ISSN 2339-210X
ABSTRAK
Penerimaan suatu penjualan produk atau jasa menjadi salah satu patokan dalam pengambilan keputusan. Semakin
meningkatnya jumlah penjualan tentu saja berpengaruh terhadap nilai penerimaan perusahaan. Oleh karena itu untuk
mendapatkan suatu keputusan yang baik.Peramalan adalah merupakan salah satu alat ukur dalam mendapatkan hasil
peramalan yang akurat diperlukan metode peramalan yang tepat juga. ARIMA (Autoregressive – integreted –Moving
Average) pertama kali dikembangkan oleh George box dan Gwilym jenkins untuk pemodelan analisis deret waktu.ARIMA
sering juga dipanggil box –jenkins model
Kata Kunci: Penjualan mobil, Autoregressive Moving Average ARIMA( Box – Jenkins).
215
216
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X
∑𝑁𝑡=1 𝑌 t
2
= 2.143.296adalah hasil perpangkatan Untuk menentukan ordo dari peroses Autoregressive
dari masing –masing data aktual dapat dilihat dari banyaknya nilai koefisien
[∑𝑁𝑡=1 𝑌 t ]
2
= 171.578 adalah dari hasil autokorelasi parsial yang berbeda nyata dari nol.
perpangkatan dari total data aktual. Dari nilai koefisien autokorelasi parsial yang berada
Sehingga: nyata dari nol, yaitu nilai koefisien autokorelasi
N' =[ 20√𝑁 ∑𝑁 𝑁
𝑡=1 𝑌 t – (∑𝑡=1 𝑌 t ) ]
2 2 2 parsial yang berbeda nyata dari nol, yaitu nilai
∑𝑁𝑡=1 𝑌 t
koefisien model ARIMA tentatif pertama yaitu
ARIMA(1,0,0)
N' =[20 13(171.578) – (1.464)2]2
Dari ordo proses Autoregressive dan ordo
1.464 proses Moving Average diperoleh model ARIMA
N' =[20 2.230.514-2.143.296]2 tentatif yang baru yaitu ARIMA ( 1,0,1). Sehingga
1.464 dimiliki 3(tiga) model ARIMA yakni:
N' =[20 √ 87.218 ]2 1. ARIMA (1,0,0)
1.464 2. ARIMA(0,0,1)
N'=[5.906,5387]2 3. ARIMA(1,0,1)
1.464
N' =[ 4,034521]2 =16.2773 Estimasi parameter Model
Karena N'< N maka data penjualan yang
telah ada pada tabel dapat diterima sebagai sampel. Tahap selanjutnya setelah model ARIMA
Untuk menghitung nilai koefisien autokorelasi dapat Tentatif diperoleh adalah estimasi parameter yaitu
dihitung dengan menggunakan persamaan berikut. mencari nilai estimasi terbaik atau paling efisien
Untuk menghitung nilai koefisien untuk parameter model. Dalam tahap ini akan
autokorelasi dapat dihitung dengan menggunakan diestimasi parameter – parameter yang tidak
persamaan berikut : diketahui yakni φ, ϴ
𝑟𝑘= ∑𝑛−𝑘
𝑡=1 (𝑌t ̶ 𝑌͞ )( Yt + k ̶ Y̶ ) Esimasi Parameter Model ARIMA(1,0,0)
∑𝑛𝑡=1(𝑌 t ̶ Y̶ )2 Dari nilai koefisien autokorelasi parsial, nilai
Dengan : koefisien autokorelasi parsial yang berada nyata dari
Y̶ =∑𝑛𝑡=1 𝑌t nol adalah nilai koefisien autokorelasi parsial ,maka
n model persamaannya menjadi:
Maka: Yt =μ + ϕ 1 Yt -1
Y̶ = 95 + 98 + 97+99+101+.....+157 Final Estimates of Parameters
13 Type Coef SE Coef T P
Y̶ = 1.464 AR 1 1.005 0.0314 31.91 0.000
13 Number of observations :13
Untuk r1 maka diperoleh : Residuals : SS = 1839. 54(backforecasts excluded)
MS = 159.29 DF =12
Nilai Parameter yang diperoleh yakni:
Φ1 = 1,0005
Selanjutnya dilakukan uji signifikansi
terhadap nilai – nilai parameter yang diperoleh
dengan hipotesis:
Untuk melihat apakah data sudah stasioner atau H0 : ϕ 1 =0
tidak, dapat dilihat dari nilai koefisien autokorelasi H1 : ϕ 1 = 0
yang berbeda nyata dari nol yaitu nilai koefisien Statistik uji:
autokorelasi berada dalam interval batas Thitung = ϕ 2
penerimaan. Maka data jumlah mobil dengan n= 1, Sd (ϕ 1)
maka nilai koefisien autokorelasi harus berada Ttabel = tᾳ n-p-q -1
dalam interval. Nilai parameter dikatakan signifikan jika [
- 1,96(1/ √13 ) 𝑟𝑘 1,96 ( 1 /√13) thitung] > ttabel atau p value <0,05. Hasil pengujian
signifikan nilai –nilai parameter model ARIMA
Ataub berada pada batas nilai:
(1,0,0) dapat dilihat pada tabel dibawah ini.
- 0,5436≤ rk ≤ 0,5436
Tabel 1. Nilai parameter untuk Model
ARIMA(1,0,0)
Terlihat bahwa data sudah stasioner, hanya 1
data nilai koefisien autokorelasi yang tidak berada Model Parameter P value Keputusan
dalam interval batas penjualan. ARIMA
Identifikasi Model (1,0,0) Φ1 Signifikan
=1,0005 0,000
218
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X