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

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

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

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

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

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

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

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

5. 6. 7. 8. 9.

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

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

1,0 0,8

800000

0,6 Autocorrelation
700000 penjualan

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

600000

500000

400000

-0,8 -1,0
Jan 2002 Jan 2003 Jan 2004 Jan 2005 Jan 2006 Jan 2007 Jan 2008

300000 Month Jan Year 2001

10

15

20

25

30

35

40 Lag

45

50

55

60

65

70

75

Gambar 1. Plot Time series Data Volume Penjualan Semen

Gambar 2. Plot ACF Data Volume Penjualan Semen

Dari Gambar 1 dapat diketahui data penjualan semen telah stasioner dalam varians namun belum stasioner dalam mean. Selain itu, dari Gambar 2 dapat dijelaskan bahwa untuk plot ACF data volume penjualan semen ialah dies down exponential karena lag turun lambat mendekati nol atau dengan kata lain data belum stasioner dalam mean sehingga perlu dilakukan differencing reguler.
300000 200000 100000 0 diff1 -100000 -200000 -300000 -400000 Month Jan Year 2001

Jan 2002

Jan 2003

Jan 2004

Jan 2005

Jan 2006

Jan 2007

Jan 2008

Gambar 3. Plot Time series Data dengan Differencing 1

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.
1,0 0,8 0,6 Autocorrelation 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 20 25 30 35 40 Lag 45 50 55 60 65 70 75
Partial A utocorrelation 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 20 25 30 35 40 Lag 45 50 55 60 65 70 75

Gambar 4. Plot ACF Data Dengan Differencing 1

Gambar 5. Plot PACF Data Dengan Differencing 1

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

1,0 0,8 0,6 Autocorrelation 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 20 25 30 35 40 Lag 45 50 55 60 65 70 75
Partial Autocorrelation

1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 5 10 15 20 25 30 35 40 Lag 45 50 55 60 65 70 75

Gambar 6. Plot ACF Data Differencing 1 dan 12

Gambar 7. Plot PACF Data Differencing 1 dan 12

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

j = 1,2,, q

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

Lanjutan Tabel 1 MODEL

Parameter AR 1 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

Estimasi -0,25284 -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

P-value 0,0766 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

Keputusan tidak signifikan 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

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

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.
Tabel 2. Uji Asumsi White Noise (L-jung Box) Model ARIMA Uji L-jung Box Lag 6 12 18 24 30 Chi-square 14,82 24,09 31,59 62,38 73,86 DF 4 10 16 22 28 P-value 0,0051 0,0074 0,0113 < 0,001 < 0,001 Chi-square 5,06 9,68 14,41 40,21 42,81 DF 3 9 15 21 27 P-value 0,1673 0,377 0,4945 0,007 0,0274

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) Lag Chi-square DF P-value Chi-square DF P-value Chi-square DF P-value Chi-square DF P-value Chi-square DF P-value 6 3,96 2 0,1382 4,79 3 0,1874 4,82 2 0,0899 4,27 3 0,2334 0,74 3 0,8643 Uji L-jung Box 12 18 24 5,79 12,22 17 8 14 20 0,6707 0,5884 0,653 7,76 14,12 33,16 9 15 21 0,5585 0,5168 0,0445 5,98 12,72 30,92 8 14 20 0,649 0,5484 0,0562 9,94 17,38 21,14 9 15 21 0,3554 0,2968 0,4505 6,09 15,54 23,64 9 15 21 0,7312 0,4132 0,3109 30 23,01 26 0,6325 34,96 27 0,14 32,72 36 0,1705 23,99 27 0,6309 27,86 27 0,4182 36 31,03 32 0,5154 45,09 33 0,0782 40,78 32 0,1375 37,01 33 0,2888 38,76 33 0,2258 Keterangan White noise Tidak White Noise White noise White noise White noise

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

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 D 0,079095 0,071801 0,088984 0,070057 P-value 0,1477 > 0,1500 0,101 > 0,1500 Keterangan Berdistribusi normal Berdistribusi normal Berdistribusi normal Berdistribusi normal

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

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

Metode Analisis Variasi Kalender Pada Gambar 1 diketahui jika volume penjualan semen PT. Semen Gresik berkorelasi positif dengan waktu (t). Selain itu, diketahui jika terjadi penurunan volume penjualan pada pengamatan ke 12, 23, 24, 35, 47, 58, 59, 70, 82, 93 dan 94. Penurunan tersebut terjadi karena pada pengamatan tersebut terjadi periode libur lebaran. Berdasarkan pola tersebut maka model variasi kalender dengan variabel dummy berdasarkan pola seasonal dan pola trend yang terbentuk adalah sebagai berikut: Yt = 504693 + 2551t 88134D1, t 157558D2 ,t 110016D3,t 103574 D4, t 18447 D5, t 9731D6 ,t +

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

PLt

: variabel dummy periode libur lebaran

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

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

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.
1,0 0,8

1,0 0,8 0,6 Partial Autocorrelation 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0
1 10 20 30 40 50 Lag 60 70 80 90

0,6 Autocorrelation 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

10

20

30

40

50 Lag

60

70

80

90

Gambar 8. Plot ACF Residual Model Regresi Dummy

Gambar 9. Plot PACF Residual Model Regresi Dummy

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

Berdasarkan Tabel 5 dapat diketahui bahwa semua parameter model ARIMA (1,0,1), ARIMA (1,0,[1,24]) dan ARIMA([1,24],0,0) adalah signifikan, maka langkah selanjutnya yang dilakukan adalah pengujian asumsi white noise dan berdistribusi normal. Berikut ini adalah hasil uji White Noise untuk model regresi dummy dengan kombinasi model ARIMA (0,0,[1,12]), ARIMA ([1],0[1,12]) dan ARIMA([1],0,[12]).
Tabel 6. Uji White Noise Model ARIMA Residual Model Lag Chi-Square DF P-value Chi-Square DF P-value Chi-Square DF P-value 6 2,51 4 0,6432 3,48 3 0,323 7,07 4 0,1323 Uji L-jung Box 12 18 24 8,04 16,23 35,57 10 16 22 0,6245 0,4371 0,0337 9,13 16,38 22,74 9 15 21 0,4253 0,3573 0,3578 13,04 20,22 27,15 10 16 22 0,2216 0,2103 0,2057 30 40,27 28 0,0625 26,82 27 0,4735 31,45 28 0,2976 36 48,49 34 0,0512 39,38 33 0,206 43,69 34 0,1235 Keterangan Tidak White Noise White Noise White Noise

ARIMA(1,0,1)

ARIMA (1,0[1,24])

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

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

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

Kriteria in-sample AIC 2364,371 2361,436 SBC 2407,964 2402,466

Kriteria Out-sample MSE 7027808091 10530871690 MAPE 0,10067 0,12306

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

t =

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
6. Kesimpulan dan Saran

Volume Penjualan Semen (ton) 696206,4 754706,1 782241,8 825368,3 890204,6 686298,6

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