MAKALAH

NOTASI, TEKNIK, ASUMSI SERTA PENERAPAN METODE BOX JENKINS (ARIMA)

(Studi Kasus : Peramalan Permintaan Paving Blok pada PT. Benawa Putra)

Diajukan Sebagai Salah Satu Tugas Akhir Semester

Mata Kuliah Teknik Proyeksi Bisnis

Dosen Pengampu : Dr. Musnaini, S.E., M.M.

Disusun Oleh :

Shinta Adelia Sari (C1C019004)

KELAS R-003

FAKULTAS EKONOMI & BISNIS

UNIVERSITAS JAMBI

2021
 KATA PENGANTAR

Dengan menyebut nama Allah SWT yang Maha Pengasih lagi Maha Penyayang,
kami panjatkan puji syukur atas kehadirat-Nya, yang telah melimpahkan rahmat,
hidayah, dan inayah-Nya kepada kami, sehingga kami dapat menyelesaikan makalah
Teknik Proyeksi Bisnis dengan materi “Notasi, Teknik, Asumsi Serta Penerapan
Metode Box Jenkins (Arima) (Studi Kasus : Peramalan Permintaan Paving Blok
pada PT. Benawa Putra)”.

Adapun makalah ini telah kami usahakan semaksimal mungkin dan tentunya
dengan bantuan berbagai pihak, sehingga dapat memperlancar pembuatan makalah ini.
Untuk itu kami tidak lupa menyampaikan banyak terima kasih kepada pihak yang telah
membantu kami dalam pembuatan makalah ini.

Tidak lepas dari semua itu, kami menyadari sepenuhnya bahwa ada kekurangan
baik dari segi penyusunan bahasa maupun segi lainnya. Oleh karena itu, kami senantiasa
mengharapkan masukan yang bersifat membangun demi kesempurnaan makalah kami di
masa yang akan datang.

Akhir kata kami berharap semoga makalah yang kami buat dapat memberikan
manfaat maupun inpirasi terhadap pembaca.

Jambi, 08 Desember 2021

Penyusun
DAFTAR ISI
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Peramalan (forecasting) merupakan suatu kegiatan untuk memprediksi apa yang akan
terjadi di masa mendatang dengan memperhatikan dan mempertimbangkan data-data yang
tersedia dari masa lampau. Peramalan kerap kali digunakan sebagai perencanaan dan operasi
kontrol dalam berbagai bidang seperti manajemen produksi, sistem inventori, kontrol
kualitas, perencanaan keuangan, dan analisis investasi. Selain itu, peramalan juga digunakan
sebagai alat pembuatan keputusan untuk pengeluaran, perencanaan, dan estimasi
pertumbuhan di masa yang akan datang.

Kondisi perekonomian Indonesia saat ini membawa pengaruh dalam pola konsumsi
termasuk pada jasa pembuatan paving blok. Makin meningkatkan usaha sejenis membuat
perusahaan Benawa Putra ini menghadapi tuntutan persaingan. Mengglobalnya sistem bisnis
telah mengubah cara manusia berkomunikasi, hidup dan bekerja. Perubahan teknologi di era
reformasi baru ini memang memiliki segalanya, bahkan hambatan–hambatan tradisional yang
dulu ada kini telah hilang. Perubahan-perubahan ini mempunyai pengaruh yang sangat besar
terhadap operasi perusahaan.

Dewasa ini telah dikembangkan sejumlah metode peramalan dengan berbagai

asumsi mengenai data yang akan diramalkan untuk masa yang akan datang. Dengan
adanya berbagai metode peramalan diharapkan akan tercipta suatu aplikasi dan
implementasi yang lebih baik yang dapat terwujud di berbagai bidang kehidupan
yang salah satunya adalah bidang usaha paving blok. Tingginya tingkat persaingan
mendorong tumbuhnya perusahaan yang bergerak di bidang usah paving blok yang salah
satunya adalah PT. Benawa Putra banjarbaru.

Persaingan usaha di bidang pembuatan paving blok yang harus dihadapi PT. Benawa
Putra, khususnya di daerah Banjarbaru, semakin berat. Hal ini dibuktikan dengan semakin
banyaknya usaha sejenis. Untuk menghadapi tuntutan persaingan pasar perlu dilakukan
 analisa lingkungan usaha yang terus berkembang dan memprediksi segala yang dapat
mempengaruhi kelangsungan usahanya. Permasalahan yang ada di Benawa Putra saat ini
adalah belum adanya sistem peramalan yang dapat memprediksi permintaan pasar akan
produk paving blok. Saat ini masih perusahaan masih belum melakukan analisa terhadap
kemungkinan permintaan paving diwaktu mendatang yang menyebabkan permasalahan
dalam perencanaan produksi. Melihat permasalahan diatas, diperlukan suatu sistem
peramalan permintaan paving yang memilki tingkat keakuratan yang baik sehingga tidak
akan terjadi kekurangan atau kelebihan stok barang untuk memenuhinya kebutuhan proyek
pemasangan paving.

Perancangan model peramalan permintaan paving memerlukan suatu metode yang

memungkinkan data hasil peramalan yang mendekati data yang sebenarnya yang dapat
digunakan untuk memprediksi kapan waktu permintaan paving banyak dan kapan perminttan
paving tidak terlalu banyak. Metode yang digunakan pada peramalan ini adalah metode
ARIMA, kelebihan dari metode ini dapat menerima semua jenis model data walaupun dalam
prosesnya harus distasionerkan dulu. Serta metode ini lebih akurat jika digunakan untuk
peramalan jangka pendek. Karena untuk peramalan jangka panjang metode ini akan
cenderung flat. Dengan metode ini diharapkan data hasil peramalan memiliki tingkat
keakuratan tinggi sehingga dapat digunakan perusahaan untuk memprediksi peramalan
permintaan pasar untuk melakukan perencanaan produksi dimasa mendatang sehingga tidak
terjadi kekurangan atau kelebihan stok.

Berdasarkan uraian di atas, maka penulis ingin meramalkan permintaan paving blok
dengan menggunakan metode peramalan, yaitu metode Box-Jenkins. Untuk itu, penulis
tertarik mengambil judul “ “Notasi, Teknik, Asumsi Serta Penerapan Metode Box Jenkins
(Arima) (Studi Kasus : Peramalan Permintaan Paving Blok pada PT. Benawa Putra)”.

1.2 Rumusan Masalah

1. Apa itu Metode Box Jenkins?
2. Bagaimana Notasi Metode Box Jenkins (Arima)?
3. Bagaimana Teknik Metode Box Jenkins (Arima)?
 4. Bagaimana Asumsi Metode Box Jenkins (Arima)?
5. Bagaimana Penerapan Metode Box Jenkins (Arima)?
6. Bagaimana Contoh Studi Kasus Pada Metode Box Jenkins (Arima)?

1.3 Tujuan Penulisan

1. Untuk mengetahui tentang Box Jenkins.
2. Untuk mngetahui Notasi Metode Box Jenkins (Arima).
3. Untuk mngetahui Metode Box Jenkins (Arima).
4. Untuk mngetahui Asumsi Metode Box Jenkins (Arima).
5. Untuk mngetahui Penerapan Metode Box Jenkins (Arima) Serta,
6. Untuk mngetahui Contoh Studi Kasus Pada Metode Box Jenkins (Arima).

1.4 Manfaat Penulisan

Penulisan makalah ini diharapkan dapat memberikan manfaat untuk menambah
wawasan mahasiswa dan umum dalam memahami sebuah studi mengenai mata kuliah
Teknik Proyeksi Bisnis khususnya pada materi Notasi, Teknik, Asumsi Serta Penerapan
Metode Box Jenkins (Arima) terhadap studi kasus yang tertera.
 BAB II
PEMBAHASAN

2.1 Metode box Jenkins (Arima)

Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing.
kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah,
dalam penentuan peramalan terbaik ini cukup sulit. tapi salah satu tehnik peramalan paling
sering digunakan adalah ARIMA (autoregresif integreted moving average). ARIMA ini
sering juga disebut metode runtun waktu box-jenkins. Model ARIMA adalah model yang
secara penuh mengabaikan independen varibel dalam pembuatan peramalan. ARIMA
menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan
peramalan jangka pendek yang akurat. namun untuk peramalan jangka panjang ketepatan
peramalannya kurang baik. Model yang dapat menjelaskan pergerakan suatu data time series
dengan cara menghubungkan data tersebut dengan: (i)data masa lalu (AR) dan/atau
(ii)deviasi random saat saat ini dan masa lalu (MA) .

Tujuan ARIMA adalah untuk menentukan hubungan statistik yang baik antar variabel
yang diramal dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan
dengan model tersebut. ARIMA digunakan untunk suatu variabel (univariate) deret waktu.
untuk mempermudah dalam menghitung model ARIMA dapat digunakan berbagai aplikasi
diantaranya EViews, Minitab, SPSS,dll. Model ARIMA dibagi dalam 3 unsur, yaitu: model
autoregresif (AR), moving average (MA), dan Integreted (I). ketiga unsur ini bisa
dimodifikasi sehingga membentuk model baru. misalnya model autoregresif dan moving
average (ARMA). namun, apabila mau dibuat dalam bentuk umumnya menjadi
ARIMA(p,d,q). p menyatakan ordo AR, d menyatakan ordo Integreted dan q menyatakan
ordo moving avirage. apabila modelnya menjadi AR maka model umumnya menjadi
ARIMA(1,0,0). Adapun tahap-tahapan pembuatan model ARIMA (p,d,q) atau lebih dikenal
dengan metode Box Jenkins adalah sebagai berikut:
1. Plot data
Langkah pertama yang harus dilakukan adalah memplot data asli, dari plot data tersebut
bisa dilihat apakah data sudah stasioner. Jika data belum stasionerdalam mean maka
dilakukan proses differencing.

2. Identifikasi Model
Setelah data stasioner dalam mean langkah selanjutnya adalah melihat plot ACF dan
PACF. Dari kedua plot data tersebut bisa diidentifikasi beberapa kemungkinan model
yang cocok digunakan pada peramalan runtun waktu .

3. Estimasi Model
Setelah berhasil menetapkan beberapa kemungkinan model yag cocok dan menestimasi
parameternya, lalu dilakukan uji signifikansi pada koefisien. Bila koefisien dari model
tidak signifikan maka model tersebut tidak layak digunakan untuk peramalan.

4. Uji Asumsi Residual

Dari beberapa model yang signifikan itu dilakukan uji asumsi residual.

5. Pemilihan Model Terbaik

Hal yang harus diperhatikan dalam mengambil model adalah sebagai berikut:
A. Prinsip parsimony yaitu model harus sesederhana mungkin. Dalam arti mengandung
sesedikit mungkin parameternya sehinggamodel lebih stabil.
B. Model sebisa mungkin memenuhi (paling tidak mendekati) asumsi-asumsi yang
melandasinya.
C. Dalam perbandingan model, selalu dipilih model yang memiliki tingkat akurasi
paling tinggi, yaitu yang memberikan galat terkecil.

6. Peramalan
Langkah terakhir dari proses runtun waktu adalah prediksi atau peramalan dari model
yang dianggap paling baik, dan bisa diramalkan nilai beberapa periode kedepan.
 Secara spesifik yang akan dianalisis dalam metode Box-Jekins:
1. Model MA sederhana untuk proses stasioner

2. Model AR sederhana untuk proses stasioner.

3. Model-model campuran antara AR dan MA untuk proses stasioner

4. Model integrasi antara AR dan MA untuk proses tidak stasioner

2.2 Notasi Metode Box Jenkins (Arima)

Notasi yang digunakan dalam ARIMA adalah notasi yang mudah dan umum. Adapun
model Box Jenkins, yaitu:
a. Model Moving Averge (MA)
Menunjukkan bahwa nilai prediksi variabel dependen hanya dipengaruhi oleh
nilai residual sebelumnya. Moving average (MA) juga digunakan untuk menjelaskan
suatu fenomena bahwa suatu observasi pada waktu t dinyatakan sebagai kombinasi linier
dari sejumlah eror acak. Jika nilai variabel hanya dipengaruhi nilai residual satu periodr
sebelumnya maka dizsebut dengan model Model MA tingkat pertama disingkat dengan
MA (1) yang dapat ditulis dalam bentuk persamaan sebagai berikut:

b. Model Autoreggressive

Model AR menunjukkan nilai prediksi variable dependent hanya

merupakan fungsi linear dari sejumlah aktual sebelumnya misalnya nilai variable
dependent hanya dipengaruhi oleh nilai variable tersebut satu periode sebelumnya atau
kelambanan pertama, maka model tersebut disebut model autoregressive tingkat pertama
atau disingkat AR

c. Model Autogressive Integrated Moving Average (Arima)

 Arima adalah model dengan data yang stationer melalui proses differencing.
ARIMA juga merupakan salah satu model yang populer dalam peramalan data runtun
waktu. Proses ARIMA (p,d,q) merupakan model runtun waktu ARMA(p,q) yang
memperoleh differencing sebanyak d. Proses ARMA (p,q) adalah suatu model campuran
antara autoregressive orde p dan moving average orde q.

Model ARIMA dibagi dalam 2 bentuk, yaitu model ARIMA tanpa musiman dan
model ARIMA musiman. model ARIMA tanpa musiman merupakan model ARIMA
yang tidak dipengaruhi oleh faktor waktu musim. bentuk umum dapat dinyatakan dalam
persamaan berikut.

sedangkan ARIMA musiman merupakan model ARIMA yang dipengaruhi oleh

faktor waktu musim. model ini biasa disebut Season ARIMA(SARIMA). bentuk umum
dinyatakan sebagai berikut.

Kemudian, dari adanya model metode Box Jenkins adapun Notasi dalam Box Jenkins
sebagai berikut:
a. Model Autoregressive ( AR)
Model yg menggambarkan bahwa variabel dependen dipengaruhi oleh variabel
dependen itu sendiri pada periode sebelumnya.
 Yt = ø0 + ø1Yt-1 +....+ øpYt-p + Ɛt

– Yt = nilai variabel dependen pada waktu t

= variabel independen yg mrp lag dari variabel dependen periode sebelumnya

– ø = intersep

– ø1 ,ø2 ,ø3 =koefisien autoregresive

– Ɛt = residual pada waktu t

 Orde dari model AR ditentukan oleh jumlah periode variabel independen yg
masuk dalam model.
Contoh :

• Yt = ø0 + ø1Yt-1 → model AR orde 1 dgn notasi ARIMA ( 1,0,0)

• Yt = ø0 + ø1Yt-1 + ø2Yt-2 → model AR orde 2 dgn notasi ARIMA ( 2,0,0)

b. Model Moving Average (MA)

 Yt = w0 + Ɛt - w1Ɛt-1 - w2Ɛt-2 - ... - wqƐt-q
Yt = variabel dependen waktu t
Ɛt-1 , Ɛt-2 ,...., Ɛt-q = nilai residual sebelumnya (lag)
w1 ,w2 , ...., wq = koefisien model MA yg menunjukkan bobot Ɛt = residual

Orde model MA ( yg di beri notasi q) ditentukan oleh jumlah periode variabel

independen yg masuk dalam model.

• Yt = w0 + Ɛt - w1Ɛt-1 → model MA orde 1 dgn notasi arima (0,0,1)

• Yt = w0 + Ɛt - w1Ɛt-1 - w2Ɛt-2 → model MA orde 2 dengan notasi ARIMA (0,0,2)

2.3 Asumsi Metode Box Jenkins (Arima)

Model arima berasumsi bahwa data runtut waktu yang diproses bersifat stasioner.
Data runtut waktu yang bersifat non stasioner dapat distasionerkan melalui proses
pembedaan. Proses pembedaan dapat melalui beberapa tingkatan (orde), dimulai dari
pembedaan tingkat pertama (first difference), pembedaan tingkat kedua (second difference),
dan seterusnya. Proses pembedaan ini dilakukan sampai diperoleh model ARIMA yang
baik untuk melakukan peramalan.

Kelompok model time series yang termasuk metode ini antara lain Auto Regressive,
Moving Average, dan Autoregressive moving average dan ARIMA:
1. Metode Autoregressive
Model ini pertama kali diperkenalkan oleh Yule pada tahun 1926 dan
dikembangkan oleh walker pada tahun 1931, model ini memilki asumsi bahwa data
periode sekarang dipengaruhi oleh data pada periode sebelumnya. Bentuk umum model
autoregressive dengan ordo p atau model ARIMA (p,0,0) dinyatakan sebagai berikut:

2. Model rata rata bergerak

Proses moving average bororde q menyatakan hubungan ketergantungan antara
nilai pengamatan Yt dengan nilai kesalahan yang beruntun dari periode t-q. Model
moving average pertama kali diperkenalkan oleh slutzky pada tahun 1973 dengan orde q
ditulis MA (q) atau ARIMA (0,0,q) bentuk umumnya daapt dinyatakan sebagai berikut:

3. Model ARMA
Model Ar dan MA dapat disatukan menjadi model yang dikenal dengan
Autoregressive moving Average sehingga memilikin asumsi bahwa data periode
sekarang dipengaruhi oleh data periode sebelumnya dan nilai sisaan pada nilai
sebelumnya. Model ARMA dengan periode p dan q ditulis ARMA (p,q) atau ARIMA
(p,0,q). Model umum untuk campuran proses AR(1) murni dan MA(1) murni, misal
ARIMA (1,0,1) dinyatakan sebagai berikut:

4. Model ARIMA
Model AR,MA dan ARMA menggunakan asumsi bahwa data deret waktu yang
dihasilkan sudah bersifat stasioner. Pada kenyataanya dataderet waktu lebih banyak
bersifat non stasioner. Jika data tidak stasioner maka metode yang digunakan untuk
 membuat data stasioner adalh differencing untuk data tidak stasioner dalam rata dan
proses transformasi untuk data yang tidak stasioner dalam varian. Persamaan untuk
beberapa model ARIMA adalah sebagai berikut:
1. Model ARIMA (1,1,1)

2. Model ARIMA (1,1,2)

3. Model ARIMA (0,1,1)

2.4 Penerapan Metode Box Jenkins (Arima)

Metode peramalan dengan menggunakan ARIMA dapat kita jumpai dalam
peramalan ekonomi, analisis anggaran, kontrol terhadap proses dan kualitas, analisis
sensus, perubahan struktur harga industri, inflasi, indeks harga saham, perkembangan nilai
tukar terhadap mata uang asing. Pada makalah ini penerapan metode Box-Jenkins (Arima)
dilakukan pada peramalan permintaan Pavin Blok di Pt. Benawa Putra.

2.5 Contoh Studi Kasus Metode Box Jenkins (Arima)

STUDI KASUS : Peramalan Permintaan Paving Blok pada PT. Benawa Putra
 Permasalahan yang ada di Benawa Putra saat ini adalah belum adanya sistem peramalan
yang dapat memprediksi permintaan pasar akan produk paving blok. Saat ini masih
perusahaan masih belum melakukan analisa terhadap kemungkinan permintaan paving
diwaktu mendatang yang menyebabkan permasalahan dalam perencanaan produksi. Melihat
permasalahan diatas, diperlukan suatu sistem peramalan permintaan paving yang memilki
tingkat keakuratan yang baik sehingga tidak akan terjadi kekurangan atau kelebihan stok
barang untuk memenuhinya kebutuhan proyek pemasangan paving blok.

Gambaran Sistem
Model peramalan permintaan paving ini merupakan sebuah model peramalan yang
menyediakan data peramalan permintaan paving diwaktu waktu mendatang, yang dapat
membantu PT benawa Putra dalam melakukan perencanaan produksi paving sehingga
ketersediaan barang produksi tidak mengalami kekurangan atau kelebihan stok. Sistem ini
akan meramalakan permintaan paving selama 6 bulan kedepan.Adapun tahapan tahapan yang
akan dilalui dalam peramlan ini yaitu:
1. Identifikasi Model ARIMA
Langkah pertama dalam proses peramalan arima adalah menyiapkan data. Data
yang digunakan untuk peramalan adalah data permintaan paving bulanan dari bulan
Januari 2012 sampai bulan Juni 2014 sebagai data training dan data bulan Juli sampai
desember 2014 digunakan sebagai data testing.
Tabel 2.1 Data Permintaan
Bulan Bulan Bulan
Permintaan Permintaan Permintaan
Ke Ke Ke
1 32500 11 60800 21 90380
2 23350 12 73216 22 97050
3 26000 13 64210 23 82370
4 64655 14 89280 24 108011
5 54941 15 84412 25 96920
6 30200 16 40500 26 121960
7 34710 17 96291 27 58032
8 22650 18 56780 28 123558
9 62100 19 66397 29 77100
 10 57000 20 86380 30 51872

Dari permintaan paving di benawa putra tahun 2012 sampai bulan juni 2014
dibuat grafik sebagai berikut:
Gambar 2.1 Grafik data permintaan

Time Series Plot of permintaan

120000

100000

80000

60000

40000
3 6 912 1518 21242730
Index

20000

Apabila data sudah stasioner maka asumsi metode ARIMA telah terpenuhi.
Apabila belum maka dilakukan differensiasi dimana hasil differensiasinya sebagai
berikut:
Tabel 2. 2Data differensiasi

periode Data differensiasi Periode Data differensiasi

1 -9150 16 55791
2 2650 17 -39511
3 38655 18 9617
4 -9714 19 19983
5 -24741 20 4000
6 4510 21 6670
7 -12060 22 -14680
8 39450 23 25641
9 -5100 24 -11091
10 3800 25 25040
11 12416 26 -63928
 12 -9006 27 65526
13 25070 28 -46458
14 -4868 29 -25228
15 -43912

Dan grafik differensiasi dari data permintaan paving di benawa putra adalah
sebagai berikut:

Gambar 2.2 Grafik data differensiasi

Time Series Plot of differensiasi

75000

50000

25000

-25000

-50000

36912 1518 21242730

Index

2. Identifikasi Model
Langkah selanjutnya adalah membuat plot autokorelasi (ACF) dan
autokorelasi parsial untuk mengidentifikasi model ARIMA yang cocok digunakan.
Selain untuk mengidentifikasi kestasioneran data, plot ACF dan PACF juga dapat
digunakan untuk mengidentifikasi model apa yang sesuai dengan uji teori statistik.
Table ACF dan PACF dapat dilihat seperti berikut ini:

Tabel 2.3 Tabel ACF dan PACF

 Time
Lag Acf pacf
1 -0.586313 -0.586313
2 0.175424591 -0.256520627
3 -0.004825055 -0.042391993
4 -0.047125813 -0.041031366
5 0.087064296 0.063946967
6 -0.083900419 0.005323575
7 -0.014351882 -0.102944542
8 0.039419871 -0.063691071

3. Estimasi Model ARIMA

Setelah didapatkan model model ARIMA yang mungkin, langkah selanjutnya
adalah mengestimasikan parameternya. Langkah estimasi parameter dari model model
diatas adalah dengan melakukan uji hipotesis untuk setiap parameter koefisien yang
dimiliki setiap model. Setiap model yang digunakan harus memenuhi persyaratan sesuai
uji teoritisnya

4. Pemilihan Model Terbaik

Setelah melakukan estimasi parameter untuk masing masing model sehingga
dihasilkan beberapa model yang memenuhi persyaratan untuk peramalan, maka
selanjutnya dilakukan pemilihan model terbaik dari semua kemungkinan model
dengan melihat ukuran standar ketepatan peramalan.

Tabel 2.4 Data MSE Model

No MSE (1,1,1) MSE( 0,1,1) MSE (1,1,2)

1 20,067.14 14,008.16 3,296.48

5. Peramalan

Langkah terakhir dalam analisis runtun waktu adalah menentukan

peramalan untuk periode selanjutnya
Pembahasan Tabel 2.5 Hasil Peramalan
Bulan Hasil Peramalan Data Aktual
Ke
31 100483.4318 87860
32 102667.7325 96559
33 104852.0333 102160
34 107036.334 118676
35 109220.6347 127455
36 111404.9355 136306

Pada tabel dapat dilihat bahwa hasil peramalan sudah cukup mendekati dengan
data aktual. Hal ini ditunjukkan bahwa semua data mengalami grafik meningkat
seiring pertambahan waktu. Hal ini membuktikan bahwa model (0,1,1) lebih sesuai
untuk meramalkan permintaan paving di Benawa Putra jika dibandingkan dengan
model ARIMA yang lain. Namun demikian untuk lebih menambah keakuratan lagi
mungkin bisa dilakukan untuk mengidentifikasi plot data permintaan apakah data
memiliki factor musiman, apabila memiliki faktor musiman sebaiknya faktor tersebut
diperhitungan. Pengidentifikasian plot data awal akan sangan menentukan tingkat
keakuratan pada permalan dengan metode ARIMA. Karena hal tersebut akan
menentukan model mana yang paling sesuai digunakan untuk permalan. Apakah data
sudah stasioner atau data masih memerlukan differensiasi. Hal itu sangat krusial dalam
model model mana yang memenuhi persyaratan peramalan ARIMA dan juga tentunya
memiliki MSE yang terkecil sehingga kemungkinan selisih pada peramalan tidak
terlalu jauh.
 BAB III
PENUTUP

3.1 Kesimpulan
Model ARIMA adalah model yang secara penuh mengabaikan independen varibel
dalam pembuatan peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari
variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. namun untuk
peramalan jangka panjang ketepatan peramalannya kurang baik. Tujuan ARIMA adalah
untuk menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai
historis variabel tersebut sehingga peramalan dapat dilakukan dengan model tersebut.
ARIMA digunakan untunk suatu variabel (univariate) deret waktu. untuk mempermudah
dalam menghitung model ARIMA dapat digunakan berbagai aplikasi diantaranya EViews,
Minitab, SPSS,dll. Dalam ha ini model ARIMA ini merupakan salah satu metode yang sesuai
dalam meramalkan permintaan pavig blok PT. Benawa Putra. Adapun data yang diambil
yaitu data permintaan paving di benawa putra tahun 2012 sampai bulan juni 2014. Dan
Model ARIMA yang sesuai untuk digunakan dalam peramalan permintaan paving blok pada
PT. Benawa Putra adalah model ARIMA (0,1,1).

3.2 Saran
Hasil analisis yang diperoleh dalam penelitian terhadap studi kasus ini hanya berlaku
untuk data permintaan paving blok PT. Benawa Putra. Untuk memperoleh data hasil
peramalan yang akurat dalam penelitian selanjutnya faktor musiman harus diperhitungkan
apabila data yang gunakan terdapat gejala musiman.
DAFTAR PUSTAKA