Anda di halaman 1dari 26

ANALISIS DERET WAKTU ABSORBENT PAPER TOWEL DI OLYMPIA PAPER COMPANY

Kelompok : Anni Fithriyatul Masudah Leny Yuliyani Nursyita Purnami Nuril Anwar Riska Dian Prawesti G14080044 G14080053 G14080056 G14080074 G14080081

DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat, taufik dan hidayah-Nya, sehingga kami dapat menyelesaikan makalah kami yang berjudul ANALISIS DERET WAKTU ABSORBENT PAPER TOWEL OLYMPIA PAPER COMPANY. Makalah ini diajukan guna memenuhi tugas mata kuliah Analisis Deret Waktu Penulis menyadari bahwa pengetahuan yang penulis miliki masih sedikit, sehingga makalah ini masih jauh dari sempurna. Hal ini disebabkan oleh keterbatasan dan kekurangan yang ada pada diri penulis. Oleh karena itu penulis dengan segala kerendahan hati mengharapkan saran dan kritik yang membangun dari pembaca. Akhirnya penulis mengharapkan semoga makalah ini dapat bermanfaat dan berguna bagi kita semua.

Bogor, Juni 2011

Penyusun

1. PENDAHULUAN 1.1 Latar Belakang Salah satu bentuk analisis dalam statistika adalah Analisis Deret Waktu, yaitu analisis terhadap data yang merupakan analisis khusus dari analisis regresi, sebab dalam data deret waktu terlibat suatu besaran yang dinamakna autokorelasi. Keberadaan autokorelasi bisa merupakan autokorelasi periodik, yaitu autokorelasi dengan nilai periodesitasnya lebih dari satu, dan autokorelasi seperti ini banyak terdapat pada data deret waktu yang yang memiliki komponen musiman-periodik. Keberadaan autokorelasi-periodik perlu ditelaah melalui suatu pengujian hipotesis statistis, karena besaran ini ikut menentukan model hubungan antar pengamatan (autoregresi). Metode pengujian autokorelasi-periodik tidak pernah (jarang) dikemukakan dalam buku-buku pelajaran (textbook), karena analisis data deret waktu yang umum digunakan, autokorelasinya dianggap tidak periodik. Padahal banyak data deret-waktu yang memiliki autokorelasi-periodik, seperti harga kebutuhan pokok, permintaan terhadap suatu komoditi, atau ekspor impor. Oleh karena itu dalam penelitian ini ditelaah mengenai metode pengujian autokorelasi-periodik dalam data deret waktu yang memiliki komponen musiman periodik, sebab secara umum keberadaan autokorelasi-periodik dipengaruhi oleh musiman-periodik. Salah satu contoh kasus dalam penerapan data deret waktu adalah Olympia Paper Company yang memproduksi absorbent paper towel. Perusahaan ini ingin mengetahui kemampuan penyerapan dari absorbent paper towel yang diamati tiap minggu. Sehingga diperlukan analisis deret waktu. 1.2 Rumusan Masalah Masalah yang akan dibahas dalam makalah ini adalah :
1. Bagaimana pola data deret waktu penyerapan paper towel di Olympia Paper

Company?
2. Model apa yang paling tepat digunakan pada kasus penyerapan paper towel di Olymia

Paper Company? 3. Bagaimana Peramalan data penyerapan paper towel di Olympia Paper Company?

1.3 Tujuan Tujuan dari penyusunan makalah ini adalah :


1. Mengetahui pola deret waktu penyerapan paper towel di Olympia Paper Company

2. Mengetahui model yang tepat digunakan untuk penyerapan paper towel di Olympia Paper Company. 3. Dapat melakukan peramalan penyerapan paper towel di Olympia Paper Company 1.4 Bahan dan Metode 1. Bahan Data yang diambil merupakan data mingguan kemampuan daya serap absorbent paper towel selama 120 minggu yang diambil dari perusahaan Olympia Paper Company. 2. Metode Tahapan dalam penulisan makalah ini adalah dengan pengumpulan literatur yang berhubungan dengan materi. 1.5 Ruang Lingkup

Ruang Lingkup dalam makalah ini yaitu analisis deret waktu pada model data tidak stasioner.

TINJAUAN PUSTAKA

2.1

Olympia Paper Company Olympia Paper Company merupakan sebuah perusahaan besar di Amerika yang

memproduksi absorbent paper towel. Perusahaan ini berkantor di Olymia Washington Amerika Serikat.

Absorbent paper towel adalah produksi utama perusahaan ini, Kemapuan penyerapan dari absorbent paper towel merupakan faktor utama untuk melihat kualitas. Untuk menghasilkan kualitas yang baik maka perlu dilakukan pengontrolan terhadap daya serap absorbent paper towel. Pengontrolan ini dilakukan perminggu. 2.2 Deret Waktu Pada dasarnya setiap nilai dari hasil pengamatan (data), selalu dapat dikaitkan dengan waktu pengamatannya. Hanya pada saat analisisnya, kaitan variabel waktu dengan pengamatan sering tidak dipersoalkan. Dalam hal kaitan variabel waktu dengan pengamatan diperhatikan, sehingga data dianggap sebagai fungsi atas waktu, maka dataseperti ini dinamakan Data Deret Waktu (Time series). Dikarenakan data deret waktu merupakan regresi data atas waktu, dan salah satu segi (aspect) pada data deret waktu adalah terlibatnya bivariat, sebuah besaran regresi yang biasa. dinamakan Signifikansi Autokorelasi (keberartian) (autocorrelation), yang konsepsinya sama dengan korelasi untuk data dalam analisis autokorelasi menentukan analisis regresi yang harus dilakukan pada data deret waktu. Jika autokorelasi tidak signifikans (dalam kata lain data deret waktu tidak berautokorelasi), maka analisis regresi yang harus dilakukan adalah analisis regresi sederhana biasa, yaitu analisis regresi data atas waktu. Sedangkan jika signifikans (berautokorelasi)

harus dilakukan analisis regresi data deret waktu, yaitu analisis regresi antar nilai pengamatan. Segi lain dalam data deret waktu adalah kestasioneran data yang diklasifikasikan atas stasioner kuat (stasioner orde pertama, strickly stationer) dan stasioner lemah (stasioner orde dua,weakly stationer), dan kestasioner ini merupakan kondisi yang diperlukan dalam analisis data deret waktu, karena akan memperkecil kekeliruan baku. 2.3 Forecasting Forecasting (peramalan) merupakan sasaran dari analisis Time series, yang diperlukan untuk planning (perancangan) dan proses control. Proses peramalan akan berhubungan dengan apa yang dinamakan waktu mendatang (lead time) dan konsepsi peramalan jangka pendek (short term), yaitu peramalan dengan lead time yang cukup kecil jika dibandingkan dengan panjang waktu pengamatan. Misal dalam persoalan persediaan barang (stock control), peramalan jangka pendek adalah peramalan ketersediaan barang dengan lead time antara waktu pemesanan sampai pengantaran, yang biasanya memerlukan waktu beberapa minggu atau bulan. Sebelum memilih prosedur peramalan yang akan dilakukan, perlu untuk memperhatikan maksud dan tujuan peramalan, waktu, biaya, dan banyaknya data yang tersedia untuk menentukan lead time yang layak diambil, sehingga proses peramalan menjadi efektif dan efisien.

2.4

Model time series Autoregresi Integrated Moving Average (ARIMA) Model ARIMA :

Model ARIMA merupakan proses stasionerisasi dengan melakukan differencing. Model ini merupakan bagian dari analisis deret waktu satu ragam.

Ada tiga tahapan iterasi dalam pemodelan deret waktu (metode Box-Jenkins) yaitu :
1.

Penentuan model tentatif (spesifikasi model) berdasarkan data contoh Pendugaan parameter model Analisis diagnostik untuk melihat kelayakan model

2. 3.

Untuk model ARIMA (p,d,q) spesifikasi dilakukan untuk menetukan nilai p,d,dan q. Alat yang digunakan pada tahap ini adalah autokorelasi. Fungsi autokorelasi ini diduga dari data contoh atau bisa disebut fungus autokorelasi contoh (ACF) dan fungsi autokorelasi parsial (PACF). Model AR ACF berpola eksponensial atau gelombang sinus damped PACF perbedaan nilai antara lag-1 dengan nilai sesudah lag-k cukup besar (cut off after lag-k) berpola eksponensial atau gelombang sinus damped

MA

perbedaan nilai antara lag-1 dengan nilai sesudah lag-p cukup besar (cut off after lag-p) berpola menurun secara cepat sesudah lag-(p-k)

ARIMA

berpola menurun secara cepat sesudah lag-(k-p)

Tabel 1 Karakteristik teoritis ACF dan PACFuntuk model stasioner.

Tabel 2.Identifikasi p dan q melalui ACF dan PACF

III. PEMBAHASAN

Ananlisi deret waktu yang dilakukan pada penyerapan paper towel di Olympia Paper Company meliputi : 1.1 Identifikasi Model Identifikasi model merupakan tahap awal untuk mengecek kestasioneran suatu model.
Time Series Plot of Yt
20

15

Yt

10

0 1 12 24 36 48 60 Index 72 84 96 108 120

Gambar 1. Plot data awal

Mean dari series data Absorbent Paper Towel adalah 11.58391 dan standar deviasinya 4.39583. Menurut plot Time series di atas data berfluktuatif dan tidak stasioner pada rataan dan ragam, sehingga perlu dilakukakan differencing 1 kali.
Time Series Plot of C2
3 2 1 0 C2 -1 -2 -3 -4 1 12 24 36 48 60 Index 72 84 96 108 120

Gambar 2. Plot data sesudah differencing

Setelah dilakukan differencing 1 kali maka didapat plot time series seperti di atas. Plot di atas sudah stasioner dalam rataan dan ragam sehingga bisa dilanjutkan ketahap selanjutnya. Alat yang digunakan pada tahap identifikasi adalah fungsi autokorelasi Fungsi autokorelasi diduga dari data contoh (ACF) dan autokorelasi parsial (PACF). Adapun ACF dan PACF dapat disajikan sebagai berikut :
Autocorrelation Function for C2
(with 5% significance limits for the autocorrelations) 1.0 0.8 0.6 Autocorrelation 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2 4 6 8 10 12 14 16 Lag 18 20 22 24 26 28 30

Gambar 3. Plot ACF Autocorrelation Function: C2


Lag 1 2 3 4 5 6 7 8 9 10 ACF 0.306655 -0.064737 -0.071662 0.104567 0.084132 0.022841 -0.132614 -0.119045 -0.173839 -0.118233 T 3.35 -0.65 -0.71 1.04 0.83 0.22 -1.30 -1.15 -1.66 -1.10 LBQ 11.47 11.99 12.63 14.00 14.89 14.96 17.22 19.06 23.01 24.86

Gambar 4. Output ACF

Partial Autocorrelation Function for C2


(with 5% significance limits for the partial autocorrelations) 1.0 0.8 Partial Autocorrelation 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2 4 6 8 10 12 14 16 Lag 18 20 22 24 26 28 30

Gambar 5. Plot PACF Partial Autocorrelation Function: C2


Lag 1 2 3 4 5 6 7 8 9 10 PACF 0.306655 -0.175255 0.006163 0.133346 -0.009526 0.019915 -0.139654 -0.040763 -0.177555 -0.052701 T 3.35 -1.91 0.07 1.45 -0.10 0.22 -1.52 -0.44 -1.94 -0.57

Gambar 6. Output PACF Menurut plot dan otput data di atas secara explorative dapat terlihat bahwa lag pertama ACF melewati garis merah sehingga dapat dikatakan bahwa lag pertama ACF nyata. Sedangkan pada plot dan output PACF pada lag 1 dan 2 melewati garis merah sehingga pada lag 1 dan 2 nyata. Selain itu dapat dilihat nilai T pada output,apabila nilai T > 1.25 maaka dapat dikatakan bahwa lag tersebut nyata. Model tentatif pada kasus Absorbent Paper Towel berdasarkan plot ACF dan PACF di atas antara lain ARIMA (0,1,2), ARIMA (0,1,3), ARIMA (1,1,0).

Untuk menguji Kestasioneran data digunakan Uji Dickey-Fuller. Hipotesis : H0 : = 0 (tida stasioner) H1 : 0 (stasioner)

Gambar 7. Uji Dickey-Fuller Dilihat dari output di atas nilai p-value = 0.000. sehingga pvalue < (0.05) maka tolak H0 (data sudah stasioner). 1.2 Pendugaan Parameter

Apabila nilai p, d, dan q dapat diidentifikasi, maka selanjutnya dilakukan pendugaan terhadap parameter yaitu
untuk model AR dan untuk MA.

ARIMA (0,1,2)

Residual Plots for diff1


Normal Probability Plot of the Residuals
99.9 99

Residuals Versus the Fitted Values


4 2 0 -2

50 10 1 0.1

-4

-2

0 Residual

Residual

Percent

90

-1

0 Fitted Value

Histogram of the Residuals


4 20 Frequency Residual -2 -1 0 1 Residual 2 3 4 15 10 5 -2 0 2 0

Residuals Versus the Order of the Data

10

20

30

40

50

60

70

80

90 100 110 120

Observation Order

Gambar 8. Residual Plot ARIMA (0,2,1)


ACF of Residuals for diff1
1.0 0.8 0.6 Autocorrelation 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2 4 6 8 10 12

(with 5% significance limits for the autocorrelations)

ARIMA Model: diff1


0.8 0.6

PACF of Residuals for diff1


(with 5% significance limits for the partial autocorrelations)

1.0 Estimates at each iteration

Iteration 0 182.865 1 159.797 2 144.637 3 132.587 4 128.978 5 128.884 6 128.884


14 16 18 20 22 24

SSE 0.100 0.250 0.400 0.550 0.594 0.597 0.597


26 28

Parameters 0.4 0.100 0.108 0.2 0.234 0.022 0.0 0.323 0.002 -0.2 0.373 0.000 -0.4 0.384 0.002 -0.6 0.382 0.003 -0.8 -1.0 0.382 0.003
2 4 6 8 10 12 14 16 Lag 18 20 22 24 26 28

Lag Unable to reduce sum of squares any further

Final Estimates of Parameters Type Coef SE Coef T P Gambar 9. Plot ACF dan PACF ARIMA (0,2,1) MA 1 MA 2 Constant 0.5972 0.3821 0.003035 0.0874 0.0898 0.005683 6.83 4.26 0.53 0.000 0.000 0.594

Differencing: 1 regular difference Number of observations: Original series 119, after differencing 118 Residuals: SS = 128.812 (backforecasts excluded) MS = 1.120 DF = 115 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 11.2 9 0.261 24 19.0 21 0.585 36 27.2 33 0.753 48 41.9 45 0.604

Partial Autocorrelation

Gambar 10. Output ARIMA (0,1,2)

ARIMA (0,1,3)
Residual Plots for diff1
Normal Probability Plot of the Residuals
99.9 99

Residuals Versus the Fitted Values


4 2 0 -2

50 10 1 0.1

-4

-2

0 Residual

Residual

Percent

90

-1

0 Fitted Value

Histogram of the Residuals


24 Frequency Residual -2 -1 0 1 Residual 2 3 18 12 6 -2 0 4 2 0

Residuals Versus the Order of the Data

10

20

30

40

50

60

70

80

90 100 110 120

Observation Order

Gamabar 12. Plot Residual ARIMA (0,1,3)


ACF of Residuals for diff1
(with 5% significance limits for the autocorrelations) 1.0 0.8 0.4 ARIMA (1,1,0) Autocorrelation 0.2 -0.2 -0.4 -0.6 -0.8 -1.0 2 4 6 8 10 12 14 16 Lag 18 20 22 24 26 28 Partial Autocorrelation 0.6 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2 4 6 8 10 12 14 16 Lag 18 20 22 24 26 28

PACF of Residuals for diff1


(with 5% significance limits for the partial autocorrelations)

Diagnostik

0.0

Gambar 13. Plot ACF dan PACF ARIMA (0,1,3)

ARIMA Model: diff1


Estimates at each iteration Iteration 0 179.453 1 152.996 2 135.640 3 128.501 4 127.607 5 127.169 6 126.269 7 125.639 8 125.323 9 125.272 10 124.282 11 124.226 12 124.184 13 124.139 14 124.096 15 124.057 16 124.022 17 123.990 18 123.961 19 123.933 20 123.908 SSE 0.100 0.250 0.400 0.537 0.546 0.546 0.550 0.552 0.552 0.554 0.554 0.554 0.554 0.555 0.555 0.555 0.555 0.555 0.555 0.555 0.555 0.100 0.246 0.359 0.364 0.370 0.370 0.373 0.376 0.377 0.379 0.381 0.381 0.381 0.381 0.381 0.382 0.382 0.382 0.382 0.382 0.382 Parameters 0.100 0.108 0.187 0.013 0.214 -0.002 0.087 0.004 0.092 0.004 0.092 0.004 0.095 0.004 0.098 0.004 0.100 0.004 0.105 0.004 0.108 0.004 0.109 0.004 0.109 0.004 0.109 0.004 0.109 0.004 0.110 0.004 0.110 0.004 0.110 0.004 0.110 0.004 0.110 0.004 0.110 0.004

Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type MA 1 MA 2 MA 3 Constant Coef 0.5554 0.3821 0.1103 0.004187 SE Coef 0.0335 0.0998 0.0824 0.003472 T 16.59 3.83 1.34 1.21 P 0.000 0.000 0.183 0.230

Differencing: 1 regular difference Number of observations: Original series 119, after differencing 118 Residuals: SS = 123.765 (backforecasts excluded) MS = 1.086 DF = 114 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 10.1 8 0.258 24 17.3 20 0.632 36 25.7 32 0.778 48 39.2 44 0.675

Gambar 14. Output ARIMA (0,1,3)

ARIMA (1,1,0)
Residual Plots for diff1
Normal Probability Plot of the Residuals
99.9 99

Residuals Versus the Fitted Values


4 2 Residual 0 -2 -4

Percent

90 50 10 1 0.1

-5.0

-2.5

0.0 Residual

2.5

5.0

-2

0 Fitted Value

Histogram of the Residuals


20 Frequency Residual -3 -2 -1 0 1 Residual 2 3 15 10 5 0 4 2 0 -2 -4

Residuals Versus the Order of the Data

10

20

30

40

50

60

70

80

90 100 110 120

Observation Order

ARIMA Model: diff1 Gambar 15. Plot Residual ARIMA (1,1,0)


Estimates at each iteration
ACF of Residuals for diff1
1.0 0.8 0.6 Autocorrelation 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2 4 6 8 10 12 14

(with 5% significance limits for the autocorrelations)

Partial Autocorrelation

Iteration SSE Parameters PACF of Residuals for diff1 0 210.892 0.100 0.097 (with 5% significance limits for the partial autocorrelations) 1 195.162 -0.050 0.047 1.0 2 188.752 -0.200 0.006 0.8 3 188.561 -0.229 0.004 0.6 4 188.560 -0.231 0.004 0.4 5 188.560 -0.231 0.004 0.2 6 188.560 -0.231 0.004 0.0
-0.2 -0.6 -0.8

Relative change in each estimate less than 0.0010 -0.4 Final Estimates of Parameters -1.0 Type Lag AR 1 Constant
16 18

Gambar 16. Plot ACF dan PACF ARIMA (1,1,0)


Differencing: 1 regular difference Number of observations: Original series 119, after differencing 118 Residuals: SS = 188.497 (backforecasts excluded) MS = 1.625 DF = 116 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 28.2 10 0.002 24 38.4 22 0.017 36 48.9 34 0.047 48 61.2 46 0.066

Coef -0.2313 0.0040

20

22

24

26

SE Coef 0.0909 0.1174

28

T -2.54 0.03

P 0.012 0.973

10

12

14 16 Lag

18

20

22

24

26

28

Gambar 17. Output ARIMA (1,1,0) Dari ketiga model tentative di atas yaitu ARIMA (0,1,2), ARIMA (0,1,3), ARIMA (1,1,0) dapat diketahui bahwa nilai p-value MA 3 pada ARIMA (0.1.3) > sehingga model tersebut tidak layak. Sedangkan untuk model ARIMA (0,1,2) dan ARIMA (1,1,0) nyata yaitu terlihat dari p-value < . Tetapi dari kedua model tersebut Model ARIMA (0,1,2) mempunyai nilai mean square (MS) lebik kecil dibandingkan model ARIMA (1,1,0) sehingga dipilih .
1.3

Diagnostik Model Diagnostik model dilakukan untuk memeriksa sisaan melalui pemeriksaan asumsi :

1.3.1

Kehomogenan

Acak dan Kehomogenan sisaan dapat dilihat melalui plot sisaan ACF dan PACF. Pada model ARIMA (0,1,2) dilihat secara eksploratif tidak ada lag yang nyata sehingga dapat dikatakan bahwa model tersebut acak. Selain itu dapat juga dilihat dari plot sisaannya, pada plot sisaan ARIMA (0,1,2) menyebar di sekitar 0 dan lebar pita sama sehingga dapat dikatakan homogen. 1.3.2 Kenormalan Kenormalan sisaan dapat dilihat melalui Uji Kolmogorof-Smirnov H0 : Sisaan menyebar normal H1 : Sisaan tidak menyebar normal
Probability Plot of RESI8
Normal
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N KS P-Value 0.05319 1.048 118 0.044 >0.150

Percent

-4

-3

-2

-1

0 RESI8

Gambar 18. Uji Kolmogorof-Smirnov Menurut Uji Kolmogorof-Smirnov di atas nilai p-value > sehingga model

ARIMA (0,1,2) menyebar normal. 1.3.3 Uji kelayakan Model Untu menguji kelayakan model digunakan Uji Ljung-Box-Pierce H0 : data tidak menyimpang dari model

H1 : data menyimpang dari model


Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value 12 11.2 9 0.261 24 19.0 21 0.585 36 27.2 33 0.753 48 41.9 45 0.604

Gambar 19. Output Box-Pierce Dari output di atas terlihat bahwa semua nilai p-value > maka tidak tolak H0, sehingga data tidak menyimpang dari model. Diagnostik model dapat pula dilakukan melalui overfitting yaitu dengan manmbahkan satu ordo yang lebih tinggi yaitu dari ARIMA (0,1,2) menjadi ARIMA (0,1,3).
Final Estimates of Parameters Type MA 1 MA 2 MA 3 Constant Coef 0.5554 0.3821 0.1103 0.004187 SE Coef 0.0335 0.0998 0.0824 0.003472 T 16.59 3.83 1.34 1.21 P 0.000 0.000 0.183 0.230

Gambar 20. Output Overfitting Nilai p-value pada MA (3) > sehingga parameternya tidak nyata, maka tidak perlu dilanjutkan pada diagnostic model dan forcasting. Dapat disimpulkan bahwa model yang paling layak adalah ARIMA (0,1,2) yaitu model sebelum dilakukan overfitting.
1.4

Forcasting (Peramalan)

Peramalan merupakan sasaran sari analisis deret waktu yang dilakukan oleh Olympia Paper Company yang dilakukan berdasarkan pada sampel data deret waktu univariat, dengan memperhatikan model hubungan antar pengamatan dan proses ekstrapolasi atau transformasi data. Dari model yang didapatkan yatu ARIMA (0,1,2) dapat dilakukan peramalan. Model ARIMA p(B)dZt = q(B)at maka didapat 0(B)1Zt = 1(B)at Zt = Zt-1 + at 1at-1- at-2. Koefisien-koefisien yang diperoleh dari hasil pemodelan yaitu =0, =0,3364 sehingga diperoleh persamaan Zt = Zt-1 + at (0.5972 at-1)(0.3821 at-2) Forecasts from period 120
95 Percent Limits Period Forecast Lower Upper Actual 121 0.40279 -1.67200 2.47757 122 0.17243 -2.06436 2.40922 123 0.17547 -2.06174 2.41267 124 0.17850 -2.05912 2.41612 125 0.18154 -2.05649 2.41957 126 0.18457 -2.05387 2.42301 127 0.18761 -2.05125 2.42646 128 0.19064 -2.04862 2.42991 129 0.19368 -2.04600 2.43336 130 0.19671 -2.04338 2.43680

Gambar 21. Forcasting

IV. KESIMPULAN

Dari data Absorbent Paper Towel Olympia Paper Company didapat model ARIMA (0,1,2) dari hasil differencing satu kali. Data ini sudah memenuhi semua asumsi yaitu kehomogenan dapat dilihat dari plot ACF PACF dan plot sisaan, asumsi kenormalan dapat dilihat melalui uji Kolmogorof-Smirnov dan uji box-pierce untuk kelayakan model. Sehingga dari hasil pemodelan dapat dilakukan peramalan.

DAFTAR PUSTAKA

Mulyana. 2004. Buku Ajar Analisis Deret Waktu. Diterbitkan oleh Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran. Sadik, Kusman. 2010. Handout Slide Mata Kuliah Analisis Deret Waktu. Diterbitkan oleh Departemen Statistika (STK), Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) IPB.

Lampiran Data
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 Yt 15 14.4064 14.9383 16.0374 15.632 14.3975 13.8959 14.0765 16.375 16.5342 16.3839 17.1006 17.7876 17.7354 17.001 17.7485 18.1888 18.5997 17.5859 15.7389 13.6971 15.0059 16.2574 14.3506 11.9515 12.0328 11.2142 11.7023 12.5905 12.1991 10.7752 10.1129 9.933 11.7435 12.259 12.5009 11.5378 9.6649

39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81

10.1043 10.3452 9.2835 7.7219 6.83 8.2046 8.5289 8.8733 8.7948 8.1577 7.9128 8.7978 9.0775 9.3234 10.4739 10.6943 9.8367 8.1803 7.2509 5.0814 1.8313 -0.9127 -1.3173 -0.6021 0.14 1.403 1.928 3.5626 1.9615 4.8463 6.5454 8.0141 7.9746 8.4959 8.4539 8.7114 7.378 8.1905 9.972 9.693 9.4506 11.2088 11.4986

82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120

13.2778 13.591 13.4297 13.3125 12.7445 11.7979 11.7319 11.6523 11.3718 10.5502 11.4741 11.5568 11.7986 11.8867 11.2951 12.7847 13.9435 13.6859 14.1136 13.8949 14.2853 16.3867 17.0884 15.8861 14.8227 15.9479 15.0982 13.877 14.2746 15.1682 15.3818 14.1863 13.9996 15.2463 17.0179 17.2929 16.6366 15.341 15.6453