Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017

ISSN 2339-210X

IMPLEMENTASI METODE ARIMA UNTUK PREDIKSI PENJUALAN MOBIL

PADA PT.ARISTA AUTO LESTARI
Nurhalimah

Mahasiswa Teknik Informatika STMIK Budi Darma

Jl. Sisingamangaraja No. 338 Simpang Limun, Medan

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).

I. PENDAHULUAN Perkembangan kebutuhan dan keinginan

Penjualan merupakan salah satu indikator
paling penting dalam sebuah perusahaan. Dimana
didalam penjualan juga ada Kepuasan konsumen
yang merupakan isu yang kritikal di semua industri
baik jasa dan perdagangan. Salah satunya adalah
kepuasan konsumen terhadap mobil jenis hatchback
di Indonesia menjadi fenomena baru yang digemari,
para produsen mobil dituntut menyediakan produk
mobil jenis hatchback yang sesuai dengan kebutuhan
konsumen, produk yang dimaksud adalah produk
yang mampu menyuguhkan desain modern, cerdas
dalam pengaturan fitur/interior berkualitas, nyaman
dikendarai, konsumsi bahan bakar yang efisien dan
ramah lingkungan serta oleh sistem keamanan yang
tinggi. Setiap perusahaan selalu berharap bahwa
produknya dapat diterima oleh pasar dan memicu
pembelian awal serta dapat memberikan persepsi
konsumen yang baik terhadap produk yang
ditawarkan perusahaan.
Keberhasilan sebuah industri otomotif sangat
bergantung dari penilaian konsumennya, konsumen
semakin kritis terhadap apa yang mereka terima dan
harapkan dari sebuah produk. Hal ini terlihat dari
meningkatnya data penjualan mobil hacthback
Honda All New Jazz pada PT. Arista Auto Lestari
Medan dari tahun 2008-2011, dapat dilihat pada
Penjualan Mobil Honda All New Jazz PT. Arista
Auto Lestari Medan Tahun 2008-2011, Pada Tahun
2008 ada 287 unit, Tahun 2009 ada 340 unit, Tahun
2010 ada 342 unit dan Tahun 2011 ada 350 unit
mobil. Menunjukkan penjualan unit Honda All New
Jazz PT. Arista Auto Lestari Medan setiap tahunnya
dari tahun 2008-2011 meningkat meski tidak terlalu
tinggi, tetapi hal ini menunjukkan tren positif bagi
PT. Arista Auto Lestari Medan selaku dealer resmi
mobil Honda, bahwa kesuksesan penjualan produk
karena didukung oleh adanya inovasi dan perubahan
terhadap produk yang disesuaikan dengan kebutuhan
dan keinginan konsumen.
konsumen yang cukup tinggi dan diiringi
pengetahuan konsumen yang cukup tinggi terhadap
suatu produk, serta didukung dengan semakin
banyaknya perusahaan mobil yang memproduksi
produk mobil jenis hatchback dan memasarkannya
dipasar yang sejenis menyebabkan persaingan
industri otomotif di Indonesia semakin ketat dan
hanya perusahaan yang melakukan diferensiasi
produk yang tepat yang akan mampu bersaing,
merebut dan menguasai pasar. Secara umum
diferensiasi didefinisikan sebagai upaya perusahaan
untuk menciptakan perbedaan diantara para pesaing
dalam rangka memberikan nilai lebih kepada
konsumen.
Perusahaan yang melakukan diferensiasi
yang kokoh dipastikan akan memiliki kinerja di atas
rata-rata dalam industrinya untuk memberikan
kepuasan konsumen yang berujung pada loyalitas
konsumen. Umumnya diferensiasi produk akan
mengakibatkan konsumen puas terhadap produk
yang ditawarkan, Kartajaya (2004) dalam bukunya
positioning, diferentiation, dan brand menyatakan
bahwa setiap produk yang sukses, dibangun dengan
menguatkan positioning, diferentiation, dan brand.
Persepsi konsumen yang positif terhadap produk
dapat diciptakan dengan positioning yang tepat dari
produk tersebut.
Peningkatan jumlah penjualan di PT. Arista
Auto Lestari Medan selalu menjadi pembahasan
yang tidak pernah dilewatkan oleh pimpinan
perusahaan , oleh karena itu prediksi atau peramalan
sangat berguna untuk melihat gambaran – gambaran
tentang masa depan sehingga pimpinan dapat
mengantisipasinya dengan kejadian mendatang.
Misalnya perusahan dapat memperkirakan jumlah
penjualan pada bulan depan.
Peramalan (forecasting) didefinisikan sebagai
alat atau teknik untuk memprediksi atau
memperkirakan suatu nilai pada masa yang akan

215
 216
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X

datang dengan memperhatikan data atau informasi Xt =𝜇′ + ∅𝑋 t – 1 + ∅𝑋 t- 2 .....∅𝑋 t-p 𝑒𝑡

relevan, baik data atau informasi masa lalu maupun dengan, 𝜇 ′
= suatu konstanta
informasi saat ini (Nachrowi Djalal, 2004). xt-p = nilai pengamatan periode t-p
Prediksi sering juga dilakukan pada ∅ = parameter autoregressive Ke-P
ramalan atau prediksi penjualan atau sales 𝑒 𝑡 = nilain Kesalahan pada
forecasting dapat didefinisikan dari ramalan atau Dengan operator gerak mundur model
prediksi penjualan berarti menentukan perkiraan ARIMA(p,d,q) dapat ditulis sebagai berikut:
besarnya volume penjualan pada waktu yang akan (1-∅1 B1--∅2 B2-.....-∅𝑝 Bp)𝑤𝑡= 𝜇′ +(1-∅1 B1 -∅2 B2-
datang(Suyadi Prawirosentono, 2001). q
.....-∅𝑞 B )𝑒𝑡
Autoregressive Integreted Moving Average
(ARIMA) adalah metode yang dikembangkan oleh Langkah – langkah penerapan metode
Box dan Jenkins sehingga disebut Arima Box – ARIMA secara berturut –turut adalah: identifikasi
Jenkins metode ini merupakan gabungan dari model, pendugaan parameter model, pemeriksaan
metode penghalusan. Metode ini banyak digunakan diagnosa dan penerapan model untuk peramalan.
untuk peramalan harga, penerimaan, penjualan,
tenaga kerja, dan variabel runtun waktu lainnya. III. ANALISISA DAN PEMBAHASAN
Sekali mengabaikan variabel karena modal ini A. Analisa Masalah
menggunakan nilai sekarang dan nilai - nilai masa Data yang akan dianalisa dalam penelitian ini
lampau, dari variabel dependen untuk menghasilkan adalah data penjualan mobil. Sebagaimana pada
prediksi atau ramalan jangka pendek yang akurat. pembatasan masalah, data yang dianalisis adalah
data penjualan mobil pada kurun waktu tahun 2003
– 2015 yang diperoleh dari PT. Arista Auto Lestari,
II. LANDASAN TEORI seperti pada tabel berikut ini:
A. Prediksi Tahun Jumlah penjualan
Menurut Tita Deitiana,(2011, hal: 32) dalam
2003 95
buku Manajemen Operasional Strategi dan
2004 98
Analisa(Servis dan Manufactur), yaitu : “peramalan
2005 97
(forecasting) adalah seni dan ilmu untuk
memprediksi kejadian di masa 2006 99
mendatang”.Peramalan atau prediksi dalam dunia 2007 101
bisnis dapat diganti dengan istilah proyeksi. Secara 2008 100
umum, prediksi bisa diartikan sebagai sebuah 2009 101
kegiatan meramalkan atau membuat sebuah 2010 102
prakiraan tentang segala sesuatu yang akan terjadi. 2011 102
Prediksi mempunyai makna sebagai sebuah 2012 108
informasi, pemberitahuan, peringatan, pengetahuan 2013 150
dan ulasan tetang segala sesuatu yang akan terjadi 2014 154
berdasarkan fakta maupun tidak berdasarkan fakta. 2015 157
1. Prediksi berdasarkan teknologi. Uji Kecukupan Sampel
2. Prediksi berdasarkan ilmu pengetahuan. Sebelum melakukan penganalisaan data,
3. Prediksi berdasarkan pengetahuan. terlebih dahulu dilakukan uji kecukupan sampel. Hal
4. Prediksi berdasarkan teori probabilitas. ini perlu dilakukan untuk menentukan apakah
5. Prediksi berdasarkan analisa, dan sebagainya. banyaknya sampel data yang telah ada dapat
diterima sebagai sampel atau tidak. Berikut
B. Metode Autogressive Integreted Moving pengujian sampel.
Average (ARIMA)
ARIMA merupakan kepanjangan dari Diketahui:
Autogressive Integreted Moving Average dimana Ukuran sampel percobaan N =13
metode ini diterapkan untuk analisa deret berkala,
peramalan dan pengendalian. Dikembangkan oleh Maka, ∑𝑁
𝑡=1 𝑌 t =1.464
George Box dan Gwilym Jenkins sehingga disebut
ARIMA Box-jenkins. Metode ARIMA merupakan ∑𝑁
𝑡=1 𝑌 t
2
= 2.143.296
gabungan antara metode pemulusan, metode regresi
dan metode dekomposisi. [∑𝑁 2
𝑡=1 𝑌 t ] =171.578
Jika series stasioner adalah fungsi linier dari
nilai-nilai lampaunya yang berurutan atau nilai Dimana:
sekarang series merupakan rata-rata nilai lampau N = banyaknya data sebagai sampel per tahun
bersama dengan kesalahan sekarang, maka ∑𝑁𝑡=1 𝑌 t =1.464 jumlah ataupun total Keseluruhan
persamaan itu dinamakan model autoregressive. dari data aktual
Bentuk umum dari model autoregressive
adalah sebagai berikut:
 217
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

Sehingga diperoleh persamaan model dengan nilai H0 : ϴ 1 = 0

parameter: H1 : ϴ 1 ≠ 0
Yt = μ + 1,0005 Yt-1 Statistik uji:
Thitung = ϕ 2
Estimasi Parameter Model ARIMA(0,0,1) Sd (ϕ 1)
Dari nilai koefisien autokorelasi, nilai Ttabel = tᾳ n-p-q -1
koefisien autokorelasi yang berbeda nyata dari nol
adalah nilai koefisien autokorelasi, maka model Nilai parameter dikatakan signifikan jika [
persamaannya menjadi : thitung] > ttabel atau p value <0,05. Hasil pengujian
Yt = μ + et - ϴ 1 et-1 signifikan nilai –nilai parameter model ARIMA
Final Estimates of parameters (1,0,1)
Type Coef SE Coef T P
MA 1 -0.8908 0.3101 -2.87 0.014 IV. KESIMPULAN
Kesimpulan dari penulisan penelitian ini adalah:
Number of observations :13 1. Dari hasil penerapan model ARIMA dengan data
Residuals :SS =54975.0 (backforecasts excluded) jumlah penjualan dari tahun 2003 sampai 2015
MS = 4581.2 DF =12 dapat disimpulkan bahwa data jumlah penjualan
Nilai parameter yang diperoleh yakni: sudah stasioner sehingga tidak perlu dilakukan
ϴ 1 = -0,8908 proses pembedaan (Proses diffrencing) . Dari
Selanjutnya dilakukan uji signifikansi terhadap nilai plot nilai koefisien autokolrelasi data asli
– nilai parameter yang diperoleh dengan hipotesis: memperlihatkan juga bahwa data sudah
H0 : 0 stasioner. Selanjutnya dengan memperhatikan
H1 : ϴ 1 ≠ 0 plot nilai koefisien autokorelasi untuk
Statistik uji: mengidentifikasi proses Moving Average (
Thitung = ϕ 2 MA(q) = 1), dan plot nilai koefisien autokorelasi
Sd (ϕ 1) parsial untuk Mengidentihikasi proses
Ttabel = tᾳ n-p-q -1 Autoregressive (AR (p) = 1), Sehingga diperoleh
tiga model ARIMA yakni ARIMA (1,0,0),
Nilai parameter dikatakan signifikan jika [ ARIMA(0,0,1), ARIMA(1,0,1).
thitung] > ttabel atau p value <0,05. Hasil pengujian 2. Metode autoregressive integreted moving
signifikan nilai –nilai parameter model ARIMA average (ARIMA) telah diterapkan pada aplikasi
(0,0,1) dapat dilihat pada tabel dibawah ini. prediksi penjualan bertujuan untuk
mempermudah dalam pencarian hasil prediksi.
Tabel 2. Nilai parameter untuk Model
ARIMA(0,0,1) DAFTAR PUSTAKA
Model Parameter P Keputusan [1] Abdul Kadir, 2013. Pemrograman Database MYSQL Untuk
Pemula. Yogyakarta. MediaKom.
ARIMA value [2] Anita Desiani dan Muhammad Arhamni,2006. Konsep
(0,0,1) Φ1 = - - Signifikan Kecerdasan Buatan.Yogyakarta,C.V. Andi OFFSET.
0.8908 0,000 [3] Abduli Kadir,2013. Pemograman Database MYSQL.untuk
pemula.Yogyakarta,MediaKom.
Sehingga diperoleh persamaan model dengan nilai
[4] Adi Nugroho,2010, Rekayasa Perangkat Lunak Berorientasi
parameter: objek dengan metode USDP(UML)Unified Modeling
Yt = μ + et + 0,8908et-1 Language . Yogyakarta, C.V. Andi OFFSET.
[5] Gusti Ngurah Suryantara, 2014. Merancang Aplikasi
Akuntansi VB.Net , Jakarta PT. Elex Media Komputindo.
Estimasi Parameter Model ARIMA(1,0,1) [6] Priyanto Hidayatullah,2014. visual basic.Net. Jakarta.
Dari nilai koefisien autokorelasi, nilai PT.Elex Media Komputindo,Gramedia.
koefisien autokorelasi yang berbeda nyata dari nol [7] Hanke, John E & Wichern, Dean W. 2009, Business
adalah nilai koefisien autokorelasi, maka model forecasting 9th ed.New Jersey.
[8] Sugiharto dan Harijono, 2000 . Teknik dan Metode peramalan
persamaannya menjadi :
[9] Uus Rusmawan, 2014. Koleksi Program VB.NET 2008
Yt = μ + ϴ 1 Yt-1+ et - ϴ 1 et-1 Untuk Tugas Akhir dan Skripsi-Edisi Revisi. Jakarta. PT.
Final Estimates of parameters Elex Media Komputindo. Gramedia.
Type Coef SE Coef T P [10]Whitten, J.L., Bentley, L.D., & Dittman, K.C., 2007,
Systems analysis and design
AR 1 1.0014 0.0403 24.84 0,000
MA 1 1-0,2111 0.3143 -0.67 0.516
Residuals :SS =1741.97 (backforecasts excluded)
MS = 158.36 DF =11
Nilai parameter yang diperoleh yakni:
ϴ 1 = 1,0014 ,ϴ 1 =- 0,2111
Selanjutnya dilakukan uji signifikansi
terhadap nilai – nilai parameter yang diperoleh
dengan hipotesis: