasalahan ............................................................................. 12
Masalah .......................................................................... 12
Ide pemecahan Masalah ................................................. 12
2.4. Tinjauan Statistika ..................................................................... 13
Analisis Deret Waktu ..................................................... 13
Konsep Fundamental ...................................................... 13
2.4.3. Pola Musiman ................................................................. 16
2.4.4. Model SARIMA ............................................................. 18
2.4.5. Pendugaan Parameter ..................................................... 20
2.4.6. Uji Kelayakan Model ..................................................... 20
2.4.7. Pemilihan Model Terbaik ............................................... 21
2.4.8. Peramalan ....................................................................... 21
BAB III HASIL DAN PEMBAHASAN ......................................... 22
3.1. Kegiatan PKL ............................................................................ 22
3.2. Metode Analisis ......................................................................... 22
ix
3.3. Hasil dan Pembahasan ............................................................... 23
3.3.1 Identifikasi Plot Data ...................................................... 23
3.3.2 Uji Stasioneritas .............................................................. 24
3.3.3 Identifikasi Model........................................................... 27
3.3.4 Pendugaan Parameter dan Uji Signifikansi Model
SARIMA ......................................................................... 28
3.3.5 Uji Kelayakan Model ...................................................... 29
3.3.6 Pemilihan Model Terbaik ............................................... 34
3.3.7 Peramalan ....................................................................... 34
BAB IV PENUTUP ......................................................................... 37
4.1. Kesimpulan ................................................................................ 37
4.2. Saran............. ............................................................................. 37
DAFTAR PUSTAKA ....................................................................... 39
LAMPIRAN ..................................................................................... 40
x
DAFTAR GAMBAR
xi
DAFTAR TABEL
xii
DAFTAR LAMPIRAN
Lampiran 1 ....................................................................................... 40
Lampiran 2 ....................................................................................... 43
Lampiran 3 ....................................................................................... 47
Lampiran 4 ....................................................................................... 49
Lampiran 5 ....................................................................................... 59
Lampiran 6 ....................................................................................... 61
Lampiran 7 ....................................................................................... 70
Lampiran 8 ....................................................................................... 77
xiii
2
BAB I
PENDAHULUAN
3
Departemen Marketing PT Karyamitra Budisentosa, memiliki
fungsi untuk membuat Packaging Order (PKO), Packaging
Instruction (PI), mengontrol pengiriman barang hingga sampai negara
tujuan ekspor, mengirim sampel produk ke negara tujuan ekspor, serta
melayani customer baik secara langsung maupun melalui e-mail.
Dalam menjalankan tugasnya, departemen Marketing dikelompokkan
menjadi beberapa kelompok besar berdasarkan brand produk. Pada
departemen Marketing, ilmu statistika yang diterapkan adalah
statistika deskriptif. Statistika deskriptif yang paling sering digunakan
dalam penerapannya adalah menghitung rata-rata (mean),
rentang/jangkauan (range), dan variansi/ragam dari data kuantitas
penjualan produk yang diekspor, hingga menyajikan data kuantitas
penjualan tersebut dalam bentuk grafik.
Peramalan terhadap kuantitas penjualan produk yang diekspor
kerap dilakukan agar dapat membandingkannya dengan kuantitas
ekspor yang sebenarnya. Namun, pada penerapannya peramalan
tersebut tidak menggunakan metode statistika dengan analisis deret
waktu. Dengan demikian, hasil peramalan kuantitas ekspor dengan
kuantitas ekspor yang sebenarnya memiliki selisih nilai yang cukup
besar. Berdasarkan hal tersebut, ingin dimodelkan peramalan kuantitas
ekspor sepatu PT Karyamitra Budisentosa berdasarkan periode waktu.
Peramalan dengan menggunakan analisis deret waktu penting untuk
melihat perilaku pasar, karena PT Karyamitra Budisentosa
menggunakan sistem pre-order dalam penjualan, sehingga produksi
bisa mengacu kepada perilaku pasar dari periode sebelumnya.
Pemodelan analisis deret waktu pada kuantitas ekspor PT. Karyamitra
Budisentosa menggunakan model SARIMA. Hal tersebut didasarkan
pada pengamatan terhadap data yang cukup fluktuatif dan terdapat
pola musiman dari grafik plot data pada periode Januari 2015 hingga
Juli 2019. Hasil analisis yang diperoleh diharapkan dapat menjadi
informasi tambahan bagi PT Karyamitra Budisentosa dan sebagai
bahan pertimbangan dalam analisis kebutuhan material.
1.2. Tujuan
Tujuan dari pelaksanaan PKL terbagi menjadi tujuan umum dan
tujuan khusus. Kedua tujuan tersebut dapat dilihat sebagai berikut.
4
Tujuan Umum
Tujuan umum dari PKL ini antara lain sebagai berikut.
1. Memperluas dan mengembangkan ilmu pengetahuan yang telah
dimiliki mahasiswa dengan cara menerapkan langsung ke dunia
kerja.
2. Mengembangkan cara berpikir yang logis, sistematis, dan riil
untuk menghadapi permasalahan dalam dunia kerja.
3. Memahami penerapan konsep yang telah didapat saat perkuliahan.
4. Mendapatkan pengalaman kerja dan mempersiapkan mahasiswa
untuk memasuki dunia kerja.
Tujuan Khusus
Tujuan khusus dari PKL diantaranya adalah sebagai berikut.
1. Menerapkan Analisis deret waktu untuk meramalkan kuantitas
ekspor di PT Karyamitra Budisentosa dengan model yang sesuai.
2. Mengetahui hasil peramalan serta pola penjualan ekspor sepatu PT
Karyamitra Budisentosa.
1.3. Manfaat
Kegiatan PKL diharapkan mampu memberikan manfaat, baik
bagi Mahasiswa, Universitas Brawijaya, dan PT Karyamitra
Budisentosa. Manfaat tersebut dapat dijabarkan sebagai berikut.
Bagi Mahasiswa
1. Menambah wawasan serta pengalaman dalam mempersiapkan diri
menuju dunia kerja.
2. Dapat menerapkan ilmu lapangan secara riil yang telah didapat
selama perkuliahan.
3. Dapat menjadi sarana untuk belajar dalam menyesuaikan diri
dengan lingkungan kerja.
Bagi Universitas Brawijaya
1. Universitas Brawijaya dapat menjalin kerjasama dengan PT
Karyamitra Budisentosa.
2. Mampu menyempurnakan kurikulum mata kuliah untuk
kebutuhan dunia kerja, khususnya pada Jurusan Statistika.
5
Bagi Instansi
1. Sebagai sebuah tambahan informasi yang diharapkan dapat
dikembangkan untuk analisis data lebih lanjut.
2. Dapat meningkatkan kerjasama dalam bidang penelitian dan
pendidikan dengan Universitas Brawijaya.
6
BAB II
TINJAUAN UMUM DAN PERMASALAHAN
7
yang efektif untuk membentuk citra perusahaan dan citra produk yang
terbaik serta diakui di Indonesia dan di Dunia. PT Karyamitra
Budisentosa juga memiliki kebijakan mutu yaitu perusahaan
berkomintmen memberian produk yang berkualitas dan pelayanan
untuk kepuasan pelanggan dengan sistem yang efektif, efisien serta
perbaikan yang berkelajutan dan menjaga standar yang tinggi dalam
kualitas produk, pengiriman dan perencanaan distribusi, biaya,
pelayanan, serta moral dan mental.
Terdapat 9 (sembilan) departemen di PT Karyamitra
Budisentosa, yaitu departemen Warehouse, departemen EDP,
departemen Accounting, departemen produksi, departemen
Marketing, departemen HRD&GA, departemen PPIC (Planning
Production and Inventory Control), departemen ISO, dan departemen
Research and Development (RnD). Departemen Marketing terbagi
menjadi beberapa grup berdasarkan brand product yang setiap grup
bertanggung jawab kepada seorang manajer. Tugas umum dan fungsi
departemen Marketing antara lain:
1. Melayani customer baik secara langsung maupun melalui e-mail.
2. Menerima order dari customer.
3. Membuat form Packaging Order (PKO) dan form Packaging
Instruction untuk diberikan kepada departemen PPIC.
4. Berkoordinasi dengan bagian produksi mengenai hasil produk
yang sudah siap untuk dikirim.
5. Berkoordinasi dengan departemen RnD mengenai sampel produk
yang sudah siap kirim.
6. Mengontrol pengiriman produk hingga sampai negara tujuan
ekspor.
7. Mencatat total ekspor setiap bulan.
Secara struktural, departemen Marketing dapat digambarkan dalam
struktur organisasi berikut.
8
Manajer
Marketing
Staff Adm.
9
Wilson and Gilligan (2013), pemasaran adalah suatu proses
manajemen untuk mengidentifikasi, mengantisipasi, dan memuaskan
kebutuhan pelanggan untuk memperoleh keuntungan. Kedua definisi
tersebut memiliki makna yang sama yaitu suatu aktivitas suatu
lembaga dalam menawarkan produknya untuk memperoleh
keuntungan.
Pemasaran bertujuan untuk mengetahui dan memahami
pelanggan sedemikian rupa sehingga produk atau jasa cocok dengan
pelanggan sehingga produk akan terjual kepada pelanggan (Hery,
2019). Terdapat empat unsur marketing mix agar tujuan dari
pemasaran dapat tercapai yaitu, product, price, place, and promotion.
Namun, karena tekanan persaingan yang cukup besar, marketing mix
bertambah tiga elemen yaitu People, Physical evidence, dan Process
management (Wilson and Gilligan, 2013). Marketing mix adalah
perpaduan antara produk, harga, promosi, dan distribusi yang
digunakan oleh pengusaha untuk memasarkan produknya, dan
digunakan untuk mempengaruhi konsumennya (Gitusudarmo, 1995).
Marketing mix merupakan inti dari pemasaran, karena unsur-unsur
didalamnya saling berhubungan agar kegiatan pemasaran dapat
berjalan secara efektif dan efisien.
Dalam manajemen pemasaran, perlu adanya pedoman usaha
pemasaran yang bertujuan untuk mencapai transaksi yang diinginkan
dengan pangsa pasar sasaran. Dengan demikian, perlu ada landasan
dari aktifitas pemasaran instansi tersebut. Menurut Kottler (1997),
landasan ini dibagi ke dalam lima kelompok konsep alternatif,
diantaranya adalah sebagai berikut.
1. Konsep Produksi
Konsep Produksi menjelaskan bahwa konsumen akan menyukai
produk yang tersedia dan harganya terjangkau, serta manajemen
harus terus berusaha untuk memperbaiki produksi dan efisiensi
distribusi.
2. Konsep Produk
Konsep produk menjelaskan bahwa konsumen akan menyukai
produk yang berkualitas dan inovatif.
3. Konsep Penjualan
Konsep penjualan memiliki tujuan yaitu menjual produk hasil
produksi perusahaan, dimana produk tersebut bukan merupakan
10
produk yang banyak dicari konsumen. Dengan demikian,
perusahaan harus melakukan promosi berskala besar yang dapat
menarik konsumen serta menjual manfaat produk kepada
konsumen.
4. Konsep Pemasaran
Konsep Pemasaran berkeyakinan bahwa pencapaian sasaran
perusahaan tergantung pada penentuan kebutuhan dan keinginan
pangsa pasar serta kepuasan konsumen.
5. Konsep Pemasaran Berwawasan Sosial
Konsep ini bersifat mengajak perusahaan membangun
pertimbangan sosial dan etika dalam praktik pemasaran mereka
yang bertujuan untuk memperbaiki kesejahteraan konsumen.
Komunikasi dalam dunia pemasaran sangat penting karena
komunikasi dapat menyebarkan informasi (informatif). Komunikasi
pemasaran bersifat persuasif untuk menarik konsumen. Menurut
Gitosudarmo (1995), komunikasi pemasaran adalah suatu interaksi
yang dilakukan oleh penjual dan pembeli yang dapat membantu
pengambilan keputusan di bidang pemasaran serta mengarahkan
pemasaran agar lebih memuaskan dengan cara menyadarkan semua
pihak untuk berbuat lebih baik. Komunikasi pemasaran dapat
menciptakan arus pertukaran informasi antara produsen dan konsumen
dapat berjalan lebih efektif dan efisien, sehingga dapat mencapai
persetujuan transaksi yang memuaskan. Semakin baik komunikasi
pemasaran, maka akan semakin tinggi kepuasan bagi semua pihak
yang terlibat di dalam komunikasi pemasaran.
Kegiatan penjualan merupakan salah satu fungsi pemasaran
yang tidak dapat diabaikan. Dengan adanya pemasaran, maka kegiatan
penjualan akan terlaksana. Nitisemito (2000) mengutarakan
pendapatnya mengenai faktor-faktor yang mempengaruhi penjualan.
Faktor-faktor tersebut diantaranya adalah sebagai berikut.
1. Faktor Internal; merupakan faktor yang berasal dari dalam
perusahaan yang meliputi kualitas produk, penetapan harga,
persediaan barang, pelayanan, dan kegiatan sales promotion.
2. Faktor Eksternal; merupakan faktor yang berasal dari luar
perusahaan meliputi, selera konsumen, munculnya barang
pengganti, adanya persaingan serta kebijakan pemerintah.
11
3. Faktor Internal dan Eksternal; merupakan faktor gaungan dimana
faktor internal dan eksternal terjadi secara bersamaan. Faktor
tersebut meliputi kondisi pasar, kondisi organisasi perusahaan,
modal, dan kemampuan penjual.
2.3. Permasalahan
Masalah
Salah satu tugas yang dilakukan Departemen Marketing
adalah membuat peramalan kuantitas penjualan ekspor setiap bulan.
Hasil permalan tersebut dijadikan acuan untuk perencanaan kegiatan
usaha dan sebagai target ekspor perusahaan. Namun, peramalan yang
dilakukan tidak menggunakan analisis deret waktu sehingga hasil
peramalan dengan nilai aktual memiliki selisih yang cukup besar.
Berdasarkan rekapitulasi yang telah didapatkan dari Departemen ISO
yang tercatat dalam dokumen rahasia, hasil peramalan ekspor tahun
2018 bisa mencapai dua kali lipat kuantitas penjualan ekspor tahun
2018. Berdasarkan hal tersebut, ingin dimodelkan peramalan kuantitas
penjualan ekspor sepatu dari gedung produksi B dan C PT Karyamitra
Budisentosa berdasarkan periode waktu. Peramalan dengan
menggunakan analisis deret waktu penting untuk melihat perilaku
pasar karena PT Karyamitra Budisentosa menggunakan sistem pre-
order dalam penjualan. Dengan demikian, perencanaan terkait
kegiatan usaha bisa mengacu kepada perilaku pasar dari periode
sebelumnya dan perusahaan dapat meningkatkan efektivitas suatu
rencana bisnis. Oleh karena itu, ingin diketahui trend dan peramalan
pada kuantitas penjualan ekspor sepatu pada bulan Agustus 2019
hingga Juli 2020.
Ide pemecahan Masalah
Pola serta permalan kuantitas penjualan ekspor sepatu dari
gedung produksi B dan C dapat diidentifikasi dengan memilih metode
peramalan SARIMA. Metode SARIMA digunakan karena penjualan
cenderung memiliki musiman, di mana pada bulan-bulan tertentu,
kuantitas penjualan ekspor sepatu dari gedung produksi B dan C dapat
melejit pada setiap tahunnya.
12
2.4. Tinjauan Statistika
Analisis Deret Waktu
Deret waktu adalah serangkaian data hasil pengamatan yang
berurutan berdasarkan informasi waktu. Data deret waktu digunakan
dalam berbagai bidang, seperti dalam bidang bisnis, meteorologi,
pertanian, biologi, dan ekologi. Menurut Cryer dan Chan (2008),
terdapat dua tujuan umum dari analisis deret waktu, yaitu untuk
memahami atau memodelkan mekanisme stokastik yang menjelaskan
tentang deret diamati serta untuk meramalkan nilai masa mendatang
dari sebuah deret berdasarkan data historis dan kemungkinan terhadap
deret atau faktor lainnya.
Konsep Fundamental
2.4.2.1 Stasioneritas Deret Waktu
Salah satu asumsi yang harus dipenuhi dalam analisis deret
waktu adalah, deret harus stasioner. Menurut Makridakis, dkk. (1999),
Stasioneritas adalah tidak terdapat kecenderungan pada suatu data
deret waktu. Ide yang mendasari stasioneritas adalah hukum peluang
yang mengatur perilaku proses yang tidak berubah seiring
pertambahan waktu (Cryer dan Chan, 2008). Deret waktu dikatakan
stasioner apabila perilaku data tidak menunjukkan pola yang
dipengaruhi pertambahan waktu, seimbang di sekitar rata-rata, dan
ragam konstan. Sifat stasioneritas menjadi penting untuk menjamin
bahwa kondisi data cenderung konstan seiring pertambahan waktu.
13
Deret 𝑌𝑡 adalah hasil pengamatan waktu ke – 𝑡 dan 𝜆 (rounded value)
diduga dari data.
Menurut Wei (2006), penggunaan transformasi box cox
memperlakukan 𝜆 (rounded value) sebagai parameter yang berasal dan
diduga dari data deret waktu. Nilai 𝜆 (rounded value) yang dipilih
adalah yang menghasilkan MSE (Mean Squared Error) terkecil.
14
kedua agar didapatkan data yang stasioner. Proses pembedaan dapat
dilakukan paling banyak dua kali (Cryer,2008).
𝑐𝑜𝑣(𝑌𝑡, 𝑌𝑡 − 𝑘)
𝜌𝑘 =
√𝑉𝑎𝑟(𝑌𝑡)√𝑉𝑎𝑟(𝑌𝑡 − 𝑘)
(2.6)
15
𝜌𝑘 − ∑𝑘−1
𝑗=1 𝜙𝑘−1,𝑗 𝜌𝑘−𝑗
𝜙𝑘𝑘 =
1 − ∑𝑘−1
𝑗=1 𝜙𝑘−1,𝑗 𝜌𝑗
(2.10)
dengan 𝜙𝑘𝑗 = 𝜙𝑘−1,𝑗 − 𝜙𝑘𝑘 𝜙𝑘−1,𝑘−𝑗 untuk 𝑗 = 1,2, … , 𝑘 − 1
dimana :
𝜙𝑘𝑘 : koefisien autokorelasi parsial pada lag 𝑘
𝜌𝑘 : koefisien autokorelasi pada lag 𝑘 yang diduga dengan 𝑟𝑘
𝜌𝑗 : koefisien autokorelasi pada lag 𝑘 yang diduga dengan 𝑟𝑗
𝜌𝑘−𝑗 : koefisien autokorelasi pada lag 𝑘 − 𝑗 yang diduga dengan
𝑟𝑘−𝑗
2.4.3 Pola Musiman
Secara umum terdapat empat pola data deret waktu, diantaranya
yaitu pola data horizontal, pola data siklis, pola data trend, dan pola
data musiman. Pola data horizontal terjadi apabila data berfluktuasi di
sekitar rata-rata yang konstan. Pola siklis terjadi apabila data
dipegaruhi oleh fluktuasi ekonomi jangka panjang seperti yang
berhubungan dengan bisnis. Pola trend terjadi apabila terdapat
kecenderungan sekuler jangka panjang dalam data. Pola musiman
dipengaruhi apabila suatu data dipengaruhi oleh faktor musiman.
Keempat pola data rersebut dapat dilihat pada gambar berikut (Sadik
dan Silvianti, 2016).
16
Gambar 2.2. Pola Data Deret Waktu
17
Selain berdasarkan kurva cosinus, pola musiman dapat dilihat melalui
analisis spektral. Merujuk pada Cryer dan Chan (2008), secara historis
analisis spektral dimulai dengan pencarian “periodisitas tersembunyi”
pada data deret waktu. Analisis spektral sering disebut analisis domain
waktu yang dapat menunjukkan pola musiman dalam periode tertentu.
Analisis spektral sangat berguna misalnya dalam bidang teknik
komunikasi, ilmu geofisika, dan biomedis.
18
Proses identifikasi model dilakukan dengan cara melihat plot
ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation
Function) dari data deret waktu yang telah stasioner. Penentuan orde
non-musiman (p,d,q) diperoleh dengan melihat ACF-PACF non-
musiman, sedangkan orde musiman (P,D,Q) diperoleh melalui ACF-
PACF pada periode musiman (s, 2s, 3s, ...). Salah satu contoh plot
ACF untuk data deret waktu dengan pola musiman dapat dilihat pada
Gambar 2.4 (Cryer dan Chan, 2008). Gambar 2.4 menyerupai kurva
cosinus, dimana pola musiman dapat dimodelkan secara deterministik
dengan kurva cosinus.
19
Turun Eksponensial Turun Eksponensial
ARMA(𝑝, 𝑞) setelah lag ke-(𝑞 − setelah lag ke-(𝑝 −
𝑝) 𝑞)
∑𝑛 ̅ ̅
𝑡=𝑘+1(𝑌𝑡 −𝑌)(𝑌𝑡−𝑘 −𝑌)
dengan, 𝑟𝑘 = ∑𝑛 ̅ 2 (2.13)
𝑡=𝑘+1(𝑌𝑡 −𝑌)
dimana:
20
𝑄 : Statistik uji kelayakan model Ljung-Box
𝑛 : Banyak pengamatan
𝑟𝑘 : Koefisien autokorelasi sisa pada lag-k
𝑘 : Jumlah lag maksimum
𝑚 : Banyaknya parameter yang diduga dalam model.
Uji kelayakan model Ljung-Box dilandasi pada hipotesis berikut.
H0 : Model layak vs H1 : Model tidak layak
Jika 𝑝 𝑣𝑎𝑙𝑢𝑒 < 𝛼 maka keputusan adalah tolak 𝐻0 , yang berarti model
tidak layak digunakan. Sedangkan, jika 𝑝 𝑣𝑎𝑙𝑢𝑒 > 𝛼, maka keputusan
adalah terima 𝐻0 yang berarti model layak digunakan.
2.4.7 Pemilihan Model Terbaik
Bila terdapat lebih dari satu model yang signifikan, perlu
dipilih satu model yang paling cocok (good-fit). Salah satu kriteria
penentuan model terbaik adalah dengan menggunakan AIC (Akaike
Information Criterion). Menurut Wei (2006) kriteria pemilihan model
terbaik tersebut dapat dituliskan dalam persamaan berikut.
𝐴𝐼𝐶(𝑀) = 𝑛 ln 𝜎̂𝑎2 + 2𝑀
(2.14)
dimana:
𝑀 : Jumlah parameter yang diduga
𝑛 : Banyaknya pengamatan
Pemilihan model terbaik dapat dilihat berdasarkan nilai AIC terkecil.
2.4.8 Peramalan
Peramalan merupakan suatu proses untuk mendapatkan data
deret waktu di periode yang akan datang dengan mempertimbangkan
data pada periode sebelumnya. Wei (2006) menjelaskan bahwa
peramalan sangat dibutuhkan untuk perencanaan kegiatan operasi di
beberapa area seperti manajemen produksi, sistem persediaan, kualitas
kontrol, perencanaan finansial, dan analisis investasi. Peramalan
diperlukan untuk mengetahui kapan dan bagaimana suatu peristiwa
akan terjadi, sehingga dapat dipersiapkan tindakan yang tepat
(Makridakis dkk, 1999). Penghitungan nilai ramalan data deret waktu
dimulai pada satu periode berikutnya yaitu data periode ke- 𝑡 + 1 dan
seterusnya hingga dihasilkan ramalan sebanyak 𝑘 periode mendatang.
21
BAB III
HASIL DAN PEMBAHASAN
22
musiman yang dapat dilihat terjadinya pola yang berulang pada bulan-
bulan tertentu.
23
dapat terlihat dari plot data yang membentuk pola yang serupa setiap
tahunnya. Kuantitas penjualan ekspor tertinggi terjadi setiap bulan
Juni, Juli atau November. Namun, perusahaan mengalami ekspor
terendah setiap bulan Maret atau September. Berdasarkan informasi
dari perusahaan, PT Karyamitra Budisentosa mengenal dua musim
yaitu high season dan low season. High season terjadi setiap awal
hingga pertengahan musim di Eropa, dan Low season terjadi setiap
musim akan berganti.
3.3.2 Uji Stasioneritas
Sebelum melakukan peramalan menggunakan model
SARIMA, harus dipastikan asumsi stasioneritas terpenuhi. Terdapat
dua jenis stasioneritas, yaitu sifat stasioner terhadap rata-rata dan
stasioner terhadap ragam. Transformasi Box-Cox digunakan untuk
menguji stasioneritas terhadap ragam, sedangkan untuk menguji
stasioneritas terhadap rata-rata, digunakan uji Augmented Dickey
Fuller.
a. Stasioneritas terhadap ragam
Stasioneritas ragam dapat dilihat melalui nilai λ (rounded
value) dari data kuantitas penjualan ekspor sepatu PT Karyamitra
Budisentosa. Nilai λ (rounded value) dapat dilihat pada gambar
berikut.
24
Gambar 3.2 menunjukkan bahwa 𝜆 = 0.75, karena nilai 𝜆 ≠ 1, maka
dapat dikatakan data belum stasioner terhadap ragam. Selanjutnya
dilakukan transformasi terhadap data dengan cara memangkatkan 0.75
pada data yang ditunjukkan pada persamaan (3.1).
25
Gambar 3.4 Plot ACF data 𝑌𝑡∗
Berdasarkan hasil amatan terhadap plot ACF data 𝑌𝑡∗ pada gambar
3.4, terlihat bahwa pada 3 lag pertama, hanya terdapat 1 lag yang
signifikan (keluar batas), sehingga dapat dikatakan data 𝑌𝑡∗ sudah
stasioner terhadap rata-rata. Namun, pengambilan keputusan belum
cukup jika hanya didasari pengamatan terhadap plot ACF, sehingga
harus dilakukan pengujian untuk memperkuat bukti pengambilan
keputusan. Stasioneritas terhadap rata-rata dapat dilakukan dengan
menggunakan uji Augmented Dickey Fuller dengan hipotesis berikut.
H0 : Data tidak stasioner vs
H1 : Data stasioner
Pemeriksaan stasioneritas rata-rata dilakukan menggunakan data yang
telah ditransformasi. Hasil uji ADF dapat dilihat melalui Tabel 3.1
berikut.
Tabel 3.1 Hasil Uji ADF
p-value Keputusan
Lag
0 0.0003 Tolak H0
1 0.0001 Tolak H0
2 0.0018 Tolak H0
Tabel 3.1 menunjukkan bahwa data telah stasioner terhadap
rata-rata karena seluruh nilai p-value dari uji ADF sudah bernilai
kurang dari 0.05, sehingga keputusan yang diambil adalah tolak H0.
Jadi, dapat disimpulkan bahwa dengan taraf nyata 5%, data kuantitas
penjualan ekspor hasil transformasi telah stasioner terhadap rata-rata.
26
3.3.3 Identifikasi Model
Proses identifikasi model dilakukan setelah diperoleh data
yang telah stasioner terhadap ragam dan rata-rata. Identifikasi model
bertujuan untuk memperoleh model tentatif dengan cara menentukan
orde dari model SARIMA (p,d,q)(P,D,Q)s melalui plot ACF
(Autocorrelation Function) dan PACF (Partial Autocorrelation
Function) seperti pada Gambar 3.4 dan Gambar 3.5.
27
3.3.4 Pendugaan Parameter dan Uji Signifikansi Model SARIMA
Berdasarkan model utama yang telah diidentifikasi pada subbab
3.3.3, maka didapatkan model tentatif sebanyak 71 model yang tertera
pada Tabel 3.2.
Tabel 3.2 Model Tentatif
Model SARIMA
SARMA(2[5][11],1)(0,2)6 SARMA(2[5][11],0)(0,2)6
SARMA(2[5][11],1)(0,1)6 SARMA(2[5][11],0)(0,1)6
ARMA(2[5][11],1) ARMA(2[5][11],0)
SARMA(2[5],1)(0,2)6 SARMA(1[11],0)(0,2)6
SARMA(2[5],1)(0,1)6 SARMA(1[11],0)(0,1)6
ARMA(2[5],1) ARMA(1[11],0)
SARMA(2[5],0)(0,2)6 SARMA(1,1)(0,2)6
SARMA(2[5],0)(0,1)6 SARMA(1,1)(0,1)6
ARMA(2[5],0) ARMA(1,1)
SARMA(2[11],1)(0,2)6 SARMA(1,0)(0,2)6
SARMA(2[11],1)(0,1)6 SARMA(1,0)(0,1)6
ARMA(2[11],1) ARMA(1,0)
SARMA(2[11],0)(0,2)6 SARMA(0,1)(0,2)6
SARMA(2[11],0)(0,1)6 SARMA(0,1)(0,1)6
ARMA(2[11],0) ARMA(0,1)
SARMA(2,1)(0,2)6 SMA(2)6
SARMA(2,1)(0,1)6 SMA(1)6
ARMA(2,1) SARMA([5],1)(0,2)6
SARMA(2,0)(0,2)6 SARMA([5],1)(0,1)6
SARMA(2,0)(0,1)6 ARMA([5],1)
ARMA(2,0) SARMA([5],0)(0,2)6
SARMA(1[5][11],1)(0,2)6 SARMA([5],0)(0,1)6
SARMA(1[5][11],1)(0,1)6 ARMA([5],0)
ARMA(1[5][11],1) SARMA([11],1)(0,2)6
SARMA(1[5][11],0)(0,2)6 SARMA([11],1)(0,1)6
SARMA(1[5][11],0)(0,1)6 ARMA([11],1)
ARMA(1[5][11],0) SARMA([11],0)(0,2)6
SARMA(1[5],1)(0,2)6 SARMA([11],0)(0,1)6
SARMA(1[5],1)(0,1)6 ARMA([11],0)
28
ARMA(1[5],1) SARMA([11],0)(0,2)6
SARMA(1[5],0)(0,2)6 SARMA([11],0)(0,1)6
SARMA(1[5],0)(0,1)6 ARMA([11],0)
ARMA(1[5],0) SARMA([5][11],1)(0,2)6
SARMA(1[11],1)(0,2)6 SARMA([5][11],1)(0,1)6
SARMA(1[11],1)(0,1)6 ARMA([5][11],1)
ARMA(1[11],1) SARMA([5][11],0)(0,2)6
SARMA([5][11],0)(0,1)6 ARMA([5][11],0)
1. SARMA(1[11],0)(0,2)6 8. SARMA([11],1)(0,2)6
2. SARMA(1,0)(0,2)6 9. SARMA([11],0)(0,2)6
3. SARMA(1,0)(0,1)6 10. SARMA([11],0)(0,1)6
4. ARMA(1,0) 11. ARMA([11],0)
5. SARMA(0,1)(0,2)6 12. SARMA([5][11],0)(0,2)6
6. ARMA(0,1) 13. SARMA([5][11],0)(0,1)6
7. SMA(2)6 14. ARMA([5][11],0)
29
telah memenuhi asumsi sisaan model bersifat white noise serta model
tersebut layak digunakan. Keempat model terpilih tersebut dapat
dijelaskan sebagai berikut.
1. SARMA(1,0)(0,2)6
Untuk mengetahui model telah memenuhi asumsi sisaan model
bersifat white noise, dapat dilihat melalui Gambar 3.6 dan Tabel
3.3.
Autocorrelations
0.055 -0.189 0.060 0.035 -0.014 -0.022
0.026 0.013 -0.023 -0.197 0.203 0.092
0.034 -0.040 -0.205 -0.035 0.004 0.047
0.010 -0.010 -0.148 -0.012 0.094 0.165
Berdasarkan Gambar 3.6, dapat dilihat bahwa tidak ada lag
2 2
yang signifikan (keluar batas selang ± 𝑛 = ± = ±0,27) selain
√ √55
lag 0, dan pada Tabel 3.3, tidak ada nilai autokorelasi yang melebihi
selang. Oleh karena itu, dapat disimpulkan bahwa model SARIMA
telah memenuhi asumsi white noise.
30
Selanjutnya untuk mengetahui model sudah layak, dapat
dilihat p-value dalam Tabel 3.4. Hipotesis uji kelayakan model L-jung
Box adalah sebagai berikut.
H0 : Model layak vs
H1 : Model Tidak layak
Tabel 3.4 Hasil Uji Kelayakan Model L-jung Box
Lag p-value Keputusan Keterangan
6 0.4532 Terima H0
12 0.4387 Terima H0 Layak
18 0.6192 Terima H0
24 0.6197 Terima H0
Berdasarkan Tabel 3.4, dapat dilihat bahwa p-value > 0.05
pada semua lag. Oleh karena itu, dengan taraf nyata 5% dapat
disimpulkan bahwa model SARMA(1,0)(0,2)6 layak digunakan untuk
peramalan.
2. SARMA(0,1)(0,2)6
Untuk mengetahui model telah memenuhi asumsi sisaan model
bersifat white noise, dapat dilihat melalui Gambar 3.7 dan Tabel
3.5.
31
Tabel 3.5 Autokorelasi Residual SARMA(0,1)(0,2)6
Autocorrelations
-0.030 -0.032 0.053 0.017 0.006 -0.014
0.043 -0.050 0.041 -0.239 0.230 0.069
0.029 -0.012 -0.206 -0.001 -0.052 0.069
-0.039 0.032 -0.148 0.018 0.054 0.164
Berdasarkan Gambar 3.7, dapat dilihat bahwa tidak ada lag
2 2
yang signifikan (keluar batas selang ± 𝑛 = ± = ±0,27) selain
√ √55
lag 0, dan pada Tabel 3.5, tidak ada nilai autokorelasi yang melebihi
selang. Oleh karena itu, dapat disimpulkan bahwa model SARIMA
telah memenuhi asumsi white noise.
Selanjutnya untuk mengetahui model sudah layak, dapat
dilihat p-value dalam Tabel 3.6. Hipotesis uji kelayakan model L-jung
Box adalah sebagai berikut.
H0 : Model layak vs
H1 : Model Tidak layak
Tabel 3.6 Hasil Uji Kelayakan Model L-jung Box
Lag p-value Keputusan Keterangan
6 0.9580 Terima H0
12 0.4545 Terima H0 Layak
18 0.6141 Terima H0
24 0.6405 Terima H0
Berdasarkan Tabel 3.6, dapat dilihat bahwa p-value > 0.05
pada semua lag. Oleh karena itu, dengan taraf nyata 5% dapat
disimpulkan bahwa model SARMA(0,1)(0,2)6 layak digunakan untuk
peramalan.
3. SARMA([11],1)(0,2)6
32
Untuk mengetahui model telah memenuhi asumsi sisaan model
bersifat white noise, dapat dilihat melalui Gambar 3.8 dan Tabel
3.7.
Autocorrelations
-0.033 -0.074 0.065 0.076 0.002 -0.016
0.050 -0.032 0.088 -0.194 -0.003 0.084
0.023 0.004 -0.237 -0.021 -0.011 0.087
-0.067 0.012 -0.044 -0.028 0.056 0.146
Berdasarkan Gambar 3.8, dapat dilihat bahwa tidak ada lag
2 2
yang signifikan (keluar batas selang ± = ± = ±0,27) selain
√𝑛 √55
lag 0, dan pada Tabel 3.7, tidak ada nilai autokorelasi yang melebihi
selang. Oleh karena itu, dapat disimpulkan bahwa model SARIMA
telah memenuhi asumsi white noise.
Selanjutnya untuk mengetahui model sudah layak, dapat
dilihat p-value dalam Tabel 3.6. Hipotesis uji kelayakan model L-jung
Box adalah sebagai berikut.
H0 : Model layak vs
H1 : Model Tidak layak
33
Tabel 3.8 Hasil Uji Kelayakan Model L-jung Box
Lag p-value Keputusan Keterangan
6 0.6019 Terima H0
12 0.7676 Terima H0 Layak
18 0.7588 Terima H0
24 0.8709 Terima H0
Berdasarkan Tabel 3.8, dapat dilihat bahwa p-value > 0.05
pada semua lag. Oleh karena itu, dengan taraf nyata 5% dapat
disimpulkan bahwa model SARMA([11],1)(0,2)6 layak digunakan
untuk peramalan.
3.3.6 Pemilihan Model Terbaik
Model SARIMA terbaik dapat ditentukan berdasarkan nilai
AIC (Akaike's Information Criterion) terkecil dari model yang layak.
Nilai AIC dari model yang layak dapat dilihat dalam tabel berikut.
Tabel 3.9 Nilai AIC dari Model Tentatif yang Layak
Model Nilai AIC
SARMA(1,0)(0,2)6 1013.778
SARMA(0,1)(0,2)6 1010.875
SARMA([11],1)(0,2)6 1008.565
Berdasarkan Tabel 3.9, nilai AIC terkecil dimiliki oleh model
SARMA([11],1)(0,2)6. Dengan demikian, model
SARMA([11],1)(0,2)6 adalah model terpilih yang digunakan untuk
peramalan kuantitas penjualan ekspor sepatu PT Karyamitra
Budisentosa.
3.3.7 Peramalan
Setelah didapatkan model terpilih yaitu model
SARMA([11],1)(0,2)6, selanjutnya dilakukan peramalan kuantitas
penjualan ekspor sepatu PT Karyamitra Budisentosa selama 12 bulan
kedepan terhitung dari bulan Agustus 2019 – Juli 2019. Hasil
peramalan selama 12 bulan ke depan dapat dilihat pada Tabel 3.10.
Data yang digunakan adalah data hasil transformasi (𝑌𝑡∗ ) sehingga
perlu dilakukan transformasi balik untuk meramalkannya. Dalam
4
kasus ini transformasi baliknya adalah 𝑌𝑡 = (𝑌𝑡∗ )3 .
34
Tabel 3.10 Hasil Ramalan Kuantitas Penjualan Ekspor Sepatu
Setelah Transformasi Balik
Bulan Ramalan
Agustus 2019 119.911
September 2019 62.253
Oktober 2019 85.113
November 2019 126.844
Desember 2019 71.980
Januari 2020 65.779
Februari 2020 71.238
Maret 2020 56.729
April 2020 115.256
Mei 2020 106.332
Juni 2020 138.324
Juli 2020 149.495
35
Plot Data Aktual dan Ramalan
400000
300000
200000
100000
0
0 10 20 30 40 50 60 70 80
36
BAB IV
PENUTUP
4.1 Kesimpulan
Berdasarkan hasil analisis mengenai data kuantitas penjualan
ekspor sepatu dari gedung produksi B dan C PT Karyamitra
Budisentosa periode Januari 2015 sampai Juli 2019, maka diperoleh
kesimpulan sebagai berikut.
1. Model yang sesuai untuk meramalkan kuantitas penjualan ekspor
sepatu PT Karyamitra Budisentosa adalah SARMA([11],1)(0,2)6.
2. Hasil peramalan kuantitas penjualan ekspor sepatu PT Karyamitra
Budisentosa masih menunjukkan pola musiman dengan ekspor
tertinggi diperkirakan terjadi pada bulan Juli 2020. Sedangkan
ekspor terendah diperkirakan terjadi pada bulan Maret 2020. Pola
musiman hasil ramalan masih sama dengan pola musiman pada
data aktual periode Januari 2015 – Juli 2019. Hasil ramalan sesuai
dengan informasi dari perusahaan mengenai adanya dua musim
yang dinamakan high season dan low season.
4.2 Saran
Dari hasil peramalan kuantitas penjualan ekspor sepatu dari
gedung produksi B dan C PT Karyamitra Budisentosa selama 12 bulan
ke depan, diharapkan model SARIMA dapat diterapkan dan menjadi
bahan pertimbangan untuk analisis kebutuhan material pada periode
mendatang. Selain itu, perusahaan dapat meningkatkan efektivitas
suatu rencana bisnis serta dapat mempertimbangkan kebijakan yang
akan ditetapkan.
37
38
DAFTAR PUSTAKA
39
LAMPIRAN
40
2. Selasa, 23 Juli Mendengarkan penjelasan oleh staff
2019 Departemen Marketing terkait
deskripsi kerja di Departemen
Marketing bagian shipping.
Melihat data yang terdapat di bagian
shipping.
Menentukan analisis yang sesuai
dengan data yang tersedia.
Membantu menginput data Packing
Order (PKO).
Membantu memberi label kode barang
pada setiap karton yang akan dikirim.
Membantu merekap invoice.
3. Rabu, 24 Juli 2019 Mengunjungi bagian produksi dan
dijelaskan mengenai proses produksi
sampai packaging.
Mengunjungi bagian produksi rangka
sepatu dan inspect. Serta merekap
produk yang sudah selesai inspeksi.
Mencetak foto katalog baru beserta
deskripsinya.
Mengambil bahan kain untuk analisis
SWOT.
41
4. Kamis, 25 Juli Mengecek kesiapan barang yang akan
2019 dikirim.
Mengambil sampel bahan kain untuk
TUV Test.
Menyiapkan karton untuk pengiriman
barang
Membantu merekap data invoice.
5. Jumat, 26 Juli Mengambil sampel sepatu untuk TUV
2019 Test.
Mencari data yang terdapat di
Departemen Marketing dan
menanyakan data mengenai kuantitas
penjualan.
Bertemu Bu Fina bagian HRD & GA
untuk menanyakan data yang tidak
terdapat pada departemen marketing.
Menjelaskan data yang ingin diminta
serta menjelaskan analisis yang akan
digunakan.
6. Senin, 29 Juli 2019 Mengambil sampel sepatu untuk TUV
Test.
Menyusun dokumen payment dan
invoice.
Meminta profil perusahaan ke bagian
ISO.
42
7. Selasa, 30 Juli Menyusun dokumen payment dan
2019 invoice.
Mencari data ke bagian ISO sesuai
dengan arahan dari Bu Fina.
Mengambil sampel bahan untuk TUV
Test.
8. Rabu, 31 Juli 2019 Mengambil sampel sepatu untuk TUV
Test.
Menyusun dokumen invoice.
Mencari referensi mengenai analisis
deret waktu dan peramalan
Merekap invoice.
9. Kamis, 1 Agustus Menyiapkan sampel sepatu untuk
2019 TUV Test.
Meyusun dokumen invoice.
Menyiapkan label untuk box sepatu.
Memulai pengerjaan laporan bagian
profil perusahaan.
10. Jumat, 2 Agustus Follow up data yang diminta di bagian
2019 ISO.
Melihat email masuk dari customer.
Membantu bagian packaging sampel
untuk pengiriman.
43
11. Senin, 5 Agustus Mengecek packaging yang akan
2019 dikirim.
Merekap data pengiriman barang.
Melanjutkan pengerjaan laporan
bagian profil perusahaan.
12. Selasa, 6 Agustus Mengambil sampel sepatu untuk TUV
2019 Test.
Mencatat jenis sepatu yang ada di
showroom.
Melihat email masuk dari customer.
Melihat data pengiriman sampel.
13. Rabu, 7 Agustus Mengambil data kuantitas penjualan
2019 dari Departemen ISO serta
menjelaskan analisis yang akan
digunakan.
Menginput data Packing Instruction.
Mencari referensi mengenai analisis
deret waktu dan peramalan.
14. Kamis, 8 Agustus Mengedit data kuantitas penjualan
2019 yang telah didapatkan.
Mencatat jumah stok sepatu yang ada
di gudang.
15. Jumat, 9 Agustus Mengambil sampel sepatu untuk TUV
2019 Test.
44
Mencatat jumah stok sepatu yang ada
di gudang.
Mencari referensi mengenai analisis
deret waktu dan peramalan.
16. Senin, 12 Agustus Mencari referensi mengenai analisis
2019 deret waktu dan peramalan.
Memulai pengerjaan analisis data.
Membantu merevisi katalog produksi.
17. Selasa, 13 Agustus Membantu membuat label jenis
2019 sepatu.
Menepel label jenis sepatu.
Mengecek stok sepatu yang akan di
repair.
Melankutkan pengerjaan analisis data.
18. Rabu, 14 Agustus Memberi label pada kain untuk
2019 produksi di showroom untuk produksi.
Membantu menghitung kuantitas
pengiriman barang pada data
confirmation sample list.
Memulai melakukan analisis data dan
membaca referensi mengenai model
SARIMA.
19. Kamis, 15 Bertemu dengan Bu Fina dari
Agustus 2019 Departemen HRD untuk menjelaskan
45
kembali analisis yang dilakukan dan
progress analisis.
Menempel ulang katalog baru di
showroom.
Melanjutkan analisis data.
20. Jumat, 16 Agustus Mendatangi ruang manager untuk
2019 memberikan formulir penilaian kepada
pembimbing lapang.
Pelepasan mahasiswa PKL oleh PT
Karymitra Budisentosa.
46
Lampiran 2. Data Kuantitas Penjualan Ekspor Sepatu Gedung
Produksi B dan C Periode Januari 2015 – Juli 2019
Tahun Bulan Kuantitas Tahun Bulan Kuantitas
Ekspor Ekspor
Januari 221741 Juli 243861
Februari 128573 Agustus 247297
Maret 24652 September 40335
April 176867 Oktober 143004
Mei 278283 November 311682
Juni 318017 Desember 224347
2015
Juli 234723 Januari 117418
Agustus 201166 Februari 115392
September 188883 Maret 38460
Oktober 199363 April 143885
November 234838 Mei 201583
Desember 273461 2018 Juni 175636
Januari 264270 Juli 217752
Februari 72912 Agustus 188156
Maret 56437 September 50911
April 129363 Oktober 103681
Mei 242040 November 124203
Juni 314873 Desember 119516
2016
Juli 175183 Januari 83088
Agustus 174944 Februari 41006
September 109056 Maret 27911
Oktober 127248 2019 April 113978
November 170745 Mei 155374
Desember 241831 Juni 109945
Januari 203649 Juli 179611
Februari 182040
Maret 51368
2017
April 120111
Mei 241159
Juni 149657
47
Lampiran 3. Syntax Software SAS
*import data;
proc import out=work.PKL
datafile='G:\datanew.xlsx'
dbms=xlsx replace;
sheet='Sheet1';
getnames=yes;
run;
proc print data=PKL;
run;
*plot data;
proc gplot data=PKL;
symbol1 i=splines
v=dot h=1;
plot Penjualan*Bulan;
run;
*analisis spectral;
proc spectral data=PKL out=hasil coef S P
whitetest;
var Penjualan;
weight bart;
run;
proc print data=hasil;
run;
*plot spektral;
proc gplot data=hasil;
symbol1 i=splines v=dot;
plot p_01*freq;
plot p_01*period;
plot s_01*freq;
plot s_01*period;
run;
proc gplot data=hasil;
where period<50;
48
plot s_01*period/HREF =(12,10,88,11);
run;
proc print data=PKL;
run;
*manipulasi data1;
data PKL;
set PKL;
z=0;
Penjualan1=Penjualan**0.75;
run;
49
estimate p=(2)(5)(11) q=(1)(6)(12) method=ML;
run;
50
*pemilihan model tentatif SARIMA (11);
estimate p=(2)(5) q=(6) method=ML;
run;
51
run;
52
*pemilihan model tentatif SARIMA (30);
estimate p=(1)(5)(11) method=ML;
run;
53
run;
54
*pemilihan model tentatif SARIMA (49);
estimate q=(1)(6)(12) method=ML;
run;
55
run;
56
*pemilihan model tentatif SARIMA (68);
estimate p=(5)(11) q=(1) method=ML;
run;
*peramalan;
proc arima data=PKL;
identify var=Penjualan nlag=25
stationarity=(adf);
run;
estimate p=11 q=(1)(6)(12) noconstant
method=ML;
run;
forecast out=ramalan lead=12;
run;
*transformasi balik;
data ramalan;
set ramalan;
ramalan1=(forecast**(4/3);
run;
proc print data=ramalan;
run;
57
Lampiran 4. Stasioneritas Ragam
Plot Box-Cox Sebelum Transformasi
58
Data Hasil Transformasi Box-Cox
59
Lampiran 5. Stasioneritas terhadap Rata-rata
60
61
Lampiran 6. Nilai Pendugaan Parameter dan Signifikansi Model
Hasil
Model Parameter P-Value Keterangan
Estimasi
MA1,1 -0.49044 0.0005
MA2,1 -0.33662 0.0176
MA3,1 -0.46764 0.0086
Tidak
SARMA(2[5][11],1)(0,2)6 AR1,1 -0.08373 0.5962 Signifikan
- 0.9919
AR2,1
0.0015260
AR3,1 0.32576 0.0302
MA1,1 -0.51469 0.0003
MA2,1 -0.31209 0.0374
AR1,1 -0.12199 0.4373 Tidak
SARMA(2[5][11],1)(0,1)6
AR2,1 - 0.9854 Signifikan
0.0027316
AR3,1 0.28740 0.0654
MA1,1 -0.52594 0.0001
AR1,1 -0.12032 0.4400 Tidak
ARMA(2[5][11],1)
AR2,1 0.03101 0.8474 Signifikan
AR3,1 0.21062 0.2277
MA1,1 -0.34906 0.0234
MA2,1 -0.54024 0.0060
Tidak
SARMA(2[5][11],0)(0,2)6 AR1,1 -0.06654 0.6435 Signifikan
AR2,1 0.04560 0.7753
AR3,1 0.32863 0.0335
MA1,1 -0.31311 0.0592
AR1,1 -0.14185 0.3220 Tidak
SARMA(2[5][11],0)(0,1)6
AR2,1 0.10965 0.4909 Signifikan
AR3,1 0.41641 0.0058
ARMA(2[5][11],0) AR1,1 -0.14576 0.2993
62
AR2,1 0.21736 0.1543 Tidak
AR3,1 0.32068 0.0525 Signifikan
MA1,1 -0.50278 0.0005
MA2,1 -0.30360 0.0278
Tidak
SARMA(2[5],1)(0,2)6 MA3,1 -0.43864 0.0124
Signifikan
AR1,1 -0.03545 0.8242
AR2,1 0.01273 0.9305
MA1,1 -0.56786 <.0001
MA2,1 -0.27539 0.0634 Tidak
SARMA(2[5],1)(0,1)6
AR1,1 -0.09094 0.5635 Signifikan
AR2,1 0.01282 0.9299
MA1,1 -0.55916 <.0001
Tidak
ARMA(2[5],1) AR1,1 -0.11605 0.4498
Signifikan
AR2,1 0.06916 0.6326
MA1,1 -0.32147 0.0249
MA2,1 -0.57121 0.0031
Tidak
SARMA(2[5],0)(0,2)6 AR1,1 - 0.9816 Signifikan
0.0032483
AR2,1 0.02557 0.8659
MA1,1 -0.24874 0.1278
Tidak
SARMA(2[5],0)(0,1)6 AR1,1 -0.10206 0.4730
Signifikan
AR2,1 0.10351 0.5084
AR1,1 -0.13350 0.3387 Tidak
ARMA(2[5],0)
AR2,1 0.23134 0.1087 Signifikan
MA1,1 -0.49029 0.0004
MA2,1 -0.33644 0.0160
Tidak
SARMA(2[11],1)(0,2)6 MA3,1 -0.46750 0.0076
Signifikan
AR1,1 -0.08388 0.5902
AR2,1 0.32570 0.0278
SARMA(2[11],1)(0,1)6 MA1,1 -0.51424 0.0002
63
MA2,1 -0.31180 0.0345
Tidak
AR1,1 -0.12204 0.4322
Signifikan
AR2,1 0.28740 0.0602
MA1,1 -0.53476 <.0001
Tidak
ARMA(2[11],1) AR1,1 -0.11756 0.4465
Signifikan
AR2,1 0.21620 0.1700
MA1,1 -0.36589 0.0069
MA2,1 -0.55022 0.0046 Tidak
SARMA(2[11],0)(0,2)6
AR1,1 -0.06348 0.6552 Signifikan
AR2,1 0.32556 0.0320
MA1,1 -0.34083 0.0190
Tidak
SARMA(2[11],0)(0,1)6 AR1,1 -0.14039 0.3211
Signifikan
AR2,1 0.41246 0.0050
AR1,1 -0.12731 0.3670 Tidak
ARMA(2[11],0)
AR2,1 0.33596 0.0314 Signifkan
MA1,1 -0.50315 0.0004
MA2,1 -0.30702 0.0246 Tidak
SARMA(2,1)(0,2)6
MA3,1 -0.43966 0.0114 Signifikan
AR1,1 -0.03429 0.8274
MA1,1 -0.56962 <.0001
Tidak
SARMA(2,1)(0,1)6 MA2,1 -0.27726 0.0590
Signifikan
AR1,1 -0.09054 0.5612
MA1,1 -0.57813 <.0001 Tidak
ARMA(2,1)
AR1,1 -0.11051 0.4664 Signifkan
MA1,1 -0.33308 0.0117
MA2,1 -0.57742 0.0024 Tidak
SARMA(2,0)(0,2)6
AR1,1 - 0.9950 Signifikan
0.0008763
MA1,1 -0.28361 0.0605 Tidak
SARMA(2,0)(0,1)6
AR1,1 -0.10188 0.4670 Signifikan
64
ARMA(2,0) AR1,1 -0.12504 0.3607
MA1,1 -0.62198 0.0042
MA2,1 -0.33323 0.0210
MA3,1 -0.47711 0.0077
Tidak
SARMA(1[5][11],1)(0,2)6 AR1,1 -0.13232 0.6119 Signifikan
AR2,1 - 0.9659
0.0064942
AR3,1 0.31210 0.0376
MA1,1 -0.60520 0.0041
MA2,1 -0.30938 0.0410
AR1,1 -0.06595 0.7975 Tidak
SARMA(1[5][11],1)(0,1)6
AR2,1 - 0.9685 Signifikan
0.0059197
AR3,1 0.27322 0.0799
MA1,1 -0.59858 0.0040
AR1,1 -0.04977 0.8466 Tidak
ARMA(1[5][11],1)
AR2,1 0.02482 0.8783 Signifikan
AR3,1 0.20671 0.2347
MA1,1 -0.33602 0.0150
MA2,1 -0.50949 0.0037
AR1,1 0.35754 0.0064 Tidak
SARMA(1[5][11],0)(0,2)6
AR2,1 - 0.9806 Signifikan
0.0036142
AR3,1 0.26967 0.0617
MA1,1 -0.30763 0.0381
AR1,1 0.35832 0.0096 Tidak
SARMA(1[5][11],0)(0,1)6
AR2,1 0.04074 0.7795 Signifikan
AR3,1 0.29907 0.0550
AR1,1 0.34985 0.0117 Tidak
ARMA(1[5][11],0)
AR2,1 0.09577 0.5435 Signifikan
65
AR3,1 0.24387 0.1615
MA1,1 -0.67252 0.0007
MA2,1 -0.29833 0.0351
Tidak
SARMA(1[5],1)(0,2)6 MA3,1 -0.45313 0.0102
Signifikan
AR1,1 -0.18731 0.4500
AR2,1 0.01120 0.9406
MA1,1 -0.62879 0.0010
MA2,1 -0.27780 0.0632 Tidak
SARMA(1[5],1)(0,1)6
AR1,1 -0.03954 0.8665 Signifikan
AR2,1 0.0094503 0.9488
MA1,1 -0.32816 0.0142
MA2,1 -0.51071 0.0028
Tidak
ARMA(1[5],1) AR1,1 0.36735 0.0047 Signifikan
AR2,1 - 0.9702
0.0053638
MA1,1 -0.27752 0.0581
Tidak
SARMA(1[5],0)(0,2)6 AR1,1 0.39688 0.0021
Signifikan
AR2,1 0.04924 0.7291
AR1,1 0.37379 0.0044 Tidak
SARMA(1[5],0)(0,1)6
AR2,1 0.13453 0.3494 Signifikan
MA1,1 -0.62116 0.0034
MA2,1 -0.33244 0.0189
Tidak
ARMA(1[5],0) MA3,1 -0.47680 0.0068
Signifikan
AR1,1 -0.13219 0.6085
AR2,1 0.31182 0.0347
MA1,1 -0.60420 0.0035
MA2,1 -0.30892 0.0380 Tidak
SARMA(1[11],1)(0,2)6
AR1,1 -0.06608 0.7953 Signifikan
AR2,1 0.27308 0.0741
SARMA(1[11],1)(0,1)6 MA1,1 -0.60131 0.0027
66
AR1,1 -0.04388 0.8613 Tidak
AR2,1 0.21116 0.1797 Signifikan
MA1,1 -0.33541 0.0127
MA2,1 -0.50898 0.0032 Tidak
ARMA(1[11],1)
AR1,1 0.35721 0.0054 Signifikan
AR2,1 0.26973 0.0574
MA1,1 -0.31250 0.0297
SARMA(1[11],0)(0,2)6 AR1,1 0.36283 0.0077 Signifikan
AR2,1 0.29931 0.0496
AR1,1 0.37063 0.0068 Tidak
SARMA(1[11],0)(0,1)6
AR2,1 0.25917 0.1001 Signifikan
MA1,1 -0.67729 0.0003
MA2,1 -0.30134 0.0315 Tidak
ARMA(1[11],0)
MA3,1 -0.45426 0.0093 Signifikan
AR1,1 -0.19209 0.4254
MA1,1 -0.63035 0.0006
Tidak
SARMA(1,1)(0,2)6 MA2,1 -0.27921 0.0593
Signifikan
AR1,1 -0.03980 0.8630
MA1,1 -0.63035 0.0006
Tidak
SARMA(1,1)(0,1)6 MA2,1 -0.27921 0.0593
Signifikan
AR1,1 -0.03980 0.8630
MA1,1 -0.63309 0.0004 Tidak
ARMA(1,1)
AR1,1 -0.02970 0.8951 Signifikan
MA1,1 -0.32658 0.0134
SARMA(1,0)(0,2)6 MA2,1 -0.50992 0.0025 Signifikan
AR1,1 0.36709 0.0042
MA1,1 -0.28727 0.0462
SARMA(1,0)(0,1)6 Signifikan
AR1,1 0.40031 0.0017
ARMA(1,0) AR1,1 0.39830 0.0015 Signifikan
67
MA1,1 -0.51555 <.0001
SARMA(0,1)(0,2)6 MA2,1 -0.30793 0.0225 Signifikan
MA3,1 -0.44239 0.0096
MA1,1 -0.60558 <.0001 Tidak
SARMA(0,1)(0,1)6
MA2,1 -0.27930 0.0537 Signifikan
ARMA(0,1) MA1,1 -0.61752 <.0001 Signifikan
MA1,1 -0.33310 0.0108
SMA(2)6 Signifikan
MA2,1 -0.57746 0.0022
MA1,1 -0.28633 Tidak
SMA(1)6 0.0527
Signifikan
MA1,1 -0.51563 <.0001
MA2,1 -0.30551 0.0250 Tidak
SARMA([5],1)(0,2)6
MA3,1 -0.44156 0.0104 Signifikan
AR1,1 0.0095187 0.9473
MA1,1 -0.60425 <.0001
Tidak
SARMA([5],1)(0,1)6 MA2,1 -0.27801 0.0573
Signifikan
AR1,1 0.0096557 0.9465
MA1,1 -0.60321 <.0001 Tidak
ARMA([5],1)
AR1,1 0.05867 0.6801 Signifikan
MA1,1 -0.32174 0.0232
Tidak
SARMA([5],0)(0,2)6 MA2,1 -0.57208 0.0027
Signifikan
AR1,1 0.02508 0.8669
MA1,1 -0.25396 0.1077 Tidak
SARMA([5],0)(0,1)6
AR1,1 0.10174 0.4993 Signifikan
AR1,1 0.22405 Tidak
ARMA([5],0) 0.1081
Signifikan
MA1,1 -0.52207 <.0001
MA2,1 -0.33055 0.0161
SARMA([11],1)(0,2)6 Signifikan
MA3,1 -0.46845 0.0064
AR1,1 0.30748 0.0345
68
MA1,1 -0.56433 <.0001
Tidak
SARMA([11],1)(0,1)6 MA2,1 -0.30754 0.0344
Signifikan
AR1,1 0.26746 0.0748
MA1,1 -0.57795 <.0001 Tidak
ARMA([11],1)
AR1,1 0.20815 0.1696 Signifikan
MA1,1 -0.35900 0.0068
SARMA([11],0)(0,2)6 MA2,1 -0.55800 0.0036 Signifikan
AR1,1 0.30415 0.0399
MA1,1 -0.33176 0.0200
SARMA([11],0)(0,1)6 Signifikan
AR1,1 0.38320 0.0074
ARMA([11],0) AR1,1 0.32643 0.0262 Signifikan
MA1,1 -0.52278 <.0001
MA2,1 -0.33134 0.0172
MA3,1 -0.46892 0.0072 Tidak
SARMA([11],0)(0,2)6
AR1,1 - 0.9545 Signifikan
0.0084592
AR2,1 0.30785 0.0373
MA1,1 -0.56554 <.0001
MA2,1 -0.30798 0.0365
Tidak
SARMA([11],0)(0,1)6 AR1,1 - 0.9627 Signifikan
0.0068910
AR2,1 0.26769 0.0808
MA1,1 -0.57370 <.0001
Tidak
ARMA([11],0) AR1,1 0.01759 0.9123
Signifikan
AR2,1 0.20468 0.2269
MA1,1 -0.34473 0.0205
MA2,1 -0.54946 0.0047 Tidak
SARMA([5][11],1)(0,2)6
AR1,1 0.03968 0.7990 Signifikan
AR2,1 0.30634 0.0419
SARMA([5][11],1)(0,1)6 MA1,1 -0.30742 0.0536
69
AR1,1 0.10496 0.4920 Tidak
AR2,1 0.38613 0.0087 Signifikan
AR1,1 0.20154 0.1830 Tidak
ARMA([5][11],1)
AR2,1 0.30629 0.0572 Signifikan
MA1,1 -0.52207 <.0001
MA2,1 -0.33055 0.0161
SARMA([5][11],0)(0,2)6 Signifikan
MA3,1 -0.46845 0.0064
AR1,1 0.30748 0.0345
MA1,1 -0.33310 0.0108
SARMA([5][11],0)(0,1)6 Signifikan
MA2,1 -0.57746 0.0022
MA1,1 -0.32658 0.0134
ARMA([5][11],0) MA2,1 -0.50992 0.0025 Signifikan
AR1,1 0.36709 0.0042
70
Lampiran 7. Output Autokorelasi Sisaan, Uji Normalitas Sisaan
Model SARIMA, dan Nilai AIC Model SARIMA yang
Layak
SARMA(1,0)(0,2)6
71
72
SARMA(0,1)(0,2)6
73
74
SARMA([11],1)(0,2)6
75
76
Lampiran 8. Output Peramalan dengan Model SARMA([11],1)(0,2)6
Setelah Transformasi Balik
Obs Penjualan FORECAST STD L95 U95 RESIDUAL
1 221741 0.00 205390.05 - 402557.11 221741.00
402557.11
2 128573 197921.14 92608.93 16410.97 379431.32 -69348.14
3 24652 111032.68 92552.66 -70367.21 292432.56 -86380.68
4 176867 55604.99 86370.02 - 224887.12 121262.01
113677.15
5 278283 209062.27 85581.89 41324.84 376799.70 69220.73
6 318017 231010.11 75820.15 82405.35 379614.87 87006.89
7 234723 260950.03 72925.23 118019.20 403880.86 -26227.03
8 201166 142401.19 72855.56 -393.08 285195.46 58764.81
9 188883 148766.75 72734.48 6209.78 291323.72 40116.25
10 199363 198508.75 72474.71 56460.93 340556.58 854.25
11 234838 238560.07 71553.23 98318.31 378801.83 -3722.07
12 273461 246719.38 60442.80 128253.66 365185.10 26741.62
13 264270 230882.77 60004.31 113276.50 348489.05 33387.23
14 72912 135650.27 59919.50 18210.21 253090.32 -62738.27
15 56437 84646.06 59865.82 -32688.78 201980.91 -28209.06
16 129363 175262.53 59864.09 57931.06 292593.99 -45899.53
17 242040 234854.14 59844.24 117561.59 352146.69 7185.86
18 314873 287574.21 55610.48 178579.67 396568.76 27298.79
19 175183 273411.85 55482.75 164667.65 382156.04 -98228.85
20 174944 168264.59 55395.76 59690.89 276838.30 6679.41
21 109056 177273.22 55384.67 68721.25 285825.19 -68217.22
22 127248 130976.52 55379.74 22434.22 239518.82 -3728.52
23 170745 194455.04 55378.60 85914.98 302995.10 -23710.04
24 241831 261741.29 54165.43 155579.00 367903.58 -19910.29
25 203649 157394.10 54158.16 51246.05 263542.15 46254.90
26 182040 87392.71 54121.82 -18684.12 193469.54 94647.29
27 51368 108766.36 54119.87 2693.36 214839.36 -57398.36
28 120111 71092.67 54114.46 -34969.72 177155.06 49018.33
29 241159 252571.59 54114.33 146509.47 358633.72 -11412.59
30 149657 189643.68 53354.29 85071.19 294216.18 -39986.68
31 243861 201430.51 53350.98 96864.51 305996.50 42430.49
32 247297 270197.20 53334.25 165664.00 374730.40 -22900.20
33 40335 126648.15 53332.72 22117.94 231178.36 -86313.15
34 143004 83028.24 53328.80 -21494.28 187550.76 59975.76
35 311682 205119.92 53328.80 100597.40 309642.43 106562.08
36 224347 226246.53 52721.55 122914.20 329578.87 -1899.53
37 117418 180804.77 52717.66 77480.05 284129.49 -63386.77
38 115392 115226.30 52706.24 11923.97 218528.62 165.70
39 38460 47705.43 52704.95 -55594.38 151005.23 -9245.43
40 143885 161037.71 52701.72 57744.24 264331.18 -17152.71
41 201583 255275.18 52701.68 151981.79 358568.57 -53692.18
42 175636 184798.73 52247.79 82394.94 287202.52 -9162.73
77
43 217752 206987.03 52245.26 104588.21 309385.86 10764.97
44 188156 175028.58 52236.90 72646.13 277411.03 13127.42
45 50911 111093.56 52236.02 8712.85 213474.27 -60182.56
46 103681 119790.58 52233.23 17415.33 222165.83 -16109.58
47 124203 202137.78 52233.15 99762.69 304512.88 -77934.78
48 119516 122406.54 51889.17 20705.63 224107.44 -2890.54
49 83088 140284.94 51887.62 38587.07 241982.80 -57196.94
50 41006 82803.37 51881.54 -18882.58 184489.31 -41797.37
51 27911 45294.15 51880.90 -56390.55 146978.84 -17383.15
52 113978 102714.75 51878.52 1034.71 204394.79 11263.25
53 155374 118238.99 51878.42 16559.15 219918.83 37135.01
54 109945 162301.26 51605.01 61157.31 263445.22 -52356.26
55 179611 136147.51 51603.90 35005.73 237289.29 43463.49
56 . 119910.59 49107.17 23662.30 216158.87 .
57 . 62253.35 54475.59 -44516.86 169023.55 .
58 . 85112.77 54777.94 -22250.01 192475.55 .
59 . 126843.83 54799.40 19438.98 234248.68 .
60 . 71979.79 54801.33 -35428.83 179388.42 .
61 . 65778.65 54808.74 -41644.51 173201.82 .
62 . 71237.57 65067.08 -56291.57 198766.70 .
63 . 56728.97 70288.03 -81033.04 194490.98 .
64 . 115256.38 70288.61 -22506.77 253019.52 .
65 . 106332.40 70366.21 -31582.84 244247.64 .
66 . 138323.78 70441.12 261.73 276385.83 .
67 . 149495.23 72316.21 7758.05 291232.41 .
68 . 126843.83 54799.40 19438.98 234248.68 .
78